地理国情数据与全球地表覆盖产品比较及分析

解　超，王安琪

（1.中国交通通信信息中心，北京 100011；2.北方工业大学，北京 100144）



地理国情数据与全球地表覆盖产品比较及分析

解超1，王安琪2

（1.中国交通通信信息中心，北京 100011；2.北方工业大学，北京 100144）

摘要：本文将地理国情地表覆盖数据与美国地质调查局（USGS）、马里兰大学（UMD）、波士顿大学（BU）及欧洲空间局（GLOBCOVER）等4类遥感全球地表覆盖产品中国区数据进行比较，选取青海省和黑龙江省内两个有代表性的区域进行数据匹配、计算与分析，从数据精度、分类体系、时间信息几方面论述地理国情数据与全球地表覆盖产品的差异与关联规律，从而对上述数据的特性、优缺点及其适用范围进行讨论与评价。

关键词：地理国情；地表覆盖；遥感产品；比较

1 引言

经过十多年的不懈努力，美国和欧盟等相继研制了5套遥感全球地表覆盖数据产品，其中4套空间分辨率为1km，1套空间分辨率为300m。4套1km产品分别由美国地质调查局（USGS）［1］、马里兰大学（UMD）［2］、波士顿大学（BU）［3］和欧盟（GLC2000）［4］开发，300m分辨率的GLOBCOVER由欧洲空间局（ESA）研制［5］。本文对地理国情地表覆盖数据与遥感全球地表覆盖产品中国区数据进行比较，选取青海省和黑龙江省内两个有代表性的区域进行数据匹配、计算与分析，从数据精度、分类体系、时间信息几方面论述地理国情数据与全球地表覆盖产品的差异与关联规律，从而对上述数据的特性、优缺点及其适用范围进行讨论与评价。

2 数据获取

2.1 全球覆盖数据

（1）USGS产品：以NOAA-AVHRR 12幅月最大值合成NDVI为数据源，采用非监督聚类分类方法将全球分为24种土地覆盖类型，从而建立1km土地覆盖数据集［1］。

（2）UMD产品：利用NOAA-AVHRR NDVI 和5个波段生成41维时序列影像，并引入监督决策树分类方法将全球分为14种土地覆盖类型，以建立UMD 1km土地覆盖数据集［2］。

（3）BU产品：基于IGBP土地覆盖分类系统，使用MODIS数据，引入监督分类，将全球分为17种土地覆盖类型［3］。

表1　全球地表覆盖产品分类指标及产品编码

（4）GLOBCOVER产品：基于粮农组织的分类方案（FAO），利用300m分辨率的ENVISAT/ MERIS数据、气候等辅助数据，将全球划分为不同的生态气候区，在各个生态气候区采用不同多维迭代聚类方法进行分类，在此基础上合成全球地表覆盖产品［5］。

2.2 地理国情地表覆盖数据及其代表区域

地理国情地表覆盖数据系利用高分辨率遥感影像（优于1米分辨率）以及其他现势性较好的权威资料，对我国陆地国土范围内进行地表覆盖分类，分类体系为国情普查制定的特有指标体系，分为10 个1级类（CC码），如表2所示。

表2　地理国情地表覆盖数据分类指标

3 分析方法

3.1 预处理

作者选取4类全球地表覆盖产品中国区数据与地理国情普查地表覆盖数据进行比较。全球覆盖数据为栅格数据，地理国情地表覆盖数据为矢量数据，通过一系列预处理操作，可将两种数据进行匹配。具体预处理步骤如下：首先将地理国情普查地表覆盖面层数据转化为点数据，这是由于地理国情普查数据的原始影像主要为空间分辨率优于1米的高分辨率遥感影像，其地物识别能力极强、极为细致，因而导致地表覆盖面的数据繁多，故需要对样点数据进行随机筛选。同时，为了增加数据分析的可信度，作者分两次抽取样点，每次得到500个随机样点，并提取其所处位置的四种全球地表覆盖数据的分类栅格值，以便对不同分类产品进行比较。

3.2 数据分析

3.2.1 青海省试点数据分析

作者首先统计了青海省试点地区两次抽样样点的国情覆盖数据的分类信息，见图1。两次抽样试验得到的统计结果相似，样点主要分布在旱地（0120）、灌木林（0320）、天然草地（0410）和房屋建筑区（0500）之中。青海省湟源县为农牧交错区，国情数据体现了其主要植被特征。

表3统计了主要地物类型混分情况，此处将0500，0600，0700，0800作为一类统计，因为这四类均涉及了人工地表构筑物信息。从表3中可以发现：

(2)在GeoIPAS软件平台上，用原始数据统计各元素在全区及各地质单元中的平均值X、标准离差S、变化系数Cv、浓集系数K，作为分析研究区内各元素分布及分配规律的参数值。

图1　青海省试点地区样点数据统计（地理国情地表覆盖）

表3　青海省试点地区地物混分统计表

（1）旱地类型：与四种地表覆盖产品的草地均存在较为明显的混分现象，并以USGS、UMD产品尤为显著，这可能与分类产品的生产时间有关，这两种数据均在2000年之前生产。相比较而言，ESA的农田识别率较其他三种数据为高，区分了农田为主和为辅区域。部分国情覆盖旱地样点与ESA旱地样点、农田与其他植被混合样点相连，不仅仅是由于ESA数据为2008年生产，时间差距较其他数据较小，还与其分类体系有关。ESA分类数据考虑了复合植被类型的存在，划分了不同植被的分布比例，从而确立其分类指标体系，因此草地和农田多被当作复合植被类型，混分现象明显。ESA产品和国情覆盖的共同点是分类时定量考虑了不同植被覆盖比例的区别，从覆盖度、植被高度、植被种类三方面设定了分类指标体系。

（2）灌木林类型：在国情数据中，将灌木划分到了林地之中，而全球地表覆盖产品中，将灌木划分为单独一类，或者考虑了灌木在复合植被中的所占比例。此处的灌木林主要与草地、旱地混分。

（3）草地类型：主要与旱地、复合植被混分。

（4）建筑区类型：人工建筑在全球覆盖产品均只设定为一类，而国情数据更加详细地进行了功能划分，更好地利用了高分数据的优势。通过对比四类覆盖产品可以发现，人工建筑区域近年来发生了很大变化，尽管相对较低的影像分辨率导致混合像元无法显示小区域人工建筑，但不可否认的是，近年来的数据中仍旧有一部分建筑区样点与国情数据相匹配。

3.2.2 黑龙江省试点数据分析

黑龙江省试点地区两次抽样样点的国情覆盖数据的分类信息见图2，两次抽样试验得到的统计结果相似，样点主要分布在旱地（0120）、乔木林（0310）、灌木林（0320）、天然草地（0410）、和房屋建筑区（0500）之中。

图2　黑龙江省试点地区样点数据统计（地理国情地表覆盖）

表4统计了主要地物类型混分情况，此处同样将0500，0600，0700，0800作为一类统计。从表4中可以发现：

（1）旱地类型：由国情覆盖旱地样点提取的全球地表覆盖栅格值主要分布在各种林地类型、稀树草原和复合植被（草地、灌木、林地）类型中，USGS和UMD产品反映的农田样本区植被类型差异较BU和ESA大，后两种植被覆盖林地数量减少，草本植被样点增加，此现象可以从数据的年代差异角度来解释。这四种产品清晰反映了近年来林地日趋减少的趋势，而BU和ESA依旧存在草地和农田的混分现象。

表4　黑龙江省试点地区地物混分统计表

（2）乔木林类型：国情覆盖乔木林样点与全球地表覆盖产品中的各种林地分类呈现出较好的一致性。在大兴安岭地区，USGS产品在对林区的地表覆盖类型进行识别时，主要分类为混交林，与UMD产品识别的林地样本数接近，但林地种类较为单一。BU产品中有多数样点落在了耕地与其他植被混合的地类中。

（3）灌木林类型：黑龙江省内，国情覆盖灌木林样点主要位于西部大兴安岭与蒙古高原交界处的林地-草原过渡区域，其主体植被为稀树草原或林间草地中的灌丛。除UMD产品在识别样点时呈现与耕地的部分混分外，USGS，BU，ESA产品均可较准确地将样点识别为稀树草原、稀疏林地或灌丛，与实际情况较为符合。

（4）天然草地类型：草地样点与各类地表覆盖产品林地样本的混分现象明显。

（5）人工建筑区：通过对比4类地表覆盖产品可以发现，人工建筑区域样点落在了全球覆盖产品的林地等自然植被区域，ESA和BU产品中仅有少量样点的类型为建筑区。虽然因影像分辨率较低，导致混合像元无法显示小区域人工建筑，但仍能反映城镇区域的变化特征。

4 结束语

对试点地区地理国情数据与遥感地表覆盖产品的比较分析表明，现有的几类全球地表覆盖产品在中国部分地区的分类效果并不是很理想。基于遥感的全球土地覆盖产品受到数据源和尺度的限制，其现势性与精确度均无法满足对我国土地变化进行有效监测的要求。因此，受到分辨率和时效性等因素的制约，遥感地表覆盖数据很难有效应用于有关我国地表营造物属性与状况的实际研究中。比较而言，地理国情地表覆盖数据采用适合我国实际情况的土地覆盖分类系统，能够充分反映我国当前阶段的自然环境特征，因而可以更好地为我国环境变化、区域生态等相关领域的研究服务。■

参考文献

［1］ T. R. Loveland, B. C. Reed, J. F. Brown, D. O. Ohlen, Z. Zhu, L. Yang & J. W. Merchant. Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data ［J］. International Journal of Remote Sensing, Vol. 21, Issue 6-7, 2000.

［2］ M. C. Hansen, R. S. Defries, J. R. G. Townshend & R. Sohlberg. Global land cover classifcation at 1 km spatial resolution using a classifcation tree approach ［J］. International Journal of Remote Sensing, Vol. 21, Issue 6-7, 2000.

［3］ M.A Friedl, D.K McIver, J.C.F Hodges, X.Y Zhang, D Muchoney, A.H Strahler, C.E Woodcock, S Gopal, A Schneider, A Cooper, A Baccini, F Gao & C Schaaf. The Moderate Resolution Imaging Spectroradiometer （MODIS）： a new generation of Land Surface Monitoring ［J］. Remote Sensing of Environment, Vol. 83, Issues 1-2, pp. 287-302, 2002.

［4］ E. Bartholomé & A. S. Belward. GLC2000： a new approach to global land cover mapping from Earth observation data ［J］. International Journal of Remote Sensing, Vol. 26, Issue 9, 2005.

［5］ Sophie Bontemps, Pierre Defourny, Eric Van Bogaert, Olivier Arino, Vasileios Kalogirou, Jose Ramos Perez, UCLouvain & ESA Team. GLOBCOVER 2009-Products Description and Validation Report ［EB/OL］.

Comparison and Analysis of China National Geographical Conditions Data and Global Land Cover Products

Xie Chao1, Wang Anqi2
（1. China Transport Telecommunications & Information Center, Beijing, 100011；2. North China University of Technology, Beijing, 100144）

Abstract:In this paper, the data of China National Geographical Conditions Census and China’s zonal data of remote sensing global land cover products from USGS, The University of Maryland （UMD）, Boston University （BU） and ESA’s GLOBCOVER in China were compared. Selecting two representative regions in Qinghai and Heilongjiang province of China, the authors applied data matching, calculation and analysis to the census data and the global land cover products, in order to define the relationship and differences among their accuracy, classification systems and the time information. As a result, the characteristics, applications, advantages and disadvantages of the census data and the global land cover products are discussed and evaluated.

Keywords:National Geographical Conditions； land cover； remote sensing products； comparison

doi：10.3969/J.ISSN.1672-7274.2016.06.009

中图分类号：P236

文献标识码：A 文章编码：1672-7274（2016）06-0024-04

基金项目：自然科学基金（41401426）， 博士后基金（基于可见光红外遥感的被动微波土壤水分降尺度方法），北方工业大学科研启动基金项目。