2024_07_03_b4f3c49a67286fe61be7g

生态系统健康和可持续发展

ISSN: (打印) (在线) 期刊主页: www.tandfonline.com/journals/tehs20

中国土地覆盖变化和多个遥感数据集的一致性

惠王，蔡丽萍，文晓金，范东林和王跃军

要引用本文：王辉，蔡丽萍，文晓金，范东林和王跃军（2022 年）中国土地覆盖变化和多个遥感数据集的一致性，《生态系统健康与可持续性》，8:1，2040385，DOI：10.1080/20964129.2022.2040385

要链接到本文：https://doi.org/10.1080/20964129.2022.2040385

在线发布日期：2022 年 4 月 17 日。

将您的文章提交给这本期刊

文章浏览次数：3787

查看相关文章

๔

查看 Crossmark 数据 \lceil

引用文章：2 查看引用文章

中国土地覆盖变化和多个遥感数据集的一致性

惠王，蔡丽萍，文晓津，范东林和王跃军
德州大学，中国山东德州；巴彦淖尔河套学院生态与资源工程系蒙古，中国

摘要

简介：尽管许多土地覆盖数据集可作为了解中国土地覆盖变化的参考，但数据集之间的不一致性也可以提供理解。先前关于土地覆盖数据集之间一致性的研究主要集中在土地覆盖类型的一致性上，并忽略了土地覆盖变化中的数据一致性。

结果：因此，我们旨在通过可能性评估方法分析土地覆盖变化的一致性。我们比较了气候变化倡议土地覆盖数据集（CCI-LC）、中分辨率成像光谱辐射计土地覆盖数据集（MCD12Q1）、中国国家土地利用和覆盖变化（CNLUCC）、Globeland30 和全球土地覆盖精细表面覆盖 30（GLC-FCS30）数据集在 2010 年的森林、草地、耕地和裸地的时空变化。结果显示，MCD12Q1 中每种土地覆盖类型的百分比和变化与其他数据集中的不同。

讨论：例如，MCD12Q1 中草地的比例最高，达到。一致性高的地方是土地覆盖类型集中的地方，裸地的一致性最高。然而，中国土地覆盖变化的一致性相当低，2000 年至 2018 年低一致性的百分比超过。与全球人工不透水区域（GAIA）和汉森-全球森林变化（Hansen-GFC）数据集的比较显示，高建设增益一致性的百分比（）高于森林变化一致性，而森林损失高一致性的百分比（）低于森林增益高一致性（）。

结论：这些结果不仅为土地覆盖数据集的使用提供了基础，还更清晰地了解了土地覆盖变化的模式。

文章历史

2021 年 8 月 16 日收到

2022 年 1 月 26 日修订

2022 年 1 月 27 日接受

关键词

时空

特征；MCD12Q1;

CCI-LC; 一致性

评估; RMSE

介绍

全球气候变化和高强度人类活动导致了土地覆盖迅速变化（Foley 等，2005 年；刘等，2021 年；宋等，2018 年）。研究表明，

的土地覆盖变化与直接人类活动有关，

与间接驱动因素有关，如气候变化（宋等，2018 年）。同时，土地覆盖变化反过来影响了环境和人类福祉（Duveiller，Hooker 和 Cescatti，2018 年；SullaMenashe 等，2019 年；杨等，2017 年）。例如，北温带地区植被绿度变化的

以上主要受土地利用变化驱动（朴等，2019 年）。此外，土地覆盖变化影响了陆地表面的可利用能量和水资源，从而通过改变蒸发蒸腾的时间和量来改变水循环（Sterling，Ducharne 和 Polcher，2012 年）。因此，了解全球土地覆盖变化对于理解全球环境变化至关重要；因此，高质量的土地覆盖数据需求迫切（Stehman 和 Foody，2019 年）。迄今为止，由于遥感技术的不断发展，许多高质量的土地覆盖数据集已经出现（吴等，2020 年；张等，2021 年），如 CCI-LC（Defourny 等，2017 年），MCD12Q1（Friedl 等，2010 年）和 Globeland30（陈等，2015 年）。除了全球范围的数据集外，许多国家范围的数据集也开始出现，如美国国家土地覆盖数据库（NLCD）（Wickham 等，2017 年）和尼泊尔土地覆盖地图（Uddin 等，2015 年）。然而，不同的制图标准和算法导致不同数据集之间的可比性较差（Kaptué Tchuenté，Roujean 和 De，2011 年）。特别是，土地覆盖变化位置的差异导致了对全球土地覆盖转变的理解不一致。因此，识别土地覆盖变化的时空特征需要不同数据源之间的交互验证。

几项研究评估了不同土地覆盖数据集在区域或全球范围内的不一致性。Giri、Zhu 和 Reed（2005）分析了全球土地覆盖 2000 和 MODIS 之间的一致性，并发现当土地覆盖水平较为详细时，不一致性增加。Hua 等人（2018）解释了大陆之间的空间一致性有很大差异，地表条件对 GLC2000、CCI LC、MCD12、GLOBCOVER 和 GLCNMO 数据集之间的空间一致性产生不同影响。Kaptué Tchuenté、Roujean 和 De（2011）显示这四个土地覆盖数据集（GLC2000、GLOBCOVER、MODIS 和 ECOCLIMAP）一致的区域占非洲大陆的

。Pouliot 等人（2014）评估了加拿大的 MODIS 年度土地覆盖，发现在 19 个类别中准确率为

。然而，大多数研究集中在特定年份多种土地覆盖类型的不一致性上，而对土地覆盖变化的不一致性缺乏分析。此外，长时间段内土地覆盖变化的一致性分析也相对缺乏。此外，土地覆盖变化一致性研究可以帮助用户选择数据集。一致性较低的地区也可以成为未来土地覆盖特征和制图研究的重点（Bai 等，2014 年）。

在最近几十年里，由于经济和社会快速发展，中国的土地覆盖发生了快速变化（Bryan 等，2018 年；宋和邓，2017 年）。为了减轻土地覆盖变化的各种影响并促进土地的可持续发展，中国颁布了一系列土地管理政策（傅，2020 年；华等，2016 年）。随着这些政策的实施，中国已成为全球土地覆盖变化的重要地区，如城市化、森林变化和主导地球绿化（陈等，2019 年；李等，2020 年；王等，2021 年）。中国经济的快速发展推动了城市化。由于城市扩张，中国失去了

的耕地，城市扩张侵占了

的高质量耕地，导致 2003 年至 2016 年间总高质量耕地的

永久性损失（邱等，2020 年）。此外，中国还经历了大规模的森林砍伐和造林活动，导致森林覆盖发生巨大变化，进而引起气候和环境变化（Brandt 等，2012 年；彭等，2014 年）。特别是中国在 1999 年实施了退耕还林工程，导致过去十年黄土高原植被覆盖率增加了

（冯等，2016）。在人类活动的影响下，中国的土地覆盖正在迅速变化，具有高度碎片化和多样性的特点，使得土地覆盖变化一致性分析非常具有挑战性（于等，2018）。因此，探索多个数据集中土地覆盖变化的差异至关重要，尤其是城市变化和森林变化。这将有助于对中国土地覆盖变化的重要过程形成更加理性的判断。为了增加数据的比较性，除了全球数据集外，我们还使用了中国的 CNLUCC 数据集。

通常，土地覆盖数据的质量可以通过参考在特定区域测量的数据或来自另一份土地覆盖参考地图（Bai 等，2014 年）来确定。例如，Yang 等人（2017 年）收集了五组样本单位进行验证，以量化七个土地覆盖数据集的准确性，并发现 GLC2000 和 CCI-LC 2000 之间的整体空间一致性最高（53.8％）。Bai 等人（2014 年）使用 GLCD-2005 作为参考数据，分析了 GLCC、UMD、GLC2000、MODIS LC 和 GLOBCOVER 的一致性，并得出结论 GLC2000 与 GLCD2005 的一致性最高。然而，这些方法难以获取数据，并且无法显示不同土地覆盖产品之间位置的一致性。此外，混淆矩阵也是评估土地覆盖数据集一致性的常见方法（Wei 等，2020 年）。Wang 等人（2021 年）使用混淆矩阵评估了不同土地覆盖数据集的整体准确性和类别准确性，结果显示 Globeland30 和 CCI-LC 之间的整体准确性最高。然而，混淆矩阵只能评估单年土地覆盖数据的一致性，无法显示土地覆盖变化数据的一致性。此外，可能性评估方法不仅可以显示每个像素之间的一致性，还可以显示土地覆盖时间序列一致性的变化（Li 等，2017）。因此，我们采用可能性评估方法来评估土地覆盖变化的一致性。

多源土地覆盖数据之间的差异也使这些数据无法显示中国土地覆盖变化的明确趋势。由于中国的土地覆盖经历了快速和明显的变化，本文的研究假设是评估多源土地覆盖变化的一致性。为了评估多源数据的区域一致性，我们设计了四个研究步骤：（1）分析中国土地覆盖的时空变化；（2）评估不同数据来源的各种土地覆盖类型比例的一致性；（3）分析不同数据来源的各种土地类型变化趋势的一致性；以及（4）识别不同数据集中建设扩张和森林变化之间的差异。

材料和方法

学习区域

研究区域包括全球人口最多的中国，图 1。中国有许多不同类型的土地覆盖，包括森林。

草地、耕地和裸地。近几十年来，由于经济快速增长和土地利用政策的实施，中国的土地覆盖变化变得复杂（宋和邓 2017 年）。此外，由于中国面积广阔，土地覆盖变化具有明显的区域差异。

数据来源和预处理

我们使用了五个土地覆盖数据集和两个单一土地覆盖类型数据集进行一致性分析（表 1）。我们将数据集分为三部分：连续时间序列土地覆盖数据集、多时段土地覆盖数据集和单一土地覆盖类型数据集。

(1) 连续时间序列土地覆盖数据集包括 CCI-LC 和 MCD12Q1。CCI-LC 是由欧洲空间局（ESA）制作的

分辨率土地覆盖数据集。它使用联合国（UN）土地覆盖分类系统（LCCS）分类系统，包括 22 种土地覆盖类型，其最大优势是具有从 1992 年到 2018 年的连续时间序列（Defourny 等人，2017 年）。MCD12Q1 是由美国地质调查局创建的数据集，分辨率为 500 米。它包含六个分类系统，我们采用了国际地球圈层-生物圈计划（IGBP）分类（Friedl 等人，2010 年）。除了具有不同的分类系统外，MCD12Q1 还具有从 2001 年到 2019 年的长时间序列。

(2) 多时期土地覆盖数据集包括中国国家土地利用与覆被变化（CNLUCC）、Globeland30 和全球土地覆盖精细表面覆盖 30（GLC-FCS30）。CNLUCC 由中国科学院资源与环境数据中心（RESDC）绘制，空间分辨率为

，涵盖了 2000 年、2005 年、2010 年、2015 年和 2018 年。它包括 6 种一级土地类型和 25 种二级土地类型，这些数据集的整体精度据报道高于

（徐等，2018 年）。Globeland30 是由

图 1. 中国主要的土地覆盖类型（2020 年 Globeland30 产品）。注意：此地图基于从中华人民共和国自然资源标准地图服务网站下载的标准地图 GS（2019）1822。基础地图未经修改。

表 1. 多源地覆盖数据集的特征。

数据集

分辨率（米）

时间

分类方法

来源

CCI-LC

300

2001-2018

无监督分类

https://www.esa-landcover-cci.org/

CNLUCC

2000/2005/2010/2015/

2018

视觉解释

http://www.resdc.cn

GAIA

2001-2018

排除-包容框架

http://data.ess.tsinghua.edu.cn/

GLC-FCS30

2005/2010/2015/2020

基于操作的 SPECLib

http://data.casearth.cn/sdo/detail/5d904b7a0887164a5c7fbfa0

全球地表覆盖 30

2000/2010/2020

像素-对象-知识

http://www.globeland30.com/

汉森-GFC

2000-2018

决策树

http://earthenginepartners.appspot.com/science-2013-global-forest

MCD12Q1

500

2001-2018

决策树

https://ladsweb.modaps.eosdis.nasa.gov/

中国国家测绘中心具有

空间分辨率。它包括 2000 年、2010 年和 2020 年三个阶段，共有十个土地覆盖类别。它采用像元-对象-知识（POK）分类方法，第三方评估准确率为

（Chen 等，2015 年）。中国科学院遥感与数字地球研究所生成了 GLC-FCS 30，分辨率为

，用于 2015 年和 2020 年。它是利用空间-时间光谱库的反射光谱生成的，包括 9 种一级土地类型和 19 种二级土地类型（Zhang 等，2019 年）。尽管这些多时期数据集没有连续的时间序列，但它们的空间分辨率高于连续时间序列数据集。

(3) 单一土地覆盖类型数据集包括全球人工不透水区域（GAIA）和 Hansen-全球森林变化（Hansen-GFC）。GAIA 是清华大学在 Google Earth Engine 平台上绘制的 1985 年至 2018 年的不透水表面地图，使用所有分辨率为 30 米的文件（Gong 等，2020 年）。GAIA 的平均总体精度大于

，交叉产品比较显示 GAIA 数据是唯一跨越 30 年的数据。Hansen-GFC 数据由马里兰大学制作，包括 2001 年至 2020 年全球森林的减少和增加。准确性评估显示森林减少的总体精度为

，森林增加的总体精度为

（Hansen 等，2013 年）。这些土地覆盖类型数据集为土地覆盖数据变化的一致性分析提供了相对准确的参考。

表 1 显示，这些土地覆盖产品具有不同的分辨率和分类系统。因此，我们在两个步骤中预处理这些数据。首先，由于数据集的分辨率从

到

不等，我们通过最近邻方法将空间分辨率重新采样为

。此外，由于数据集具有不同的分类系统，例如，Globeland30 有 10 个类别，而 MCD12Q1 有 17 个类别，我们统一了这些类别。我们将所有数据集重新分类为 9 个类别：森林、草地、灌木地、耕地、湿地、水域、建设用地、裸地和永久冰雪（表 2）。

可能性评估方法

我们使用可能性评估方法来分析土地覆盖数据集的一致性。可能性评估方法可以理解为数据集的投票过程，Jung 等人使用相似性评分方法来探索土地覆盖产品之间的协同作用（Jung 等人，2006 年）。可能性评估方法的原则是通过衡量每个土地覆盖数据集中每个像素的确定性和不确定性来评估不同土地覆盖数据集之间的一致性，当难以确定多个现有数据集的可信度时，通常会使用这种方法（Fang 等人，2020 年）。这种投票过程可以通过叠加分析来完成。例如，如果所有数据集都将某个像素显示为森林，那么该像素作为森林的投票得分就很高，数据集的一致性也很高。

为了评估中国土地覆盖数据的一致性，我们使用了四个广泛使用的土地覆盖数据集的可能性评估方法。一致性评估需要同一年的数据集，但 GLC-FCS30 只有两个时段，即 2015 年和 2020 年，我们只在我们的空间和时间土地覆盖变化分析中使用了 GLC-FCS30 数据集。由于 GLC-FCS30 不包括 2010 年，我们的土地覆盖一致性分析中只包括了 2010 年的四个数据集 CCI-LC、MCD12Q1、Globeland30 和 CNLUCC。GLC-FCS30 没有更长的时间序列，因此也没有包括在土地覆盖变化一致性分析中，而剩下的四个数据集的第一个和最后一个年份被使用，即包括 2000-2018 年。由于森林、草地、耕地和裸地是中国四大主要土地覆盖类型，我们选择了这四种进行分析。我们使用 ArcGIS 10.2 中的地图代数工具将预处理的数据集进行空间叠加。

表 2. 合并分类系统。

类型

CCI-LC

MCD12Q1（IGBP）

CNLUCC

GLC-FCS30

1 森林

2 草原

3 灌木地

4 块耕地

5 湿地

6 水

180

7 建筑

210

8 裸地

190

9 永久的雪和冰

对四个土地覆盖数据集进行投票，一致性范围为

。例如，对于森林，值为“0”表示该像素在四个数据集中不是森林，值为“4”表示该像素在四个数据集中是森林。像素值越高，像素是森林的概率越高，即数据集的一致性越高。除了对中国整体进行分析外，我们还分析了每个省份，以代表中国土地覆盖数据一致性的区域变化。

我们使用了相同的方法进行变化一致性分析。首先，使用四个数据集的第一年和最后一年来获取土地覆盖发生变化的像素。然后，根据可能性评估方法对四个数据集中显示的土地覆盖变化的像素进行投票。例如，如果四个数据集中有两个显示某个像素从耕地变为森林，那么得分为“2”。最后，根据得分评估数据集的一致性。然而，由于土地覆盖发生变化的像素较少，并且为了更好地展示结果，我们对像素值进行分类，将 1 设置为低一致性，2-4 设置为高一致性。此外，单一土地覆盖类型数据集可能具有更高的可信度和更好地代表土地覆盖变化。此外，由于城市化和生态保护政策，森林和城市变化是中国土地覆盖变化中更明显的部分。我们添加了 GAIA 和 Hansen-GFC 数据集来比较数据集的一致性，包括森林的增减和建设的增加。

结果

土地覆盖的时空变化

就时间变化而言，我们计算了五个数据集的第一年和最后一年中每种土地覆盖类型的百分比，以观察中国在不同数据集中土地覆盖变化的差异（图 2）。森林、草地、耕地和裸地占据了很高比例，覆盖了中国面积的超过

。MCD12Q1 中草地的比例最高，达到

。从土地覆盖变化的角度来看，所有五个数据集中森林都呈增长趋势，其中 MCD12Q1 中森林百分比的增长率最高（0.18）。对于草地，除了 Globeland30 外，其余四个数据集都显示出草地减少的趋势，CNLUCC 的草地百分比减少率最高，为 0.12。对于耕地，除了 MCD12Q1 外，所有数据集都出现了耕地减少的现象，GLC-FCS30 的耕地减少最多（

）。对于裸地，CNLUCC 和 GLC-FCS30 显示出裸地增加的趋势，而 CCI-LC、MCD12Q1 和 Globeland30 显示出裸地减少的趋势。Globeland30 裸地百分比减少率最高，为 0。29，尽管 CNLUCC 中裸地百分比的增长率最高（0.11）。其余土地覆盖类型在中国占比较小，灌木有明显的变化趋势。MCD12Q1 灌木增加了 0.17，而 CCI-LC、Globeland30 和 GLCFCS30 中的灌木分别减少了 3 和 0.26。就百分比而言，MCD12Q1 与其他数据集明显不同，尤其是草地的百分比。从变化的角度来看，有

图 2. 不同数据集中土地覆盖类型的百分比（E: CCI-LC, M: MCD12Q1, C: CNLUCC, G: Globeland30, F: GLC-FCS30; 数字表示年份）。

数据集之间存在很大的差异，甚至相反的趋势。尽管如此，中国的土地覆盖总体上相对稳定，尤其是在 CCI-LC 数据集中。

就空间变化而言，我们计算了 2010 年四个数据集中每个省份四种主要土地覆盖类型的百分比（图 3）。各省之间的差异是明显的。在东北和华东地区，如黑龙江和山东，耕地的比例相对较高；在西北地区，如新疆，裸地占主导地位；在华北地区，如内蒙古，草地占相对较大比例；而在华南地区，如广东，以森林为主（图 A1）。香港和台湾也以森林为主。不同土地覆盖数据集之间的差异也很明显。例如，在

LC、Globeland 30 和 CNLUCC 数据集中，北京的森林比例分别为

和

，而在 MCD12Q1 中仅为

。此外，MCD12Q1 中贵州的草地比例为

，而在 CCI-LC、Globeland30 和 CNLUCC 中分别为

和

。数据集的分辨率和分类标准的差异导致了结果的差异，MCD12Q1 与其他产品之间的差异最为明显。此外，地面特征的不同光谱信息也影响了数据集的一致性。四个数据集中裸地的平均百分比分别为

和

，而耕地的平均百分比分别为

，

和

。因此，在四种土地覆盖类型中，裸地的一致性高于其他三种类型。总之，数据集之间存在明显差异，特别是 MCD12Q1，因此数据集的一致性分析至关重要。

土地覆盖的一致性

我们使用可能性评估方法来评估 2010 年中国四种主要土地覆盖类型数据集的一致性（图 4）。相同土地覆盖类型的不同一致性得分均匀分布。一致性得分为“1”的森林百分比为

，得分为“2”，“3”和“4”的百分比分别为

和

。同样，裸地一致性得分为“1”，“2”，“3”和“4”的百分比分别为

和

。此外，图 4 中可见一致性低或高的区域。森林一致性高（“4”）的区域主要分布在中国东北部、汉中盆地、南部喜马拉雅山脉和台湾东部，而森林一致性低（“1”）的区域更为分散。草地一致性高的区域是青藏高原和内蒙古。

图 3. 2010 年各省不同土地覆盖类型的百分比（从左到右依次为 CCI-LC、MCD12Q1、Globeland30 和 CNLUCC）。

图 4. 2010 年（a）森林；（b）草地；（c）耕地；（d）裸地的一致性。注：此地图基于从中华人民共和国自然资源标准地图服务网站下载的标准地图 GS（2019）1822。基础地图未经修改。

草地。这些地区具有适宜的气候和地形条件，适合草地生长，因此草地分布广泛，一致性高。草地一致性较低的地区主要分布在汉中盆地及其南部地区。耕地一致性较高的地区是华北平原、长江中下游地区和四川盆地，地势平坦，适合农业。裸地一致性较高的地区更为集中，主要分布在塔里木盆地、吐鲁番盆地和河西走廊。因此，不同类型的土地覆盖集中的地区在遥感图像中易于识别，因此具有较高的一致性。

通过区域统计，我们获得了每个省份的一致性得分百分比（图 5）。每个省份的森林和裸地的一致性得分相对均匀，而大多数省份的草地和裸地的一致性得分分布不均匀，低一致性百分比相对较高（图 A2）。对于森林，新疆、宁夏、青海、山东和上海低一致性的地区占比相对较高，尤其是上海和青海，占比超过

。这可能与这些省份的森林面积较低有关。对于草地，新疆、青海、宁夏、内蒙古和四川省有较高比例的高草地一致性，而其他省份一致性较低，占大多数。对于整个中国来说，虽然低一致性的百分比相对较高，但每个一致性得分的比例相当均匀。高一致性的耕地百分比高于森林、草地和裸地。天津、河北、吉林、黑龙江、江苏、安徽、山东和河南这八个省份的一致性比例均大于

。然而，内蒙古、福建、广东、海南、西藏、青海和香港的耕地低一致性比例超过

。大部分省份的荒地一致性明显较低。除了内蒙古、甘肃和新疆的高草地一致性超过

外，其他省份的草地一致性均较低。值得注意的是香港和青海。多源数据集显示香港没有荒地分布，青海各一致性评分比例均值。由于土地类型分布，尤其是耕地的南北差异明显，数据集的一致性存在区域差异。

图 5. 2010 年（a）森林；（b）草地；（c）耕地；（d）裸地的一致性。

土地覆盖变化的一致性

除了土地覆盖一致性外，我们还分析了四个数据集的土地覆盖一致性变化。同样，一致性变化的分析是基于四种主要土地覆盖类型的相互转换。我们统计了四个土地类型在四个土地覆盖数据集中的转换区域，并将其与土地覆盖进行比较；数据集之间的土地覆盖变化差异更为明显（图 6）。森林、耕地转为裸地、裸地转为森林和耕地的面积较小。草地转为其他类型的变化明显且面积较大。不同数据集之间存在很大差异。

图 6. 不同土地覆盖数据集中土地覆盖变化的区域（F：森林，G：草地，C：耕地，B：裸地）。

在土地覆盖变化的识别中。例如，除了草地和耕地之间的相互转换以及裸地转为草地外，CNLUCC 识别的土地覆盖变化面积高于其他数据集识别的面积。此外，MOD12Q1 中从森林转为耕地的面积明显小于其他数据集中的面积。CNLUCC 识别的草地转为裸地的面积以及 Globeland30 中裸地转为草地的面积也明显高于其他数据集。由于环境和人类活动的影响，土地覆盖变化具有复杂的特征。因此，土地覆盖变化的确定性比土地覆盖类型的确定性要不确定得多。

我们还使用了可能性评估方法来分析多源数据集中土地覆盖变化的一致性。我们计算了不同类型土地覆盖变化的一致性评分从“1”到“4”的百分比（图 7）。与土地覆盖一致性得分更高的趋势不同，土地覆盖变化的一致性较低。一致性评分为“1”的每种土地覆盖变化的百分比均大于

。草地到森林、耕地到裸地、裸地到森林的低一致性比率均超过

。在所有土地覆盖变化中，裸地转为耕地的一致性相对较高，高一致性评分为

。此外，一致性评分为“4”的土地覆盖变化百分比非常低，最高仅为

。为展示土地覆盖变化一致性的空间分布，我们以草地和裸地之间的转换为例创建了土地覆盖变化一致性分布图（图 8）。裸地转化为草地的一致性明显高于草地转化为裸地的一致性。此外，裸地转化为草地的高一致性区域相对集中，主要位于新疆北部和青藏高原北部。然而，草地转化为裸地的高一致性区域分散在青藏高原中部。这可能是由于中国近年来种植树木和草地所致。

与高分辨率数据集比较

对于建设增益，CNLUCC 和 MCD12Q1 分别确定了建设增益的最大和最小区域（图 9a）。CCI-LC 和 GAIA 在建设增加区域上几乎没有差异。对于森林增益，CNLUCC 和 Hansen-GFC 分别显示了最大和最少增加的森林面积。此外，森林增益的最大面积（CNLUCC）是最小面积（Hansen-GFC）的 24 倍以上，差异非常明显。森林的减少也有类似的现象。CNLUCC 和 Hansen-GFC 分别显示了森林减少的最大和最少减少的区域。CNLUCC 和 Hansen-GFC 之间的差异达到了 63 倍。因此，Hansen-GFC 与其他数据集之间的土地覆盖变化一致性明显大于。

图 7. 不同土地覆盖变化的一致性得分百分比（F：森林，G：草地，C：耕地，B：裸地）。

图 8. 单一地表覆盖变化对的一致性分类。注意：此地图基于从中华人民共和国自然资源标准地图服务网站下载的标准地图 GS(2019) 1822。基础地图未经修改。

图 9. (a) 土地覆盖变化区域; (b) 不同数据集中不同土地覆盖变化的一致性得分百分比。

GAIA 的定义。我们建议森林的定义比城市的定义更复杂，可能是一个影响因素。有许多不同类型的森林，如针叶阔叶混交林和混合林，这使得遥感图像的解释更加困难，从而增加了不确定性。此外，数据集范围的差异也是一个重要原因。例如，CNLUCC 是中国的数据集，因此识别出的土地覆盖变化面积高于其他数据集中的面积。

我们统计了六个数据集的一致性得分百分比，包括 GAIA 和 Hansen-GFC（图 9b）。首先，对于建设方面的收益，一致性得分为“1”，“2”，“3”，“4”和“5”的百分比分别为

和

。建设方面的一致性相对较高，高一致性（得分为 2-5）的百分比为

。然后，对于森林收益，一致性得分为“1”，“2”，“3”，“4”和“5”的百分比分别为

和

。也就是说，具有高数据一致性（2-5）的森林收益百分比为

。

最后，对于森林减少，森林减少的一致性低于森林增加的一致性。一致性评分为“1”，“2”，“3”，“4”和“5”的百分比分别为

和

。森林减少没有最高一致性评分（5）的像素。总体而言，建设增加的一致性高于森林增加和减少的一致性。也就是说，中国城市的增长趋势比森林变化的趋势更明显，可以更容易地通过数据集进行识别。此外，中国不同地区的土地利用政策也导致森林变化的趋势不稳定，进而导致数据一致性较低。

讨论

不同测量方法之间的差异

除了可能性评估方法外，我们还通过土地覆盖分数变化的方法评估了数据集之间的一致性。我们分析了不同分析方法对结果的影响。

通过比较不同方法，从而证明邻域分析结果的可靠性。首先，我们计算了每个数据集中建筑和森林在

分辨率下的比例，分别为第一年和最后一年。例如，对于

和 MCD12Q1，第一年和最后一年分别为 2001 年和 2018 年，而对于 Globeland30，第一年和最后一年分别为 2000 年和 2020 年。然后，通过将最后一年的比例减去第一年的比例，我们得到了不同数据集中建筑（增益）和森林（增益和损失）比例的变化。最后，我们随机选择了 50,000 个点，通过公式（1）和（2）（图 10）计算了 GAIA 或 Hansen-GFC 与其他四个数据集之间的确定系数

和均方根误差（RMSE）。R

和 RMSE 是比较数据之间相关性和一致性的常用方法。我们通过 R

或 RMSE 评估了 GAIA 和 Hansen-GFC 的一致性，并将它们与可能性评估方法的结果进行了比较。具有更高

或更低 RMSE 值的数据集具有更好的一致性。

其中

是随机点的数量

是土地覆盖变化类型（建设增加、森林增加或森林减少）；

是（CCI-LC、MCD12Q1、Globeland30 和 CNLUCC 在不同土地覆盖变化下的比例；

是（GAIA 和 Hansen-GFC 在不同土地覆盖变化下的比例；

是 CCI-LC、MCD12Q1、Globeland30 和 CNLUCC 的平均比例；

指的是 GAIA 和 Hansen-GFC 的平均比例。

对于建设增益，GAIA 和 Globeland 30 之间的

最高（0.38），GAIA 和 MCD12Q1 之间的

最低（0.13）。同样，GAIA 和 Globeland30 之间的最低 RMSE 为（0.16），GAIA 和 MCD12Q1 之间的最高 RMSE 为（0.20）。对于森林增益，Hansen-GFC 和其他数据集之间的

较低，Hansen-GFC 和 MCD12Q1 之间的

最高（0.03）。森林增益的 Hansen-GFC 与 CCI-LC、MCD12Q1、Globeland30 和 CNLUCC 之间的 RMSE 分别为

和 0.12。HansenGFC 与其他数据集之间的森林减少

小于森林增益，且均小于 0.001。Hansen-GFC 与 CCI-LC、MCD12Q1、Globeland30 和 CNLUCC 之间的森林减少的 RMSE 分别为

和 0.12。因此，GAIA 与其他数据集的一致性比 Hansen-GFC 更高。此外，与可能性评估方法的结果一致，土地覆盖变化一致性的顺序为建设增益

森林增益

森林减少。尽管评估方法有不同的结果，但对最终结论没有影响。

图 10. 不同数据集中不同土地覆盖变化之间的

和 RMSE 比较。

研究视角

我们的研究结果显示，多源土地覆盖数据集之间的一致性并不高。因此，为了更好地为土地覆盖数据集中的土地管理提供理论基础，我们提出了一些未来的研究展望。首先，由于多源数据集的不同分类标准，未来需要一个统一的分类转换表。先前的研究也从分类标准的角度分析了土地覆盖数据集的一致性（Fisher 2010；Pérez-Hoyos，García-Haro 和 San-Miguel-Ayanz 2012）。例如，Pérez-Hoyos，García-Haro 和 San-Miguel-Ayanz（2012）采用了灵活的布尔比较方法评估了欧洲的四个土地覆盖数据集，并发现该方法可以最小化由图例模糊性引起的不确定性，从而将一致性提高了约

。在本研究中，我们重新分类了所有数据集，这可能导致一些信息的丢失。因此，一个统一的分类转换表可以帮助统一不同的数据集并减少不确定性。第二，不一致性是由数据集时间分辨率的差异引起的，例如 CCI-LC 具有连续的时间序列，而 Globeland 30 具有 10 年的周期。例如，由于数据集时间序列的不均匀性，只能选择四个数据集进行一致性分析。随着遥感技术的发展和遥感图像数量的增加，土地覆盖映射的连续时间序列已成为一个重要课题。例如，王等人（2021 年）利用多源遥感产品和 Bi-LSTM 深度学习方法，从 1982 年到 2015 年绘制了中国的土地覆盖分类。第三，数据集的不同空间分辨率导致不一致性，例如 MCD12Q1 的分辨率为

，而 CNLUCC 的分辨率为

。从结果中也可以清楚地看出，具有最低空间分辨率的 MCD12Q1 与其他数据集的差异最大，一致性最低。高分辨率遥感图像的出现使得精细的土地覆盖映射成为可能，例如 FROMGLC10（龚等，2019 年）。第四，目前大多数土地覆盖数据集侧重于土地覆盖类型，忽略了土地覆盖比例的重要性。土地覆盖比例能更好地反映土地覆盖，也更容易协调数据。我们的研究发现中国土地覆盖变化的数据一致性较低，这可能与用于制图的不同分类阈值有关。例如，CCI-LC 将具有超过

耕地和少于

天然植被的镶嵌土地分类为镶嵌耕地，而 MCD12Q1 将覆盖率超过

的耕地分类为耕地（Defourny 等，2017 年；Friedl 等，2010 年）。最后，一个统一的验证数据集对土地覆盖产品也至关重要。目前，全球大多数土地覆盖验证数据集是通过视觉解译收集的，这消耗了大量人力和物质资源，而且由于大多数现有验证数据集是生成用于验证土地覆盖地图，它们在验证土地覆盖数据方面的有效性有限（Tsendbazar 等，2018 年；熊等，2017 年）。总的来说，未来土地覆盖数据集的生产需要更加关注分类标准和分辨率的统一，以及土地覆盖比例和验证数据集。由于中国土地覆盖变化的一致性较低，迫切需要高质量和高精度的土地覆盖数据集，可以为土地管理和可持续发展提供科学理论基础。

结论

数据集之间的一致性评估可以为提高数据集的准确性提供依据。在本研究中，我们通过可能性评估方法分析了中国多源土地覆盖产品的一致性和一致性变化，并将其与高分辨率数据集进行了比较。在土地覆盖的时空变化中，MCD12Q1 与其他数据集之间的差异较大，裸地的一致性大于森林、草地和耕地。因此，我们建议在进行土地覆盖研究时尽可能选择具有高空间分辨率的数据集。结果显示，尽管数据一致性得分相对平均，但土地覆盖一致性存在明显的空间差异。数据集之间的土地覆盖变化一致性较低，所有土地覆盖变化中一致性较低的比例超过

。与高分辨率数据的比较显示，森林变化更难识别，一致性也较低，而建设变化的一致性较高。Globeland30 在涉及建设的研究中可能具有更高的准确性。然而，由于数据集的限制，土地覆盖变化分析的第一年和最后一年并不一致。未来需要更长的时间序列和高空间分辨率的土地覆盖数据集，以进行一致性评估。

致谢

本研究得到了中国国家自然科学基金（42101287）、内蒙古自治区科技项目（NMKJXM202109）、巴彦淖尔生态治理与绿色发展院士专家工作站（YSZ2018-1）、山东省自然科学基金（ZR2019BD045）和曲阜师范大学的财政支持

论文研究和创新基金（LWCXS202121）。

披露声明

作者未报告任何潜在利益冲突。

资金

本工作得到了中国国家自然科学基金[42101287]、曲阜师范大学学位论文研究与创新基金[LWCXS202121]、巴彦淖尔生态治理与绿色发展院士专家工作站[YSZ2018-1]、山东省自然科学基金[ZR2019BD045]、中国内蒙古自治区科技项目[NMKJXM202109]的支持。

参考资料

白，Y.，冯，M.，姜，H.，王，J.，朱，Y.，刘，Y. 2014 年。"评估中国五个全球土地覆盖数据集的一致性。"遥感 6（9）：8739-8759。doi：10.3390/rs6098739。

Brandt, J. S., T. Kuemmerle, H. Li, G. Ren, J. Zhu, and V. C. Radeloff. 2012. “Using Landsat Imagery to Map Forest Change in Southwest China in Response to the National Logging Ban and Ecotourism Development." Remote Sensing of Environment 121: 358-369. doi:10.1016/j.rse.2012.02.010.

Bryan, B. A., L. Gao, Y. Ye, X. Sun, J. D. Connor, N. D. Crossman, and M. Stafford-Smith, 等. 2018 年. "中国应对国家土地系统可持续性紧急情况的回应." 自然 559 (7713): 193-204 . http://doi.org/10.1038/s41586-0180280-2.

陈，J.，陈，J.，廖，A.，曹，X.，陈，L.，陈，X.，何，C.等。2015 年。“30 米分辨率全球土地覆盖制图：一种基于 POK 的操作方法。” ISPRS 摄影测量与遥感杂志 103：7-27。doi：10.1016/j.isprsjprs.2014.09.002。

陈，C.，T. Park，X. Wang，S. Piao，B. Xu，R. K. Chaturvedi，R. Fuchs 等。2019 年。“中国和印度通过土地利用管理在世界绿化中处于领先地位。”《自然可持续性》2（2）：122-129。doi：10.1038/s41893-019-0220-7。

Defourny, P., G. Kirches, C. Brockmann, M. Boettcher, M. Peters, S. Bontemps, C. Lamarche, M. Schlerf, and M. Santoro. 2017. Land Cover CCI Product User Guide. Version 2. 2018.

杜维勒尔，G.，胡克尔，J.和塞斯卡蒂，A. 2018 年。“植被变化对地球表面能量平衡的影响。”自然通讯 9（1）：679。doi：10.1038/s41467017-02810-8。

方，X.，赵，W.，张，C.，张，D.，魏，X.，邱，W.，叶，Y. 2020 年。"历史全球土地利用/覆盖变化数据集可信度评估方法论。" 《中国科学：地球科学》63（7）：1013-1025。doi：10.1007/s11430-019-9555-3。

冯，X.，付 B.，朴 S.，王 S.，西亚斯 P.，曾 Z.，李 Y.等。2016 年。“中国黄土高原的植被恢复接近可持续水资源极限。”《自然气候变化》6（11）：1019-1022。http://doi.org/10.1038/nclimate3092。

费舍尔，P.F. 2010 年。“作为类型 2 模糊集的土地覆盖类别的遥感。”环境遥感 114（2）：309-321。doi：10.1016/j.rse.2009.09.004。

弗利，J. A.，R. Defries，G. P. Asner，C. Barford，G. Bonan，C. S. R，C. F. S 等。2005 年。“土地利用的全球后果。”科学 309（5734）：570-574。http://doi.org/10.1126/science.1111772。

Friedl, M. A., D. Sulla-Menashe, B. Tan, A. Schneider, N. Ramankutty, A. Sibley, and X. Huang. 2010. "MODIS Collection 5 Global Land Cover: Algorithm Refinements and Characterization of New Datasets." Remote Sensing of Environment 114 (1): 168-182. doi:10.1016/j.rse.2009.08.016.

傅，B. 2020 年。"促进可持续发展的地理学。" 地理与可持续发展 1 (1): 1-7。doi:10.1016/j. geosus.2020.02.003。

Giri, C., Z. Zhu, 和 B. Reed. 2005. "全球土地覆盖 2000 年和 MODIS 土地覆盖数据集的比较分析." Remote Sensing of Environment 94 (1): 123-132. doi:10.1016/j.rse.2004.09.005.

龚，P.，李，X.，王，J.，白，Y.，陈，B.，胡，T.，刘，X.等。2020 年。"1985 年至 2018 年全球人工不透水区域（GAIA）的年度地图。"《环境遥感》236：111510。doi：10.1016/j.rse.2019.111510。

龚，刘，张，李，王，黄，克林顿等人。2019 年。“有限样本的稳定分类：将 2015 年收集的

分辨率样本集转移到 2017 年绘制的 10 米分辨率全球土地覆盖图。”《科学通报》64（6）：370-373。doi：10.1016/j.scib.2019.03.002。

汉森，M. C.，P. V. 波塔波夫，R. 摩尔，M. 汉切尔，S. A. 图鲁巴诺娃，A. 图亚维娜，D. 托，等。2013 年。“21 世纪森林覆盖变化的高分辨率全球地图。”科学 342（6160）：850-853。doi:10.1126/science.1244693。

华，F.，王 X.，郑 X.，费舍尔 B.，王 L.，朱 J.，唐 Y.，于 D. W.，威尔科夫 D. S. 2016 年。"在世界最大的造林计划下实现生物多样性增益的机会。"自然通讯 7（1）：12717。doi：10.1038/ncomms12717。

华，T.，赵 W.，刘 Y.，王 S.，杨 S. 2018 年。"全球土地覆盖数据集的空间一致性评估：GLC2000，CCI LC，MCD12，GLOBCOVER 和 GLCNMO 之间的比较。" 遥感 10（11）：1846。doi:10.3390/rs10111846。

Jung, M., K. Henkel, M. Herold, and G. Churkina. 2006. "Exploiting Synergies of Global Land Cover Products for Carbon Cycle Modeling." Remote Sensing of Environment 101 (4): 534-553. doi:10.1016/j. rse.2006.01.020.

Kaptué Tchuenté, A. T., J.-L. Roujean, 和 J. S. M. De. 2011. "Comparison and Relative Quality Assessment of the GLC2000, GLOBCOVER, MODIS and ECOCLIMAP Land Cover Data Sets at the African Continental Scale." International Journal of Applied Earth Observation and Geoinformation 13 (2): 207-219. doi:10.1016/j. jag.2010.11.005.

李，W.，R. Buitenwerf，R. N. Chequín，J. E. Florentín，R. M. Salas，J. C. Mata，王，Z. 牛，和 J.-C. Svenning。2020 年。“南美草原绿化的复杂原因和后果 - 多种相互作用的自然和人为驱动因素以及同时发生的生态系统退化和恢复趋势。”地理与可持续性 1（4）：304-316。doi:10.1016/j.geosus.2020.12.002。

李，Y.，D. Sulla-Menashe，S. Motesharrei，X. P. Song，E. Kalnay，Q. Ying，S. Li 和 Z. Ma。2017 年。"2000 年至 2013 年中国森林覆盖变化的多个数据集之间的不一致估计：参数、空间分辨率和定义的差异。"科学报告 7（1）：8748。doi：10.1038/s41598-017-07732-5。

刘，H.，龚，P.，王，J.，王，X.，宁，G.，和徐，B. 2021 年。"全球每日无缝数据立方体的生产和 1985 年至 2020 年全球土地覆盖变化的量化 - iMap World 1.0。"《环境遥感》258：112364。doi:10.1016/j.rse.2021.112364。

彭，S. S.，S. Piao，曾，P. Ciais，周，李，Myneni，尹，曾。2014 年。“中国的植树造林降低了当地地表温度。”《美国国家科学院院刊》111（8）：2915-2919。doi：10.1073/pnas.1315126111

Pérez-Hoyos, A., F. J. García-Haro, 和 J. San-MiguelAyanz. 2012. "大尺度土地覆盖产品的传统和模糊比较：在欧洲应用于 CORINE、GLC2000、MODIS 和 GlobCover." ISPRS 摄影测量与遥感杂志 74: 185-201. doi:10.1016/j.isprsjprs.2012.09.006.

票，S.，王，X.，公园，C.，陈，X.，连，Y.，何，J. W.，比耶克等。2019 年。“全球绿化的特征、驱动因素和反馈。”自然评论地球与环境 1（1）：14-27。http://doi.org/10.1038/s43017-019-0001-x。

Pouliot, D., R. Latifovic, N. Zabcic, L. Guindon, and I. Olthof. 2014. "Development and Assessment of a

Spatial Resolution MODIS Annual Land Cover Time Series (20002011) for the Forest Region of Canada Derived from Change-based Updating." Remote Sensing of Environment 140: 731-743. doi:10.1016/j.rse.2013.10.004.

邱，B.，李 H.，唐 Z.，陈 C.，和贝瑞 J. 2020 年。“耕地损失如何受不平衡城市化进程的影响？”《土地利用政策》96：104715。doi：10.1016/j.landusepol.2020.104715。

宋，W.，邓，X. 2017 年。"中国土地利用/土地覆盖变化与生态系统服务提供。"《环境总论》第 576 页：705-719。doi:10.1016/j.scitotenv.2016.07.078。

宋晓平，M.C.汉森，S.V.斯特曼，P.V.波塔波夫，A.图卡维娜，E.F.维尔莫特和 J.R.汤森德。2018 年。“1982 年至 2016 年的全球土地变化。”《自然》560（7720）：639-643。http://doi.org/10.1038/s41586-018-0411-9。

Stehman, S. V., 和 G. M. Foody. 2019. "土地覆盖产品严格准确性评估的关键问题." Remote Sensing of Environment 231: 111199. doi:10.1016/j. rse.2019.05.018.

Sterling, S. M., A. Ducharne, 和 J. Polcher. 2012. "全球土地覆盖变化对陆地水循环的影响." 自然气候变化 3 (4): 385-390. http://doi. org/10.1038/nclimate1690.

苏拉-梅纳舍，D.，J. M.格雷，S. P.阿伯克朗比，和 M. A.弗里德尔。2019 年。“2001 年至今全球年度土地覆盖的分层映射：MODIS 第 6 集土地覆盖产品。”《环境遥感》222：183-194。doi:10.1016/j.rse.2018.12.013。

Tsendbazar, N. E., M. Herold, S. de Bruin, M. Lesiv, S. Fritz, R. Van De Kerchove, M. Buchhorn, M. Duerauer, Z. Szantoi, 和 J. F. Pekel. 2018. "Developing and Applying a Multi-purpose Land Cover Validation Dataset for Africa." Remote Sensing of Environment 219: 298-309. doi:10.1016/j.rse.2018.10.025.

乌丁，K.，H. L. Shrestha，M. S. Murthy，B. Bajracharya，B. Shrestha，H. Gilani，S. Pradhan 和 B. Dangol。2015 年。"尼泊尔 2010 年国家土地覆盖数据库的开发。"《环境管理杂志》148：82-90。http://doi.org/10.1016/j.jenvman.2014.07.047。

王，H.，文，X.，王，Y.，蔡，L.，彭，D.，刘，Y. 2021 年。"基于 MCD12 和 CCI-LC 之间的遥感数据融合，2001-2015 年中国土地覆盖分数变化。" 遥感 13（3）：341。http://doi.org/10.3390/rs13030341

魏，B.，谢，Y.，王，X.，焦，J.，何，S.，别，Q.，贾，X.，薛，X.，段，H. 2020 年。"基于时间序列 MODIS-NDVI 的土地覆盖制图：采用动态时间扭曲方法：中国北方农牧交错带的案例研究。"土地退化与发展 31（8）：1050-1068。http://doi.org/10.1002/ldr.3502.

Wickham, J., S. V. Stehman, L. Gass, J. A. Dewitz, D. G. Sorenson, B. J. Granneman, R. V. Poss, and L. A. Baer. 2017. "2011 年国家土地覆盖数据库（NLCD）的主题准确性评估." 《环境遥感》191: 328-341. doi:10.1016/j.rse.2016.12.026.

吴，B.，田，F.，张，M.，曾，H.，曾，Y. 2020 年。“云服务与大数据为监测和追踪可持续发展目标提供解决方案。”地理与可持续性 1（1）：25-32。doi：10.1016/j.geosus.2020.03.006。

熊杰，P. Thenkabail，J. Tilton，M. Gumma，P. Teluguntla，A. Oliphant，R. Congalton，K. Yadav 和 N. Gorelick。2017 年。"通过在 Google Earth Engine 上使用 Sentinel-2 和 Landsat-8 数据集集成基于像素和基于对象的算法，制作非洲大陆的名义 30 米耕地范围地图。"《遥感》9（10）：1065。doi:10.3390/rs9101065。

徐，刘，张，李，严，吴。2018。资源和环境数据云平台。中国多时期土地利用土地覆盖遥感监测数据集（CNLUCC）。

杨，Y.，肖，P.，冯，X.，和李，H. 2017 年。“中国七个全球土地覆盖数据集的准确性评估。” ISPRS 摄影测量与遥感杂志 125：156-173。doi：10.1016/j.isprsjprs.2017.01.016。

于庆，胡强，范弗利特，弗尔堡和吴伟。2018 年。“GlobeLand30 显示中国耕地面积减少但碎片化更严重。”国际应用地球观测与地球信息学杂志 66：37-45。doi：10.1016/j.jag.2017.11.002。

张，刘，陈，谢和高。2019 年。“使用 Landsat 数据立方体和操作 SPECLib 方法在中国进行精细土地覆盖制图。”遥感 11（9）：1056。http://doi.org/10.3390/rs11091056。

张，X.，王，J.，高，Y.，王，L. 2021 年。“近 20 年来中国青藏高原植被动态变化及控制因素。”《地理与可持续发展》2（1）：74-85。doi:10.1016/j. geosus.2021.02.001.

附录

图 A1. 2010 年各省不同土地覆盖类型的百分比。

（a）

(b)

图 A2. 2010 年（a）森林；（b）草地；（c）耕地；（d）裸地的一致性。

联系人：文晓金 wenxiaojin2008@163.com 德州大学生态资源与环境学院，中国德州 253023

© 2022 作者。由泰勒和弗朗西斯集团和科学出版社代表中国生态学会出版。

本文是根据创作共用许可证（http://creativecommons.org/licenses/by/4.0/）的条款进行分发的开放获取文章，允许在任何媒介中无限制使用、分发和复制，前提是原始作品得到适当引用。