中國區域多源土地覆被遙感產品類別精度探索性分析

宋宏利，張曉楠

（河北工程大學，河北 邯鄲056038）

多源土地覆被遙感數據的探索性分析可以深入挖掘每種數據在國家、區域、類別尺度的優點及缺點，是多源數據融合的第一步［1］。當前，國內外學者對全球及區域土地覆被數據間的比較及驗證做了大量工作，并得出了許多有價值的結論，但多數研究都是針對早期的1km空間分辨率遙感數據［2－10］。近年來，隨著遙感科學技術的發展，一系列高分辨率的全球尺度土地覆被數據相繼問世，這些數據較早期的數據相比，無論在數據源的空間分辨率、信息分類算法、數據驗證手段等方面均有了較大提高，因此深入了解與分析這些數據在專題及空間的一致性及均質性是當前重要的研究內容。迄今為止，尚未發現有文獻記載關于GLOBCOVER，MODIS COLLECTION5及GLCNMO等最新的高分辨率土地覆被遙感數據在中國區域的比較及精度驗證研究。為此，本文旨在深入分析GLOBCOVER，MODIS COLLECTION5，GLCNMO和GLC2 000四種數據在中國區域的類別精度、空間一致性及類別均質性空間分布特征，對這些數據精度的定量評價不僅是未來促進土地覆被制圖質量提高的前提，而且有助于陸面過程模型及其他應用，最終為用戶合理利用這些數據提供科學合理的依據，為多源土地覆被數據融合提供必要的先驗知識。

1 研究數據與研究方法

1.1 研究數據

研究所需的 GLOBCOVER，MODIS COLLECTION5，GLCNMO和GLC2000四種全球尺度土地覆被遙感數據均從互聯網下載［11－14］。盡管GLC2000和GLCNMO分別表示2000年和2003年的陸表土地覆被分布特征，與GLOBCOVER及MODIS所代表的2005年并不相同，分別有5a和2a的時間差異，但 Martin［15］等通過對比分析 MODIS2000和MODIS2005兩個時間基點的土地覆被類別面積得出，對于全球尺度土地覆被遙感數據而言，由于較小時間尺度差異所導致的土地覆被類別變化比例較小，不影響數據間的比較及精度驗證，因此本文忽略了數據間的時間尺度差異。

為了定量評價四種全球尺度土地覆被遙感數據的絕對類別精度，本文以中國2000年土地利用遙感數據（CHINA2000）作為參考，從國家尺度對上述四種數據的分類精度進行驗證。CHINA2000數據以30m空間分辨率的Landsat TM／ETM 影像為原始數據源，通過人機交互式圖像解譯方法生成，該數據經過了野外實地考察驗證，其準確度達到了95%［16－17］，完全可以作為參考數據完成對粗分辨遙感數據的驗證。

本文所用數據為中國科學院西北環境與生態科學中心采用最大面積比法對原始數據聚合后獲得的1km分辨率數據，在此感謝國家自然基金委西部環境與生態科學數據中心（http：∥westdc.westgis.ac.cn）提供參考數據。表1列出了上述土地覆被遙感數據的詳細參數。

表1 研究數據參數

1.2 數據預處理

1.2.1 空間數據框架歸一化 本文所研究數據的空間參考信息并不相同，其中GLOBCOVER采用Plate－Carrée坐標系統，MODIS采用Intergrid Sinusoidal Grid坐標系統，GLC2000和GLCNMO數據則采用Lat－Lon坐標系統。為了實現多源數據間的空間疊加，在研究中統一使用它們，綜合考慮眾多數據的空間參考信息、研究結果與其他相關資料的可比性以及研究結果的共享等因素，最終采用WGS84基準面和阿爾伯特等積投影坐標系統作為所有數據的空間框架。

1.2.2 空間分辨率歸一化 GLOBCOVER的空間分辨率為300m，MODIS的空間分辨率為500m，GLCNMO和GLC2000的空間分辨率均為1 000m。鑒于GLCNMO和GLC2000均為1 000分辨率數據，同時在深入分析已有研究成果的基礎上，本文選擇1 000m作為基準空間分辨率，采用最優聚合算法將GLOBCOVER和MODIS兩種數據從其原始空間分辨率升尺度轉換為基準空間分辨率。在最優聚合過程中，采用Tchuenté［3］提出的算法，在IDL中分別采用3×3窗口和2×2窗口作為初始搜索窗口，將GLOBCOVER和MODIS數據重采樣到1／120°，在重采樣過程中選擇60%作為最優聚合閾值，將聚合窗口內占60%及以上的地類作為該像元的代表地類，如果在初始搜索窗口內未發現優勢地類，則擴大搜索窗口范圍，直至該窗口內出現優勢地類，最后采用最鄰近像元法將數據進行二次重采樣，使其最終分辨率為1／112°。

1.2.3 分類體系歸一化 近年來，國際社會在多源數據分類體系的歸一化方面做了大量工作，最終認為LCCS分類體系可以作為未來土地覆被分類的參考及轉換標準，該體系嚴格說是一種分類器，提供了一種通用的轉換語言，可以實現現有分類體系間的轉換［18］。盡管當前的全球尺度遙感數據的重點都是識別陸表植被類型，但在具體的分類上仍存在較大的差異。例如，GLOBCOVER將耕地分為洪水灌溉地、溝渠灌溉地和雨水灌溉地3種；而MODIS僅僅有耕地一個大類，沒有進行細分；GLOBCOVER，GLC 2000和GLCNMO雖然都采用LCCS分類體系，但仍有些類別無法直接比較，例如，GLOBCOVER中存在過多的混合類型，這阻礙了該數據與其他數據的互操作。筆者采用LCCS分類描述語言在8個分類器基礎上將四種數據的土地覆被類別聚合為8個大類（表2），在聚合過程中，嚴格采用LCCS的類別標準和通用的分類閾值。

表2 歸一化的土地覆被分類體系

1.3 研究方法

1.3.1 誤差矩陣分析 研究采用逐像元對比法建立了中國2000年土地利用數據和MODIS，GLOBCOVER，GLC2000和GLCNMO四種數據之間的混淆矩陣，用以評價四種全球尺度土地覆被數據在中國區域的總體和類別精度，并采用Congalton和Green提出的分類精度檢驗算法評價了中國多個地理區域多源土地覆被遙感數據間的分類精度優勢的顯著性［19］。

1.3.2 多源土地覆被遙感數據空間一致性分析 為了獲得多源土地覆被遙感數據類別分布在空間上的一致性分布特征，計算像元尺度四種數據類別的一致性程度，筆者在ARCGIS軟件中將四種研究數據進行空間疊加，疊加的結果分為4個等級，分別為：（1）完全不一致，四種數據在對應像元呈現出4種完全不同的土地覆被類別；（2）不一致，四種數據在對應像元呈現出3種不同的土地覆被類別；（3）基本一致，四種數據在對應像元呈現出2種土地覆被類別；（4）完全一致，四種數據在對應的像元的土地覆被類別完全相同。

1.3.3 土地覆被類別的均質性分析 國外學者的研究表明景觀分布的異質性是影響區域及局部尺度遙感數據土地覆被類別分類精度的關鍵因子，為了比較GLOBCOVER，MODIS、GLC2000以及 GLCNMO4種數據均質性面積的差別，本文采用一個3×3的像元空間作為計算窗口，當該窗口內與窗口中心像元不同的像元數目為8時，認為該窗口是異質性的；如果該窗口內所有像元值都和窗口中心像元相同，則認為該窗口為均質的。在IDL環境中不斷滑動該窗口，直至整個區域計算完畢。

2 結果與分析

2.1 多源土地覆被遙感產品與參考數據誤差矩陣分析

圖1表明GLOBCOVER，MODIS，GLC2000和GLCNMO四種數據類別間的混淆表現出相近的特征，說明四種數據在中國區域具有相似的分類精度，總體精度分別為47.22%，56.37%，54.56%和47.10%，最大差值為9.27%，其中MODIS和GLC2000具有較高的總體精度，GLOBOCVER和GLCNMO的總體精度相對較差。四種全球土地覆被遙感數據與2000年中國土地利用數據間的類別混淆主要發生于林地、草地、灌木和耕地之間，這主要因為這四種土地覆被類型具有相似的生命形態特征，導致光譜特征上存在一定的相似性。林地、耕地和裸地在國家尺度均具有較高的分類精度，其生產者精度均達到了80%左右；對于灌木，四種數據灌木的分類精度都相對較低，其生產者精度僅為15%左右，其中大部分灌木被錯誤分類為林地、耕地和草地，這說明粗分辨傳感器識別灌木的精度較低，其準確識別灌木光譜特征能力有待加強；GLC2000草地的分類精度最高，其生產者精度為40.75%，GLCNMO該類別的分類精度最低，僅為14.79%；四種數據耕地的分類精度相差較小，分別為64.74%，71.44%，62.96%和61.76%，這說明四種數據在識別大面積分布，且物候特征明顯的地表土地覆被類型時具有較高的精度；對于建設用地、冰雪和濕地等地表類型，GLC2000建設用地的分類精度最低，僅為2.04%，其他三種數據的分類精度較為接近；GLCNMO冰雪的分類精度最低，僅為21.85%。

圖1 國家尺度多源土地覆被遙感數據類別混淆

圖2揭示了在95%置信水平下計算的GLOBCOVER，MODIS，GLC2000和GLCNMO四種土地覆被遙感數據在國家及區域尺度的差異顯著性檢驗。結果表明，在國家尺度，GLOBCOVER－GLC2000，GLC2000－GLCNMO及GLOBCOVER－GLC2000之間的統計量值均大于1.96（圖2中橫線所代表值），差異顯著，說明在該尺度，GLOBCOVER和GLCNMO兩種數據的類別精度顯著低于MODIS和GLC2000；在東北區域，GLOBCOVER－GLC2000，GLOBCOVER－MODIS以GLOBCOVER－GLCNMO之間的差異顯著，而 MODIS－GLCNMO，MODIS－GLC2000以及GLC2000－GLCNMO之間的差異并不顯著；華北區域只有MODIS－GLCNMO之間存在顯著差異，其他數據間的差異均不顯著；西北區域和四川盆地表現出與東北區域類似的特征；青藏高寒區、東南、西南三個區域的統計值均小于1.96，說明在該區域，數據的總體分類精度相似，并無顯著差異。

2.2 多源土地覆被遙感數據空間一致性分析

圖3以圖譜的形式表達了GLOBCOVER，MODIS，GLC2000和GLCNMO四種全球土地覆被遙感數據在中國區域的空間一致性。從圖中可以看出，完全空間一致性區域主要分布于西北地區的沙漠地帶、華北中南部的糧食產區、東北東部地區和東南地區北部，其總面積約占研究區域總面積的39.03%，在該區域，地表土地覆被類型較為單一，以林地、耕地、草地為主，光譜特征簡單或呈現明顯的物候特征；基本一致區域主要分布于完全一致區域周圍，表現出土地覆被類型的區域變量特征，該區域的面積約占研究區總面積的40.67%，具體分布在青藏高寒區、西南區、四川盆地中部、內蒙古北部和西北地區南部，該區域主要地表類型為草地和裸地以及草地和耕地為主；不一致區域的面積約占研究區總面積的18.56%，主要分布于東南地區中部、青藏高寒區西北部和東南部、東北和西北分界線的條帶區域，該區域地表類型較為復雜，地表景觀呈現明顯的破碎現象，耕地、林地、灌木、草地交錯分布；完全不一致區域約占研究區總面積的1.74%，并且集中分布于“胡煥庸地理分界線“兩側，成典型的帶狀分布特征。

圖2 土地覆被遙感數據類別精度差異顯著性構線

以四種土地覆被遙感數據8個類別的完全一致性面積百分比及每種類別的平均生產者精度和平均用戶精度為數據源，分析了類別一致性比例與類別精度的相關關系（表3）。結果表明，類別的生產者精度與類別一致性面積百分比存在明顯的正相關性，其相關系數R等于0.88（R2＝0.77），這意味著某種土地覆被類別的一致性區域的面積越多，該類別的生產者精度越高，即該類別的分類精度越高，相反，如果某類別位于一致性區域的面積比例越少，則該類別的分類精度越低。正如Herold等［5］在非洲大陸得出的結論類似，用戶精度與類別面積一致性百分比的相關性不是很強，僅為0.42。

圖3 多源土地覆被遙感數據空間一致性分析

表3 類別一致性百分比與類別精度的相關關系

3 結 論

（1）GLOBCOVER，MODIS，GLC2000，GLCNMO四種全球土地覆被遙感數據與中國2000年土地利用數據在空間上存在一定的混淆現象。混淆主要發生于林地、草地、灌木和耕地之間，其中灌木與其他地類的混淆程度最為嚴重，導致四種數據的灌木的類別精度均較低。類別間的混淆存在明顯的地理區域特征，例如在東北區域，混淆主要發生于耕地和林地之間；而在青藏高寒區，混淆則主要發生于草地和灌木之間；在東南區，混淆則主要發生于耕地和草地之間。出現上述混淆的主要是因為這幾種土地覆被類別具有相似的光譜特征，生命形態相似，在成像過程中容易形成異物同譜現象，因此在今后的工作中，應該加強葉類土地覆被類別識別算法的改進，特別是灌木和林地之間的類別區分算法的提高。

（2）通過多源遙感數據的空間一致性及均質性分析，深入掌握了數據可靠程度的空間分布狀況，這對于今后全球尺度土地覆被遙感制圖如何選擇“訓練數據”提供了合理的科學依據，同時也為未來數據改善的重點區域提供了指導。研究表明類別一致性分析是類別精度的重要影響因子，特別是對于數據的制圖精度，一致性區域的面積起到了決定性作用，使得裸地和林地的制圖精度均在85%以上，同理，灌木和建設用地的生產者精度均低于10%，也意味著未來的全球尺度土地覆被制圖研究應該加強異質性區域地物信息的提取精度的相關研究。

（3） 研 究 表 明 GLOBCOVER，MODIS，GLC2000和GLCNMO四種數據在不同的區域、不同的類別表現出不同的精度，沒有哪種數據的精度在所有區域和類別均高于其他數據，而是呈現出明顯的區域和類別特征，這對于充分利用不同數據在不同區域及類別的精度優勢，從而融合生成高精度土地覆被遙感數據提供了依據。

［1］ Wickham J D，Stehman S V，Fry J A，et al.Thematic accuracy of the NLCD 2001land cover for the conterminous United States［J］.Remote Sensing of Environment，2010，114（6）：1286－1296.

［2］ Fritz S，See L，Rembold F.Comparison of global and regional land cover maps with statistical information for the agricultural domain in Africa［J］.International Journal of Remote Sensing，2010，31（9）：2237－2256.

［3］ TchuentéA T K，Roujean J L，De Jong S M.Comparison and relative quality assessment of the GLC2000，GLOBCOVER，MODIS and ECOCLIMAP land cover data sets at the African continental scale［J］.International Journal of Applied Earth Observation and Geoinformation，2011，13（2）：207－219.

［4］ Giri C，Zhu Z，Reed B.A comparative analysis of the Global Land Cover 2000and MODIS land cover data sets［J］.Remote Sensing of Environment，2005，94（1）：123－132.

［5］ Herold M，Mayaux P，Woodcock C E，et al.Some challenges in global land cover mapping：An assessment of agreement and accuracy in existing 1km datasets［J］.Remote Sensing of Environment，2008，112（5）：2538－2556.

［6］ Nakaegawa T.Uncertainty in land cover datasets for global land－surface models derived from 1km global land cover datasets［J］.Hydrological Processes，2011，25（17）：2703－2714.

［7］ 冉有華，李新，盧玲.四種常用的全球1km土地覆蓋數據中國區域的精度評價［J］.冰川凍土，2009（3）：490－500.

［8］ 吳文斌，楊鵬，張莉，等.四類全球土地覆蓋數據在中國區域的精度評價［J］.農業工程學報，2009，25（12）：167－173.

［9］ Wu W，Shibasaki R，Yang P，et al.Validation and comparison of 1km global land cover products in China［J］.International Journal of Remote Sensing，2008，29（13）：3769－3785.

［10］ 宋宏利，張曉楠，王雨，等.多尺度高分辨率全球土地覆被遙感數據相對一致性比較［J］.農業工程學報，2012，28（15）：118－124.

［11］ Arino O，Bicheron P，Achard F，et al.The most detailed portrait of Earth［J］.European Space Agency，2008，136：25－31.

［12］ Friedl M A，Sulla－Menashe D，Tan B，et al.MODIS Collection 5global land cover：Algorithm refinements and characterization of new datasets［J］.Remote Sensing of Environment，2010，114（1）：168－182.

［13］ Tateishi R，Uriyangqai B，Al－Bilbisi H，et al.Production of global land cover data－GLCNMO［J］.Interna－tional Journal of Digital Earth，2011，4（1）：22－49.

［14］ BartholoméE，Belward A S.GLC2000：a new approach to global land cover mapping from Earth observation data［J］.International Journal of Remote Sensing，2005，26（9）：1959－1977.

［15］ Jung M，Henkel K，Herold M，et al.Exploiting synergies of global land cover products for carbon cycle modeling［J］.Remote Sensing of Environment，2006，101（4）：534－553.

［16］ Liu J，Liu M，Tian H，et al.Spatial and temporal patterns of China′s cropland during 1990—2000：An analysis based on Landsat TM data［J］.Remote Sensing of Environment，2005，98（4）：442－456.

［17］ 中國資源環境遙感宏觀調查與動態研究［M］.北京：中國科學技術出版社，1996.

［18］ Di Gregorio A.Land cover classification system：classification concepts and user manual：LCCS［M］.Food＆ Agriculture Org.，2005.

［19］ Congalton R G，Green K.Assessing the accuracy of remotely sensed data：principles and practices［M］.Boca Raton，FL，USA：CRC Press，2008.