基于VGI的土地覆被遙感產品精度驗證

宋宏利，張曉楠

(1.河北工程大學 地球科學與工程學院，河北 邯鄲056038；2.河北工程大學 礦業與測繪工程學院，河北 邯鄲056038)

基于VGI的土地覆被遙感產品精度驗證

宋宏利1，張曉楠2

(1.河北工程大學 地球科學與工程學院，河北 邯鄲056038；2.河北工程大學 礦業與測繪工程學院，河北 邯鄲056038)

以GEO_WIKI和DegreeConfluenceProject獲取的自發地理信息為參考，通過誤差矩陣分析FROM-GLC-agg500m升尺度數據和MODISCOLLECTION5 兩種相同空間分辨率土地覆被遙感產品的類別精度及類別混淆，采用InverseDistanceWeighting模型計算FROM-GLC-agg500m數據的類別精度空間圖譜，結果表明：無論是制圖精度還是用戶精度，FROM-GLC-agg500m數據與MODIS數據相比，并沒有表現出顯著的優勢，兩種數據在林地與灌木、草地與裸地、耕地與灌木間存在一定程度的類別錯分現象；FROM-GLC-agg的類別精度圖表明在中國的西北部、東北及華北南部等裸地、林地及耕地聚集區，類別精度較高，該區域約占研究區總面積的36.77%，而在青藏高寒區、中國西南部等地表景觀異質性顯著區域，類別精度相對較低，約占研究區總面積的20%。

土地覆被；遙感產品；精度評價；自發地理信息；反距離加權

精確的陸表土地覆被信息，是客觀真實地描述全球及區域尺度陸表生態系統結構及其生態過程的關鍵因子[1-6]，在生物地球化學、環境建模、水土流失、大氣環流模型、全球碳循環模型等方面均得到了廣泛應用[7-10]。但已有研究表明，土地覆被的類別精度具有區域分布特征，全球尺度精度并不能很好的反映國家或區域尺度的類別精度，因此深入了解FROM-GLC-agg及其多尺度產品在國家或區域尺度的類別精度，并比較FROM-GLC-agg多尺度產品與目前已有的同級別土地覆被遙感產品的精度是亟待解決的問題。

本文擬以中國為研究區域(不含臺灣、南海諸島統計數據)，定量比較FROM-GLC-agg500m分辨率產品和MODISCOLLECTION5產品對應的類別精度；并探求FROM-GLC-agg數據類別精度在空間上的分布特征，和構建研究區域類別精度圖譜，為中國區域相關領域研究合理選擇數據源提供科學依據。

1 研究數據及預處理

1.1土地覆被遙感數據

本文擬對兩種空間分辨率為500m的土地覆被遙感數據進行精度驗證，一種是源于清華大學地球系統研究中心的FROM-GLC-agg尺度轉換產品[11]；另一種是源于波士頓大學的MODISCOLLECTION5數據[12]。該兩種數據均可通過互聯網免費獲取，鑒于FROM-GLC-agg產品的原始Landsat遙感影像有75%是2010年前后獲取，為了減小時間差異對于地表土地覆被類別的影響，本文選取2010年的MODISCOLLECTION5數據作為待驗證對象。兩種數據的具體參數見表1。

表1 研究數據參數

Tab.1Parametersofstudydatasets

特征數據名稱FROM-GLC-agg500mMODISCOLLECTION5數據獲取時間2009.1～2010.122010.1～2010.12空間分辨率500m500m投影IntergridsinusoidalIntergridsinusoidal類別數1017

1.2參考數據

(1)GEO_WIKI數據

GEO_WIKI是以GoogleEarth為平臺開發的一個免費的全球尺度土地覆被遙感數據驗證數據庫，該數據庫中數據由世界各國相關領域科研工作者提供，數據庫中的每條記錄描述了陸表特定經緯度交叉點的土地覆被類別組成，并且在向數據庫提交記錄時需提供該驗證站點的信任度級別(包括絕對確認、非常確認、確認和不確認4個等級)。本文所用的GEO_WIKI驗證數據庫在中國區域驗證站點數目為3 406個。為了保證驗證數據的可靠性，根據數據庫提供的關于GEO_WIKI驗證數據的類別準確度級別，選擇驗證點準確度級別為0(絕對準確)和1(非常準確)的驗證點作為驗證數據，經此條件過濾，中國區域共有2 187條可供使用數據。

(2)整度驗證計劃數據

所謂整度驗證計劃(DegreeConfluenceProject，DCP)發起于1996年，該計劃的目標是拜訪地球上每一個整數緯度和經度交匯處，并獲取每個交匯處及其周圍東南西北四個方向的地理標簽照片，并且通過網絡將這些照片及照片描述發送到指定的網站，以用于各種領域的學術研究。為了保證數據的質量，DCP團隊會對上傳的地理照片通過與OpenStreetMap及GoogleEarth等數據進行對比，從而發現明顯的錯誤和惡意信息。

本文選擇研究區內經緯整度交匯點作為驗證樣點，研究區內共包括952個經緯度交匯點，其中完整訪問點數為406個，不完整訪問點數為35個，而未訪問點個數為511個。

為了構建基于整度計劃的土地覆被參考數據庫，本文通過4位有豐富經驗的遙感方向專業教師，根據照片紋理內容及照片描述對已訪問的441個點進行目視解譯。對于未訪問站點，則通過現有土地覆被遙感產品及GoogleEarth軟件平臺對相應位置的土地覆被類別進行判讀。在解譯過程中每個教師須對每張照片的判讀記錄置信度，置信度分為完全確認、確認、不完全確認和不確認4個等級，為了提高驗證精度，本文只選擇置信度為完全確認和確認的土地覆被類別作為參考數據，經過篩選，共有854個站點作為參考數據。

1.3數據預處理

已有研究表明，土地覆被遙感產品分類體系的差異是阻礙數據間互操作的重要原因。鑒于FROM-GLC-agg和MODISCOLLECTION5數據采用的分類體系并不相同，同時考慮到與GEO_WIKI數據的9類別分類體系的兼容性，筆者將陸地表面劃分為8個類別，并以聯合國國際聯農組織提供的LCCS分類標準為依據，對FROM-GLC-agg和MODISCOLLECTION5數據的類別進行聚合，具體信息參見表2。

表2 土地覆被數據分類體系轉換表

Tab.2Landcoverclassification

編號類別名稱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建設用地81367裸地91688永久性冰雪10177

2 研究方法

2.1基于誤差矩陣的類別精度分析

誤差矩陣已成為遙感領域制圖精度比較的常用方法。為了得到FROM-GLC-agg和MODISCOLLECTION5數據與參考數據間的誤差矩陣，本文以GEO_WIKI和DegreeConfluenceProject兩種自發地理信息為參考點數據，在GIS軟件中，利用點屬性提取函數分別獲取參考點和待驗證數據指定位置土地覆被類別，通過統計比較參考點類別與遙感數據類別差異，按規則填充誤差矩陣中各單元數值。根據誤差矩陣，計算出用戶精度(UA)、制圖精度(PA)、總體精度(OA)和Kappa系數(KA)等參數。

2.2類別精度空間分布特征分析

誤差矩陣盡管可以揭示土地覆被遙感數據類別精度的總體特征，但無法表達類別精度在空間上的分異規律。為此，本文提出了在誤差矩陣指示轉換基礎上，采用反距離加權模型(InverseDistanceWeighting，IDW)計算FROM-GLC-agg500m分辨率土地覆被產品在中國區域的類別精度空間特征，其計算思路為：首先，將研究區域內的參考數據與FROM-GLC-agg數據在對應位置一一進行比較，如果參考數據的類別與驗證數據的類別相同，則該點被賦予1，否則，該點被賦予0；在進行指示轉換完成后，采用IDW計算模型，對研究區域進行插值預測處理，其計算公式為：

(1)

3 結果分析

3.1類別精度分析

圖1揭示了以GEO_WIKI和DegreeConfluenceProject為參考數據，FORM和MODIS兩種500m分辨率土地覆被遙感數據的類別精度。從圖1中可以看出，FROM-GLC-agg數據的林地、耕地、建設用地及永久性冰雪的制圖精度均高于MODIS數據，但灌木、草地、水域和裸地的制圖精度均低于MODIS數據。其主要原因是有兩點：一是本文所采用的研究數據為FROM-GLC-agg的空間聚合產品，該數據是在原始30m分辨率數據基礎上，采用比例聚合方法進行升尺度轉換后的500m土地覆被數據，由于灌木、水域等類別在我國分布較少，且成零星分布特征，因此在聚合過程中會導致被其優勢分布土地覆被類別取代，進而降低了該兩種類別的制圖精度。二是在參考數據的類別比例中，灌木、草地、水域和裸地的比例相對較低，其中，灌木僅為41個點，占參考數據總數的1.3%；水域為30個點，占參考數據總數的0.96%；草地和裸地均為120點，約占參考數據總數的3.84%，由于驗證點數量的稀少，一定程度上無法真實表達出土地覆被產品的類別精度，最終導致FROM數據的制圖精度低于MODIS數據。

對于用戶精度，FROM-GLC-agg數據的水域、裸地和永久性冰雪的精度均高于MODIS數據，但林地、灌木的精度均低于MODIS數據，而兩者草地和耕地的精度幾乎相同。這說明，空間分辨率在提取陸表無物候變化特征地物上具有一定優勢，但當地物存在典型的物候變化特征時，其傳感器的空間分辨率優勢即被時間和光譜分辨率優勢取代。FROM-GLC-agg數據是以LandsatTM/ETM+為源數據，該數據具有30m的空間分辨率，但其時間分辨率為16天，僅由7個可見光、近紅外波段構成，而MODIS數據的空間分辨率雖僅為250～1 000m，但其時間分辨率為0.25天，擁有36個光譜波段，因此，MODISCOLLECTION5土地覆被數據與FROM-GLC-agg數據相比，更宜于林地、灌木等物候特征顯著的類別。

3.2土地覆被類別混淆分析

圖2揭示了FROM-GLC-agg數據、MODISCOLLECTION5數據與參考數據之間的類別混淆。從圖中可以看出，混淆主要發生于林地、灌木、耕地以及草地和裸地之間。例如，在參考數據中，有115個點的類別為耕地，但在FROM-GLC-agg產品中則均為林地，混淆率約占參考數據總數的17%；草地與裸地之間的混淆也較為嚴重，在參考數據中有145個點為草地，但在MODIS中則為裸地，類別混淆率達到了38%。上述類別混淆的原因主要是由于各種類別間的生命形態相似性，導致了林地、耕地、草地、灌木等類別的光譜特征十分相似，這增加了從遙感圖像本身識別的難度。

3.3類別精度空間分布特征

圖3和圖4揭示了FORM-GLC-agg500m數據的類別精度在研究區域的分布特征及各精度區間的面積百分比。類別精度取值區間為0～1，其中0代表該位置的類別精度最低，即該位置FORM-GLC-agg的類別與參考數據不一致；相反，1表示類別精度最高，即該位置的類別與參考數據一致。從圖中可以看出，類別精度具有顯著的空間集聚特征，其中0.8～1的高值區域主要分布于中國的西北、東北和華北中南部，該區域地表土地覆被類別較為單一，以裸地、耕地和林地為主，該區域面積約占研究區總面積的36.77%，說明FORM-GLC-agg數據的類別精度總體較高；0.4～0.8的中值區域主要分布于精度高值區域周圍，符合土地覆被類別的區域化變量特征，該區域土地覆被類別主要由草地、林地組成，該區域約占研究區總面積的50%；0～0.4的低值區域主要分布于中國的青藏高原和中國的西南部，該區域地表景觀呈現破碎分布特征，異質性較強，增加了遙感數據識別土地覆被類別的難度，但該區域所占比重較小，僅占研究區總面積的20%。

4 結論

1)研究表明，無論是FORM-GLC-agg500m數據還是MODIS500m數據，在林地與灌木、灌木與耕地以及草地與裸地之間均存在顯著的混淆現象，這說明對于通過遙感技術精確獲取陸表土地覆被類別仍存在較大的困難，應該深入研究異物同譜問題，進一步加強基于光譜特征空間區分相似土地覆被類別算法的研究。

2)FORM-GLC-agg500m數據的類別精度指示值預測結果表明，精度高值區域主要分布于地表景觀均質性較強區域，主要分布于林地、耕地和裸地較為集中的中國東北、華北南部和西北地區；而精度值較低區域主要分布于青藏高寒區、中國西南部等地，其地表景觀破碎較為嚴重，因此如何精確提取景觀異質性區域土地覆被類別是今后亟待解決的問題。

[1]陳 軍，陳 晉，宮 鵬，等.全球地表覆蓋高分辨率遙感制圖[J].地理信息世界，2011(2)：12-14.

[2]李曉兵.國際土地利用-土地覆蓋變化的環境影響研究[J].地球科學進展，1999，14(4)：395-400.

[3]李曉兵，陳云浩，喻 鋒.基于遙感數據的全球及區域土地覆蓋制圖-現狀、戰略和趨勢[J].地球科學進展，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 樂，王 杰，李雪草，等.基于多源數據集成的多分辨率全球地表覆蓋制圖[J].中國科學：地球科學，2014(8)：5.

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

(責任編輯 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

河北省自然科學基金資助項目(D2013402014) 特約專稿

宋宏利(1980-)，男，河北撫寧人，博士，副教授，研究方向為大尺度土地覆被遙感信息挖掘。

P

A