摘要：本数据集基于Google Earth Engine（GEE）平台，通过对Landsat系列卫星影像进行逐年最大值合成处理，生成1985年至2024年中国区域30米空间分辨率的年度EVI数据集。数据经过辐射定标、大气校正和云掩蔽等预处理，并采用最大值合成法以削弱云和大气影响，保障数据质量的一致性。该数据集具有高时空一致性和长时间覆盖特征，适用于植被动态监测、生态环境评估及气候变化研究等领域，具有较强的科学价值和应用潜力。

关键词：GEE；增强型植被指数；EVI；30米分辨率；最大值合成

引  言

增强型植被指数（Enhanced Vegetation Index, EVI）作为一种重要的遥感植被监测指标，通过优化归一化植被指数（NDVI）在高生物量区的饱和问题及大气和土壤背景的影响，显著提升了植被动态监测的精度与可靠性。近年来，随着对地观测技术的快速发展和全球环境变化研究的深入，长时间序列、高空间分辨率的EVI数据产品在生态系统分析、气候变化响应研究、农业可持续管理及环境政策制定等领域展现出日益重要的价值。本研究基于30米空间分辨率的遥感影像，构建了1985–2024年逐年最大值合成的EVI数据集，旨在提供一套具有高时空一致性和较强噪声抑制能力的植被变化基准数据。

该数据集的研制建立在多源遥感数据融合与先进算法的基础上，尤其得益于Landsat系列卫星数据的长期稳定积累及Google Earth Engine等云计算平台的高效处理能力。逐年最大值合成方法可有效减少云污染、大气差异和物候波动的影响，突出植被生长的年际峰值特征，从而更准确地反映地表植被覆盖和生产力的长期变化趋势。本研究在已有全球或区域尺度EVI产品（如MODIS EVI和Landsat EVI系列）的基础上，进一步提升了数据空间细节与时间连续性，弥补了中高分辨率植被指数序列长度和可用性方面的不足。

本数据集不仅可为植被物候研究、土地覆盖分类、生态系统碳循环模拟和干旱评估等提供关键数据支撑，还具有广泛的跨学科重用潜力，例如在生态水文模型参数化、生物多样性保护规划以及联合国可持续发展目标（SDGs）评估中的应用。此外，统一的数据生成框架与开放访问策略也有助于促进数据比较与集成分析，推动遥感大数据在环境监测领域的深入应用。

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，1985-2011年份使用LANDSAT/LT05/C02/T1_TOA数据集。2012-2013年使用LANDSAT/LE07/C02/T1_TOA数据集。由于LANDSAT7影像的扫描行校正器（Scan Line Corrector, SLC）的永久性故障。因此，自2003年5月31日之后获取的LANDSAT 7影像被称为 “SLC-off”数据，在SLC-off影像中，每一景图像都会出现平行的、交错的数据缺失条带。图像中间部分几乎完整，但越往边缘，条带缺失越严重，导致边缘部分约有22%的数据完全丢失。所以2012年和2013年的数据采用了核函数的方法进行了修补。2014-2018年使用LANDSAT/LC08/C02/T1_TOA数据集。2019-2024年使用LANDSAT/LC08/C02/T1_TOA和LANDSAT/LC09/C02/T1_TOA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。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（EVI）数据。

EVI公式如下：

式中：NIR是近红外波段（Near-Infrared）的反射值；Red是红外波段（Red）的反射值。Blue是蓝光波段（Blue）的反射值。

其中LANDSAT5与LANDSAT7卫星选用B4（NIR）、B3（Red）、B1（Blue）波段。LANDSAT8与LANDSAT9卫星选用B5（NIR）、B4（Red）、B2（Blue）波段。

计算的结果会存在一些远大于1的异常值，对于远大于1的这部分异常值赋值为1处理。

图1  30米分辨率EVI最大值合成主要流程示意图

2  数据样本描述

本数据集包含1985-2024共40年的30米分辨率镶嵌后的EVI的TIFF影像，其中2012年，2013年使用了核函数方法修复，其余年份均为正常的最大值合成的结果，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。

3  数据质量控制和评估

本数据集采用了GEE（Google Earth Engine）平台官方的去云代码，筛选云量小于10%的优质影像，筛选了最适合植被生长的日期，并且对由于LANDSAT7影像的扫描行校正器（Scan Line Corrector, SLC）的永久性故障所出现平行的、交错的数据缺失条带进行了修复。由于2000年前LANDSAT5影像较少，西部地区新疆，西藏等地出现了影像缺失，无法下载。

图2  2012年修复前后对比

图3  2013年修复前后对比

其中本数据集1986-1999年与2004-2011年的年最大EVI数据存在一些条带问题，影像的质量整体较好。2000-2003年间的影像质量较差，我们在保证植被生长季的前提下，对数据产品的影像进行筛选日期的处理方法，筛选掉因传感器故障而影像整体质量的部分影像，将植被主要生长日期定义在4月到10月之间。

图4 2001年筛选日期前后对比

图5 2007年EVI整体与局部条带问题展示

本数据集在2013年与2024年间的影像可能会存在影像的色带颜色的差异，主要是因为一年内的影像通过筛选去云之后，无法保证在同一相近日期都有正常可用的影像，不同区域的EVI达到最大值的日期不一定有正常的影像，有条状的色带色差为正常现象，能够确保值的准确性。

图6 2018年与2019年色带问题细节图

4  数据价值

本数据集基于Google Earth Engine（GEE）云平台构建，其核心创新性在于充分利用GEE的海量数据存储和并行计算能力，实现了对Landsat长时序卫星影像的自动化批量处理与无缝融合，解决了传统方法中数据获取繁琐、处理效率低下的瓶颈，融合多源Landsat影像，通过严格的辐射定标、大气校正与智能化云处理，生成了长达40年、空间无缝的高精度时序数据。其核心创新在于采用了核函数修补法，有效消除由于LANDSAT7影像的扫描行校正器（Scan Line Corrector, SLC）的永久性故障所出现平行的、交错的数据缺失条带，确保了每个像元值都能表征年度最佳植被状态，在数据质量与一致性上超越了常见的低分辨率产品。通过开发基于GEE的云端一体化数据整理加工与质量控制流水线，我们应用了先进的时空滤波算法和传感器交叉校正技术，生成了时空连续性远超国内外单一卫星源数据集的高质量、长时序植被指数产品。其巨大价值在于：覆盖范围上可轻松生成全球、洲际或任意区域的无缝数据；加工方法上实现了可复现、高效率的云端协同科研新模式；应用领域上为全球变化生态学、大范围农业监测、近实时的环境灾害评估提供了“即开即用”的数据基石，极大降低了遥感大数据的应用门槛。

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.