摘要：本数据集基于修正风蚀方程模型（RWEQ）生成，空间分辨率为250米，时间跨度为2000年至2024年，逐年提供了中国区域的防风固沙量空间分布信息。数据生产主要利用了同期遥感影像、气象、土壤、地形及土地利用等数据作为模型输入，在统一框架下进行模拟计算。数据生产过程经过了严格的质控措施，包括输入数据一致性检查、模型参数本地化验证以及与实地观测数据的交叉验证，确保了数据产品的可靠性与可比性。本数据集具有高时空分辨率与长时间序列的特点，能够精细刻画风蚀动态变化，对于评估生态系统服务功能、指导风蚀防治与生态恢复工程、支撑区域可持续发展政策制定具有重要的科学价值与应用意义。

关键词：RWEQ模型；风蚀；防风固沙；250米分辨率

引  言

土壤风蚀是导致土地退化、生态环境恶化和全球性沙尘暴灾害的关键过程，对其进行精准监测与定量评估是环境变化研究与可持续发展决策中的重要课题。传统的地面观测方法虽精度较高，但受限于点状测量，难以实现大范围、连续性的风蚀空间格局与动态评估。随着对地观测技术的发展，基于过程模型与多源遥感数据的分布式模拟，已成为区域乃至全球尺度风蚀研究的核心手段。

修正风蚀方程（RWEQ）模型作为国际上广泛应用的经验模型之一，通过集成气象、土壤、植被、地形及土地利用等多因子，能够有效地模拟并估算区域风蚀量和防风固沙服务量。近年来，随着国产高分系列卫星、Landsat系列卫星等遥感数据产品的日益丰富，以及计算能力的提升，生成高时空分辨率、长时间序列的风蚀数据集已成为可能，这为深刻理解风蚀过程的时空演变规律及其对气候变化和人类活动的响应提供了数据基础。

本工作旨在基于RWEQ模型，集成多源数据，生产一套2000-2024年中国区域250米分辨率的逐年防风固沙量（风蚀量）数据集。该数据集延续并发展了前期研究在模型本地化参数校准与验证方面的工作，致力于解决中高分辨率风蚀产品长期缺失的问题。本数据集不仅可为风蚀防治、生态工程效益评估、国土空间规划等提供精准的数据支撑，其高分辨率特性也使其在田间尺度上的机理研究、模型对比与同化等方面具有巨大的潜在重用价值。

1  数据采集和处理方法

1.1 数据采集方法

1.1.1 土壤数据

1.1.2 DEM数据

1.1.3 FVC数据

数据采集主要依靠GEE（Google Earth Engine）平台，通过调用MOD13Q1数据集中的NDVI波段进行FVC的计算。

1.1.4 气象数据

风速数据来源于GEE（Google Earth Engine）平台上的ERA5小时数据。风速

1.1.5 PET数据

Thornthwaite方法求算蒸散量是以月平均温度为主要依据，并考虑纬度因子（日照长度）建立的经验公式。

1.2  数据处理

1.2.1 气象因子（WF）

本数据通过python3.11编写代码使用GDAL，numpy等计算，统一投影为WGS_1984_Albers，分辨率1000m，计算后的气象因子（WF）的1000m分辨率数据通过固定间距10km采样插值得到250m分辨率数据。

气象因子的计算方法如下:

式中：WF为气象因子（kg/m）；Wf为多年平均风力因子（（m/s）³）；ρ为空气密度（kg/m³），本数据采用海平面平均密度1.225kg/m³；g为重力加速度（m/s²），本数据采用9.8m/s²；SW为多年平均土壤湿润度因子；SD为雪盖因子。

风力因子（Wf）的计算方法如下：

式中：u₂为日平均监测风速（m·s^-1）；u_t为临界起沙风速（m·s^-1），本数据采用5m·s^-1；N_d为一年中风速大于5m/s的天数；N为一年总天数。

本数据中Wf依靠GEE（Google Earth Engine）平台，使用ERA5小时数据求得日平均数据，并通过公式计算获得，原始分辨率11132米，通过GEE导出1000米分辨率的TIFF影像。

土壤湿润度因子（SW）的计算方法如下：

式中：ET_p为潜在蒸散发量（mm·d^-1）；R为年降雨量（mm）；I为年灌溉量（mm）；R_d为年降雨或灌溉天数（mm）；N为年总天数（天）。

其中ET_p的计算使用了Thornthwaite公式，Thornthwaite方法求算蒸散量是以月平均温度为主要依据，并考虑纬度因子（日照长度）建立的经验公式，需要输入的因子少，计算方法简单，公式如下:

式中：PET为潜在蒸散量，此处是指月的潜在蒸散量，单位为毫米每月（mm/月）；T_i为月的平均气温，单位为摄氏度（℃）；H为年热量指数；A为常数。

各月热量指数H_i计算公式如下：

年热量指数H计算公式如下：

常数A计算公式如下：

A = 6.75×10^-7H³ - 7.71×10^-5H² + 1.792×10^-2H + 0.49

当月平均气温T≤0℃时，月热量指数H=0，潜在蒸散量PET = 0[mm/月]。

雪盖因子（SD）的计算方法如下：

SD = 1 - P

式中：P为积雪覆盖天数与总天数的比值。

1.2.2 土壤可蚀因子（EF）

本数据通过ARCGIS10.6软件，使用栅格计算器工具计算。其中sa、si、cl、OM数据的原始分辨率均为90m，使用重采样获得250m分辨率数据；Caco₃数据分辨率为1000m，使用克里斯金插值得到250m分辨率数据。

土壤可蚀因子（EF）的计算方法如下：

式中：EF为土壤可蚀因子；sa为土壤粗砂含量（%）；si为土壤粉砂含量（%）；cl为土壤黏粒含量（%）；OM为土壤有机质含量（%）；Caco₃为碳酸钙含量（%），可不予考虑。

1.2.3 土壤结皮因子（SCF）

本数据通过ARCGIS10.6软件，使用栅格计算器工具计算。

土壤结皮因子（SCF）的计算方法如下：

式中所需数据同上。

1.2.4 植被覆盖因子（C）

本数据通过ARCGIS10.6软件，使用栅格计算器工具计算。

植被覆盖因子（C）的计算方法如下：

式中：C为植被覆盖因子；SC为植被覆盖度（%）。

其中SC由植被覆盖度FVC乘100获得，FVC的计算方法如下:

其中：FVC的取值范围为0-1；归一化植被指数（Normalized Difference Vegetation Index）值，由遥感影像的红波段和近红外波段计算得出（例如Landsat 8，NDVI = (B5 - B4) / (B5 + B4)）。NDVI_veg： 代表纯植被像元的NDVI值。理论上，该值应在植被生长最茂盛、覆盖最完整的区域取得。NDVI_soil： 代表完全无植被覆盖的纯裸土像元的NDVI值。

假设研究区内NDVI值的最低分位数（如5%）主要由裸土像元构成。因此，取整个研究区所有像元NDVI值的 5%分位数 作为NDVI_soil。

假设研究区内NDVI值的最高分位数（如95%）主要由纯植被像元构成。因此，取整个研究区所有像元NDVI值的 95%分位数 作为NDVI_veg