尹瀟淦，蔣衛(wèi)國，凌子燕，王曉雅，鄧雅文

1.北京師范大學(xué) 地理科學(xué)學(xué)部 遙感科學(xué)國家重點實驗室,北京 100875;

2.湖南師范大學(xué) 地理科學(xué)學(xué)院,長沙 410081;

3.北京師范大學(xué) 地理科學(xué)學(xué)部 環(huán)境遙感與數(shù)字城市北京市重點實驗室,北京 100875;

4.南寧師范大學(xué) 地理與規(guī)劃學(xué)院,南寧 530001

1 引言

土地覆蓋數(shù)據(jù)可以反應(yīng)地球表面的生物與非生物特性，提供了理解地球系統(tǒng)過程所需要的信息，是大多數(shù)地表變化模型的輸入?yún)?shù)（Yang等，2017；Venter 等，2022）。另外，土地覆蓋產(chǎn)品也是政府、社會各行業(yè)的決策者所需要的地理空間數(shù)據(jù)產(chǎn)品（Wang 等，2022a）。因此，準(zhǔn)確可靠的土地覆蓋數(shù)據(jù)產(chǎn)品對于生態(tài)系統(tǒng)監(jiān)測評估與管理和區(qū)域可持續(xù)發(fā)展至關(guān)重要。（Liu等，2022b）。

在技術(shù)快速發(fā)展的背景下，先進(jìn)的衛(wèi)星數(shù)據(jù)、云計算、人工智能新算法都使得土地覆蓋制圖得到快速的發(fā)展（Zhou 等，2022）。迄今為止，已有許多應(yīng)用比較廣泛的全球土地覆蓋數(shù)據(jù)集，如美國國家航空航天局（NASA）發(fā)布的中分辨率成像光譜儀（MODIS）土地覆蓋數(shù)據(jù)集（MCD12Q1），空間分辨率500 m，覆蓋2001 年—2008 年（Sulla-Menashe等，2019）；歐洲航天局（ESA）提供的全球土地覆蓋圖，空間分辨率300 m，覆蓋2005年—2009 年（Bontemps 等，2009）；哥白尼全球土地服務(wù)土地覆蓋率數(shù)據(jù)集（CGLS-LC），空間分辨率100 m，覆蓋2015年—2019年（Buchhorn等，2020）；國家基礎(chǔ)地理信息中心牽頭研制的全球地表覆蓋數(shù)據(jù)產(chǎn)品（GlobeLand30），空間分辨率30 m，含2000 年、2010 年、2020 年3 期（Chen 等，2015）；以及清華大學(xué)宮鵬科研組的全球土地覆蓋數(shù)據(jù)（FROM-GLC），2015 年空間分辨率30 m，2017 年空間分辨率30 m 和10 m（Gong 等，2019）等。自2014 年以來，Sentinel 衛(wèi)星的出現(xiàn)提供了分辨率更高的光學(xué)和雷達(dá)影像，使得如今可以實現(xiàn)10 m分辨率大規(guī)模土地覆蓋制圖。目前已發(fā)布的全球10 m土地覆蓋數(shù)據(jù)并且持續(xù)更新包括ESA的WorldCover數(shù)據(jù)集，從2020 年起每年一期（Zanaga 等，2021，2022）；Esri的Land Use/Land Cover，包含9個類別，從2017 年起每年一期，此外，2020 年存在另外一個版本Esri Land Cover（10-class），包含10 個類別，但這一版本的數(shù)據(jù)將在2024 年12 月退役（Karra等，2021）；以及谷歌的動態(tài)世界（Dynamic World），與前兩個數(shù)據(jù)不同，Dynamic World 可跟隨Sentinel 數(shù)據(jù)近實時更新（每5 天一次）（Brown等，2022）。由于這些數(shù)據(jù)集是由不同的國家或組織制作，并且使用的衛(wèi)星數(shù)據(jù)、分類體系，分類方法都有所不同，導(dǎo)致產(chǎn)品的精度與適用范圍存在差異。因此亟需對這些土地數(shù)據(jù)產(chǎn)品進(jìn)行不同尺度，不同區(qū)域的對比評價，支持用戶能夠根據(jù)自身需求選擇合適的數(shù)據(jù)。

目前，對土地覆蓋數(shù)據(jù)主要從兩個方面進(jìn)行評價，分別是一致性評價和精度評價。例如，Venter 等（2022）選擇ESA World Cover、ESRI Land Cover（10-class）和Dynamic World這3套全球10 m土地覆蓋數(shù)據(jù)集在2020 年進(jìn)行交叉比較和準(zhǔn)確性評估。Yang 等（2017）評估了7 個全球土地覆蓋數(shù)據(jù)集（IGBP DISCover、UMD、GLC、MCD12Q1、GLCNMO、CCI-LC 和GlobeL30）在中國范圍內(nèi)的面積和空間模式上的相似性與差異，并定量計算準(zhǔn)確性。Chen 等（2017）以中國陜西省為研究區(qū)，對4 個土地覆蓋數(shù)據(jù)集（MODIS、GlobCover2009、FROM-GC、GlobeLand30）中的耕地類別進(jìn)行評估。陳逸聰?shù)龋?021）在中國長三角區(qū)對CCI_LC、FROM-GLC、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC 這6 種土地覆被數(shù)據(jù)集進(jìn)行精度驗證及一致性分析。此外，也有學(xué)者探究土地覆蓋數(shù)據(jù)的融合方法，對現(xiàn)有的多種土地覆蓋數(shù)據(jù)進(jìn)行融合，例如Hou和Hou（2019）采用基于模糊邏輯理論的融合方法，實現(xiàn)了MCD12Q1-2010、CCILC2010 和GlobeL30-2010 土地覆蓋數(shù)據(jù)產(chǎn)品在海上絲綢之路沿岸地區(qū)的融合，并將融合后的數(shù)據(jù)與原數(shù)據(jù)進(jìn)行精度對比分析。綜上所述，目前許多對于土地覆蓋數(shù)據(jù)的研究均從全球、國家、省域尺度開展，對10 m 分辨率土地覆蓋產(chǎn)品在城市這種小尺度區(qū)域內(nèi)的對比評價較為缺乏，然而對于全球覆蓋范圍的土地覆蓋數(shù)據(jù)產(chǎn)品，在更小尺度的區(qū)域精度是否有所變化，能否滿足研究需求有待進(jìn)一步驗證，因此有必要對全球較高分辨率土地覆蓋數(shù)據(jù)集在城市尺度區(qū)域上進(jìn)行研究。

在快速城市化過程中，高強(qiáng)度的人類活動改變了城市土地利用格局，嚴(yán)重影響了城市生態(tài)環(huán)境健康，城市濕地快速退化問題明顯。隨著人們對濕地與城市關(guān)系的重視，《拉姆薩爾公約》提出濕地城市的概念并且實施國際濕地城市認(rèn)證計劃（Wang等，2022b）。2018年，全球18個城市被認(rèn)證為首批國際濕地城市，其中中國有6 個。2022 年，全球25 個城市被認(rèn)證為第二批國際濕地城市，中國有7 個。目前已有43 個城市被評選為國際濕地城市，中國有13 個，位居第一。濕地城市土地覆蓋的空間結(jié)構(gòu)和變化對濕地相關(guān)研究以及濕地城市可持續(xù)發(fā)展具有重要意義，因此，亟需高質(zhì)量高精度的土地覆蓋數(shù)據(jù)予以支撐。

本研究選擇中國首批6個國際濕地城市作為研究區(qū)，對全球10 m 土地覆蓋數(shù)據(jù)產(chǎn)品Dynamic World，ESA WorldCover和Esri Land Cover（9類）在2020年和2021年進(jìn)行空間一致性分析、精度評價，最后根據(jù)空間一致性分析和精度評價結(jié)果將這3套數(shù)據(jù)進(jìn)行融合生成2020 年和2021 年的總體精度更高的新數(shù)據(jù)。該研究結(jié)果既可以為這些數(shù)據(jù)在濕地城市的適用性提供建議，并為國際濕地城市的濕地評估修復(fù)和可持續(xù)發(fā)展提供數(shù)據(jù)參考。

2 研究區(qū)與數(shù)據(jù)預(yù)處理

2.1 研究區(qū)

中國共有6 個城市于2018 年被評為第一批國際濕地城市（圖1），分別是常熟市、哈爾濱市、銀川市、東營市、?？谑?、常德市，其中有3個內(nèi)陸城市（哈爾濱、銀川、常德），2 個濱海城市（東營、?？冢?、一個沿江城市（常熟）。哈爾濱為黑龍江省省會，地處中國東北地區(qū)，位于黑龍江省西南部；銀川為寧夏回族自治區(qū)首府，地處中國西北地區(qū)，位于寧夏回族自治區(qū)北部，黃河從市境穿過；常德為湖南省地級市，位于湖南省西北部，地處長江中游洞庭湖水系；東營為山東省地級市，位于山東省北部黃河三角洲地區(qū)，北鄰渤海；?？跒楹Ｄ鲜〉丶壥?，位于海南島北部，北臨瓊州海峽；常熟為江蘇省蘇州市的縣級市，位于江蘇省東南部，北鄰長江，南鄰太湖，地處長江三角洲；每個城市由于不同的自然地理條件而擁有不同特點的濕地。

圖1 中國首批國際濕地城市Fig.1 Chinese first batch of wetland cities

2.2 數(shù)據(jù)與預(yù)處理

本文選取了3 套空間分辨率為10 m 且持續(xù)更新的全球土地覆蓋數(shù)據(jù)，分別是Google 發(fā)布的全球10 m 近實時土地覆蓋數(shù)據(jù)Dynamic World（以下簡稱DW），歐洲航天局牽頭制作的土地覆蓋數(shù)據(jù)集ESA WorldCover（以下簡稱ESA），由Impact Observatory，Microsoft和Esri共同生產(chǎn)的共包含9個類別的土地覆蓋時間序列數(shù)據(jù)Esri Land Cover，（以下簡稱ESRI），3套數(shù)據(jù)主要參數(shù)信息如表1所示。

表1 3套土地覆蓋數(shù)據(jù)集的主要特征Table 1 Main features of the three land cover datasets

因為3套數(shù)據(jù)產(chǎn)品都覆蓋了2020年和2021年，所以本研究選擇這兩年的數(shù)據(jù)進(jìn)行評價與融合。首先通過相關(guān)網(wǎng)站下載ESA（https：//esa-worldcover.org/en［2023-03-01］）和ESRI（https：//livingatlas.arcgis.com/landcover/［2023-03-01］）2020年和2021年的數(shù)據(jù)。由于Dynamic World 是跟隨Sentinel-2 不斷更新的近實時產(chǎn)品，所以為了生成與ESA 和ESRI 相當(dāng)?shù)哪甓葟?fù)合數(shù)據(jù)，DW 采用眾數(shù)合成的方法，即每個像素選取一年之中出現(xiàn)概率最大的類別，通過GEE 平臺（Gorelick 等，2017）生成2020 年與2021 年度復(fù)合數(shù)據(jù)。然后進(jìn)行數(shù)據(jù)預(yù)處理，使用矢量邊界裁剪研究區(qū)6 個城市的3 套土地覆蓋數(shù)據(jù)產(chǎn)品，將WGS-84 坐標(biāo)系統(tǒng)一為UTM 投影。此外，以ESRI 數(shù)據(jù)的分類體系為基準(zhǔn)，通過聚合DW 和ESA 的土地覆蓋類別以匹配ESRI，并重新編碼，共9 個類別，其中本研究的濕地類別定義為明顯與水混合的任何類型的植被區(qū)域或季節(jié)性洪水區(qū)（表2）。最后得到中國首批國際濕地城市2020 年與2021 年的3 種10 m 土地覆蓋數(shù)據(jù)（圖2）。

表2 應(yīng)用于3種土地覆蓋數(shù)據(jù)集的重分類方案Table 2 Reclassification schemes applied to three land cover datasets

圖2 統(tǒng)一分類后的中國首批國際濕地城市土地覆蓋數(shù)據(jù)Fig.2 Land cover data of Chinese first batch of wetland cities after reclassification

3 研究方法

3.1 數(shù)據(jù)產(chǎn)品的空間一致性分析方法

一致性比較是不同數(shù)據(jù)集之間的相互驗證（楊永可 等，2014），為了評估3 套數(shù)據(jù)之間的土地覆蓋類型的空間一致性，遍歷3種土地覆蓋數(shù)據(jù)中的兩種，計算每兩套數(shù)據(jù)之間的一致度和混淆度。具體計算公式如下：

式中，m代表數(shù)據(jù)A的土地覆蓋類型（對應(yīng)1—7類），k代表數(shù)據(jù)B 的土地覆蓋類型（對應(yīng)1—7 類），Nmk代表數(shù)據(jù)A認(rèn)定為m類而數(shù)據(jù)B認(rèn)定為k類的像素個數(shù)，Nm代表數(shù)據(jù)A 認(rèn)定為m類的像元個數(shù)。當(dāng)m≠k時，PA/B表示數(shù)據(jù)A/B 組合中m類與k類的混淆度；當(dāng)m=k時，PA/B表示數(shù)據(jù)A/B 組合中m類（k類）的一致度。

為了更加直觀地表示3套數(shù)據(jù)一致性的空間分布情況，本文使用ArcGIS 軟件中的柵格計算器進(jìn)行空間疊加計算，逐像素確定土地覆蓋類型的匹配相同的情況，將一致性分為3個等級：全部一致，部分一致與全部不一致，部分一致等級中又分成3 種情況，分別是DW 與ESA 一致，DW 與ESRI 一致，ESA與ESRI一致。

3.2 驗證樣本點構(gòu)建與精度評價

本文在研究區(qū)域內(nèi)隨機(jī)生成一部分樣本點，通過使用Sentinel-2 遙感影像進(jìn)行目視解譯，因為濕地城市的特殊地理特點，在城市濕地區(qū)域和強(qiáng)異質(zhì)性區(qū)域使用Google Earth 高分影像數(shù)據(jù)輔助進(jìn)一步進(jìn)行高精度的解譯再選取另一部分樣本點。樣本點共包括7 個類別：水體、林地、草地、濕地、耕地、建設(shè)用地和裸地，因為6個城市都不處于中國的冰川與永久積雪區(qū)，所以沒有選擇冰雪的樣本點。每個城市每年分別選取了1500 個樣本點，2020 年和2021 年在6 個濕地城市分別有2 套樣本點，每一套共有9000個。

混淆矩陣是對分類數(shù)據(jù)進(jìn)行精度評價的常用方法，通過混淆矩陣計算評估分類精度的指標(biāo)包括總體精度（OA）、生產(chǎn)者精度（PA）、用戶精度（UA）和Kappa系數(shù)。具體計算公式如下：

式中，n表示樣本總數(shù)，k表示總共的類別數(shù)目，xii表示正確分類的像素數(shù)，xi+表示待驗證數(shù)據(jù)中i類的所有像素數(shù)，x+i表示參考樣本中i類的總樣本數(shù)。

3.3 基于空間一致性分析和精度評價的數(shù)據(jù)融合方法

本文使用基于空間一致性分析和精度評價的方法融合多源土地覆蓋數(shù)據(jù)。對每個像素來說，根據(jù)空間一致性分析結(jié)果，如果3個數(shù)據(jù)集的類型都相同或者其中兩個數(shù)據(jù)集的類型相同（即全部一致區(qū)和部分一致區(qū)），則像素的土地覆蓋類型定義為該類型。如果3套數(shù)據(jù)集表現(xiàn)為不相同的類型（即全部不一致的區(qū)域），則通過基于精度評估的方法重新確定類型（Hou和Hou，2019）。

全部不一致區(qū)域的重建過程主要分為兩大步，如圖3所示：第一步計算并比較每個土地覆蓋類型在3 套土地覆蓋數(shù)據(jù)產(chǎn)品中的F1 分?jǐn)?shù)，F(xiàn)1 分?jǐn)?shù)為生產(chǎn)者精度和用戶精度的調(diào)和平均值，計算公式見式（6）。接著根據(jù)F1 分?jǐn)?shù)的大小為每個土地覆蓋類型分配3 個“置信度”值。F1 分?jǐn)?shù)越高，代表該數(shù)據(jù)集的該類型精度越高，被分配的“置信度”值越大。具體而言，如果值為3 表示該數(shù)據(jù)集的該類型最有可能為地表真實類型，如果值為2或1，隨著分?jǐn)?shù)的減小，可能性越低。

圖3 全部不一致區(qū)重建流程圖Fig.3 Reconstruction flowchart for all inconsistent areas

第二步，為了消除原始數(shù)據(jù)的地理參考的潛在不準(zhǔn)確性以及提高強(qiáng)異質(zhì)性區(qū)域生成地圖的可靠性，在重建區(qū)域內(nèi)的每個像素上放置一個3×3的窗口，加權(quán)計算每個類型的總得分，然后將像素定義為總得分最高的土地覆蓋類型（Jung 等，2006）。具體計算公式如下：

式中，i，j分別為當(dāng)前像素的行列號，M為土地覆蓋類別編號（對應(yīng)1-7類），K為3個土地覆蓋數(shù)據(jù)集，(i，j)表示M類的現(xiàn)有土地覆蓋圖K的像素（i，j）的置信度得分，為M類總得分。

4 結(jié)果與分析

4.1 3套數(shù)據(jù)產(chǎn)品的空間一致性分析

通過計算任意兩個土地覆蓋數(shù)據(jù)的每個類型之間的混淆度，得到6 個一致性混淆矩陣（圖4）。實驗結(jié)果表明，在ESA/DW 組合中，2020 年和2021 年都是林地的一致度最高，達(dá)到91%，其次是耕地（85%以上），水體（70%以上），裸地（55%以上），混淆度最高的是濕地，達(dá)到78%，其次是草地（50%）；在DW/ESRI 組合中，2020 年水體的一致度最高（93.61%），其次是林地（90.96%），2021 年林地的一致度最高（97.78%），其次是水體（94.34%），兩年的耕地和建設(shè)用地的一致度也在80%以上，裸地一致度60%以上；混淆度最高的是濕地，兩年都在93%以上，其次是草地（65%）；在ESRI/ESA 組合中，2020 年和2021 年都是水體一致度最高（96%以上），其次是建設(shè)用地（90%以上），耕地（79%以上），林地（73%以上），裸地混淆度最高（90%以上），濕地混淆度也達(dá)到89%以上，其次是草地，2020 年為48.11%，2021 年為73.85%?？傮w來看，任何兩個數(shù)據(jù)集之間，水體、林地、耕地、建設(shè)用地這些類型一致度都比較高，然而濕地和草地的混淆度都很高，濕地主要與耕地、草地產(chǎn)生混淆，草地主要與耕地、裸地產(chǎn)生混淆。

通過對3套土地覆蓋產(chǎn)品進(jìn)行空間疊加，制作了6 個城市空間一致性等級分布圖（圖5）。可以直觀地看到全部一致區(qū)域多分布在大面積水體、森林和建設(shè)用地覆蓋的區(qū)域，全部不一致區(qū)域多分布在沿海沿江以及靠近河流、湖泊的地區(qū)，這些區(qū)域地表類型呈現(xiàn)明顯的異質(zhì)性特征，濕地資源豐富，草地、耕地、裸地交錯分布。

除此之外，還計算得到空間一致性的面積占比（圖5）?？傮w來說，全部一致的區(qū)域占比最高，2020 年為60.39%，2021 年為64.35%，全部不一致區(qū)域占比最低，2020年為5.64%，2021年為4.64%。在部分一致的3種情況中，ESRI與DW 一致的區(qū)域占比最高，說明這兩套數(shù)據(jù)的空間一致性程度最高，其次是ESA 與DW 一致區(qū)域，ESRI 與ESA 一致的區(qū)域占比最低。從每個城市來看，除了銀川與哈爾濱，其余城市兩年中一致性占比情況也是如此，主要是因為DW是年度合成數(shù)據(jù)，一年之中部分地區(qū)隨氣候影響土地覆蓋類型不斷變化，北方城市年氣溫差異明顯，因此銀川部分地區(qū)大概率被分為裸地，哈爾濱部分地區(qū)大概率被分為冰雪，所以DW與ESA、ESRI有時差別較大。

4.2 3套數(shù)據(jù)產(chǎn)品的精度評價

各精度指標(biāo)計算結(jié)果（表3）表明：2020 年，ESA 總體精度和Kappa 系數(shù)最高，分別為78%和0.73，其次是DW，總體精度和Kappa 系數(shù)分別為76%和0.70，ESRI 的總體精度也是76%，但Kappa系數(shù)最低，為0.69；2021 年，ESA 總體精度和Kappa系數(shù)最高，分別為78%和0.73，其次是DW，總體精度和Kappa 系數(shù)分別為77%和0.71，ESRI的總體精度和Kappa 系數(shù)最低，分別為75%和0.69；總體來看，與全球尺度上3 套產(chǎn)品的總體精度排序不同（表1，ESRI＞ESA＞DW），在城市尺度區(qū)域，ESA 的平均精度最高，DW 和ESRI 平均精度較為接近。

表3 3套土地覆蓋數(shù)據(jù)集的總體精度Table 3 Overall accuracy of three land cover datasets

對于7 個具體土地覆蓋類型而言，3 種數(shù)據(jù)的分類精度各有不同（圖6）。對于水體，3種土地覆蓋數(shù)據(jù)的精度都比較好，PA 和UA 幾乎都達(dá)到80%以上；對于林地，ESA 的分類精度最高，PA與UA 均達(dá)到90%，ESRI 和DW 也不差，PA 與UA都高于65%；對于草地和裸地，3 套數(shù)據(jù)的分類精度都不理想，ESA 最高，PA 都在50%—60%，DW的草地精度最低，PA 不到35%，ESRI 的裸地精度最低，PA不到25%，；對于濕地，不管是哪一種產(chǎn)品，在7個類型中分類精度是最低的，其中ESA的PA 最高，DW 次之，ESRI的PA 最低；對于耕地和建設(shè)用地，3 種土地覆蓋數(shù)據(jù)的精度都比較理想，PA 和UA 幾乎都達(dá)到70%以上，其中耕地精度最高的是ESA，建設(shè)用地精度最好的是ESRI。

圖6 3套土地覆蓋數(shù)據(jù)的生產(chǎn)者精度和用戶精度Fig.6 Producer precision and user precision of three land cover datasets

本文又在每個城市各選擇了一個示例區(qū)將3套數(shù)據(jù)進(jìn)行比較，且都是各個城市中典型的濕地區(qū)（圖8）?？梢灾庇^看出，DW、ESA、ESRI 這3 套數(shù)據(jù)在濕地區(qū)域的土地覆蓋類型差異很大，尤其是林地，草地，濕地和裸地類型在最易產(chǎn)生混淆。相對來說，3 套數(shù)據(jù)在這些濕地區(qū)域的分類情況，DW 更傾向于裸地和林地，ESA 更傾向于濕地和農(nóng)田，ESRI 更傾向于草地。就分類的空間細(xì)節(jié)程度而言，ESA 的每個斑塊面積較小，形狀復(fù)雜，多細(xì)碎斑塊，相對于其他兩套數(shù)據(jù)來說能夠更好地展示土地覆蓋的細(xì)節(jié)特征，而ESRI 的多為完整的大面積斑塊，能表示的細(xì)節(jié)程度低。

4.3 3套數(shù)據(jù)產(chǎn)品的數(shù)據(jù)融合結(jié)果

根據(jù)生產(chǎn)者精度和用戶精度，計算每種土地覆蓋類型的F1 分?jǐn)?shù)（表4），比較F1 分?jǐn)?shù)的大小，為3 個數(shù)據(jù)集的每個土地覆蓋類型分配“置信度”值（表5）。最后根據(jù)基于空間一致性分析與精度評價的融合方法得到2020 年和2021 年6 個國際濕地城市的土地覆蓋融合數(shù)據(jù)（圖7）。

表4 土地覆蓋類型的F1分?jǐn)?shù)Table 4 F1 score of land cover type

表5 土地覆蓋類型的“置信度”Table 5 “Confidence” of land cover type

圖7 中國首批國際濕地城市3套10 m土地覆蓋產(chǎn)品的融合數(shù)據(jù)Fig.7 Fusion data of three sets of 10 m land cover products of the Chinese first batch of wetland cities

再次使用評價3套土地覆蓋數(shù)據(jù)的樣本集，對融合數(shù)據(jù)進(jìn)行精度驗證。結(jié)果表明，2020 年融合后數(shù)據(jù)的總體精度為82%，Kappa 系數(shù)為0.78，2021 年融合后數(shù)據(jù)的總體精度80%，Kappa 為0.75。融合數(shù)據(jù)的總體精度和Kappa 系數(shù)比DW、ESA、ESRI 的總體精度和Kappa 系數(shù)都高，總體精度提高了約2—4 個百分點，Kappa 系數(shù)提高了約0.02—0.05。

在每個城市的濕地典型區(qū)，將融合后的數(shù)據(jù)與3套原數(shù)據(jù)和Sentinel-2遙感影像進(jìn)行比較（圖8）?？梢园l(fā)現(xiàn)基于這3套數(shù)據(jù)融合的土地覆蓋分類圖可以更好的表達(dá)像濕地這種異質(zhì)區(qū)域的土地覆蓋類型。與Sentinel-2 遙感影像相比，可以初步確定，融合數(shù)據(jù)可以準(zhǔn)確反映湖泊、河流、養(yǎng)殖池等水體，以及周圍廣泛分布的農(nóng)田，還有城市中的建筑用地，同時也能夠很好的描繪小區(qū)域的濕地、裸地，狹窄的道路和一些零星分布的建筑物。因為融合結(jié)果根據(jù)空間一致性結(jié)果和精度評價結(jié)果進(jìn)一步確定了每個像素的土地覆蓋類型，所以在一定程度上利用了這3 套數(shù)據(jù)各自的優(yōu)勢和特點，彌補(bǔ)了單一數(shù)據(jù)的缺陷和不足，例如：融合數(shù)據(jù)與ESRI 相比，細(xì)節(jié)程度更高，還填補(bǔ)了云區(qū)域（即無數(shù)據(jù)區(qū)），與ESA 相比，“椒鹽效應(yīng)”也沒有那么明顯。

圖8 濕地典型區(qū)的土地覆蓋圖Fig.8 Land cover map of typical wetland areas

4.4 討論

本研究指出，3 種土地覆蓋數(shù)據(jù)中，水體、林地、耕地和建設(shè)用地的分類精度較高，草地、濕地和裸地的分類精度較低。同時在各類型一致性分析中也表明，任何兩個數(shù)據(jù)集之間，水體、林地、耕地、建設(shè)用地這些類型一致度都比較高，草地、濕地和裸地之間易產(chǎn)生混淆，尤其是在城市中的典型濕地區(qū)。產(chǎn)生上述現(xiàn)象的原因可能是：（1）水體、林地、耕地、建設(shè)用地類型在研究區(qū)內(nèi)多為大面積分布，邊界清晰，光譜特征簡單，所在區(qū)域土地覆蓋均質(zhì)性強(qiáng)；（2）濕地、裸地、草地這3種類型在研究區(qū)多為交錯混合分布，這些區(qū)域光譜特征復(fù)雜并且濕地植被的遙感波譜反射率接近光譜特征有一定的相似性，會對分類產(chǎn)生影響；（3）3 種產(chǎn)品中關(guān)于濕地類別使用的分類體系不同，定義細(xì)節(jié)有所不同，ESRI 和DW 只有一個濕地類別（淹水植被），而ESA 有兩個濕地類別（草本濕地和紅樹林），所以在數(shù)據(jù)生產(chǎn)過程中對濕地的分類存在差別，分類結(jié)果也會產(chǎn)生一定誤差。在空間一致性分布中，也正是由于上述原因，全部一致區(qū)多分布在森林、耕地、水體和建設(shè)用地大面積分布的區(qū)域。全部不一致區(qū)域多分布在城市中典型的濕地地區(qū)，因為濕地是介于陸地生態(tài)系統(tǒng)和水生生態(tài)系統(tǒng)之間的復(fù)雜生態(tài)系統(tǒng)，這些地區(qū)灌叢，草地、裸地交錯分布，地表類型呈現(xiàn)高度空間異質(zhì)性特征。此外對于季節(jié)性濕地，一年之中水體和濕地的邊界難以確定，所以導(dǎo)致在分類過程中，該區(qū)域最易產(chǎn)生混淆。通過部分一致區(qū)的占比情況分析我們發(fā)現(xiàn)ESRI 和DW 數(shù)據(jù)的一致面積最大，ESA 和這兩個數(shù)據(jù)的一致面積相對較小，且ESA 的總體精度都要比ESRI 和DW高出約2%，ESA 的濕地類型和草地類型的精度比ESRI 的和DW 的都要高。原因是DW 和ESRI 的數(shù)據(jù)來源主要是Sentinel-2 所提供的光學(xué)遙感影像，而ESA 的數(shù)據(jù)不僅僅來源于Sentinel-2，還有Sentinel-1 提供的SAR 影像。很多已有研究表明雷達(dá)衛(wèi)星數(shù)據(jù)可以減少云的影像，并收集更多的特征信息，SAR（孔徑雷達(dá)）在許多方面被證明對分類有利，特別是在區(qū)分灌叢和濕地類型方面（Li 等，2022；Liu 等，2022a；Zhang 等，2022）。因此，ESA 更適用于城市濕地退化修復(fù)和時空變化檢測等研究，對于制圖者來說，可將SAR 數(shù)據(jù)引入土地覆蓋制圖，提高濕地類型的準(zhǔn)確性，從而提高濕地研究數(shù)據(jù)的可靠性。

從精度評價結(jié)果來看，發(fā)現(xiàn)在使用城市區(qū)域內(nèi)的樣本點來評價這3套全球數(shù)據(jù)時，總體精度總是比官方驗證的總體精度要低。另外DW 和ESRI的斑塊面積較大，不能夠表示更多的土地覆蓋的細(xì)節(jié)，且目前更多的全球土地覆蓋數(shù)據(jù)包含的都是大類別，并沒有很多精細(xì)類別，但是這些情況都是在許多小尺度區(qū)域研究中需要考慮的。因此，這些全球尺度的土地覆蓋產(chǎn)品在小尺度區(qū)域上確實要求更高，用戶需謹(jǐn)慎對待全球土地覆蓋圖在國際濕地城市的應(yīng)用。此外，由于濕地城市具有復(fù)雜的濕地類型，數(shù)據(jù)制作者應(yīng)將制圖重點聚焦于這種空間異質(zhì)性強(qiáng)的區(qū)域，精細(xì)化濕地的類別，明確各個濕地相關(guān)類型的定義，生產(chǎn)更精確的土地覆蓋數(shù)據(jù)來支持濕地的相關(guān)科學(xué)研究。

本文提出的基于空間一致性分析和精度評價的方法，有效地結(jié)合了空間一致性和精度這兩個評價因素，這是相對新穎和獨(dú)特的，采用該方法可以削弱多源土地覆蓋數(shù)據(jù)之間地矛盾，整合多源數(shù)據(jù)的優(yōu)勢和特點，重建類型不一致的區(qū)域，用于異質(zhì)性區(qū)域的土地覆蓋類型決策。此外，該方法的泛用性和普適性較強(qiáng)，研究者可以借助現(xiàn)有的土地覆蓋數(shù)據(jù)，基于自己的研究區(qū)通過空間一致性分析和精度評價使用該方法重建數(shù)據(jù)集，更易獲得總體精度更高的數(shù)據(jù)。例如本研究中，研究區(qū)為國際濕地城市，多濕地分布，具有廣泛的異質(zhì)區(qū)域，就可以使用本文所采用的融合方法對其進(jìn)一步處理，以提高數(shù)據(jù)的精度，最后得到了比3個輸入數(shù)據(jù)總體精度更高得到融合數(shù)據(jù)。另外本研究的融合結(jié)果空間分辨率也是10 m 屬于中高分辨率數(shù)據(jù)，具有不同數(shù)據(jù)的優(yōu)勢，并且數(shù)據(jù)總體精度高，更加適用于國際濕地城市區(qū)域，為國際濕地城市的創(chuàng)建、生態(tài)檢測、可持續(xù)發(fā)展評估等提供數(shù)據(jù)支撐，為相關(guān)濕地保護(hù)修復(fù)提供決策信息支持。

本研究也存在一定的局限性，一是目標(biāo)分類系統(tǒng)過于籠統(tǒng)，所有的評價與融合實驗中只考慮了7 個主要類別（水體、林地、草地、濕地、耕地、建筑用地、裸地），這主要是因為參考的原數(shù)據(jù)也主要是這些大類別，沒有細(xì)分類別，然而鑒于國際濕地城市的特殊性，在后續(xù)研究中更要選擇具有濕地細(xì)分類別的數(shù)據(jù)，關(guān)注濕地資源，重視濕地小區(qū)域的科學(xué)分類。二是可以進(jìn)一步提高融合后數(shù)據(jù)的精度，本文提出的基于一致性分析和精度評價的方法可以綜合輸入數(shù)據(jù)的優(yōu)勢和特點來提高研究區(qū)域總體的分類精度，但是每個類別的精度沒有明顯的提高，尤其是濕地類別的精度。因此，對于國際濕地城市來說，按特定濕地類型或者濕地小區(qū)域進(jìn)行融合重建是未來的一個主要方向。

5 結(jié)論

本文選擇了Dynamic World、ESA WorldCover、ESRI Land Cover 這3 套空間分辨率為10 m 的全球土地覆蓋數(shù)據(jù)集產(chǎn)品，以中國首批國際濕地城市作為研究區(qū)，進(jìn)行了空間一致性分析和精度評價，并使用基于一致性分析和精度評價的融合方法，將這3套數(shù)據(jù)融合成一套新數(shù)據(jù)?？臻g一致性分析結(jié)果表明，從類型角度來看，任何兩個數(shù)據(jù)集之間，水體、林地、耕地、建設(shè)用地這些類型一致度都比較高，而濕地、草地和裸地混淆度都很高。從空間一致性分布狀況來看，全部一致區(qū)占比最高，全部不一致區(qū)占比最低且多分布在沿海沿江，濕地廣布的區(qū)域，DW 和ESRI 的空間一致性程度最高。精度評價結(jié)果表明，ESA 的總體精度最高，DW 和ESRI 較為接近。水體、林地、耕地、建筑用地在3種土地覆蓋數(shù)據(jù)的精度都較高，草地、濕地、裸地的精度相對較低，其中ESA 的濕地和草地的精度比ESRI 和DW 高。融合結(jié)果顯示，融合后數(shù)據(jù)的總體精度比3 套原數(shù)據(jù)提高了2%—4%，Kappa 系數(shù)提高了0.02—0.05。說明本文提出的基于一致性分析和精度評價的融合方法的可行性和可靠性，證明了能夠有效提高土地覆蓋數(shù)據(jù)集的總體分類精度。

綜上所述，本研究可為國際濕地城市研究提供輔助決策支持，在對國際濕地城市進(jìn)行土地覆被全要素研究時，可使用本研究中總體精度最高的融合數(shù)據(jù)?；蛘吒鶕?jù)空間一致性與精度評價結(jié)果，針對研究方向，選擇合適的數(shù)據(jù)集。同時本文提出了基于空間一致性分析和精度評價的融合方法，進(jìn)行多源土地覆蓋產(chǎn)品融合，可使用此方法提供綜合精度更高的面向特殊區(qū)域研究的土地覆蓋數(shù)據(jù)集。