PML_V2陆地蒸散发与总初级生产力数据集，包括总初级生产力（gross primary product, GPP），植被蒸腾（vegetation transpiration, Ec），土壤蒸发（soil PML_V2在Penman-Monteith-Leuning (PML) 模型的基础上，根据气孔导度理论，耦合了GPP过程。GPP与ET相互制约、相互限制，使得PML_V2在ET模拟精度，相对于以往的模型有很大的提升。PML_V2的参数分不同的植被类型，在全球95个涡度相关通量站上率定。其后根据MODIS MCD12Q2.006 IGBP分类，将参数移植至全球。PML_V2采用GLDAS 2.1的气象驱动和MODIS 叶面积指数(LAI)、反射率(Albedo)，发射率(Emissivity)为输入，最终得到PML_V2陆地蒸散发与总初级生产力数据集。evaporation, Es），冠层截流蒸发（vaporization of intercepted rainfall, Ei）和水体、冰雪蒸发（ET_water），共5个要素。数据格式为tiff，时空分辨率为8天、0.05°，时间跨度为2002.07-2019.08。
张永强
MOD16A2 Version 6蒸散发/潜热通量产品是一个8天合成数据集，以500米(m)像素分辨率生成。用于MOD16数据产品收集的算法基于Penman-Monteith方程的逻辑，其中包括每日气象再分析数据的输入以及中分辨率成像光谱仪(MODIS)遥感数据产品，如植被特性动态、反照率和土地覆盖。MOD16A2产品提供了复合蒸散(ET)层、潜热通量(LE)层、电位ET (PET)层和电位LE (PLE)层以及质量控制层。每个MOD16A2颗粒还可使用两个低分辨率浏览图像ET和LE。两个蒸散层(ET和PET)的像元值是综合周期内所有8天的像元值之和，两个潜热层(LE和PLE)的像元值是综合周期内所有8天的像元值平均值。注意，每年的最后一次采集周期是5或6天的综合周期，具体取决于年份。
NASA, Steve Running
基于微波数据同化的中国土壤水分数据集包含2002-2011年3层土壤水分数据（0-5cm，5-20cm，20-100cm）。数据采用Yang et al.(2007) 发展的自动标定参数的陆面同化系统（ITPLDAS），以中国区域高时空分辨率的地面气象要素数据集（ITP-forcing数据集）驱动陆面过程模型SiB2，同化AMSR-E 卫星观测亮温，输出三层土壤水分数据。土壤水分均方根误差：5%VWC（在青藏高原那曲和玛曲的评估精度）。
阳坤
稳定连续的长时序地表土壤水分数据集对于全球环境和气候变化监测等都非常重要。SMAP等卫星搭载的L波段辐射计能提供目前最优精度的全球地表土壤水分观测，但其数据记录的短时间限制了其在长期研究中的应用；而AMSR-E和AMSR2系列传感器能提供长时序多频段辐射计观测（C、X和K波段）。本数据集是一个20年（2002/07/27~2022/08/31）的全球连续一致的地表土壤水分数据集，分辨率为日尺度的36 km，采用EASE-Grid2投影坐标系，数据单位为m3/m3。数据集采用Yao et al.(2017)发展的土壤水分神经网络反演算法，将SMAP的优势传递到AMSR-E/2，以目前卫星最优精度的SMAP标准土壤水分产品为训练目标，以AMSR-E/2的亮温为输入，最终输出长时序土壤水分数据。该数据集能够重现SMAP土壤水分的时空分布，精度与SMAP土壤水分产品相当；同时该数据集精度优于AMSR-E和AMSR2的官方土壤水分产品，通过全球14个密集观测站网的地面观测验证表明，其土壤水分精度为5%左右。该全球长时序数据集目前时间覆盖20年，随着AMSR2的持续在轨观测以及即将发射的后继AMSR3任务，该数据集是可延长的，为气候极端事件、趋势分析和年代际变化的长时序研究提供支持。
姚盼盼, 卢麾
数据集包含2002年至2018年中国陆地土壤水分数据，单位为m³/m³，时间分辨率为月，空间分辨率为0.05°。它由3个被动微波遥感产品制成：日本宇宙航空研究开发机构（JAXA）的 AMSR-E 的 Level 3 土壤水分数据和 AMSR2 的 Level 3 土壤水分数据，以及由法国农业科学研究院（INRA）和法国空间生物圈研究中心（CESBIO）研发的 SMOS 产品的土壤水分数据。为了应对被动微波土壤水分产品空间分辨率低的不足，研究人员基于温度植被干旱指数（TVDI）建立了空间权重分解（SWD）模型，其中，TVDI由中分辨率成像光谱仪（MODIS）的地表温度（LST）MYD11C3数据和归一化植被指数（NDVI）MYD13C2数据计算而来。整体而言，降尺度的土壤水分产品与实地测量结果一致（R >0.78），且均方根误差较低（ubRMSE < 0.05 m³/m³），这表明数据在整个时间序列中具有良好的准确性。数据集可以广泛应用于水文及干旱监测，并且可以作为生态和其他地球物理模型的重要输入参数。本数据集在元数据集的基础上进行裁剪，获取西南地区土壤水分数据。
毛克彪
地表土壤水分（SSM）是了解地球表面水文过程的关键参数。长期以来，被动微波（PM）技术一直是在卫星遥感尺度上估算SSM的主要选择，而另一方面，PM观测的粗分辨率（通常>10 km）阻碍了其在更细尺度上的应用。虽然已经提出了定量研究，以缩小基于卫星PM的SSM的规模，但很少有产品可供公众使用，以满足1km分辨率和全天候条件下每日重访周期的要求。因此，在本研究中，我们在中国开发了一种具有所有这些特征的SSM产品。该产品是通过在36 km处对基于AMSR-E和AMSR-2的SSM进行降尺度生成的，涵盖了2003-2019年间两台辐射计的所有在轨时间。MODIS光学反射率数据和在多云条件下填补空白的每日热红外地表温度（LST）是降尺度模型的主要数据输入，以实现SSM降尺度结果的“全天候”质量。4月至9月期间，这一开发的SSM产品的每日图像在全国范围内实现了准完全覆盖。在其他月份，与最初的每日PM观测值相比，开发产品的全国覆盖率也大大提高。我们根据2000多个专业气象和土壤水分观测站的现场土壤水分测量结果对该产品进行了评估，发现该产品的精度在晴空到多云的所有天气条件下都是稳定的，无偏RMSE的站平均值在0.053 vol到0.056 vol之间。此外，评估结果还表明，开发的产品在1km分辨率下明显优于广为人知的SMAP Sentinel（主被动微波）组合SSM产品。这表明，我们开发的产品在改善未来水文过程、农业、水资源和环境管理相关调查方面可能带来的潜在重要效益。本数据集在全国数据集的基础上，裁切出中国西南地区数据进行共享。
宋沛林, 张永强
本数据集是一个包含10年（2010-2019）的全球日尺度地表土壤水分数据集，分辨率为36 km，采用EASE-Grid2投影坐标系，数据单位为m3/m3. 数据集采用Yao et al.(2017，2021)发展的土壤水分神经网络反演算法，将SMAP的优势传递到FY-3B/MWRI，利用人工神经网络方法，以SMAP标准土壤水分产品为训练目标，以FY-3B/MWRI的亮温为输入，最终输出长时序土壤水分数据。土壤水分精度和SMAP接近，达到5%左右。（ 全球14个密集观测站网的验证精度 ）。
卢麾,, 姚盼盼, 赵天杰, 武胜利, 施建成
中国西南地区（四川，重庆，云南，贵州）Landsat8地表反射率数据集的数据集是基于 Landsat 8 OLI/TIRS 传感器得到的，该数据的表面反射率已经经过了大气校正。这些图像的波段包含 了5 个可见和近红外 (VNIR) 波段和 2 个短波红外 (SWIR) 波段，处理为正射校正表面反射率；以及两个热红外 (TIR) 波段，处理为正射校正亮温。数据时间分辨率为月尺度，并经过了去云处理。时间范围为2013年3月到2021年12月，数据坐标系为WGS84地理坐标系。
马明国
