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2025年逐年提供了中国区域实际风力侵蚀量的空间分布信息。数据生产主要利用了同期遥感影像、气象再分析资料、土壤理化属性、数字高程模型及土地利用数据作为模型输入在统一框架下进行模拟计算。数据生产过程经过严格的质量控制包括输入数据一致性检验、模型参数本地化校准、与野外风蚀观测站点的交叉验证确保了数据产品在精细尺度上的可靠性与可比性。本数据集具有高时空分辨率和长时间序列优势能够精细刻画风蚀强度的年际动态变化对于土壤退化监测、沙尘源区识别、生态工程防风固沙效益评估以及区域气候-生态耦合研究具有重要的科学价值与应用前景。关键词RWEQ模型实际风力侵蚀风蚀模数250米分辨率长时间序列引言土壤风蚀是干旱半干旱区土地退化的主导过程之一也是沙尘暴物质供应的关键环节对农业生产、人类健康及区域气候均有深远影响。精确量化风蚀强度的时空格局是制定防沙治沙策略、评估生态恢复成效以及理解陆-气相互作用的基础性工作。传统地面观测如风蚀盘、集沙仪虽能提供局部高精度数据但受站点稀疏和观测周期限制难以满足大尺度、连续动态监测的需求。近年来随着遥感技术、再分析气象数据和计算能力的快速发展基于过程模型的多源数据融合模拟成为区域风蚀评估的主流范式。修正风蚀方程RWEQ模型由Fryrear等提出经多次改进已在全球多地验证并广泛应用。该模型综合考虑气象驱动力、土壤可蚀性、地表结皮、植被覆盖和地形起伏等因子能够合理估算潜在与实际风蚀量。然而现有公开风蚀产品多呈中低分辨率≥1 km在局部地形复杂或土地利用破碎区域存在明显的尺度错配制约了其在小流域治理、地块级工程效益评估中的适用性。针对此问题本研究基于RWEQ模型集成多源高分辨率输入数据30 m DEM、90 m土壤属性、250 m植被指数等通过统一重采样与局部参数优化生产了2000–2025年中国区域250米分辨率的逐年实际风力侵蚀量数据集。该数据集不仅填补了高分辨率长序列风蚀产品的空白其精细化空间信息还可用于沙尘暴预警模型的下垫面参数更新、生态补偿核算以及地球系统模式离线验证具有显著的科学和实用双重价值。1数据采集和处理方法1.1数据采集方法1.1.1土壤数据本研究所使用的土壤理化性质数据包括黏粒含量、粉粒含量、砂粒含量、有机碳含量及碳酸钙CaCO₃含量均提取自世界土壤数据库Harmonized World Soil Database, HWSD。该数据库由联合国粮农组织FAO与国际应用系统分析研究所IIASA等机构共同开发与维护其栅格数据产品提供了全球范围内标准化的土壤属性空间分布信息是评估土壤资源与功能的权威基础数据源之一。1.1.2DEM数据DEM数据是来自美国国家航空航天局NASA与日本经济产业省METI联合发布的STER GDEM V3该数据以WGS84/EGM96大地水准面为参考。空间分辨率为0.00027777778°约30米垂直精度为20米水平精度为30米精度信息来源于USGS网站。1.1.3FVC数据数据采集主要依靠GEEGoogle 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GEEGoogle Earth Engine平台上的ERA5小时数据。1.1.5PET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GDALnumpy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。气象因子的计算方法如下:式中WF为气象因子kg/mWf为多年平均风力因子m/s3ρ为空气密度kg/m3本数据采用海平面平均密度1.225kg/m3g为重力加速度m/s2本数据采用9.8m/s2SW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-1ut为临界起沙风速m·s-1本数据采用5m·s-1Nd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GEEGoogle 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ETp为潜在蒸散发量mm·d-1R为年降雨量mmI为年灌溉量mmRd为年降雨或灌溉天数mmN为年总天数天。其中ETp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Ti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Hi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H0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。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 8NDVI (B5 - B4) / (B5 B4)。NDVIveg 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。NDVIsoil 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NDVIsoil。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NDVIveg本数据通过GEEGoogle Earth Engine平台编写代码实现日期筛选裁剪导出功能。通过上传的矢量边界筛选影像范围计算NDVI取NDVI的最高分位数和最低分位数计算FVC。并逐年导出至谷歌云空间。1.2.5 地表粗糙度因子K’本数据通过ARCGIS10.6软件使用栅格计算器工具计算。地表粗糙度因子K’的计算方法如下K’cosα式中K’为地表粗糙度因子α为地形坡度由DEM数据计算得到。1.2.6 实际风力侵蚀量L本数据集核心变量为实际风力侵蚀量即风蚀模数单位t·km⁻²·a⁻¹基于RWEQ模型计算而非防风固沙量。实际侵蚀量表达式为式中SL为实际风力侵蚀量单位t·km-2·a-1QMAX为最大转移量单位kg/mz为最大风蚀出现距离单位m本数据中取值为50m2数据样本描述本数据集包含26个年份的数据按年份分为34个省的数据每个省的一年数据为一个压缩包其内存放着该省对应年份的TIFF数据命名格式为年份省份例如2004云南.tif。数据分辨率为250米投影采用WGS_1984_Albers。3数据质量控制和评估本数据使用了一些插值数据和90m分辨率的土壤数据其余未强调插值获得或分辨率的数据均为1000m原生数据。其中由于90m分辨率的土壤数据覆盖不全的原因在我国边界轮廓会存在一定的数据缺失。4数据价值本数据集的核心价值在于它首次提供了覆盖中国全境、长达26年2000–2025年且空间分辨率达250米的逐年实际风力侵蚀量栅格产品相较于以往中低分辨率数据集能够更精细地刻画风蚀强度的局地异质性有效支撑从流域到地块级别的土壤流失定量评估。数据直接输出实际风蚀模数SL省去了用户二次换算的步骤便于快速投入沙尘暴源区动态识别、三北防护林等重大生态工程的防风效益量化、区域土地退化趋势分析以及县级行政单元的环境管理决策。同时所有模型因子均基于公开遥感与再分析数据处理流程在GEE和Python环境下透明可复现为后续模型比对与版本更新提供了便利使得本数据集不仅是基础研究的重要输入也是政策制定和业务化监测中具有实操性的工具。参考文献[1]中华人民共和国生态环境部. 全国生态状况调查评估技术规范——生态系统服务功能评估: HJ 1173-2021[S]. 北京: 中国环境出版集团, 2021.[2]闫晴, 李菊艳, 张彩荣, 等. 基于 RWEQ 模型的土壤风蚀模数影响因素研究[J].Open Journal of Soil and Water Conservation, 2023, 11: 1.[3]邢丽珠, 张方敏, 邢开成, 等. 基于 RWEQ 模型的内蒙古巴彦淖尔市土壤风蚀变化特征及归因分析[J]. 中国沙漠, 2021, 41(5): 111.[4]蔺阿荣, 周冬梅, 马静, 等. 基于 RWEQ 模型的疏勒河流域防风固沙功能价值评估[J]. 干旱区地理, 2024, 47(1): 58-67.