國家尺度異源土地覆被遙感產品精度評價

宋宏利， 張曉楠

(1.河北工程大學地球科學與工程學院，邯鄲 056038； 2.河北省煤炭資源綜合開發與利用協同創新中心，邯鄲 056038； 3.河北工程大學礦業與測繪工程學院，邯鄲 056038)

0 引言

土地覆被是地球表層各種物質類型及其自然屬性與特征的綜合體，其空間分布反映了人類社會經濟活動過程，地表的水熱和物質平衡，生物地球化學循環和氣候變化[1]。全球或區域尺度土地覆被信息已成為自然資源調查、環境監測、生物多樣性保護、地理國情普查、氣候變化及生態建模等領域的重要基礎數據[2-6]。近10 a來，隨著時間分辨率和空間分辨率的提高，遙感數據已經成為大尺度土地覆被制圖的重要數據源。一些全球及區域尺度的土地覆被產品陸續出現[7-10]，繼2008年Landsat數據實現免費獲取之后，全球各個國家及組織開始嘗試研制30 m分辨率的全球尺度土地覆被遙感產品，并已取得了顯著成果，例如Globeland30和FROM-GLC-agg的相繼問世[11,12]。盡管每種土地覆被遙感產品在研制過程中，均進行了精度驗證，但由于驗證所采用的參考數據、驗證方法各不相同，計算所獲取的各種精度指標并不能直接進行比較，導致用戶難以選擇合理的數據作為氣候、水文、生態等模型的輸入信息，阻礙了上述數據在各個領域的協同使用。因此采用統一的參考數據對現有的土地覆被遙感產品進行全球或大區域尺度的精度驗證，已成為該領域亟待解決的問題。

針對上述問題，本文以中國區域為研究范圍，以現有的FROM-GLC-agg(簡稱FROM)，MODIS COLLECTION5，GLOBCOVER和ESACCI 4種全球尺度土地覆被數據集為研究對象，采用GLC2000，GLCNMO，GLOBCOVER，The System for Terrestrial Ecosystem Parameterization(簡稱STEP)、The Visible Infrared Imaging Radiometer Suite(簡稱VIIRS)、GEOWIKI等土地覆被產品研發團隊提供的參考數據，從面積一致性、類別混淆等傳統手段在整體上對4種土地覆被數據集進行精度評價。本文的研究成果將揭示4種土地覆被遙感數據集在中國區域的類別精度及其空間分布特征，它既為研究區域從事生態環境建模、土地覆被變化、自然資源調查等領域的科學研究提供了數據選擇的依據，也可為未來大尺度土地覆被遙感制圖的重點研究方向提供參考。

1 數據源及其預處理

1.1 土地覆被遙感數據

表1列出了本文待驗證土地覆被遙感產品的基本信息，其中FROM由清華大學研制，為30 m分辨率土地覆被遙感產品，該數據的時間基點為2010年，共采用8 903景Landsat TM/ETM+數據，其中約80%遙感影像的獲取時間為2009—2011年間，該數據采用2級分類體系，其中一級分類包含10個類別，二級分類包含27個類別。為了保持和其他3種土地覆被遙感產品的空間分辨率一致，本文所采用的FROM并非原始的30 m分辨率產品，而是由俞樂等人采用比例聚類法變尺度轉換后的250 m分辨率數據，該數據全球尺度的總體精度為69.5%[12]。GLOBCOVER 由歐洲空間局研制，時間基點為2009年，該產品以2009年1—12月MERIS 傳感器的13個波段數據作為輸入數據，采用 Plate-Carrée投影，其空間分辨率為 300 m，采用聯合國聯農組織的土地覆被分類系統(land cover classification system,LCCS)，共包含22個類別，經研發團隊驗證該數據在全球尺度的總體精度為70.7%[13]； MODIS COLLECTION5(以下簡稱MODIS)由美國波士頓大學研制，時間基點為2010年，該產品采用2010年1月— 2010年 12 月的 TERRA/MODIS影像數據作為輸入信息，空間分辨率為500 m，采用 IGBP 土地覆蓋分類系統，包含17個類別，全球尺度該數據的總體精度為74.8%[8]； 歐洲航空航天局為了滿足全球氣候演化模型對于土地覆被信息的需求，以MERIS地表反射率合成數據、時間序列SPOT-VGT數據為輸入信息，采用時空聚類及機器學習分類算法，分別研制了300 m分辨率的2000年，2005年和2010年3個時間基點的全球尺度土地覆被遙感產品(ESACCI)，該產品采用LCCS分類體系，包含22個類別，本文所用數據的時間基點為2010年，全球尺度該數據的總體精度為74.4%[14]。

表1 多源土地覆被遙感產品信息表Tab.1 Information illustration of land cover products

1.2 參考數據

本文共涉及6種全球尺度土地覆被遙感產品驗證數據集，這些數據集均可從互聯網免費下載(下載網址為http: //www.gofcgold.wur.nl/sites/gofcgold_refdataportal-glc2k.php； http: //geo-wiki.org/)，供各國研究者在驗證時參考使用。GLC2000參考數據是在原始GLC2000參考數據基礎上，再次通過野外實地調查、Google Earth影像對比等手段獲取的改進版本，刪除了原始數據中存在類別錯分的樣本，該數據采用分層采樣策略，全球共有1 253個樣本，共分為11種土地覆被類別，經驗證其類別精度為95%以上[10]。GLOBCOVER產品的參考數據由經全球分層隨機采樣的4 258個樣本構成，每個樣本在解譯過程中除了參考對應時期的Google Earth影像外，產品研發方還提供了2000—2007年的NDVI數據，以便從物候特征角度提高樣本的解譯精度，解譯過程由全球范圍內土地覆被制圖領域相關專家完成，這些專家均具備扎實的理論基礎和豐富的遙感圖像處理經驗。為了降低尺度效應對于土地覆被遙感產品的驗證精度的影響，GLOBCOVER參考數據要求每個樣本的覆蓋范圍為1 500 m×1 500 m。本文所用參考數據是在原始數據基礎上，經過地表土地覆被類別均質性篩選的500個樣方，且每個樣方均進行了野外實地驗證，其精度達100%[15]。The System for Terrestrial Ecosystem Parameterization (STEP)參考數據最初是為了驗證全球陸表生態模型所需的土地覆被信息精度，該參考數據以GIS軟件中通用的多邊形格式存儲，為了保證參考數據的實時性，研發團隊定期對其進行更新，該數據采用IGBP分類體系[16]。VIIRS參考數據以全球氣候分區為依據，采用隨機分層抽樣方式在全球布設500個樣本點，每個樣本覆蓋范圍為5 km×5 km，樣本多選擇在大尺度土地覆被制圖過程中景觀異質性較強及類別組成較為復雜區域，為了保持與當前土地覆被遙感產品空間分辨率的一致性，在每個樣本覆蓋范圍內二次劃分為25個1 km×1 km的空間格網，每個格網內的土地覆被類別及組成均由遙感專家在植物生長季內空間分辨率不低于2 m的高分遙感數據上完成[17]。GEO_WIKI是以Google Earth為平臺開發的一個免費的全球尺度土地覆被驗證數據庫，其數據由世界各國土地覆被遙感制圖領域專業人員提供，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，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條可供使用的數據[18]。GLCNMO參考數據是由全球制圖國際委員會為評價全球尺度GLCNMO產品的精度而采用的驗證數據，該數據采用IGBP分類體系，但并不包含建設用地、冰雪等類別[19]。6種參考數據在中國區域的空間分布如圖1所示。

圖1 中國區域參考數據空間分布圖 (審圖號： GS(2016)2885號)Fig.1 The spatial distribution of referenced data in China

本文所采用的參考數據集均為以ArcGIS SHP格式存儲的點類型，每個點所代表的土地覆被類別為對應參考樣方中心點處土地覆被信息。在精度評價過程中，通過ArcGIS軟件中的點屬性提取功能，獲取待驗證土地覆被數據集對應位置的土地覆被類別，并將類別假設為該點所在像元的土地覆被類別，通過逐點之間的一一比較，構建土地覆被類別誤差矩陣。

1.3 數據預處理

為了完成研究區域異源土地覆被遙感產品的精度評價，首先將各種待評價土地覆被遙感產品及參考數據統一到相同的空間參考框架下，鑒于本文重點研究各種產品土地覆被類別的面積精度，因此選擇阿爾伯斯等積投影作為空間參考基準，將所有的待驗證數據及參考數據在ArcGIS軟件中完成空間參考轉換。由于GLOBCOVER和ESACCI的空間分辨率為300 m，而FROM和MODIS數據的空間分辨率則分別為250 m和500 m，為了實現空間分辨率的統一，參考已有研究[20]，采用最鄰近像元插值法將FROM和MODIS這2種數據集的的空間分辨率重采樣為300 m。

如1.1所述，FROM，MODIS，ESACCI和GLOBCOVER 4種土地覆被遙感產品及參考數據所采用的分類體系在描述陸表覆被信息的詳細程度上有所差異。例如，FROM數據并沒有對林地的物候作出細分； GLOBCOVER和ESACCI定義了較多的混合類別； GEOWIKI僅將參考樣本劃分為林地、草地、灌木、耕地等9個一級類別，沒有考慮木本及草本類別的物候及郁閉度。為了驗證的可行性，需要將所有的待驗證數據及參考數據統一到同一分類體系，在已有研究基礎上[16-19]，將待驗證數據及參考數據的土地覆被類別聚合為林地、灌木、草地、耕地、水域/濕地、建設用地、永久性冰雪及裸地 8個類別，表2中詳細列舉了每種聚合后類別所對應的不同土地覆被遙感數據的原有類別編碼，例如，林地在FROM數據中的類別編碼為20，而在GLOBCOVER數據中的類別編碼為40，50，60，70，80，90，100，110，160和170，而在MODIS數據中對應的編碼為1，2，3，4，5，其他類別以此類推。由于STEP和VIIRS數據采用和MODIS完全相同的分類體系及類別聚合方法，因此在表2中并未列出。

表2 聚合土地覆被類別與原始土地覆被數據類別對應表Tab.2 The correspondingTable of aggregated land cover classes and original classes of the GLC datasets

表3揭示了聚合后的中國區域參考數據類別結構。從表中可以看出，參考數據中各種類別的比例并不均衡，存在較大的數量差異。其中耕地、建設用地、林地、草地4種類別的數量較大，其總和約占參考數據總量的83%； 而水域、灌木、裸地及冰雪的參考數據則較少，尤其是水域和裸地，僅占參考數據總量的0.98%和1.75%。

表3 中國區域參考數據土地覆被類別及組成Tab.3 The category percent of referenced data in China

2 研究方法

誤差矩陣是土地覆被遙感產品精度評價最常見的方法之一。該方法主要通過比較參考數據和待驗證數據在特定位置處的類別一致性，進而建立二者之間的交叉二維表格(即類別誤差矩陣)，并以此為基礎，計算出能夠表達待驗證產品精度的生產者精度、用戶精度、總體精度等一系列指標。各指標計算公式[20]為：

(1)

(2)

(3)

式中：xii為i類土地覆被類別正確分類的像元數(本文中i的取值為1,2,3,4,5,6,7,8)；n為研究區域總的像元數；xi+為待驗證土地覆被產品中i類別的像元總數；x+i為參考數據中i類別的像元總數。

誤差矩陣盡管可以從宏觀上揭示不同土地覆被數據的類別精度，但無法從空間上展示數據間類別的一致性。為此，筆者在GIS軟件中將4種土地覆被數據在空間上進行疊加，從像元尺度揭示4種數據類別的一致性分布特征。計算的結果將歸納4個類別，分別為： ①完全一致，4種數據在對應像元表現出完全相同的土地覆被類別； ②基本一致，4種數據在對應像元表現出僅有2種土地覆被類別； ③不一致，4種數據在對應像元呈現出3種不同的土地覆被類別； ④完全不一致，4種數據在對應像元呈現出4種完全不同的土地覆被類別。

3 結果與分析

3.1 土地覆被類別面積一致性比較

圖2揭示了FROM，MODIS，GLOBCOVER和ESACCI 4種土地覆被遙感產品不同類別的面積一致性。從圖2中可以看出，林地、草地、耕地和裸地是研究區域的主要土地覆被類別，而灌木、水域/濕地、建設用地及永久性冰雪則相對較少。4種產品的林地面積相對較為接近，分別占研究區域總面積的22.9%，18.5%，17.7%和21.3%，其最大面積差為研究區總面積的5.2%； 對于草地而言，FROM，MODIS和ESACCI 3種產品的草地面積均明顯高于GLOBCOVER，其中FROM，MODIS和ESACCI的草地面積比例分別為26.2%，30.1%和24.7%，而GLOBCOVER則僅為11.4%； 與草地面積比例相反，GLOBCOVER的耕地面積比例最高，為34.2%，高于FROM的13.6%，MODIS的20.0%和ESACCI的28.6%； 對于裸地，FROM和GLOBCOVER這2種產品面積百分比幾乎相同，分別占研究區總面積的29.9%和30.0%，高于MODIS的22.13%和ESACCI的20.45%。由于灌木、水域/濕地、建設用地和永久性冰雪4種類別面積較少，4種產品的類別面積一致性較高，差異較小。

圖2 4種土地覆被遙感產品類別面積一致性比較Fig.2 Area consistent analysis of 4 land cover products

3.2 基于誤差矩陣的類別精度分析

根據式(1)—(3)，計算參考數據與待評價4種土地覆被遙感產品在研究區域的誤差矩陣，獲取不同土地覆被類別的總體精度、用戶精度和生產者精度。結果表明： FROM產品和參考數據具有最高的總體一致性，其總體精度為0.69，MODIS和ESACCI次之，其總體精度分別為0.67和0.65，GLOBCOVER的總體精度最低，為0.55。盡管總體精度可以從宏觀上表達每種土地覆被遙感產品的可靠性，但對于特定的科學應用領域，具體的類別精度顯得更為重要。

(a) 生產者精度 (b) 用戶精度

圖3不同土地覆被類別的生產者精度和用戶精度比較

Fig.3Comparisonbetweendifferentlandcoverproductsaboutproduceraccuracyanduseraccuracy

圖3揭示了4種土地覆被遙感產品不同土地類別的生產者精度和用戶精度。從圖3(a)中可以看出，耕地和裸地具有最高的生產者精度，4種產品該兩種類別的精度均高于70%。 FROM，MODIS和ESACCI 3種產品的林地和建設用地生產者精度較高，均大于75%，但GLOBCOVER的林地和建設用地的生產者精度均較低，為50%左右。4種產品灌木和水域/濕地的生產者精度均較低，其中ESACCI產品灌木的生產者精度僅為1%，經分析，有32.52%被錯分為林地，有22.76%被錯分為草地，有39.84%被錯分為耕地。

圖3(b)顯示，所有土地覆被類別中，林地、耕地和建設用地的用戶精度較高，且相互差異較小，灌木、水域和裸地的用戶精度存在較大差異，如FROM產品灌木的用戶精度為55.56%，而ESACCI產品灌木的用戶精度僅為10.25%，兩者相差45.31%，FORM產品水域/濕地的用戶精度達100%，說明該產品該類別具有非常高的類別質量，而GLOBCOVER產品的水域/濕地的用戶精度僅為22.23%，兩者相差77.77%。

圖3表明4種土地覆被遙感產品灌木類別的生產者精度和用戶精度均較低，除MODIS產品該類別的用戶精度高于50%外，其余均低于30%，這說明，對于大尺度土地覆被制圖而言，現有的分類算法難以精準獲取陸表灌木類別的分布信息，因此如何提高灌木類別精度，降低其與林地、草地、耕地的混淆是未來土地覆被制圖領域亟需解決的重要問題。

3.3 多源數據類別空間一致性分析

圖4從空間角度闡明了FROM，MODIS，GLOB-COVER和ESACCI4種數據在中國區域的類別一致性特征。結果表明，完全空間一致性區域約占研究區總面積的39.03%，主要分布于我國東北的林業、農業區，西北的裸地荒漠區和華北的耕地區，這些地區陸表土地利用類型較為簡單，地物光譜特征比較容易識別且呈現出一定的物候規律特征； 基本一致區域的分布符合土地覆被類別的區域變量特點，其主要位于完全一致區域的周邊，其面積約占研究區總面積的40.67%，具體分布在青海省與西藏自治區交接處、四川省中部和內蒙古自治區東北部，這些地區陸表的土地利用類型主要表現為裸地、草地及二者的混合類別； 不一致區域的面積約占研究區總面積的18.56%，主要分布于青藏高寒區中部、遼寧省南部、黑龍江、吉林、遼寧三省與內蒙古自治區交界的條帶區域，相對于上述2個分區，這些地區土地覆被類別較為復雜，陸表土地類別呈現明顯的異質性特征，耕地、林地、灌木和草地交錯分布； 完全不一致區域約占研究區總面積的1.74%，主要分布于甘肅省中部。

圖4 中國區域多源數據類別一致性空間特征 (審圖號： GS(2016)2885號)Fig.4 The spatial map of different land cover category consistencyin China

4 結論與討論

1)4種大尺度土地覆被遙感產品的林地、耕地、建設用地和裸地等類別均具有較高的生產者精度和用戶精度。因此，對于全球或國家尺度森林面積調查、糧食產量預測、城市用地擴張等研究領域，4種數據均可提供較為精準的基礎數據； 相對于上述類別，4種產品灌木類別的生產者精度和用戶精度均較低，其類別混淆主要發生于林地、草地和耕地之間，因此未來如何提高大尺度低分辨率遙感數據灌木類別的識別精度，有效降低該類別與耕地、林地和草地間的錯分是當前亟待解決的問題.

2)研究表明FROM產品和MODIS產品在總體上表現出較高的類別精度，優于GLOBCOVER和ESACCI兩種產品。GLOBCOVER盡管采用的基礎數據為300 m分辨率地表反射率信息，但其總體精度則低于500 m分辨率的MODIS數據。這說明對于土地覆被遙感制圖而言，除了需關注原始數據的空間分辨率外，采用適合的影像分類算法同樣可以提高土地覆被信息的提取出精度。

3)多源數據類別一致性圖譜表明，4種數據土地覆被類別結構單一區域具有較好的類別一致性，可以準確識別林地、耕地、裸地等均質性較強的土地覆被類別。但對于青藏高寒區、中國西南區域等景觀異質性區域，則表現出較差的類別一致性。

4)本文以國際組織發布的權威數據為參考，從國家尺度驗證了當前的4種土地覆被遙感產品的類別精度。但已有研究表明，土地覆被類別精度具有空間分異特征，國家尺度的精度特征并不能代表全球或區域尺度，因此從全球及區域尺度對4種產品分別進行精度評價是今后要開展的必要工作。盡管國際組織發布的驗證數據的精度較高，但其數量相對較少，且各種類別所占的數量比例不均衡，無法滿足地理分層抽樣理論對于與土地覆被遙感產品精度驗證的要求。自從2007年公眾自發地理信息(volunteered geographic information，VGI)的概念出現以來，這類數據日益增多，已被廣泛應用于生態評價、冰川調查、植被分類等眾多研究領域。因此如何利用自發地理信息來補充現有驗證數據在數量上的不足，進而實現土地覆被遙感產品地理分層抽樣驗證也是未來需要開展的工作。

志謝： 本文所用數據來源于清華大學地球系統科學研究中心、美國波士頓大學、歐洲航天局等科研機構，河北工程大學“地質資源與地質工程”雙一流學科為本文工作的開展提供了資金支持，在此一并表示感謝。