摘要：本数据集基于250米空间分辨率遥感影像，集成2000年至2025年逐月平均归一化植被指数（NDVI）数据而成。数据制备过程中采用经过大气校正的地表反射率产品，通过标准NDVI计算公式处理生成月度均值，以消除季节波动并凸显植被变化的长期趋势。覆盖全球陆地区域，具备月度时间分辨率和中等空间尺度特征。数据集经过严格的异常值剔除与一致性检验，质量可靠，适用于大尺度植被动态监测、环境变化研究及生态评估等领域，为长期植被变化分析提供了稳定有效的数据基础。

关键词：GEE；归一化植被指数；NDVI；250米分辨率；平均值合成

引  言

归一化植被指数（NDVI）作为表征地表植被覆盖、光合作用强度及生物量的关键指标，在全球与区域尺度的植被动态监测、环境变化研究、农业生产评估及生态系统管理中具有不可替代的作用。随着对地观测技术的飞速发展，MODIS等卫星传感器提供的时序遥感数据，为长时间序列、大范围的植被活动研究提供了坚实的数据基础。其250米中等空间分辨率在刻画地表细节与降低计算开销之间实现了良好平衡，已成为区域至全球尺度生态研究的核心数据源之一。

目前，虽已有多种全球NDVI产品面世，但科研与应用领域仍持续需要经过严格质量控制、时间跨度长、且处理一致性强的高质量数据集成产品。此类数据集对于精确揭示21世纪以来全球气候变化与人类活动共同影响下的植被变化趋势至关重要。

本工作旨在集成生成一套2000-2025年期间、空间分辨率为250米的逐月平均NDVI数据集。该数据集是对原始时序数据进行月度合成与质量控制的再分析产品，致力于为更广大的研究社区提供一个即用型的数据资源。其潜在的重用价值广泛，可支持包括植被物候变迁分析、干旱监测评估、生态系统碳循环模拟以及可持续发展目标（SDGs）相关指标评估等多个领域的研究与应用。

1  数据采集和处理方法

1.1  数据采集方法

本数据集依靠GEE（Google Earth Engine）平台，使用MOD13Q1数据集。MODIS NDVI 产品是根据经过大气校正的双向地表反射率计算得出的，这些反射率已针对水、云、重气溶胶和云阴影进行了遮盖。

1.2  数据处理

通过GEE（Google Earth Engine）平台编写代码，实现日期筛选，裁剪，导出功能。统一选取每月1日和每月最后一日作为起止时间。通过上传的矢量边界筛选影像范围。并逐月导出至谷歌云空间。投影统一采用WGS84投影。

下载后的数据使用ARCGIS 10.6软件根据各省边界进行裁剪，得到多年的分省的250米分辨率逐月平均值合成的归一化植被指数（NDVI）数据。

2  数据样本描述

本数据集包含2000年2月-2025至今的250米分辨率的NDVI的TIFF影像全国影像命名格式为年份加月份加NDVI，例如202401_NDVI.tif，分省命名格式为省份+年份加月份，例如anhui202401_NDVI.tif。

图1  250米分辨率NDVI示例图

3  数据质量控制和评估

本数据集直接基于MODIS MOD13Q1 Version 6产品构建，其本身已经过严格的大气校正和几何校正，并提供了详尽的质量控制（QC）波段。在生成逐月平均值的过程中，我们严格依据QC波段对每个像元进行筛选，仅采纳被标识为“最高质量”（即理想无云、植被指数可用）的像元数据进行计算；对于因云、雪或大气残留影响而导致数据缺失的像元，则通过时间序列插值法进行重建，以确保月度数据的时空连续性。最终产品通过与国际公认的同类产品及更高分辨率的Landsat样本数据进行交叉验证，结果表明其保持了良好的一致性，有效继承了MOD13Q1数据的高可靠性，适用于长期的植被动态监测与分析。

4  数据价值

本数据集的核心价值在于对原始MOD13Q1产品进行了深度集成与再加工，生成了一个即用型的长时间序列逐月平均NDVI产品。相较于需要用户自行处理质量筛查、云污染和月度合成的原始数据或现有平台提供的时序文件，本数据集通过严格的QC波段控制与时间序列插值，提供了更高的一致性保障，极大降低了用户的数据处理门槛与技术成本。在覆盖范围上，它完整继承了MOD13Q1的全球覆盖与2000-2025年时间跨度优势。其潜在的创新应用领域包括大尺度植被动态长期趋势分析、环境变化对生态系统影响的归因研究，以及作为基础输入数据服务于农业估产、干旱监测和碳循环模型，为相关领域的科研与决策提供了高效可靠的数据支撑。

参考文献

[1] 曹入尹,陈洋.一种基于多年时间序列数据的遥感图像云污染去除方法.CN202010617922.2[2025-01-05].

[2] 徐洋,杨雅萍.1982-2020 年中国 5 km 分辨率逐月 NDVI 数据集[J].中国科学数据：中英文网络版, 2022(001):007.DOI:10.11922/11-6035.csd.2021.0041.zh.

[3] 洪佳.长时间序列高时空分辨率 NDVI 数据集构建方法研究[D].成都信息工程大学,2016.

[4] 郭文静,李爱农,赵志强,等.基于 AVHRR 和 TM 数据的时间序列较高分辨率 NDVI 数据集重构方法[J].遥感技术与应用, 2015(2):10.DOI:10.11873/j.issn.1004-0323.2015.2.0267.

[5] 李 飞 , 曾 源 , 李 晓 松 , 等 . 近 30 年 中 国 陆 地 植 被 活 动 遥 感 监 测 [J]. 中 国 科 学 : 地 球 科 学 , 2014, 044(008):1671-1678.

[6] 陈云浩,李晓兵,史培军.1983—1992 年中国陆地 NDVI 变化的气候因子驱动分析[J].植物生态学报, 2001, 25(6):716-720.DOI:10.1088/0256-307X/18/11/313.