1985-2020年我国30m土地利用覆盖数据介绍

土地覆盖(LC)决定了地球各圈层之间的能量交换、水和碳循环。准确的 LC 信息是环境和气候研究的基本参数。考虑到在过去几十年中,随着经济建设的发展,中国发生了巨大的变化,连续和精细的 LC 监测是迫切需要的。然而,目前,由于缺乏足够的训练样本和计算能力,由观测图像产生的高分辨率年度 LC 数据集在中国普遍不可用。为了解决这个问题,在 Google Earth Engine (GEE)平台上制作了第一个基于 Lands at 的年度我国土地覆盖数据集(CLCD),其中包含 1990-2020 年中国 30 万年地覆盖及其动态。

首先将我国的土地利用/覆盖数据集(Cluds)中提取的稳定样本和卫星时间序列数据、谷歌地球和谷歌地图中的样本结合起来,收集训练样本。使用 335 709 陆地卫星图像的 GEE,几个时间指标的构建和随机森林分类,以获得分类结果。然后,结合时空过滤和逻辑推理,以进一步提高 CLCD 的时空一致性。最后,CLCD 的整体准确率达到79.31%的基础上,5463 视觉解释的样本。基于 5131 个第三方测试样本的进一步评估表明,CLCD 的整体准确性优于 MCD1201、ESACCILC、FROM GLC 和 GlbeLand30。此外,相比较 CLCD 与几个 Lands at 衍生的专题产品,表现出良好的一致性与全球森林变化,全球地表水,和三个不透水的表面产品。在 CLCD 的基础上,揭示了中国 1985 年和 2019 年 LC 变化的趋势和模式,不透水面和水体面积分别扩大了 148.71%和 18.39%,耕地面积减少了4.85%,草地面积减少 7329%,森林面积增加了 4.34%。总体而言,CLCD 反映了我国快速的城市化进程和一系列生态工程(如退耕还林),揭示了气候变化条件下人类活动对土地覆盖的影响,在全球变化研究中具有潜在的应用价值。

该 数 据 集 最 大 的 优 势 在 于 每 年 30 米 的 土 地 利 用 分 类 结 果 ,且 连 续 30 年 。 这 与 GLC_FCS30、Global30、AGLC2000_2015、FROM-GLC10、ESA10、ESRI10 产品相比,时间分辨率更高。劣势在于其分类结果只针对中国,而不是全球。当然FROM-GLC10、ESA10、ESRI10 在空间分辨率上可能更高。今后基于 GEE 做全球分类产品可能会越来越多大家也可以尝试。

数据可以登录:https://www.dilitanxianjia.com/ 查询。

分类说明:

ID Class

1 Cropland

2 Forest

3 Shrub

4 Grassland

5 Water

6 Sonw/Ice

7 Barren

8 Impervious

9 Wetland

相关推荐
白熊188几秒前
【计算机视觉】CV实战项目 -深度解析PaddleSegSharp:基于PaddleSeg的.NET图像分割解决方案
人工智能·计算机视觉·.net
落樱弥城9 分钟前
图像处理——边缘检测
图像处理·人工智能·计算机视觉
IT古董10 分钟前
【漫话机器学习系列】224.双曲正切激活函数(Hyperbolic Tangent Activation Function)
人工智能·机器学习
Allen Bright12 分钟前
【机器学习-线性回归-3】深入浅出:简单线性回归的概念、原理与实现
人工智能·机器学习·线性回归
我不是小upper16 分钟前
数据预处理之特征选择 (Feature Selection)
人工智能·深度学习·机器学习
没有不重的名么24 分钟前
在Pytorch中使用Tensorboard可视化训练过程
人工智能·pytorch·python
小lo想吃棒棒糖27 分钟前
当自动驾驶遇上“安全驾校”:NVIDIA如何用技术给无人驾驶赋能?
人工智能·安全·自动驾驶
余弦的倒数27 分钟前
计算机视觉各类任务评价指标详解
人工智能·计算机视觉
小彭律师1 小时前
SinSR模型剪枝实验报告
人工智能·算法·剪枝
何双新1 小时前
L2-1、打造稳定可控的 AI 输出 —— Prompt 模板与格式控制
人工智能·prompt