国际交流
您当前的位置 > 首页 > 国际交流
名称 巴基斯坦土地覆盖数据产品季节性精度评价
发布机构 科技外事处 索引号 2189234/2021-00238
主题分类 国际交流 文号
发布日期 2021-02-25 主题词

巴基斯坦土地覆盖数据产品季节性精度评价

发布日期:2021-02-25 09:57 信息来源:科技外事处 访问量:? 字体 :[ 大 ][ 中 ][ 小 ]

巴基斯坦土地覆盖数据产品季节性精度评价

1引言

全球高精度土地覆盖数据产品对指导资源开发,预警生态环境破坏,应对气候变化以及监测地理国情均具有重要意义。目前,随着数据处理技术的发展,已有越来越多的全球高精度土地覆盖数据产品可供免费下载,并用于各方面的研究。这些产品间的全球或区域精度比较作为产品选择与使用的前提,得到越来越多的重视。然而,目前这些产品均为年际产品,仅采用了单时相遥感影像用于制图,难以反映年内土地覆盖类型的动态变化,对描述不同季节土地覆盖情况的适应性有待商榷。近年来已有研究开始关注土地覆盖的季节性差异,但是土地覆盖年际产品在较长时间内仍将被广泛使用。因此,研究分析评价了几套全球高精度土地覆盖数据年际产品的季节性精度。

选取巴基斯坦作为研究区,评价3套全球高精度土地覆盖数据产品在巴基斯坦夏冬两季的精度差异。巴基斯坦总面积796095km2,南北气候差异显著,印度河自北向南贯穿全境,境内土地覆盖类型齐全,含耕地、森林、草地、灌木、水体、人造地表、冰川积雪和裸地等多个类型,土地覆盖分类精度评价更为全面客观。同时,巴基斯坦部分土地覆盖类型呈现显著的季节性转换特征,例如受耕作周期影响的耕地和受气候条件影响的冰川等,这对研究季节性土地覆盖十分有益。此外,“中巴经济走廊”是“一带一路”旗舰产品,分析巴基斯坦土地覆盖类型及其动态变化,对于监测巴基斯坦地理国情、掌握“中巴经济走廊”态势具有重要意义,是高精度土地覆盖数据产品应用的重要领域。

2数据与方法

2.1研究数据

研究选择GlobCover2009(300m)FROM-GLC-2010(30m)GlobeLand30-2010(30m)3套全球高精度土地覆盖数据产品进行精度评价。

GlobCover-2009(Global Land Cover Map for2009)数据产品由欧洲空间局(European Space AgencyESA)、联合国环境规划署(United Nations Environment ProgrammeUNEP)等组织共同参与完成。GlobCover-2009产品以2009ENVISAT卫星的MERIS(MEdium Resolution Imaging Spec-trometer)影像作为数据源,空间分辨率为300m,使用了LCCSLand Cover Classification System)分类体系,采用分层分区的分类方法进行制图,共包含22种土地覆盖类型,全球数据总精度约为73%

FROM-GLC(Finer Resolution Observationand Monitoringof Global Land Cover)-2010数据产品由清华大学生产,以Landsat TM/ETM+影像为数据源,使用最大似然分类器(Maximum Likelihood ClassifierMLC)、随机森林(Random ForestRF)、支持向量机(Support Vector MachineSVM)等分类器,通过监督分类的方法制图,是首套30m空间分辨率的全球土地覆盖数据产品,包含8种土地覆盖类型,全球数据总精度约为71.5%

GlobeLand30-2010数据产品由我国国家基础地理信息中心生产,以Landsat TM/ETM+MODISHJ-1等卫星遥感影像作为数据源,采用基于像元—对象—知识(Pixel-Object-KnowledgePOK)的方法制图,包含10种土地覆盖类型,全球数据总精度约为83.5%2014年我国政府将GlobeLand30-2010赠送给联合国使用,该数据产品与FROM-GLC成为了目前空间分辨率最高的、应用最为广泛的全球土地覆盖数据产品。

2.2研究方法

2.2.1统一土地覆盖类型

本研究评价的3套高精度土地覆盖数据产品分类体系和类型存在差异,不能直接进行精度比较,因此研究首先统一不同数据产品的土地覆盖类型,归并对应的土地覆盖类型,得到耕地、裸地、植被、人造地表、水体和冰川积雪6个主要土地覆盖类型。GlobCover-2009数据产品中植被类型详细,其中镶嵌型植被等类型无法具体划分森林、草地或灌木,因此,在巴基斯坦植被面积较小,植被内部发生季节间转换的可能性小的前提下,研究将各产品中的森林、草地、灌木和苔原均合并为植被类型。此外,FROM-GLC-2010数据产品将湿地划分为水体,为了保持一致,本文将GlobCover-2009GlobeLand30-2010中的永久性淹水和湿地划分为水体。

2.2.2土地覆盖分类精度评价

研究共选取2009201130mLandsat-5Landsat-7多光谱遥感影像共122景,其中夏季、冬季影像各61景,均覆盖巴基斯坦全境。以样本点为参考数据对土地覆盖数据产品进行精度评价是目前最常用的方法。研究选择了997个样本点(1000个随机点中去掉3个空值点),利用夏冬两季的遥感影像分别对验证样本点进行目视解译,确定夏冬两季的土地覆盖类型属性,形成两套独立的验证点数据集。此外,为了排除验证样本点个数对精度评价结果的影响,本研究对样本点进行9次分层抽样,以100为间隔,抽取点数为1009009组验证样本点,对3套产品、2个季节重复进行精度评价。

研究建立了3套土地覆盖数据与夏冬两季验证点间的混淆矩阵,计算了3套数据在2个季节的总精度(Overall AccuracyOA,产品与真值类型相同的点数/样本点数)与Kappa系数,以反映3套数据在不同季节用来描述巴基斯坦土地覆盖真实状况的适应程度。除了总精度,还分别计算了各种土地覆盖类型在2个季节的生产者精度(Produce Accu-racyPA,产品与真值均为某类型的点数/真值中为某类型的点数)及用户精度(User AccuracyUA,产品与真值均为某类型的点数/产品中为某类型的点数),以分析各类型间的混淆情况。以上4个精度评价指标中,OAKappa系数描述待评价数据的总体情况,UAPA反映各种土地覆盖类型的精度及混淆状况。由UAPA的概念可知,UA更适合比较同一数据产品不同季节间的差异,而PA更适合比较同一季节不同数据产品间的差异。

3研究结果与讨论

3.1巴基斯坦土地覆盖特征

研究经过数据预处理和统一分类,得到3套巴基斯坦土地覆盖数据产品,获得了巴基斯坦土地覆盖基本情况。虽然3套产品对巴基斯坦土地覆盖的描述存在差别,但整体上各地类的比例较为一致,这与戴昭鑫等在南美地区得出的结论具有相似性。巴基斯坦土地覆盖以裸地为主,大约占总面积的40%,显著高于全球水平(GlobCover2009FROM-GLC-2010GlobeLand30-2010依次为50%30%44%,全球裸地覆盖率约为16.5%),主要分布在巴基斯坦西南部。裸地、植被(约25%)和耕地(约28%)之和约占巴基斯坦总面积的90%,空间上自西向东的优势土地覆盖类型依次为裸地、植被、耕地。水体大部分集中在印度河和沿海湿地,低于全球水平(约1%vs3.6%),人造地表面积较小,低于1%,低于全球水平(GlobCover-2009FROM-GLC-2010GlobeLand30-2010依次为0.32%0.34%0.71%,全球人造地表覆盖率约为0.66%),集中分布在东部伊斯兰堡和南部沿海卡拉奇附近的城市群。

研究根据2010年夏冬两季遥感影像,对巴基斯坦境内1000个验证样本点进行目视解译,这些样本点在夏冬两季的属性在反映了巴基斯坦土地覆盖的季节差异,因此研究构建冬季—夏季转移矩阵。在巴基斯坦夏冬两季,土地覆盖类型空间变化主要有耕地—裸地、植被—裸地、水体—裸地和冰川积雪—裸地几种类型:由此可知,巴基斯坦土地覆盖的季节差异主要变现为裸地与其他土地覆盖类型的转变。

3.2土地覆盖数据产品分类精度评价

研究生成了3套土地覆盖数据产品GlobCover-2009FROM-GLC-2010GlobeLand30-2010在夏冬两季的混淆矩阵,进而评价了3套产品各自的夏冬两季土地覆盖分类精度。

3套产品夏季与冬季的总精度差别不大,Glob-Cover-2009的总精度冬季略高于夏季,FROM-GLC-2010GlobeLand30-2010的总精度夏季略高于冬季,因此GlobCover-2009所反映的土地覆盖特征更符合巴基斯坦冬季的真实情况,FROM-GLC-2010GlobeLand30-2010更符合夏季的真实情况。此外,3套产品中,空间分辨率为300mGlobCover-2009的总精度最低(59.3%),空间分辨率为30mFROM-GLC-2010总精度(约60.1%)仅略高于GlobeCover2009Glo-beLand30-2010总精度最高(约64.8%)。因此,巴基斯坦土地覆盖数据产品的精度随着空间分辨率的提高有所上升(约1%6%),但并不显著。

尽管3套产品在夏冬两季的总精度差别不大,但各个土地覆盖类型在不同数据产品及不同季节的精度差异明显。研究对比了3套产品夏冬两季的生产者精度和用户精度。

在耕地分类中,3套产品的生产者精度Globe-Land30-2010分类效果最优,其次为GlobCover-2009,FROM-GLC-2010再次之;从用户精度来看,3套产品夏季均优冬季。在裸地的分类中,3套产品的生产者精度GlobCover-2009分类效果最优,其次为GlobeLand30-2010FROM-GLC-2010再次之;从用户精度来看,3套产品裸地分类冬季好于夏季。在植被分类中,3套产品的生产者精度FROM-GLC-2010最优,GlobeLand30-2010优于GlobCover-2009;从用户精度的角度看,夏季明显高于冬季,季节性差异较为显著。在人造地表的分类中,GlobeLand30-2010分类效果最优,其次为FROM-GLC-2010GlobCover-2009再次之。人造地表的用户精度季节波动很小。水体的生产精度GlobeLand30-2010最高,其次为FROM-CJLC-2010GlobCover-2009再次之;从用户精度来看,3套产品夏季均好于冬季。在冰川积雪的分类中,生产者精度FROM-GLC-2010最高,其次为Globe-Land30-2010,GlobCover-2009再次之;从用户精度的角度看,3套产品冬季优于夏季。

综上,GlobCover-2009能较好地刻画裸地的覆盖情况,FROM-GLC-2010能较好地刻画植被和冰川积雪的覆盖情况,GlobeIJand30-2010对耕地、人造地表和水体有更好的表达效果。3套土地覆盖数据产品中各类型对季节的适用性较为一致,耕地、裸地和冰川积雪的分布更符合冬季的真实情况,而植被、水体更符合夏季的真实情况,人造地表分布无明显的季节差异。

研究将3套土地覆盖数据产品在巴基斯坦的精度评价结果(夏冬两季平均精度)与全球精度进行比较。GlobCover-2009FROM-GLC-2010GlobeIJand30-2010在巴基斯坦的总精度均低于其全球精度(73%vs59.3%71.5%vs.60.10/83.5%vs64.8%)。而从不同土地覆盖类型来看,GlobCover-2009FROM-GLC-2010GlobeLand30-2010人造地表在巴基斯坦的用户精度均高于全球精度(96.4%vs63.6%95.0%vs30.8%95.6%vs.86.9%);从水体在巴基斯坦的用户精度来看,FROM-GLC-2010低于全球(75.7%vs.80.6%),GlobCover-2009GlobeLand30-2010高于全球(82.6%vs74.1%95.4%vs92.1%);从裸地在巴基斯坦的用户精度来看,GlobCover-2009低于全球(74.0%vs88.1%)FROM-CJLC-2010GlobeLand30-2010高于全球(73.2%vs62.7%82.7%vs77.3%);从冰川积雪在巴基斯坦的用户精度来看,FROM-GLC-2010低于全球(83.6%vs95.6%),GlobCover-2009GlobeLand30-2010高于全球(92.3%vs.74.1%76.2%vs75.8%)。耕地和植被在统一分类时进行了类型归并,因此无法与产品类型的全球精度进行比较。3套全球土地覆盖数据产品在巴基斯坦的精度评价结果中,总精度均有所下降(>10%),各类型精度上也都与全球精度有所偏差(人造地表精度均有所升高,其他类别因产品而异)。巴基斯坦土地覆盖的特殊性是造成这些偏差的原因之一,例如巴基斯坦的裸地覆盖率显著高于全球水平(约40%vs14.6%),植被覆盖率显著低于全球水平(约25vs53.2%)等,正确分类不同土地覆盖类型在产品生产中的难易程度不同,因此各种土地覆盖类型的比例会影响土地覆盖数据产品的精度。巴基斯坦土地覆盖类型在不同季节变化显著,从用户精度看,植被夏季比冬季精度高约16%,冰川积雪冬季比夏季高约11%,在这种季节差异下,年际土地覆盖产品生产时使用单一时相影像带来的误差更加明显。此外,相对于全球精度验证,本研究在巴基斯坦区域选择了更加密集的验证样本点(约1/800km2FROM-GLC-2010的全球验证样本共38664个,约1/2000km2),这也给精度评价结果带来一定影响。

3.3验证样本点个数对季节性精度评价结果影响

土地覆盖数据产品精度评价结果受样本点数量的影响。

当样本点个数小于700时,土地覆盖数据产品总精度会随验证样本点数量的变化产生较为剧烈的波动,3套产品夏冬两季分类精度波动的平均值为3.4%,其中精度差异最大是冬季的Globe-Land30-2010(8%)。当样本点个数大于700时,各产品总精度逐渐趋于稳定,3套产品夏冬两季分类精度波动的平均值为0.7%。由此推测,巴基斯坦土地覆盖分类精度评价合理的验证样本点个数为700个,因此研究选择的1000个样本点足以反映各种土地覆盖数据产品在巴基斯坦的精度特征。在今后验证土地覆盖数据产品分类精度时,每1000km2应至少选择1个样本点。

4结论

从土地覆盖制图的角度,GlobeLand30-2010FROM-GLC-2010GlobCover-20093套土地覆盖数据产品在巴基斯坦地区夏冬两季总分类精度差异不大,GlobeLand30-2010(63.9%vs65.6%)FROM-GLC-2010(59.0%vs61.2%)的总精度夏季略高于冬季,GlobCover-2009的总精度冬季略高于夏季(59.5%vs.59.1%)。此外,土地覆盖数据产品在描述不同的土地覆盖类型时精度有所差别,除人造地表外,各种土地覆盖类型的用户精度均有明显差别,尤其是植被和裸地夏冬两季的分类精度差别很大。因此,在巴基斯坦的土地覆盖制图中,应当充分考虑土地覆盖的季节性特征。

从土地覆盖产品使用的角度,3套产品中Glo-beLand30-2010对耕地、人造地表和水体有更好的分类效果,FROM-GLC-2010对植被和冰川积雪的分类更为准确,GlobCover-2009对裸地的分类更为准确;3套产品对耕地、裸地和冰川积雪分类更符合冬季的真实情况,对植被、水体分类更符合夏季的真实情况,人造地表分类无明显的季节差异。总的来说,在使用2010年巴基斯坦土地覆盖数据产品时,若需要全分类的产品可选择总精度最高的Glo-beLand30-2010;若需要某一土地覆盖类型的产品可根据生产者精度评价结果进行选择。

目前,全球高精度土地覆盖数据产品均为年际产品,而本研究的精度评价结果显示年内土地覆盖类型存在季节性差异。因此,在未来的土地覆盖制图和产品使用中,应当充分考虑土地覆盖类型的季节性变化及其对产品精度的影响。在制图中,可以针对不同季节分别进行土地覆盖制图,在同一年生产两套或多套数据产品,或者在制图时设置反映季节变化的土地覆盖类型,例如常绿植被和季节型植被等。在产品使用中需要对备选产品进行季节性精度评价,再根据实际情况选用合适的土地覆盖数据产品。此外,在精度评价时,为排除验证样本点数量对结果的影响,应多次抽样以确保使用足够数量的样本点,例如在巴基斯坦,验证样本点密度应达到111000km2以上。

摘自《遥感技术与应用》2020年第3

扫一扫在手机打开当前页

巴基斯坦土地覆盖数据产品季节性精度评价

科技外事处 2021-02-25

巴基斯坦土地覆盖数据产品季节性精度评价

1引言

全球高精度土地覆盖数据产品对指导资源开发,预警生态环境破坏,应对气候变化以及监测地理国情均具有重要意义。目前,随着数据处理技术的发展,已有越来越多的全球高精度土地覆盖数据产品可供免费下载,并用于各方面的研究。这些产品间的全球或区域精度比较作为产品选择与使用的前提,得到越来越多的重视。然而,目前这些产品均为年际产品,仅采用了单时相遥感影像用于制图,难以反映年内土地覆盖类型的动态变化,对描述不同季节土地覆盖情况的适应性有待商榷。近年来已有研究开始关注土地覆盖的季节性差异,但是土地覆盖年际产品在较长时间内仍将被广泛使用。因此,研究分析评价了几套全球高精度土地覆盖数据年际产品的季节性精度。

选取巴基斯坦作为研究区,评价3套全球高精度土地覆盖数据产品在巴基斯坦夏冬两季的精度差异。巴基斯坦总面积796095km2,南北气候差异显著,印度河自北向南贯穿全境,境内土地覆盖类型齐全,含耕地、森林、草地、灌木、水体、人造地表、冰川积雪和裸地等多个类型,土地覆盖分类精度评价更为全面客观。同时,巴基斯坦部分土地覆盖类型呈现显著的季节性转换特征,例如受耕作周期影响的耕地和受气候条件影响的冰川等,这对研究季节性土地覆盖十分有益。此外,“中巴经济走廊”是“一带一路”旗舰产品,分析巴基斯坦土地覆盖类型及其动态变化,对于监测巴基斯坦地理国情、掌握“中巴经济走廊”态势具有重要意义,是高精度土地覆盖数据产品应用的重要领域。

2数据与方法

2.1研究数据

研究选择GlobCover2009(300m)FROM-GLC-2010(30m)GlobeLand30-2010(30m)3套全球高精度土地覆盖数据产品进行精度评价。

GlobCover-2009(Global Land Cover Map for2009)数据产品由欧洲空间局(European Space AgencyESA)、联合国环境规划署(United Nations Environment ProgrammeUNEP)等组织共同参与完成。GlobCover-2009产品以2009ENVISAT卫星的MERIS(MEdium Resolution Imaging Spec-trometer)影像作为数据源,空间分辨率为300m,使用了LCCSLand Cover Classification System)分类体系,采用分层分区的分类方法进行制图,共包含22种土地覆盖类型,全球数据总精度约为73%

FROM-GLC(Finer Resolution Observationand Monitoringof Global Land Cover)-2010数据产品由清华大学生产,以Landsat TM/ETM+影像为数据源,使用最大似然分类器(Maximum Likelihood ClassifierMLC)、随机森林(Random ForestRF)、支持向量机(Support Vector MachineSVM)等分类器,通过监督分类的方法制图,是首套30m空间分辨率的全球土地覆盖数据产品,包含8种土地覆盖类型,全球数据总精度约为71.5%

GlobeLand30-2010数据产品由我国国家基础地理信息中心生产,以Landsat TM/ETM+MODISHJ-1等卫星遥感影像作为数据源,采用基于像元—对象—知识(Pixel-Object-KnowledgePOK)的方法制图,包含10种土地覆盖类型,全球数据总精度约为83.5%2014年我国政府将GlobeLand30-2010赠送给联合国使用,该数据产品与FROM-GLC成为了目前空间分辨率最高的、应用最为广泛的全球土地覆盖数据产品。

2.2研究方法

2.2.1统一土地覆盖类型

本研究评价的3套高精度土地覆盖数据产品分类体系和类型存在差异,不能直接进行精度比较,因此研究首先统一不同数据产品的土地覆盖类型,归并对应的土地覆盖类型,得到耕地、裸地、植被、人造地表、水体和冰川积雪6个主要土地覆盖类型。GlobCover-2009数据产品中植被类型详细,其中镶嵌型植被等类型无法具体划分森林、草地或灌木,因此,在巴基斯坦植被面积较小,植被内部发生季节间转换的可能性小的前提下,研究将各产品中的森林、草地、灌木和苔原均合并为植被类型。此外,FROM-GLC-2010数据产品将湿地划分为水体,为了保持一致,本文将GlobCover-2009GlobeLand30-2010中的永久性淹水和湿地划分为水体。

2.2.2土地覆盖分类精度评价

研究共选取2009201130mLandsat-5Landsat-7多光谱遥感影像共122景,其中夏季、冬季影像各61景,均覆盖巴基斯坦全境。以样本点为参考数据对土地覆盖数据产品进行精度评价是目前最常用的方法。研究选择了997个样本点(1000个随机点中去掉3个空值点),利用夏冬两季的遥感影像分别对验证样本点进行目视解译,确定夏冬两季的土地覆盖类型属性,形成两套独立的验证点数据集。此外,为了排除验证样本点个数对精度评价结果的影响,本研究对样本点进行9次分层抽样,以100为间隔,抽取点数为1009009组验证样本点,对3套产品、2个季节重复进行精度评价。

研究建立了3套土地覆盖数据与夏冬两季验证点间的混淆矩阵,计算了3套数据在2个季节的总精度(Overall AccuracyOA,产品与真值类型相同的点数/样本点数)与Kappa系数,以反映3套数据在不同季节用来描述巴基斯坦土地覆盖真实状况的适应程度。除了总精度,还分别计算了各种土地覆盖类型在2个季节的生产者精度(Produce Accu-racyPA,产品与真值均为某类型的点数/真值中为某类型的点数)及用户精度(User AccuracyUA,产品与真值均为某类型的点数/产品中为某类型的点数),以分析各类型间的混淆情况。以上4个精度评价指标中,OAKappa系数描述待评价数据的总体情况,UAPA反映各种土地覆盖类型的精度及混淆状况。由UAPA的概念可知,UA更适合比较同一数据产品不同季节间的差异,而PA更适合比较同一季节不同数据产品间的差异。

3研究结果与讨论

3.1巴基斯坦土地覆盖特征

研究经过数据预处理和统一分类,得到3套巴基斯坦土地覆盖数据产品,获得了巴基斯坦土地覆盖基本情况。虽然3套产品对巴基斯坦土地覆盖的描述存在差别,但整体上各地类的比例较为一致,这与戴昭鑫等在南美地区得出的结论具有相似性。巴基斯坦土地覆盖以裸地为主,大约占总面积的40%,显著高于全球水平(GlobCover2009FROM-GLC-2010GlobeLand30-2010依次为50%30%44%,全球裸地覆盖率约为16.5%),主要分布在巴基斯坦西南部。裸地、植被(约25%)和耕地(约28%)之和约占巴基斯坦总面积的90%,空间上自西向东的优势土地覆盖类型依次为裸地、植被、耕地。水体大部分集中在印度河和沿海湿地,低于全球水平(约1%vs3.6%),人造地表面积较小,低于1%,低于全球水平(GlobCover-2009FROM-GLC-2010GlobeLand30-2010依次为0.32%0.34%0.71%,全球人造地表覆盖率约为0.66%),集中分布在东部伊斯兰堡和南部沿海卡拉奇附近的城市群。

研究根据2010年夏冬两季遥感影像,对巴基斯坦境内1000个验证样本点进行目视解译,这些样本点在夏冬两季的属性在反映了巴基斯坦土地覆盖的季节差异,因此研究构建冬季—夏季转移矩阵。在巴基斯坦夏冬两季,土地覆盖类型空间变化主要有耕地—裸地、植被—裸地、水体—裸地和冰川积雪—裸地几种类型:由此可知,巴基斯坦土地覆盖的季节差异主要变现为裸地与其他土地覆盖类型的转变。

3.2土地覆盖数据产品分类精度评价

研究生成了3套土地覆盖数据产品GlobCover-2009FROM-GLC-2010GlobeLand30-2010在夏冬两季的混淆矩阵,进而评价了3套产品各自的夏冬两季土地覆盖分类精度。

3套产品夏季与冬季的总精度差别不大,Glob-Cover-2009的总精度冬季略高于夏季,FROM-GLC-2010GlobeLand30-2010的总精度夏季略高于冬季,因此GlobCover-2009所反映的土地覆盖特征更符合巴基斯坦冬季的真实情况,FROM-GLC-2010GlobeLand30-2010更符合夏季的真实情况。此外,3套产品中,空间分辨率为300mGlobCover-2009的总精度最低(59.3%),空间分辨率为30mFROM-GLC-2010总精度(约60.1%)仅略高于GlobeCover2009Glo-beLand30-2010总精度最高(约64.8%)。因此,巴基斯坦土地覆盖数据产品的精度随着空间分辨率的提高有所上升(约1%6%),但并不显著。

尽管3套产品在夏冬两季的总精度差别不大,但各个土地覆盖类型在不同数据产品及不同季节的精度差异明显。研究对比了3套产品夏冬两季的生产者精度和用户精度。

在耕地分类中,3套产品的生产者精度Globe-Land30-2010分类效果最优,其次为GlobCover-2009,FROM-GLC-2010再次之;从用户精度来看,3套产品夏季均优冬季。在裸地的分类中,3套产品的生产者精度GlobCover-2009分类效果最优,其次为GlobeLand30-2010FROM-GLC-2010再次之;从用户精度来看,3套产品裸地分类冬季好于夏季。在植被分类中,3套产品的生产者精度FROM-GLC-2010最优,GlobeLand30-2010优于GlobCover-2009;从用户精度的角度看,夏季明显高于冬季,季节性差异较为显著。在人造地表的分类中,GlobeLand30-2010分类效果最优,其次为FROM-GLC-2010GlobCover-2009再次之。人造地表的用户精度季节波动很小。水体的生产精度GlobeLand30-2010最高,其次为FROM-CJLC-2010GlobCover-2009再次之;从用户精度来看,3套产品夏季均好于冬季。在冰川积雪的分类中,生产者精度FROM-GLC-2010最高,其次为Globe-Land30-2010,GlobCover-2009再次之;从用户精度的角度看,3套产品冬季优于夏季。

综上,GlobCover-2009能较好地刻画裸地的覆盖情况,FROM-GLC-2010能较好地刻画植被和冰川积雪的覆盖情况,GlobeIJand30-2010对耕地、人造地表和水体有更好的表达效果。3套土地覆盖数据产品中各类型对季节的适用性较为一致,耕地、裸地和冰川积雪的分布更符合冬季的真实情况,而植被、水体更符合夏季的真实情况,人造地表分布无明显的季节差异。

研究将3套土地覆盖数据产品在巴基斯坦的精度评价结果(夏冬两季平均精度)与全球精度进行比较。GlobCover-2009FROM-GLC-2010GlobeIJand30-2010在巴基斯坦的总精度均低于其全球精度(73%vs59.3%71.5%vs.60.10/83.5%vs64.8%)。而从不同土地覆盖类型来看,GlobCover-2009FROM-GLC-2010GlobeLand30-2010人造地表在巴基斯坦的用户精度均高于全球精度(96.4%vs63.6%95.0%vs30.8%95.6%vs.86.9%);从水体在巴基斯坦的用户精度来看,FROM-GLC-2010低于全球(75.7%vs.80.6%),GlobCover-2009GlobeLand30-2010高于全球(82.6%vs74.1%95.4%vs92.1%);从裸地在巴基斯坦的用户精度来看,GlobCover-2009低于全球(74.0%vs88.1%)FROM-CJLC-2010GlobeLand30-2010高于全球(73.2%vs62.7%82.7%vs77.3%);从冰川积雪在巴基斯坦的用户精度来看,FROM-GLC-2010低于全球(83.6%vs95.6%),GlobCover-2009GlobeLand30-2010高于全球(92.3%vs.74.1%76.2%vs75.8%)。耕地和植被在统一分类时进行了类型归并,因此无法与产品类型的全球精度进行比较。3套全球土地覆盖数据产品在巴基斯坦的精度评价结果中,总精度均有所下降(>10%),各类型精度上也都与全球精度有所偏差(人造地表精度均有所升高,其他类别因产品而异)。巴基斯坦土地覆盖的特殊性是造成这些偏差的原因之一,例如巴基斯坦的裸地覆盖率显著高于全球水平(约40%vs14.6%),植被覆盖率显著低于全球水平(约25vs53.2%)等,正确分类不同土地覆盖类型在产品生产中的难易程度不同,因此各种土地覆盖类型的比例会影响土地覆盖数据产品的精度。巴基斯坦土地覆盖类型在不同季节变化显著,从用户精度看,植被夏季比冬季精度高约16%,冰川积雪冬季比夏季高约11%,在这种季节差异下,年际土地覆盖产品生产时使用单一时相影像带来的误差更加明显。此外,相对于全球精度验证,本研究在巴基斯坦区域选择了更加密集的验证样本点(约1/800km2FROM-GLC-2010的全球验证样本共38664个,约1/2000km2),这也给精度评价结果带来一定影响。

3.3验证样本点个数对季节性精度评价结果影响

土地覆盖数据产品精度评价结果受样本点数量的影响。

当样本点个数小于700时,土地覆盖数据产品总精度会随验证样本点数量的变化产生较为剧烈的波动,3套产品夏冬两季分类精度波动的平均值为3.4%,其中精度差异最大是冬季的Globe-Land30-2010(8%)。当样本点个数大于700时,各产品总精度逐渐趋于稳定,3套产品夏冬两季分类精度波动的平均值为0.7%。由此推测,巴基斯坦土地覆盖分类精度评价合理的验证样本点个数为700个,因此研究选择的1000个样本点足以反映各种土地覆盖数据产品在巴基斯坦的精度特征。在今后验证土地覆盖数据产品分类精度时,每1000km2应至少选择1个样本点。

4结论

从土地覆盖制图的角度,GlobeLand30-2010FROM-GLC-2010GlobCover-20093套土地覆盖数据产品在巴基斯坦地区夏冬两季总分类精度差异不大,GlobeLand30-2010(63.9%vs65.6%)FROM-GLC-2010(59.0%vs61.2%)的总精度夏季略高于冬季,GlobCover-2009的总精度冬季略高于夏季(59.5%vs.59.1%)。此外,土地覆盖数据产品在描述不同的土地覆盖类型时精度有所差别,除人造地表外,各种土地覆盖类型的用户精度均有明显差别,尤其是植被和裸地夏冬两季的分类精度差别很大。因此,在巴基斯坦的土地覆盖制图中,应当充分考虑土地覆盖的季节性特征。

从土地覆盖产品使用的角度,3套产品中Glo-beLand30-2010对耕地、人造地表和水体有更好的分类效果,FROM-GLC-2010对植被和冰川积雪的分类更为准确,GlobCover-2009对裸地的分类更为准确;3套产品对耕地、裸地和冰川积雪分类更符合冬季的真实情况,对植被、水体分类更符合夏季的真实情况,人造地表分类无明显的季节差异。总的来说,在使用2010年巴基斯坦土地覆盖数据产品时,若需要全分类的产品可选择总精度最高的Glo-beLand30-2010;若需要某一土地覆盖类型的产品可根据生产者精度评价结果进行选择。

目前,全球高精度土地覆盖数据产品均为年际产品,而本研究的精度评价结果显示年内土地覆盖类型存在季节性差异。因此,在未来的土地覆盖制图和产品使用中,应当充分考虑土地覆盖类型的季节性变化及其对产品精度的影响。在制图中,可以针对不同季节分别进行土地覆盖制图,在同一年生产两套或多套数据产品,或者在制图时设置反映季节变化的土地覆盖类型,例如常绿植被和季节型植被等。在产品使用中需要对备选产品进行季节性精度评价,再根据实际情况选用合适的土地覆盖数据产品。此外,在精度评价时,为排除验证样本点数量对结果的影响,应多次抽样以确保使用足够数量的样本点,例如在巴基斯坦,验证样本点密度应达到111000km2以上。

摘自《遥感技术与应用》2020年第3