国家尺度异源土地覆被遥感产品精度评价

宋宏利， 张晓楠

(1.河北工程大学地球科学与工程学院，邯郸 056038； 2.河北省煤炭资源综合开发与利用协同创新中心，邯郸 056038； 3.河北工程大学矿业与测绘工程学院，邯郸 056038)

0 引言

土地覆被是地球表层各种物质类型及其自然属性与特征的综合体，其空间分布反映了人类社会经济活动过程，地表的水热和物质平衡，生物地球化学循环和气候变化[1]。全球或区域尺度土地覆被信息已成为自然资源调查、环境监测、生物多样性保护、地理国情普查、气候变化及生态建模等领域的重要基础数据[2-6]。近10 a来，随着时间分辨率和空间分辨率的提高，遥感数据已经成为大尺度土地覆被制图的重要数据源。一些全球及区域尺度的土地覆被产品陆续出现[7-10]，继2008年Landsat数据实现免费获取之后，全球各个国家及组织开始尝试研制30 m分辨率的全球尺度土地覆被遥感产品，并已取得了显著成果，例如Globeland30和FROM-GLC-agg的相继问世[11,12]。尽管每种土地覆被遥感产品在研制过程中，均进行了精度验证，但由于验证所采用的参考数据、验证方法各不相同，计算所获取的各种精度指标并不能直接进行比较，导致用户难以选择合理的数据作为气候、水文、生态等模型的输入信息，阻碍了上述数据在各个领域的协同使用。因此采用统一的参考数据对现有的土地覆被遥感产品进行全球或大区域尺度的精度验证，已成为该领域亟待解决的问题。

针对上述问题，本文以中国区域为研究范围，以现有的FROM-GLC-agg(简称FROM)，MODIS COLLECTION5，GLOBCOVER和ESACCI 4种全球尺度土地覆被数据集为研究对象，采用GLC2000，GLCNMO，GLOBCOVER，The System for Terrestrial Ecosystem Parameterization(简称STEP)、The Visible Infrared Imaging Radiometer Suite(简称VIIRS)、GEOWIKI等土地覆被产品研发团队提供的参考数据，从面积一致性、类别混淆等传统手段在整体上对4种土地覆被数据集进行精度评价。本文的研究成果将揭示4种土地覆被遥感数据集在中国区域的类别精度及其空间分布特征，它既为研究区域从事生态环境建模、土地覆被变化、自然资源调查等领域的科学研究提供了数据选择的依据，也可为未来大尺度土地覆被遥感制图的重点研究方向提供参考。

1 数据源及其预处理

1.1 土地覆被遥感数据

表1列出了本文待验证土地覆被遥感产品的基本信息，其中FROM由清华大学研制，为30 m分辨率土地覆被遥感产品，该数据的时间基点为2010年，共采用8 903景Landsat TM/ETM+数据，其中约80%遥感影像的获取时间为2009—2011年间，该数据采用2级分类体系，其中一级分类包含10个类别，二级分类包含27个类别。为了保持和其他3种土地覆被遥感产品的空间分辨率一致，本文所采用的FROM并非原始的30 m分辨率产品，而是由俞乐等人采用比例聚类法变尺度转换后的250 m分辨率数据，该数据全球尺度的总体精度为69.5%[12]。GLOBCOVER 由欧洲空间局研制，时间基点为2009年，该产品以2009年1—12月MERIS 传感器的13个波段数据作为输入数据，采用 Plate-Carrée投影，其空间分辨率为 300 m，采用联合国联农组织的土地覆被分类系统(land cover classification system,LCCS)，共包含22个类别，经研发团队验证该数据在全球尺度的总体精度为70.7%[13]； MODIS COLLECTION5(以下简称MODIS)由美国波士顿大学研制，时间基点为2010年，该产品采用2010年1月— 2010年 12 月的 TERRA/MODIS影像数据作为输入信息，空间分辨率为500 m，采用 IGBP 土地覆盖分类系统，包含17个类别，全球尺度该数据的总体精度为74.8%[8]； 欧洲航空航天局为了满足全球气候演化模型对于土地覆被信息的需求，以MERIS地表反射率合成数据、时间序列SPOT-VGT数据为输入信息，采用时空聚类及机器学习分类算法，分别研制了300 m分辨率的2000年，2005年和2010年3个时间基点的全球尺度土地覆被遥感产品(ESACCI)，该产品采用LCCS分类体系，包含22个类别，本文所用数据的时间基点为2010年，全球尺度该数据的总体精度为74.4%[14]。

表1 多源土地覆被遥感产品信息表Tab.1 Information illustration of land cover products

1.2 参考数据

本文共涉及6种全球尺度土地覆被遥感产品验证数据集，这些数据集均可从互联网免费下载(下载网址为http: //www.gofcgold.wur.nl/sites/gofcgold_refdataportal-glc2k.php； http: //geo-wiki.org/)，供各国研究者在验证时参考使用。GLC2000参考数据是在原始GLC2000参考数据基础上，再次通过野外实地调查、Google Earth影像对比等手段获取的改进版本，删除了原始数据中存在类别错分的样本，该数据采用分层采样策略，全球共有1 253个样本，共分为11种土地覆被类别，经验证其类别精度为95%以上[10]。GLOBCOVER产品的参考数据由经全球分层随机采样的4 258个样本构成，每个样本在解译过程中除了参考对应时期的Google Earth影像外，产品研发方还提供了2000—2007年的NDVI数据，以便从物候特征角度提高样本的解译精度，解译过程由全球范围内土地覆被制图领域相关专家完成，这些专家均具备扎实的理论基础和丰富的遥感图像处理经验。为了降低尺度效应对于土地覆被遥感产品的验证精度的影响，GLOBCOVER参考数据要求每个样本的覆盖范围为1 500 m×1 500 m。本文所用参考数据是在原始数据基础上，经过地表土地覆被类别均质性筛选的500个样方，且每个样方均进行了野外实地验证，其精度达100%[15]。The System for Terrestrial Ecosystem Parameterization (STEP)参考数据最初是为了验证全球陆表生态模型所需的土地覆被信息精度，该参考数据以GIS软件中通用的多边形格式存储，为了保证参考数据的实时性，研发团队定期对其进行更新，该数据采用IGBP分类体系[16]。VIIRS参考数据以全球气候分区为依据，采用随机分层抽样方式在全球布设500个样本点，每个样本覆盖范围为5 km×5 km，样本多选择在大尺度土地覆被制图过程中景观异质性较强及类别组成较为复杂区域，为了保持与当前土地覆被遥感产品空间分辨率的一致性，在每个样本覆盖范围内二次划分为25个1 km×1 km的空间格网，每个格网内的土地覆被类别及组成均由遥感专家在植物生长季内空间分辨率不低于2 m的高分遥感数据上完成[17]。GEO_WIKI是以Google Earth为平台开发的一个免费的全球尺度土地覆被验证数据库，其数据由世界各国土地覆被遥感制图领域专业人员提供，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，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条可供使用的数据[18]。GLCNMO参考数据是由全球制图国际委员会为评价全球尺度GLCNMO产品的精度而采用的验证数据，该数据采用IGBP分类体系，但并不包含建设用地、冰雪等类别[19]。6种参考数据在中国区域的空间分布如图1所示。

图1 中国区域参考数据空间分布图 (审图号： GS(2016)2885号)Fig.1 The spatial distribution of referenced data in China

本文所采用的参考数据集均为以ArcGIS SHP格式存储的点类型，每个点所代表的土地覆被类别为对应参考样方中心点处土地覆被信息。在精度评价过程中，通过ArcGIS软件中的点属性提取功能，获取待验证土地覆被数据集对应位置的土地覆被类别，并将类别假设为该点所在像元的土地覆被类别，通过逐点之间的一一比较，构建土地覆被类别误差矩阵。

1.3 数据预处理

为了完成研究区域异源土地覆被遥感产品的精度评价，首先将各种待评价土地覆被遥感产品及参考数据统一到相同的空间参考框架下，鉴于本文重点研究各种产品土地覆被类别的面积精度，因此选择阿尔伯斯等积投影作为空间参考基准，将所有的待验证数据及参考数据在ArcGIS软件中完成空间参考转换。由于GLOBCOVER和ESACCI的空间分辨率为300 m，而FROM和MODIS数据的空间分辨率则分别为250 m和500 m，为了实现空间分辨率的统一，参考已有研究[20]，采用最邻近像元插值法将FROM和MODIS这2种数据集的的空间分辨率重采样为300 m。

如1.1所述，FROM，MODIS，ESACCI和GLOBCOVER 4种土地覆被遥感产品及参考数据所采用的分类体系在描述陆表覆被信息的详细程度上有所差异。例如，FROM数据并没有对林地的物候作出细分； GLOBCOVER和ESACCI定义了较多的混合类别； GEOWIKI仅将参考样本划分为林地、草地、灌木、耕地等9个一级类别，没有考虑木本及草本类别的物候及郁闭度。为了验证的可行性，需要将所有的待验证数据及参考数据统一到同一分类体系，在已有研究基础上[16-19]，将待验证数据及参考数据的土地覆被类别聚合为林地、灌木、草地、耕地、水域/湿地、建设用地、永久性冰雪及裸地 8个类别，表2中详细列举了每种聚合后类别所对应的不同土地覆被遥感数据的原有类别编码，例如，林地在FROM数据中的类别编码为20，而在GLOBCOVER数据中的类别编码为40，50，60，70，80，90，100，110，160和170，而在MODIS数据中对应的编码为1，2，3，4，5，其他类别以此类推。由于STEP和VIIRS数据采用和MODIS完全相同的分类体系及类别聚合方法，因此在表2中并未列出。

表2 聚合土地覆被类别与原始土地覆被数据类别对应表Tab.2 The correspondingTable of aggregated land cover classes and original classes of the GLC datasets

表3揭示了聚合后的中国区域参考数据类别结构。从表中可以看出，参考数据中各种类别的比例并不均衡，存在较大的数量差异。其中耕地、建设用地、林地、草地4种类别的数量较大，其总和约占参考数据总量的83%； 而水域、灌木、裸地及冰雪的参考数据则较少，尤其是水域和裸地，仅占参考数据总量的0.98%和1.75%。

表3 中国区域参考数据土地覆被类别及组成Tab.3 The category percent of referenced data in China

2 研究方法

误差矩阵是土地覆被遥感产品精度评价最常见的方法之一。该方法主要通过比较参考数据和待验证数据在特定位置处的类别一致性，进而建立二者之间的交叉二维表格(即类别误差矩阵)，并以此为基础，计算出能够表达待验证产品精度的生产者精度、用户精度、总体精度等一系列指标。各指标计算公式[20]为：

(1)

(2)

(3)

式中：xii为i类土地覆被类别正确分类的像元数(本文中i的取值为1,2,3,4,5,6,7,8)；n为研究区域总的像元数；xi+为待验证土地覆被产品中i类别的像元总数；x+i为参考数据中i类别的像元总数。

误差矩阵尽管可以从宏观上揭示不同土地覆被数据的类别精度，但无法从空间上展示数据间类别的一致性。为此，笔者在GIS软件中将4种土地覆被数据在空间上进行叠加，从像元尺度揭示4种数据类别的一致性分布特征。计算的结果将归纳4个类别，分别为： ①完全一致，4种数据在对应像元表现出完全相同的土地覆被类别； ②基本一致，4种数据在对应像元表现出仅有2种土地覆被类别； ③不一致，4种数据在对应像元呈现出3种不同的土地覆被类别； ④完全不一致，4种数据在对应像元呈现出4种完全不同的土地覆被类别。

3 结果与分析

3.1 土地覆被类别面积一致性比较

图2揭示了FROM，MODIS，GLOBCOVER和ESACCI 4种土地覆被遥感产品不同类别的面积一致性。从图2中可以看出，林地、草地、耕地和裸地是研究区域的主要土地覆被类别，而灌木、水域/湿地、建设用地及永久性冰雪则相对较少。4种产品的林地面积相对较为接近，分别占研究区域总面积的22.9%，18.5%，17.7%和21.3%，其最大面积差为研究区总面积的5.2%； 对于草地而言，FROM，MODIS和ESACCI 3种产品的草地面积均明显高于GLOBCOVER，其中FROM，MODIS和ESACCI的草地面积比例分别为26.2%，30.1%和24.7%，而GLOBCOVER则仅为11.4%； 与草地面积比例相反，GLOBCOVER的耕地面积比例最高，为34.2%，高于FROM的13.6%，MODIS的20.0%和ESACCI的28.6%； 对于裸地，FROM和GLOBCOVER这2种产品面积百分比几乎相同，分别占研究区总面积的29.9%和30.0%，高于MODIS的22.13%和ESACCI的20.45%。由于灌木、水域/湿地、建设用地和永久性冰雪4种类别面积较少，4种产品的类别面积一致性较高，差异较小。

图2 4种土地覆被遥感产品类别面积一致性比较Fig.2 Area consistent analysis of 4 land cover products

3.2 基于误差矩阵的类别精度分析

根据式(1)—(3)，计算参考数据与待评价4种土地覆被遥感产品在研究区域的误差矩阵，获取不同土地覆被类别的总体精度、用户精度和生产者精度。结果表明： FROM产品和参考数据具有最高的总体一致性，其总体精度为0.69，MODIS和ESACCI次之，其总体精度分别为0.67和0.65，GLOBCOVER的总体精度最低，为0.55。尽管总体精度可以从宏观上表达每种土地覆被遥感产品的可靠性，但对于特定的科学应用领域，具体的类别精度显得更为重要。

(a) 生产者精度 (b) 用户精度

图3不同土地覆被类别的生产者精度和用户精度比较

Fig.3Comparisonbetweendifferentlandcoverproductsaboutproduceraccuracyanduseraccuracy

图3揭示了4种土地覆被遥感产品不同土地类别的生产者精度和用户精度。从图3(a)中可以看出，耕地和裸地具有最高的生产者精度，4种产品该两种类别的精度均高于70%。 FROM，MODIS和ESACCI 3种产品的林地和建设用地生产者精度较高，均大于75%，但GLOBCOVER的林地和建设用地的生产者精度均较低，为50%左右。4种产品灌木和水域/湿地的生产者精度均较低，其中ESACCI产品灌木的生产者精度仅为1%，经分析，有32.52%被错分为林地，有22.76%被错分为草地，有39.84%被错分为耕地。

图3(b)显示，所有土地覆被类别中，林地、耕地和建设用地的用户精度较高，且相互差异较小，灌木、水域和裸地的用户精度存在较大差异，如FROM产品灌木的用户精度为55.56%，而ESACCI产品灌木的用户精度仅为10.25%，两者相差45.31%，FORM产品水域/湿地的用户精度达100%，说明该产品该类别具有非常高的类别质量，而GLOBCOVER产品的水域/湿地的用户精度仅为22.23%，两者相差77.77%。

图3表明4种土地覆被遥感产品灌木类别的生产者精度和用户精度均较低，除MODIS产品该类别的用户精度高于50%外，其余均低于30%，这说明，对于大尺度土地覆被制图而言，现有的分类算法难以精准获取陆表灌木类别的分布信息，因此如何提高灌木类别精度，降低其与林地、草地、耕地的混淆是未来土地覆被制图领域亟需解决的重要问题。

3.3 多源数据类别空间一致性分析

图4从空间角度阐明了FROM，MODIS，GLOB-COVER和ESACCI4种数据在中国区域的类别一致性特征。结果表明，完全空间一致性区域约占研究区总面积的39.03%，主要分布于我国东北的林业、农业区，西北的裸地荒漠区和华北的耕地区，这些地区陆表土地利用类型较为简单，地物光谱特征比较容易识别且呈现出一定的物候规律特征； 基本一致区域的分布符合土地覆被类别的区域变量特点，其主要位于完全一致区域的周边，其面积约占研究区总面积的40.67%，具体分布在青海省与西藏自治区交接处、四川省中部和内蒙古自治区东北部，这些地区陆表的土地利用类型主要表现为裸地、草地及二者的混合类别； 不一致区域的面积约占研究区总面积的18.56%，主要分布于青藏高寒区中部、辽宁省南部、黑龙江、吉林、辽宁三省与内蒙古自治区交界的条带区域，相对于上述2个分区，这些地区土地覆被类别较为复杂，陆表土地类别呈现明显的异质性特征，耕地、林地、灌木和草地交错分布； 完全不一致区域约占研究区总面积的1.74%，主要分布于甘肃省中部。

图4 中国区域多源数据类别一致性空间特征 (审图号： GS(2016)2885号)Fig.4 The spatial map of different land cover category consistencyin China

4 结论与讨论

1)4种大尺度土地覆被遥感产品的林地、耕地、建设用地和裸地等类别均具有较高的生产者精度和用户精度。因此，对于全球或国家尺度森林面积调查、粮食产量预测、城市用地扩张等研究领域，4种数据均可提供较为精准的基础数据； 相对于上述类别，4种产品灌木类别的生产者精度和用户精度均较低，其类别混淆主要发生于林地、草地和耕地之间，因此未来如何提高大尺度低分辨率遥感数据灌木类别的识别精度，有效降低该类别与耕地、林地和草地间的错分是当前亟待解决的问题.

2)研究表明FROM产品和MODIS产品在总体上表现出较高的类别精度，优于GLOBCOVER和ESACCI两种产品。GLOBCOVER尽管采用的基础数据为300 m分辨率地表反射率信息，但其总体精度则低于500 m分辨率的MODIS数据。这说明对于土地覆被遥感制图而言，除了需关注原始数据的空间分辨率外，采用适合的影像分类算法同样可以提高土地覆被信息的提取出精度。

3)多源数据类别一致性图谱表明，4种数据土地覆被类别结构单一区域具有较好的类别一致性，可以准确识别林地、耕地、裸地等均质性较强的土地覆被类别。但对于青藏高寒区、中国西南区域等景观异质性区域，则表现出较差的类别一致性。

4)本文以国际组织发布的权威数据为参考，从国家尺度验证了当前的4种土地覆被遥感产品的类别精度。但已有研究表明，土地覆被类别精度具有空间分异特征，国家尺度的精度特征并不能代表全球或区域尺度，因此从全球及区域尺度对4种产品分别进行精度评价是今后要开展的必要工作。尽管国际组织发布的验证数据的精度较高，但其数量相对较少，且各种类别所占的数量比例不均衡，无法满足地理分层抽样理论对于与土地覆被遥感产品精度验证的要求。自从2007年公众自发地理信息(volunteered geographic information，VGI)的概念出现以来，这类数据日益增多，已被广泛应用于生态评价、冰川调查、植被分类等众多研究领域。因此如何利用自发地理信息来补充现有验证数据在数量上的不足，进而实现土地覆被遥感产品地理分层抽样验证也是未来需要开展的工作。

志谢： 本文所用数据来源于清华大学地球系统科学研究中心、美国波士顿大学、欧洲航天局等科研机构，河北工程大学“地质资源与地质工程”双一流学科为本文工作的开展提供了资金支持，在此一并表示感谢。