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
YF云飞13 分钟前
数据仓库进化:Agent驱动数智化新范式
数据仓库·人工智能·ai
ningmengjing_28 分钟前
理解损失函数:机器学习的指南针与裁判
人工智能·深度学习·机器学习
程序猿炎义43 分钟前
【NVIDIA AIQ】自定义函数实践
人工智能·python·学习
小陈phd1 小时前
高级RAG策略学习(四)——上下文窗口增强检索RAG
人工智能·学习·langchain
居然JuRan1 小时前
阿里云多模态大模型岗三面面经
人工智能
THMAIL1 小时前
深度学习从入门到精通 - BERT与预训练模型:NLP领域的核弹级技术详解
人工智能·python·深度学习·自然语言处理·性能优化·bert
nju_spy1 小时前
Kaggle - LLM Science Exam 大模型做科学选择题
人工智能·机器学习·大模型·rag·南京大学·gpu分布计算·wikipedia 维基百科
中國龍在廣州2 小时前
GPT-5冷酷操盘,游戏狼人杀一战封神!七大LLM狂飙演技,人类玩家看完沉默
人工智能·gpt·深度学习·机器学习·计算机视觉·机器人
东哥说-MES|从入门到精通2 小时前
Mazak MTF 2025制造未来参观总结
大数据·网络·人工智能·制造·智能制造·数字化
CodeCraft Studio2 小时前
Aspose.Words for .NET 25.7:支持自建大语言模型(LLM),实现更安全灵活的AI文档处理功能
人工智能·ai·语言模型·llm·.net·智能文档处理·aspose.word