多源土地覆被产品在长三角地区的一致性分析与精度评价

陈逸聪，邵 华，李 杨

多源土地覆被产品在长三角地区的一致性分析与精度评价

陈逸聪1，邵 华1※，李 杨2,3

（1. 南京工业大学测绘科学与技术学院，南京 211816；2. 南京师范大学虚拟地理环境教育部重点实验室，南京 210023；3. 江苏省地理信息资源开发与利用协同创新中心，南京 210023）

土地覆被数据是全球环境问题，人类活动对生态系统影响评估等相关研究的重要数据源。近年来国内外生产了众多全球尺度或国家尺度上的土地覆被数据集，这些数据集在应用于特定区域研究时精度的可靠性以及多源数据集间的一致性对数据集的选择有着重要意义。该研究以长三角为研究区域，采用混淆矩阵、构成相似性分析和空间一致性分析等方法，对CCI_LC、FROM-GLC、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC 6种土地覆被数据集进行了基本精度验证及一致性分析，并探讨了面向不同用户需求的土地覆被数据产品的适用性。结果表明：CCI_LC、FROM-GLC、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC在长三角地区的总体精度分别为76.89%、78.42%、84.67%、74.26%、80.61%和85.43%；产品间土地覆被类型面积估算的相关系数均大于0.9；FROM-GLC、GLC_FCS30和GlobeLand30三套产品对长三角地区65.51%的土地分类有完全一致性，产品间一致性分别为72.23%、77.99%和76.41%。6种产品对于广泛分布且占研究区大部分面积的耕地、林地、水体和建设用地具有较好的分类精度，湿地、裸地、灌丛和草地分类结果较弱，需要辅助其他数据产品使用。结合地形地貌分析来看，长三角地区土地覆被分类精度整体受地形起伏影响较小，但丘陵密布的浙江省的部分区域受地形影响出现了分类不稳定的情况。从城市发展的角度看，长三角地区土地覆被分类精度受到城市经济发展活跃程度影响。面向用户应用需求来看，耕地类型上CGLS_LC数据具有最优表现，林地和建设用地类别上GLC_FCS30和CGLS_LC具有相近的优秀表现，而水体类别则是FROM-GLC数据更具有优势。

土地利用；遥感；土地覆被数据；精度分析；一致性分析；类别混淆

0 引 言

土地覆被是地球陆地表层各种物质类型及其自然属性与特征的综合体，是自然过程和人类活动共同作用的结果[1]。其空间分布反映着人类社会经济活动过程，决定着地表的水热和物质平衡，其变化直接影响到生物地球化学循环，改变着陆地-大气的水分、能量和碳循环，以致引起气候变化[2]。得益于卫星遥感技术以及计算机技术的巨大进步，近年来产生了大量优质的全球中高分辨率影像以及先进的分类算法，都极大地促进了全球土地覆被数据产品空间分辨率（下文简称分辨率）和精度的提高，数据分辨率从原先1 km提升到500 m、300 m、100 m[3]，甚至到30 m和10 m，面向应用分析需求的全球高分辨率土地覆被产品开始出现。近年来，中国发布了多套全球30 m分辨率土地覆被产品，主要包括清华大学研制的FROM-GLC[4]（简称FROM）、国家基础地理信息中心研制的GlobeLand30[5]和中科院研制的GLC_FCS30[6]数据，国外机构研制的如哥白尼全球土地服务研制的CGLS_LC100[7]（简称CGLS_LC）数据分辨率达到了100 m，欧洲空间局研制的CCI_LC[8]数据为300 m分辨率数据产品，日本空间信息管理局研制了500 m分辨率的GLCNMO[9]数据产品，都成为了区域以及全球相关研究的重要数据源。

由于大部分土地覆被产品的主要数据源为遥感影像，生产时常受到混合像元及“同谱异物，同物异谱”等因素的限制，特别在地类分布较为破碎的地区，这些限制带来的精度下降尤为明显，致使用户在实际选择使用这些数据时存在着一定的不确定性，因此全球尺度的数据产品的地区精度也是大家关注的热点。近年来，国内外专家针对不同的土地覆被数据产品在不同的研究区开展了大量的相关研究，包括精度评价[10-14]、一致性评价[15-17]以及通过评价结果分析影响分类精度的因素[18-20]等。现有研究在尺度上主要以洲际[21-23]和国家[24,25]尺度居多，且研究主要还是对整个区域内少量数据产品开展的精度评价。而土地覆被产品，在局部是否可以较好地满足研究需求，以及在多套相同时相和分辨率的土地覆被数据产品中，如何根据用户的应用需求进行选择等问题，有待进一步研究。同时，若只使用基本精度评价可能会因为样本点的选择不具有足够的代表性，从而导致土地覆被产品的评价结果有偏；而只采用一致性评价对于研究结果而言并不能直观得出产品在整体或是单类别的精度状况，通过结合基本精度评价和一致性评价可以更全面地评价土地覆被产品的质量。本文以城市化进程较快的长江三角洲地区（简称“长三角”）为研究区，选择分辨率优于500 m的6种覆盖全球的土地覆被数据产品（分别为FROM、GlobeLand30、GLC_FCS30、CCI-LC、CGLS_LC和GLCNMO），通过构建高精度的样本数据，分析6套数据产品在城市群尺度上的总体、单类别精度特征和一致性分布特征，讨论相同时相和分辨率的多源数据产品在研究区内出现分类不一致的客观因素，并面向用户需求，提供多源全球土地覆被数据产品的选择依据，同时也为数据生产者改进局部生产精度提供建议与参考。

1 研究区概况及数据预处理

1.1 研究区概况

研究区依据国务院2019年12月批准的《长江三角洲区域一体化发展规划纲要》内规划范围，包括上海市、江苏省、浙江省、安徽省，区域面积约35.8万km2[26]。该区域是中国经济发展最活跃、开放程度最高、创新能力最强的区域之一，在国家现代化建设大局和全方位开放格局中具有举足轻重的战略地位[26]。作为世界上最大的城市化群之一，受政策、经济发展和人口增长等人文因素驱动，长三角地区在快速城镇化的进程下，土地覆被也发生着巨大的变化，对耕地、水体、林地等地类变化影响较大，同时环境问题也随之加剧。

1.2 数据概况及预处理

本文所选择的土地覆被分类产品的详细参数如表1所示。在进行精度评定和一致性比较前，针对6套土地覆被数据产品及验证点进行预处理分析，包括数据投影、分类体系、分辨率的统一处理分析。首先，对6套土地覆被数据产品进行拼接、裁剪，由于本文在一致性比较时，涉及产品所获得各地类的面积比较，故将6种产品统一投影至Albers等积圆锥投影下，以保证在面积比较时具有较高的可信度。同时，针对每个数据集中所包含的特殊像元也进行剔除处理，这里包括土地覆被数据产品中存在的0值或填充值255、FROM数据产品中云类型值、部分产品中有少量长三角地区不存在的类别（如永久冰雪等），以保证后续研究中不存在类似像元的干扰。

表1 全球土地覆被产品参数表

统一的分类体系是比较不同来源土地覆被产品的基础性前提，选择简化分类可以减少详细土地覆被类型的多样化可能会带来的更多不确定性[19]，本文中的6种土地覆被产品均采用不同的分类体系，由于GlobeLand30分类体系只有1级，因此本文在验证之前参照各个产品分类标准的解释，以GlobeLand30的分类体系为基准，结合研究区特点，对分类体系进行了统一，最终将每套数据聚合成了8个类别，分别是耕地、林地、灌丛、草地、水体、湿地、建设用地和裸地，各个土地分类产品在研究区内的具体类别对应如表2所示，表中各产品代码所代表类别与其发布的类别代码一致。

表2 土地覆被产品类别聚合规则

由于参与评价的数据产品的分辨率分别为30 m、100 m、300 m和500 m，若直接进行逐像元的一致性比较，需要统一升尺度至1 500 m，将损失大量数据产品的细节。故本文在进行逐像元一致性比较时，只针对3种30 m分辨率下土地覆被数据进行了分析。在逐像元一致性比较前，对3种数据产品进行了叠加分析，在任意产品中如存在像元的空缺情况，则也将其他产品中该位置上的像元剔除。

2 研究方法

2.1 土地覆被验证数据构建

本文使用野外调查数据和高分辨率遥感影像、多源多时相遥感数据解译2种方法获取土地覆被验证数据。野外调查数据为课题组2016年对上海市和浙江省共12个市进行实地调查获得，通过手机获取采样点坐标，并拍照记录采样点土地覆被类型。因考虑到研究的基准年份与野外调查时间略有差异，本文对实地采样数据进行了目视判读确认，保证样本的准确性，尽量排除一些在地物边缘容易产生地类变动的样点。由于野外调查样本数量相对较少，且分布于研究区的东南面，结合遥感数据样本解译的一般规则[11,27]，本文采用规则格网将研究区分割，使用Google Earth高分影像数据辅助区域内30 m的多时相Landsat系列数据进行目视解译，为了减少使用点状要素采样因尺度因素产生的误差，本文选择在格网中心区域进行采样，保证所采样本主要分布于具有一定范围的均质区内，以提高解译样本的精度。最终形成以2015年为基准年份的验证数据集共913个样本点（其中571个高精度解译样点），包括8种土地覆被类型：耕地、林地、草地、灌丛、湿地、水体、建设用地以及裸地，样本点分布如图1所示。

2.2 面向城市群的土地覆被数据产品精度评价方法

2.2.1 基本精度评价

混淆矩阵作为遥感制图领域中最为常见的精度评定方法之一，是在比较多种数据产品精度时的一个基本度量方法。本文分别生成了6种土地覆被分类数据与参考数据的混淆矩阵，得到总体精度（Overall Accuracy，OA）、Kappa系数（）、使用者精度（User Accuracy，UA）和生产者精度（Producer Accuracy，PA），以评价6种土地覆被产品在长三角地区的分类精度情况，计算方法如下：

式中是参与评价的样本总数；是混淆矩阵中行列数；x为混淆矩阵中第行、第列上的样本数；x和x分别为第行和第列的样本总数。

2.2.2 一致性精度评价

根据土地覆被产品的不同应用需求，在对多套土地覆被分类数据集进行比较时，往往会使用多种不同的一致性评价方法。本文采用构成相似性分析方法，比较6套产品在各土地覆被类型面积构成上的一致性情况。通过计算产品中各类型所占比例反映不同产品对研究区的总体刻画，并采用产品间各类别面积估算结果的相关性系数[24]衡量产品的构成相关性，相关性系数越接近于1表明两种产品的相关性越强，等于1时则表明A产品中某类别与B产品中该类别在面积估算上存在线性关系，计算公式如下

为了进行逐像元的空间一致性分析，描述不同产品间的土地覆被类型在空间上的混淆程度。针对3种30m分辨率的土地覆被分类数据集，采用空间叠加的方法，获得不同产品之间逐像元的空间对应关系，将这些关系定义为：完全一致性（像元处3种产品分类均相同）、部分一致性（像元处有2种产品分类相同）、无一致性（像元处3种产品分类均不相同）。为能对研究区内产品的一致性有一个更加清晰的描述并找出产品间不一致性较高的区域，将一致性结果与规则格网叠加，得到研究区内每个单元的不一致比例。由于Kappa系数在表达产品间一致性程度时，与总体一致性所表现的内容存在一定的重复。故在3套产品两两间生成混淆矩阵后，计算数量不一致以及分配不一致[28]以获取产品间更明确的不一致特征，这两种评价指标分别代表参与比较的产品间类别比例的不一致程度以及给定类别比例下导致的类别空间分配中的不匹配程度。该评价指标细化了产生产品间不一致的原因，为更加客观地评价产品可用性程度提供了帮助，近年来也得到了一定的应用[29]。具体计算公式如下：

其中和分别是数量不一致和分配不一致；是总体误差；是类别总数目；n是在一种产品中分类为类别在另一种产品中分类为类别的像元数量；P是n在研究区的估计比例；N是类别像元的总个数；q和a分别是类别的数量不一致和分配不一致。

3 结果与讨论

3.1 基本精度评价结果

通过基本精度评价公式计算得到6种土地覆被产品与验证数据生成的混淆矩阵，如图2所示，总体精度和Kappa系数如表3所示。根据基本精度评价结果来看，6种土地覆被产品的总体精度均保持在70%以上，总体而言6种产品在长三角地区都具有较好的分类精度以及使用的可靠性；FROM、GLC_FCS30、GlobeLand30和CGLS_LC在长三角地区4个主要土地覆被类型林地、耕地、水体和建设用地上的使用者精度均高于75%，最高达到了97%；在30m分辨率的土地覆被产品中，GLC_FCS30产品表现出更优的分类精度。

对6种产品的混淆矩阵进行进一步分析可以发现，除了CGLS_LC 100 m分辨率数据产品的总体精度（85.43%）高于3种30 m分辨率的土地覆被产品（最高84.67%）外，随着产品分辨率的提高分类精度总体上呈现上升趋势。从数据源的角度来说产生这一现象的原因主要有两点：一是随着数据源影像分辨率的提高，待分类地表类型的复杂程度增加，这给分类算法的能力提出了更高的要求；二是与3种30 m分辨率产品主要使用的Landsat系列卫星不同，CGLS主要使用了PROBA-V卫星数据，长三角地区的植被覆盖度占整体的80%以上，该卫星搭载的传感器对于植被有着更强的观测能力，对于研究区而言该产品可能会有更好的描绘。

表3 长三角地区土地覆被产品遥感制图精度

3.2 一致性评价结果

根据构成相似性分析的计算结果，得到长三角地区6种不同土地覆被产品两两间对各土地覆被类型面积估算的相关系数以及构成产品的各地类占总面积的比例，如表4和图3所示。

表4 6套土地覆被产品间相关系数

6种产品的相关系数均大于0.9，表明在面积估算上产品间具有较高的相关性，不同产品间对地类所占面积比例的估算在总体上较为接近。特别是在GlobeLand30、GLCNMO和GLC_FCS30三种数据产品以及FROM和CGLS_LC这两组产品中，各土地覆被类型面积所占比例的差异最大不超过5.2%，表明在估算研究区各土地覆被类型面积时产品间结果相似，在不考虑各类型空间分布的前提下，组内产品土地覆被面积估算结果在使用时具有同一性。进一步分析不同土地覆被类别在各个产品中的占比，可以发现就单个类别而言在部分产品间还是存在较大差异，如耕地在CCI_LC中占比达到了65.9%，而在CGLS_LC中却只有43.8%，相差了20%以上，同时在林地类别上CCI_LC较CGLS_LC缺少了约11.1%的面积比例，产生这一现象的部分原因是在CGLS_LC中果树等多年生木本作物被分类为了林地或灌丛类别，而在CCI_LC产品中这些地类被分为了耕地，这同时也导致了CGLS_LC与CCI_LC在产品面积估算上相关系数偏低。GlobeLand30与其他5种土地覆被分类产品构成的相关系数平均值最高，表明其在地表各土地覆被类型面积的估算中与其他产品达成了较高的相关性，具有较高的可信度。

对长三角地区30 m土地覆被分类产品进行逐像元空间一致性分析，结果如图4、图5和表5所示，其中具有完全一致性的像元占比最大，达到了65.51%；而具有部分一致性的像元大约占30.10%，即被2个以上土地覆被分类产品分类为同一地类的像元数之和超过了95%，占研究区域的绝大部分，3个土地覆被产品未达到一致的区域仅占4.39%。3种产品两两间的总体一致性较为接近且均大于70%，表明产品间具有较好的一致性。

从3种数据集间不一致产生原因来看，GlobeLand30与其他2种产品在研究区内所含不同土地覆被类型数量不一致性较低，其主要分歧发生在对于已有类别的位置分配；相反的是FROM和GLC_FCS30则在位置分配上具有较低的不一致，但是在数量上存在一定的分歧。产生上述不确定像元的可能原因包括：1）在对分类系统进行聚合时，不同分类系统对于部分地类的定义存在着区别，聚合后也存在着一定的误差；2）耕地、林地、草地、灌丛在研究区多见交错出现，且4种地类均为植被，在光谱上具有一定的相似性，可能会对分类产生一定的影响；3）地表覆盖类型的复杂程度也是影响分类一致性的重要原因，在30 m分辨率尺度上，景观斑块较为破碎产生的混合像元因采用的分类方法不同而有所差异。尤其是长三角地区覆盖的三省一市处于东南沿海地区，城镇化发展较快，在土地覆被由自然地表转为人工表面的过程中容易出现较为复杂的地表构成；而浙江省的地形以丘陵为主，耕地分布在丘陵山地中与乔木、竹子等植物混杂；沿海岛屿本身面积较小且土地覆被格局复杂，都给分类带来了一定的不确定性。

表5 三种30 m分辨率产品间一致性

土地覆被分类的精度与地形地貌具有一定的相关性[20]，本研究结合长三角地区高程数据，对不一致像元进行了进一步的分析，生成了研究区内地表粗糙程度（使用10´10像元内高程的方差表示），并将原始高程数据以及地表粗糙程度分为了12和6个不同的分带，同时计算了在不同高程及地表粗糙程度分带下无一致性像元占其总数的比例与各分带像元数占像元总数比例的相关系数以及两比例间差的绝对值。相关系数分别为0.934和0.923，而差的绝对值不超过8%，且各分带下出现无一致性像元的比例占分带像元数7%以内，表明无一致性像元在各分带的分布与各分带的像元总数有强相关性。对长三角地区总体而言，高程对土地覆被分类精度的影响有限，这可能与长三角大部分区域比较平坦有很大的关联。而浙江省多丘陵，地形变化较快，故对浙江省进一步分析，结果如表6所示，较平坦地区的无一致性像元占比高于分带像元占比约12个百分点，而粗糙地区则低于分带像元占比约14个百分点，同时较平坦和较粗糙区域出现的无一致性像元占其总数约60%。这表明在地形起伏较为显著的浙江地区土地覆被分类的精度受地表粗糙程度的影响较强，但粗糙度到达一定程度后，由于不适于人类开发等原因，土地覆被类型较为单一，以一级类林地为主，使得土地覆被分类的结果较为稳定。

表6 不同地表粗糙程度等级下分带像元和不一致性像元占比

此外，由于人类经济活动对土地覆被类型也有很大影响，本文结合城市发展角度，按各市2015年人均生产总值将长三角41个地级市划分为了3个发展阶段。其中人均生产总值低于5.3万元的16个地级市所含无一致性像元的比例均低于5%，绝大部分城市包含无一致性像元比例低于4%小于研究区整体值4.39%；而人均生产总值高于9.0万元的11个地级市中，出现无一致性像元的比例均超过4%，绝大部分城市超过了5.5%。表明城市经济发展较为活跃的地区，人类活动会增加地表的破碎程度使得土地覆被复杂化，从而降低分类精度。

3.3 面向用户需求的评价结果分析

从3.1和3.2节的分析可以看出，6套数据产品的精度都可以基本满足用户需求，但对于只关注或对某种地类有针对性需求的用户而言选择合适的数据仍有一定的困难。因此面向长三角区域内不同研究需求，本文对6种产品进一步分析，探讨针对特定地类合理的选择更为合适的数据产品。在研究区内的湿地、裸地、灌丛和草地4个类型分类精度较低，从区域尺度可能无法单纯依靠这6套数据产品开展湿地、裸地、灌丛和草地相关研究，这与长三角地区地类的尺度有关，相关产品分辨率产品很难精细刻画。

基于此，本文针对4种主要土地覆被类型选择使用者精度和生产者精度的平均值（Avg）、差值的绝对值（Dif）作为产品对单一地类识别能力的评价标准，结果如表7所示，对于一级类耕地、林地、水体和建设用地的分类结果而言，6种产品都具有较好的分类精度，但也存在着一定的差别。耕地类选择上，CGLS_LC在耕地分类上具有最高的平均精度，其使用者精度与生产者精度的差异也只有5%，研究需要使用到耕地类别时具有更高的选择优先级。林地类的产品平均精度都在84%以上，其中GLC_FCS30和CGLS_LC表现出了相较其他产品更好的分类精度，同时由于产品的分辨率不同，用户可以根据研究需要选择30m或100m分辨率的数据产品。FROM数据在水体分类上平均精度达到85.38%，且相较于大多数产品使用者精度与生产者精度更加平衡，在进行相关研究中可优先选择这套数据产品。建设用地类别相较林地类别虽然总体上精度略低，但GLC_FCS30和CGLS_LC两套数据产品相对具有较好的分类结果，其中CGLS_LC产品精度较高主要得益于利用全球人居踪迹（World Settlement Footprint，WSF）[30]作为辅助数据提供了对建设用地类别的识别能力。GlobeLand30受到评价样本年份差异的影响，建设用地的精度影响一致性较弱，5a中研究区内的城市化程度加快，大量原本植被覆盖的自然地表转化为了建设用地是造成这一结果的原因之一。由于浙江地区的部分经济发展较为活跃城市土地覆被分类精度受到高程及区域经济发展程度的双重影响，需要更加关注其可能出现的分类精度下降，在有条件的情况下尽量结合精度更高的专题土地覆被数据使用，以提高分类数据的准确性。

表7 六套产品在长三角地区单一类别精度评价

注：Avg和Dif分别为使用者精度和生产者精度的平均值和差值的绝对值。

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

通过本文的分析可以看到，中国研制的3套30m分辨率全球土地覆被数据在长三角地区的一级大类特别是主要大类的细节刻画中均有较好表现，并且还具有分类精度更稳定的优势，就分类体系而言，3套产品在分类级数上也存在不同，GlobeLand30只将土地覆被类型分类至了1级类别，而另外两套产品则有对地表刻画更为精细的2级类别，更加适合对地表子类别细节有更高要求的专题用户。在2级分类体系上GLC-FCS30在部分区域相较FROM具有更精细的分类准则，这源于GLC_FCS30的分类标准中部分地类间存在包含关系，且2级类别类型数量也多于FROM。这使得在部分地区条件允许的情况下，GLC_FCS30对地表有着更细致的分类。从分类方法上看，GlobeLand30采用的“像元-知识-对象”（Pixel-Object-Knowledge，POK）在很大程度上提高了分类结果的精度减小了误差的产生，但也在一定程度上也增加产品的生产成本与生产周期；FROM数据采用传统的监督分类方法，具有制图效率高、数据定量化要求低的特点，但训练样本存在更新困难的问题。GLC_FCS30采用图像光谱库进行监督分类对光谱敏感的土地覆被类型有着更好的细节刻画，同时在不同年份的样本更新层面上也相较传统的样本获取分类方法具有更高效率和更低的成本的特点，但是对数据定量化要求较高，图像光谱构建困难。相比较之下，GLC_FCS30数据分类稳定性最高，对所有类别的平均分类精度保持在80%以上，总体精度在3套产品中最高，其与另外两种产品的一致性程度也都保持在75%以上。

4 结 论

本文选择CCI_LC、FROM、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC 6种全球土地覆被分类数据产品，在长三角地区进行了精度评价以及一致性评价；并重点对GlobleLand30、FROM和GLC_FCS30 3种30 m分辨率的土地覆被分类数据进行了空间一致性研究。结果显示：1）6种数据产品在长三角地区具有较高的总体分类精度；2）6种产品间土地覆被类别面积估算的相关性系数均大于0.9，在不考虑空间一致性的前提下，GlobeLand30、GLCNMO和GLC_FCS30以及FROM和CGLS_LC两组产品在估算面积上组内具有较高的相关性；3）中国研制的3种30m分辨率土地覆被分类产品间的总体一致性分别为72.23%、77.99%和76.41%，各土地覆被类型在研究区内具有一定的一致性，可为本区域的相关应用研究提供较好的支撑数据；4）从面向用户应用需求来看，CGLS_LC数据在耕地类型中具有最高的分类精度，GLC_FCS30和CGLS_LC在林地和建设用地类型中具有相近的较高分类精度，而FROM数据则是在水体类别具有最优分类精度，因本文选择数据产品的尺度原因，6套数据产品在湿地、裸地、灌丛和草地专题分类精度较低，无法精确刻画研究地类，因此需要辅助其他数据产品使用；5）长三角地区土地覆被分类稳定性整体受地形起伏影响较小，但是在主要地形分布为丘陵的浙江省的部分区域受地形影响出现了分类不稳定的情况。从城市发展的角度看，长三角地区土地覆被分类精度受到城市经济发展活跃程度影响。

本文的研究成果可为长三角区域研究提供辅助决策支持，但是由于使用点状验证样本在对粗分辨率的产品进行精度评定时会产生一定的尺度效应影响验证结果，若使用基本像素单元组成的样本块作为验证样本将可能可以减弱这一问题。同时，本次研究只验证了产品的一级分类精度，针对更细化的分类结果并没有很好的评价其分类精度水平，后期还可以构建更精细的验证样本，对分类体系相近的精细土地覆被分类产品进行精度评定。此外，充分利用精度评定以及一致性评价后的结果，结合多源土地覆被数据产品的优势进行数据产品融合，以提供综合精度更高的面向区域研究的土地覆被数据产品也是后续工作的重要内容。

致谢：感谢国家科技基础条件平台—国家地球系统科学数据共享服务平台—长三角科学数据中心（http://nnu.geodata.cn:8008/）提供数据支撑。

[1]廖安平，陈利军，陈军，等. 全球陆表水体高分辨率遥感制图[J]. 中国科学：地球科学，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]陈军，陈晋，宫鹏，等. 全球地表覆盖高分辨率遥感制图[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，孙九林，秦奋，等. 2015年中国1∶10万土地覆被数据河南地区精度评价[J]. 中国土地科学，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]刘琼欢，张镱锂，刘林山，等. 七套土地覆被数据在羌塘高原的精度评价[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，邸向红，侯婉，等. 中国海岸带土地利用遥感制图及精度评价[J]. 地球信息科学学报，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，张晓楠，王雨，等. 多尺度高分辨率全球土地覆被遥感产品相对一致性比较[J]. 农业工程学报，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]徐泽源，罗庆辉，许仲林. 新疆地区土地覆被遥感数据的一致性研究[J]. 地球信息科学学报，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]黄亚博，廖顺宝. 首套全球30m分辨率土地覆被产品区域尺度精度评价：以河南省为例[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，胡云锋，张千力. 多源卫星遥感土地覆被产品在南美洲的一致性分析[J]. 遥感信息，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]胡云锋，张千力，戴昭鑫，等. 多源遥感土地覆被产品在欧洲地区的一致性分析[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，张晓楠. 中国区域多源土地覆被遥感产品精度分析与验证[J]. 农业工程学报，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，张晓楠. 国家尺度异源土地覆被遥感产品精度评价[J]. 国土资源遥感，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]中共中央国务院. 长江三角洲区域一体化发展规划纲要[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

陈逸聪，邵华，李杨. 多源土地覆被产品在长三角地区的一致性分析与精度评价[J]. 农业工程学报，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

国家自然科学基金项目（41601449；41501431）；江苏省高校自然科学研究面上项目资助（15KJB420001；16KJD420002）

陈逸聪，主要研究方向为遥感影像分析、土地覆被分类。Email：202061123003@njtech.edu.cn

邵华，博士，讲师，主要研究方向为遥感影像分析、地理科学数据共享、空间数据挖掘。Email：shaohua@njtech.edu.cn

10.11975/j.issn.1002-6819.2021.06.018

P237

A

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