Accuracy evaluation and consistency analysis of multi-source remote sensing land cover data in the Yellow River Basin
-
摘要: 开源、多分辨率、及时的土地覆盖产品为了解全球地表覆盖状况、陆面过程模型模拟以及社会经济发展决策等提供了丰富的数据支撑, 但多源的数据存在不同程度的不确定性, 在区域尺度如何选择合适的土地覆被产品成为应用中的难题。本研究以黄河流域为例, 对分辨率从30 m到1000 m的CLCD_v01_2020、GLOBELAND30、GLC_FCS30_2020、LANDCOVER (300 m)、MCD12Q1 (500 m)和CNLUCC1000 (1000 m)等6种2020年土地覆被产品进行区域尺度精度评价和一致性分析。基于Google Earth采集的1540个样本点分析6种数据在黄河流域的总体精度, 以最高精度的数据为参考对其他数据进行面积一致性分析, 并对6种数据进行类别混淆分析和混淆图谱分析。结果表明, 6种数据中分类精度最高的为CLCD_v01_2020, 总体精度(overall accuracy, OA)达88.12%; 其次是GLOBELAND30 (OA=85.32%)、GLC_FCS30_2020 (OA=84.09%)、LANDCOVER300 (OA=77.79%)、MCD12Q1 (OA=73.38%)、CNLUCC1000 (OA=71.82%), 30 m土地覆被产品的KAPPA系数均在0.8以上, 随着空间分辨率的下降, 分类精度下降。 6种数据的土地覆被类别组成的相对比例总体上趋于一致, 但在耕地和草地两类土地覆被类别上仍存在较大差异, GLC_FCS30_2020与参考数据CLCD_v01_2020的相关性最高, R2达到0.9976。通过类别混淆分析可知6种数据普遍对耕地、林地和草地的混淆较为严重。类别混淆空间分析表明, 验证数据与参考数据在黄河上游的草地、中下游部分耕地和建设用地等类型较为单一的区域一致性较高, 而在陕西北部、山西西部的一致性较差, 主要表现为草地和林地的混淆。针对黄河流域土地覆被数据一级分类, 本研究建议, 30 m分辨率的数据中选择CLCD_v01_2020, 百米级分辨率数据中选择LANDCOVER300, 二级分类则可以根据所需的分类体系选择合适的数据。Abstract: With the development of multi-source remote-sensing platforms and technologies, various land cover datasets have been developed that provide a wealth of data to support the understanding of global land cover conditions, land surface process model simulations, and socioeconomic development decisions. However, selecting appropriate data for different regions from nationally or globally available land cover datasets is challenging. In this study, six land cover products in 2020 over the Yellow River Basin, including CLCD_v01_2020, GLOBELAND30, GLC_FCS30_2020, LANDCOVER (300 m), MCD12Q1 (500 m), and CNLUCC1000 (1000 m), with resolutions ranging from 30 to 1000 m, were evaluated for regional-scale accuracy and consistency analysis. Accuracy analyses were performed on six products based on 1540 samples for seven land cover types collected by Google Earth. Data with the highest overall accuracy (OA) were used as a reference for the area consistency analysis of the other five products. Category confusion and confusion mapping analyses were performed on six types of data. Hopefully, this study will provide a scientific reference for users to select appropriate land cover data for the Yellow River Basin. The results showed that the highest classification accuracy was for CLCD_v01_2020, with an OA of 88.12%, followed by GLOBELAND30 (OA=85.32%), GLC_FCS30_2020 (OA=84.09%), LANDCOVER300 (OA=77.79%), MCD12Q1 (OA=73.38%), and CNLUCC1000 (OA=71.82%). The KAPPA coefficients of the land cover products with a resolution of 30 m were all above 0.8, and the classification accuracy decreased as the spatial resolution decreased. CLCD_v01_2020, with the highest OA, was used as the reference dataset, and the area correlations and confusion mapping were calculated separately for the remaining five validation product datasets. The relative proportions of different land cover types were generally consistent across the six products; however, there were still large differences between croplands and grasslands. GLC_FCS30_2020 had the highest correlation with the reference data CLCD_v01_2020, with an R2 value of 0.9976. Category confusion analysis showed that the six data types were generally confused between croplands, forests, and grasslands. There was good consistency in the grasslands of eastern Qinghai in the upper reaches of the Yellow River and the cropland and construction land of the middle and lower reaches. The areas of poor consistency were mainly in the middle reaches of the Yellow River in northern Shaanxi and western Shanxi, which were mainly confused grasslands with forests. For the primary classification of land cover data in the Yellow River Basin, it is recommended that CLCD_v01_2020 data be selected for 30 m resolution and LANDCOVER300 for 100-m scale resolution data. In contrast, secondary classification can be chosen according to the desired classification system.
-
土地覆被是地球表层自然状态的客观反映, 其空间分布格局及动态变化对于解决全球和区域环境演变、可持续发展等问题具有重大意义[1-3]。近年来, 随着卫星遥感技术和GIS技术的高速发展, 极大程度促进了土地覆被产品的时空分辨率和精度的提高, 涌现出大量优质的土地覆被数据集。然而, 这些数据集在区域尺度的具体应用中往往存在以下几个方面的不确定性[4-5], 使得数据集的应用受到限制: 1)所使用的遥感数据获取时间、土地覆被分类技术、分类体系等的差异; 2)目前发布的土地覆被数据集大多数是全球和国家尺度的, 在区域尺度的精度和适用性存在不确定性; 3)测量或表达尺度即数据源和产品的空间分辨率也存在差异, 使得多套的数据集在区域尺度存在不确定性, 使用受到限制, 难以选择合适的数据集[6]。因此, 在使用数据之前对现有土地覆被数据的精度分析与评价至关重要。
目前, 国内外学者基于各类土地覆被遥感产品在不同尺度上进行了相关研究, 主要以洲际和国家尺度居多, 包括中国、西班牙、南美洲、欧洲、北极地区等相关区域的研究[7-13]。例如宋宏利等[8]以中国科学院的CHINA2000数据为参考, 从国家尺度上对全球4种土地覆被遥感产品的分类精度进行了评价; 戴昭鑫等[12]评价了5种全球卫星土地覆被产品在南美洲地区的一致性。区域尺度上, 我国学者对长江流域、新疆、京津冀等地的多套数据产品进行了基本精度验证及一致性分析[14-16], 评价方法上多采用相对评价方法、类型面积对比、误差矩阵分析和类型空间混淆等方法[17]; 研究形式上部分学者以某套数据产品为对象, 评价在研究区域内的总体精度[18-21], 或者评价多套全球土地覆被数据精度和一致性。虽然众多学者对各土地覆被产品的研究取得了一些成果, 但是存在对同一地区不同年份的对比、参考数据的选择具有随意性等问题, 也鲜见对黄河流域多空间分辨率土地覆被产品的定性和定量对比评价, 数套不同分辨率的遥感产品该如何选择的问题, 仍有待进一步研究。
本文以黄河流域为研究区, 基于2020年的30 m分辨率土地覆被产品CLCD_v01_2020、GLOBELAND30和GLC_FCS30_2020和低分辨率土地覆被产品LANDCOVER (300 m)、MCD12Q1 (500 m)和CNLUCC1000 (1000 m), 采用直接和间接评价相结合的方法, 进行区域尺度精度评价。本研究旨在通过对比同期不同来源不同空间分辨率的土地覆被产品在黄河流域的精度表现, 为用户在区域尺度合理利用土地覆被遥感产品提供科学参考。
1. 研究区概况与数据来源
1.1 研究区概况
黄河流域地势东低西高, 西部河源地区平均海拔在4000 m以上(图1), 分布着众多高山, 有冰川地貌发育; 中部地区的平均海拔1000~2000 m, 为黄土地貌; 东部地区主要由黄河冲积平原组成。该流域横跨东、中、西三大地形阶梯, 是我国重要的生态安全屏障, 也是人口活动和经济发展的重要区域。因此, 黄河流域的生态环境问题是关乎流域生态安全及社会经济高质量发展的关键问题之一。而根据《2019年中国水资源公报》和《2020年中国统计年鉴》[22], 黄河流域水资源总量为797.5×108 m3, 仅占全国水资源总量的2.75%; 黄河流域降水量为496.9 mm, 相当于长江流域的46.87%; 黄河流域人均国内生产总值(GDP)为55 470.29元, 低于全国水平的27.80%。同时, 根据《2019黄河泥沙公报》, 近10年来, 随着干流河底的不断淤积, 小浪底库区最大支流畛水的断面淤积抬高62.90 m, 主要支流大峪河的断面淤积抬高53.83 m。当前黄河流域存在的水资源匮乏、水沙关系失衡等生态环境问题严重制约了黄河流域的发展质量, 是关乎流域生态安全及社会经济高质量发展的关键问题之一。目前, 黄河流域生态保护和高质量发展已上升为重大国家战略, 系统科学地认识黄河流域的环境格局变化是实现黄河流域高质量发展的重要前提[23-24]。
1.2 数据来源
1.2.1 土地覆被数据
本研究采用不同来源30~1000 m不同分辨率的6种土地覆被产品进行精度评价和一致性分析, 各种数据详细参数如表1所示。中国逐年土地覆盖数据集(Annual China Land Cover Dataset, CLCD), 是基于GEE上所有可获得的Landsat数据, 结合从中国土地利用/覆盖数据集(CLUD)中提取的稳定样本, 以及从Google Earth等通过目视解译收集的训练样本, 结合随机森林分类器得到1985—2021年中国土地利用分类结果[25], 本文采用的为Version 1.0.0中2020年的数据, 即命名为CLCD_v01_2020。GLOBELAND30数据集是国家基础地理信息中心等多单位开发的全球首个30 m地表覆盖数据产品, 包含2000年、2010年和2020年3期, 采用“像素分类—对象提取—知识检核”方案制作而成[26]。GLC_FCS30_2020是中国科学院空天信息创新研究院2020年最新研发的全球30 m地表覆盖精细分类产品, 并以该数据为基准, 采用耦合变化检测和动态更新相结合的长时序地表覆盖动态监测方案, 生产了1985—2020年全球30 m精细地表覆盖动态监测产品, 该产品包含29个地表覆盖类型, 更新周期为5年[27]。LANDCOVER数据集是利用2003—2012年的中分辨率成像光谱仪(MERIS)数据生成10年基线土地覆被图, 然后再结合AVHRR、SPOT、PROBA-V、Sentinel-3等不同数据进行回溯和更新而生成, 时间序列为1992—2020年。MCD12Q1数据产品是使用MODIS Terra和Aqua反射率数据经过监督分类后, 再结合先验知识和辅助信息等做分类后处理进一步细化到特定类别[28]。中国多时期土地利用/土地覆被遥感监测数据集(CNLUCC1000)是中国科学院地理科学与资源研究所牵头生产的系列数据集, 2020年的数据是在2015年土地利用遥感监测数据的基础上, 基于Landsat 8 遥感影像, 通过人工目视解译生成[29], 该原始数据空间分辨率为30 m, 本文所采用的是公开发布的空间分辨率为1000 m的重采样产品。
表 1 研究所用多源遥感土地覆被产品的参数表Table 1. Parameters of multi-source remote-sensing land cover products used in the study产品名称
Product name来源
Source分辨率
Resolution (m)区域
Region制图单位
Cartographic organization分类方法
Classification method传感器
Sensor分类体系
Classification systemCLCD_v01_2020 https://zenodo.org./ 30 中国
China武汉大学
Wuhan University随机森林
Random forestLandsat LCCS(9) GLOBELAND30 https://GlobeLand30/ 30 全球
Global国家基础地理
信息中心等
National Basic Geographic Information Center, etc监督分类
Supervise classificationLandsat LCCS(10) GLC_FCS30_2020 https://data.casearth.cn/ 30 全球
Global中国科学院空天信息创新研究院
Institute of Aerospace Information Innovation, Chinese Academy of Sciences监督分类
Supervise classificationLandsat IGBP(29) LANDCOVER https://cds.climate.copernicus.eu/ 300 全球
Global欧洲航天局
European Space Agency非监督分类
Unsupervised classificationMERIS
PROBA-V
Sentinel-3LCCS(36) MCD12Q1 https://www.earthdata.nasa.gov/ 500 全球
Global波士顿大学
Boston University监督分类
Supervise classificationMODIS IGBP(17) CNLUCC1000 https://www.resdc.cn/ 1000 中国
China中国科学院地理科学与资源研究所
Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences目视解译
Visual interpretationLandsat LCCS(25) 所采用的6种土地覆被产品年份均为2020年, 其中CLCD_v01_2020、GLOBELAND30和GLC_FCS30_2020产品分辨率均为30 m; LANDCOVER、MCD12Q1和CNLUCC1000为更低分辨率, 分别为300 m、500 m和1000 m。
1.2.2 验证样本
本研究所采用的验证样本点均是在Google Earth上通过对2020年黄河流域的历史影像进行目视解译筛选出来的, 共采取了1540个样本点(图2), 其中耕地540个、林地293个、草地204个、水域182个、冰川58个、裸地105个和建设用地158个样本点。为减少样本由于定位误差和解译误差所带来的影响, 在进行样本选择及解译时需遵循以下原则: 1)样本点选择区域至少为2 km×2 km均质区域的中心点。2)使用与待评价数据时相一致的2020年的遥感影像, 并参考2019—2021年间的多时相数据。3)对于少数解译较为困难的样本, 结合参考其他辅助信息解译。4)采用多人独立解译方式, 并在解译结果经商议无法统一时, 舍弃该样本。在遵循以上原则的基础上, 按类别面积大小、随机采样确定样本位置。
![]()
图 2 基于Google Earth的黄河流域样本点分布Figure 2. Sample points distribution of the Yellow River Basin based on Google Earth1.3 数据预处理
首先, 将LANDCOVER和MCD12Q1的格式进行统一化处理, 而后, 为保证土地覆被数据投影一致和无面积变形, 选择Albers等积投影作为基准投影, 最后将数据进行裁剪得到黄河流域的土地覆被数据。
统一的分类体系是土地覆被数据精度评价的前提。由于6种数据采用了不同的分类体系, 为了统一标准, 在精度评价前需将6种数据聚类为表2所示的7种地物类型, 分别是耕地、林地、草地、水域、冰川、裸地和建设用地。
表 2 研究所用土地覆被产品类别聚合表Table 2. Aggregation table of land cover types of multi-source remote-sensing products used by the study· 产品名称
Product name耕地
Cropland林地
Forest草地
Grassland水域
Waters冰川
Glacier裸地
Barren建设用地
Construction landCLCD_v01_2020 1 2, 3 4 5, 9 6 7 8 GLOBELAND30 10 20, 40 30, 70 50, 60 100 90 80 GLC_FCS30_2020 10, 20 12~122 11, 130~153 180, 210 220 200~202 190 CNLUCC1000 11, 12 21~24 31~33 41~43, 45, 46, 64, 99 44 61~63, 65~67 51~53 MCD12Q1 12, 14 1~7 8~10 11, 17 15 16 13 LANDCOVER 10~30 40~122, 170, 180 130, 150 210 220 200~202 190 表中的数字代表不同遥感产品原始分类体系类别代码。The numbers in the table represent the original classification system category codes for different remote sensing products. 2. 研究方法
2.1 样本精度评价
由于Google Earth影像具有定位准确、时相丰富、分辨率高、获取方便、覆被广泛等优势, 是精度评价的主要数据源之一[30-33], 所以本研究采用Google Earth影像作为样本, 生成了6种土地覆被分类数据的混淆矩阵。计算总体精度(overall accuracy, OA)、Kappa系数(K)、使用者精度(user accuracy, UA), 以评价6种土地覆被产品在黄河流域的分类精度情况, 将精度最高的产品作为参考数据进行后续的分析与评价。具体计算方法如下:
$$ {\rm{OA}}= \frac{\displaystyle\sum _{i=1}^{n}{x}_{ii}}{N} $$ (1) $$ {\rm{PA}}= \frac{{x}_{ii}}{{x}_{+i}} $$ (2) $${\rm{ UA}}= \frac{{x}_{ii}}{{x}_{i+}} $$ (3) $$ K=\frac{N\displaystyle\sum _{i=1}^{n}{x}_{ii}-\displaystyle\sum _{i=1}^{n}({x}_{i+}{x}_{+i})}{{N}^{2}-\displaystyle\sum _{i=1}^{n}({x}_{i+}{x}_{+i})} $$ (4) 式中:
$ N $ 是参与评价的样本总数,$ n $ 是混淆矩阵中的行列数,$ {x}_{ii} $ 是混淆矩阵中第$ i $ 行第$ i $ 列的样本数,$ {x}_{i+} $ 和$ {x}_{+i} $ 分别为第$ i $ 行和第$ i $ 列的样本总数。2.2 面积一致性评价
为满足土地覆被产品的不同应用需求, 在对多套土地覆被分类产品进行比较时, 通常将多套验证数据与参考数据进行构成相似性分析得到面积一致性评价。相关系数(
$ R^2 $ )表示的是两向量之间的线性关系, 本研究通过计算聚合重分类后的5种土地覆被验证数据与参考数据土地利用数据类型面积的相关性来评价5种数据类型面积相对参考数据的偏离程度。相关系数的定义式如下:
$$ {R}_{i}^{2}=\frac{\displaystyle\sum _{k=1}^{9}\left({x}_{k}-\overline{x}\right)\left({y}_{k}-\overline{y}\right)}{\sqrt{\displaystyle\sum _{k=1}^{9}{\left({x}_{k}-\overline{x}\right)}^{2}}\displaystyle\sum _{k=1}^{9}{\left({y}_{k}-\overline{y}\right)}^{2}} $$ (5) 式中:
$ i $ 是第$ i $ 种待验证的土地覆被类型产品;$ k $ 取1, 2, 3···, 7, 代表7种不同的土地覆被类别;$ {x}_{k} $ 为各类别的总面积(km2);$ {y}_{k} $ 为参考数据各类别的总面积($ \mathrm{k}{\mathrm{m}}^{2} $ );$ \overline{x} $ 为所要评价的土地覆被数据7种面积的均值($ \mathrm{k}{\mathrm{m}}^{2} $ );$ \overline{y} $ 为参考数据的7种面积的均值(km2)。2.3 类别混淆图谱分析
面积一致性评价能够表明不同土地覆被产品间土地类型面积构成上的相似性, 但无法刻画不同产品之间同一土地覆被类型在空间上的混淆程度[34-35]。因此, 采用空间叠置方法, 获取不同产品之间逐像元的空间对应关系; 而后汇总计算全部类型像元的个数(面积), 并与总像元数(总面积)比较, 即可得到关于不同产品之间、同一土地覆被类别在空间上的纯净程度(两种产品指示为同一种类型)或混淆程度(两种产品指示为不同的类型)的判断。
3. 结果与分析
3.1 样本精度评价
通过Google Earth在2020年黄河流域的历史影像上选取验证样本点, 然后运用公式(1)-(4)计算得到多源产品精度评价结果(表3)。从总体精度(OA)看, CLCD_v01_2020最高(OA=88.12%), CNLUCC1000最低(OA=71.82%)。其他数据总体精度从高到低依次是GLOBELAND30 (OA=85.32%)、GLC_FCS30_2020 (OA=84.09%)、LANDCOVER300 (OA=77.79%)、MCD12Q1 (OA=73.38%)。30 m土地覆被产品的KAPPA系数均在0.8以上, 分类精度较高, 随着产品分辨率的下降, 分类精度总体也呈现下降趋势。
表 3 不同遥感产品的土地覆被精度Table 3. Accuracy results of land cover types of different remote-sensing products% 土地覆被类型
Land cover typeCLCD_v01_2020 GLOBELAND30 GLC_FCS30_2020 LANDCOVER300 MCD12Q1 CNLUCC1000 UA PA UA PA UA PA UA PA UA PA UA PA 耕地 Cropland 92.38 96.48 87.03 99.44 93.28 82.22 80.74 89.26 84.99 93.33 79.40 83.52 林地 Forest 97.42 90.10 95.56 80.89 95.99 89.76 93.88 89.08 99.48 65.19 93.45 73.04 草地 Grassland 64.97 93.63 60.32 73.04 48.78 88.24 43.60 73.53 40.09 91.18 45.57 73.04 水域 Waters 100.00 73.63 96.21 69.78 97.45 84.07 100.00 46.70 91.43 17.58 70.45 34.07 冰川 Glacier 100.00 56.90 100.00 67.24 100.00 53.45 100.00 50.00 100.00 37.93 100.00 44.83 裸地 Barren 81.61 67.62 71.13 65.71 90.36 71.43 76.00 36.19 62.79 51.43 55.74 64.76 建设用地 Construction land 91.08 90.51 97.50 98.73 99.33 94.30 97.45 96.84 95.27 89.24 75.56 86.08 OA 88.12 85.32 84.09 77.79 73.38 71.82 KAPPA 84.91 81.22 80.10 71.54 66.06 64.30 UA为使用者精度, PA为生产者精度, OA为总体精度。UA is the consumer accuracy, PA is the producer accuracy, and OA is the overall accuracy. 各数据集在不同覆被类型上存在较大的精度差异。GLC_FCS30_2020在耕地上具有最高的使用者精度(UA, 93.28%), CNLUCC1000的UA (79.40%)最低。对于林地, MCD12Q1具有最高的UA (99.48%), CNLUCC1000最低(93.45%)。草地方面, CLCD_v01_2020具有最高的UA, 但也仅有64.97%, MCD12Q1的UA仅为40.09%。对于水域CLCD_v01_2020和LANDCOVER300具有最高的UA (100%), CNLUCC1000具有最低的UA (70.45%)。6种产品在冰川类型上都具有最高的UA(100%)。对于裸地和建设用地, GLC_FCS30_2020均具有最高的UA, CNLUCC1000具有最低的UA。
综上可知, CLCD_v01_2020具有最高的精度结果, 主要是由于该数据是以国家为尺度制作的, 相比于其他数据在中国拥有更多的样本, 并且分类体系属于一级分类, 从而增加了聚类的准确性。CNLUCC1000具有最低的精度结果是由于分辨率是所有数据中最粗的, 较粗的栅格增加了混合像元的概率, 同时在定位上可能会存在偏差。6种产品对于冰川都具有最高UA, 草地的分类精度最低, 存在耕-草和林-草混淆。
3.2 面积一致性分析
统计6种遥感产品中各地表覆被类型的面积占比发现, 不同数据源各类别面积构成比例总体一致, 但具体数值上仍存在一定差异。6种数据均表明, 流域内草地是最主要的土地覆被类型(~50%), 其次是耕地和林地, 裸地和建设用地等其他土地覆被类型占比较小, 均在10%以下(图3a)。将具有最高样本精度的CLCD_v01_2020产品作为参考数据, 分析其他数据的面积偏差, 结果表明(图3b), 不同数据产品对不同土地覆被的面积判定存在差异。耕地上, GLC_FCS30_2020与参考数据最为接近(−1.28%), GLOBELAND30产品差异最大(7.35%)。草地的面积偏差最大, 最大和最小值相差20%以上, 其中, GOLELAND30草地面积较CLCD_v01_2020偏小12.04%, MCD12Q1草地的面积占比均高于其他数据, 比参考数据高11.19%。林地方面, 除MCD12Q1 (−6.8%)外, 其他各验证数据与参考数据一致性较高。CNLUCC1000的裸地与参考数据面积差异最大(3.42%)。建设用地、冰川和水域等类型与参考数据均表现出较好的一致性, 这是由于这3种土地覆被类型在黄河流域的面积占比本身较小。综上可得, GLOBELAND30高估了耕地面积, 低估了草地面积, 存在耕地与草地混淆, 将部分草地分进了耕地, LANDCOVER也存在同样的情形。MCD12Q1对草地面积的高估则是由于林草的混淆, 导致部分林地被错分为草地。CNLUCC1000数据低估了草地面积是由于草地与裸地混淆较为严重, 部分草地被分进了裸地。
![]()
图 3 不同遥感产品的黄河流域土地覆被类别面积组成(a)与面积偏差(b)Figure 3. Area composition (a) and area deviation (b) of different land cover types in the Yellow River basin of different remote-sensing products由3.1可知, CLCD_v01_2020数据具有最高的样本验证精度, 因此, 确定以CLCD_v01_2020为参考数据, 分别计算其余5种验证数据集与该数据的面积相关性。结果表明, 5种验证产品与参考数据的相关性均较高, 其中最高的为GLC_FCS30_2020产品, 相关性为0.9976, 这是由于两种数据采用同样的LCCS分类体系且都为一级分类, 从而增加了聚类的准确性。相关性最低的为GLOBELAND30产品, 相关性为0.9687, 这是由于GLOBELAND30产品的草地和耕地的面积与参考数据相差较大, 从而降低了总体的相关性。其余数据相关性从高到低依次为CNLUCC1000 (0.9917)、MCD12Q1 (0.9896)、LANDCOVER (0.9780)。
3.3 类别混淆分析
图4展示了6种土地覆被产品不同地物类型间的混淆情况, 纵坐标表示不同土地覆被类型的样本点被划分为横坐标所对应地物的数量占比, 当样本类型与横坐标对应地物类型相同时, 则代表一致, 否则代表混淆。
![]()
图 4 多源遥感数据的土地覆被类型混淆程度Figure 4. Degrees of confusion between land cover types of different remote-sensing products不同土地覆被产品中耕地、林地、水域、冰川和建设用地的分类精度较高, 被混淆的比例较低, 这是因为这些地类的光谱特征普遍明显, 地物成片分布、边界较为清晰, 因此和其他类别混淆相对较少。裸地和冰川光谱特征相似, 因此易被识别为冰川。草地是不确定性最大的类型, 且普遍存在于各分辨率产品中, CLCD_v01_2020和GLOBELAND30将林地、裸地与草地混淆, 而GLC_FCS30_2020存在明显的耕地和草地混淆。百米以上的粗分辨率产品对草地的分类不确定性更大, 普遍存在裸地、耕地、林地与草地的混淆, 这可能是由于草地存在不同覆盖特征易与其他地类混淆。粗分辨率的水域存在与林地、草地等的错分, 主要是由于栅格尺寸大, 但水域一般较为狭长, 因此, 存在混合像元导致混淆。另外, CNLUCC1000由于较粗的分辨率, 在城镇边缘存在城镇用地与耕地的混合像元, 导致样本点类型有偏差。由此可见, 分辨率越高, 分类精度越高, 所以提高遥感土地覆被产品的分辨率可以增加对不同地物的分类精度, 也是目前的发展方向。
3.4 类别混淆图谱分析
为分析多源土地覆被产品在空间上的一致性, 将参考数据CLCD_v01_2020产品作为基准, 对其他数据进行叠加分析(图5)。结果表明, 5种土地覆被产品与CLCD_v0_2020总体空间一致性较高, 但仍存在部分混淆情况。一致性表现在黄河上游青海东部的草地, 黄河中下游部分耕地和建设用地等土地利用较为单一和明显的区域, 而在黄河中游陕西北部、山西西部和宁夏区域一致性较低, 主要表现为草地和林地的混淆。其中GLC_FCS30_2020与参考数据一致性较好, 但仍在黄河上中游内蒙古西南部的草地和山西西部的耕地一致性较低。GLOBELAND30与参考数据在黄河上中游宁夏区域和山西西部的草地一致性较差。LANDCOVER与CLCD_v01_2020在黄河上游一致性较好, 但在黄河中游山西西部和陕西北部的一致性较差, 混淆在草地、耕地和裸地之间。MCD12Q1与CLCD_v01_2020在黄河上游草地一致性较好, 而在黄河中游陕西北部、山西西部和河南北部的林地一致性较差。CNLUCC1000与参考数据的混淆表现出破碎特征, 在黄河上中游主要表现为草地的混淆, 在黄河下游主要表现为林地和耕地的混淆。对于5种数据与CLCD_v0_2020差异较大的区域, 如山西西部与陕西北部, 通过与Google earth历史影像对比, 发现在山西西部差异较大的地物实际为耕地, 在陕西北部差异较大的地物实际为草地, 结果均与参考数据一致, 这表明对于植物的精确分类算法仍需要改善。
![]()
图 5 多源遥感产品与参考数据的类别混淆空间图谱R表示参考数据, V代表验证数据。R represents the reference data and V represents the verification data.Figure 5. Confuse spatial atlases of multi-source remote-sensing land cover products with the categories of reference data4. 讨论和结论
本研究评估了黄河流域6套土地覆被数据的分类精度, 结果表明, 6种数据精度从高到低依次为CLCD_v01_2020、GLOBELAND30、GLC_FCS30_2020、LANDCOVER300、MCD12Q1、CNLUCC1000。该结果与刘琼欢等[34]在羌塘高原利用直接法得到的不同数据集精度从高到低的顺序一致(GLOBELAND30>GLC2000>MCD12Q1), 但与陈逸聪等[14]在长三角地区的评价结果(GLC_FCS30>GlobeLand30>CCI_LC>FROM-GLC)和仝冉等[32]在蒙古高原的研究结果(GLC_FCS30>GLOBELAND30>FROM-GLC)存在一定差异。较已有的研究, 本研究增加了CLCD数据集, 发现在黄河流域该数据集较GLOBELAND30、GLC_FCS30精度更高。在不同的研究区, 可以看出多源数据精度总体较高, 但由于样本的选择、目标分类系统、评价方法等的差异会对结果造成一定影响, 导致各数据的评价结果也存在差异。
对于黄河流域不同土地覆被精度产生差异的原因与黄亚博等[19]在河南区域产生差异的原因类似, 主要有以下几方面: 1)制图范围的不同会造成数据的精度差异。全球范围的数据在中国区域的训练样本较少, 从而导致在相同分辨率下, 分类精度较低。2)不同的空间分辨率也是造成差异的原因之一。高分辨率数据的像元纯净度较粗分辨率的数据高, 因此, 分类精度也较高。3)分类体系的转换也可能造成精度的差异。统一的分类体系是土地覆被数据精度评价的基础, 但不同的分类体系在向目标分类体系转换时可能存在误差, 从而会影响后续精度评价的准确性。
从混淆类型来看, 黄河流域主要表现为耕地、林地和草地的混淆, 这与已有的研究结果类似[13,19,21]。例如全国尺度耕地和草地面积变化趋势以及空间分布与我国实际情况存在较大差距[13], 河南省山地与平原、山地与盆地过渡带的耕地、林地和草地混淆严重[19,21]。可见, 目前对于植被类型的精确分类仍是土地覆被数据生产的主要难题之一, 在未来针对耕地、林地和草地的混淆现象, 建议在结合地形特征的基础上, 引入区域植被物候信息以降低“异物同谱”所带来的影响。
综上, 本研究通过在Google Earth上选择验证点对黄河流域6种土地覆被数据进行精度评价, 并选择精度较高的数据作为参考数据与其他数据进行面积一致性分析和类别图谱分析。主要结论如下: 利用验证点对6种土地覆被数据进行精度评价可得, 6种数据的精度为71.82%~88.12%, 其中30 m的土地覆被数据中, CLCD_v01_2020产品精度最高, 低分辨率的数据中, LANDCOVER300产品精度最高, 为77.79%。6种数据对黄河流域土地覆被构成的描述基本一致, 即黄河流域主要以草地、耕地和林地为主体, 继而为水域、冰川雪地、裸地和建设用地等其他土地类型。不同土地覆被产品与CLCD_v01_2020的面积相关性很强, 相关系数为96.87%~99.76%。不同产品与CLCD_v01_2020在黄河上游青海东部的草地, 黄河中下游部分耕地和建设用地等类型较为单一的区域一致性较高, 而在陕西北部、山西西部的一致性较差, 主要表现为草地和林地的混淆。针对黄河流域土地覆被数据, 30 m分辨率的数据中可以综合选择总体精度最高的CLCD_v01_2020数据, 百米级分辨率数据中选择LANDCOVER300, 或者生成粗分辨率像元内各地类的面积百分比, 以提高计算和模拟精度。
-
![]()
图 2 基于Google Earth的黄河流域样本点分布
Figure 2. Sample points distribution of the Yellow River Basin based on Google Earth
![]()
图 3 不同遥感产品的黄河流域土地覆被类别面积组成(a)与面积偏差(b)
Figure 3. Area composition (a) and area deviation (b) of different land cover types in the Yellow River basin of different remote-sensing products
![]()
图 4 多源遥感数据的土地覆被类型混淆程度
Figure 4. Degrees of confusion between land cover types of different remote-sensing products
![]()
图 5 多源遥感产品与参考数据的类别混淆空间图谱
R表示参考数据, V代表验证数据。R represents the reference data and V represents the verification data.
Figure 5. Confuse spatial atlases of multi-source remote-sensing land cover products with the categories of reference data
表 1 研究所用多源遥感土地覆被产品的参数表
Table 1 Parameters of multi-source remote-sensing land cover products used in the study
产品名称
Product name来源
Source分辨率
Resolution (m)区域
Region制图单位
Cartographic organization分类方法
Classification method传感器
Sensor分类体系
Classification systemCLCD_v01_2020 https://zenodo.org./ 30 中国
China武汉大学
Wuhan University随机森林
Random forestLandsat LCCS(9) GLOBELAND30 https://GlobeLand30/ 30 全球
Global国家基础地理
信息中心等
National Basic Geographic Information Center, etc监督分类
Supervise classificationLandsat LCCS(10) GLC_FCS30_2020 https://data.casearth.cn/ 30 全球
Global中国科学院空天信息创新研究院
Institute of Aerospace Information Innovation, Chinese Academy of Sciences监督分类
Supervise classificationLandsat IGBP(29) LANDCOVER https://cds.climate.copernicus.eu/ 300 全球
Global欧洲航天局
European Space Agency非监督分类
Unsupervised classificationMERIS
PROBA-V
Sentinel-3LCCS(36) MCD12Q1 https://www.earthdata.nasa.gov/ 500 全球
Global波士顿大学
Boston University监督分类
Supervise classificationMODIS IGBP(17) CNLUCC1000 https://www.resdc.cn/ 1000 中国
China中国科学院地理科学与资源研究所
Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences目视解译
Visual interpretationLandsat LCCS(25) 
下载: 导出CSV
表 2 研究所用土地覆被产品类别聚合表
Table 2 Aggregation table of land cover types of multi-source remote-sensing products used by the study
· 产品名称
Product name耕地
Cropland林地
Forest草地
Grassland水域
Waters冰川
Glacier裸地
Barren建设用地
Construction landCLCD_v01_2020 1 2, 3 4 5, 9 6 7 8 GLOBELAND30 10 20, 40 30, 70 50, 60 100 90 80 GLC_FCS30_2020 10, 20 12~122 11, 130~153 180, 210 220 200~202 190 CNLUCC1000 11, 12 21~24 31~33 41~43, 45, 46, 64, 99 44 61~63, 65~67 51~53 MCD12Q1 12, 14 1~7 8~10 11, 17 15 16 13 LANDCOVER 10~30 40~122, 170, 180 130, 150 210 220 200~202 190 表中的数字代表不同遥感产品原始分类体系类别代码。The numbers in the table represent the original classification system category codes for different remote sensing products.
下载: 导出CSV
表 3 不同遥感产品的土地覆被精度
Table 3 Accuracy results of land cover types of different remote-sensing products
% 土地覆被类型
Land cover typeCLCD_v01_2020 GLOBELAND30 GLC_FCS30_2020 LANDCOVER300 MCD12Q1 CNLUCC1000 UA PA UA PA UA PA UA PA UA PA UA PA 耕地 Cropland 92.38 96.48 87.03 99.44 93.28 82.22 80.74 89.26 84.99 93.33 79.40 83.52 林地 Forest 97.42 90.10 95.56 80.89 95.99 89.76 93.88 89.08 99.48 65.19 93.45 73.04 草地 Grassland 64.97 93.63 60.32 73.04 48.78 88.24 43.60 73.53 40.09 91.18 45.57 73.04 水域 Waters 100.00 73.63 96.21 69.78 97.45 84.07 100.00 46.70 91.43 17.58 70.45 34.07 冰川 Glacier 100.00 56.90 100.00 67.24 100.00 53.45 100.00 50.00 100.00 37.93 100.00 44.83 裸地 Barren 81.61 67.62 71.13 65.71 90.36 71.43 76.00 36.19 62.79 51.43 55.74 64.76 建设用地 Construction land 91.08 90.51 97.50 98.73 99.33 94.30 97.45 96.84 95.27 89.24 75.56 86.08 OA 88.12 85.32 84.09 77.79 73.38 71.82 KAPPA 84.91 81.22 80.10 71.54 66.06 64.30 UA为使用者精度, PA为生产者精度, OA为总体精度。UA is the consumer accuracy, PA is the producer accuracy, and OA is the overall accuracy.
下载: 导出CSV
-
[1] 张镱锂, 刘林山, 王兆锋, 等. 青藏高原土地利用与覆被变化的时空特征[J]. 科学通报, 2019, 64(27): 2865−2875 doi: 10.1360/TB-2019-0046 ZHANG Y L, LIU L S, WANG Z F, et al. Spatial and temporal characteristics of land use and cover changes in the Tibetan Plateau[J]. Chinese Science Bulletin, 2019, 64(27): 2865−2875 doi: 10.1360/TB-2019-0046
[2] 李广东. 全球土地覆被时空变化与中国贡献[J]. 地理学报, 2022, 77(2): 353−368 LI G D. Spatio-temporal change of global land cover and China’s contribution[J]. Acta Geographica Sinica, 2022, 77(2): 353−368
[3] 胡乔利, 齐永青, 胡引翠, 等. 京津冀地区土地利用/覆被与景观格局变化及驱动力分析[J]. 中国生态农业学报, 2011, 19(5): 1182−1189 HU Q L, QI Y Q, HU Y C, et al. Changes and driving forces of land use/cover and landscape patterns in Beijing-Tianjin-Hebei region[J]. Chinese Journal of Eco-Agriculture, 2011, 19(5): 1182−1189
[4] 白燕, 冯敏. 全球尺度多源土地覆被数据融合与评价研究[J]. 地理学报, 2018, 73(11): 2223−2235 BAI Y, FENG M. Data fusion and accuracy evaluation of multi-source global land cover datasets[J]. Acta Geographica Sinica, 2018, 73(11): 2223−2235
[5] 廖顺宝, 葛乐玮, 王艳萍, 等. 利用地形参数提高土地覆被分类精度方法的改进[J]. 遥感信息, 2021, 36(3): 10−16 LIAO S B, GE L W, WANG Y P, et al. Improvement of method of enhancing classification accuracy of land cover based on terrain factors[J]. Remote Sensing Information, 2021, 36(3): 10−16
[6] 马红梅, 王苗苗, 刘勇. 多源遥感数据土地覆被空间尺度效应探讨[J]. 遥感信息, 2017, 32(2): 149−155 MA H M, WANG M M, LIU Y. Spatial scale effect of land cover based on multi-source remote sensing data[J]. Remote Sensing Information, 2017, 32(2): 149−155
[7] 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 Y F, ZHANG Q L, DAI Z X, 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
[8] 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, 296 SONG H L, ZHANG X N. Precision analysis and validation of multi-sources landcover products derived from remote sensing in China[J]. Transactions of the Chinese Society of Agricultural Engineering, 2012, 28(22): 207−214, 296
[9] GAO Y, LIU L Y, ZHANG X, et al. Consistency analysis and accuracy assessment of three global 30-m land-cover products over the European union using the LUCAS dataset[J]. Remote Sensing, 2020, 12(21): 3479 doi: 10.3390/rs12213479
[10] LIANG L, LIU Q S, LIU G H, et al. Accuracy evaluation and consistency analysis of four global land cover products in the Arctic region[J]. Remote Sensing, 2019, 11(12): 1396 doi: 10.3390/rs11121396
[11] PÉREZ-HOYOS A, GARCÍA-HARO F J, VALCÁRCEL N. Incorporating sub-dominant classes in the accuracy assessment of large-area land cover products: application to GlobCover, MODISLC, GLC2000 and CORINE in Spain[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 7(1): 187−205 doi: 10.1109/JSTARS.2013.2258659
[12] 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 Z X, HU Y F, ZHANG Q L. Agreement analysis of multi-source land cover products derived from remote sensing in South America[J]. Remote Sensing Information, 2017, 32(2): 137−148
[13] 赵凌美, 张时煌. 2种常用的全球土地利用/覆被历史数据集在中国区域的精度评价[J]. 西北农林科技大学学报(自然科学版), 2013, 41(8): 133−140, 148 ZHAO L M, ZHANG S H. The accuracy evaluation of two common global historical land use/cover datasets in China[J]. Journal of Northwest A & F University (Natural Science Edition), 2013, 41(8): 133−140, 148
[14] 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 CHEN Y C, SHAO H, LI Y. 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, 2021, 37(6): 142−150
[15] 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 Z Y, LUO Q H, XU Z L. Consistency of land cover data derived from remote sensing in Xinjiang[J]. Journal of Geo-Information Science, 2019, 21(3): 427−436
[16] 左玉珊, 王卫, 郝彦莉, 等. 基于MODIS影像的土地覆被分类研究−以京津冀地区为例[J]. 地理科学进展, 2014, 33(11): 1556−1565 doi: 10.11820/dlkxjz.2014.11.012 ZUO Y S, WANG W, HAO Y L, et al. Land cover classification based on MODIS images: taking the Beijing-Tianjin-Hebei region as an example[J]. Progress in Geography, 2014, 33(11): 1556−1565 doi: 10.11820/dlkxjz.2014.11.012
[17] 邵全琴, 赵志平, 刘纪远, 等. 近30年来三江源地区土地覆被与宏观生态变化特征[J]. 地理研究, 2010, 29(8): 1439−1451 SHAO Q Q, ZHAO Z P, LIU J Y, et al. The characteristics of land cover and macroscopical ecology changes in the source region of three rivers on Qinghai-Tibet Plateau during last 30 years[J]. Geographical Research, 2010, 29(8): 1439−1451
[18] 侯婉, 侯西勇. 全球海岸带多源土地利用/覆盖遥感分类产品一致性分析[J]. 地球信息科学学报, 2019, 21(7): 1061−1073 HOU W, HOU X Y. Consistency of the multiple remote sensing-based land use and land cover classification products in the global coastal zones[J]. Journal of Geo-Information Science, 2019, 21(7): 1061−1073
[19] 黄亚博, 廖顺宝. 首套全球30 m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 Y B, LIAO S B. 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
[20] 王冰泉, 冉有华. 土地覆被遥感产品真实性检验方法对比[J]. 遥感技术与应用, 2022, 37(1): 196−204 WANG B Q, RAN Y H. Comparison of accuracy assessment methods of remote sensing based land cover products[J]. Remote Sensing Technology and Application, 2022, 37(1): 196−204
[21] 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 J, SUN J L, QIN F, 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
[22] 2020中国统计年鉴[J]. 统计理论与实践, 2021, 501(1): 2 2020 China Statistical Yearbook[J]. Statistical Theory and Practice, 2021, 501(1): 2
[23] 杨洁, 谢保鹏, 张德罡. 基于InVEST和CA-Markov模型的黄河流域碳储量时空变化研究[J]. 中国生态农业学报(中英文), 2021, 29(6): 1018−1029 YANG J, XIE B P, ZHANG D G. Spatio-temporal evolution of carbon stocks in the Yellow River Basin based on InVEST and CA-Markov models[J]. Chinese Journal of Eco-Agriculture, 2021, 29(6): 1018−1029
[24] LIU B, PAN L B, QI Y, et al. Land use and land cover change in the Yellow River Basin from 1980 to 2015 and its impact on the ecosystem services[J]. Land, 2021, 10(10): 1080 doi: 10.3390/land10101080
[25] YANG J, HUANG X. The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907−3925 doi: 10.5194/essd-13-3907-2021
[26] JUN C, BAN Y F, LI S N. Open access to Earth land-cover map[J]. Nature, 2014, 514(7523): 434
[27] 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 System Science Data, 2021, 13(6): 2753–2776
[28] FRIEDL M, SULLA-MENASHE D. MCD12Q1 MODIS/Terra+Aqua Land Cover Type Yearly L3 Global 500 m SIN Grid V006[DB/OL]. NASA EOSDIS Land Processes DAAC. [2023-2-10]. https://doi.org/10.5067/MODIS/MCD12Q1.006
[29] 刘纪远. 中国资源环境遥感宏观调查与动态研究[M]. 北京: 中国科学技术出版社, 1996 LIU J Y. Macro-scale Survey and Dynamic Study of Natural Resources and Environment of China by Remote Sensing[M]. Beijing: China Science and Technology Press, 1996
[30] NWILO P C, OKOLIE C J, ONYEGBULA J C, et al. Positional accuracy assessment of historical Google Earth imagery in Lagos State, Nigeria[J]. Applied Geomatics, 2022, 14(3): 545−568 doi: 10.1007/s12518-022-00449-9
[31] PADMA S P, VIDHYA L, SIVAKUMAR P, et al. Simulation of land use/land cover dynamics using Google Earth data and QGIS: a case study on outer ring road, Southern India[J]. Sustainability, 2022, 14(24): 16373−16373 doi: 10.3390/su142416373
[32] 仝冉, 杨雅萍, 陈晓娜. 多源30 m分辨率土地覆被数据在蒙古高原的一致性分析和精度评价[J]. 地球信息科学学报, 2022, 24(12): 2420−2434 doi: 10.12082/dqxxkx.2022.220578 TONG R, YANG Y P, CHEN X N. Consistent analysis and accuracy evaluation of multisource land cover datasets in 30 m spatial resolution over the Mongolian Plateau[J]. Journal of Geo-Information Science, 2022, 24(12): 2420−2434 doi: 10.12082/dqxxkx.2022.220578
[33] 宋金超, 李新虎, 吝涛, 等. 基于夜晚灯光数据和Google Earth的城市建成区提取分析[J]. 地球信息科学学报, 2015, 17(6): 750−756 SONG J C, LI X H, XIAO T, et al. Extraction and analysis of urban built-up area based on night lighting data and Google Earth[J]. Journal of Geo-Information Science, 2015, 17(6): 750−756
[34] 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 Q H, ZHANG Y L, LIU L S, et al. Accuracy evaluation of the seven land cover data in Qiangtang Plateau[J]. Geographical Research, 2017, 36(11): 2061−2074
[35] 康军梅. 多源遥感土地覆被产品一致性评价及要素提取分析应用研究[D]. 西安: 长安大学, 2020 KANG J M. Research on consistency assessment of multi-source landcover products and application of element extraction analysis[D]. Xi’an: Chang’an University, 2020
-
期刊类型引用(14)
1. 康军梅，王君，杨龙伟. 中国西北地区3种10m全球土地覆被产品林草灌专题要素的一致性评价. 西华师范大学学报(自然科学版). 2025(01): 42-48 . 
百度学术
2. 武晓天，欧正蜂，王晓蕾，孙汉英，王长委，黄永奇. 时间序列雷达数据识别耕地种粮类型的研究. 中国农村水利水电. 2025(01): 124-128+135 . 百度学术
3. 赵伟，周娟，陈科技. 水体及周边雷电分布特征分析. 气象水文海洋仪器. 2025(01): 100-103 . 百度学术
4. 闫胜良，马继东，田静. 基于隐马尔可夫模型的火灾风险评估研究. 森林工程. 2024(02): 151-158 . 百度学术
5. 浩日娃，周瑞平，胡斯乐，呼格吉乐. 黄河流域内蒙古段碳汇演变模拟及驱动因素分析. 水土保持通报. 2024(01): 465-476 . 百度学术
6. 李豪，杜雨秋，肖星竹，陈彦羲. 基于深度学习的四川盆地丘陵区县域耕地遥感识别研究. 智慧农业(中英文). 2024(03): 34-45 . 百度学术
7. 陈乐，卫伟. 多源土地利用产品在黄土丘陵沟壑区的精度评估. 水土保持学报. 2024(03): 177-186+194 . 百度学术
8. 韩磊，高毅丰，常钰卿，曹鑫鑫，杨梅丽，李亚北，刘钊，康宏亮. 黄土高原城镇化与生态系统服务脱钩关系. 生态学报. 2024(20): 9108-9121 . 百度学术
9. 李舒畅，郭正，张风宝，罗佳茹，李玄添，申楠，杨明义. 基于多源数据融合产品的黄河中游多沙粗沙区耕地时空动态变化. 水土保持学报. 2024(05): 139-150 . 百度学术
10. 闫兆进，孙雨晴，HE Rong，王冉，阮晓光，杨慧，慈慧. 新疆天山北坡城市群土地覆被数据产品精度评价. 干旱区地理. 2024(11): 1852-1862 . 百度学术
11. 宋瑞，赵恒谦，于文颖，杨屹峰，李子涵. 基于多时相MODIS数据的黑龙江省大豆种植区识别与面积估算. 气象与环境学报. 2024(06): 89-97 . 百度学术
12. 黄燕，陈国坤，唐伯惠，段兴武，温庆可，刘字呈，王颖. 洱海流域常用非同源LULC产品一致性分析和精度评估. 农业工程学报. 2024(23): 235-247 . 百度学术
13. 吴巧丽 ，张鑫阳 ，蒋捷 . 基于MODIS和CLCD数据的黄土高原土地利用变化检测及其对植被碳吸收模拟的影响. 地理与地理信息科学. 2023(05): 30-38 . 百度学术
14. 王娟，王钊，郭斌，何慧娟，董金芳. 陕西黄河流域植被碳利用率时空特征及对气候的敏感性研究. 干旱区研究. 2023(12): 1959-1968 . 百度学术
其他类型引用(12)
计量
- 文章访问数: 660
- HTML全文浏览量: 513
- PDF下载量: 93
- 被引次数: 26
