多源土地覆被產品在長三角地區的一致性分析與精度評價

陳逸聰，邵 華，李 楊

多源土地覆被產品在長三角地區的一致性分析與精度評價

陳逸聰1，邵 華1※，李 楊2,3

（1. 南京工業大學測繪科學與技術學院，南京 211816；2. 南京師范大學虛擬地理環境教育部重點實驗室，南京 210023；3. 江蘇省地理信息資源開發與利用協同創新中心，南京 210023）

土地覆被數據是全球環境問題，人類活動對生態系統影響評估等相關研究的重要數據源。近年來國內外生產了眾多全球尺度或國家尺度上的土地覆被數據集，這些數據集在應用于特定區域研究時精度的可靠性以及多源數據集間的一致性對數據集的選擇有著重要意義。該研究以長三角為研究區域，采用混淆矩陣、構成相似性分析和空間一致性分析等方法，對CCI_LC、FROM-GLC、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC 6種土地覆被數據集進行了基本精度驗證及一致性分析，并探討了面向不同用戶需求的土地覆被數據產品的適用性。結果表明：CCI_LC、FROM-GLC、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC在長三角地區的總體精度分別為76.89%、78.42%、84.67%、74.26%、80.61%和85.43%；產品間土地覆被類型面積估算的相關系數均大于0.9；FROM-GLC、GLC_FCS30和GlobeLand30三套產品對長三角地區65.51%的土地分類有完全一致性，產品間一致性分別為72.23%、77.99%和76.41%。6種產品對于廣泛分布且占研究區大部分面積的耕地、林地、水體和建設用地具有較好的分類精度，濕地、裸地、灌叢和草地分類結果較弱，需要輔助其他數據產品使用。結合地形地貌分析來看，長三角地區土地覆被分類精度整體受地形起伏影響較小，但丘陵密布的浙江省的部分區域受地形影響出現了分類不穩定的情況。從城市發展的角度看，長三角地區土地覆被分類精度受到城市經濟發展活躍程度影響。面向用戶應用需求來看，耕地類型上CGLS_LC數據具有最優表現，林地和建設用地類別上GLC_FCS30和CGLS_LC具有相近的優秀表現，而水體類別則是FROM-GLC數據更具有優勢。

土地利用；遙感；土地覆被數據；精度分析；一致性分析；類別混淆

0 引 言

土地覆被是地球陸地表層各種物質類型及其自然屬性與特征的綜合體，是自然過程和人類活動共同作用的結果[1]。其空間分布反映著人類社會經濟活動過程，決定著地表的水熱和物質平衡，其變化直接影響到生物地球化學循環，改變著陸地-大氣的水分、能量和碳循環，以致引起氣候變化[2]。得益于衛星遙感技術以及計算機技術的巨大進步，近年來產生了大量優質的全球中高分辨率影像以及先進的分類算法，都極大地促進了全球土地覆被數據產品空間分辨率（下文簡稱分辨率）和精度的提高，數據分辨率從原先1 km提升到500 m、300 m、100 m[3]，甚至到30 m和10 m，面向應用分析需求的全球高分辨率土地覆被產品開始出現。近年來，中國發布了多套全球30 m分辨率土地覆被產品，主要包括清華大學研制的FROM-GLC[4]（簡稱FROM）、國家基礎地理信息中心研制的GlobeLand30[5]和中科院研制的GLC_FCS30[6]數據，國外機構研制的如哥白尼全球土地服務研制的CGLS_LC100[7]（簡稱CGLS_LC）數據分辨率達到了100 m，歐洲空間局研制的CCI_LC[8]數據為300 m分辨率數據產品，日本空間信息管理局研制了500 m分辨率的GLCNMO[9]數據產品，都成為了區域以及全球相關研究的重要數據源。

由于大部分土地覆被產品的主要數據源為遙感影像，生產時常受到混合像元及“同譜異物，同物異譜”等因素的限制，特別在地類分布較為破碎的地區，這些限制帶來的精度下降尤為明顯，致使用戶在實際選擇使用這些數據時存在著一定的不確定性，因此全球尺度的數據產品的地區精度也是大家關注的熱點。近年來，國內外專家針對不同的土地覆被數據產品在不同的研究區開展了大量的相關研究，包括精度評價[10-14]、一致性評價[15-17]以及通過評價結果分析影響分類精度的因素[18-20]等。現有研究在尺度上主要以洲際[21-23]和國家[24,25]尺度居多，且研究主要還是對整個區域內少量數據產品開展的精度評價。而土地覆被產品，在局部是否可以較好地滿足研究需求，以及在多套相同時相和分辨率的土地覆被數據產品中，如何根據用戶的應用需求進行選擇等問題，有待進一步研究。同時，若只使用基本精度評價可能會因為樣本點的選擇不具有足夠的代表性，從而導致土地覆被產品的評價結果有偏；而只采用一致性評價對于研究結果而言并不能直觀得出產品在整體或是單類別的精度狀況，通過結合基本精度評價和一致性評價可以更全面地評價土地覆被產品的質量。本文以城市化進程較快的長江三角洲地區（簡稱“長三角”）為研究區，選擇分辨率優于500 m的6種覆蓋全球的土地覆被數據產品（分別為FROM、GlobeLand30、GLC_FCS30、CCI-LC、CGLS_LC和GLCNMO），通過構建高精度的樣本數據，分析6套數據產品在城市群尺度上的總體、單類別精度特征和一致性分布特征，討論相同時相和分辨率的多源數據產品在研究區內出現分類不一致的客觀因素，并面向用戶需求，提供多源全球土地覆被數據產品的選擇依據，同時也為數據生產者改進局部生產精度提供建議與參考。

1 研究區概況及數據預處理

1.1 研究區概況

研究區依據國務院2019年12月批準的《長江三角洲區域一體化發展規劃綱要》內規劃范圍，包括上海市、江蘇省、浙江省、安徽省，區域面積約35.8萬km2[26]。該區域是中國經濟發展最活躍、開放程度最高、創新能力最強的區域之一，在國家現代化建設大局和全方位開放格局中具有舉足輕重的戰略地位[26]。作為世界上最大的城市化群之一，受政策、經濟發展和人口增長等人文因素驅動，長三角地區在快速城鎮化的進程下，土地覆被也發生著巨大的變化，對耕地、水體、林地等地類變化影響較大，同時環境問題也隨之加劇。

1.2 數據概況及預處理

本文所選擇的土地覆被分類產品的詳細參數如表1所示。在進行精度評定和一致性比較前，針對6套土地覆被數據產品及驗證點進行預處理分析，包括數據投影、分類體系、分辨率的統一處理分析。首先，對6套土地覆被數據產品進行拼接、裁剪，由于本文在一致性比較時，涉及產品所獲得各地類的面積比較，故將6種產品統一投影至Albers等積圓錐投影下，以保證在面積比較時具有較高的可信度。同時，針對每個數據集中所包含的特殊像元也進行剔除處理，這里包括土地覆被數據產品中存在的0值或填充值255、FROM數據產品中云類型值、部分產品中有少量長三角地區不存在的類別（如永久冰雪等），以保證后續研究中不存在類似像元的干擾。

表1 全球土地覆被產品參數表

統一的分類體系是比較不同來源土地覆被產品的基礎性前提，選擇簡化分類可以減少詳細土地覆被類型的多樣化可能會帶來的更多不確定性[19]，本文中的6種土地覆被產品均采用不同的分類體系，由于GlobeLand30分類體系只有1級，因此本文在驗證之前參照各個產品分類標準的解釋，以GlobeLand30的分類體系為基準，結合研究區特點，對分類體系進行了統一，最終將每套數據聚合成了8個類別，分別是耕地、林地、灌叢、草地、水體、濕地、建設用地和裸地，各個土地分類產品在研究區內的具體類別對應如表2所示，表中各產品代碼所代表類別與其發布的類別代碼一致。

表2 土地覆被產品類別聚合規則

由于參與評價的數據產品的分辨率分別為30 m、100 m、300 m和500 m，若直接進行逐像元的一致性比較，需要統一升尺度至1 500 m，將損失大量數據產品的細節。故本文在進行逐像元一致性比較時，只針對3種30 m分辨率下土地覆被數據進行了分析。在逐像元一致性比較前，對3種數據產品進行了疊加分析，在任意產品中如存在像元的空缺情況，則也將其他產品中該位置上的像元剔除。

2 研究方法

2.1 土地覆被驗證數據構建

本文使用野外調查數據和高分辨率遙感影像、多源多時相遙感數據解譯2種方法獲取土地覆被驗證數據。野外調查數據為課題組2016年對上海市和浙江省共12個市進行實地調查獲得，通過手機獲取采樣點坐標，并拍照記錄采樣點土地覆被類型。因考慮到研究的基準年份與野外調查時間略有差異，本文對實地采樣數據進行了目視判讀確認，保證樣本的準確性，盡量排除一些在地物邊緣容易產生地類變動的樣點。由于野外調查樣本數量相對較少，且分布于研究區的東南面，結合遙感數據樣本解譯的一般規則[11,27]，本文采用規則格網將研究區分割，使用Google Earth高分影像數據輔助區域內30 m的多時相Landsat系列數據進行目視解譯，為了減少使用點狀要素采樣因尺度因素產生的誤差，本文選擇在格網中心區域進行采樣，保證所采樣本主要分布于具有一定范圍的均質區內，以提高解譯樣本的精度。最終形成以2015年為基準年份的驗證數據集共913個樣本點（其中571個高精度解譯樣點），包括8種土地覆被類型：耕地、林地、草地、灌叢、濕地、水體、建設用地以及裸地，樣本點分布如圖1所示。

2.2 面向城市群的土地覆被數據產品精度評價方法

2.2.1 基本精度評價

混淆矩陣作為遙感制圖領域中最為常見的精度評定方法之一，是在比較多種數據產品精度時的一個基本度量方法。本文分別生成了6種土地覆被分類數據與參考數據的混淆矩陣，得到總體精度（Overall Accuracy，OA）、Kappa系數（）、使用者精度（User Accuracy，UA）和生產者精度（Producer Accuracy，PA），以評價6種土地覆被產品在長三角地區的分類精度情況，計算方法如下：

式中是參與評價的樣本總數；是混淆矩陣中行列數；x為混淆矩陣中第行、第列上的樣本數；x和x分別為第行和第列的樣本總數。

2.2.2 一致性精度評價

根據土地覆被產品的不同應用需求，在對多套土地覆被分類數據集進行比較時，往往會使用多種不同的一致性評價方法。本文采用構成相似性分析方法，比較6套產品在各土地覆被類型面積構成上的一致性情況。通過計算產品中各類型所占比例反映不同產品對研究區的總體刻畫，并采用產品間各類別面積估算結果的相關性系數[24]衡量產品的構成相關性，相關性系數越接近于1表明兩種產品的相關性越強，等于1時則表明A產品中某類別與B產品中該類別在面積估算上存在線性關系，計算公式如下

為了進行逐像元的空間一致性分析，描述不同產品間的土地覆被類型在空間上的混淆程度。針對3種30m分辨率的土地覆被分類數據集，采用空間疊加的方法，獲得不同產品之間逐像元的空間對應關系，將這些關系定義為：完全一致性（像元處3種產品分類均相同）、部分一致性（像元處有2種產品分類相同）、無一致性（像元處3種產品分類均不相同）。為能對研究區內產品的一致性有一個更加清晰的描述并找出產品間不一致性較高的區域，將一致性結果與規則格網疊加，得到研究區內每個單元的不一致比例。由于Kappa系數在表達產品間一致性程度時，與總體一致性所表現的內容存在一定的重復。故在3套產品兩兩間生成混淆矩陣后，計算數量不一致以及分配不一致[28]以獲取產品間更明確的不一致特征，這兩種評價指標分別代表參與比較的產品間類別比例的不一致程度以及給定類別比例下導致的類別空間分配中的不匹配程度。該評價指標細化了產生產品間不一致的原因，為更加客觀地評價產品可用性程度提供了幫助，近年來也得到了一定的應用[29]。具體計算公式如下：

其中和分別是數量不一致和分配不一致；是總體誤差；是類別總數目；n是在一種產品中分類為類別在另一種產品中分類為類別的像元數量；P是n在研究區的估計比例；N是類別像元的總個數；q和a分別是類別的數量不一致和分配不一致。

3 結果與討論

3.1 基本精度評價結果

通過基本精度評價公式計算得到6種土地覆被產品與驗證數據生成的混淆矩陣，如圖2所示，總體精度和Kappa系數如表3所示。根據基本精度評價結果來看，6種土地覆被產品的總體精度均保持在70%以上，總體而言6種產品在長三角地區都具有較好的分類精度以及使用的可靠性；FROM、GLC_FCS30、GlobeLand30和CGLS_LC在長三角地區4個主要土地覆被類型林地、耕地、水體和建設用地上的使用者精度均高于75%，最高達到了97%；在30m分辨率的土地覆被產品中，GLC_FCS30產品表現出更優的分類精度。

對6種產品的混淆矩陣進行進一步分析可以發現，除了CGLS_LC 100 m分辨率數據產品的總體精度（85.43%）高于3種30 m分辨率的土地覆被產品（最高84.67%）外，隨著產品分辨率的提高分類精度總體上呈現上升趨勢。從數據源的角度來說產生這一現象的原因主要有兩點：一是隨著數據源影像分辨率的提高，待分類地表類型的復雜程度增加，這給分類算法的能力提出了更高的要求；二是與3種30 m分辨率產品主要使用的Landsat系列衛星不同，CGLS主要使用了PROBA-V衛星數據，長三角地區的植被覆蓋度占整體的80%以上，該衛星搭載的傳感器對于植被有著更強的觀測能力，對于研究區而言該產品可能會有更好的描繪。

表3 長三角地區土地覆被產品遙感制圖精度

3.2 一致性評價結果

根據構成相似性分析的計算結果，得到長三角地區6種不同土地覆被產品兩兩間對各土地覆被類型面積估算的相關系數以及構成產品的各地類占總面積的比例，如表4和圖3所示。

表4 6套土地覆被產品間相關系數

6種產品的相關系數均大于0.9，表明在面積估算上產品間具有較高的相關性，不同產品間對地類所占面積比例的估算在總體上較為接近。特別是在GlobeLand30、GLCNMO和GLC_FCS30三種數據產品以及FROM和CGLS_LC這兩組產品中，各土地覆被類型面積所占比例的差異最大不超過5.2%，表明在估算研究區各土地覆被類型面積時產品間結果相似，在不考慮各類型空間分布的前提下，組內產品土地覆被面積估算結果在使用時具有同一性。進一步分析不同土地覆被類別在各個產品中的占比，可以發現就單個類別而言在部分產品間還是存在較大差異，如耕地在CCI_LC中占比達到了65.9%，而在CGLS_LC中卻只有43.8%，相差了20%以上，同時在林地類別上CCI_LC較CGLS_LC缺少了約11.1%的面積比例，產生這一現象的部分原因是在CGLS_LC中果樹等多年生木本作物被分類為了林地或灌叢類別，而在CCI_LC產品中這些地類被分為了耕地，這同時也導致了CGLS_LC與CCI_LC在產品面積估算上相關系數偏低。GlobeLand30與其他5種土地覆被分類產品構成的相關系數平均值最高，表明其在地表各土地覆被類型面積的估算中與其他產品達成了較高的相關性，具有較高的可信度。

對長三角地區30 m土地覆被分類產品進行逐像元空間一致性分析，結果如圖4、圖5和表5所示，其中具有完全一致性的像元占比最大，達到了65.51%；而具有部分一致性的像元大約占30.10%，即被2個以上土地覆被分類產品分類為同一地類的像元數之和超過了95%，占研究區域的絕大部分，3個土地覆被產品未達到一致的區域僅占4.39%。3種產品兩兩間的總體一致性較為接近且均大于70%，表明產品間具有較好的一致性。

從3種數據集間不一致產生原因來看，GlobeLand30與其他2種產品在研究區內所含不同土地覆被類型數量不一致性較低，其主要分歧發生在對于已有類別的位置分配；相反的是FROM和GLC_FCS30則在位置分配上具有較低的不一致，但是在數量上存在一定的分歧。產生上述不確定像元的可能原因包括：1）在對分類系統進行聚合時，不同分類系統對于部分地類的定義存在著區別，聚合后也存在著一定的誤差；2）耕地、林地、草地、灌叢在研究區多見交錯出現，且4種地類均為植被，在光譜上具有一定的相似性，可能會對分類產生一定的影響；3）地表覆蓋類型的復雜程度也是影響分類一致性的重要原因，在30 m分辨率尺度上，景觀斑塊較為破碎產生的混合像元因采用的分類方法不同而有所差異。尤其是長三角地區覆蓋的三省一市處于東南沿海地區，城鎮化發展較快，在土地覆被由自然地表轉為人工表面的過程中容易出現較為復雜的地表構成；而浙江省的地形以丘陵為主，耕地分布在丘陵山地中與喬木、竹子等植物混雜；沿海島嶼本身面積較小且土地覆被格局復雜，都給分類帶來了一定的不確定性。

表5 三種30 m分辨率產品間一致性

土地覆被分類的精度與地形地貌具有一定的相關性[20]，本研究結合長三角地區高程數據，對不一致像元進行了進一步的分析，生成了研究區內地表粗糙程度（使用10′10像元內高程的方差表示），并將原始高程數據以及地表粗糙程度分為了12和6個不同的分帶，同時計算了在不同高程及地表粗糙程度分帶下無一致性像元占其總數的比例與各分帶像元數占像元總數比例的相關系數以及兩比例間差的絕對值。相關系數分別為0.934和0.923，而差的絕對值不超過8%，且各分帶下出現無一致性像元的比例占分帶像元數7%以內，表明無一致性像元在各分帶的分布與各分帶的像元總數有強相關性。對長三角地區總體而言，高程對土地覆被分類精度的影響有限，這可能與長三角大部分區域比較平坦有很大的關聯。而浙江省多丘陵，地形變化較快，故對浙江省進一步分析，結果如表6所示，較平坦地區的無一致性像元占比高于分帶像元占比約12個百分點，而粗糙地區則低于分帶像元占比約14個百分點，同時較平坦和較粗糙區域出現的無一致性像元占其總數約60%。這表明在地形起伏較為顯著的浙江地區土地覆被分類的精度受地表粗糙程度的影響較強，但粗糙度到達一定程度后，由于不適于人類開發等原因，土地覆被類型較為單一，以一級類林地為主，使得土地覆被分類的結果較為穩定。

表6 不同地表粗糙程度等級下分帶像元和不一致性像元占比

此外，由于人類經濟活動對土地覆被類型也有很大影響，本文結合城市發展角度，按各市2015年人均生產總值將長三角41個地級市劃分為了3個發展階段。其中人均生產總值低于5.3萬元的16個地級市所含無一致性像元的比例均低于5%，絕大部分城市包含無一致性像元比例低于4%小于研究區整體值4.39%；而人均生產總值高于9.0萬元的11個地級市中，出現無一致性像元的比例均超過4%，絕大部分城市超過了5.5%。表明城市經濟發展較為活躍的地區，人類活動會增加地表的破碎程度使得土地覆被復雜化，從而降低分類精度。

3.3 面向用戶需求的評價結果分析

從3.1和3.2節的分析可以看出，6套數據產品的精度都可以基本滿足用戶需求，但對于只關注或對某種地類有針對性需求的用戶而言選擇合適的數據仍有一定的困難。因此面向長三角區域內不同研究需求，本文對6種產品進一步分析，探討針對特定地類合理的選擇更為合適的數據產品。在研究區內的濕地、裸地、灌叢和草地4個類型分類精度較低，從區域尺度可能無法單純依靠這6套數據產品開展濕地、裸地、灌叢和草地相關研究，這與長三角地區地類的尺度有關，相關產品分辨率產品很難精細刻畫。

基于此，本文針對4種主要土地覆被類型選擇使用者精度和生產者精度的平均值（Avg）、差值的絕對值（Dif）作為產品對單一地類識別能力的評價標準，結果如表7所示，對于一級類耕地、林地、水體和建設用地的分類結果而言，6種產品都具有較好的分類精度，但也存在著一定的差別。耕地類選擇上，CGLS_LC在耕地分類上具有最高的平均精度，其使用者精度與生產者精度的差異也只有5%，研究需要使用到耕地類別時具有更高的選擇優先級。林地類的產品平均精度都在84%以上，其中GLC_FCS30和CGLS_LC表現出了相較其他產品更好的分類精度，同時由于產品的分辨率不同，用戶可以根據研究需要選擇30m或100m分辨率的數據產品。FROM數據在水體分類上平均精度達到85.38%，且相較于大多數產品使用者精度與生產者精度更加平衡，在進行相關研究中可優先選擇這套數據產品。建設用地類別相較林地類別雖然總體上精度略低，但GLC_FCS30和CGLS_LC兩套數據產品相對具有較好的分類結果，其中CGLS_LC產品精度較高主要得益于利用全球人居蹤跡（World Settlement Footprint，WSF）[30]作為輔助數據提供了對建設用地類別的識別能力。GlobeLand30受到評價樣本年份差異的影響，建設用地的精度影響一致性較弱，5a中研究區內的城市化程度加快，大量原本植被覆蓋的自然地表轉化為了建設用地是造成這一結果的原因之一。由于浙江地區的部分經濟發展較為活躍城市土地覆被分類精度受到高程及區域經濟發展程度的雙重影響，需要更加關注其可能出現的分類精度下降，在有條件的情況下盡量結合精度更高的專題土地覆被數據使用，以提高分類數據的準確性。

表7 六套產品在長三角地區單一類別精度評價

注：Avg和Dif分別為使用者精度和生產者精度的平均值和差值的絕對值。

Note: Avg and Dif are the average value and the absolute value of the difference between of user accuracy and producer accuracy.

通過本文的分析可以看到，中國研制的3套30m分辨率全球土地覆被數據在長三角地區的一級大類特別是主要大類的細節刻畫中均有較好表現，并且還具有分類精度更穩定的優勢，就分類體系而言，3套產品在分類級數上也存在不同，GlobeLand30只將土地覆被類型分類至了1級類別，而另外兩套產品則有對地表刻畫更為精細的2級類別，更加適合對地表子類別細節有更高要求的專題用戶。在2級分類體系上GLC-FCS30在部分區域相較FROM具有更精細的分類準則，這源于GLC_FCS30的分類標準中部分地類間存在包含關系，且2級類別類型數量也多于FROM。這使得在部分地區條件允許的情況下，GLC_FCS30對地表有著更細致的分類。從分類方法上看，GlobeLand30采用的“像元-知識-對象”（Pixel-Object-Knowledge，POK）在很大程度上提高了分類結果的精度減小了誤差的產生，但也在一定程度上也增加產品的生產成本與生產周期；FROM數據采用傳統的監督分類方法，具有制圖效率高、數據定量化要求低的特點，但訓練樣本存在更新困難的問題。GLC_FCS30采用圖像光譜庫進行監督分類對光譜敏感的土地覆被類型有著更好的細節刻畫，同時在不同年份的樣本更新層面上也相較傳統的樣本獲取分類方法具有更高效率和更低的成本的特點，但是對數據定量化要求較高，圖像光譜構建困難。相比較之下，GLC_FCS30數據分類穩定性最高，對所有類別的平均分類精度保持在80%以上，總體精度在3套產品中最高，其與另外兩種產品的一致性程度也都保持在75%以上。

4 結 論

本文選擇CCI_LC、FROM、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC 6種全球土地覆被分類數據產品，在長三角地區進行了精度評價以及一致性評價；并重點對GlobleLand30、FROM和GLC_FCS30 3種30 m分辨率的土地覆被分類數據進行了空間一致性研究。結果顯示：1）6種數據產品在長三角地區具有較高的總體分類精度；2）6種產品間土地覆被類別面積估算的相關性系數均大于0.9，在不考慮空間一致性的前提下，GlobeLand30、GLCNMO和GLC_FCS30以及FROM和CGLS_LC兩組產品在估算面積上組內具有較高的相關性；3）中國研制的3種30m分辨率土地覆被分類產品間的總體一致性分別為72.23%、77.99%和76.41%，各土地覆被類型在研究區內具有一定的一致性，可為本區域的相關應用研究提供較好的支撐數據；4）從面向用戶應用需求來看，CGLS_LC數據在耕地類型中具有最高的分類精度，GLC_FCS30和CGLS_LC在林地和建設用地類型中具有相近的較高分類精度，而FROM數據則是在水體類別具有最優分類精度，因本文選擇數據產品的尺度原因，6套數據產品在濕地、裸地、灌叢和草地專題分類精度較低，無法精確刻畫研究地類，因此需要輔助其他數據產品使用；5）長三角地區土地覆被分類穩定性整體受地形起伏影響較小，但是在主要地形分布為丘陵的浙江省的部分區域受地形影響出現了分類不穩定的情況。從城市發展的角度看，長三角地區土地覆被分類精度受到城市經濟發展活躍程度影響。

本文的研究成果可為長三角區域研究提供輔助決策支持，但是由于使用點狀驗證樣本在對粗分辨率的產品進行精度評定時會產生一定的尺度效應影響驗證結果，若使用基本像素單元組成的樣本塊作為驗證樣本將可能可以減弱這一問題。同時，本次研究只驗證了產品的一級分類精度，針對更細化的分類結果并沒有很好的評價其分類精度水平，后期還可以構建更精細的驗證樣本，對分類體系相近的精細土地覆被分類產品進行精度評定。此外，充分利用精度評定以及一致性評價后的結果，結合多源土地覆被數據產品的優勢進行數據產品融合，以提供綜合精度更高的面向區域研究的土地覆被數據產品也是后續工作的重要內容。

致謝：感謝國家科技基礎條件平臺—國家地球系統科學數據共享服務平臺—長三角科學數據中心（http://nnu.geodata.cn:8008/）提供數據支撐。

[1]廖安平，陳利軍，陳軍，等. 全球陸表水體高分辨率遙感制圖[J]. 中國科學：地球科學，2014，44(8)：1634-1645. Liao Anping, Chen Lijun, Chen Jun, et al. High-resolution remote sensing mapping of globe land water[J]. Science China: Earth Science, 2014, 44(8): 1634-1645. (in Chinese with English abstract)

[2]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，2011，9(2)：12-14. Chen Jun, Chen Jin, Gong Peng, et al. Higher resolution global land cover mapping[J]. Geomatics World, 2011, 9(2): 12-14. (in Chinese with English abstract)

[3]Grekousis G, Mountrakis G, Kavouras M. An overview of 21 global and 43 regional land-cover mapping products[J]. International Journal of Remote Sensing, 2015, 36(21): 5309-5335.

[4]Gong P, Wang J, Yu L, et al. Finer resolution observation and monitoring of global land cover: First mapping results with Landsat TM and ETM+ data[J]. International Journal of Remote Sensing, 2013, 34(7): 2607-2654.

[5]Chen J, Chen J, Liao A P, et al. Global land cover mapping at 30 m resolution: A POK-based operational approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103: 7-27.

[6]Zhang X, Liu L Y, Chen X D, et al. GLC_FCS30: Global land-cover product with fine classification system at 30 m using time-series Landsat imagery[J]. Earth Syst. Sci. Data Discuss, 2020, 2020: 1-31.

[7]Buchhorn M, Lesiv M, Tsendbazar Nandin-Erdene, et al. Copernicus global land cover layers-collection 2[J]. Remote Sensing, 2020, 12(6): 1044.

[8]CCI Land Cover. CCI-LC-PUGv2[R]. UCL-Geomatics, 2017.

[9]Kobayashi T, Tateishi R, Alsaaideh B, et al. Production of global land cover data – GLCNMO2013[J]. Journal of Geography and Geology, 2017, 9(3): 1-15.

[10]朱筠，孫九林，秦奮，等. 2015年中國1∶10萬土地覆被數據河南地區精度評價[J]. 中國土地科學，2019，33(3)：59-67. Zhu Jun, Sun Jiulin, Qin Fen, et al. Accuracy assessment of the 1: 100 000 land cover data of Henan Province in 2015[J]. China Land Science, 2019, 33(3): 59-67. (in Chinese with English abstract)

[11]Olofsson P, Stehman S V, Woodcock C E, et al. A global land-cover validation data set, part I: Fundamental design principles[J]. International Journal of Remote Sensing, 2012, 33(18): 5768-5788.

[12]Li C C, Gong P, Wang J, et al. The first all-season sample set for mapping global land cover with Landsat-8 data[J]. Science Bulletin, 2017, 62(7): 508-515.

[13]劉瓊歡，張鐿鋰，劉林山，等. 七套土地覆被數據在羌塘高原的精度評價[J]. 地理研究，2017，36(11)：2061-2074. Liu Qionghuan, Zhang Yili, Liu Linshan, et al. Accuracy evaluation of the seven land cover data in Qiangtang Plateau[J]. Geographical Research, 2017, 36(11): 2061-2074. (in Chinese with English abstract)

[14]侯西勇，邸向紅，侯婉，等. 中國海岸帶土地利用遙感制圖及精度評價[J]. 地球信息科學學報，2018，20(10)：1478-1488. Hou Xiyong, Di Xianghong, Hou Wan, et al. Accuracy evaluation of land use mapping using remote sensing techniques in coastal zone of China[J]. Journal of Geo-Information Science, 2018, 20(10): 1478-1488. (in Chinese with English abstract)

[15]宋宏利，張曉楠，王雨，等. 多尺度高分辨率全球土地覆被遙感產品相對一致性比較[J]. 農業工程學報，2012，28(15)：118-124. Song Hongli, Zhang Xiaonan, Wang Yu, et al. Comparison of relative uniformity between GLOBCOVER and MODIS land cover data sets[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(15): 118-124. (in Chinese with English abstract)

[16]徐澤源，羅慶輝，許仲林. 新疆地區土地覆被遙感數據的一致性研究[J]. 地球信息科學學報，2019，21(3)：427-436. Xu Zeyuan, Luo Qinghui, Xu Zhonglin. Consistency of land cover data derived from remote sensing in Xinjiang[J]. Journal of Geo-Information Science, 2019, 21(3): 427-436. (in Chinese with English abstract)

[17]Kaptué Tchuenté Armel Thibaut, Roujean Jean-Louis, De Jong Steven 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.

[18]Nabil M, Zhang M, Bofana José, et al. Assessing factors impacting the spatial discrepancy of remote sensing based cropland products: A case study in Africa[J]. International Journal of Applied Earth Observation and Geoinformation, 2020, 85: 102010.

[19]Xu Yidi, Yu Le, Feng Duole, et al. Comparisons of three recent moderate resolution African land cover datasets: CGLS-LC100, ESA-S2-LC20, and FROM-GLC-Africa30[J]. International Journal of Remote Sensing, 2019, 40(16): 6185-6202.

[20]黃亞博，廖順寶. 首套全球30m分辨率土地覆被產品區域尺度精度評價：以河南省為例[J]. 地理研究，2016，35(8)：1433-1446. Huang Yabo, Liao Shunbao. Regional accuracy assessments of the first global land cover dataset at 30-meter resolution: A case study of Henan province[J]. Geographical Research, 2016, 35(8): 1433-1446. (in Chinese with English abstract)

[21]戴昭鑫，胡云鋒，張千力. 多源衛星遙感土地覆被產品在南美洲的一致性分析[J]. 遙感信息，2017，32(2)：137-148. Dai Zhaoxin, Hu Yunfeng, Zhang Qianli. Agreement analysis of multi-source land cover products derived from remote sensing in South America[J]. Remote Sensing Information, 2017, 32(2): 137-148. (in Chinese with English abstract)

[22]胡云鋒，張千力，戴昭鑫，等. 多源遙感土地覆被產品在歐洲地區的一致性分析[J]. 地理研究，2015，34(10)：1839-1852. Hu Yunfeng, Zhang Qianli, Dai Zhaoxin, et al. Agreement analysis of multi-sensor satellite remote sensing derived land cover products in the Europe Continent[J]. Geographical Research, 2015, 34(10): 1839-1852. (in Chinese with English abstract)

[23]Tsendbazar N E, Herold M, de Bruin S, et al. Developing and applying a multi-purpose land cover validation dataset for Africa[J]. Remote Sensing of Environment, 2018, 219: 298-309.

[24]宋宏利，張曉楠. 中國區域多源土地覆被遙感產品精度分析與驗證[J]. 農業工程學報，2012，28(22)：207-214. Song Hongli, Zhang Xiaonan. Precision analysis and validation of multi-sources landcover products derived from remote sensing in China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE),2012,28(22):207-214.(in Chinese with English abstract)

[25]宋宏利，張曉楠. 國家尺度異源土地覆被遙感產品精度評價[J]. 國土資源遙感，2018，30(3)：26-32. Song Hongli, Zhang Xiaonan. Precision validation of multi-sources land cover products derived from remote sensing[J]. Remote Sensing for Land & Resources, 2018, 30(3): 26-32. (in Chinese with English abstract)

[26]中共中央國務院. 長江三角洲區域一體化發展規劃綱要[EB/OL]. 2019-12-01. http: //www. gov. cn/zhengce/ 2019-12/01/content_5457442. htm

[27]Laso B J C, Lesiv M, Waldner F, et al. A global reference database of crowdsourced cropland data collected using the Geo-Wiki platform[J]. Scientific Data, 2017, 4(1): 170136.

[28]Pontius R G, Millones M. Death to Kappa: Birth of quantity disagreement and allocation disagreement for accuracy assessment[J]. International Journal of Remote Sensing, 2011, 32(15): 4407-4429.

[29]Liu X P, Hu G H, Chen Y M, et al. High-resolution multi-temporal mapping of global urban land using Landsat images based on the Google Earth Engine Platform[J]. Remote Sensing of Environment, 2018, 209: 227-239.

[30]Marconcini M, Metz-Marconcini A, Reyen S, et al. Outlining where humans live, the World Settlement Footprint 2015[J]. Scientific Data, 2020, 7(1): 242.

Consistency analysis and accuracy assessment of multi-source land cover products in the Yangtze River Delta

Chen Yicong1, Shao Hua1※, Li Yang2,3

(1.,,211816,;2,,,210023,;3.,210023,)

Land cover change is one of the most important data sources for global environmental issues, such as the impact assessment of human activities on ecosystems. Since a great number of land cover datasets have been produced at the global and national scale in recent years, it is necessary to scientifically evaluate the reliability of these datasets in specific areas and the consistency between multi-source datasets in the selection of products. There are great changes in land cover, leading to high demand for the land cover data in the Yangtze River Delta, which is one of the most active and open regions in economic development with the strongest innovation capabilities in China. Taking the Yangtze River Delta region as the study area, this study aims to assess the relative accuracy of six land cover datasets (CCI_LC, FROM-GLC, GLC_FCS30, GLCNMO, GlobeLand30, and CGLS_LC) using the accuracy validation and consistency analysis. Five ways were selected to verify the accuracy, including the confusion matrix, overall accuracy, Kappa coefficient, user and producer accuracy. The correlation of land cover types in the study area was analyzed to calculate the proportions of various types in land cover products and the correlation coefficients. Three 30m-resolution land cover products (FROM-GLC, GLC_FCS30, and GlobeLand30) were also compared via the consistency distribution of classification, overall consistency, quantity and allocation disagreement between them. The results show that the overall accuracy of six products in the Yangtze River Delta region were 76.89%, 78.42%, 84.67%, 74.26%, 80.61%, and 85.43%, respectively, indicating that all of land cover products behaved fine accuracies. The correlation coefficients of land cover types were greater than 0.9 in six products. The best correlation was achieved in the GlobeLand30 with the most reliable estimation on the area of land cover types. Three 30m-resolution land cover products had 65.51% similar classified pixels, while, the overall consistencies between the products were 72.23%, 77.99%, and 76.41%, respectively. A fine data support was obtained from three land cover products, although with a little pixel confusion. In addition, the greatest stability was achieved in GLC_FCS30 with high accuracy of land cover types, particularly on the second-level categories for a more detailed description of land cover. High accuracy of classification was obtained in six land cover products for the cropland, woodland, water body, and impervious areas that were widely distributed in most of the research area. Nevertheless, there was a low accuracy of classification for the wetland, bare land, shrub and grassland. There was less influence of topographical fluctuations on the accuracy of classification in topography and geomorphology. Specifically, only a few unstable topographical classifications occurred in the hilly areas of Zhejiang Province. Correspondingly, the economic level dominated the accuracy of classification in urban development. The land cover products also considered the needs of different users. The best performance of CGLS_LC was achieved in cropland, and the similar excellent performance of GLC_FCS30 and CGLS_LC was found in woodland and impervious areas, while FROM-GLC was the most suitable for the water body.

land use; remote sensing; land cover data; accuracy assesment; consistency analysis; category confusion

陳逸聰，邵華，李楊. 多源土地覆被產品在長三角地區的一致性分析與精度評價[J]. 農業工程學報，2021，37(6)：142-150. doi：10.11975/j.issn.1002-6819.2021.06.018 http://www.tcsae.org

Chen Yicong, Shao Hua, Li Yang. Consistency analysis and accuracy assessment of multi-source land cover products in the Yangtze River Delta[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(6): 142-150. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.06.018 http://www.tcsae.org

2020-12-24

2021-03-10

國家自然科學基金項目（41601449；41501431）；江蘇省高校自然科學研究面上項目資助（15KJB420001；16KJD420002）

陳逸聰，主要研究方向為遙感影像分析、土地覆被分類。Email：202061123003@njtech.edu.cn

邵華，博士，講師，主要研究方向為遙感影像分析、地理科學數據共享、空間數據挖掘。Email：shaohua@njtech.edu.cn

10.11975/j.issn.1002-6819.2021.06.018

P237

A

1002-6819(2021)-06-0142-09