10个全球最佳免费土地覆被/土地利用数据资源

10个全球最佳免费土地覆被/土地利用数据资源

2022-06-17 作者: xuzhiping 浏览: 132 次

摘要: 不知道大家有没有想过,在我们来到地球的一生时间中,地球会有多大的变化呢? 是在空旷的草地新建了公园,还是低矮的平房变成了一座座大厦? 这些林林总总的变化,总是令人应接不暇。然而,在漫长的人类历史历程中,我们却没有办法用详细的数据来衡量这些变化。 幸好,如今...

全球土地覆被要素

不知道大家有没有想过,在我们来到地球的一生时间中,地球会有多大的变化呢? 是在空旷的草地新建了公园,还是低矮的平房变成了一座座大厦? 这些林林总总的变化,总是令人应接不暇。然而,在漫长的人类历史历程中,我们却没有办法用详细的数据来衡量这些变化。

幸好,如今的科技发展日新月异、包罗万象,让我们有了可以对全球地表覆盖情况进行观测的卫星,例如 MODIS、AVHRR。并借助专题地图的增强技术,让我们有机会细致入微的观察自己身边的环境。

既然如此,那么地图上的土地覆被类型到底可以分为多少种数据集? 数据集的准确率有多少,精度有多高呢?接下来就让我们从一个小案例来了解一下。

下图所示的影像图是纽约某地区截图,影像由纽约的 Sentinel-2 卫星提供。其中,需要大家先记住一些比较关键的要素位置:

中央公园: 曼哈顿的广场绿地、杰奎琳·肯尼迪·奥纳西斯水库以及分割纽约和新泽西的上海湾;

火岛: 南岸的薄屏障岛保护着纽约长岛的海滨;

长岛: 长岛东北角的岛屿,如梅花岛、大鸥岛、小海鸥岛;

Sentinel-2

这些要素在土地覆被地图中的分类情况又如何呢?看起来这并非是一件容易的事,现在请阅读以下内容,让我们来一起了解各种免费提供的土地覆被分类方案吧。

1. Esri 土地覆被图 (10m)

Esri 土地覆被 10m

Esri 土地覆被图 (10m) 实际上是使用 Sentinel-2 来实现 10 米的分辨率。虽然它的空间分辨率远高于其他土地覆被产品,但在某些方面仍然有所欠缺。Esri 土地覆被数据集是由 50 亿个人工标记的像素组成,这是训练深度学习模型的结果。它的 10 米分辨率数据源是开源的,我们可在 Esri 的 Living Atlas of the World 上找到相关资源。类别包括建筑区域,水,树木,草,农作物,淹没的植被,灌木丛/灌木,裸露的地面,雪/冰和云。总体而言,它是当今全球最好的土地覆被方式,它使用最高分辨率的空间开放数据源,其中需要我们注意的是道路和其他几个类别的准确性。

2. 全球土地调查图(GLS)

纽约美国地质调查局马里兰全球土地调查局

据资料显示,在满足30米分辨率的情况下, 全球土地调查图是最好用的地表类型分类解决方案。它由马栏里大学与美国地质调查局合作完成,将大约2010种不同的树木覆盖类型、裸露地面类型以及地表水结合在一张图上进行展示。

上图使用的是 Landsat 7 ETM+ 的影像数据,它最令人印象深刻的一种数据属性是,每个网格树木的覆盖率等同于每个网格单元输出的比例。这种方法可以持续用来衡量从 2000 年到 2012 年的全球森林范围、损失和收益情况。

经研究表明,全球土地调查(GLS)解决方案中,静态森林覆盖率的准确度为91%,森林覆盖变化率的准确度为88%。这与前面我们讲到的例子中,中央公园、长岛和火岛的描述是一直且合乎逻辑的。

3. CCI 土地覆被图第二版(CCI Land Cover V2)

纽约环球报欧空局

在满足300 米分辨率的情况下,ENVISAT MERIS (欧洲环境卫星中分辨率成像光谱仪) 的 传感器为该项目中三期地表覆被地图 (1998-02, 2003-07 和2008-12) 贡献了最多数据。GlobCover 项目将全球地表土地分为23类不同的覆盖类型。通过对地图上的覆盖面积与实际覆盖面积相比较来看,它的准确度为73%。此外,欧洲航天局还创建了 ESA/CCI 土地覆被查看器以动态查看土地覆被。

同样,在图中我们可以看出,它对于南部海岸中比较细微的土地界限一样捕捉得十分到位,对于东北群岛的土地分类也是无可挑剔的。但是根据提供的数据显示,图中对于中央公园的绿色面积少标注了4千米*0.8千米。

4. OSM 土地利用现状数据

OSM

与其它地表覆被分类不同的是,这个解决方案使用的是基于图像分类的算法。通过数以百计的卫星图像叠加与处理,将地球表面土地覆被区域进行分类。当然,这样得到的土地利用分类地图也是非常准确的。

OSM 像素

上图是在 ENVISAT 卫星的中分辨率成像光谱仪下得到的单个像素内,所包含的157栋建筑的图像。在图中,我们可以清晰的看到土地的利用类型大多是住宅、商业、工业以及其他用途。同时,据资料显示,OSM 土地利用数据也存在一些缺点:

  • 有大量的数据差异性;
  • 在松柏科植物范围中,不能捕获到落叶阔叶类型的树木;
  • 必须要有专业人士手动对其进行及时更新。

从图中我们可以看到,图像中对于中央公园是非常清晰的描述,而对于南海岸和东北岛屿则仅仅是矢量化的一个概述。

5. 基于 MODIS 的全球土地覆被图

MODIS

MODIS 土地覆被图(17 个土地覆被等级) 描述了基于 10 年跨度(2001-2010)的级别变化。经研究表明,分辨率成像光谱仪 (MODIS)可以很好地捕捉这些变化,同时它也是测量天气和气候模型的有效方式之一。

6. 全球土地覆被特征图 (GLCC)

USGS GLCC

基于 AVHRR 提供的年度数据,美国地质调查局的全球土地覆被特征图使用无监督图像分类方法对土地利用类型进行了分类,准确度为66.9%。后期项目观察者制定了一定的规则,当计算机认为图像中某一个像素内所包含的数据不足以作为一种土地类型数据出现时,就会 “覆盖” 这些像素点。研究表明,经过改良后的精度达到了78.7%。

GLCC一直被用于环境建模的应用程序中,其中包括 Goddard 地球观测系统模型(GEOS-5)。从上图中可以看出,在这种土地类型分类方法下,中央公园被表达出来了,但是火岛和长岛岛屿并未出现在地图中。

7. GlobeLand 30

Globeland 30

Globeland 30 图例

据资料显示,30米分辨率的土地覆被图显示了10个主要土地覆被类别的全球分布,包括水体、湿地、人工地表、耕地、永久性冰雪、森林、草地、灌木丛、裸地和苔原;在满足30米分辨率的情况下,利用10000多张陆地卫星图像覆盖整个地球,使用基于像素和对象的方法,按优先顺序确定每个类别,并在8个选定区域中,实现了80%的总体分类精度。

8. 联合国粮农组织全球土地覆被图 (GLC-SHARE)

GlC SHARE

联合国粮农组织的全球土地覆被图对于土地使用类型的分类主要用于日常土地管理中,尤其是农田、草地、裸露的土壤和红树林等等。同时,它还包括了人工地表、水体、雪、树木、灌木、草本以及稀疏的植被等类型。

在1千米地图的精度下,它看起来有些粗糙,因为我们好像并不能从图中得到准确的土地分类类型。但是,在1087个网站的验证下,它的精度高居然达到了80%。

从图中可以看出,这种分类方法完美地 “错过了” 中央公园、长岛岛屿和火岛。当然,这与其1千米的精度也是有关系的。资料显示,它的主要的用途是更好地服务于土地管理,我们也希望它能在农业领域结出硕果。

9. 全球地表覆盖类型-气候模型栅格图

气候模型栅格图

气候模型栅格 (Climate Modeling Grid) 和 MCD12Q1 使用相同的监督分类算法,该数据集可在美国地质勘探局网站上进行下载。它认真执行国际岩石生物圈项目定义的分类标准,将地表也分类为17种,但地图精度极低,只有5.5公里。在这样的精度下,我们很难分辨出准确的位置在哪,更不用提中央公园、长岛岛屿和火岛的位置了。

10. Terrapop

TerraPop 土地覆被

Terrapop 包含了精度为1千米的中分辨率成像光谱仪成像下的23种全球地表覆被类型。最重要的是,它包含了在全球景观行动中的10公里以内大约2000种不同的农业土地类型,其中包括175种农作物的收获面积,这为提高农作物产量和以及现有粮食供需情况提供了很好的见解。

总结

从上述示例中可以看出,目前全球地表覆被类型的分类是多样化的。如今,在全球范围内,越来越多的空间机构也都在通过发射卫星来增加全球地表土地分辨率的准确度。毕竟,只有更准确地对全球土地类型进行分类,才能更好的了解人类活动,因此,希望卫星资料的资源共享越来越多。

相关推荐

关注“开源集思”公众号
获取免费资源

随机推荐


Copyright © from 2014. 开源地理空间基金会中文分会 吉ICP备05002032号

Powered by TorCMS

OSGeo 中国中心 邮件列表

问题讨论 : 要订阅或者退订列表,请点击 订阅

发言 : 请写信给: osgeo-china@lists.osgeo.org