数据集丨全球2000年—2015年30m分辨率逐年土地覆盖制图

主题词

遥感、数据集、全球、土地覆盖

GEE、Landsat

遥感为大范围地表监测提供重要的技术手段。得益于Landsat TM、ETM+、和OLI/TIRS丰富的时序影像数据和高性能的Google Earth Engine（GEE）云平台，全球尺度地表覆盖制图成为了可能。然而，如何确保年际之间数据产品时空一致性，依旧是研制长时序逐年土地覆盖数据产品的难点之一。

今天向遥宝们推荐学报的最新论文，文章借助 Google Earth Engine 平台，利用现有多套全球土地覆盖产品、Landsat卫星系列影像，结合多数据融合、时序变化检测和机器学习等方法，研制了一套高时空一致性的2000–2015年全球30 m分辨率逐年土地覆盖变化数据集AGLC-2000-2015（Annual Global Land Cover 2000-2015）。基于该数据集，文章对比分析了中国珠江三角洲地区、青藏高原色林错湖区和亚马逊热带雨林区三个典型区域的土地覆盖年际变化情况。

研究背景

全球土地覆盖的变化信息是理解人类活动与全球变化复杂交互作用的重要途径，也是众多陆面过程模型、大气耦合模型、以及生态系统模型的基础输入参数。科学准确地识别全球土地覆盖的空间分布并监测其时序动态变化，有助于更好地研究地球系统的生物化学循环和全球气候变化，对于自然资源管理、环境变化监测、以及未来可持续化发展规划等工作的开展具有重要的意义。

目前，基于众多的对地观测卫星数据，全球尺度的地表覆盖制图工作成果斐然。但是较高空间分辨率、长时序的全球土地覆盖数据仍然十分缺乏。本研究充分利用现有土地覆盖数据产品，基于GEE云平台，使用Dempster-Shafer（D-S）证据理论的推理决策、CCDC（Continuous Change Detection and Classification）变化检测算法以及随机森林分类算法，研制了2000年—2015年的全球逐年土地覆盖数据集AGLC-2000-2015。（本文审图号：GS （2021） 5137号）

研究思路

本研究实现全球土地覆盖数据集绘制的基本思路包括以下四步骤（图 1）

图 1   研究框架图‍

（1）研制高精度的2015年基准土地覆盖产品AGLC-2015；

（2）通过现有时序数据集和变化检测方法，检测逐年地表覆盖的潜在变化区域；

（3）通过大量数据样本，分区域建立可靠的分类模型，对潜在变化区域进行土地覆盖分类；

（4）结合基准年份土地覆盖数据和潜在变化区域的分类结果，生成逐年数据产品。通过这一研究思路，可以保证研制的时序数据产品具备较高时空一致性，即在土地覆盖未发生变化区域保持时序平稳和较高的精度，而在发生变化的区域确保大部分的变化信息可以被识别和分类，有效避免了因分类模型不确定性所引起的年际间随机波动问题。

实验方法

该研究通过D-S证据理论方法，融合多套全球土地覆盖数据产品，获得基准年份土地覆盖产品AGLC-2015，以此作为基准，通过变化检测和随机森林分类相结合的方法更新获得2000–2014年的土地覆盖分类结果。具体步骤和方法如下：

• 样本集构建

将全球陆地划分成4°×4°的格网，针对每一格网估算各类土地覆盖的大致面积和占比，以此为依据分层采样生成约20万个随机样本点，借助Google Earth高清影像对每个样本点的覆盖类别进行人工目视判别，用于D-S证据理论融合和基准年份产品验证。同时，为训练和验证土地覆盖分类模型，将 AGLC-2015分别与 Globeland30、FROM-GLC以及GLC-FCS30产品进行叠置，得到土地覆盖类型一致的区域，在每一4°×4°格网内部的一致区域内随机采样生成超过5,000个样本点，并自动获得样本点类别标签。

• 基准年份土地覆盖图绘制

针对每一个4°×4°格网，通过数据样本估算Globeland30、FROM-GLC以及GLC-FCS30产品的基本概率指派（PBA）分布；根据D-S证据理论的Dempster合成规则，在像元尺度上对三套数据产品的PBA进行正交和融合，以最高融合概率原则指定像元的最终覆盖类别，得到基准年份土地覆盖产品AGLC-2015。

• 逐年变化检测和土地覆盖分类

首先，使用CCDC模型检测2000—2014年每年潜在的土地覆盖变化区域，并将潜在变化区域与其他时序覆盖产品（ESA CCI-LC、GAUD、Hansen GFC、以及JRC GSW）的变化区域进行并集处理，尽可能获得更多的潜在变化区域；然后，针对每一个4°×4°格网单独构建随机森林分类模型，应用于格网内部变化区域的分类，获得潜在变化区域的土地覆盖类型；最后，通过AGLC-2015和逐年变化区域的分类结果，生成2000–2015年逐年土地覆盖数据产品AGLC-2000-2015。

重要结果

• 基准年份产品AGLC-2015精度评价 

2015年全球土地覆盖产品AGLC-2015的土地覆盖空间格局分布与实际土地覆盖的目视效果大致相同（图 2，审图号：GS （2021） 5137号），能够很好地反映真实的土地覆盖状况。定量验证结果显示，AGLC-2015产品的总体精度为76.10%，Kappa系数为0.72（表 1）。其中永久冰雪的分类精度最优，PA（Producer’s Accuracy）和UA（Use’s Accuracy）均高于87%；水体的分类精度次优，PA和UA均超过了83%；林地的PA高达 91.99%，但UA仅为 78.45%；草地、灌木和湿地三类精度相对较低，PA均不超过 70%。总体而言，基准年份的产品AGLC-2015精度令人满意，具有较高的可靠性。

图 2   基准年份土地覆盖产品图AGLC-2015

表 1   AGLC-2015产品定量验证结果

将AGLC-2015数据产品与Globeland30、FROM-GLC、GLC-FCS30进行比较（表 2）,从总体精度上看，AGLC-2015 产品（76.10%）较 Globeland30（63.49%）、 FROM-GLC（61.41%）和 GLC-FCS30（63.46%）有明显提高；就Kappa系数而言，AGLC-2015 产品最高，与验证样本具有最好的一致性。此外，AGLC-2015 产品中的大部分类别的PA和UA均高于其他3套产品。

表 2   AGLC-2015与Globeland30、FROM-GLC和CLC-FCS30的精度比较

• 变化区域分类模型精度评价

逐年潜在变化区域的分类模型精度评价结果显示（表 3），模型在全球的总体精度为84.10%，Kappa系数达到了0.81，说明通过局部样本训练得到的随机森林模型能够达到很好的分类效果。在10种土地覆盖类型中，水体、林地、裸地、永久冰雪的分类精度均在85%以上，能够满足大部分时序变化分析应用的精度需求。此外，随机森林分类模型在各大洲的平均Kappa系数均在0.6以上（图 3），平均总体精度均超过80%（图 4）。从上述定量评价结果上看，随机森林分类模型可靠性较高，在全球不同区域范围内具有较好的适用性。

表 3   随机森林分类模型的精度评价

图 3   各大洲Kappa系数分布

图 4   各大洲总体精度分布

• 土地覆盖动态变化

通过分析2000–2015年间土地覆盖转换矩阵和空间格局变化（图 5），发现十五年间珠江三角洲地区的土地覆盖变化区域占该区域总面积的7.67%，其中不透水面面积增加最为明显，增量达到了2,955.17 km²（增长率65.72%，P-value<0.001），增加的不透水面主要来源于耕地（84.88%）。快速的城市扩张是不透水面面积剧增的主要原因，大量侵蚀周边乡镇的耕地，也进一步加剧了沿海城市的洪灾风险。

图 5   2000—2015年珠江三角洲地区土地覆盖变化

在2000–2015年间青藏高原南部色林错湖区土地覆盖空间分布和面积变化情况表明（图 6），该区域湖水面积变化显著，十五年间湖面增加269.27 km²（增速17.95 km²/a，P-value<0.001）。其中，湖区的北岸的扩大趋势最为明显，不断向东北方向扩张；湖区南岸也不断向西南方向扩张，并逐渐和其毗邻的雅根错湖融为一体。

图 6   2000–2015年青藏高原色林错湖区土地覆盖变化

亚马逊热带雨林南部区域也是土地覆盖变化的热点区域，毁林造田情况明显（图 7）。十五年间林地面积减少量为46,774.96 km²（减少率13.87%），区域损失的林地主要转化为耕地，耕地面积增量高达40,201.51 km²（增速为2,641.42 km²/a，P-value<0.001）。该区域土地覆盖空间分布图显示，随着耕地面积不断向四周扩张，热带雨林边界持续退缩，体现了人类活动对土地覆盖变化的重要影响。大量的毁林造田将不可避免地造成当地的固碳能力下降和生物多样性损失。

图 7   2000–2015年亚马逊热带雨林南部区域土地覆盖变化

研究结论

本文借助GEE平台，结合D-S证据理论、时序变化检测、机器学习分类等方法，研制了2000–2015年全球30 m分辨率逐年土地覆盖变化数据集。结果显示，数据集基准年份产品AGLC-2015达到了较高的精度水平，总体精度为76.10%，Kappa系数达到了0.72，显著优于现有全球土地利用产品。此外，研究使用的随机森林分类算法的总体精度为84.10%，Kappa系数为0.81，且在各大洲的平均总体精度均超过80%。总体而言，AGLC-2000-2015数据集在基准年份和年际变化区域的分类均达到了较高精度，能准确地反映土地覆盖的局部细节和时序变化。

从三个典型区域的土地覆盖变化分析显示，2000–2015年间，珠江三角洲地区城市群快速扩张，不透水面面积增长率高达65.72%，增加的不透水面主要来源于对城市群周围耕地的侵占；青藏高原色林错湖区对于气候变暖响应明显，十五年间的水域面积增加了269.27 km²，湖面北岸和南岸扩张趋势明显；亚马逊热带雨林南部区域森林砍伐形势严峻，2015年森林面积相比于2000年减少了46,356.53 km²，损失的林地主要转化为农业用地。上述三个典型区域的结果表明，AGLC-2000-2015数据集可以很好地反映地表覆盖的时序变化以及不同土地覆盖类型之间的转换,满足全球多类别土地覆盖变化、地表过程模拟等研究的数据要求。

论文信息

引用格式：

许晓聪，李冰洁，刘小平，黎夏，石茜.2021.全球2000年—2015年30 m分辨率逐年土地覆盖制图.遥感学报，25（9）：1896-1916 DOI：10.11834/jrs.20211261

原文链接：http://www.ygxb.ac.cn/thesisDetails#10.11834/jrs.20211261

访问链接：（该数据集可以通过GEE链接进行访问和使用，近期将共享到数据分发平台）

https://code.earthengine.google.com/?asset=users/xxc/GLC_2000_2015

作者简介

刘小平，中山大学地理科学与规划学院教授，研究方向为土地利用模拟与生态环境响应。

Email: [e-mail]

许晓聪，中山大学地理科学与规划学院副研究员，研究方向为土地利用变化与生态环境响应。

E-mail:[e-mail]

研究团队介绍

团队成员长期致力于土地利用变化模拟、多情景预测、遥感信息提取、资源配置优化、数据挖掘等方面研究，提出了众多国际同行认可的城市发展模拟模型，包括了地理模拟与优化系统GeoSOS和耦合人类活动和气候变化的土地利用模拟模型FLUS，并发布了相关土地利用数据和模拟结果产品。

目前，GeoSOS和FLUS模型已经开源，多个版本的软件也已公开发布（http://www.geosimulation.cn），软件下载量超过13000次，注册用户来自全球200多所国内外的高校、科研院所及应用单位。针对城镇开发边界这一国家应用需求，团队开发了FLUS-UGB模型，在全国六十多个城市成功应用，为地方政府的国土空间规划提供了重要的技术支撑。

相关论文

Gong P, Liu H, Zhang M N, 等. 2019. Stable classification with limited sample: transferring a 30-m resolution sample set collected in 2015 to mapping 10-m resolution global land cover in 2017. Science Bulletin, 64(6): 370-373

Liu X P, Huang Y H, Xu X C 等. 2020. High-spatiotemporal-resolution mapping of global urban change from 1985 to 2015. Nature Sustainability, 3(7): 564-570

Zhang X, Liu L Y, Chen X D 等. 2021. GLC_FCS30: global land-cover product with fine classification system at 30 m using time-series Landsat imagery. Earth System Science Data Discussion, 6(13): 2753-2776

陈军, 陈晋, 廖安平. 2016. 全球地表覆盖遥感制图. 北京: 科学出版社: 145-149 

刘涵, 宫鹏. 2021. 21世纪逐日无缝数据立方体构建方法及逐年逐季节土地覆盖和土地利用动态制图—中国智慧遥感制图iMap(China)1.0. 遥感学报, 25(1), 126-147

- END -

戳原文，更有料！