数据集选择了能够反映植物资源获取策略和生态系统功能的六个关键植物功能性状，包括比叶面积（SLA）、叶干物质含量（LDMC）、叶氮浓度（LNC）、叶磷浓度（LPC）、叶面积（LA）和木质密度（WD）。在中国的 1430 个采样点共采集了 3447 种种子植物的 34589 个原位性状测量值，并利用两种机器学习模型（随机森林和提升回归树）生成了空间植物功能性状图（∼1 km）以及环境变量和植被指数。为获得最佳估计值，进一步应用加权平均算法合并两个模型的预测结果，得出最终的空间植物功能性状图。
本研究使用了21个气候变量，包括19个生物气候变量、太阳辐射（RAD）和干旱指数（AI）。19 个生物气候变量和太阳辐射数据来自 1970 年至 2000 年的 WorldClim 2.1 版（https://www.worldclim.org/data/worldclim21.html）。
人工影响数据来自国际农业研究磋商组织空间信息联合会（CGIAR-CSI）1970 年至 2000 年的数据http://www.csi.cgiar.org 。气候数据的空间分辨率为1公里。
本研究纳入了12个土壤变量，代表了土壤性质的不同方面，即土壤质地、容重（BD）、pH值和土壤养分。所有土壤变量均提取自中国土壤数据库进行地表建模http://globalchange.bnu.edu.cn/research/soil2
地形变量是高程。高程数据基于SRTM V4.1数据库（https://www.resdc.cn/data.aspx?DATAID=123。 从中国STRM 90m数据集中提取。空间分辨率为 1 km。
本研究包括三类植被指数。首先，EVI是从MOD13A3 V006产品中提取的（https://lpdaac.usgs.gov/products/mod13a3v006/）。 该产品以1公里的空间分辨率提供月平均值，范围为2000年1月至2018年12月。其次，还从MOD13A3 V006产品中提取MODIS反射率数据，包括MIR反射率、NIR反射率、红色反射率和蓝色反射率。第三，MERIS陆地叶绿素指数（MTCI）是从自然环境研究委员会地球观测数据中心（NEODC，2005年）（https://data.ceda.ac.uk/）中提取的。 从2002年6月到2011年12月，MTCI数据以4.63公里的空间分辨率和范围在全球范围内提供。需要注意的是，有效的MTCI值应大于1，因此我们的研究删除了任何小于1的值。
1.从 TRY 和中国数据库以及公开发表的文献中收集了六种植物功能性状的实地测量数据，并根据植物生长形态、叶片类型和叶片物候对植物物种的功能性状进行了分类。在避免了气候、土壤、地形和植被指数之间的共线性之后，使用了多个网格预测因子。
2.使用随机森林和提升回归树分别训练每个 PFT 的植物功能性状与预测因子之间的关系。
3.利用土地覆被图（100 米）计算每个 PFT 在 1 千米网格单元内的空间丰度。根据步骤 2 中每个 PFT 的丰度及其预测性状值，计算出 1 千米网格单元内的群落加权性状值。为了减少不同单一模型的变异性，我们采用了集合模型算法，根据随机森林树和提升回归树的交叉验证 R2 值，合并它们的预测结果，得出植物功能性状的最终空间分布图。
将本研究与全球范围内的研究进行了比较，因此，从全球性状图中提取了中国的数据。在与之前的研究进行定量比较之前，我们进行了两个步骤，以使数据产品尽可能具有可比性，并提高不同研究之间的一致性。首先，由于全球性状图的空间分辨率（主要是 0.5°）与我们的研究不同，我们将以往研究的数据产品和我们的地图重新采样到 0.5°的空间分辨率。除了 Vallicrosa 等人（2022 年）以 1 千米的空间分辨率生成 LNC 和 LPC 的全球地图外，我们还比较了 Vallicrosa 等人（2022 年）与我们的研究在 1 千米空间分辨率下的频率分布。其次，我们的研究侧重于自然植被，因此使用全球性状图过滤掉了非自然植被（如耕地）。我们从两个方面对我们的地图与之前的研究进行了定量比较。性状图之间的比较采用频数图和空间相关性。
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.DB6491.2024
10.12072/ncdc.figshare.db6491.2024
