长期高分辨率的国家降水（P）、土壤水分（SM）和雪水当量数据集对于预测中国洪涝干旱和评估气候变化对河流流量的影响是必要的。当前P，SM和SWE的长期每日或亚每日数据集受到粗略空间分辨率或缺乏局部校正的限制。虽然从全国范围内的水文模拟得出的SM和SWE数据具有良好的空间分辨率并利用了局部强迫数据，但水文模型不能直接使用SM和SWE数据进行校准。
在这项研究中，我们产生了每日0.1°1981-2017年中国P、SM和SWE数据集，通过CMPA数据的空间和时间分割进行交叉验证，重建P的中位数Kling-Gupta效率（KGE）在日尺度上所有网格为0.68。在每日尺度下，所有网格在校准中SM的中位数KGE为0.61。对于两个积雪丰富的地区的网格，松花盆地、辽河流域和西北大陆盆地标定的SWE中位数KGEs在日尺度上分别为0.55和-2.41。
总体而言，重建数据集在华南和华东地区的P和SM表现优于华北和西部，在东北地区的SWE表现优于其他地区。作为第一个长期0.1°P、SM和SWE的每日数据集结合了来自当地观测的信息和基于卫星的数据基准，这一重建产品对未来国家水文调查的过程很有价值。
使用全球背景数据和本地现场数据作为强制输入，以卫星数据为重建基准。
全球 0.1°和本地 0.25°合并1981-2017年的P数据，重建0.1°的历史P。2008-2017年使用堆叠机器学习模型的中国合并降水分析（CMPA）。重建的P数据用于驱动HBV水文模型模拟1981-2017年的SM和SWE数据。SM 模拟由土壤湿度主动被动 4 级 （SMAP-L4） 数据校准。SWE模拟由中国国家卫星雪深数据集（Che和Dai，2015）和中分辨率成像光谱仪（MODIS）积雪数据校准。
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.ZENODO.DB3946.2023
10.5281/zenodo.5811099
