基于VGI的土地覆被遥感产品精度验证

宋宏利，张晓楠

(1.河北工程大学 地球科学与工程学院，河北 邯郸056038；2.河北工程大学 矿业与测绘工程学院，河北 邯郸056038)

基于VGI的土地覆被遥感产品精度验证

宋宏利1，张晓楠2

(1.河北工程大学 地球科学与工程学院，河北 邯郸056038；2.河北工程大学 矿业与测绘工程学院，河北 邯郸056038)

以GEO_WIKI和DegreeConfluenceProject获取的自发地理信息为参考，通过误差矩阵分析FROM-GLC-agg500m升尺度数据和MODISCOLLECTION5 两种相同空间分辨率土地覆被遥感产品的类别精度及类别混淆，采用InverseDistanceWeighting模型计算FROM-GLC-agg500m数据的类别精度空间图谱，结果表明：无论是制图精度还是用户精度，FROM-GLC-agg500m数据与MODIS数据相比，并没有表现出显著的优势，两种数据在林地与灌木、草地与裸地、耕地与灌木间存在一定程度的类别错分现象；FROM-GLC-agg的类别精度图表明在中国的西北部、东北及华北南部等裸地、林地及耕地聚集区，类别精度较高，该区域约占研究区总面积的36.77%，而在青藏高寒区、中国西南部等地表景观异质性显著区域，类别精度相对较低，约占研究区总面积的20%。

土地覆被；遥感产品；精度评价；自发地理信息；反距离加权

精确的陆表土地覆被信息，是客观真实地描述全球及区域尺度陆表生态系统结构及其生态过程的关键因子[1-6]，在生物地球化学、环境建模、水土流失、大气环流模型、全球碳循环模型等方面均得到了广泛应用[7-10]。但已有研究表明，土地覆被的类别精度具有区域分布特征，全球尺度精度并不能很好的反映国家或区域尺度的类别精度，因此深入了解FROM-GLC-agg及其多尺度产品在国家或区域尺度的类别精度，并比较FROM-GLC-agg多尺度产品与目前已有的同级别土地覆被遥感产品的精度是亟待解决的问题。

本文拟以中国为研究区域(不含台湾、南海诸岛统计数据)，定量比较FROM-GLC-agg500m分辨率产品和MODISCOLLECTION5产品对应的类别精度；并探求FROM-GLC-agg数据类别精度在空间上的分布特征，和构建研究区域类别精度图谱，为中国区域相关领域研究合理选择数据源提供科学依据。

1 研究数据及预处理

1.1土地覆被遥感数据

本文拟对两种空间分辨率为500m的土地覆被遥感数据进行精度验证，一种是源于清华大学地球系统研究中心的FROM-GLC-agg尺度转换产品[11]；另一种是源于波士顿大学的MODISCOLLECTION5数据[12]。该两种数据均可通过互联网免费获取，鉴于FROM-GLC-agg产品的原始Landsat遥感影像有75%是2010年前后获取，为了减小时间差异对于地表土地覆被类别的影响，本文选取2010年的MODISCOLLECTION5数据作为待验证对象。两种数据的具体参数见表1。

表1 研究数据参数

Tab.1Parametersofstudydatasets

特征数据名称FROM-GLC-agg500mMODISCOLLECTION5数据获取时间2009.1～2010.122010.1～2010.12空间分辨率500m500m投影IntergridsinusoidalIntergridsinusoidal类别数1017

1.2参考数据

(1)GEO_WIKI数据

GEO_WIKI是以GoogleEarth为平台开发的一个免费的全球尺度土地覆被遥感数据验证数据库，该数据库中数据由世界各国相关领域科研工作者提供，数据库中的每条记录描述了陆表特定经纬度交叉点的土地覆被类别组成，并且在向数据库提交记录时需提供该验证站点的信任度级别(包括绝对确认、非常确认、确认和不确认4个等级)。本文所用的GEO_WIKI验证数据库在中国区域验证站点数目为3 406个。为了保证验证数据的可靠性，根据数据库提供的关于GEO_WIKI验证数据的类别准确度级别，选择验证点准确度级别为0(绝对准确)和1(非常准确)的验证点作为验证数据，经此条件过滤，中国区域共有2 187条可供使用数据。

(2)整度验证计划数据

所谓整度验证计划(DegreeConfluenceProject，DCP)发起于1996年，该计划的目标是拜访地球上每一个整数纬度和经度交汇处，并获取每个交汇处及其周围东南西北四个方向的地理标签照片，并且通过网络将这些照片及照片描述发送到指定的网站，以用于各种领域的学术研究。为了保证数据的质量，DCP团队会对上传的地理照片通过与OpenStreetMap及GoogleEarth等数据进行对比，从而发现明显的错误和恶意信息。

本文选择研究区内经纬整度交汇点作为验证样点，研究区内共包括952个经纬度交汇点，其中完整访问点数为406个，不完整访问点数为35个，而未访问点个数为511个。

为了构建基于整度计划的土地覆被参考数据库，本文通过4位有丰富经验的遥感方向专业教师，根据照片纹理内容及照片描述对已访问的441个点进行目视解译。对于未访问站点，则通过现有土地覆被遥感产品及GoogleEarth软件平台对相应位置的土地覆被类别进行判读。在解译过程中每个教师须对每张照片的判读记录置信度，置信度分为完全确认、确认、不完全确认和不确认4个等级，为了提高验证精度，本文只选择置信度为完全确认和确认的土地覆被类别作为参考数据，经过筛选，共有854个站点作为参考数据。

1.3数据预处理

已有研究表明，土地覆被遥感产品分类体系的差异是阻碍数据间互操作的重要原因。鉴于FROM-GLC-agg和MODISCOLLECTION5数据采用的分类体系并不相同，同时考虑到与GEO_WIKI数据的9类别分类体系的兼容性，笔者将陆地表面划分为8个类别，并以联合国国际联农组织提供的LCCS分类标准为依据，对FROM-GLC-agg和MODISCOLLECTION5数据的类别进行聚合，具体信息参见表2。

表2 土地覆被数据分类体系转换表

Tab.2Landcoverclassification

编号类别名称FROM-GLC-aggMODISCollection5GEO_WIKI1林地21-5,8,912灌木46,723草地31034耕地112,1445水域611,155,96建设用地81367裸地91688永久性冰雪10177

2 研究方法

2.1基于误差矩阵的类别精度分析

误差矩阵已成为遥感领域制图精度比较的常用方法。为了得到FROM-GLC-agg和MODISCOLLECTION5数据与参考数据间的误差矩阵，本文以GEO_WIKI和DegreeConfluenceProject两种自发地理信息为参考点数据，在GIS软件中，利用点属性提取函数分别获取参考点和待验证数据指定位置土地覆被类别，通过统计比较参考点类别与遥感数据类别差异，按规则填充误差矩阵中各单元数值。根据误差矩阵，计算出用户精度(UA)、制图精度(PA)、总体精度(OA)和Kappa系数(KA)等参数。

2.2类别精度空间分布特征分析

误差矩阵尽管可以揭示土地覆被遥感数据类别精度的总体特征，但无法表达类别精度在空间上的分异规律。为此，本文提出了在误差矩阵指示转换基础上，采用反距离加权模型(InverseDistanceWeighting，IDW)计算FROM-GLC-agg500m分辨率土地覆被产品在中国区域的类别精度空间特征，其计算思路为：首先，将研究区域内的参考数据与FROM-GLC-agg数据在对应位置一一进行比较，如果参考数据的类别与验证数据的类别相同，则该点被赋予1，否则，该点被赋予0；在进行指示转换完成后，采用IDW计算模型，对研究区域进行插值预测处理，其计算公式为：

(1)

3 结果分析

3.1类别精度分析

图1揭示了以GEO_WIKI和DegreeConfluenceProject为参考数据，FORM和MODIS两种500m分辨率土地覆被遥感数据的类别精度。从图1中可以看出，FROM-GLC-agg数据的林地、耕地、建设用地及永久性冰雪的制图精度均高于MODIS数据，但灌木、草地、水域和裸地的制图精度均低于MODIS数据。其主要原因是有两点：一是本文所采用的研究数据为FROM-GLC-agg的空间聚合产品，该数据是在原始30m分辨率数据基础上，采用比例聚合方法进行升尺度转换后的500m土地覆被数据，由于灌木、水域等类别在我国分布较少，且成零星分布特征，因此在聚合过程中会导致被其优势分布土地覆被类别取代，进而降低了该两种类别的制图精度。二是在参考数据的类别比例中，灌木、草地、水域和裸地的比例相对较低，其中，灌木仅为41个点，占参考数据总数的1.3%；水域为30个点，占参考数据总数的0.96%；草地和裸地均为120点，约占参考数据总数的3.84%，由于验证点数量的稀少，一定程度上无法真实表达出土地覆被产品的类别精度，最终导致FROM数据的制图精度低于MODIS数据。

对于用户精度，FROM-GLC-agg数据的水域、裸地和永久性冰雪的精度均高于MODIS数据，但林地、灌木的精度均低于MODIS数据，而两者草地和耕地的精度几乎相同。这说明，空间分辨率在提取陆表无物候变化特征地物上具有一定优势，但当地物存在典型的物候变化特征时，其传感器的空间分辨率优势即被时间和光谱分辨率优势取代。FROM-GLC-agg数据是以LandsatTM/ETM+为源数据，该数据具有30m的空间分辨率，但其时间分辨率为16天，仅由7个可见光、近红外波段构成，而MODIS数据的空间分辨率虽仅为250～1 000m，但其时间分辨率为0.25天，拥有36个光谱波段，因此，MODISCOLLECTION5土地覆被数据与FROM-GLC-agg数据相比，更宜于林地、灌木等物候特征显著的类别。

3.2土地覆被类别混淆分析

图2揭示了FROM-GLC-agg数据、MODISCOLLECTION5数据与参考数据之间的类别混淆。从图中可以看出，混淆主要发生于林地、灌木、耕地以及草地和裸地之间。例如，在参考数据中，有115个点的类别为耕地，但在FROM-GLC-agg产品中则均为林地，混淆率约占参考数据总数的17%；草地与裸地之间的混淆也较为严重，在参考数据中有145个点为草地，但在MODIS中则为裸地，类别混淆率达到了38%。上述类别混淆的原因主要是由于各种类别间的生命形态相似性，导致了林地、耕地、草地、灌木等类别的光谱特征十分相似，这增加了从遥感图像本身识别的难度。

3.3类别精度空间分布特征

图3和图4揭示了FORM-GLC-agg500m数据的类别精度在研究区域的分布特征及各精度区间的面积百分比。类别精度取值区间为0～1，其中0代表该位置的类别精度最低，即该位置FORM-GLC-agg的类别与参考数据不一致；相反，1表示类别精度最高，即该位置的类别与参考数据一致。从图中可以看出，类别精度具有显著的空间集聚特征，其中0.8～1的高值区域主要分布于中国的西北、东北和华北中南部，该区域地表土地覆被类别较为单一，以裸地、耕地和林地为主，该区域面积约占研究区总面积的36.77%，说明FORM-GLC-agg数据的类别精度总体较高；0.4～0.8的中值区域主要分布于精度高值区域周围，符合土地覆被类别的区域化变量特征，该区域土地覆被类别主要由草地、林地组成，该区域约占研究区总面积的50%；0～0.4的低值区域主要分布于中国的青藏高原和中国的西南部，该区域地表景观呈现破碎分布特征，异质性较强，增加了遥感数据识别土地覆被类别的难度，但该区域所占比重较小，仅占研究区总面积的20%。

4 结论

1)研究表明，无论是FORM-GLC-agg500m数据还是MODIS500m数据，在林地与灌木、灌木与耕地以及草地与裸地之间均存在显著的混淆现象，这说明对于通过遥感技术精确获取陆表土地覆被类别仍存在较大的困难，应该深入研究异物同谱问题，进一步加强基于光谱特征空间区分相似土地覆被类别算法的研究。

2)FORM-GLC-agg500m数据的类别精度指示值预测结果表明，精度高值区域主要分布于地表景观均质性较强区域，主要分布于林地、耕地和裸地较为集中的中国东北、华北南部和西北地区；而精度值较低区域主要分布于青藏高寒区、中国西南部等地，其地表景观破碎较为严重，因此如何精确提取景观异质性区域土地覆被类别是今后亟待解决的问题。

[1]陈 军，陈 晋，宫 鹏，等.全球地表覆盖高分辨率遥感制图[J].地理信息世界，2011(2)：12-14.

[2]李晓兵.国际土地利用-土地覆盖变化的环境影响研究[J].地球科学进展，1999，14(4)：395-400.

[3]李晓兵，陈云浩，喻 锋.基于遥感数据的全球及区域土地覆盖制图-现状、战略和趋势[J].地球科学进展，2004，19(1)：71-80.

[4]SUTHERLANDWJ，ADAMSWM，ARONSONRB，etal.Onehundredquestionsofimportancetotheconservationofglobalbiologicaldiversity[J].ConservationBiology，2009，23(3)：557-567.

[5]LAMBINEF，GEISTHJ，LEPERSE.Dynamicsofland-useandland-coverchangeintropicalregions[J].AnnualReviewofEnvironmentandResources，2003，28(1)：205-241.

[6]FEDDEMAJJ，OLESONKW，BONANGB，etal.Theimportanceofland-coverchangeinsimulatingfutureclimates[J].Science，2005，310(5754)：1674-1678.

[7]BONANGB，OLESONKW，VERTENSTEINM，etal.ThelandsurfaceclimatologyofthecommunitylandmodelcoupledtotheNCARcommunityclimatemodel[J].JournalofClimate，2002，15(22)：3123-3149.

[8]RUNNINGSW，NEMANIR，ANNH，etal.Acontinuoussatellite-derivedmeasureofglobalterrestrialprimaryproduction[J].Bioscience，2004，54(6)：547-560.

[9]ZHANGK，KIMBALLJS，MUQZ，etal.SatellitebasedanalysisofnorthernETtrendsandassociatedchangesintheregionalwaterbalancefrom1983to2005[J].JournalofHydrology，2009，379(1)：92-110.

[10]FOLEYJA，DEFRIESR，ASNERGP，etal.Globalconsequencesoflanduse[J].Science，2005，309(5734)：570-574.

[11]俞 乐，王 杰，李雪草，等.基于多源数据集成的多分辨率全球地表覆盖制图[J].中国科学：地球科学，2014(8)：5.

[12]FRIEDLMA，MCIVERDK，HODGESJCF，etal.GloballandcovermappingfromMODIS:algorithmsandearlyresults[J].RemoteSensingofEnvironment，2002，83(1)：287-302.

(责任编辑 王利君)

Analysis of land cover category accuracy based on volunteered geographic information

SONGHongli1,ZHANGXiaonan2

(1.SchoolofEarthScienceandEngineering,HebeiUniversityofEngineering,HebeiHandan056038,China；2.SchoolofMiningandSurveyingEngineering,HebeiUniversityofEngineering,HebeiHandan056038,China)

Theinformationonlandcoveratnationalscalesiscriticalforaddressingclimatechange,biodiversityconservation,ecosystemassessmentandenvironmentalmodeling.TheVolunteeredGeographicInformationderivedfromtheGEO_WIKIandDegree-ConfluenceProjectwasusedasreferenceddata.ThecategoryaccuracyandthecategoryconfusionaboutFORM-GLC-agg500mandMODISCOLLECTION5werecomparedandthespatialdistributionofFORM-GLC-agg’scategoryaccuracywasanalyzed.Theresultsshowthat:thereisnosignificantdifferenceonproduceranduseraccuracybetweenFORM-GLC-aggandMODISdata.TheybothhaveaseriousconfusionbetweenForest/shrub,cropland/shrub,especiallythegrasslandandbareland.Thecategoryaccuracyhasanunevendistribution,forexample,itshighervaluemainlydistributesinnorthwestandnorthChina,andthelowervaluemoremainlydistributesinTibetPlateau,andsouthwestChina.Theresultscanprovidereferenceforlandcoverresearch.

Landcoverproducts;accuracyassessment;VolunteeredGeographicInformation;IDW

1673-9469(2016)04-0098-05doi:10.3969/j.issn.1673-9469.2016.04.021

2016-06-18

河北省自然科学基金资助项目(D2013402014) 特约专稿

宋宏利(1980-)，男，河北抚宁人，博士，副教授，研究方向为大尺度土地覆被遥感信息挖掘。

P

A