数据分享 | 武汉大学更新发布2023年30m全国逐年土地覆被数据

1.研究背景

2024年8月1日，武汉大学杨杰和黄昕教授团队向公众更新发布了CLCD 2023年全国土地覆数据（V1.0.2）。而CLCD 2022年全国土地覆数据也是在去年8月向公众更新发布。

中国在过去几十年中经济和人口迅速发展，土地覆盖随之发生巨大变化，因此迫切需要对其进行连续和精细的监测。然而，由于缺乏足够的训练样本和计算能力，基于卫星遥感观测数据的中国年度土地覆盖数据集还比较匮乏。

武汉大学的杨杰和黄昕教授团队基于Google Earth Engine上335,709景Landsat影像制作了中国逐年土地覆盖数据集（annual China Land Cover Dataset, CLCD），包含1985—2019中国逐年土地覆盖信息。为此，研究团队基于GEE上所有可获得的Landsat数据，构建时空特征，结合随机森林分类器得到分类结果，并提出一种包含时空滤波和逻辑推理的后处理方法进一步提高CLCD的时空一致性。最后，基于5,463个目视解译样本，CLCD的总体精度达80%。此外将CLCD与现有的土地覆被专题产品相互比较，发现CLCD与全球森林变化、全球地表水和不透水面时序数据集表现出良好的一致性。

2021年6月，研究团队发布CLCD 1985-2019年逐年土地覆被数据；同年8月，发布CLCD 2020年全国土地覆被数据。2022年8月，杨杰和黄昕教授团队向公众发布了CLCD 2021年全国土地覆数据。2023年8月，武汉大学杨杰和黄昕教授团队向公众发布了CLCD 2022年全国土地覆数据。2024年8月，武汉大学杨杰和黄昕教授团队向公众发布了CLCD 2023年全国土地覆数据。

目前，CLCD 1985-2023年土地覆被数据集是极少的目前可公开获取的30m分辨率长时序逐年土地覆被数据。

回复关键词“20240821”获取1985-2023年全国逐年土地覆被数据；回复关键词“20240822”获取1985-2023年分省逐年土地覆被数据；

2.数据基础

3.分类方法

该研究在开发CLCD数据集的处理中包括：训练和测试样本的生成、年度输入特征的构建、分类和时空一致性检查、准确性评估和产品比对。GEE上的公共数据，例如 Landsat和MODIS，提供了长期的地球观测数据，帮助合成时间指标并收集样本进行训练和验证。最后，通过视觉解释的独立样本和第三方测试样本来评估CLCD的准确性。

CLCD数据集生产流程

1.分类系统

考虑到中国的土地利用类型分布，该研究定义了一个新的分类系统包括九个主要的土地利用类型：农田、森林、灌木、草地、水体、冰雪、荒地、不透水和湿地。该分类系统类似于宫鹏等人在2013年生产的FROM_GLC的分类系统，同时也可以方便地重新映射到FAO和IGBP系统中。

2.特征提取

分类器的输入特征是根据光谱、光谱指数、物候和地理位置计算的。

首先，由于目标年内所有可用Landsat SR计算每个光谱带的第50个百分位值。鉴于光谱指数可以有效增强不同 土地覆被类型之间的差异，研究中计算了八个光谱指标以提高不同用地类型的辨别能力。此外为了更好地区分植被和非植被，将最大归一化植被指数对应的Landsat图像的光谱值包含在光谱特征也用于计算上述光谱指数。考虑到不同用地类型（如植被、水体）的光谱特征全年变化，还计算了这些光谱指数的标准差，例如NDVI、MNDWI和NDBI进一步突出物候信息。

总之，获得了36个特征，包括12个光谱带、16个归一化光谱指数、3个物候特征、3个地形特征和2个地理坐标。这种使用所有可用图像的方法使我们能够

 (1) 在保留时间信息的同时减少输入特征的维度 (2) 最大限度地减少云、阴影或其他干扰的影响。

3.训练样本数据

通常针对大规模映射任务的训练样本收集策略包括目视解译样本和从现有土地利用数据产品自动派生的样本。目视解译方法可以获得高质量的样品，但需要大量人力，而通过现有土地利用数据产品自动提取样品有可能产生大量随机分布的样品，但样品质量与所使用的产品有关。

因此在本研究中，上述两种方法均用于收集训练样本。首先，鉴于CLUD产产品拥有90%的总体精度，并且已在许多研究中使用，所以被用作训练样本的主要来源。具体而言，在本研究中选择了在CLUD的所有时期（即1980年代、1990年、1995年、2000年、2005年、2010年、2015年）土地利用类型稳定的区域，以进一步保证样本的可靠性。这样，我们就得到了一个全国的候选样本池。然后将研究区域划分为1665个边长0.5°六边形，每个网格内随机生成20个点，以确保它们的空间分布和多样性。最后，随机抽取了 27 000 个训练样本。

由于2015年之后暂无CLUD数据产品，为了在整个研究期间（即1985-2019）保证长时序产品的准确性。在目视解译方面，参考Google Earth高分辨率图像、MODIS EVI（增强植被指数）和NDVI时间序列数据以及Landsat 图像及其NDVI 时间序列。我们总共选择并解释了2200 个站点，占18000个Landsat 像素。结合上述从CLUD中自动生成的训练样本，我们最终总共收集了45000个训练样本。

4.质量评价

基于GEE上所有可用的Landsat SR数据，该研究生成了年度中国土地覆盖数据集（CLCD）。CLCD 的精度首先通过目视解译的独立样本进行评估，总体而言，CLCD 的精度：76.45%<OA <82.51%，平均OA为79.30±1.99 %。

对于每个类别，水体的平均精度得分最高(87.06±7.07%)，其次是森林 (85.49±1.30%)、冰雪 (83.51± 7.99%)和荒地(81.85±4.15%)。

草地和不透水区的准确率较高，平均精度得分超72%。此外，CLCD在所有年份的总体精度方面都优于MCD12Q1和ESACCI_LC。对于面积占比较大的土地类型，如农田、森林和草地，CLCD相对于MCD12Q1和ESACCI_LC也表现出更好、更稳定的精度。

本研究分析了1985-2019年中国的土地覆被变化。35年来不透水面积空前扩张，2019年超过2450万公顷，比1985年增长1.5倍。从变化幅度来看，不透水面积也超过了其他地区，比排名第二的森林多46.56%。地表水面积增加了 237万公顷，其中78.40%发生在1995年中国“九五”规划提出发展水电之后。大坝建设导致的水库增加是造成地表水扩张的原因之一。

尽管为了养活不断增长的人口，中国东北和西北地区进行了广泛的开垦，但耕地普遍减少。尤其是 1985-2010 年间损失了4.57%的耕地，但需要强调的是2010年实施耕地红线后仅损失了0.03%。

由于中国的一系列造林政策，如1980年代启动的三北防护林工程和2000年后启动的绿色增益工程，从1985年到 2019年，森林增加了4.34%，灌木减少了259万公顷，与 ESACCI_LC的减少趋势相似。

未利用地从1985年到2000年略有增加0.80%，但从 2000年到2019年下降了2.62%。荒地等级的减少可能与2003年后的生态工程退牧还草有关。

相比之下，2000年之前草地减少了2.15%，但在2000 年至2019年期间，草地减少了1.16%，这得益于2000年后“绿色增益”等草地保护政策的实施。湿地减少了92万公顷，其中91.3%发生在2000年之前，这可能与2000年之前中国东北三江平原的大规模围垦有关。

与ESACCI_LC和MCD12Q1相比，CLCD表现出大致相似的趋势。然而应该注意的是，相对于两个粗分辨率 土地利用产品，CLCD检测到了更多的地表水和不透水区域。这归因于Landsat数据的可辨别分辨率)，它可以更好地描绘相对较小的斑块。因此30mCLCD数据更适用于精细尺度环境和地表过程模拟。

5.研究结论

基于CLCD，揭示了1985年至2019年期间中国土地覆被变化的趋势和模式，如不透水表面（+148.71%）和水（+18.39%）的扩大，耕地（-4.85%）和草地（-3.29%）的减少，以及森林（+4.34%）的增加。总的来说，CLCD反映了中国快速的城市化进程和一系列的生态工程（如增绿），并揭示了气候变化条件下人类活动对土地覆被的影响，标志着其在全球变化研究中的潜在应用。

6.引用格式

7.数据获取

引用格式：

Yang, J. and Huang, X.: The 30 m annual land cover dataset and its dynamics in China from 1990 to 2019, Earth Syst. Sci. Data, 13, 3907–3925, https://doi.org/10.5194/essd-13-3907-2021, 2021.

论文链接：

https://doi.org/10.5194/essd-13-3907-2021

数据链接：

https://doi.org/10.5281/zenodo.8176941

出版期刊：Earth System Science Data

发表时间：11.Aug.2021

获取数据：

回复关键词“20240821”获取1985-2023年全国逐年土地覆被数据；

回复关键词“20240822”获取1985-2023年分省逐年土地覆被数据