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
星际码仔2 小时前
AutoGLM沉思,仍然没有摆脱DeepResearch产品的通病
人工智能·ai编程·chatglm (智谱)
喝拿铁写前端3 小时前
前端与 AI 结合的 10 个可能路径图谱
前端·人工智能
城电科技3 小时前
城电科技|零碳园区光伏太阳花绽放零碳绿色未来
人工智能·科技·能源
HyperAI超神经3 小时前
Stable Virtual Camera 重新定义3D内容生成,解锁图像新维度;BatteryLife助力更精准预测电池寿命
图像处理·人工智能·3d·数学推理·视频生成·对话语音生成·蛋白质突变
Chaos_Wang_4 小时前
NLP高频面试题(二十三)对抗训练的发展脉络,原理,演化路径
人工智能·自然语言处理
Yeats_Liao4 小时前
华为开源自研AI框架昇思MindSpore应用案例:基于MindSpore框架实现PWCNet光流估计
人工智能·华为
说私域4 小时前
人工智能赋能美妆零售数字化转型:基于开源AI大模型的S2B2C商城系统构建
人工智能·小程序·开源·零售
zew10409945884 小时前
基于深度学习的手势识别系统设计
人工智能·深度学习·算法·数据集·pyqt·yolov5·训练模型
weixin_478689764 小时前
pytorch与其他ai工具
人工智能·pytorch·python
豆芽8194 小时前
核函数(机器学习深度学习)
人工智能·深度学习