本数据集是通过修订光利用效率模型（即 EC-LUE 模型），生成了纬度为 0.05∘、经度为 0.05∘、时间间隔为 8 d 的全球长期 GPP 数据。在修订后的EC-LUE模型中，整合了几个主要环境变量的规定：大气二氧化碳浓度、辐射成分和大气水汽压差（VPD）。这些环境变量的长期变化可能对全球植被生产力产生重大影响。来自 FLUXNET2015 数据集的 95 个高塔的涡度协方差（EC）测量数据被用于校准和验证模型，这些数据涵盖了全球九种主要生态系统类型。在 95 个观测点中，修订后的 EC-LUE 模型可解释 71% 的年度 GPP 空间变化。在 95% 以上的观测点，塔估和模型模拟的 GPP 季节变化相关系数（R2）大于 0.5。在所有 55 个观测年限超过 5 年的站点中，塔估和模式模拟的年平均 GPP 的平均R2为 0.44，明显高于原 EC-LUE 模式（R2=0.36）和其他 LUE 模式（R2从 0.06 到 0.30 不等，平均值为 0.16）。在全球尺度上，由光利用效率模型、机器学习模型和基于过程的生物物理模型得出的 GPP 在大小和年际变化上存在很大差异。修订后的EC-LUE模型将1982年至2017年的全球平均GPP量化为106.2±2.9 Pg C yr-1，趋势为0.15 Pg C yr-1。灵敏度分析表明，EC-LUE 模式模拟的 GPP 对大气 CO2浓度、VPD 和辐射敏感。在 1982-2017 年期间，VPD 的增加（Pg C yr-1）部分抵消了 CO2肥化对全球 GPP 的影响（0.22±0.07 Pg C yr-1）。环境变量的长期变化可以很好地反映在全球 GPP 中。总体而言，修订后的 EC-LUE 模式能够提供可靠的全球 GPP 长期估算值。
1、 涡度协方差塔数据：FLUXNET2015数据集（http://www.fluxdata.org）包括 200 多个 碳通量、能量通量和气象变量的变量 由FLUXNET社区在现场收集和处理；
2、全球范围的数据
（1）Air temperature、Dew point temperature、Direct PAR、Diffuse PAR、来源于https://gmao.gsfc.nasa.gov/reanalysis/MERRA-2/ ；
（2）LAI数据来源于http://www.glass.umd.edu/Download.html;
（3）Land cover map数据来源于https：//lpdaac.usgs.gov/products/mcd12q1v006/ ;
（4）C4 crop percentage数据来源于https//doi.org/10.3334/ORNLDAAC/932 ;
（5）CO2 concentration数据来源于https//www.esrl.noaa.gov/gmd/ccgg/trends/ 。
1、 利用FLUXNET2015数据集中的95个EC站点对数据集中的95个EC站点进行优化 参数并评估修订后的EC-LUE模型的性能；
2、采用IGBP分类方案的MCD12Q1产品作为输入土地覆被图。
3、The ISLSCP II C4植被百分比图用于 分离 C3和 C4作物；
4、美国国家海洋和大气管理局（NOAA）地球系统研究实验室 （ESRL）一氧化碳浓度数据集用于表示一氧化碳施肥效果。
数据质量良好。
本作品采用
知识共享署名 4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.FIGSHARE.DB4095.2023
10.6084/m9.figshare.8942336.v3
