做植被生产力相关研究的人早晚会遇到一个绕不开的数据源NASA的MOD17A3H以及它后来的改进版MOD17A3HGF。这组500米分辨率、从2001年至今逐年发布的全球NPP栅格数据集基本是公开可获取、时序最长、覆盖全球、分辨率能打到区域尺度的净初级生产力产品里最主流的一个论文、报告、工程化系统里到处都是它的影子。但用它的人多真正用得明白的少。下载完拿到一堆HDF文件就卡住的人我见过太多不知道选哪个子数据集、不会转GeoTIFF、尺度因子算错、填充值没处理最后导出的“全球NPP”要么全是空洞要么数值离谱。这篇文章把我自己处理2001到2024年MOD17系列数据的完整流程、命令、脚本和踩过的坑完整捋一遍写给要用NPP的生态、地理、农林业和碳核算方向的朋友。1. 从NDVI到NPP这个数据集到底解决了什么问题1.1 NPP不是“又一个植被指数”很多人第一次接触NPP时容易把它和NDVI、LAI、EVI这些植被指数混在一起这是理解这个数据集最大的障碍。NDVI、EVI反映的是植被“绿的程度”LAI表示叶面积总量它们本质上都是基于反射率的物理状态量。而NPPNet Primary Production净初级生产力是一个真正的碳通量光合作用固定的总碳GPP减去植物自身维持生长消耗的呼吸碳排放Ra剩下的才是净固定量。单位是质量碳每平方米每年也就是 kg C/m²/yr。用生活化的方式理解GPP是工厂一年的总产出植物呼吸是工厂运转的能源开销NPP才是真正留下来变成木材、叶片、根系和土壤有机碳的那部分“净利润”。这也是为什么碳循环、碳汇估算、生态价值核算里NPP是核心输入变量——真正进入生态系统和你关心碳库的是NPP不是NDVI。MOD17A3H就是在全球尺度上对这层“净利润”的年度估算500米像元、全球陆域覆盖、从2001年连续到现在。它填补的是“没有实测通量站点就无法评估大面积生态生产力”的空白一个像元就是一个观测单元一年一张25年叠起来就是一条完整的长时序趋势线。1.2 MOD17A3H和MOD17A3HGF的版本故事先理清命名关系。MODIS搭载在Terra卫星上Terra是1999年12月发射的2000年2月开始正式获取地表数据2000年因轨道调整存在不完整天数所以标准的MOD17A3H产品从2001年1月1日开始这正好解释了标题里的“2001–2024”。而A3H里的“3”代表年度产品区别于8天合成的A2HMOD17A2HA3H并非简单把A2H累加它有独立的处理流程基于BIOME-BGC生物地球化学模型把MODIS的LAI/FPAR、BRDF反照率数据配合NASA GMAO的气象再分析场太阳辐射、温湿度驱动起来再按生态分区进行通量诊断计算。“HGF”是“Gap-Filled”的缩写即插补版本。MODIS光学数据最怕云、雪和传感器异常某个像元在关键生长季正好被云盖住LAI反演就会缺值直接算会导致NPP空斑。HGF版本用相邻年份、邻近像元和气候平均态做了一套稳定的插补策略把时间和空间上的缝隙填上保证每年产品都尽量连续完整。现在LP DAAC主推的基本是MOD17A3HGF实测顺序下载也更友好如果是做长时序变化分析建议直接选HGF非HGF版本留给你明确需要“真实未插补值”的特殊用途。1.3 500米分辨率能做什么、不能做什么500米像元是个很微妙的尺度。一亩三分地肯定看不清楚单个山头的阴坡阳坡差异也只能模糊体现但放到一个县、一个流域、一个省、一个国家甚至全球它描绘生态系统生产力格局的稳健性几乎无可替代。500米意味着每像元覆盖25公顷适合评估造林工程成效、国家公园生态质量、流域植被恢复趋势、省域碳汇年际变化以及全球尺度的气候-植被关系分析。如果研究目标是某个具体地块的精细管理或者要和30米土地覆盖严格对齐MOD17A3H确实不够用需要转向Landsat、Sentinel反演或是更高分辨率的专用NPP/生物量产品。但对绝大多数长时序宏观生态研究这套数据是性价比最高、最权威的官方选择。我在实际项目中常把它当作“宏观格局刻画器”看趋势、看相对变化、做区域对比都游刃有余但结论要落回具体点位时一定会补充更高分辨率数据或地面样地验证。2. 下载路径对比与实测别再一个个点网页了2.1 Earthdata账号与产品检索MOD17系列在LP DAACLand Processes Distributed Active Archive Center发布下载链路走的是NASA Earthdata体系。第一次操作的人会先去Earthdata Searchsearch.earthdata.nasa.gov检索这个网页交互逻辑其实不错但对按年份、按分幅批量下载极度不友好。正确姿势是先在网页确认产品名和tile编号然后转脚本批量拉取。账号注册需要的步骤很常规进入 urs.earthdata.nasa.gov 注册一个Earthdata账号邮箱激活然后在Earthdata Search网页里登录。登录后检索“MOD17A3HGF”在结果页选择合适的集合版本目前主流是Collection 6.1即V061老项目用的V006还能下载但新任务不要开新坑用旧版本指定时间范围地图上框选研究区。需要注意的是这个产品是按MODIS正弦投影10°×10°分幅组织的每个tile有固定编号以hXXvXX表示网页上框选后会显示出涉及哪些tile。以中国范围为例全国基本要拼h23v04、h24v04、h25v04、h26v04、h27v04这一行再加上对应的v05行西部和东北还要看边界tile。如果你的研究区很明确直接把涉及的tile编号记下来下一步写脚本用。2.2 批量下载wget加配置文件一次跑完在Earthdata网页端一个个点hdf链接几十个文件还能忍如果要做全国24年、每年十几个tile总量几百个文件手动下载纯属浪费时间。实测最高效的方式是wget配合.netrc认证文件。首先在用户目录下创建.netrc文件写入Earthdata账号信息machine urs.earthdata.nasa.gov login 你的用户名 password 你的密码然后创建下载列表文件download_list.txt内容是你从Earthdata Search或LP DAAC的数据池页面复制的hdf直链每行一个URL。直链格式通常类似https://e4ftl01.cr.usgs.gov/MOLT/MOD17A3HGF.061/2021.01.01/MOD17A3HGF.A2021001.h25v05.061.2023130052124.hdf然后执行wget --load-cookies ~/.urs_cookies \ --save-cookies ~/.urs_cookies \ --auth-no-challengeon \ --keep-session-cookies \ --content-disposition \ -i download_list.txt第一行到第四行是必须的少了--auth-no-challengeon和cookie参数服务器会反复要求认证下载一个大文件后断掉。实测加上这两个参数后稳定很多。下载过程如果因为网络中断重跑一次wget命令会跳过已存在文件不用担心重复下载浪费时间但要注意部分断点不完整的文件也会被跳过后面处理时出现异常通常就是下载不完整导致的遇到可疑文件就删掉重新拉一遍。2.3 下载完成后的完整性快速检查这一步很多人忽略等预处理时才满头问号。HDF文件是否完整最直接的判断方法是用gdalinfo读一下gdalinfo MOD17A3HGF.A2021001.h25v05.061.2023130052124.hdf能正常列出文件信息和子数据集列表说明文件结构没坏。如果提示HDF4 Error或直接卡住基本是下载不完整删除重新下载。几百个文件用gdalinfo逐个检查太慢我一般用脚本遍历目录把报错的文件名输出到一个日志再集中重下。2.4 不想整幅下载时的替代方案如果你的研究区是一个县、几个点或者只是需要某些年份的数值做验证没必要下全球tile。AppEEARSappeesars.cr.usgs.gov可以把MOD17A3HGF按点或小范围多边形裁出来直接输出CSV或GeoTIFF省去大量存储和预处理。操作逻辑是上传点坐标或多边形选择产品、版本、时间范围提交后等待任务完成下载结果。AppEEARS的好处是自动完成投影转换、尺度因子缩放和无效值剔除输出已经是可读的物理量。另外提一句NASA Earthdata这套账号体系不只是MODIS植被产品能用平台上的其他气候再分析数据、城市形态、地表温度、土壤水分等各类栅格产品下载和认证逻辑完全一致。学会一次后面换任何数据集都能直接迁用。3. 格式转换到研究区提取HDF变身可用栅格的全流程3.1 HDF文件内部到底是什么结构MOD17A3HGF是HDF-EOS格式底层是HDF4。一个年度tile文件里不是一个简单的单波段栅格而是一个嵌套结构里面包含多个子数据集Scientific Data SetSDS。用gdalinfo读取后你会看到类似这样的内容Subdatasets: SUBDATASET_1_NAMEHDF4_EOS:EOS_GRID:MOD17A3HGF.A2021001.h25v05.061.2023130052124.hdf:MOD_Grid_MOD17A3H:Npp_500m SUBDATASET_2_NAMEHDF4_EOS:EOS_GRID:...:MOD_Grid_MOD17A3H:Gpp_500m SUBDATASET_3_NAMEHDF4_EOS:EOS_GRID:...:MOD_Grid_MOD17A3H:Npp_QC_500m SUBDATASET_4_NAMEHDF4_EOS:EOS_GRID:...:MOD_Grid_MOD17A3H:Psn_QC_500m注意不同Collection版本里子数据集名称可能会有细微差异务必用gdalinfo实际查看你下载的文件的SDS清单不要照抄别人的路径。核心数据层是Npp_500m它存储的是原始整型DN值不是直接可用的物理量。Gpp_500m是一年GPP总量做碳循环收支分析时很有用。Npp_QC_500m和Psn_QC_500m是质量层分别描述年度NPP算法各阶段的质量状态和光合作用质量控制趋势分析前用它们剔除低质量像元能显著减少假信号。3.2 用gdal提取单波段GeoTIFF提取Npp子数据集的核心命令是gdal_translate -sds -of GTiff \ HDF4_EOS:EOS_GRID:\MOD17A3HGF.A2021001.h25v05.061.2023130052124.hdf\:MOD_Grid_MOD17A3H:Npp_500m \ npp_2021_h25v05_raw.tif-sds参数让gdal_translate自动识别HDF中的多个子数据集否则它只会读取第一个SDS。输出文件保留了MODIS正弦投影Sinusoidal和原始DN值。此时先别急着做任何数值运算我们还要处理投影、裁剪和尺度换算。GNM多文件批处理时用bash循环或者Python的glob遍历都很顺手。我通常的做法是每个年份一个文件夹用循环把当年所有tile的Npp_500m提取出来然后进入下一步拼接。这一步先只做格式转换重投影放在拼接后统一做效率更高重采样误差也更可控。3.3 重投影和拼接从正弦投影到经纬度MODIS正弦投影是一种伪圆柱等积投影直接和WGS84经纬度坐标对不齐和行政边界、土地利用矢量叠合时必须重投影。目标坐标系的选择取决于研究区如果是全球或大洲尺度保留正弦投影或转成等积投影如EASE-Grid 2.0、Mollweide更合适因为NPP是面积密度变量等积投影不会扭曲面积关系如果是中国省级或流域研究转成CGCS2000 / WGS84经纬度或Albers等积投影都方便后续叠加分析。拼接和重投影可以一步到位完成。假设某个年份涉及h25v05、h26v05、h25v06、h26v06四个tile先用前面提取出的四个GeoTIFF做虚拟拼接gdalbuildvrt npp_2021_vrt.vrt npp_2021_h25v05_raw.tif npp_2021_h26v05_raw.tif npp_2021_h25v06_raw.tif npp_2021_h26v06_raw.tif然后统一重投影裁剪gdalwarp -t_srs EPSG:4326 -te 73 18 136 54 -tr 0.0045 0.0045 -r bilinear \ -dstnodata 32767 npp_2021_vrt.vrt npp_2021_wgs84.tif这里-te设置研究区范围经纬度-tr设置输出分辨率约500米-r bilinear是重采样方法。年度NPP是连续数值场双线性插值比最近邻更平滑生成的栅格不会有明显的tile接边但如果后续要和土地覆盖做像元级叠加分析用最近邻-r near避免引入混合像元更严谨。两种方法我都用过具体看你下游是通量分析还是分类统计。3.4 尺度因子、填充值和有效范围处理MOD17A3HGF的Npp_500m原始DN值是整数必须在最后换算成物理量。产品文档规定的scale_factor是0.0001也就是像元DN值乘以0.0001后单位是kg C/m²/yr。仅在DN值为0到30000之间时这个换算有效。DN值超过32760属于填充值和特殊地类标记例如水体、城市、冰雪、荒漠、内陆水体以及无效填充。如果不加处理直接乘0.0001这些特殊值会变成3.2以上的“超级NPP”结果必然荒谬。处理分两步第一步把大于30000的DN值设为NoData第二步再乘以0.0001。用gdal_calc.py一行完成gdal_calc.py -A npp_2021_wgs84.tif \ --outfilenpp_2021_scaled.tif \ --calcA*(A0)*(A30000)*0.0001 \ --NoDataValue-9999这里A是原始DN栅格。计算式先判断A是否在有效范围内A0排除了0值A30000排除了填充和特殊地类返回布尔结果再参与乘法有效像元乘0.0001得到NPP物理量无效像元直接得到0最后统一设-9999为NoData后续统计自动避开。3.5 用质量层做二次清洗只看DN值范围虽然能排除主体填充但一些质量很差的像元比如长期云污染、算法不收敛仍然会以“有效DN值”的形式出现混进时序里会产生明显的单年跳变。稳健的做法是把质量层一并提取、转为栅格然后按质量控制规则筛掉坏像元。一般来说质量层里0表示高质量数值越大代表质量越差。实操中我通常是先看研究区内质量层各类别的直方图再决定保留0和1还是只留0。筛选命令可以这样写gdal_translate -sds -of GTiff \ HDF4_EOS:EOS_GRID:\...hdf\:MOD_Grid_MOD17A3H:Psn_QC_500m \ psn_qc_2021.tif gdal_calc.py -A npp_2021_scaled.tif -B psn_qc_2021.tif \ --outfilenpp_2021_clean.tif \ --calcA*(B1) \ --NoDataValue-9999注意B是质量层DN值B1即保留质量较好和前一级可用的像元。这个处理后时序数据每年之间的可比性会明显提升做趋势分析时虚假突变点也会减少。4. 长时序NPP分析的三个关键步骤趋势、突变与验证4.1 把24年图层组织成统一的栅格时间序列经过前面的预处理你手上已经有24个或更多覆盖研究区、投影一致、坐标范围一致、单位统一的NPP年度栅格。分析前的第一件事是把它们组织成有序的时间序列。最方便的方式是用xarray打开成一个三维数组维度为(time, lat, lon)import xarray as xr import rioxarray years range(2001, 2025) paths [fnpp_{y}_clean.tif for y in years] da xr.concat( [rioxarray.open_rasterio(p).squeeze().drop(band) for p in paths], dimyear ) da[year] list(years)这里有一个隐藏的坑每年tif如果经过重投影和裁剪坐标网格完全一致即可直接concat如果某个tile在某一年缺文件或者边界tile范围不一致concat就会报错。我遇到过一次单年文件少了一个北部tile结果整个时间序列在北部出现一整年空值趋势分析图上一道横贯的“蓝色裂痕”不仔细查数据范围根本发现不了。所以组织时序时一定要统一检查每年有效像元数量和覆盖范围。4.2 Mann-Kendall趋势检验和Theil-Sen斜率长时序变化分析里最简单直观的是逐年线性回归斜率但普通最小二乘对异常值非常敏感而NPP时序里的异常值并不少见极端干旱年、云污染残留、传感器退化。更稳的是Mann-Kendall非参数趋势检验加Theil-Sen稳健斜率估计。MK检验不要求数据服从正态分布对缺失值和异常值的容忍度较高。其核心思想是计算时序中所有前后样本对的差值符号得到一个S统计量再经过方差标准化得到Z值。Theil-Sen斜率则是取所有前后样本对斜率的中位数是一种非常稳健的趋势强度估计。如果你的环境里有pymannkendall一行就能算import pymannkendall as mk series da.sel(lat..., lon...).values result mk.original_test(series) print(result.trend, result.slope, result.p)没有这个库时手写MK的核心逻辑也很简单下面这段可以直接用import numpy as np from scipy import stats def mk_test(x): n len(x) s 0 for k in range(n - 1): for j in range(k 1, n): s np.sign(x[j] - x[k]) tie_sum 0 for v in np.unique(x): t np.sum(x v) tie_sum t * (t - 1) * (2 * t 5) var_s (n * (n - 1) * (2 * n 5) - tie_sum) / 18 if var_s 0: z 0 elif s 0: z (s - 1) / np.sqrt(var_s) elif s 0: z (s 1) / np.sqrt(var_s) else: z 0 p 2 * (1 - stats.norm.cdf(abs(z))) return z, p把这段函数对每个像元跑一遍就得到逐年NPP趋势的Z值图和显著性p值图。叠加的Theil-Sen斜率可以表示“过去24年每年平均变化多少kg C/m²”比普通线性回归的R²和斜率更稳健。出图时我习惯只高亮显示p0.05区域其余位置设为透明或灰色避免把大量不显著波动当成趋势呈现给用户。4.3 突变检测NPP不是匀速变化的趋势分析之外我经常被问到“某年之后植被生产力是不是明显提升了”这其实是突变检测问题。NPP长时序中的突变往往对应重大事件极端气候灾害、大面积造林工程、土地利用快速变化、火灾后恢复等。常用的突变检测方法有Pettitt检验、Buishand U检验、以及BFAST这类分解突变检测算法。Pettitt检验是一种非参数突变点检验对单突变点位置识别比较稳健实现也不复杂def pettitt_test(x): n len(x) r np.arange(1, n 1) U np.zeros(n) for t in range(n): U[t] 2 * np.sum(x[:t1]) - np.sum(x) * (r[t] n - r[t]) / n K np.max(np.abs(U)) K_idx np.argmax(np.abs(U)) return K_idx, K输出的K_idx就是突变点所在的年份索引。注意这个“突变点”是统计意义上的最大变率年份不代表真实的生态突变具体解释还要结合当地的降水、温度、人为活动记录。我处理某流域数据时就遇到过NPP在2015年前后出现显著上升突变看起来像是造林成效显著翻气象数据才发现那三年恰好是降水偏丰期两者共同作用才推动了突变。统计工具只能定位“什么时候变了”变的原因必须回到地面证据去。4.4 分区统计与结果表达做完像元级趋势后大部分项目还需要落到行政区或流域尺度做汇总。用区域矢量做zonal statistics得到每年NPP均值、总量和标准差。这里容易犯的一个错误是把NPP均值直接乘以区域面积得到总碳量。NPP是单位面积年通量乘以面积确实能得到总碳量但前提是面积要用等积投影下的面积不能直接用经纬度网格像元面积。在中国区域尤其是北方高纬度经纬度像元面积差异可达百分之十以上这个误差会进入碳总量估算。结果表达上NPP均值单位通常是kg C/m²/yr在多数生态系统中实际数值在0到1.5之间热带雨林可能接近2到3荒漠接近0。为了方便制图和阅读很多人会换算成g C/m²/yr即乘以1000或者变成t C/ha/yr乘以10。做区域对比时建议统一单位并在表头写清楚我见过报告中同时出现kg和g、结果差了三四个数量级的情况这属于最不应该出的低级错误。4.5 与实测数据或其他产品交叉验证长时序趋势分析最后一步也是我强烈建议的一步用地面通量站、森林清查或者更高分辨率产品做交叉验证。全球有FLUXNET通量观测网很多站点记录了多年NEE/GPP观测值可以从MOD17对应像元提取NPP年值和站点NPP估算做散点图。实测中两者相关性通常在0.7到0.9之间偏差主要来自站点足迹尺度与500米像元的匹配程度、通量数据GPP拆分方法的差异、以及非生长季碳损失处理不一致。没有通量站点数据时也可以用同时段的GLASS NPP、欧洲CGLS干物质生产力产品做趋势方向一致性对比。如果MOD17的趋势和另一个独立产品趋势方向都一致结论的稳健性就高很多如果两者趋势相反先别急着下结论排查自己的数据预处理是否统一了尺度因子和质量层。这类排查通常能发现是质量控制标准不一致导致的伪差异。5. 十年使用经验那些官方文档没写的边界与坑5.1 V006和V061怎么选同一空间不同“人设”我下载时发现Earthdata上同时存在Collection 6和Collection 6.1两个版本。V061是对MODIS全套土地产品的算法更新修正了部分辐射定标偏移NPP数值和V006在一些区域存在5%到15%的差异。新项目直接选V061没有任何理由停留在旧版本。但如果你要和自己或团队多年前基于V006算的结果做对比千万不要把新旧版本逐年拼在一起不然会在版本切换年份出现明显跳变。要么全换成V061重新处理历史年份要么沿用V006并明确说明版本。论文和报告中一定要写清楚用的是哪个Collection否则同行根本没法复现你的数据链条。5.2 水体、城市和永久冰雪像元的处理姿势MOD17A3HGF对水体、城市、冰雪、荒漠等非植被覆盖类型有专门的填充标记。做区域均值统计时如果只是把未处理像元设NoData城市和水体被排除掉了但一些沿海湿地、内陆盐碱地、高寒裸岩其质量不足的像元可能以0值或低质量值出现会把区域均值拉低。我的习惯是准备一份静态的植被覆盖掩膜例如MCD12Q1的IGBP分类产品把森林、灌丛、草地、农田等有生产力的类别保留其余一律掩掉。这样统计出来的“陆地植被NPP”更有生态学意义和林业部门口径的可比性也更好。5.3 一次完整的异常排查某年NPP大面积异常低值有一年我处理全国数据时发现某省大部分区域NPP比前后年份低了40%以上第一反应是数据下载问题。我按这条链路逐层排查第一步回看原始HDF用gdalinfo查看该年份tile是否完整发现文件结构OK第二步检查质量层发现Psn_QC_500m中质量差的占比显著升高说明算法确实对当年大范围区域给出了低质量估算第三步查看同年的MOD13A1 NDVI和气象数据发现该区域当年发生了大范围夏季干旱植被生长季反射率明显偏低。结论是NPP的异常低值并非数据损坏而是真实的干旱信号。这个排查过程的价值在于遇到异常不要急着怪数据集。MOD17的模型输入之一就是LAI/FPAR植被确实变差了NPP当然会降。质量层的作用就是帮你判断这个异常是“生态真异常”还是“算法不可靠”。两者处理策略完全不同前者是研究重点后者才是需要掩膜剔除的噪声。5.4 生态学解读的三个“不要”第一不要把趋势全部归因为气候变化。中国很多区域NPP上升是造林、封山育林、农田管理强度增加共同推动的气象因素和管理因素经常纠缠在一起。稳妥的做法是把趋势图与土地利用变化图叠合或者用残差分析气象回归残差代表人为干扰信号把人地因素拆开。第二不要直接拿NPP当生物量或碳储量。NPP是“一年净固定量”存量碳库是多年累积的结果两者单位不同、涵义不同。从NPP估算碳储量需要明确周转率、分配系数和枯落物分解速率贸然用NPP乘以常数代替生物量会出系统性偏差。第三不要忽略高纬度地区的季节性。MOD17A3H是年合成产品展示的是全年累计通量但高纬度生态系统的NPP高度集中在夏季几周年总量低不代表不重要。如果研究聚焦北方森林、苔原建议配合MOD17A2H的8天GPP数据分析生长季长度变化能补充更丰富的季节信息。5.5 数据引用规范和后处理保留使用NASA数据发表成果引用规范是硬性的。LP DAAC对MOD17A3HGF给出了标准引用格式大致为Running, S., Mu, Q., Zhao, M. (2021). MOD17A3HGF MODIS/Terra Net Primary Production Gap-Filled Yearly L4 Global 500m SIN Grid V061 [Data set]. NASA EOSDIS Land Processes DAAC. 具体DOI可以在产品详情页找到每次下载时建议把对应年份的DOI记录保存下来写文章时直接用。另外预处理到最终分析的中间产物不要全部删除。我自己的目录习惯是raw_hdf/存原始下载件intermediate_tif/存提取的重投影未缩放数据final_analysis/存最终处理结果。这样无论是后续改参数还是被评审质疑数据来源都能快速回溯。中间文件确实占磁盘空间但比起重下几百个HDF文件这点存储开销完全值得。最后分享一个实用习惯MOD17A3HGF的NPP数值本身和多个NPP产品之间可能存在系统偏差绝对数值对区域间对比通常没问题但跨产品比较时我会先把两个产品在重叠期例如2010到2020年做线性校正再比较年际变化信号。NPP数据任何时候都只是现实生态系统的估算把它当成“宏观格局刻画器”看趋势、看相对变化、做区域对比比执着于某个像元的绝对数值要有价值得多。整套流程走下来从Earthdata注册到最终趋势图一个能跑通全部环节的人基本也能驾驭NASA Earthdata体系下的其他栅格产品了。 MOD17A3HGF NPP数据处理全流程：下载、预处理与长时序趋势分析
做植被生产力相关研究的人早晚会遇到一个绕不开的数据源NASA的MOD17A3H以及它后来的改进版MOD17A3HGF。这组500米分辨率、从2001年至今逐年发布的全球NPP栅格数据集基本是公开可获取、时序最长、覆盖全球、分辨率能打到区域尺度的净初级生产力产品里最主流的一个论文、报告、工程化系统里到处都是它的影子。但用它的人多真正用得明白的少。下载完拿到一堆HDF文件就卡住的人我见过太多不知道选哪个子数据集、不会转GeoTIFF、尺度因子算错、填充值没处理最后导出的“全球NPP”要么全是空洞要么数值离谱。这篇文章把我自己处理2001到2024年MOD17系列数据的完整流程、命令、脚本和踩过的坑完整捋一遍写给要用NPP的生态、地理、农林业和碳核算方向的朋友。1. 从NDVI到NPP这个数据集到底解决了什么问题1.1 NPP不是“又一个植被指数”很多人第一次接触NPP时容易把它和NDVI、LAI、EVI这些植被指数混在一起这是理解这个数据集最大的障碍。NDVI、EVI反映的是植被“绿的程度”LAI表示叶面积总量它们本质上都是基于反射率的物理状态量。而NPPNet Primary Production净初级生产力是一个真正的碳通量光合作用固定的总碳GPP减去植物自身维持生长消耗的呼吸碳排放Ra剩下的才是净固定量。单位是质量碳每平方米每年也就是 kg C/m²/yr。用生活化的方式理解GPP是工厂一年的总产出植物呼吸是工厂运转的能源开销NPP才是真正留下来变成木材、叶片、根系和土壤有机碳的那部分“净利润”。这也是为什么碳循环、碳汇估算、生态价值核算里NPP是核心输入变量——真正进入生态系统和你关心碳库的是NPP不是NDVI。MOD17A3H就是在全球尺度上对这层“净利润”的年度估算500米像元、全球陆域覆盖、从2001年连续到现在。它填补的是“没有实测通量站点就无法评估大面积生态生产力”的空白一个像元就是一个观测单元一年一张25年叠起来就是一条完整的长时序趋势线。1.2 MOD17A3H和MOD17A3HGF的版本故事先理清命名关系。MODIS搭载在Terra卫星上Terra是1999年12月发射的2000年2月开始正式获取地表数据2000年因轨道调整存在不完整天数所以标准的MOD17A3H产品从2001年1月1日开始这正好解释了标题里的“2001–2024”。而A3H里的“3”代表年度产品区别于8天合成的A2HMOD17A2HA3H并非简单把A2H累加它有独立的处理流程基于BIOME-BGC生物地球化学模型把MODIS的LAI/FPAR、BRDF反照率数据配合NASA GMAO的气象再分析场太阳辐射、温湿度驱动起来再按生态分区进行通量诊断计算。“HGF”是“Gap-Filled”的缩写即插补版本。MODIS光学数据最怕云、雪和传感器异常某个像元在关键生长季正好被云盖住LAI反演就会缺值直接算会导致NPP空斑。HGF版本用相邻年份、邻近像元和气候平均态做了一套稳定的插补策略把时间和空间上的缝隙填上保证每年产品都尽量连续完整。现在LP DAAC主推的基本是MOD17A3HGF实测顺序下载也更友好如果是做长时序变化分析建议直接选HGF非HGF版本留给你明确需要“真实未插补值”的特殊用途。1.3 500米分辨率能做什么、不能做什么500米像元是个很微妙的尺度。一亩三分地肯定看不清楚单个山头的阴坡阳坡差异也只能模糊体现但放到一个县、一个流域、一个省、一个国家甚至全球它描绘生态系统生产力格局的稳健性几乎无可替代。500米意味着每像元覆盖25公顷适合评估造林工程成效、国家公园生态质量、流域植被恢复趋势、省域碳汇年际变化以及全球尺度的气候-植被关系分析。如果研究目标是某个具体地块的精细管理或者要和30米土地覆盖严格对齐MOD17A3H确实不够用需要转向Landsat、Sentinel反演或是更高分辨率的专用NPP/生物量产品。但对绝大多数长时序宏观生态研究这套数据是性价比最高、最权威的官方选择。我在实际项目中常把它当作“宏观格局刻画器”看趋势、看相对变化、做区域对比都游刃有余但结论要落回具体点位时一定会补充更高分辨率数据或地面样地验证。2. 下载路径对比与实测别再一个个点网页了2.1 Earthdata账号与产品检索MOD17系列在LP DAACLand Processes Distributed Active Archive Center发布下载链路走的是NASA Earthdata体系。第一次操作的人会先去Earthdata Searchsearch.earthdata.nasa.gov检索这个网页交互逻辑其实不错但对按年份、按分幅批量下载极度不友好。正确姿势是先在网页确认产品名和tile编号然后转脚本批量拉取。账号注册需要的步骤很常规进入 urs.earthdata.nasa.gov 注册一个Earthdata账号邮箱激活然后在Earthdata Search网页里登录。登录后检索“MOD17A3HGF”在结果页选择合适的集合版本目前主流是Collection 6.1即V061老项目用的V006还能下载但新任务不要开新坑用旧版本指定时间范围地图上框选研究区。需要注意的是这个产品是按MODIS正弦投影10°×10°分幅组织的每个tile有固定编号以hXXvXX表示网页上框选后会显示出涉及哪些tile。以中国范围为例全国基本要拼h23v04、h24v04、h25v04、h26v04、h27v04这一行再加上对应的v05行西部和东北还要看边界tile。如果你的研究区很明确直接把涉及的tile编号记下来下一步写脚本用。2.2 批量下载wget加配置文件一次跑完在Earthdata网页端一个个点hdf链接几十个文件还能忍如果要做全国24年、每年十几个tile总量几百个文件手动下载纯属浪费时间。实测最高效的方式是wget配合.netrc认证文件。首先在用户目录下创建.netrc文件写入Earthdata账号信息machine urs.earthdata.nasa.gov login 你的用户名 password 你的密码然后创建下载列表文件download_list.txt内容是你从Earthdata Search或LP DAAC的数据池页面复制的hdf直链每行一个URL。直链格式通常类似https://e4ftl01.cr.usgs.gov/MOLT/MOD17A3HGF.061/2021.01.01/MOD17A3HGF.A2021001.h25v05.061.2023130052124.hdf然后执行wget --load-cookies ~/.urs_cookies \ --save-cookies ~/.urs_cookies \ --auth-no-challengeon \ --keep-session-cookies \ --content-disposition \ -i download_list.txt第一行到第四行是必须的少了--auth-no-challengeon和cookie参数服务器会反复要求认证下载一个大文件后断掉。实测加上这两个参数后稳定很多。下载过程如果因为网络中断重跑一次wget命令会跳过已存在文件不用担心重复下载浪费时间但要注意部分断点不完整的文件也会被跳过后面处理时出现异常通常就是下载不完整导致的遇到可疑文件就删掉重新拉一遍。2.3 下载完成后的完整性快速检查这一步很多人忽略等预处理时才满头问号。HDF文件是否完整最直接的判断方法是用gdalinfo读一下gdalinfo MOD17A3HGF.A2021001.h25v05.061.2023130052124.hdf能正常列出文件信息和子数据集列表说明文件结构没坏。如果提示HDF4 Error或直接卡住基本是下载不完整删除重新下载。几百个文件用gdalinfo逐个检查太慢我一般用脚本遍历目录把报错的文件名输出到一个日志再集中重下。2.4 不想整幅下载时的替代方案如果你的研究区是一个县、几个点或者只是需要某些年份的数值做验证没必要下全球tile。AppEEARSappeesars.cr.usgs.gov可以把MOD17A3HGF按点或小范围多边形裁出来直接输出CSV或GeoTIFF省去大量存储和预处理。操作逻辑是上传点坐标或多边形选择产品、版本、时间范围提交后等待任务完成下载结果。AppEEARS的好处是自动完成投影转换、尺度因子缩放和无效值剔除输出已经是可读的物理量。另外提一句NASA Earthdata这套账号体系不只是MODIS植被产品能用平台上的其他气候再分析数据、城市形态、地表温度、土壤水分等各类栅格产品下载和认证逻辑完全一致。学会一次后面换任何数据集都能直接迁用。3. 格式转换到研究区提取HDF变身可用栅格的全流程3.1 HDF文件内部到底是什么结构MOD17A3HGF是HDF-EOS格式底层是HDF4。一个年度tile文件里不是一个简单的单波段栅格而是一个嵌套结构里面包含多个子数据集Scientific Data SetSDS。用gdalinfo读取后你会看到类似这样的内容Subdatasets: SUBDATASET_1_NAMEHDF4_EOS:EOS_GRID:MOD17A3HGF.A2021001.h25v05.061.2023130052124.hdf:MOD_Grid_MOD17A3H:Npp_500m SUBDATASET_2_NAMEHDF4_EOS:EOS_GRID:...:MOD_Grid_MOD17A3H:Gpp_500m SUBDATASET_3_NAMEHDF4_EOS:EOS_GRID:...:MOD_Grid_MOD17A3H:Npp_QC_500m SUBDATASET_4_NAMEHDF4_EOS:EOS_GRID:...:MOD_Grid_MOD17A3H:Psn_QC_500m注意不同Collection版本里子数据集名称可能会有细微差异务必用gdalinfo实际查看你下载的文件的SDS清单不要照抄别人的路径。核心数据层是Npp_500m它存储的是原始整型DN值不是直接可用的物理量。Gpp_500m是一年GPP总量做碳循环收支分析时很有用。Npp_QC_500m和Psn_QC_500m是质量层分别描述年度NPP算法各阶段的质量状态和光合作用质量控制趋势分析前用它们剔除低质量像元能显著减少假信号。3.2 用gdal提取单波段GeoTIFF提取Npp子数据集的核心命令是gdal_translate -sds -of GTiff \ HDF4_EOS:EOS_GRID:\MOD17A3HGF.A2021001.h25v05.061.2023130052124.hdf\:MOD_Grid_MOD17A3H:Npp_500m \ npp_2021_h25v05_raw.tif-sds参数让gdal_translate自动识别HDF中的多个子数据集否则它只会读取第一个SDS。输出文件保留了MODIS正弦投影Sinusoidal和原始DN值。此时先别急着做任何数值运算我们还要处理投影、裁剪和尺度换算。GNM多文件批处理时用bash循环或者Python的glob遍历都很顺手。我通常的做法是每个年份一个文件夹用循环把当年所有tile的Npp_500m提取出来然后进入下一步拼接。这一步先只做格式转换重投影放在拼接后统一做效率更高重采样误差也更可控。3.3 重投影和拼接从正弦投影到经纬度MODIS正弦投影是一种伪圆柱等积投影直接和WGS84经纬度坐标对不齐和行政边界、土地利用矢量叠合时必须重投影。目标坐标系的选择取决于研究区如果是全球或大洲尺度保留正弦投影或转成等积投影如EASE-Grid 2.0、Mollweide更合适因为NPP是面积密度变量等积投影不会扭曲面积关系如果是中国省级或流域研究转成CGCS2000 / WGS84经纬度或Albers等积投影都方便后续叠加分析。拼接和重投影可以一步到位完成。假设某个年份涉及h25v05、h26v05、h25v06、h26v06四个tile先用前面提取出的四个GeoTIFF做虚拟拼接gdalbuildvrt npp_2021_vrt.vrt npp_2021_h25v05_raw.tif npp_2021_h26v05_raw.tif npp_2021_h25v06_raw.tif npp_2021_h26v06_raw.tif然后统一重投影裁剪gdalwarp -t_srs EPSG:4326 -te 73 18 136 54 -tr 0.0045 0.0045 -r bilinear \ -dstnodata 32767 npp_2021_vrt.vrt npp_2021_wgs84.tif这里-te设置研究区范围经纬度-tr设置输出分辨率约500米-r bilinear是重采样方法。年度NPP是连续数值场双线性插值比最近邻更平滑生成的栅格不会有明显的tile接边但如果后续要和土地覆盖做像元级叠加分析用最近邻-r near避免引入混合像元更严谨。两种方法我都用过具体看你下游是通量分析还是分类统计。3.4 尺度因子、填充值和有效范围处理MOD17A3HGF的Npp_500m原始DN值是整数必须在最后换算成物理量。产品文档规定的scale_factor是0.0001也就是像元DN值乘以0.0001后单位是kg C/m²/yr。仅在DN值为0到30000之间时这个换算有效。DN值超过32760属于填充值和特殊地类标记例如水体、城市、冰雪、荒漠、内陆水体以及无效填充。如果不加处理直接乘0.0001这些特殊值会变成3.2以上的“超级NPP”结果必然荒谬。处理分两步第一步把大于30000的DN值设为NoData第二步再乘以0.0001。用gdal_calc.py一行完成gdal_calc.py -A npp_2021_wgs84.tif \ --outfilenpp_2021_scaled.tif \ --calcA*(A0)*(A30000)*0.0001 \ --NoDataValue-9999这里A是原始DN栅格。计算式先判断A是否在有效范围内A0排除了0值A30000排除了填充和特殊地类返回布尔结果再参与乘法有效像元乘0.0001得到NPP物理量无效像元直接得到0最后统一设-9999为NoData后续统计自动避开。3.5 用质量层做二次清洗只看DN值范围虽然能排除主体填充但一些质量很差的像元比如长期云污染、算法不收敛仍然会以“有效DN值”的形式出现混进时序里会产生明显的单年跳变。稳健的做法是把质量层一并提取、转为栅格然后按质量控制规则筛掉坏像元。一般来说质量层里0表示高质量数值越大代表质量越差。实操中我通常是先看研究区内质量层各类别的直方图再决定保留0和1还是只留0。筛选命令可以这样写gdal_translate -sds -of GTiff \ HDF4_EOS:EOS_GRID:\...hdf\:MOD_Grid_MOD17A3H:Psn_QC_500m \ psn_qc_2021.tif gdal_calc.py -A npp_2021_scaled.tif -B psn_qc_2021.tif \ --outfilenpp_2021_clean.tif \ --calcA*(B1) \ --NoDataValue-9999注意B是质量层DN值B1即保留质量较好和前一级可用的像元。这个处理后时序数据每年之间的可比性会明显提升做趋势分析时虚假突变点也会减少。4. 长时序NPP分析的三个关键步骤趋势、突变与验证4.1 把24年图层组织成统一的栅格时间序列经过前面的预处理你手上已经有24个或更多覆盖研究区、投影一致、坐标范围一致、单位统一的NPP年度栅格。分析前的第一件事是把它们组织成有序的时间序列。最方便的方式是用xarray打开成一个三维数组维度为(time, lat, lon)import xarray as xr import rioxarray years range(2001, 2025) paths [fnpp_{y}_clean.tif for y in years] da xr.concat( [rioxarray.open_rasterio(p).squeeze().drop(band) for p in paths], dimyear ) da[year] list(years)这里有一个隐藏的坑每年tif如果经过重投影和裁剪坐标网格完全一致即可直接concat如果某个tile在某一年缺文件或者边界tile范围不一致concat就会报错。我遇到过一次单年文件少了一个北部tile结果整个时间序列在北部出现一整年空值趋势分析图上一道横贯的“蓝色裂痕”不仔细查数据范围根本发现不了。所以组织时序时一定要统一检查每年有效像元数量和覆盖范围。4.2 Mann-Kendall趋势检验和Theil-Sen斜率长时序变化分析里最简单直观的是逐年线性回归斜率但普通最小二乘对异常值非常敏感而NPP时序里的异常值并不少见极端干旱年、云污染残留、传感器退化。更稳的是Mann-Kendall非参数趋势检验加Theil-Sen稳健斜率估计。MK检验不要求数据服从正态分布对缺失值和异常值的容忍度较高。其核心思想是计算时序中所有前后样本对的差值符号得到一个S统计量再经过方差标准化得到Z值。Theil-Sen斜率则是取所有前后样本对斜率的中位数是一种非常稳健的趋势强度估计。如果你的环境里有pymannkendall一行就能算import pymannkendall as mk series da.sel(lat..., lon...).values result mk.original_test(series) print(result.trend, result.slope, result.p)没有这个库时手写MK的核心逻辑也很简单下面这段可以直接用import numpy as np from scipy import stats def mk_test(x): n len(x) s 0 for k in range(n - 1): for j in range(k 1, n): s np.sign(x[j] - x[k]) tie_sum 0 for v in np.unique(x): t np.sum(x v) tie_sum t * (t - 1) * (2 * t 5) var_s (n * (n - 1) * (2 * n 5) - tie_sum) / 18 if var_s 0: z 0 elif s 0: z (s - 1) / np.sqrt(var_s) elif s 0: z (s 1) / np.sqrt(var_s) else: z 0 p 2 * (1 - stats.norm.cdf(abs(z))) return z, p把这段函数对每个像元跑一遍就得到逐年NPP趋势的Z值图和显著性p值图。叠加的Theil-Sen斜率可以表示“过去24年每年平均变化多少kg C/m²”比普通线性回归的R²和斜率更稳健。出图时我习惯只高亮显示p0.05区域其余位置设为透明或灰色避免把大量不显著波动当成趋势呈现给用户。4.3 突变检测NPP不是匀速变化的趋势分析之外我经常被问到“某年之后植被生产力是不是明显提升了”这其实是突变检测问题。NPP长时序中的突变往往对应重大事件极端气候灾害、大面积造林工程、土地利用快速变化、火灾后恢复等。常用的突变检测方法有Pettitt检验、Buishand U检验、以及BFAST这类分解突变检测算法。Pettitt检验是一种非参数突变点检验对单突变点位置识别比较稳健实现也不复杂def pettitt_test(x): n len(x) r np.arange(1, n 1) U np.zeros(n) for t in range(n): U[t] 2 * np.sum(x[:t1]) - np.sum(x) * (r[t] n - r[t]) / n K np.max(np.abs(U)) K_idx np.argmax(np.abs(U)) return K_idx, K输出的K_idx就是突变点所在的年份索引。注意这个“突变点”是统计意义上的最大变率年份不代表真实的生态突变具体解释还要结合当地的降水、温度、人为活动记录。我处理某流域数据时就遇到过NPP在2015年前后出现显著上升突变看起来像是造林成效显著翻气象数据才发现那三年恰好是降水偏丰期两者共同作用才推动了突变。统计工具只能定位“什么时候变了”变的原因必须回到地面证据去。4.4 分区统计与结果表达做完像元级趋势后大部分项目还需要落到行政区或流域尺度做汇总。用区域矢量做zonal statistics得到每年NPP均值、总量和标准差。这里容易犯的一个错误是把NPP均值直接乘以区域面积得到总碳量。NPP是单位面积年通量乘以面积确实能得到总碳量但前提是面积要用等积投影下的面积不能直接用经纬度网格像元面积。在中国区域尤其是北方高纬度经纬度像元面积差异可达百分之十以上这个误差会进入碳总量估算。结果表达上NPP均值单位通常是kg C/m²/yr在多数生态系统中实际数值在0到1.5之间热带雨林可能接近2到3荒漠接近0。为了方便制图和阅读很多人会换算成g C/m²/yr即乘以1000或者变成t C/ha/yr乘以10。做区域对比时建议统一单位并在表头写清楚我见过报告中同时出现kg和g、结果差了三四个数量级的情况这属于最不应该出的低级错误。4.5 与实测数据或其他产品交叉验证长时序趋势分析最后一步也是我强烈建议的一步用地面通量站、森林清查或者更高分辨率产品做交叉验证。全球有FLUXNET通量观测网很多站点记录了多年NEE/GPP观测值可以从MOD17对应像元提取NPP年值和站点NPP估算做散点图。实测中两者相关性通常在0.7到0.9之间偏差主要来自站点足迹尺度与500米像元的匹配程度、通量数据GPP拆分方法的差异、以及非生长季碳损失处理不一致。没有通量站点数据时也可以用同时段的GLASS NPP、欧洲CGLS干物质生产力产品做趋势方向一致性对比。如果MOD17的趋势和另一个独立产品趋势方向都一致结论的稳健性就高很多如果两者趋势相反先别急着下结论排查自己的数据预处理是否统一了尺度因子和质量层。这类排查通常能发现是质量控制标准不一致导致的伪差异。5. 十年使用经验那些官方文档没写的边界与坑5.1 V006和V061怎么选同一空间不同“人设”我下载时发现Earthdata上同时存在Collection 6和Collection 6.1两个版本。V061是对MODIS全套土地产品的算法更新修正了部分辐射定标偏移NPP数值和V006在一些区域存在5%到15%的差异。新项目直接选V061没有任何理由停留在旧版本。但如果你要和自己或团队多年前基于V006算的结果做对比千万不要把新旧版本逐年拼在一起不然会在版本切换年份出现明显跳变。要么全换成V061重新处理历史年份要么沿用V006并明确说明版本。论文和报告中一定要写清楚用的是哪个Collection否则同行根本没法复现你的数据链条。5.2 水体、城市和永久冰雪像元的处理姿势MOD17A3HGF对水体、城市、冰雪、荒漠等非植被覆盖类型有专门的填充标记。做区域均值统计时如果只是把未处理像元设NoData城市和水体被排除掉了但一些沿海湿地、内陆盐碱地、高寒裸岩其质量不足的像元可能以0值或低质量值出现会把区域均值拉低。我的习惯是准备一份静态的植被覆盖掩膜例如MCD12Q1的IGBP分类产品把森林、灌丛、草地、农田等有生产力的类别保留其余一律掩掉。这样统计出来的“陆地植被NPP”更有生态学意义和林业部门口径的可比性也更好。5.3 一次完整的异常排查某年NPP大面积异常低值有一年我处理全国数据时发现某省大部分区域NPP比前后年份低了40%以上第一反应是数据下载问题。我按这条链路逐层排查第一步回看原始HDF用gdalinfo查看该年份tile是否完整发现文件结构OK第二步检查质量层发现Psn_QC_500m中质量差的占比显著升高说明算法确实对当年大范围区域给出了低质量估算第三步查看同年的MOD13A1 NDVI和气象数据发现该区域当年发生了大范围夏季干旱植被生长季反射率明显偏低。结论是NPP的异常低值并非数据损坏而是真实的干旱信号。这个排查过程的价值在于遇到异常不要急着怪数据集。MOD17的模型输入之一就是LAI/FPAR植被确实变差了NPP当然会降。质量层的作用就是帮你判断这个异常是“生态真异常”还是“算法不可靠”。两者处理策略完全不同前者是研究重点后者才是需要掩膜剔除的噪声。5.4 生态学解读的三个“不要”第一不要把趋势全部归因为气候变化。中国很多区域NPP上升是造林、封山育林、农田管理强度增加共同推动的气象因素和管理因素经常纠缠在一起。稳妥的做法是把趋势图与土地利用变化图叠合或者用残差分析气象回归残差代表人为干扰信号把人地因素拆开。第二不要直接拿NPP当生物量或碳储量。NPP是“一年净固定量”存量碳库是多年累积的结果两者单位不同、涵义不同。从NPP估算碳储量需要明确周转率、分配系数和枯落物分解速率贸然用NPP乘以常数代替生物量会出系统性偏差。第三不要忽略高纬度地区的季节性。MOD17A3H是年合成产品展示的是全年累计通量但高纬度生态系统的NPP高度集中在夏季几周年总量低不代表不重要。如果研究聚焦北方森林、苔原建议配合MOD17A2H的8天GPP数据分析生长季长度变化能补充更丰富的季节信息。5.5 数据引用规范和后处理保留使用NASA数据发表成果引用规范是硬性的。LP DAAC对MOD17A3HGF给出了标准引用格式大致为Running, S., Mu, Q., Zhao, M. (2021). MOD17A3HGF MODIS/Terra Net Primary Production Gap-Filled Yearly L4 Global 500m SIN Grid V061 [Data set]. NASA EOSDIS Land Processes DAAC. 具体DOI可以在产品详情页找到每次下载时建议把对应年份的DOI记录保存下来写文章时直接用。另外预处理到最终分析的中间产物不要全部删除。我自己的目录习惯是raw_hdf/存原始下载件intermediate_tif/存提取的重投影未缩放数据final_analysis/存最终处理结果。这样无论是后续改参数还是被评审质疑数据来源都能快速回溯。中间文件确实占磁盘空间但比起重下几百个HDF文件这点存储开销完全值得。最后分享一个实用习惯MOD17A3HGF的NPP数值本身和多个NPP产品之间可能存在系统偏差绝对数值对区域间对比通常没问题但跨产品比较时我会先把两个产品在重叠期例如2010到2020年做线性校正再比较年际变化信号。NPP数据任何时候都只是现实生态系统的估算把它当成“宏观格局刻画器”看趋势、看相对变化、做区域对比比执着于某个像元的绝对数值要有价值得多。整套流程走下来从Earthdata注册到最终趋势图一个能跑通全部环节的人基本也能驾驭NASA Earthdata体系下的其他栅格产品了。