吳宗洋,蔡卓雅,郭 英,王彥芳**

(1.河北省農(nóng)業(yè)干旱遙感監(jiān)測國際聯(lián)合研究中心/河北地質大學土地科學與空間規(guī)劃學院 石家莊 050031;2.河北省高校生態(tài)環(huán)境地質應用技術研發(fā)中心 石家莊 050031;3.中國科學院遺傳與發(fā)育生物學研究所農(nóng)業(yè)資源研究中心/中國科學院農(nóng)業(yè)水資源重點實驗室/河北省節(jié)水農(nóng)業(yè)重點實驗室 石家莊 050022)

土地覆被是地球表層自然狀態(tài)的客觀反映,其空間分布格局及動態(tài)變化對于解決全球和區(qū)域環(huán)境演變、可持續(xù)發(fā)展等問題具有重大意義[1-3]。近年來,隨著衛(wèi)星遙感技術和GIS 技術的高速發(fā)展,極大程度促進了土地覆被產(chǎn)品的時空分辨率和精度的提高,涌現(xiàn)出大量優(yōu)質的土地覆被數(shù)據(jù)集。然而,這些數(shù)據(jù)集在區(qū)域尺度的具體應用中往往存在以下幾個方面的不確定性[4-5],使得數(shù)據(jù)集的應用受到限制: 1)所使用的遙感數(shù)據(jù)獲取時間、土地覆被分類技術、分類體系等的差異;2)目前發(fā)布的土地覆被數(shù)據(jù)集大多數(shù)是全球和國家尺度的,在區(qū)域尺度的精度和適用性存在不確定性;3)測量或表達尺度即數(shù)據(jù)源和產(chǎn)品的空間分辨率也存在差異,使得多套的數(shù)據(jù)集在區(qū)域尺度存在不確定性,使用受到限制,難以選擇合適的數(shù)據(jù)集[6]。因此,在使用數(shù)據(jù)之前對現(xiàn)有土地覆被數(shù)據(jù)的精度分析與評價至關重要。

目前,國內(nèi)外學者基于各類土地覆被遙感產(chǎn)品在不同尺度上進行了相關研究,主要以洲際和國家尺度居多,包括中國、西班牙、南美洲、歐洲、北極地區(qū)等相關區(qū)域的研究[7-13]。例如宋宏利等[8]以中國科學院的CHINA2000 數(shù)據(jù)為參考,從國家尺度上對全球4 種土地覆被遙感產(chǎn)品的分類精度進行了評價;戴昭鑫等[12]評價了5 種全球衛(wèi)星土地覆被產(chǎn)品在南美洲地區(qū)的一致性。區(qū)域尺度上,我國學者對長江流域、新疆、京津冀等地的多套數(shù)據(jù)產(chǎn)品進行了基本精度驗證及一致性分析[14-16],評價方法上多采用相對評價方法、類型面積對比、誤差矩陣分析和類型空間混淆等方法[17];研究形式上部分學者以某套數(shù)據(jù)產(chǎn)品為對象,評價在研究區(qū)域內(nèi)的總體精度[18-21],或者評價多套全球土地覆被數(shù)據(jù)精度和一致性。雖然眾多學者對各土地覆被產(chǎn)品的研究取得了一些成果,但是存在對同一地區(qū)不同年份的對比、參考數(shù)據(jù)的選擇具有隨意性等問題,也鮮見對黃河流域多空間分辨率土地覆被產(chǎn)品的定性和定量對比評價,數(shù)套不同分辨率的遙感產(chǎn)品該如何選擇的問題,仍有待進一步研究。

本文以黃河流域為研究區(qū),基于2020 年的30 m 分辨率土地覆被產(chǎn)品CLCD_v01_2020、GLOBELAND30和GLC_FCS30_2020 和低分辨率土地覆被產(chǎn)品LANDCOVER (300 m)、MCD12Q1 (500 m)和CNLUCC-1000 (1000 m),采用直接和間接評價相結合的方法,進行區(qū)域尺度精度評價。本研究旨在通過對比同期不同來源不同空間分辨率的土地覆被產(chǎn)品在黃河流域的精度表現(xiàn),為用戶在區(qū)域尺度合理利用土地覆被遙感產(chǎn)品提供科學參考。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

黃河流域地勢東低西高,西部河源地區(qū)平均海拔在4000 m 以上(圖1),分布著眾多高山,有冰川地貌發(fā)育;中部地區(qū)的平均海拔1000～2000 m,為黃土地貌;東部地區(qū)主要由黃河沖積平原組成。該流域橫跨東、中、西三大地形階梯,是我國重要的生態(tài)安全屏障,也是人口活動和經(jīng)濟發(fā)展的重要區(qū)域。因此,黃河流域的生態(tài)環(huán)境問題是關乎流域生態(tài)安全及社會經(jīng)濟高質量發(fā)展的關鍵問題之一。而根據(jù)《2019 年中國水資源公報》和《2020 年中國統(tǒng)計年鑒》[22],黃河流域水資源總量為797.5×108m3,僅占全國水資源總量的2.75%;黃河流域降水量為496.9 mm,相當于長江流域的46.87%;黃河流域人均國內(nèi)生產(chǎn)總值(GDP)為55 470.29 元,低于全國水平的27.80%。同時,根據(jù)《2019 黃河泥沙公報》,近10 年來,隨著干流河底的不斷淤積,小浪底庫區(qū)最大支流畛水的斷面淤積抬高62.90 m,主要支流大峪河的斷面淤積抬高53.83 m。當前黃河流域存在的水資源匱乏、水沙關系失衡等生態(tài)環(huán)境問題嚴重制約了黃河流域的發(fā)展質量,是關乎流域生態(tài)安全及社會經(jīng)濟高質量發(fā)展的關鍵問題之一。目前,黃河流域生態(tài)保護和高質量發(fā)展已上升為重大國家戰(zhàn)略,系統(tǒng)科學地認識黃河流域的環(huán)境格局變化是實現(xiàn)黃河流域高質量發(fā)展的重要前提[23-24]。

圖1 研究區(qū)概況圖Fig.1 Overview of the study area

1.2 數(shù)據(jù)來源

1.2.1 土地覆被數(shù)據(jù)

本研究采用不同來源30～1000 m 不同分辨率的6 種土地覆被產(chǎn)品進行精度評價和一致性分析,各種數(shù)據(jù)詳細參數(shù)如表1 所示。中國逐年土地覆蓋數(shù)據(jù)集(Annual China Land Cover Dataset,CLCD),是基于GEE 上所有可獲得的Landsat 數(shù)據(jù),結合從中國土地利用/覆蓋數(shù)據(jù)集(CLUD)中提取的穩(wěn)定樣本,以及從Google Earth 等通過目視解譯收集的訓練樣本,結合隨機森林分類器得到1985-2021 年中國土地利用分類結果[25],本文采用的為Version 1.0.0 中2020年的數(shù)據(jù),即命名為CLCD_v01_2020。GLOBELAND30數(shù)據(jù)集是國家基礎地理信息中心等多單位開發(fā)的全球首個30 m 地表覆蓋數(shù)據(jù)產(chǎn)品,包含2000 年、2010 年和2020 年3 期,采用“像素分類-對象提取-知識檢核”方案制作而成[26]。GLC_FCS30_2020 是中國科學院空天信息創(chuàng)新研究院2020 年最新研發(fā)的全球30 m 地表覆蓋精細分類產(chǎn)品,并以該數(shù)據(jù)為基準,采用耦合變化檢測和動態(tài)更新相結合的長時序地表覆蓋動態(tài)監(jiān)測方案,生產(chǎn)了1985-2020 年全球30 m 精細地表覆蓋動態(tài)監(jiān)測產(chǎn)品,該產(chǎn)品包含29 個地表覆蓋類型,更新周期為5 年[27]。LANDCOVER 數(shù)據(jù)集是利用2003-2012 年的中分辨率成像光譜儀(MERIS)數(shù)據(jù)生成10 年基線土地覆被圖,然后再結合AVHRR、SPOT、PROBA-V、Sentinel-3 等不同數(shù)據(jù)進行回溯和更新而生成,時間序列為1992-2020 年。MCD12Q1 數(shù)據(jù)產(chǎn)品是使用MODIS Terra 和Aqua 反射率數(shù)據(jù)經(jīng)過監(jiān)督分類后,再結合先驗知識和輔助信息等做分類后處理進一步細化到特定類別[28]。中國多時期土地利用/土地覆被遙感監(jiān)測數(shù)據(jù)集(CNLUCC1000)是中國科學院地理科學與資源研究所牽頭生產(chǎn)的系列數(shù)據(jù)集,2020 年的數(shù)據(jù)是在2015年土地利用遙感監(jiān)測數(shù)據(jù)的基礎上,基于Landsat 8遙感影像,通過人工目視解譯生成[29],該原始數(shù)據(jù)空間分辨率為30 m,本文所采用的是公開發(fā)布的空間分辨率為1000 m 的重采樣產(chǎn)品。

表1 研究所用多源遙感土地覆被產(chǎn)品的參數(shù)表Table 1 Parameters of multi-source remote-sensing land cover products used in the study

所采用的6 種土地覆被產(chǎn)品年份均為2020 年,其 中 CLCD_v01_2020、GLOBELAND30 和 GLC_FCS30_2020 產(chǎn)品分辨率均為30 m;LANDCOVER、MCD12Q1 和CNLUCC1000 為更低分辨率,分別為300 m、500 m 和1000 m。

1.2.2 驗證樣本

本研究所采用的驗證樣本點均是在Google Earth 上通過對2020 年黃河流域的歷史影像進行目視解譯篩選出來的,共采取了1540 個樣本點(圖2),其中耕地540 個、林地293 個、草地204 個、水域182 個、冰川58 個、裸地105 個和建設用地158 個樣本點。為減少樣本由于定位誤差和解譯誤差所帶來的影響,在進行樣本選擇及解譯時需遵循以下原則: 1)樣本點選擇區(qū)域至少為2 km×2 km 均質區(qū)域的中心點。2)使用與待評價數(shù)據(jù)時相一致的2020年的遙感影像,并參考2019-2021 年間的多時相數(shù)據(jù)。3)對于少數(shù)解譯較為困難的樣本,結合參考其他輔助信息解譯。4)采用多人獨立解譯方式,并在解譯結果經(jīng)商議無法統(tǒng)一時,舍棄該樣本。在遵循以上原則的基礎上,按類別面積大小、隨機采樣確定樣本位置。

圖2 基于Google Earth 的黃河流域樣本點分布Fig.2 Sample points distribution of the Yellow River Basin based on Google Earth

1.3 數(shù)據(jù)預處理

首先,將LANDCOVER 和MCD12Q1 的格式進行統(tǒng)一化處理,而后,為保證土地覆被數(shù)據(jù)投影一致和無面積變形,選擇Albers 等積投影作為基準投影,最后將數(shù)據(jù)進行裁剪得到黃河流域的土地覆被數(shù)據(jù)。

統(tǒng)一的分類體系是土地覆被數(shù)據(jù)精度評價的前提。由于6 種數(shù)據(jù)采用了不同的分類體系,為了統(tǒng)一標準,在精度評價前需將6 種數(shù)據(jù)聚類為表2 所示的7 種地物類型,分別是耕地、林地、草地、水域、冰川、裸地和建設用地。

表2 研究所用土地覆被產(chǎn)品類別聚合表Table 2 Aggregation table of land cover types of multi-source remote-sensing products used by the study

2 研究方法

2.1 樣本精度評價

由于Google Earth 影像具有定位準確、時相豐富、分辨率高、獲取方便、覆被廣泛等優(yōu)勢,是精度評價的主要數(shù)據(jù)源之一[30-33],所以本研究采用Google Earth 影像作為樣本,生成了6 種土地覆被分類數(shù)據(jù)的混淆矩陣。計算總體精度(overall accuracy,OA)、Kappa 系數(shù)(K)、使用者精度(user accuracy,UA),以評價6 種土地覆被產(chǎn)品在黃河流域的分類精度情況,將精度最高的產(chǎn)品作為參考數(shù)據(jù)進行后續(xù)的分析與評價。具體計算方法如下:

式中:N是參與評價的樣本總數(shù),n是 混淆矩陣中的行列數(shù),xii是混淆矩陣中第i行第i列的樣本數(shù),xi+和x+i分別為第i行和第i列的樣本總數(shù)。

2.2 面積一致性評價

為滿足土地覆被產(chǎn)品的不同應用需求,在對多套土地覆被分類產(chǎn)品進行比較時,通常將多套驗證數(shù)據(jù)與參考數(shù)據(jù)進行構成相似性分析得到面積一致性評價。相關系數(shù)(R2)表示的是兩向量之間的線性關系,本研究通過計算聚合重分類后的5 種土地覆被驗證數(shù)據(jù)與參考數(shù)據(jù)土地利用數(shù)據(jù)類型面積的相關性來評價5 種數(shù)據(jù)類型面積相對參考數(shù)據(jù)的偏離程度。

相關系數(shù)的定義式如下:

式中:i是第i種待驗證的土地覆被類型產(chǎn)品;k取1,2,3···,7,代表7 種不同的土地覆被類別;xk為各類別的總面積(km2);yk為參考數(shù)據(jù)各類別的總面積(km2);為所要評價的土地覆被數(shù)據(jù)7 種面積的均值(km2);為參考數(shù)據(jù)的7 種面積的均值(km2)。

2.3 類別混淆圖譜分析

面積一致性評價能夠表明不同土地覆被產(chǎn)品間土地類型面積構成上的相似性,但無法刻畫不同產(chǎn)品之間同一土地覆被類型在空間上的混淆程度[34-35]。因此,采用空間疊置方法,獲取不同產(chǎn)品之間逐像元的空間對應關系;而后匯總計算全部類型像元的個數(shù)(面積),并與總像元數(shù)(總面積)比較,即可得到關于不同產(chǎn)品之間、同一土地覆被類別在空間上的純凈程度(兩種產(chǎn)品指示為同一種類型)或混淆程度(兩種產(chǎn)品指示為不同的類型)的判斷。

3 結果與分析

3.1 樣本精度評價

通過Google Earth 在2020 年黃河流域的歷史影像上選取驗證樣本點,然后運用公式(1)-(4)計算得到多源產(chǎn)品精度評價結果(表3)。從總體精度(OA)看,CLCD_v01_2020 最高(OA=88.12%),CNLUCC-1000 最低(OA=71.82%)。其他數(shù)據(jù)總體精度從高到低依次是GLOBELAND30 (OA=85.32%)、GLC_FCS30_2020 (OA=84.09%)、LANDCOVER300 (OA=77.79%)、MCD12Q1 (OA=73.38%)。30 m 土地覆被產(chǎn)品的KAPPA 系數(shù)均在0.8 以上,分類精度較高,隨著產(chǎn)品分辨率的下降,分類精度總體也呈現(xiàn)下降趨勢。

表3 不同遙感產(chǎn)品的土地覆被精度Table 3 Accuracy results of land cover types of different remote-sensing products %

各數(shù)據(jù)集在不同覆被類型上存在較大的精度差異。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。對于林地,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,但也僅有64.97%,MCD12Q1的UA 僅為40.09%。對于水域CLCD_v01_2020 和LANDCOVER300 具有最高的UA (100%),CNLUCC-1000 具有最低的UA (70.45%)。6 種產(chǎn)品在冰川類型上都具有最高的UA(100%)。對于裸地和建設用地,GLC_FCS30_2020 均具有最高的UA,CNLUCC1000具有最低的UA。

綜上可知,CLCD_v01_2020 具有最高的精度結果,主要是由于該數(shù)據(jù)是以國家為尺度制作的,相比于其他數(shù)據(jù)在中國擁有更多的樣本,并且分類體系屬于一級分類,從而增加了聚類的準確性。CNLUCC-1000 具有最低的精度結果是由于分辨率是所有數(shù)據(jù)中最粗的,較粗的柵格增加了混合像元的概率,同時在定位上可能會存在偏差。6 種產(chǎn)品對于冰川都具有最高UA,草地的分類精度最低,存在耕-草和林-草混淆。

3.2 面積一致性分析

統(tǒng)計6 種遙感產(chǎn)品中各地表覆被類型的面積占比發(fā)現(xiàn),不同數(shù)據(jù)源各類別面積構成比例總體一致,但具體數(shù)值上仍存在一定差異。6 種數(shù)據(jù)均表明,流域內(nèi)草地是最主要的土地覆被類型(～50%),其次是耕地和林地,裸地和建設用地等其他土地覆被類型占比較小,均在10%以下(圖3a)。將具有最高樣本精度的CLCD_v01_2020 產(chǎn)品作為參考數(shù)據(jù),分析其他數(shù)據(jù)的面積偏差,結果表明(圖3b),不同數(shù)據(jù)產(chǎn)品對不同土地覆被的面積判定存在差異。耕地上,GLC_FCS30_2020 與參考數(shù)據(jù)最為接近(-1.28%),GLOBELAND30 產(chǎn)品差異最大(7.35%)。草地的面積偏差最大,最大和最小值相差20%以上,其中,GOLELAND30 草地面積較CLCD_v01_2020 偏小12.04%,MCD12Q1 草地的面積占比均高于其他數(shù)據(jù),比參考數(shù)據(jù)高11.19%。林地方面,除MCD12Q1(-6.8%)外,其他各驗證數(shù)據(jù)與參考數(shù)據(jù)一致性較高。CNLUCC1000 的裸地與參考數(shù)據(jù)面積差異最大(3.42%)。建設用地、冰川和水域等類型與參考數(shù)據(jù)均表現(xiàn)出較好的一致性,這是由于這3 種土地覆被類型在黃河流域的面積占比本身較小。綜上可得,GLOBELAND30 高估了耕地面積,低估了草地面積,存在耕地與草地混淆,將部分草地分進了耕地,LANDCOVER 也存在同樣的情形。MCD12Q1 對草地面積的高估則是由于林草的混淆,導致部分林地被錯分為草地。CNLUCC1000 數(shù)據(jù)低估了草地面積是由于草地與裸地混淆較為嚴重,部分草地被分進了裸地。

圖3 不同遙感產(chǎn)品的黃河流域土地覆被類別面積組成(a)與面積偏差(b)Fig.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 數(shù)據(jù)具有最高的樣本驗證精度,因此,確定以CLCD_v01_2020 為參考數(shù)據(jù),分別計算其余5 種驗證數(shù)據(jù)集與該數(shù)據(jù)的面積相關性。結果表明,5 種驗證產(chǎn)品與參考數(shù)據(jù)的相關性均較高,其中最高的為GLC_FCS30_2020 產(chǎn)品,相關性為0.9976,這是由于兩種數(shù)據(jù)采用同樣的LCCS分類體系且都為一級分類,從而增加了聚類的準確性。相關性最低的為GLOBELAND30 產(chǎn)品,相關性為0.9687,這是由于GLOBELAND30 產(chǎn)品的草地和耕地的面積與參考數(shù)據(jù)相差較大,從而降低了總體的相關性。其余數(shù)據(jù)相關性從高到低依次為CNLUCC1000 (0.9917)、MCD12Q1 (0.9896)、LANDCOVER (0.9780)。

3.3 類別混淆分析

圖4 展示了6 種土地覆被產(chǎn)品不同地物類型間的混淆情況,縱坐標表示不同土地覆被類型的樣本點被劃分為橫坐標所對應地物的數(shù)量占比,當樣本類型與橫坐標對應地物類型相同時,則代表一致,否則代表混淆。

圖4 多源遙感數(shù)據(jù)的土地覆被類型混淆程度Fig.4 Degrees of confusion between land cover types of different remote-sensing products

不同土地覆被產(chǎn)品中耕地、林地、水域、冰川和建設用地的分類精度較高,被混淆的比例較低,這是因為這些地類的光譜特征普遍明顯,地物成片分布、邊界較為清晰,因此和其他類別混淆相對較少。裸地和冰川光譜特征相似,因此易被識別為冰川。草地是不確定性最大的類型,且普遍存在于各分辨率產(chǎn)品中,CLCD_v01_2020 和GLOBELAND30 將林地、裸地與草地混淆,而GLC_FCS30_2020 存在明顯的耕地和草地混淆。百米以上的粗分辨率產(chǎn)品對草地的分類不確定性更大,普遍存在裸地、耕地、林地與草地的混淆,這可能是由于草地存在不同覆蓋特征易與其他地類混淆。粗分辨率的水域存在與林地、草地等的錯分,主要是由于柵格尺寸大,但水域一般較為狹長,因此,存在混合像元導致混淆。另外,CNLUCC1000 由于較粗的分辨率,在城鎮(zhèn)邊緣存在城鎮(zhèn)用地與耕地的混合像元,導致樣本點類型有偏差。由此可見,分辨率越高,分類精度越高,所以提高遙感土地覆被產(chǎn)品的分辨率可以增加對不同地物的分類精度,也是目前的發(fā)展方向。

3.4 類別混淆圖譜分析

為分析多源土地覆被產(chǎn)品在空間上的一致性,將參考數(shù)據(jù)CLCD_v01_2020 產(chǎn)品作為基準,對其他數(shù)據(jù)進行疊加分析(圖5)。結果表明,5 種土地覆被產(chǎn)品與CLCD_v0_2020 總體空間一致性較高,但仍存在部分混淆情況。一致性表現(xiàn)在黃河上游青海東部的草地,黃河中下游部分耕地和建設用地等土地利用較為單一和明顯的區(qū)域,而在黃河中游陜西北部、山西西部和寧夏區(qū)域一致性較低,主要表現(xiàn)為草地和林地的混淆。其中GLC_FCS30_2020 與參考數(shù)據(jù)一致性較好,但仍在黃河上中游內(nèi)蒙古西南部的草地和山西西部的耕地一致性較低。GLOBELAND-30 與參考數(shù)據(jù)在黃河上中游寧夏區(qū)域和山西西部的草地一致性較差。LANDCOVER 與CLCD_v01_2020在黃河上游一致性較好,但在黃河中游山西西部和陜西北部的一致性較差,混淆在草地、耕地和裸地之間。MCD12Q1 與CLCD_v01_2020 在黃河上游草地一致性較好,而在黃河中游陜西北部、山西西部和河南北部的林地一致性較差。CNLUCC1000 與參考數(shù)據(jù)的混淆表現(xiàn)出破碎特征,在黃河上中游主要表現(xiàn)為草地的混淆,在黃河下游主要表現(xiàn)為林地和耕地的混淆。對于5 種數(shù)據(jù)與CLCD_v0_2020 差異較大的區(qū)域,如山西西部與陜西北部,通過與Google earth 歷史影像對比,發(fā)現(xiàn)在山西西部差異較大的地物實際為耕地,在陜西北部差異較大的地物實際為草地,結果均與參考數(shù)據(jù)一致,這表明對于植物的精確分類算法仍需要改善。

圖5 多源遙感產(chǎn)品與參考數(shù)據(jù)的類別混淆空間圖譜Fig.5 Confuse spatial atlases of multi-source remote-sensing land cover products with the categories of reference data

4 討論和結論

本研究評估了黃河流域6 套土地覆被數(shù)據(jù)的分類精度,結果表明,6 種數(shù)據(jù)精度從高到低依次為CLCD_v01_2020、GLOBELAND30、GLC_FCS30_2020、LANDCOVER300、MCD12Q1、CNLUCC-1000。該結果與劉瓊歡等[34]在羌塘高原利用直接法得到的不同數(shù)據(jù)集精度從高到低的順序一致(GLOBELAND30＞GLC2000＞MCD12Q1),但與陳逸聰?shù)萚14]在長三角地區(qū)的評價結果(GLC_FCS30＞GlobeLand-30＞CCI_LC＞FROM-GLC)和仝冉等[32]在蒙古高原的研究結果(GLC_FCS30＞GLOBELAND30＞FROM-GLC)存在一定差異。較已有的研究,本研究增加了CLCD數(shù)據(jù)集,發(fā)現(xiàn)在黃河流域該數(shù)據(jù)集較GLOBELAND30、GLC_FCS30 精度更高。在不同的研究區(qū),可以看出多源數(shù)據(jù)精度總體較高,但由于樣本的選擇、目標分類系統(tǒng)、評價方法等的差異會對結果造成一定影響,導致各數(shù)據(jù)的評價結果也存在差異。

對于黃河流域不同土地覆被精度產(chǎn)生差異的原因與黃亞博等[19]在河南區(qū)域產(chǎn)生差異的原因類似,主要有以下幾方面: 1)制圖范圍的不同會造成數(shù)據(jù)的精度差異。全球范圍的數(shù)據(jù)在中國區(qū)域的訓練樣本較少,從而導致在相同分辨率下,分類精度較低。2)不同的空間分辨率也是造成差異的原因之一。高分辨率數(shù)據(jù)的像元純凈度較粗分辨率的數(shù)據(jù)高,因此,分類精度也較高。3)分類體系的轉換也可能造成精度的差異。統(tǒng)一的分類體系是土地覆被數(shù)據(jù)精度評價的基礎,但不同的分類體系在向目標分類體系轉換時可能存在誤差,從而會影響后續(xù)精度評價的準確性。

從混淆類型來看,黃河流域主要表現(xiàn)為耕地、林地和草地的混淆,這與已有的研究結果類似[13,19,21]。例如全國尺度耕地和草地面積變化趨勢以及空間分布與我國實際情況存在較大差距[13],河南省山地與平原、山地與盆地過渡帶的耕地、林地和草地混淆嚴重[19,21]?？梢?目前對于植被類型的精確分類仍是土地覆被數(shù)據(jù)生產(chǎn)的主要難題之一,在未來針對耕地、林地和草地的混淆現(xiàn)象,建議在結合地形特征的基礎上,引入?yún)^(qū)域植被物候信息以降低“異物同譜”所帶來的影響。

綜上,本研究通過在Google Earth 上選擇驗證點對黃河流域6 種土地覆被數(shù)據(jù)進行精度評價,并選擇精度較高的數(shù)據(jù)作為參考數(shù)據(jù)與其他數(shù)據(jù)進行面積一致性分析和類別圖譜分析。主要結論如下: 利用驗證點對6 種土地覆被數(shù)據(jù)進行精度評價可得,6種數(shù)據(jù)的精度為71.82%～88.12%,其中30 m 的土地覆被數(shù)據(jù)中,CLCD_v01_2020 產(chǎn)品精度最高,低分辨率的數(shù)據(jù)中,LANDCOVER300 產(chǎn)品精度最高,為77.79%。6 種數(shù)據(jù)對黃河流域土地覆被構成的描述基本一致,即黃河流域主要以草地、耕地和林地為主體,繼而為水域、冰川雪地、裸地和建設用地等其他土地類型。不同土地覆被產(chǎn)品與CLCD_v01_2020的面積相關性很強,相關系數(shù)為96.87%～99.76%。不同產(chǎn)品與CLCD_v01_2020 在黃河上游青海東部的草地,黃河中下游部分耕地和建設用地等類型較為單一的區(qū)域一致性較高,而在陜西北部、山西西部的一致性較差,主要表現(xiàn)為草地和林地的混淆。針對黃河流域土地覆被數(shù)據(jù),30 m 分辨率的數(shù)據(jù)中可以綜合選擇總體精度最高的CLCD_v01_2020 數(shù)據(jù),百米級分辨率數(shù)據(jù)中選擇LANDCOVER300,或者生成粗分辨率像元內(nèi)各地類的面積百分比,以提高計算和模擬精度。