摘要：本数据集是基于MODIS遥感数据产品MOD17A3H Version 6和MOD17A3HGF Version 6.1生成的2000年至2024年全球逐年总初级生产力（GPP）数据集，空间分辨率为500米。数据集的生产严格遵循MOD17算法，该算法利用光能利用率模型，以MODIS的叶面积指数/光合有效辐射吸收比例（LAI/FPAR）产品、日气象数据等作为主要输入，估算植被通过光合作用所固定的碳总量。数据集覆盖全球陆地范围，时间跨度为25年，提供了连续、一致的GPP栅格数据。数据经过了标准的质量控制程序，包含质量评估层以识别像元级别的数据可靠性。本数据集对于评估全球及区域植被生产力、研究碳循环动态、监测生态系统对气候变化的响应以及支持环境管理与决策具有重要的科学价值与应用潜力。

关键词：GEE；总初级生产力；GPP；500米分辨率；MODIS

引  言

总初级生产力（GPP）是指绿色植物在单位时间和单位面积上所固定的有机碳总量，是表征陆地生态系统碳汇能力的关键生理参数，也是理解全球碳循环、评估生态系统服务功能及应对气候变化的核心指标之一。传统的地面测量方法难以实现大范围、连续性的GPP监测，而卫星遥感技术为此提供了强有力的工具。

基于MODIS传感器的数据产品，为全球及区域尺度的生态环境监测研究提供了长期、一致的数据支持。其中，MOD17A3H 作为标准的年际GPP产品，被广泛应用于植被动态、碳收支评估等相关研究中。该产品基于光能利用率原理，通过整合遥感观测与气象数据，实现了对陆地植被GPP的估算。

尽管 MOD17A3H 产品本身可直接获取，但将其多年的原始数据文件进行集成、整理、格式统一与质量一致性处理，形成一套便于使用的、覆盖长时序（如2000-2024年）的连续数据集，本身是一项重要的数据科学工作。这有助于降低用户的数据预处理门槛，确保不同年份间数据的可比性，从而支持更高效、可靠的时空趋势分析和模型验证。

本工作旨在基于MOD17A3H Version 6.1数据，生产一套2000-2024年全球逐年GPP数据集，空间分辨率为500米。该数据集直接继承了MODIS产品的算法优势与质量特征，其集成化与规范化的处理增强了数据的易用性与可访问性。本数据集可为全球变化生态学、地理学、环境科学等领域的科研人员提供一个基础数据平台，潜在的重用价值包括但不限于：分析全球及区域植被生产力的时空格局与演变趋势，探究气候变化与人类活动对生态系统的影响，以及作为生态系统模型校验的基准数据。

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MOD17A3H Version 6和MOD17A3HGF Version 6.1数据集。其中使用MOD17A3H Version 6获取2000年数据，其余年份使用MOD17A3HGF Version 6.1获取。

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。根据植物生长的特性，每年统一选取1月1日至12月31日作为起止时间，但实际一年内仅存在一景年度GPP影像，单位为kgC/m²/year，并且放大了10000倍。通过上传的矢量边界筛选影像范围。并逐年导出至谷歌云空间。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500米分辨率逐年总初级生产力（GPP）数据。

2  数据样本描述

本数据集包含2000-2024共25年的500米分辨率的GPP的TIFF影像全国影像，命名格式为年份加GPP，例如2024_GPP.tif，分省命名格式为省份+年份，例如anhui2024_GPP.tif。

图1  500米分辨率GPP示例图

3  数据质量控制和评估

本数据集的可靠性基于MOD17A3H Version 6和MOD17A3HGF Version 6.1产品的标准质量控制与验证体系。每个像元均配有质量评估（QA）层，用于标识数据质量等级及可能受云、雪或输入数据误差影响的情况。全球范围的验证研究表明，该产品与地面观测数据（如通量塔测量）具有较好的一致性，整体估算精度可靠。数据中存在的局部或瞬时缺失主要由持续云覆盖、极夜或传感器问题导致，这些信息已在QA层中明确标记。建议用户在使用时依据QA层筛选高质量像元，以确保数据的有效性和分析结果的准确性。

4  数据价值

本数据集的价值在于融合MOD17A3H V6与MOD17A3HGF V6.1两款官方产品，通过系统性集成与质量控制，生成了一套覆盖2000-2024年、无缝且连续的全球500米分辨率逐年GPP数据。相较于单独使用任一产品，本数据集有效弥补了原版V6因云层等因素造成的数据缺失，显著提升了时空完整性；其规范化的再加工过程保证了长时序数据的一致性，避免了用户自行处理多版本数据可能带来的误差。这一特性使本数据集在监测植被动态、评估碳汇对气候变化的响应等研究中，具有更直接、更可靠的应用价值。