1985-2021年30m全国逐年土地覆被数据（含分省数据）

1.研究背景

截至**$**

在中国经济快速增长且人口数量激增的背景下，在过去几十年中出现了显著的土地覆盖变化趋势。为此，在进行相关研究时必须持续关注并精确监测这一过程的变化特征。然而，在利用卫星遥感观测数据构建年度土地覆盖数据库方面仍面临诸多挑战：一方面缺少充足的训练样本以提升数据质量；另一方面计算能力的限制也制约了该数据库的实际应用效果。

研究团队基于Google Earth Engine平台收集的33.57万景Landsat影像库构建了涵盖中国1985-2019年逐年的土地覆盖变化特征数据库该项目旨在系统分析中国地区土地利用变化规律并提供精确的时间序列数据支持为此研究团队通过整合GEE平台可获取的所有Landsat遥感影像数据提取了丰富而详实的时空分布特征运用随机森林分类算法对地物类别进行判别分析并开发了一种融合时空滤波技术和逻辑推理模型的新方法以提升CLCD在时间和空间维度上的一致性最终基于5463个目视解译样本进行验证得出总体精度评估结果显示达到80%以上此外将CLCD输出结果与现有典型土地覆盖专题产品进行对比分析发现两者在全球范围内的森林变化趋势地表水体分布以及不透水区域的时间序列特征方面具有较高的匹配性

研究团队发布了从1985到2019年的年度土地覆盖数据分析结果；与此同时，在同一时间段内发布的还包括了中国国家级的土地覆盖调查报告。科研团队于同年通过官方渠道公布了一份针对中国全境的土地覆盖状况详细报告。

当前而言，在全球范围内可获得的高空间分辨率（30m）长时序（年际）覆盖情况的数据集中，CLCD 1985-2021年的 land cover dataset 现已成为一个稀缺资源。现已成为获取现已成为这一领域内高质量时空序列覆盖情况的重要资源之一。

输入关键字""回复""并粘贴至系统端口处可调用数据库模块查询自1985年至目前的全国范围土地覆被变化情况；输入关键字"**"并粘贴至系统端口处也可用于调取分省数据库中的自相同时间段的土地覆盖变化记录。

2.数据基础

1.卫星影像数据

利用GEE平台可获取的Landsat表层反射率(SR)数据集进行输入特征的计算。通过CFmask算法成功排除了SR数据中出现的云层及其阴影区域。

此外，在研究过程中基于SRTM数据集进行地形分析的同时，并非仅局限于表层信息的获取而旨在全面展现地势特征并评估边坡地区的植被覆盖情况。鉴于其空间分布与其地理位置密切相关,同时将地理坐标信息纳入分析模型中以提高预测精度.

2.中国土地利用/覆被数据

中国CLUD数据集（Chinese Land Use and Cover Data Set）涵盖了中国自1980年到2015年间每隔五年的时间点的土地利用变化数据。该数据集基于Landsat遥感图像结合人工干预进行解译生成。其中包含6个一级类别（如农用地、林地、草地等）以及25个二级类别。通过对实地调查结果进行验证分析发现，在一级类别中CLUD的平均精度超过94.3%，而在二级类别中的精度则超过91.2%。值得注意的是该系列数据采用每隔五年更新一次的方式发布因此稳定区域的数据类型可作为长期遥感序列中的训练样本资源

3.第三方验证数据

除了目视解译的测试样本外，在研究过程中还采用了两个第三方测试样本集来全面考察CLCD的质量表现。其中一个是 Geo-Wiki 样本集（GGS），它涵盖了 10 大类主要的土地利用类型数据；另一个是全球土地覆盖验证样本集（GLCVSS），该集合采用随机抽样方法选取样本点，并保证了样本在全球范围内的均衡分布特性。

4.现有逐年土地利用/覆被数据

基于CLCD与MCD12Q1及ESACCI_LC之间的对比分析,旨在更清晰地展示其质量特征. MODIS Collection 6中的土地覆盖产品（MCD12Q1）采用监督分类方法生成,该方法自2001年到2018年间提供了系统性的时间跨度内的全球土地利用数据,具有500米的空间分辨率. ESACCI_LC则基于GlobCover的无监督分类链路及多源地球观测数据进行生成,该数据记录了从1992年到2018年间每隔300米的空间分辨率下的全球土地利用变化情况.

3.分类方法

该研究涉及CLCD数据集处理的主要步骤如下：首先生成训练与测试样本，并构建年度输入特征；随后完成分类任务并对时空一致性进行检验；接着评估模型性能并通过对比验证其准确度。GEE平台上的公共遥感数据（如Landsat与MODIS系列）提供了长时间段观测记录，并在此基础上构建时空序列用于模型训练与验证。最终采用独立图像解译样本与第三方测试集对CLCD模型性能进行全面评估。

CLCD数据集生产流程

1.分类系统

鉴于中国地区土壤覆盖类型的分布特征，在本次研究中我们构建了一个新的土地利用类型划分体系，涵盖九种主要的土地利用类型：田间地头（农田）、原始森林（森林）、灌木丛生区（灌木）、草本植物区（草地）、水域生态区（水体）、永久冰雪区（冰雪）、裸地区域（荒地）、非透水区域（不透水）以及湿地生态系统（湿地）。该划分体系与宫鹏等（2013）提出的FROM_GLC分类体系具有相似性，并且便于在FAO和IGBP体系中实现转换与应用。

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。

基于目标，在目标年内可获取的Landsat SR数据各波段将被用于计算每个光谱带中第50个百分位值。为了提升各类用地类型间的鉴别能力，在研究过程中我们特意选择了八个具有代表性的光谱指标进行计算。通过将具有最大归一化植被指数的Landsat图像各波段数据纳入特征集合，并用于重新计算上述光谱指数。基于不同用地类型的光谱特性及其年度变化规律这一前提假设，在分析过程中我们特别关注这些指数的标准差变化情况（如NDVI、MNDWI和NDBI），这些指标的变化趋势有助于揭示物候信息的主要变化特征。

总共提取了36个特征，并包含以下几类指标：12种光谱波段、16项归一化光谱指数、3项物候指标、3项地形特性以及2对地理坐标信息。通过综合运用全部可获取图像数据的方法实现了对该区域多维度特征的系统性刻画与分析

(1) 在确保时间信息得到完整保留的同时，降低输入特征的空间维度 (2) 尽可能缩减云、阴影及其他潜在干扰因素的影响。

3.训练样本数据

常用针对大规模映射任务的训练样本收集策略主要包括视觉解译样本以及从现有土地利用数据产品中自动提取的样本。通过视觉解译可以获得高质量的样例,然而这需要耗费大量的人力资源,而基于现有土地利用数据产品的自动化抽样则可能生成大量的随机分布样例,其质量与其所使用的数据源密切相关。

在此研究中,我们采用了两种方法来收集训练数据。首先,我们考虑到Ch üd üd ü的产品具有高达90%的整体精度,并且已在多个领域得到广泛应用,因此将其作为主要数据来源之一。具体来说,在本研究中我们选择了Ch üd üd ü在所有历史阶段（包括1980年代,1990年,1995年,20世纪初,20世纪中期以及21世纪初期）内具有稳定土地利用类型的区域。这样做的目的是为了进一步提高样本的质量和可靠性。通过这种方法我们获得了全国范围内的一份候选样本库。随后我们将研究区域划分成边长为半度的六边形网格（共计1665个网格）,并在每个网格内部随机生成20个点位,以确保这些采样点的空间分布均匀且具有多样性特征。最终我们从中筛选出约27 000份有效的训练样本进行分析

自2015年以来，尚未有CLUE的数据产品出现。因此，在本研究涵盖的全周期（从1985年到2019年）内必须保证长时序数据的准确性。在视觉解译过程中，主要参考了Google Earth高分辨率影像、MODIS EVI指数、NDVI时间序列以及Landsat影像配合其NDVI时间序列等多源数据进行分析与构建。我们系统性地选择了并进行了深入分析2,200个站点，并将其占用面积占用了约18,000个Landsat像素作为基准层。在此基础上结合CLUE自动生成的训练样本集后，在最终阶段我们建立了包含45,000份训练样本的完整训练集。

4.质量评价

基于GEE平台可获取的所有Landsat SR影像数据基础之上，在本研究中构建了年度中国土地覆盖数据集（CLCD）。CLCD数据集首先采用独立样本目视解译法进行精度评估。整体结果显示其平均值达到79.30%，标准差为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%)。

草地以及非透水区域的分类精度显著高于其他类型；就整体分类精度而言，在各个时间段上的表现均优于MCD12Q1与ESACCI_LC；就面积占比较大的土地类型而言（如农田、森林地以及草地等），CLCD相较于MCD12Q1与ESACCI_LC展现出更为优异且稳定的分类效果。

本研究对我国1985-2019年间土地覆盖变化进行了系统考察。自1985年以来，我国不透水区域持续扩大，在最新数据中已超过2.45亿公顷面积……较基准年份增长超一倍半。在变化幅度上，则超越了其他地区的水平。地表水量增加约达237万公顷……其中约七成的增长点与我国"九五"期间推动水电发展的政策举措密切相关。水库面积的显著增加是造成地表水量扩张的重要原因之一。

由于人口持续增长而实施的大量农田开发在东北和西北地区展开，并导致这些地区的耕地面积显著下降。值得注意的是，在1985-2010年间这些地区的耕地减少了约4.57%，而在2010年后实施耕地红线政策后这些地区的耕地仅减少了约0.03%。

基于中国政府实施的一系列造林政策推动下，在过去四十年间显著提升了生态环境质量。这些政策包括了从1980年代中期开始实施的三北防护林建设工程以及随后于21世纪初启动的绿色覆盖率提升工程。自1985年至2019年间，在此期间森林面积实现了增长4.34%，与此同时，在此期间人工林面积缩减了约259万公顷。值得注意的是其缩减幅度与国际组织ESACCI_LC监测报告所显示的趋势具有相似性。

从1985年至2000年间未利用地面积仅上升幅度较小（约为 8.4%），但随后于 2019 年前急剧下降（约 7.7%）。这一变化趋势可能与其后生态工程实施退牧还草政策相关。

相较于2世纪初至1999年间相比，在此期间草地面积下降了约2.15%；然而，在这一期间（即从第3世纪后至第4世纪间），草地面积下降了约1.16%，这些变化得益于自第3世纪以来实施的旨在保护草原的政策，“绿色增益”等措施也起到了重要作用；湿地总面积减少到了约9.2万公顷（即比原有的湿地减少了约87%，其中约九成的变化发生在第3世纪前）。

相较于ESACCI_LC和MCD12Q1遥感土地利用产品，在CLCD的时间序列变化趋势上也呈现出总体呈现类似的变化趋势。值得注意的是，在分辨力方面相比两个低分辨率的土地利用产品而言, CLCD系统能够识别出更多细节的地表水体和不透水区域,这一优势主要得益于Landsat遥感平台所具有的高分辨率能力,能够更加精准地描绘出小面积地物特征斑块的空间分布情况.由此可见, 30米分辨率的CLCD数据系统更适合用于对精细尺度地形过程进行空间解析和模拟研究.

5.研究结论

基于该模型CLCD（中国土地变化与分布模型），系统性分析了中国1985至2019年间土地覆被变化的动态特征与空间格局，在不透水表面面积上呈现出显著的扩大趋势（达+148.71%），同时水面区域也实现了明显增长（+18.39%）。与此同时，耕地面积出现了下降现象（减少了约4.85%），草地面积likewise减少（减少了约3.29%），但森林面积却呈现增长态势（增加了约4.34%）。综合而言，在中国快速城市化进程背景下，CLCD这一研究方法不仅揭示了相关生态工程的实施情况（如增绿工程等系列举措），还深入分析了气候变化背景下人类活动对土地覆被的影响规律，并在此基础上确立了其在全球变化研究领域的应用价值

6.引用格式

论文：

该研究团队开发了"中国年度土地覆盖分布图"及其发展变化趋势的研究成果，并发表于《地球系统科学数据》杂志中。该研究涵盖了从1990到2019年的数据记录。具体发表在第13卷第4期的期刊上（卷号为13,期号为4），其详细内容包括从第3907页至第3925页的内容，并可通过DOI链接进一步查阅完整论文资料：https://doi.org/10.5194/essd-13-3907-2021

数据集：

Jie Yang & Xin Huang (2022).《中国自1990至2021年3公里分辨率的土地覆盖数据及其动力学》[数据集]. 发布于 Zenodo. https://doi.org/10.5281/zenodo.5816591

7.数据获取

引用格式：

该研究团队开发的年度陆覆盖数据集及其在中国自第十六卷至第二十三卷的时间动态变化情况已在《地球系统科学数据》期刊上发表（Yang和Huang于[...]）。

论文链接：

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

数据链接：

https://doi.org/10.5281/zenodo.5816591

出版期刊： Earth System Science Data

发表时间： 11.Aug.2021

数据获取：

链接：https://pan.baidu.com/s/1lzZ29C3OAPy4h6XDg-X65w?pwd=qyhk
提取码：qyhk