刚发布的全球10米精细分类的土地覆盖数据

中科院 空 天 院 刘良 云团 队 在 Earth System Science Data 期刊上发布了重要成果(预印本，2025.03.20)《 GLC_FCS10: a global 10-m land-cover dataset with a fine classification system from Sentinel-1 and Sentinel-2 time-series data in Google Earth Engine 》。

研究背景

随着遥感技术的不断进步和云计算平台（如Google Earth Engine）的普及，全球高分辨率土地覆盖制图成为可能。现有全球10米分辨率土地覆盖产品（如FROM_GLC10、ESA WorldCover、ESRI LC、Dynamic World）大多采用简单的分类体系，难以满足精细化应用的需求。论文指出，土地覆盖信息对气候变化、生态保护、粮食安全等具有重要意义，但过于粗略的分类使得在复杂地表类型（如城市不透水面、湿地等）识别中存在较大不确定性。因此，开发一种能够提供30个细分类别、兼顾区域异质性与时空动态变化的全球10米土地覆盖数据集成为亟待解决的问题。

方法

为解决上述挑战，论文提出了一套分层土地覆盖制图框架

主要内容包括以下几点：

• 训练样本构建

• 利用多源先验产品（包括现有的不透水面、湿地及其他自然地表产品），结合时间序列分析与空间滤波方法，自动生成全球分布且高置信度的训练样本。
• 为解决不同地表类型（如城市与农村不透水面、内陆与沿海湿地）的样本不均衡问题，论文采用了等量分布与面积分布相结合的策略，同时利用“度量质心”方法将30米样本下采样到10米分辨率。

• 多源数据融合

• 利用Sentinel-2多时相光学影像与Sentinel-1 SAR数据进行组合。论文采用百分位数统计方法（取10%、30%、50%、70%和90%的分位值）构建时序光谱特征，同时提取NDVI、NDWI、LSWI等指数和纹理特征，以捕捉地表的时相变化与空间结构。
• 同时，考虑地形变量（如坡度、海拔和坡向）的辅助作用，进一步提升对特定地表类型（例如冰雪、耕地）的区分能力。

• 分层分类策略

  

• 首先将全球土地表面划分为不透水面与自然地表两大类，并在局部区域内利用自适应建模训练随机森林分类器，提高局部细节表达能力。