滩涂作为潮间带生态系统的重要组成部分，具有维持海岸线稳定，加速物质交换和促进碳循环等独特的环境调节服务功能和生态效益。对潮间带湿地现状进行准确、及时的评估对实现可持续管理目标至关重要。研究借助Google Earth Engine （GEE）云计算平台，选用2020年Sentinel-2密集时间序列遥感影像，集成最大光谱指数合成算法（Maximum Spectral Index Composite，MSIC）和大津算法（Otsu）构建多层决策树分类模型，实现澳大利亚潮间带滩涂的快速自动化提取。经过矢量化处理得到2020年澳大利亚高分辨率潮间带滩涂空间分布图，提取的滩涂面积为10 708.22 km²，总体精度为95.32%，Kappa系数为0.94。该数据集存储格式为.shp，时间分辨率为年，空间分辨率为10 m，数据量为154 M。该数据能促进并管理沿海生态系统，如红树林造林和控制互花米草等外来物种入侵，同时还可以作为科学研究的基础数据，如生物多样性、碳储量估算和海平面上升造成的海水侵蚀。

叶面积指数（Leaf Area Index，LAI）是表征地表特征变化的重要指标之一，也是陆表、水文等模型的重要参数。本数据集是基于增强型时空自适应反射率融合模型（ESTARFM），将全球陆地表层卫星（GLASS）LAI（8d/500m）、中分辨率成像光谱仪（MODIS）MOD13A1和MYD13A1、陆地卫星Landsat-7 ETM+和Landsat-8 OLI数据，进行融合，得到8 d/30 m分辨率的LAI，通过分段线性内插最终得到巴音河流域高时空分辨率LAI（1 d/30 m）。对比高时空分辨率LAI（1 d/30 m）与GLASS LAI产品的时空特征，验证数据集精度。结果表明：与原始GLASS LAI相比，本数据集在空间上具有与GLASS LAI一致的分布特征，且轮廓与纹理更为清晰。在时间上，二者具有相同的月际变化特征，且由1 d/30 m LAI估算的区域月平均LAI和区域8日平均LAI与原始GLASS LAI存在显著正相关性，R²分别为0.95、0.94，Pearson积矩相关系数均为0.97，P值均小于0.01。此数据集可为陆表过程、水文循环等模拟提供重要的数据支持，为监测植被-陆表-大气循环的变化提供重要依据。

青藏高原格点降水数据是该地区气象、水文、生态等多方面研究的重要支撑。然而，因青藏高原地形和观测条件的影响，常规的格点降水资料处理方法通常难以表征格网内降水的真实统计参数，也并未将风速影响的器测误差考虑在内。针对此问题，对降水数据进行降水观测损失订正和降水频率分布优化形成新的数据集。由于考虑了风引起的观测损失且使用了不易受到台站密度影响的插值方案，该数据的均值比国际同类数据平均偏大20%，方差偏大2倍。更大的方差，意味着该数据可以更大程度地减少低密度观测网给格点数据带来的平滑效应，对于研究气候的变化特征更有优势。该数据覆盖时间范围从1980年1月1日至2009年12月31日，时间分辨率为1 d，水平空间分辨率10 km。数据适合作为数值模式降水和卫星遥感降水频率纠正的参考数据源，也可作为各类陆面水文模型的输入参数。