【数据分享】中国陆域植被指数UNVI多维数据集（2018-2021）

#1摘要

     植被指数产品被广泛应用于植被理化参数反演、地表覆盖类型分类，以及监测地表植被覆盖变化等领域。传统的植被指数产品如AVHRR的NDVI产品对土壤背景变化较为敏感，存在高值饱和问题，易引起对植被监测的灵敏度下降。中国陆域植被指数UNVI（Universal Normalized Vegetation Index）多维数据集产品通过MODIS地表反射率产品MOD09GA，基于通用模式分解算法UPDM（Universal Pattern Decomposition Method）以16 d为合成周期计算而成。合成算法以合成周期内无云数据天数N为判断条件，主要包括角度归一化合成法、有限视角内最大值合成法、直接计算法以及最大值合成法MVC。相较于传统NDVI产品，UNVI在反映植被覆盖变化和植被理化参量的定量反演方面更有优势。该数据集包含2018-2021年以16 d为间隔的2018-2021年间每年23个时相的中国陆域范围植被指数UNVI产品。空间分辨率约463 m。数据集存储为.MDD多维数据格式（Multi-Dimensional Dataset），由8个数据文件组成，数据量为43.5 GB（压缩为4个文件，12.5 GB）。有关MDD数据格式，请查看参考文献[23]和[24]。

#2数据引用方式

赵恒谦, 刘轩绮, 张立福*, 陈家华, 付含聪, 马可. 中国陆域植被指数UNVI多维数据集（2018-2021）[J/DB/OL]. 全球变化数据仓储电子杂志(中英文), 2022. https://doi.org/10.3974/geodb.2022.12.01.V1.

#3参考文献

[1] 王桥, 杨一鹏, 黄家柱等. 环境遥感[M]. 北京: 科学出版社, 2004: 366.
[2] 韩爱惠. 森林生物量及碳储量遥感监测方法研究[D]. 北京: 北京林业大学, 2009.
[3] 田庆久, 闵祥军. 植被指数研究进展[J]. 地球科学进展, 1998(4): 10-16.
[4] Noboru, F., Akiko, O., Motomasa, D. Pattern decomposition method for hyper-multispectral satellite data analysis [P]. SPIE Asia-Pacific Remote Sensing, 2001.
[5] Zhang, L. F., Mitsushita, Y., Furumi, S., et al. Universality of modified pattern decomposition method for satellite sensors [R]. Asia GIS Conference, Wuhan, 2003.
[6] 张立福. 通用光谱模式分解算法及植被指数的建立[D]. 武汉: 武汉大学, 2005.
[7] 张立福, 张良培, 村松加奈子等. 基于高光谱卫星遥感数据的UPDM分析方法[J]. 武汉: 武汉大学学报(信息科学版), 2005(3): 264-268.
[8] Daigo, M., Ono, A., Fujiwara, N., et al. Pattern decomposition method for hyper-multi-spectral data analysis [J]. International Journal of Remote Sensing, 2004, 25(6): 1153-1166.
[9] Zhang, L. F., Furumi, S., Muramatsu, K., et al. Sensor-independent analysis method for hyper-multispectral data based on the pattern decomposition method [J]. International Journal of Remote Sensing, 2006, 27(21): 4899-4910.
[10] Zhang, L. F., Qiao, N., Baig, M. H. A., et al. Monitoring vegetation dynamics using the universal normalized vegetation index (UNVI): An optimized vegetation index-VIUPD [J]. Remote Sensing Letters, 2019, 10(7): 629–638.
[11] Zhang, L. F., Furumi, S., Muramatsu, K., et al. A new vegetation index based on the universal pattern decomposition method [J]. International Journal of Remote Sensing, 2007, 28(1): 107-124.
[12] De Wasseige, C., Vancutsem, C., Defourny, P. Sensitivity analysis of compositing strategies: modelling and experimental investigations. Vegetation 2000 [C]. Lake Maggiore, Italy. 2000, 267-274.
[13] Holben, B. N. Characterization of maximum value composites from temporal AVHRR data [J]. International Journal of Remote Sensing, 1986, 7(11): 1417-1434.
[14] Lovell, J. L., Graetz, R. D., King, E. A. Compositing AVHRR data for the Australian continent: seeking best practice [J]. Canadian Journal of Remote Sensing, 2003, 29(6): 770-782.
[15] Duchenmin, B., Maisongrande, P. Normalisation of directional effects in 10-day global syntheses derived from VEGETATION/SPOT: I. Investigation of concepts based on simulation [J]. Remote Sensing of Environment, 2002, 81(1): 90-100.
[16] 龙鑫, 李静, 柳钦火. 植被指数合成算法综述[J]. 遥感技术与应用, 2013, 28(6): 969-977.
[17] 张立福, 钟涛, 刘华亮等. 中国陆域1∶100万植被指数UNVI多维数据集（2017）[J]. 遥感学报, 2020, 24(11): 1293-1298.
[18] Jiao, W. Z., Zhang, L. F., Chang, Q., et al. Evaluating an enhanced vegetation condition index (VCI) based on VIUPD for drought monitoring in the continental United States [J]. Remote Sensing, 2016, 8(3): 224.
[19] Du, H. S., Jiang, H. L., Zhang, L. F., et al. Evaluation of spectral scale effects in estimation of vegetation leaf area index using spectral indices methods [J]. Chinese Geographical Science, 2016, 26(6): 731-744.
[20] Wang, S. H., Yang, D., Li, Z., et al. A global sensitivity analysis of commonly used satellite-derived vegetation indices for homogeneous canopies based on model simulation and random forest learning [J]. Remote Sensing, 2019, 11(21): 2547.
[21] Liu, H. L., Zhang, F. Z., Zhang, L. F., et al. UNVI-based time series for vegetation discrimination using separability analysis and random forest classification [J]. Remote Sensing, 2020, 12(3): 529.
[22] 姜海玲, 张立福, 杨杭等. 植被叶片叶绿素含量反演的光谱尺度效应研究[J]. 光谱学与光谱分析, 2016, 36(1): 169-176.
[23] 张立福, 孙雪剑, 张霞等. 遥感多维数据格式互操作分析软件系统更新版（MARS v2.03）[J/DB/OL]. 全球变化数据仓储电子杂志(中英文), 2017. https://doi.org/10.3974/geodb.2017.02.20.V1.
[24] 张立福, 孙雪剑, 张霞等. 时空谱多维数据格式（MDD）结构与计算机配套系统[J]. 全球变化数据学报(中英文), 2017, 1(2): 121-135. DOI: 10.3974/geodp.2017.02.01.

#4数据说明

1、本资源整理自网络

2、本资源仅用作为学习用途，不能用于商业通途

3、本公众号只负责数据的搜集和整理工作，不能保证资料的精度和准确度以及时效性。

4、如数据有侵权，请告知本号，本号尽早删除该数据。

#5数据获取方式

方式一：转发本次数据文章到朋友圈，全部公开可见并集赞15个，保留2小时

方式二：转发50人以上微信技术交流群10分钟

两种方式任选其一

添加客服微信，发送转发截图，Ai尚研修会员无需转发

每天可以领取一份数据，同一个群转发领取不超过两份

点击题目进入直播课程详情

 

时间：2023年1月12日-15日【每晚19：30-21：30】

时间：2023年1月6日-8日【三天实践课程】

时间：2023年1月6日-8日【三天实践课程】

时间：2023年1月6日-8日【三天实践课程】

时间：2023年1月6日-8日、13日-15日【六天实践课程】

时间：2023年1月6日-8日【三六天实践课程】

时间：12月28日-29日【两天实践课程】

时间：2023年1月7日-8日、14日-15日【四天实践课程】

【提供全部资料、回放视频、导师群问答】

推荐阅读1、农林生态、大气、遥感、水文等系统教程通道——点击文末“阅读全文”进入
2、地学领域数据、年鉴、地图、课件资料等免费资源下载——点击进入
3、百余门教程在线免费观看——点击文末“阅读全文”进入4、会员超值福利领取——点击文末“阅读全文”进入

如何加快课题组人才梯队建设与人才培养？

快来Ai尚研修【Easy Scientific  Research】点亮科研简学践行-您的随行导师平台

官    网：www.aishangyanxiu.com；

公众号：关注“Ai尚研修”公众号，点击“Ai尚课堂”进入也可以哦！

NO1：平台逐步建立完整的教学方案，深度促进科研交叉技术融合，成为众多课题组及个人实践技术提升首选内容。

NO2：Ai尚研修为了更好的发展，特邀胡中民老师、张光学老师、郁磊老师、胡恩柱老师、金溪老师、汪靓老师、张东辉老师等30多位专家学者作为顾问专家，为Ai尚研修平台长期发展提供了宝贵的建议及工作指导。

NO3：Ai尚研修创建云导师教学模式，最大化促进交叉学科的专业问答及交流，已经建立云导师社群300+，不仅可以学习，还为您身边带来专业的导师。

NO4：Ai尚研修建立了长期免费学术讲座：聚焦基础原理、前沿热点技术、庖丁解文、实践技术、成果推广等专题，每月4期左右，已开展完200+期，上平台都可以免费观看前期讲座。

NO5：为了深度对接用户需求，依托专家团队，针对技术咨询服务、数据处理合作、软件开发、搭建高性能计算平台等领域开展合作。

小编为您进行逐一展示：登录平台，您了解的更清晰，还有好礼哦！

NO1：体系课程

NO2：往期学术讲座及技术专题部分展示【免费】

NO3：云导师【点亮科研简学践行、您的随行导师平台】

NO4：技术合作与软件开发

Ai尚研修长期招募讲师——诚邀您的加入

Ai尚研修，倾力打造您的专属发展道路，这里有丰富的客户资源，专业的授课平台，强大的推广力度，全员的热血支持！

Ai尚研修期待您的加入，共同打造精品课程，助力科研！【点击了解合作详情】

扫描下方二维码，关注我们Ai尚研修客服公众号

END

声明： 本号旨在传播、传递、交流，对相关文章内容观点保持中立态度。涉及内容如有侵权或其他问题，请与本号联系，第一时间做出撤回。

END

Ai尚研修丨专注科研领域

技术推广，人才招聘推荐，科研活动服务

科研技术云导师，Easy  Scientific  Research