摘要：本数据集提供了2019年至2024年逐年10米空间分辨率的归一化植被指数最大值合成产品。数据基于哨兵系列等高性能对地观测卫星影像，通过计算每个像元在一年内的NDVI最大值，有效消除了云、大气、阴影等因素的干扰，从而凸显植被生长最旺盛时期的状况。数据集时间连续、空间分辨率高，能精细刻画植被覆盖的年际变化与空间分布细节，适用于区域生态系统监测、农业管理、环境变化研究等领域，具有重要的科学价值与应用潜力。

关键词：GEE；归一化植被指数；NDVI；10米分辨率；最大值合成；哨兵影像

引  言

归一化植被指数（NDVI）作为表征地表植被覆盖状况与生命活力的关键指标，在农业估产、林业普查、干旱监测及全球变化研究等诸多领域具有不可替代的作用。随着对地观测技术的飞速发展，遥感数据正朝着高时空分辨率方向迈进。10米分辨率的卫星影像（如Sentinel-2）为实现精细尺度的植被动态监测提供了前所未有的数据基础，填补了中低分辨率产品在描述地块内部异质性方面的不足。

目前，广泛使用的全球NDVI产品（如MODIS）空间分辨率多为250米至1公里，难以满足城市生态、精准农业等应用中对细节信息的需求。尽管已有研究利用Landsat系列卫星（30米分辨率）生成了较长时序的NDVI数据集，但其重访周期较长，易受云雨天气影响，导致有效观测数据不足。近年来，哨兵系列卫星的稳定运行为生成更高时空连续性的NDVI产品创造了条件。最大值合成法是一种广泛应用的时序数据处理技术，它通过提取每个像元在特定时期（如一年）内的NDVI最大值，能够有效克服无效像元的干扰，最佳地反映植被的生长潜力和最大覆盖度。

本工作旨在基于哨兵等10米分辨率卫星影像，采用最大值合成方法，研制2019-2024年逐年NDVI数据集。该数据集不仅延续了已有NDVI产品在宏观生态监测中的价值，更以其高空间分辨率的优势，支持地块级别的植被精细分类、生长状况评估和年际变化分析。本数据集可为相关领域的科研人员、资源管理者和政策制定者提供一个高质量的基础数据源，对推动精细农业、城市绿地规划、生物多样性保护等领域的定量化研究具有重要的科学意义和重用价值。

1  数据采集和处理方法

1.1  数据采集方法

数据采集主要依靠GEE（Google Earth Engine）平台，使用COPERNICUS/S2_SR_HARMONIZED数据集。

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。根据NDVI的计算公式：

式中：NIR为近红外波段的反射率值；Red为红光波段的反射率值。

根据公式选用B8（NIR）和B4（Red）波段进行计算，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30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2019-2024共6年的10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  2023年贵州省10米分辨率NDVI细节图

3  数据质量控制和评估

本数据集的质量控制首先对使用的所有原始卫星影像进行了严格的大气校正与几何精校正，以消除环境干扰。在此基础上，我们采用基于QA（质量评估）波段和云检测算法的掩模技术，有效剔除了云、云阴影、冰雪等低质量像元。随后，通过对每年所有有效观测值进行最大值合成，进一步确保了每个像元最终NDVI值的可靠性。通过与高分辨率影像对比和随机抽样验证表明，本数据集在晴空有效像元区的精度良好，能够真实反映植被的年际变化趋势。

4  数据价值

本数据集的核心价值在于它融合了高时间密度（逐年）与高空间分辨率（10米）的优势，填补了现有主流NDVI产品在精细尺度、长时序监测方面的空白。与国内外广泛使用的MODIS（分辨率250-1000米）等中低分辨率全球数据集相比，本数据集能清晰揭示地块内部的植被细节，适用于城市绿地、农田沟渠等微观生态单元的研究；而与同样具备中等分辨率的Landsat系列（30米）产品相比，本数据集基于重访周期更短的哨兵系列卫星，有效观测数据更多，通过最大值合成法得到的年度NDVI值更能可靠地代表植被的最佳生长状态，显著降低了云层覆盖导致的缺失问题。

在数据加工方法上，本数据集采用了严格的质量控制流程与最大值合成算法，确保了数据产品的时序一致性与可靠性。这种高质量的数据基础使其在潜在应用领域上具有独特优势，不仅支持宏观的植被动态与气候变化响应研究，更能直接服务于精准农业中的作物长势评估与产量预测、森林资源的精细化管理和城市生态系统的详细规划等前沿领域。因此，本数据集为相关领域的科研与实践提供了一个不可或缺的、高质量的基准数据层。

参考文献

[1] 王群明,王蓝星.一种 Landsat 7 SLC-off 条带修复方法.CN202011635727.9[2025-01-05].

[2] 闫星光,李晶,闫萧萧,et al.一种快速修复 Landsat 影像条带色差的方法[J].光谱学与光谱分析, 2023, 43(11):3483-3491.

[3] 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].

[4] 王睿,韦春桃,马云栋,等.基于 BP 神经网络的 Landsat 影像去云方法[J].桂林理工大学学报, 2015, 35(3):5.DOI:10.3969/j.issn.1674-9057.2015.03.017.

[5] 吴炜,骆剑承,沈占锋,等.分类线性回归的 Landsat 影像去云方法[J].武汉大学学报：信息科学版, 2013, 38(8):5.DOI:CNKI:SUN:WHCH.0.2013-08-023.

[6] 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.

[7] 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.

[8] 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.

[9] 刘 可 , 杜 灵 通 , 侯 静 , 等 . 近 30 年 中 国 陆 地 生 态 系 统 NDVI 时 空 变 化 特 征 [J]. 生 态 学 报 , 2018, 38(6):12.DOI:10.5846/stxb201701150122.

[10] 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.

[11]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.