1990-2010年中国西北地区土地覆被数据集

谢家丽，颜长珍，常存

1. 中国科学院西北生态环境资源研究院，沙漠与沙漠化重点实验室，兰州730000

2. 中国科学院新疆生态与地理研究所，荒漠与绿洲生态国家重点实验室，乌鲁木齐 830001

数据库（集）基本信息简介

引 言

土地覆被是指在自然过程和人类活动共同作用下，形成于陆地表面并可被观察到的自然景观和人工景观的综合体。长时间序列的土地覆被变化过程既具有自然属性，也有社会属性。在全球环境变化研究中，土地利用/土地覆被变化作为自然与人文过程密切交叉的问题，成为各方关注焦点[1-2]。早在1995年，“国际地圈和生物圈（IGBP）”和“全球变化人文项目计划（IHDP）”就联合提出了“土地利用/土地覆被变化科学研究计划”[1-3]。土地覆被变化不仅是全球环境变化最直观和主要的表现，同时也能影响全球环境。因此，分析区域土地覆被变化动态，是开展全球变化、生态系统评估以及人类与环境之间相互作用研究的基础性工作。近些年遥感技术的快速发展，为获取土地覆被数据源提供了强有力的支持。通过遥感监测手段重建区域地表覆被数据库，成为了解地表景观格局变化的新途径。

我国西北地区地处干旱半干旱区，属于典型的温带大陆性气候，主要地貌类型包括盆地和高原两大类。本区域气候干燥，降水量少，冬冷夏热，气温日较差和年较差都很大。河流多为内流河发育，水源补给以山区降水和冰雪融水为主。一个内陆河流域就是一个完整的地表水、地下水与大气水分相互联系的水分循环系统，以及一个完整的山地-平原-荒漠生态功能单元系统[4]。我国西北地区由于基础设施薄弱和水资源短缺，加之自上世纪50年代以来持续的绿洲农业土地开发，生态环境呈现出很多问题，包括植被退化、水土流失、河湖干涸、土地沙化等。近年来，国家先后实施了退耕还林还草、天然林保护、风沙源治理、退牧还草、生态分水等生态工程，区域土地覆被变化明显。土地利用/土地覆被在土地资源的基础上，承载了广泛和持久的人类利用活动，无论是资源环境研究还是社会可持续发展战略制定，都需要基于土地利用/土地覆被数据，揭示其时空变化特点，进而分析土地利用/土地覆被变化的影响因素，并进行合理的土地资源利用规划，从而实现高效的土地利用[5]。因此，准确有效地量测并揭示土地利用/覆盖情况变化情况，可为研究区未来一定时间内的变化趋势预测提供可靠的依据[6-7]。

2015年3月28日，《推动共建丝绸之路经济带和21世纪海上丝绸之路的愿景与行动》的发布标志着中国“一带一路”倡议进入全面推进建设阶段，西北地区作为丝绸之路经济带建设的境内外重要结合点，丝绸之路经济带建设给西北地区的发展带来了机遇。因此，加强对西北地区生态环境的监测与建设尤为重要，其中土地覆被作为区域生态环境最直观的表现形式，对土地覆被进行长时间序列的解译和监测极其关键，可为区域生态环境保护和社会经济可持续发展提供本底数据。

本研究以我国西北地区为研究区，包括新疆维吾尔自治区、青海省、甘肃省、宁夏回族自治区、陕西省和内蒙古自治区的阿拉善盟，以Landsat系列数据为主要数据源，利用遥感监测、地面调查验证和高分辨率卫星影像解译验证的集成方法和手段，生成1990-2010年土地覆被变化数据集（1990年、2000年、2005年和2010年）。

本套数据集的生产结合应用基于 eCognition平台的面向对象分类方法和 ArcGIS平台的数据处理分析方法。在遥感影像的时相选择方面，由于土地利用监测更多考虑对植被信息的了解和分析，要求获取植被生长阶段的遥感数据，以便捕获更多的植被信息，因此在我国西北区域选择6月中旬至9月下旬的无云影像[5]。在本套数据的制作过程中，不仅选用了植被生长季的遥感影像，同时还加入了非生长季和其他可以反映不同地物差异的时相影像，以及DEM、植被覆盖度和其他特征指数等数据。

在以往的土地利用分类研究中，为了满足不同需要，土地资源研究与管理工作采用了不同的分类系统，主要包括全国农业区划委员会制定的土地利用分类系统、中国科学院结合遥感特点制定的土地利用分类系统和国土资源部制定的土地利用现状分类国家推进型标准等三大分类系统[8-10]。本套数据集所采用的分类系统是从生态学角度并结合遥感的特点，通过物质组成、 结构、排列、季节特征等19个指标制定，可服务于生态系统碳收支估算和国家生态环境监测[11]。

1 数据采集与预处理

1.1 数据来源与预处理

数据源为Landsat TM和ETM+数据（表1），主要从美国地质调查局（USGS，https://glovis.usgs.gov/）获取，少数从中国地理空间数据云（http://www.gscloud.cn/）获取。遥感影像云量覆盖要求小于10%，时相要求每个轨道号影像必须有一景为植被生长季，以7-9月为最佳。其次根据土地覆被类型提取时阈值设定范围，补充非生长季影像和其他可以反映不同地物差异的时相影像。然后对影像进行预处理，主要包括波段合成、投影转换以及裁剪等步骤[5]。

表1 数据详情

1.2 土地覆被数据提取流程

1.2.1 土地覆被数据分类流程

土地覆被数据分类方法采用基于面向对象的分类算法，并利用决策树的思想逐级开展[12]。面向对象分类方法越来越广泛地应用于基于遥感数据的信息分类中，该方法是指首先通过分割影像，使同质像元组成大小不同的对象[13-14]，进而以每个对象为处理单元，获取其光谱信息，并结合对象的纹理、形状、空间拓扑关系等信息进行分类。由于不同土地覆被类型的尺度不同，因此在分类过程中采用多尺度对象分割，影像的多尺度分割技术是一个局部优化过程[15]。成功的影像分割是面向对象的信息提取方法的必要前提，其分割的尺度和精度直接影响分类的精度[16]。具体流程如图1所示。

图1 土地覆被数据分类流程图

最后，为了满足1:70万比例尺成图要求，对基于30 m分辨率影像数据解译的区域土地覆被数据进行重采样，得到200 m分辨率的中国西北地区土地覆被数据产品。

1.2.2 主要特征指数

基于面向对象分类方法提取土地覆被数据时，在对不同地物进行阈值设定时需要不同的参数信息，除了影像的波段和纹理信息，还有 DEM、坡度、坡向等数据，以及一些表征特定地物的指数，如下：

（1）云指数（Cloud Index，CI）

进行土地覆盖分类时，尽量选择无云或者云覆盖量小于10%的影像，对有云的影像需要进行处理。本研究采用替换法处理云覆盖量较高的区域[17]，引入云指数以检测云覆盖面积，计算公式如下：

式中，TM1、TM2和TM3分别为Landsat数据的蓝光波段、绿光波段和红光波段。

（2）归一化植被指数（Normalized Difference Vegetation Index，NDVI）

归一化植被指数能够直接反映植被生长状态及植被覆盖，并且根据它的时间变化曲线可以间接获得季节变化和人为活动的信息[18]。计算公式如下：

式中，TM4为Landsat数据的近红外波段。

（3）植被覆盖度（Fractional Vegetation Cover，FVC）

植被覆盖度是指植被在地面的垂直投影面积占统计区总面积的百分比，常用的估算方法为像元二分模型[19]。计算公式如下：

式中，NDVIsoil为裸土区域的NDVI值；NDVIveg为纯植被像元的NDVI值。

然而，由于西北地区气候干旱，植被稀疏，类群结构简单，在光谱曲线上往往不具备健康植被的典型特征。此外由于受地面土壤背景信息的干扰强烈，从遥感影像上获取的植被光谱信息极其微弱。根据已有文献和实地采样验证，对干旱区的植被覆盖度计算采用改进的最大三波段梯度差法，公式如下[20-21]：

式中，TM5为Landsat数据的短波红外波段；λ3、λ4、λ5分别为红、近红、短波红外波段波长；d为像元梯度差，dmax为像元最大梯度差。

（4）改进型归一化差异水体指数（Normalized Difference Water Index-Blue，NDWI-B）

NDWI被用于提取开阔的地表水面信息[22]。另外由于水体相较于其他地物在近红外波段的反射率最低，并且其反射率从蓝光到近红外波段的降幅很大的光谱特性，本研究采用基于蓝光波段的归一化差异水体指数[23]。计算公式如下：

（5）归一化建筑指数（Normalized Difference Built-up Index，NDBI）

归一化建筑指数由查勇[24]提出，用于城市区域信息的遥感自动提取。建筑用地反射电磁波在TM的5波段和TM的4波段上具有明显异质性，计算公式如下：

（6）归一化雪盖指数（Normalized Difference Snow Index，NDSI）

归一化雪盖指数是植被指数在冰川遥感监测中的延伸和推广，它是将冰川的可见光强反射波段和中红外低反射波段进行归一化处理，以突出冰川特性，计算公式如下[25]：

2 数据样本描述

1990-2010年中国西北地区土地覆被数据集包括中国新疆维吾尔自治区、青海省、甘肃省、宁夏回族自治区、陕西省和内蒙古自治区的阿拉善盟等区域1990年、2000年、2005年和2010年的土地覆被，空间分辨率为200 m，保存格式为shp，数据命名为中国西北地区XX省1:70万土地覆被数据集。土地覆被数据的分类系统是在FAO（联合国粮食及农业组织）分类系统的基础上，重新定义了适合区域特点和相关应用需求的分类系统，包括6个一级类和33个二级类（表2）[11]。所有数据最终坐标及其投影参数采用Albers正轴等积双标准纬线割圆锥投影，数据结果如图2所示。

表2 西北地区土地覆被分类系统

注：C：覆盖度/郁闭度（%）；F：针阔比率（%）；H：植被高度（m）；T：水一年覆盖时间（月）；K：湿润指数。

图2 中国西北地区土地覆被现状图

3 数据质量控制与评估

3.1 数据验证样本调查

通常验证土地覆被数据质量的样本调查方法有三种：野外样本点调查、基于高分辨率影像的样本点识别和基于Google Earth的样本点识别。大部分野外样本点分布在公路两侧，调查路线选择通达性好的道路，并尽可能多地经过各种土地覆被类型。为了保证获取的景观照片能够较好地反映土地覆被状况，GPS定点调查平均间隔距离不高于20公里，对于连片单一地物可适当放宽。GPS调查点选择视线较好、地物变化显著或地物交错地带，利用手持GPS定位后，沿不同方向拍摄土地覆被景观照片，记录景观特征。每个调查点应不少于4个方向照相，标明拍摄方向角、主要拍摄内容和周围环境并填写外业调查表，并对外业调查所获取资料数字化。野外调查未能到达的区域，验证样本点采用高分辨率影像和Google Earth进行抽样。为确保验证点的真实性判读，采用多个判读人员独立对影像进行目标点的识别，三人判读达成共识的类型为有效验证点。

由于篇幅所限，本文仅以关中平原为例（图3）。图中可以清晰反映出以西安市为核心的区域土地覆被变化，随着人口的增长，城市化迅速发展，人工表面占地面积持续扩大，致使周边耕地、草地等地类面积减少。

图3 关中平原土地覆被现状图

3.2 土地覆被数据精度评估

由于野外验证样本点大多分布在道路通达的区域，因此对四期土地覆被数据进行抽查，通过高分辨率影像和Google Earth再次判读，以保证信息提取精度达到要求。抽样时，采取随机抽样的方法，对全部图斑，以5%的抽样率选取样本。将验证样本点的土地覆被类型与相应位置的土地覆被矢量数据进行空间叠加，逐个图斑判断正误率。验证精度包括土地覆被数据一级分类和二级分类精度，精度的计算可以通过分类结果与验证样本点之间的比较，计算其正确率。对于某一样本，其分类的正确率（yi）计算公式为：

式中，pa为解译正确的图斑数；p为样本i中所包含的所有图斑数。

对数据进行验证、修改后，最终使得土地覆被数据产品精度总体满足95%的要求（表3）。

表3 西北地区土地覆被一级类精度

4 数据价值

土地利用/覆被变化是表征人类活动强度和全球环境变化的关键要素，是模拟气候效应和生物地球化学效应的重要输入参数，其时空过程的量测、模拟与动力学机制的理解已经成为科学界关注的前沿内容[26]。本研究以Landsat影像为主要数据源，并结合地面调查验证、高分辨率影像解译和Google Earth样本点识别验证，以我国西北地区为研究区，总面积达325×104km2，制备1990-2010年间四期土地覆被数据集，在较大时空尺度上，验证了面向对象信息提取方法在干旱半干旱区土地覆被提取的适应性，并为西北地区生态环境评估、可持续发展以及生态系统碳存储估算等研究提供重要的基础数据。

5 数据使用方法和建议

1990-2010年中国西北地区土地覆被数据集在http://www.crensed.ac.cn数据服务系统平台网站免费开放共享。为了规范数据共享使用，在平台上下载数据时需要填写数据使用申请表。1990-2010年中国西北地区土地覆被数据集保存为矢量shp格式。ArcGIS、ArcView、ENVI、ERDAS等常用的GIS与遥感软件均可支持该数据的读取和操作。对四期土地覆被数据进行空间叠加分析，可以得到区域1990-2010年土地覆被时空变化分布及趋势，结合区域气象因素及人类活动可以进行区域生态环境变化的评估和驱动力分析，以及区域可持续发展研究。

致 谢

感谢USGS和中国地理空间数据云提供Landsat系列数据。