摘要：本数据集提供了2019年至2024年逐年最大值合成的增强型植被指数（EVI）产品，空间分辨率为10米。数据基于光学遥感影像，通过最大值合成法有效削弱了云、大气、阴影等噪声的干扰，旨在更稳定地反映地表植被在每年生长季的峰值绿度。数据集覆盖全国范围，具有时序完整、空间细节丰富的特点，并经过了严格的质量控制。该数据集对于大尺度植被动态监测、生态系统评估及农业管理等研究领域具有重要的应用价值。

关键词：GEE；增强型植被指数；EVI；10米分辨率；最大值合成；哨兵影像

引  言

植被指数是量化地表植被覆盖状况与生理活动的关键参数，在全球变化研究、农业生产监测、生态环境评估等领域具有不可或替代的作用。其中，增强型植被指数通过引入蓝光波段进行大气气溶胶校正，有效改善了在高生物量区域的饱和问题，并降低了土壤背景的影响，相较于归一化植被指数，能更灵敏地反映植被的时空变化规律。

随着对地观测技术的发展，高空间分辨率遥感数据（如Sentinel-2）的普及为精细化、地块尺度的植被动态监测提供了可能。最大值合成法是生成高质量、无云或少云植被指数产品的主流方法之一，它通过在一定时间窗口内选取像元最大值，能够最大限度地消除非植被信号（如云、阴影、大气）的干扰，从而生成代表植被在最佳生长状态下“绿度”的合成产品。

目前，已有诸多全球或区域性的植被指数产品（如MODIS VI产品），但其空间分辨率相对较低（≥250米），难以满足精细农业、城市生态、自然保护区管理等对空间细节要求更高的应用需求。因此，生产长时间序列、高空间分辨率的EVI合成数据集，对于填补中观尺度植被动态监测的数据空白具有重要意义。

本工作基于2019-2024年的高分辨率遥感影像，生成了空间分辨率为10米的逐年EVI最大值合成数据集。该数据集延续并细化了传统中低分辨率植被指数产品的时序分析优势，同时极大地提升了空间细节表达能力，旨在为研究人员提供一套可靠的数据基础，以期支持区域至国家尺度的植被物候研究、生物量估算、土地利用/覆被变化检测以及相关领域的科学研究和决策支持。

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EVI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；Blue为蓝光波段的反射值。

根据公式选用B8（NIR）、B4（Red）和B2（Blue）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增强型植被指数（EVI）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EVI的TIFF影像，全国影像命名格式为年份加EVI，例如2024_EVI.tif，分省命名格式为省份+年份，例如anhui2024_EVI.tif。 

图1  2023年贵州省10米分辨率EVI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EVI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融合了10米的高空间分辨率与逐年EVI最大值合成的算法优势，填补了现有主流产品在精细尺度应用上的空白。与空间分辨率较粗的MODIS产品或需用户自行合成的Landsat原始数据相比，本数据集提供了即拿即用的年度峰值绿度产品，显著降低了用户的数据处理门槛。其高分辨率特性支持地块级别的植被动态监测，而EVI指数则更好地适应高生物量区域，减少了饱和现象。这一特性使本数据集在精细农业管理、城市生态研究、森林碳汇精确评估等需要高空间细节的领域，具有比传统中低分辨率产品更直接、更有效的应用潜力。

参考文献

[1] 田庆久, 闵祥军. 植被指数研究进展[J]. 地球科学进展, 1998, 13(4): 327.

[2] 郭铌. 植被指数及其研究进展[J]. 干旱气象, 2003, 21(4): 71.