2001～2025 年各省市区县月度与年度NDVI面板数据

1915 字 约 6 分钟 数据资料 面板数据生态环境

今天给大家分享一份 2001～2025 年各省市区县月度与年度 NDVI 面板数据。由 RStata 数据中心处理得到（栅格数据转面板数据）。

数据来源与处理方法

原始数据为月度 NDVI（归一化植被指数，Normalized Difference Vegetation Index）栅格数据，约 1km 分辨率、WGS84 坐标系，覆盖 2001 年 1 月至 2025 年 12 月。我们基于 2021 年行政区划矢量数据（省 / 市 / 县 三级，WGS84）对栅格逐期进行分区统计，处理流程如下：

  1. 坐标对齐：将行政区矢量投影到栅格的坐标参考系（二者同为 WGS84，显式执行恒等投影）；
  2. 分区栅格化：使用 terra::rasterize 把每个行政区栅格化为独立的 zone 图层；
  3. 逐期分区均值：对每一期月度 NDVI 栅格，用 terra::zonal 计算各行政区的平均 NDVI，得到省 / 市 / 县 三级的逐月面板；
  4. 月度面板补齐：对每个「行政区 × 年月」组合补齐，保证面板在时空上完整连续；
  5. 年度汇总（两种口径）：

原始数据来源：

徐洋, 宁科正, 于淼, 等. 中国 1 km 分辨率逐月 NDVI 数据集（2001–2024）[J/OL]. 中国科学数据, 2026. (2026-06-17). DOI: 10.11922/11-6035.noda.2024.0180.zh.

数据概览

为了方便大家使用，我把数据汇总成了 省 / 市 / 县 三级、月度与年度 两种频率的 NDVI 面板数据，共 9 个 .dta 文件：

文件 层级 频率 年度口径 行数 主要变量
各省份年度平均NDVI面板数据（月度均值法） 省 年度 月度均值法 850 省、省代码、年份、平均NDVI
各省份年度平均NDVI面板数据（月度最大值法） 省 年度 月度最大值法 850 省、省代码、年份、平均NDVI
各省份逐月平均NDVI面板数据 省 月度 — 10200 省、省代码、年份、月份、年月、平均NDVI
各城市年度平均NDVI面板数据（月度均值法） 市 年度 月度均值法 9275 省、省代码、市、市代码、年份、平均NDVI
各城市年度平均NDVI面板数据（月度最大值法） 市 年度 月度最大值法 9275 省、省代码、市、市代码、年份、平均NDVI
各城市逐月平均NDVI面板数据 市 月度 — 111300 省、省代码、市、市代码、年份、月份、年月、平均NDVI
各区县年度平均NDVI面板数据（月度均值法） 县 年度 月度均值法 71925 省、省代码、市、市代码、县、县代码、年份、平均NDVI
各区县年度平均NDVI面板数据（月度最大值法） 县 年度 月度最大值法 71925 省、省代码、市、市代码、县、县代码、年份、平均NDVI
各区县逐月平均NDVI面板数据 县 月度 — 863100 省、省代码、市、市代码、县、县代码、年份、月份、年月、平均NDVI

变量说明：平均NDVI 为对应行政区在某一时期内的平均归一化植被指数，取值范围约 −1～1，数值越高代表植被覆盖越茂密、长势越好（水体、裸地、建成区通常接近 0 或为负，浓密植被接近 1）。

时间范围：2001～2025 年；行政区划基准为 2021 年（约 34 个省级单元、371 个地级市、2877 个区县级单元）。

具体用途：基于上述变量结构，本数据可用于——

  • 测算区域生态环境质量（如生态环境质量指数 RSEI 中的植被分量）；
  • 刻画城市绿化水平与建成区周边植被覆盖的时空变化；
  • 监测农业植被长势、耕地与林地变化；
  • 与气温、降水等气象面板结合，研究气候变化对植被生长的影响。

图表展示

下图为基于本数据绘制的 4 张图表：

图 1：2001–2025 年各省平均 NDVI 空间分布

展示了 2001–2025 年各省平均 NDVI 的地理分布，整体呈现自东南向西北递减的格局（南方植被更茂密）。

图 2：2001–2025 年全国平均 NDVI 时间趋势

展示了全国平均 NDVI 随年份的变化趋势。

图 3：各区县平均 NDVI 分布直方图

展示了各区县-年 尺度上平均 NDVI 的取值分布（频数）。

图 4：各区县平均 NDVI 年度分布比较（箱线图）

按年份比较各区县平均 NDVI 的分布变化。

处理代码

下面给出数据处理与可视化的关键 R 代码片段。

1）各行政区 NDVI 面板计算（核心：分区均值 + 年度两法汇总）

# 三级行政区定义（投影到栅格 CRS 后栅格化为分区图层）
lv_def <- list(
  list(key = "省", shp = "2021行政区划/省.shp",
       admin = c("省", "省代码")),
  list(key = "市", shp = "2021行政区划/市.shp",
       admin = c("省", "省代码", "市", "市代码")),
  list(key = "县", shp = "2021行政区划/县.shp",
       admin = c("省", "省代码", "市", "市代码", "县", "县代码"))
)

# 逐期用 zonal 计算各分区平均 NDVI
for (i in seq_len(nrow(meta))) {
  r <- rast(meta$path[i])
  for (d in lv_def) {
    z <- zonal(r, zone_r[[d$key]], fun = "mean", na.rm = TRUE)
    df <- data.frame(adm_id   = z[, 1],
                     平均NDVI = z[, 2],
                     年份     = meta$year[i],
                     月份     = meta$month[i],
                     年月     = sprintf("%04d-%02d", meta$year[i], meta$month[i]))
    acc[[d$key]][[i]] <- df
  }
}

# 年度汇总：月度最大值法 / 月度均值法
fmax  <- function(x) if (all(is.na(x))) NA_real_ else max(x,  na.rm = TRUE)
fmean <- function(x) if (all(is.na(x))) NA_real_ else mean(x, na.rm = TRUE)

res_ann <- list(
  "月度最大值法" = mdf %>% group_by(!!!syms(gcols), 年份) %>%
    summarise(平均NDVI = fmax(平均NDVI), .groups = "drop"),
  "月度均值法" = mdf %>% group_by(!!!syms(gcols), 年份) %>%
    summarise(平均NDVI = fmean(平均NDVI), .groups = "drop")
)

2）可视化（以省级填充地图为例）

# 读取省级年度均值数据并合并地图
prov_ann <- read_dta("2001～2025 年各省份年度平均NDVI面板数据（月度均值法）.dta")
prov_mean <- prov_ann %>% group_by(省, 省代码) %>%
  summarise(平均NDVI = mean(平均NDVI, na.rm = TRUE), .groups = "drop")
provmap <- read_sf(file.path(SKILL_DATA, "chinaprov2021mini/chinaprov2021mini.shp")) %>%
  left_join(prov_mean, by = "省代码")

# Albers 等面积投影 + YlGn 连续配色
p1 <- ggplot(provmap) +
  geom_sf(aes(fill = 平均NDVI), color = "gray", linewidth = 0.01) +
  scale_fill_distiller(name = "平均NDVI", palette = "YlGn", direction = 1,
                       na.value = "grey85") +
  labs(title = "2001-2025 年各省平均 NDVI 空间分布")

附件中也提供了该数据的处理代码供参考：

数据引用格式

由于该数据包含较多 RStata 处理的内容，在研究中使用该数据请使用清晰的方式注明数据来源于 RStata 或者 RStata 数据中心，并使用如下格式引用：

RStata 数据中心: 2001～2025 年各省市区县月度与年度NDVI面板数据. 2026. https://tidyfriday.cn/rsdb2/

英文文献可以使用下面的格式引用：

RStata Data Center: 2001～2025 Provincial, Prefecture-level City and County Monthly and Annual NDVI Panel Data in China. 2026. https://tidyfriday.cn/rsdb2/

关联课程/数据推荐

R 语言计算 NDVI 时序数据变异系数栅格：https://rstata.duanshu.com/#/course/e9e25461e95145c88aa739f3dcd14368

中国各省市碳排放量是如何计算的？R 语言栅格数据转面板数据：https://rstata.duanshu.com/#/course/75de598dcfcc4ad0b9ff28bff27f6b83

栅格数据的裁剪与面积汇总——基于 R 语言的方法：https://rstata.duanshu.com/#/course/d2c2710928f44ad7a7518b8a178562c0

如何将栅格数据处理成面板数据或时间序列数据？以 PM2.5 浓度数据处理为例（含并行计算内容）：https://rstata.duanshu.com/#/course/109dfcdfd1174d1eb2d00c621df4f047

RStata 定制｜栅格数据转面板数据或时间序列数据：https://rstata.duanshu.com/#/course/839afebb01d54457b42b94e87e7dc085

如果有将栅格数据处理为面板数据或时间序列数据的定制需求，可以联系李老师付费定制。

点击这里跳转到 RStata 短书平台获取附件：2001～2025 年各省市区县月度与年度NDVI面板数据

相关文章

评论