MOD15A2H 6.1 版中分辨率成像光谱仪 (MODIS) 结合了叶面积指数 (LAI) 和光合有效辐射分数 (FPAR) 产品，是一个为期 8 天的复合数据集，像素大小为 500 米 (m)。4 级 (L4) MOD15A2H 产品中的科学数据集 (SDS) 包括 LAI、FPAR、两个质量层以及 LAI 和 FPAR 的标准差。LAI 被定义为阔叶树冠中每单位地面面积的一侧绿叶面积，以及针

以下是VPD的计算公式，各参数的具体含义我们就不详细说明了。计算并合成某区域的VPD，生成折线图并导出每年的栅格数据。1. 饱和水汽压差VPD。

本文的日光诱导叶绿素荧光（contiguous solar-induced chlorophyll fluorescence ,CSIF）数据，其结合MODIS的可见光波段和近红外波段以及OCO-2的远红波段的SIF数据，利用机器学习方法计算得到。日光诱导叶绿素荧光是一个重要的研究领域，因为它可以提供植物光合作用的直接测量，从而帮助科学家了解植物的生长状况、养分吸收、环境胁迫等方面的信息。此外，通

深度学习作为人工智能的重要技术，正在推动人工智能的发展进入一个新的篇章。通过模拟人脑神经网络的工作原理，深度学习实现了对大规模数据的学习和模式识别。深度学习在图像识别、语音处理、自然语言处理等领域取得了重要的应用成果，为自动化和智能化提供了强大的支持。然而，深度学习的广泛应用也带来了数据隐私和道德问题的挑战，需要我们在技术发展的同时，注重保护用户的隐私权益和推动技术的可解释性和公平性。随着技术的不

CRU TS（Climatic Research Unit Time-Series）数据集是英国东英吉利大学气候研究中心（CRU）发布的全球气候数据集，涵盖从1901年至今的月度气候变量，广泛应用于气候变化、生态模型和农业研究等领域。CRU TS数据的空间分辨率为0.5°×0.5°，覆盖全球陆地区域，适合进行大尺度的气候分析。该数据集在全球气候监测、气候变化评估、农业生产影响分析及水资源管理等方面

它由3个被动微波遥感产品制成：日本宇宙航空研究开发机构（JAXA）的 AMSR-E 的 Level 3 土壤水分数据和 AMSR2 的 Level 3 土壤水分数据，以及由法国农业科学研究院（INRA）和法国空间生物圈研究中心（CESBIO）研发的 SMOS 产品的土壤水分数据。整体而言，降尺度的土壤水分产品与实地测量结果一致（R >0.78），且均方根误差较低（ubRMSE < 0.05 m³/

中国区域地面气象要素驱动数据集，包括近地面气温、近地面气压、近地面空气比湿、近地面全风速、地面向下短波辐射、地面向下长波辐射、地面降水率共7个要素。可为中国区陆面过程模拟提供驱动数据。该数据集是以国际上现有的Princeton再分析资料、GLDAS资料、GEWEX-SRB辐射资料，以及TRMM降水资料为背景场，融合了中国气象局常规气象观测数据制作而成。详细过程请参阅参考文献。原始资料来自于气象局观

本数据集为基于蒸散发互补方法建立的中国地表蒸散发产品(v1.5)，输入数据包括CMFD向下短波辐射、向下长波辐射、气温、气压，以及GLASS地表发射率和反照率、ERA5-land地表温度和空气湿度、NCEP散射辐射率等。本数据集时间跨度为1982年-2017年，空间范围为中国陆地区域。空间分辨率为0.1°；本数据仅为陆地实际蒸散发，不含水面。马宁, Jozsef Szilagyi, 张寅生, 刘文

为了填补这一空白，利用基于深度学习的框架和开放获取数据，包括全球土地覆盖（GLC）产品，建立了中国第一张1米分辨率的国家尺度土地覆盖图SinoLC-1， OpenStreetMap (OSM) 和 Google 地球图像。该框架通过结合保留分辨率的主干、弱监督模块和自监督损失函数，解决了图像和标签之间分辨率不匹配引起的标签噪声，自动细化 VHR 土地覆盖结果，无需任何手动注释。综上所述，SinoL

GLEAM数据提供陆地蒸发组分和相关变量，包括实际蒸发（E）、蒸腾（Et）、截留损失（Ei）、土壤蒸发（Eb）、雪升华（Es）、表面凝结（Ec）、开阔水域蒸发（Ew）、潜在蒸发（Ep）、蒸发胁迫（S）、根区土壤水分（SMrz）、表层土壤湿度（SMs）和感热通量（H）。GLEAM4采用Penman方程计算潜在蒸发，结合深度学习模型改进蒸发胁迫模拟，分辨率达0.1°，覆盖1980-2023年。该产品提