摘要：本数据集基于MODIS Terra卫星的MOD13A1产品，采用最大值合成法生成2000-2024年全球500米分辨率的逐年NDVI数据。该方法通过选取年度内NDVI最大值，有效抑制了云层、大气噪声和观测角度的影响，最优地反映了每年植被生长的峰值空间分布。数据集已继承MOD13A1的严格质量控制流程，具备良好的时间一致性与空间可比性，是进行大尺度植被动态监测、环境变化评估及生态系统研究的权威基础数据。

关键词：GEE；归一化植被指数；NDVI；500米分辨率；最大值合成

引  言

归一化植被指数（NDVI）作为遥感领域最经典、应用最广泛的植被指数之一，是表征地表植被覆盖、光合作用强度及生物量的关键指标，其在全球变化生态学、农业监测、环境评估等数据科学研究中具有不可替代的价值。长时间序列、大范围的NDVI数据集是分析植被动态对气候变化和人类活动响应的基础，对于理解地球系统碳循环、评估生态系统服务以及实现可持续发展目标至关重要。

最大值合成法是处理时间序列遥感数据、生成高质量合成产品的关键技术手段之一，它能有效减少云污染、大气条件和太阳高度角变化带来的噪声，最大限度地保留真实的地表信号，从而生成更可靠、可比的年度植被状况数据。此前，众多全球性植被研究均依赖于美国国家航空航天局（NASA）提供的MODIS系列数据产品，其中MOD13A1以其500米的空间分辨率和16天的高时间重访周期，成为中尺度区域研究的理想数据源。

本工作基于MODIS MOD13A1 Version 6数据产品，生成了2000-2024年期间的逐年NDVI最大值合成数据集。该工作是对原始时序数据的一次重要再加工与价值挖掘，旨在为用户提供一个“开箱即用”、质量更优的年度峰值植被指数数据立方体。数据集潜在的重用价值广泛，可支持包括但不限于：长时间序列植被物候变迁分析、大尺度土地覆盖分类与变化检测、生态环境效应评估、以及作为机器学习模型训练的特征数据等，为相关领域的科研与决策提供坚实的数据支撑。

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MOD13A1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。根据植物生长的特性，每年统一选取4月1日至10月31日作为最大值合成的起止时间。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米分辨率逐年最大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2000-2024共25年的500米分辨率的NDVI的TIFF影像全国影像命名格式为年份加NDVI，例如2024_NDVI.tif，分省命名格式为省份+年份，例如anhui2024_NDVI.tif。

图1  500米分辨率NDVI示例图

3  数据质量控制和评估

本数据集的可靠性建立在严格的质控流程之上。源数据采用经过大气校正与云掩膜处理的MOD13A1版本6.1产品，其自带的质量评估（QA）波段为像元级可信度提供了权威依据。在年度最大值合成过程中，我们同步执行QA筛选，优先选用被标记为“晴空”的高质量像元值，最大限度消除了云、雪、阴影及大气噪声的污染。对于少数因持续恶劣天气导致全年所有时相均被标记为低质量的像元，其年度NDVI最大值将被标记为缺失值（NaN），并在数据说明中予以明确，确保了数据空间的连续性与真实性，最终产品具有与MODIS官方产品一致的评估精度。

4  数据价值

本数据集基于MOD13A1数据，通过严格的QA质量控制与年度最大值合成加工，生成2000-2024年全球500米分辨率逐年NDVI数据，具有“开箱即用”的特性。与需用户自行处理的原始时序数据相比，本产品省去了复杂的预处理步骤；与更低空间分辨率（如8km）的全球产品相比，能提供更精细的地表细节；与更高分辨率但时序短、覆盖受限的数据相比，兼具长时序连续性和全球一致性优势。该数据集显著降低了植被长期动态监测的技术门槛，为宏观生态环境评估、气候变化研究及农业信息化提供了高效可靠的基础数据支撑。

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.