摘要：本数据集基于中分辨率成像光谱仪（MODIS）的MCD64A1产品，生成了覆盖中国全境、时间跨度为2000年至2024年的烧毁面积数据。数据集采用MCD64A1标准算法，该算法通过结合MODIS地表反射率数据和主动火点信息，利用燃烧敏感植被指数与未燃烧参考像元之间的时序变化，来识别和绘制火烧迹地。数据集在空间上覆盖中国全域，空间分辨率为500米，时间分辨率为逐月。其主要特征为以栅格形式记录了每个像元被探测到发生燃烧的日期，从而可进一步提取出每次火灾事件的燃烧范围、面积和发生时间。数据生产过程中遵循了MODIS产品的标准质量控制流程，数据质量主要受云、雪覆盖以及地形复杂地区像元混合效应的影响。本数据集为长时间序列、大范围的火灾动态监测提供了基础数据，对于评估中国区域火灾 regimes 的时空格局、研究火灾对生态系统和碳循环的影响、以及支持相关领域的政策制定和灾害管理具有重要的科学价值与应用意义。

关键词：GEE；烧毁面积；MCD64A1；500米分辨率

引  言

火灾是陆地生态系统中一种重要的自然干扰和人为活动过程，对全球碳循环、生态系统结构、生物多样性以及大气化学成分具有深远影响（Bowman et al., 2009）。准确、连续地监测火烧迹地的时空分布，是量化火灾生态与气候效应、理解火灾发生驱动机制以及评估火灾风险和管理成效的科学基础。在全球和区域尺度上，卫星遥感因其宏观、及时和周期性的观测能力，已成为绘制烧毁面积产品的最关键技术手段。

在众多卫星传感器中，美国国家航空航天局的中分辨率成像光谱仪凭借其适中的空间分辨率、广泛的光谱覆盖和每日重访周期，为生成长时间序列的全球烧毁面积产品提供了理想的数据源。基于MODIS数据开发的MCD64A1烧毁面积产品，通过分析地表反射率的时间序列变化，实现了对火烧迹地位置和发生时间的有效识别（Giglio et al., 2018），是目前全球火灾科学研究中应用最为广泛的数据集之一。

尽管存在多种全球尺度的烧毁面积产品，但在针对特定区域，尤其是像中国这样地域辽阔、生态系统多样、火灾类型复杂（包括森林火、草原火和农业残余燃烧等）的国家级研究时，构建一个经过区域裁剪、格式统一、便于直接使用的长时间序列数据集，仍然具有重要的数据科学价值。此类数据集能够有效减少研究人员在数据预处理上的重复工作，促进数据的一致性和可比性。

本工作旨在基于MCD64A1 Version 6.1产品，生成一份覆盖中国全境、时间跨度从2000年至2024年的烧毁面积数据集。本引言所提及的前期工作与代表性参考文献为数据集的生成与应用提供了坚实的理论与方法基础。本数据集系统地整合了超过二十年的观测记录，为分析中国区域火灾的长期变化趋势、空间分布特征及其与气候和人类活动的关联提供了核心数据支撑。我们期望本数据集能够在中国地区的火灾生态学、生物地球化学循环、气候变化以及环境管理等多个领域的研究中发挥其潜在的重用价值。

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MCD64A1数据集。Terra 和 Aqua 组合的 MCD64A1 版本 6.1 烧毁面积数据产品是一种每月更新的全球网格化 500 米产品，包含每个像素的烧毁面积和质量信息。MCD64A1 烧毁面积测绘方法采用 500 米 MODIS 地表反射率影像，并结合 1 公里 MODIS 主动火灾观测数据。该算法使用烧毁敏感植被指数 (VI) 来创建动态阈值，这些阈值会应用于合成数据。该 VI 派生自 MODIS 短波红外大气校正地表反射率波段 5 和 7，并包含时间纹理度量。 该算法可识别每个 MODIS 影像块内 500 米网格单元的燃烧日期。日期以单个数据层的形式进行编码，表示发生火灾的日历年的序号日期，并为未燃烧的陆地像素分配值，以及为缺失数据和水网格单元预留额外的特殊值。

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。选择从1月1日至12月31日为起止时间。通过上传的矢量边界筛选影像范围。并逐月导出至谷歌云空间。投影统一采用WGS84投影。

2  数据样本描述

本数据集包含2000-2024共25年的500米分辨率的烧毁面积的TIFF影像全国影像命名格式例如2024.tif。

图1  2024年烧毁面积数据产品示意图

3  数据质量控制和评估

本数据集的可靠性建立在源数据MCD64A1产品的科学算法、严格的质量控制流程以及独立的精度验证基础之上。本章节将详细说明数据的质量控制方法、验证过程、精度指标，并对数据中存在的潜在不确定性进行说明。

本数据集的质量控制主要继承自MCD64A1 V6.1产品的标准流程，并在数据处理阶段采取了辅助措施。MCD64A1产品本身包含一个详尽的的质量评估（QA）图层，该图层标识了每个像元在分类时可能受到的干扰因素，如云层遮挡、积雪、卫星观测几何条件不佳以及水体等。我们强烈建议用户在具体应用中使用此QA图层来筛选和排除低质量像元，以提升分析的可靠性。在从全球MCD64A1产品中裁剪中国区域并合成年度/月度数据时，我们采用了统一的投影转换（转换为等积圆锥投影）和重采样方法（最邻近像元法），以确保整个时间序列数据在空间上的一致性，避免因处理方式不同引入额外误差。通过时序一致性检查，对明显不符合自然燃烧规律（如极小而孤立的燃烧斑块在非火季反复出现）的异常记录进行了标识，但其原始数据均予以保留，供用户根据具体研究需求自行决定取舍。

MCD64A1产品的精度已在全球范围内得到系统验证。验证通常采用更高空间分辨率的卫星影像（如Landsat TM/ETM+/OLI）解译得到的火烧迹地图作为参考真值，通过混淆矩阵计算精度指标。根据产品开发者Giglio等人（2018）主导的全球验证研究，以及多项针对区域（如中亚、东亚）的独立验证评估，本数据集所基于的MCD64A1 V6.1产品表现出以下典型的精度特征：通常高于90%，表明产品能准确识别绝大多数未燃烧区域。针对已燃烧像元，其制图精度（漏分误差的补数）在全球范围内约为30% - 60%。这意味着约有40% - 70%的实际燃烧像元可能未被探测到。针对被识别为已燃烧的像元，其用户精度（错分误差的补数）相对较高，通常在70% - 90%之间。这表明被产品划分为燃烧的像元，其可靠性较高。产品估算的总燃烧面积通常低于参考真值，存在系统性低估，低估程度因区域和生态系统类型而异。在北方大面积的森林和草原区，由于燃烧斑块较大且连续，探测精度较高；而在南方地形复杂的山区或农业区，由于燃烧斑块细小、分散，且常受云雨天气影响，漏探率会显著升高。

如上所述，本数据集最主要的误差来源是对燃烧面积的系统性低估。漏探主要发生在：

由于MODIS空间分辨率（500米）的限制，小于~25公顷的燃烧斑块难以被有效探测。火灾发生期间若被云层或积雪持续覆盖，将无法被光学传感器观测到。此类燃烧持续时间短、地表植被覆盖度低，导致信号微弱，探测难度大。本数据集时间序列完整，从2000年至今无长时间段的中断。但需注意，MODIS传感器（Terra和Aqua）本身可能存在短暂的仪器故障或数据下行中断，导致个别日期或像元的数据缺失。这些情况在源数据的QA图层中均有明确标识。随着MODIS传感器在轨运行时间延长，其性能可能出现缓慢衰减，但NASA通过严格的交叉定标和算法更新，已最大限度地降低了其对产品一致性的影响。从V6.1版本开始，整个时间序列的数据处理保持一致，确保了数据的可比性。

综上所述，本数据集是一个可靠的、适用于中国区域长时间序列火灾趋势和空间格局分析的科研级数据集。用户在使用时，应充分理解其精度范围和不确定性，特别是对于小规模火灾研究和需要精确面积估算的应用，建议结合更高分辨率的遥感数据进行补充验证。

4  数据价值

本数据集的价值在于它通过系统性的数据整理与加工，为针对中国区域的火灾研究提供了一个即用型、长时间序列且质量可控的标准化数据产品。通过与国内外相关数据集的比较，可以从以下方面体现本数据集的独特价值和创新性。

本数据集的创新性和核心价值体现在：本数据集并非简单的数据堆积，而是对原始的、分散的全球MCD64A1数据进行了针对中国区域的标准化再加工。我们提供了统一地理坐标系和通用文件格式（GeoTIFF）的年度/月度数据产品，用户无需进行复杂的预处理即可直接投入分析，极大地提升了科研效率和数据使用的便捷性。本数据集提供了从2000年持续至2024年的、覆盖中国全境（含南海诸岛）的连续观测记录。超过20年的数据跨度使其能够有效捕捉中国火灾动态的长期变化规律和周期性特征，这是许多区域性子集或短时序数据集所不具备的。整个时间序列采用同一版本（V6.1）的算法和一致的加工流程生成，有效避免了因算法版本升级或处理参数不一致导致的非连续性断点，保证了数据在时序上的可比性。

本数据集完整保留了源数据的质量评估（QA）图层，并提供了明确的质量控制和使用建议。这种透明化的质量控制方式，使用户能够根据自身研究的精度需求，灵活地筛选和利用数据，增强了研究结果的可靠性和可重复性。

本数据集的标准化和长时序特性，极大地拓展了其潜在应用领域。它不仅是火灾科学研究的核心数据，更能服务于更广泛的跨学科研究和国家战略需求，例如：量化火灾对生态系统生产力、碳源/汇的影响。分析火灾活动与气候因子（如干旱、高温）的响应关系。为评估“碳中和”目标下的火灾排放、评估重大生态工程的防火成效提供数据支撑。辅助分析火灾风险的空间格局和演变趋势。

综上所述，本数据集通过专业的整合与再加工，在保证数据科学可靠性的基础上，突出了其即用、完整、一致和透明的核心价值，为中国区域的火灾及相关领域研究提供了一项不可或缺的基础数据资源。