GLASS植被覆盖度产品（Fractional Vegetation Cover，简称FVC）基于机器学习方法训练出从预处理的反射率到FVC值的关系模型，用以生产全球陆表植被覆盖度产品。GLASS-FVC产品空间范围为全球陆表, 时间分辨率为8天，全年共监测46 次。其中，基于AVHRR数据生产的植被覆盖度遥感数据集产品的时间范围为1981~2020，采用经纬度投影方式,空间分辨率为 5 km×5 km；基于MODIS数据生产的植被覆盖度遥感数据集产品时间范围为2000~2021 年，采用SIN投影方式,空间分辨率为 0.5 km×0.5 km。GLASS-FVC产品输出格式为HDF-EOS标准格式，包含一个植被覆盖度数据集。
本数据集收集了甘肃省范围内h25v04、h25v05、h26v05三个条带2000-2021年的数据。
马里兰大学GLASS产品http://www.glass.umd.edu/Download.html
GLASS FVC产品算法基于机器学习方法，使用了从全球分布式高空间分辨率卫星数据生成的训练样本。最初，用于MODIS数据的GLASS FVC乘积算法是使用通用回归神经网络(GRNN)方法，训练样本数据Thematic Mapper(TM)和Enhanced Thematic Mapper plus(ETM +)数据生成的。但是，在生成长期全球GLASS FVC产品的过程中，发现GRNNs方法的计算效率并不令人满意。因此，评估了四种机器学习方法，包括反向传播神经网络(BPNN)，GRNN，支持向量回归(SVR)和多元自适应回归样条(MARS)。
还开发了用于AVHRR数据的GLASS FVC算法，以与GLASS MODIS FVC产品配合使用。它基于GLASS MODIS FVC产品，可从AVHRR和MODIS数据实现FVC估计的连续性。
使用高分辨率卫星数据和地面测量的估计值进行了广泛的验证实验。
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.GSEER.DB4144.2023
10.12072/ncdc.gseer.db4144.2023
