基于MODIS数据的青藏高原2001-2020年1 km分辨率逐月气温数据集.pdf

中国科学数据中国科学数据,2023,8(3)|1 ISSN 2096-2223 CN 11-6035/N 文献 CSTR：32001.14.11-6035.csd.2022.0027.zh 文献 DOI：10.11922/11-6035.csd.2022.0027.zh 数据 DOI：10.11922/sciencedb.j00001.00406 文献分类：地球科学 收稿日期：2022-03-25 开放同评：2022-07-13 录用日期：2023-05-04 发表日期：2023-09-25 *论文通信作者 徐永明： www.csdata.org 专题专题 青藏高原雪、冰和环境青藏高原雪、冰和环境 基于基于 MODIS 数据的青藏高原数据的青藏高原 20012020 年年 1 km分辨率逐月气温数据集分辨率逐月气温数据集 莫亚萍莫亚萍1，徐永明，徐永明1*，刘勇洪，刘勇洪2，陈惠娟，陈惠娟1，祝善友，祝善友1 1.南京信息工程大学遥感与测绘工程学院，南京 210044 2.中国气象局地球系统数值预报中心，北京 100081 摘要摘要：青藏高原近几十年来温度升高趋势明显，是全球变化研究的热点问题之一。然而，青藏高原气象站点数目较少且空间分布严重不均，在一定程度上影响了对青藏高原气候变化的认识。卫星遥感为大尺度气候变化研究提供了一条新的途径。本研究基于多种 MODIS 遥感数据、DEM 数据和地形指数数据提取了月平均白天/夜间地表温度、月无云天数、月平均地表反照率、月平均 NDVI、月平均 NDSI、海拔和 CTI 指数等空间自变量，运用 Cubist 算法通过交叉验证和参数优化构建月平均气温、月平均最高气温和月平均最低气温估算模型，生成青藏高原 20012020 年 1 km分辨率遥感月平均气温、月平均最高气温和月平均最低气温数据集。本数据集有助于进一步客观认识青藏高原温度变化规律，为研究青藏高原气候变化提供数据支撑。关键词关键词：青藏高原；气温；1 km；20012020；MODIS 数据数据库（集）库（集）基本基本信息简介信息简介 数据库（集）名称数据库（集）名称 基于 MODIS 数据的青藏高原 20012020 年 1 km 分辨率逐月气温数据集 数据数据通通信信作者作者 徐永明（）数据作者数据作者 莫亚萍，徐永明，刘勇洪，陈惠娟，祝善友 数据时间范围数据时间范围 2001-2020 年 地理区域地理区域 青藏高原（73105E，2641N）空间分辨率空间分辨率 1 km 数据量数据量 12.8 GB 数据格式数据格式 Geotiff 数据服务系统网址数据服务系统网址 http:/dx.doi.org/10.11922/sciencedb.j00001.00406 基金项目基金项目 国家自然科学基金面上项目（41871028）；国家对地观测科学数据中心开放基金（NODAOP2021004）；江苏省研究生科研创新计划项目（KYCX22_1175）。数据库（集）组成数据库（集）组成 数据集由 3 个部分组成，文件名 YYYY 表示年份，MM 表示月份。其 中：（1）Tmean_YYYY_MM.tif 为 月 平均 气 温；（2）Tmax_YYYY_MM.tif 为月平均最高气温；（3）Tmin_YYYY_MM.tif为月平均最低气温。基于基于 MODIS 数据的青藏高原数据的青藏高原 20012020 年年 1 km 分辨率逐月气温数据集分辨率逐月气温数据集 www.csdata.org|2 引引 言言 近地表气温是表征地表热环境特征的重要气象指标，与人们生活及植被生长密切相关，对于气候变化、城市热岛、生态环境、农业生产、公共健康等多个领域的研究有着重要价值1-3。气温在地表与大气之间能量与水分循环过程中起着关键作用，是气象、水文、生态等地球系统模型的重要输入参数4-5。由于受到纬度、海拔、植被覆盖等时空多变要素的影响，气温存在显著的时空差异性。气象站点观测能够提供点尺度的气温观测，但是由于站点数据有限并且分布不均，无法很好反映温度的空间差异，也不能满足地球系统模型对气温格网输入数据的需求6-8。空间插值虽然能够将站点观测气温转换为空间连续的格网气温，但是在站点稀疏或者下垫面复杂区域，插值效果不够理想9-10。卫星遥感能够提供比站点观测更好的空间覆盖和空间细节差异，为大尺度温度变化监测提供了新的途径11。青藏高原是世界上海拔最高的高原，被视为地球“第三极”。由于其较高的海拔，在区域和全球气候变化中扮演了重要角色，是全球变化研究的热点区域12-13。自 20 世纪后半段以来，青藏高原经历了显著的升温过程14-15。青藏高原的升温导致了一系列生态和环境问题，包括冰川退缩、冻土消融、生态退化、物候期提前等16-18。由于地形、交通等因素影响，青藏高原气象站点数目很少且空间分布严重不均，在一定程度上影响了对青藏高原气候变化的认识，并有可能带来分析理解上的偏差。目前有一些研究针对青藏高原地区研制了气温格网数据集，但是这些数据集通过气象站点观测数据插值或者气象再分析数据空间降尺度生成，不能很好描述气温的空间细节变化19-21。本研究基于 MODIS 遥感数据、SRTM DEM 数据和综合地形指数 CTI 数据，估算青藏高原地区 20012020年 1 km 分辨率月平均气温、月平均最高气温和月平均最低气温，为青藏高原气候变化研究提供数据支撑。1 数据采集和处理方法数据采集和处理方法 1.1 研究数据研究数据 遥感数据主要为 Terra/MODIS 遥感数据，具体包括地表温度产品、反射率产品、反照率产品等。地表温度产品为逐日 1 km 分辨率地表温度产品 MOD11A1，提供了白天和夜间地表温度等数据；反射率产品为 8 天合成 500 m 分辨率地表反射率产品 MOD09GA，提供了第 17 波段的大气校正后地表真实反射率数据；反照率产品为逐日 500 m 分辨率地表反照率产品 MCD43A3，提供了第 17 波段以及整个短波波段的黑空和白空反照率。此外，还使用了 90 m 分辨率的 SRTM/DEM 数据以及英国自然环境研究委员会环境信息技术中心提供的全球地形指数数据。气象数据为青藏高原地区 135 个气象站点提供的 20012020 年期间日平均气温、日最高气温和日最低气温。研究区范围以及气象站点的空间分布见图 1。基于日平均气温、日最高气温和日最低气温进行月平均处理，得到月平均气温、月平均最低气温与月平均最高气温。1.2 数据处理数据处理 基于 Google Earth Engine 平台对 MODIS 等遥感数据进行预处理。由于云覆盖造成遥感数据中存在较多的缺失值，需要进行月合成处理。从 MODIS 逐日地表温度产品 MOD11A1 提取白天、夜间地表温度和质量控制 QC 信息，取各个月内有效温度值进行平均，得到月平均白天和夜间地表温度，基于基于 MODIS 数据的青藏高原数据的青藏高原 20012020 年年 1 km 分辨率逐月气温数据集分辨率逐月气温数据集 中国科学数据中国科学数据,2023,8(3)|3 并统计各个月的无云天数。从 MODIS 逐日地表反照率产品 MCD43A3 中提取短波波段黑空反照率进行月平均合成处理，对月合成处理后仍然存在的缺失值利用 1515 的滑动窗口平均值进行填补，得到月平均地表反照率。从 MODIS 8 天合成地表反射率产品 MOD09GA 中提取第 1、2、4 和 6 波段反射率，进行月合成处理后计算月平均归一化植被指数 NDVI 和归一化雪盖指数 NDSI。从SRTM/DEM 数据提取地表海拔，计算月平均天文辐射，从地形指数数据提取综合地形指数 CTI。将计算得到的所有空间数据统一重采样到 1 km 分辨率。图图 1 数据空间范围及气象站点分布数据空间范围及气象站点分布示意图示意图 Figure 1 Spatial scope and the distribution of meteorological stations of the dataset 1.3 气温估算方法气温估算方法 之前的研究表明，能拟合复杂非线性关系的机器学习模型在遥感气温估算方面的表现明显优于传统的统计模型，其中 Cubist 等集成学习模型表现尤为突出22。因此，本研究选择 Cubist 模型估算青藏高原气温。Cubist 是一种在 M5 模型树基础上扩展的基于规则的线性回归树预测模型。该方法采用分类响应的方法进行递归划分所有变量，然后建立树状模型。其节点建立的是基于自变量的多元线性最小二乘模型，以一系列组合起来的分段线性模型很好地解决了非线性问题23。参考前人研究，以月平均白天地表温度、月平均夜间地表温度、月内无云天数、月平均地表反照率、月平均 NDVI、月平均 NDSI、月平均天文辐射、海拔和 CTI 为自变量构建 Cubist 模型。表 1给出了上述自变量的选择依据。表表 1 气温估算模型自变量的选择依据气温估算模型自变量的选择依据 Table 1 Selection basis of independent variables of models for air temperature estimation 自变量自变量 选择依据选择依据 月平均白天地表温度 地表温度是与气温之间存在强相关，是气温遥感估算的最重要输入变量 月平均夜间地表温度 月内无云天数 月内无云天数表征月内云覆盖状况，是影响到达地表太阳辐射的重要因素 月平均地表反照率 地表反照率表征地表吸收入射太阳辐射的能力，是地表能量平衡过程的关键因子 月平均 NDVI NDVI 表征植被覆盖状况，植被通过蒸散和冠层遮蔽等产生降温效应 基于基于 MODIS 数据的青藏高原数据的青藏高原 20012020 年年 1 km 分辨率逐月气温数据集分辨率逐月气温数据集 www.csdata.org|4 自变量自变量 选择依据选择依据 月平均 NDSI NDSI 表征积雪覆盖状况，积雪覆盖影响地表辐射和热特性，进而影响气温 月平均天文辐射 天文辐射表征没有大气影响下到达地表的太阳辐射，是地表能量平衡过程的关键因素 海拔 海拔是影响气温的重要因素，通常情况下海拔越高气温越低 CTI CTI 表征地形凹凸和形态的不同，反映了局地地形对气温的影响 提取气象站点对应遥感影像像元的这 9 个空间自变量值，分别以月平均气温、月平均最高气温和月平均最低气温为因变量，逐年拟合 Cubist 模型。在拟合过程中，通过参数随机化搜索方法进行参数优化，通过 5 折交叉验证对各参数组合的精度进行验证，计算平均绝对误差 MAE 和判定系数R2作为评价指标，确定最优的参数组合构建最终气温估算模型。逐年将构建的月平均气温、月平均最高气温和月平均最低气温估算模型应用于该年的月平均白天地表温度、月平均夜间地表温度、月内无云天数、月平均地表反照率、月平均 NDVI、月平均 NDSI、海拔、月平均天文辐射和 CTI 这 9 个空间自变量，得到青藏高原月平均气温、月平均最高气温和月平均最低气温。除了遥感估算之外，空间插值是获取空间连续气温的另一种常见思路。空间插值方法包括样条函数插值法、趋势面插值法、反距离权重插值法、泰森多边形插值法、克里金插值法等。其中，克里金方法是建立在变异函数理论和结构分析基础上，在有限区域内对区域化变量进行无偏最优估计的一种方法，被广泛应用于各类观测要素的空间插值。协同克里金方法是普通克里金方法的扩展，引入辅助变量对主要变量进行空间插值估算，提升了插值精度。本研究以上述 9 个自变量（月平均白天地表温度、月平均夜间地表温度、月内无云天数、月平均地表反照率、月平均 NDVI、月平均 NDSI、月平均天文辐射、海拔和 CTI）为协同变量，运用协同克里金方法对站点观测月平均气温、月平均最高气温和月平均最低气温分别进行空间插值，计算 MAE、RMSE 和 R2，将协同克里金方法插值精度与 Cubist 模型遥感估算精度进行对比，评估在青藏高原地区遥感估算和空间插值两种方法的表现。2 数据样本描述数据样本描述 2.1 命名格式命名格式 青藏高原 20012020 年 1 km 分辨率逐月气温数据集由 3 个部分组成，分别为青藏高原 20012020 年月平均气温、月平均最高气温和月平均最低气温，每个月 1 个文件。其命名规则如下：（1）Tmean_YYYY_MM.tif 为月平均气温，YYYY 表示年份，MM 表示月份；（3）Tmax_YYYY_MM.tif 为月平均最高气温，YYYY 表示年份，MM 表示月份；（3）Tmin_YYYY_MM.tif 为月平均最低气温，YYYY 表示年份，MM 表示月份。2.2 部分数据样本示例部分数据样本示例 图 24 分别给出了青藏高原 2020 年 1 月、4 月、7 月和 10 月的月平均气温、月平均最高气温和月平均最低气温示例图。基于基于 MODIS 数据的青藏高原数据的青藏高原 20012020 年年 1 km 分辨率逐月气温数据集分辨率逐月气温数据集 中国科学数据中国科学数据,2023,8(3)|5 图图 2 青藏高原青藏高原 2020 年年 1 月、月、4 月、月、7 月和月和 10 月月平均气温空间分布图月月平均气温空间分布图 Figure 2 Distribution of the monthly average air temperature on the Tibetan Plateau in April,July and October,2020 图图 3 青藏高原青藏高原 2020 年年 1 月、月、4 月、月、7 月和月和 10 月月平均最高气温空间分布图月月平均最高气温空间分布图 Figure 3 Distribution of the monthly maximum air temperature on the Tibetan Plateau in January,April,July and October,2020 基于基于 MODIS 数据的青藏高原数据的青藏高原 20012020 年年 1 km 分辨率逐月气温数据集分辨率逐月气温数据集 www.csdata.org|6 图图 4 青藏高原青藏高原 2020 年年 1 月、月、4 月、月、7 月和月和 10 月月平均气温空间分布图月月平均气温空间分布图 Figure 4 Distribution of the monthly minimum air temperature on the Tibetan Plateau in January,April,July and October,2020 3 数据质量控制和评估数据质量控制和评估 在逐年利用 Cubist 模型估算青藏高原地区月平均气温、月平均最高气温和月平均最低气温的过程中，采用 5 折交叉验证的方式对模型进行精度验证，计算平均绝对误差 MAE 和判定系数 R2作为精度指标。表 2 给出了 20012020 年的气温估算精度。月平均气温的 MAE 在 1.011.14之间，RMSE 在 1.341.54之间，R2大部分都为 0.97；月平均最高气温的 MAE 在 1.061.22之间，RMSE在 1.401.61之间，R2大部分都为 0.96；月平均最低气温的 MAE 在 1.281.41之间，RMSE 在1.681.88之间，R2大部分都为 0.96。表表 2 青藏高原青藏高原 20012020 年气温遥感估算精度年气温遥感估算精度 Table 2 Accuracies of the estimated air temperature on the Tibetan Plateau during 20012020 年份年份 月平均气温月平均气温 月平均最高气温月平均最高气温 月平均最低气温月平均最低气温 MAE()RMSE()R2 MAE()RMSE()R2 MAE()RMSE()R2 2001 1.03 1.42 0.97 1.10 1.47 0.97 1.29 1.74 0.96 2002 1.02 1.39 0.97 1.06 1.40 0.97 1.33 1.76 0.96 2003 1.11 1.53 0.97 1.16 1.60 0.96 1.39 1.86 0.96 2004 1.08 1.46 0.97 1.15 1.53 0.96 1.33 1.76 0.96 2005 1.14 1.54 0.97 1.19 1.58 0.96 1.37 1.82 0.96 2006 1.06 1.43 0.97 1.15 1.53 0.96 1.29 1.73 0.96 2007 1.01 1.34 0.98 1.11 1.44 0.97 1.28 1.68 0.97 2008 1.07 1.44 0.97 1.14 1.52 0.97 1.34 1.77 0.96 基于基于 MODIS 数据的青藏高原数据的青藏高原 20012020 年年 1 km 分辨率逐月气温数据集分辨率逐月气温数据集 中国科学数据中国科学数据,2023,8(3)|7 年份年份 月平均气温月平均气温 月平均最高气温月平均最高气温 月平均最低气温月平均最低气温 MAE()RMSE()R2 MAE()RMSE()R2 MAE()RMSE()R2 2009 1.11 1.50 0.97 1.16 1.54 0.96 1.36 1.78 0.96 2010 1.11 1.53 0.97 1.17 1.56 0.96 1.38 1.85 0.96 2011 1.08 1.49 0.97 1.19 1.61 0.96 1.30 1.73 0.97 2012 1.11 1.50 0.97 1.19 1.59 0.96 1.38 1.82 0.96 2013 1.01 1.50 0.97 1.11 1.57 0.96 1.29 1.77 0.97 2014 1.09 1.51 0.97 1.19 1.60 0.96 1.32 1.77 0.96 2015 1.05 1.44 0.97 1.10 1.46 0.96 1.33 1.79 0.96 2016 1.08 1.49 0.97 1.19 1.58 0.96 1.33 1.79 0.96 2017 1.12 1.50 0.97 1.22 1.61 0.96 1.38 1.82 0.96 2018 1.13 1.54 0.97 1.20 1.59 0.96 1.39 1.86 0.96 2019 1.05 1.41 0.97 1.16 1.52 0.97 1.31 1.71 0.97 2020 1.07 1.51 0.97 1.15 1.54 0.96 1.41 1.88 0.96 图 5 分别给出了 2020 年月平均气温、月平均最高气温、月平均最低气温遥感估算值与站点观测值散点图。图中可见，绝大多数样本均分布在 1:1 线附近，并且没有明显的高估或者低估现象，说明估算效果良好。图图 5 2020 年月平均气温、月平均最高、月平均气温遥感估算值与站点观测值散点图年月平均气温、月平均最高、月平均气温遥感估算值与站点观测值散点图 Figure 5 Scatter plots between the remote sensing estimates and site observations of monthly average,monthly maximum and monthly minimum air temperature in 2020 另外需要特别指出的是，将 20012020 年共 20 年的样本整体用于拟合 Cubist 模型，月平均气温、月平均最高、月平均气温交叉验证 MAE 分别为 0.72、0.84和 0.91，精度明显高于逐年建模的结果。但是，考虑到如果将 20 年数据用于构建模型估算 20012020 年气温，在未来估算 2021年及以后年份气温时，必然需要重新以 2001 年至 2021 年或更晚年份的数据重新训练 Cubist 模型，将其应用于所有年份重新估算气温。由于训练样本变化会引起模型变化，导致重新估算的 2020 年及之前气温数值发生变化，不利于数据集长期稳定更新。基于这样的考虑，采用逐年建模估算的方式生成青藏高原气温数据集。利用协同克里金方法对青藏高原地区月平均气温、月平均最高气温和月平均最低气温进行逐月基于基于 MODIS 数据的青藏高原数据的青藏高原 20012020 年年 1 km 分辨率逐月气温数据集分辨率逐月气温数据集 www.csdata.org|8 空间插值，同样采用 5 折交叉验证的方式进行精度验证，并逐年计算 MAE、RMSE 和 R2。月平均气温的 MAE 在 2.582.78之间，RMSE 在 3.243.47之间，R2在 0.830.86 之间变化；月平均最高气温的 MAE 在 2.762.97之间，RMSE 在 3.433.65之间，R2在 0.790.82 之间变化；月平均最低气温的 MAE 在 2.712.89之间，RMSE 在 3.423.66之间，R2在 0.850.87 之间变化。与 Cubist模型估算精度相比，协同克里金插值精度明显偏低。空间插值方法对站点数量和分布有很大的依赖性，青藏高原地区气象站点数目偏少且分布不均，这可能是协同克里金方法精度偏低的主要原因。因此，在该地区更合适运用遥感估算的方法生成空间连续的气温格网数据。4 数据价值数据价值 青藏高原地区 20012020 年 1 km 分辨率逐月数据集提供了青藏高原地区高分辨率的气温格网数据，相比于气象站点观测数据与再分析数据能够更好地反映该地区温度的精细时空变化。该地区具有幅员辽阔、地形复杂、海拔高以及气象站点稀疏等特点，本数据集为该地区的气候变化、增温海拔依赖性、生态环境评估等研究提供了重要的科学支撑数据。5 数据使用方法和建议数据使用方法和建议 本数据集为青藏高原地区 20012020 年 1 km 分辨率月平均气温、月平均最高气温和月平均最低气温的公开共享数据产品，数据以浮点型数据方式存储，像元值表示温度，单位为摄氏度，可以直接使用而不需要进行真值转换。文件格式为 GeoTiff 格式，可通过 ENVI、ArcGIS 等遥感和 GIS 软件直接打开和处理。数据作者分工职责数据作者分工职责 莫亚萍（1998），女，浙江省湖州人，硕士研究生，研究方向为热红外遥感。主要承担工作：遥感数据处理、建模和论文撰写。徐永明（1980），男，江苏省连云港人，博士，教授，研究方向为热红外遥感和环境遥感。主要承担工作：总体指导、研究思路和方案设计。刘勇洪（1974），男，四川省广安人，硕士，正高级工程师，研究方向为城市生态遥感和地表参数定量反演。主要承担工作：气象数据处理与技术指导。陈惠娟（1996），女，江苏省无锡市人，硕士研究生，研究方向为夜间灯光遥感。主要承担工作：数据预处理和制图。祝善友（1978），男，山东省日照市人，博士，教授，研究方向为热红外遥感。主要承担工作：总体指导。参考文献参考文献 1 WANG A H,ZENG X B.Development of global hourly 0.5 land surface air temperature datasetsJ.Journal of Climate,2013,26(19):76767691.DOI:10.1175/jcli-d-12-00682.1.2 MOSTOVOY G V,KING R L,REDDY K R,et al.Statistical estimation of daily maximum and minimum 基于基于 MODIS 数据的青藏高原数据的青藏高原 20012020 年年 1 km 分辨率逐月气温数据集分辨率逐月气温数据集 中国科学数据中国科学数据,2023,8(3)|9 air temperatures from MODIS LST data over the state of MississippiJ.GIScience&Remote Sensing,2006,43(1):78110.DOI:10.2747/1548-1603.43.1.78.3 XU Y M,QIN Z H,SHEN Y.Study on the estimation of near-surface air temperature from MODIS data by statistical methodsJ.International Journal of Remote Sensing,2012,33(24):76297643.DOI:10.1080/01431161.2012.701351.4-J SUN Y,-F WANG J,-H ZHANG R,et al.Air temperature retrieval from remote sensing data based on thermodynamicsJ.Theoretical and Applied Climatology,2005,80(1):3748.DOI:10.1007/s00704-004-0079-y.5 JONES D,WANG W,FAWCETT R.High-quality spatial climate data-sets for AustraliaJ.Australian Meteorological and Oceanographic Journal,2009,58(4):233248.DOI:10.22499/2.5804.003.6 CHEN Y H,QUAN J L,ZHAN W F,et al.Enhanced statistical estimation of air temperature incorporating nighttime light dataJ.Remote Sensing,2016,8(8):656.DOI:10.3390/rs8080656.7 SHI L H,LIU P F,KLOOG I,et al.Estimating daily air temperature across the Southeastern United States using high-resolution satellite data:a statistical modeling studyJ.Environmental Research,2016,146:5158.DOI:10.1016/j.envres.2015.12.006.8 冷佩,廖前瑜,任超,等.近地表气温遥感反演方法综述J.中国农业信息,2019,31(1):110.DOI:10.12105/j.issn.1672-0423.20190101.LENG P,LIAO Q Y,REN C,et al.A review of methods for estimating near-surface air temperature from remote sensing dataJ.China Agricultural Information,2019,31(1):110.DOI:10.12105/j.issn.1672-0423.20190101.9 CHAN J C W,PAELINCKX D.Evaluation of Random Forest and Adaboost tree-based ensemble classification and spectral band selection for ecotope mapping using airborne hyperspectral imageryJ.Remote Sensing of Environment,2008,112(6):29993011.DOI:10.1016/j.rse.2008.02.011.10 VOGT J V,VIAU A A,PAQUET F.Mapping regional air temperature fields using satellite-derived surface skin temperaturesJ.International Journal of Climatology,1997,17(14):15591579.DOI:10.1002/(sici)1097-0088(19971130)17:143.0.co;2-5.11 KIM D Y,HAN K S.Remotely sensed retrieval of midday air temperature considering atmospheric and surface moisture conditionsJ.International Journal of Remote Sensing,2013,34(1):247263.DOI:10.1080/01431161.2012.712235.12 陈德亮,徐柏青,姚檀栋,等.青藏高原环境变化科学评估:过去、现在与未来J.科学通报,2015,60(32):30253035,1.DOI:10.1360/n972014-01370.CHEN D L,XU B Q,YAO T D,et al.Assessment of past,present and future environmental changes on the Tibetan PlateauJ.Chinese Science Bulletin,2015,60(32):30253035,1.DOI:10.1360/n972014-01370.13 马耀明,胡泽勇,田立德,等.青藏高原气候系统变化及其对东亚区域的影响与机制研究进展J.地球科学进展,2014,29(2):207215.DOI:10.11867/j.issn.1001-8166.2014.02.0207.MA Y M,HU Z Y,TIAN L D,et al.Study progresses of the Tibet Plateau climate system change and mechanism of its impact on east AsiaJ.Advances in Earth Science,2014,29(2):207 215.DOI:10.11867/j.issn.1001-8166.2014.02.0207.14 RANGWALA I,MILLER J R,XU M.Warming in the Tibetan Plateau:possible influences of the changes in surface water vaporJ.Geophysical Research Letters,2009,36(6):L06703.基于基于 MODIS 数据的青藏高原数据的青藏高原 20012020 年年 1 km 分辨率逐月气温数据集分辨率逐月气温数据集 www.csdata.org|10 DOI:10.1029/2009gl037245.15 YOU Q L,MIN J Z,KANG S C.Rapid warming in the Tibetan Plateau from observations and CMIP5 models in recent decadesJ.International Journal of Climatology,2016,36(6):26602670.DOI:10.1002/joc.4520.16 DU J Q,ZHAO C X,SHU J M,et al.Spatiotemporal changes of vegetation on the Tibetan Plateau and relationship to climatic variables during multiyear periods from 1982-2012J.Environmental Earth Sciences,2015,75(1):118.DOI:10.1007/s12665-015-4818-4.17 RAN Y H,CHENG G D.Climate warming over the past half century has led to thermal degradation of permafrost on the Qinghai-Tibet PlateauJ.The Cryosphere,2018,12(2):595608.DOI:10.5194/tc-12-595-2018.18 ZHANG Q,KONG D D,SHI P J,et al.Vegetation phenology on the Qinghai-Tibetan Plateau and its response to climate change(1982-2013)J.Agricultural and Forest Meteorology,2018,248:408417.DOI:10.1016/j.agrformet.2017.10.026.19 丁利荣,周纪,王伟,等.青藏高原0.01空间分辨率近地表气温数据集（1979-2018）DS/OL.国家 青 藏 高 原 科 学 数 据 中 心,2020,https:/ L R,ZHOU J,WANG W et al.Dataset of 0.01 Surface Air Temperature over Tibetan Plateau(1979-2018)DS/OL.National Tibetan Plateau/Third Pole Environment Data Center,2020,https:/ 游庆龙,杨叶.青藏高原0.1空间分辨率逐月近地表气温数据（1901-2020）DS/OL.国家青藏高原科学数据中心,2023,https:/ Q L,YANG Y.Dataset of 0.1monthly surface air temperature over the Tibetan Plateau(1901-2020)DS/OL.National Tibetan Plateau/Third Pole Environment Data Center,2023,https:/ 丁明军.青藏高原及周边地区气温和降水格点数据（1998-2017）DS/OL.国家青藏高原科学数据 中 心,2019,https:/ M J.Temperature and precipitation grid data of the Qinghai Tibet Plateau and its surrounding areas in 1998-2017 DS/OL.National Tibetan Plateau/Third Pole Environment Data Center,https:/ XU Y M,KNUDBY A,SHEN Y,et al.Mapping monthly air temperature in the Tibetan Plateau from MODIS data based on machine learning methodsJ.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2018,11(2):345354.DOI:10.1109/JSTARS.2017.2787191.23 RuleQuest.Data mining with cubist EB/OL.(202010)20220315.https:/ 莫亚萍,徐永明,刘勇洪,等.基于MODIS数据的青藏高原20012020年1 km分辨率逐月气温数