EN中文

地理科学 >

2026 , Vol. 46 >Issue 1: 40 - 53

DOI: https://doi.org/10.13249/j.cnki.sgs.20240643

前沿与研究进展

全球土地覆盖制图与变化监测研究进展与展望

  • 张肖 , 1, 2 ,
  • 刘良云 , 1, 2, 3, * ,
  • 艾卫涛 1
展开
  • 1.可持续发展大数据国际研究中心，北京 100094
  • 2.中国科学院空天信息创新研究院数字地球重点实验室，北京 100094
  • 3.中国科学院大学电子电气与通信工程学院，北京 100049
刘良云。E-mail:

张肖（1992—），男，湖北应城人，助理研究员，博士，主要从事全球土地覆盖制图与动态监测研究。E-mail:

收稿日期: 2024-06-28

  修回日期: 2024-10-22

  网络出版日期: 2025-12-21

基金资助

国家重点研发项目(2023YFB3907403)

国家自然科学基金项目(42201499)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Progress and prospects in global land cover mapping and change monitoring

  • Zhang Xiao , 1, 2 ,
  • Liu Liangyun , 1, 2, 3, * ,
  • Ai Weitao 1
Expand
  • 1. International Research Center of Big Data for Sustainable Development Goals, Beijing 100094, China
  • 2. Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China
  • 3. School of Electronic, Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing 100049, China

Received date: 2024-06-28

  Revised date: 2024-10-22

  Online published: 2025-12-21

Supported by

National Key Research and Development Program of China(2023YFB3907403)

National Natural Science Foundation of China(42201499)

Copyright

Copyright reserved © 2026.
Fold

摘要

土地覆盖及其变化是全球变化研究中的重要组成部分，在气候变化研究、生物多样性保护、全球碳循环、水循环监测等重大需求中发挥不可替代的作用。在过去几十年里，随着卫星遥感技术、计算机存储与计算能力的不断提升，全球土地覆盖制图与变化监测研究取得了重要进展，空间分辨率从1 km提高至10~30 m，时间更新频次也从单期制图发展为逐年更新。本文全面梳理了国内外公开发布的21套全球土地覆盖产品，从土地覆盖分类体系、模型算法以及数据产品3个方面进行了综述。首先，系统性归纳当前全球土地覆盖产品的分类体系，阐明了各自的特色和优缺点；其次，从全球土地覆盖制图和长时序变化监测两个方面梳理了产品算法模型的发展历程，评估了全球土地覆盖研究的不同发展阶段和总体发展趋势；最后，阐述了当前全球土地覆盖研究中存在的主要问题，提出了该方向未来发展的几点思考。

关键词： 全球土地覆盖; 分类体系; 卫星遥感; 变化监测; 土地覆盖产品

本文引用格式

张肖 , 刘良云 , 艾卫涛 . 全球土地覆盖制图与变化监测研究进展与展望[J]. 地理科学, 2026 , 46(1) : 40 -53 . DOI: 10.13249/j.cnki.sgs.20240643

Abstract

Land cover and its changes are an important part of global change research, and play an irreplaceable role in climate change research, biodiversity conservation, the global carbon and water cycles monitoring, as well as other major needs. As an essential descriptor of the Earth’s surface, land cover provides a fundamental basis for understanding human-environment interactions and assessing ecosystem functions. Over the past few decades, with the continuous improvement of satellite remote sensing technology, the rapid growth of data storage capacity, and the development of high-performance computing platforms, global land cover mapping and change monitoring have made remarkable progress. The spatial resolution of available products has increased from the early 1 km scale to today’s 10-30 m range, enabling a more detailed characterization of heterogeneous landscapes. Meanwhile, the temporal frequency has evolved from single-period mapping toward multi-year and annual land-cover change monitoring, greatly enhancing our ability to capture dynamic land processes and long-term environmental transitions. In this study, we collected 21 publicly released global land cover products at home and abroad, and then comprehensively summarize their characteristics from three aspects: land cover classification system, methodology and dataset/products. First, we systematically summarized the land-cover classification system of current global land cover products into three groups, and further clarified their characteristics, advantages and disadvantages. Then, we sorted out the development history of the global land-cover algorithms from single land-cover mapping and time series land cover change monitoring, and further evaluated the different development stages and overall development trends of the global land cover research. Finally, the main problems existing in the current global land cover research are described, and some thoughts on the future development of this direction are put forward, particularly regarding the need for harmonized standards, higher spatiotemporal consistency, and better validation frameworks.

Key words： global land cover; classification system; satellite remote sensing; change monitoring; land-cover products

土地覆盖指被自然营造物和人工建筑物所覆盖的地表诸要素的综合体，包括自然植被、耕地和水体等，是气候变化研究、生物多样性保护及自然资源管理等不可或缺的重要基础数据[1]。土地覆盖变化是揭示人类与自然相互作用机理的有效途径，是全球环境变化的主要驱动力[2-4]。自“人类世”以来，为满足日益增长的食物、纤维、水源和住所等需求，全球森林、农田和水域等都发生了显著变化[5]；特别是近几十年来，随着科技水平的提高，土地覆盖变化速度明显加快，所产生的气候和环境效应正深刻影响着人类生产和生活。因此，全面了解全球土地覆盖现状及其变化历程是全球变化、可持续发展研究和粮食安全评估等重大议题的共性基础。
自1995年全球环境变化人文因素计划和国际地圈生物圈计划联合开展“土地利用/土地覆盖变化科学研究计划”以来，国内外众多研究机构和学者越来越重视土地覆盖变化监测研究[2, 6-8]。卫星遥感具备的周期性和系统性对地观测能力，极大推动了土地覆盖制图和变化监测研究，也为全球尺度的产品研发奠定基础[9]。尽管第一颗陆地卫星Landsat-1在1972年就开始在轨运行，但受到数据开放权限和计算力等因素限制，早期全球土地覆盖遥感研究，主要依赖于AVHRR、SPOT Vegetation、MERIS和MODIS等km级分辨率卫星遥感数据[10]。近年来，随着遥感卫星技术的发展、数据免费共享政策的发布以及计算资源的不断提升（尤其是以Google Earth Engine为代表的云计算平台发布），全球土地覆盖相关算法和产品快速发展。全球土地覆盖产品空间分辨率迈入到10~30 m时代，时间更新频率实现“单期-多期-逐年”的跨越；并且由于应用需求/研发机构的差异，也出现了多套相同空间分辨率的全球土地覆盖产品（如：30 m的GlobeLand30[11]、FROM_GLC[12]和GLC_FCS30[13]）。在全球产品日益丰富的背景下，全面总结全球土地覆盖数据集的特点和特色对于土地覆盖应用与未来发展至关重要。
因此，本文从分类体系、模型算法和数据产品3个方面系统地梳理了近几十年来全球土地覆盖制图和变化监测的研究进展，总结了当前全球土地覆盖研究存在的主要问题，提出了该方向未来发展的几点思考。

1 全球土地覆盖分类体系

土地覆盖分类体系为土地覆盖制图提供了标准化的分类框架，是识别和表达地表覆盖类型的基础。近年来，因应用需求差异，国内外研究机构和学者构建了众多的土地覆盖分类体系，但迄今为止仍缺乏一个普适性的分类系统，导致不同土地分类结果难以被严格验证和直接对比[8]。本文将当前全球土地覆盖产品所采用的分类体系归纳为3大类：IGBP（International Geosphere-Biosphere Programme）分类体系，FAO LCCS（Food and Agriculture Organization Land Cover Classification System）分类体系以及基础土地覆盖分类体系。

1.1 IGBP全球土地覆盖分类体系

IGBP土地覆盖分类体系是利用全球月度合成的NDVI数据，联合非监督分类和分类后校正的手段将全球划分为17种类别[14]（表1），其特色是凸显了土地的自然属性，并重点刻画了植被相关地类。例如：树木相关地类按照树木高度、叶片类型、覆盖度等定量指标细化为5种森林类、2种灌木类和2种稀树草原地类。该分类体系自1992年被提出后，相继被多套全球土地覆盖产品所采用，包括：IGBP_DISCover[14]，UMD_GLC[15]以及MCD12Q1[16]。需要说明的是UMD_GLC产品采用的分类体系是简化后的IGBP全球分类体系，删除了永久湿地、耕地/自然植被镶嵌体和永久冰雪3个类别。
表1 IGBP全球土地覆盖分类体系

Table 1 IGBP global land cover classification system

编号 名称 地类详细描述
1 常绿针叶林 以常绿针叶林为主，树冠高度>2 m，树木覆盖度>60%
2 常绿阔叶林 以常绿阔叶树和棕榈树为主，树冠高度>2 m，树木覆盖度>60%
3 落叶针叶林 以落叶针叶树（落叶松）为主，树冠高度>2 m，树木覆盖度>60%
4 落叶阔叶林 以落叶阔叶树为主，树冠高度>2 m，树木覆盖度＞60%
5 混交林 以落叶或常绿（各占40%~60%）树种为主，树冠高度>2 m，树木覆盖度>60%
6 密闭灌木地 以多年生木本植物为主，覆盖度>60%，高度1~2 m
7 开放灌木地 以多年生木本植物为主，覆盖度为10%~60%，高度1~2 m
8 有林稀树草原 树木覆盖度为30%~60%，树冠高度>2 m
9 稀树草原 树木覆盖度为10%~30%，树冠高度>2 m
10 草地 以一年生草本植物为主，高度<2 m
11 永久湿地 永久淹没的土地，水覆盖度为30%~60%，植被覆盖度>10%
12 耕地 至少60%的面积为可耕作的农田
13 城镇和建成区 不透水面积至少占30%，包括建筑材料、沥青和车辆等
14 耕地/自然植被镶嵌体 由耕地、乔木、灌木和草本植被组成的混合用地，其中耕地为小规模种植（面积占比为40%~60%）
15 永久冰雪 指每年至少有10个月，至少60%的区域被冰雪覆盖
16 裸地 至少60%的区域为无植被贫瘠区（沙地、岩石、土壤），植被覆盖度<10%
17 水体 至少60%的区域被永久性水体覆盖

1.2 FAO LCCS全球土地覆盖分类体系

FAO LCCS是联合国粮农组织和环境规划署共同开发的土地覆盖分类系统，具有更强的兼容性和拓展性，其优点主要表现在：①能够根据不同的生态环境条件，灵活调整分类系统的内部结构，适用于不同区域、不同尺度和不同数据源；②具有较强的规范性，通过逐级分层分类的策略保证了不同用户定义相同地类时的统一性。当前，FAO LCCS分类体系已被多个国家和机构的数据产品采用，例如：欧盟GlobCover[17]、GLC2000[18]、CGLS-LC100[19]和CCI_LC[20]以及中国科学院空天信息创新研究院GLC_FCS30[13]，并发展成为具有多种形式、适用于不同应用需求的分类体系。本文以欧洲航天局全球CCI_LC产品采用的土地覆盖分类体系为例（表2）介绍FAO LCCS分类体系，其包含了22个二级FAO LCCS类别，重点表征了植被相关地类（耕地与林地）。相较于IGBP分类体系，FAO LCCS分类体系定量约束指标更少，且部分指标的阈值选取也存在差异，例如：IGBP定义的林地覆盖度＞60%，FAO LCCS相应的阈值为15%。
表2 欧空局（ESA）气候变化倡议发展FAO LCCS全球土地覆盖分类体系

Table 2 FAO LCCS global land-cover classification system developed by ESA Climate Change Initiative

编号 名称 地类详细描述
10 旱地 无灌溉设施，靠天然降水生长作物的耕地
20 水浇地 有水源保证和灌溉设施，在一般年景能正常灌溉的耕地
30 耕地/自然植被镶嵌体 耕地占比>50%，自然植被（林地、灌木、禾本植物）占比<50%
40 自然植被/耕地镶嵌体 自然植被（林地、灌木、禾本植物）占比>50%，耕地占比<50%
50 常绿阔叶林 常绿阔叶树木覆盖，覆盖度>15%
60 落叶阔叶林 落叶阔叶树木覆盖，覆盖度>15%
70 常绿针叶林 常绿针叶树木覆盖，覆盖度>15%
80 落叶针叶林 落叶针叶树木覆盖，覆盖度>15%
90 混交林 阔叶和针叶混合分布
100 林灌/禾本植被镶嵌体 林灌占比>50%，禾本植被占比<50%
110 禾本植被/林灌镶嵌体 禾本植被占比>50%，林灌占比<50%
120 灌木地 通常指的是低覆盖度的矮林地和灌丛林地
130 草地 指生长草本植物为主的土地
140 地衣与苔藓 地衣与苔藓覆盖区域
150 稀疏植被 林地、灌木、禾本植物覆盖，覆盖度<15%
160 有林的淡水洪泛区 通常指下垫面为淡水，上层覆盖有林地（如：木本沼泽）
170 有林的咸水洪泛区 通常指下垫面为咸水，上层覆盖有林地（如：红树林）
180 灌丛/草本植被覆盖的洪泛区 灌丛或草本覆盖的沼泽
190 城镇 指城乡居民点及外围的工矿和交通用地等
200 裸地 指基本无植被覆盖的土地
210 水体 陆地水域
220 永久性冰雪 被冰雪常年覆盖的区域

1.3 基础土地覆盖分类体系

近年来，基于Landsat和Sentinel卫星遥感影像的全球10~30 m土地覆盖产品研发取得了突破式进展，这些产品中的绝大多数（GlobeLand30[11]，FROM_GLC[12]，AGLC[21]，ESA WorldCover[22]，ESRI Land Cover[23], Dynamic World[24]以及GLanCE[25]等）采用了包含10种地类左右的分类体系（本文定义为：基础土地覆盖分类体系）。表3以GlobeLand30为例介绍了基础土地覆盖分类体系，其包含了10种最基本的土地覆盖类型。相较于IGBP和FAO LCCS分类体系，基础分类体系对于全球陆表的刻画更简洁，未对植被地类做二级类的精细区分。
表3 基础土地覆盖分类体系

Table 3 Details of basic land-cover classification system containing 10 categories

编号 名称 地类详细描述
1 耕地 用于农作物种植的土地，包括：旱地、灌溉农田、菜地等
2 林地 树木（常绿/落叶、阔叶/针叶）覆盖土地，覆盖度＞30%
3 灌木地 灌木或者灌丛覆盖区域，包括：山地灌丛和高山灌丛等
4 草地 指生长草本植物为主的土地
5 湿地 通常指陆地与水域交接区域，生长湿生/沼生植被的土壤过湿地带
6 苔原 指高寒气候环境下，通常覆盖低矮植被（地衣、苔藓、草本和小灌丛等）
7 城镇或建成区 指城乡居民点及外围的工矿和交通用地等
8 水体 陆地水域，包括：河流、湖库、坑塘等
9 裸地 指基本无植被覆盖的土地，包括：荒漠、裸岩、沙地等
10 冰雪 常年被冰雪覆盖的土地
可见当前3种土地覆盖分类体系在全球土地覆盖产品中均被广泛应用，表4中罗列的21套全球土地覆盖产品中[11-31]，IGBP、FAO LCCS和基础分类体系对应的产品数量分别为3、7和11套，占比分别是14.3%、33.3%、52.4%。但结合空间分辨率可以发现10~30 m全球土地覆盖产品多采用了基础分类体系，而较粗分辨率（≥100 m）产品更偏向于IGBP和FAO LCCS分类体系。实际上，从土地覆盖的应用需求出发，精细分类体系与高分辨率的结合能够更好地服务于土地覆盖应用需求[13]，例如：国别尺度的高分辨率土地覆盖产品（如：NLCD[32]和CNLUCC[33]）会根据实际的需求将部分土地覆盖类型做不同程度的细化。
表4 全球土地覆盖制图与变化监测数据产品

Table 4 Details of 21 global land-cover mapping and dynamic monitoring products

数据集
名称		 数据
源		 分辨
率		 时间覆盖年
份（年、月）		 分类
体系		 是否支持
变化监测		 更新
频率		 总体
精度		 参考
文献
IGBP DISCover AVHRR 1 km 1992.04—1993.03 IGBP 17类 否 单期 66.9% [14]
GLC2000 SPOT4 VGT 1 km 1999.11—2000.12 FAO LCCS 22类 否 单期 68.6% [18]
UMD_LC AVHRR 1 km 1992—1993 简化IGBP 14类 否 单期 65.0% [15]
MCD12Q1 MODIS 500 m 2001年至今 IGBP 17类 是 逐年 74.8% [16]
GlobCover MERIS 300 m 2005、2009 FAO LCCS 22类 否 2期 73.1% [17]
GLCNMO MODIS 500 m 2003、2008 FAO LCCS 20类 否 2期 77.9% [26]
CGLS-LC100 PROBA-V 100 m 2015—2019 FAO LCCS 22类 否 逐年 (80.2±0.7)% [19]
CCI-LC MERIS, SPOT, PROBA 300 m 1992年至今 FAO LCCS 22类 是 逐年 71.45% [20]
GLASS-GLC AVHRR 5 km 1982—2015 基础分类体系 8类 是 逐年 82.81% [27]
GLC250 MODIS 250 m 2001、2010 基础分类体系 7类 是 2期 75.17% [28]
FROM_GLC30 Landsat 30 m 2010—2017 基础分类体系 10类 否 3期 72.43% [12]
GlobeLand30 Landsat 30 m 2000—2020 基础分类体系 10类 不建议 3期 (80.33±0.2)% [11]
GLC_FCS30 Landsat 30 m 1985—2020 FAO LCCS 30类 否 每5 a 82.5% [13]
GLC_FCS30D Landsat 30 m 1985—2022 FAO LCCS 35类 是 2000年后逐年 (80.88±0.27)% [29]
AGLC Landsat 30 m 2000—2015 基础分类体系 10类 是 逐年 79.5% [21]
GLanCE Landsat 30 m 2000—2020 基础分类体系 7类 是 逐年 (77.0±2.0)% [25]
iMap World Landsat 30 m 1985—2020 基础分类体系 10类 是 逐年 80.6% [30]
FROM_GLC10 Sentinel 2 10 m 2017 基础分类体系 10类 否 单期 72.76% [31]
ESA WorldCover Sentinel-2 10 m 2020、2021 基础分类体系 11类 否 2期 74.40% [22]
ESRI LC Sentinel 2 10 m 2017年至今 基础分类体系 10类 不建议 逐年 >85% [23]
Dynamic World Sentinel 2 10 m 2015年至今 基础分类体系 9类 不建议 逐日 78.80% [24]

2 全球土地覆盖制图与变化监测方法体系

全球土地覆盖方法的发展与卫星遥感数据的空间分辨率和计算机存储与计算能力密切相关，表4列出了当前基于卫星遥感观测数据的全球土地覆盖数据产品，其中包括由国内外不同研究机构和学者研发共享的21套全球土地覆盖产品，空间分辨率为5 km~10 m，时间分辨率从单期到逐日，分类体系中的土地覆盖类型数量为7~35类，模型算法也涵盖了土地覆盖制图和变化监测总结的几种方法体系。

2.1 全球土地覆盖制图方法

图1展示了全球土地覆盖产品研制过程中所采用的具体分类算法，本文大致将其归纳为4类：非监督分类、监督分类、非监督分类+监督分类、数据融合。总体而言，监督分类算法在全球土地覆盖产品研制过程中被使用频率最高，主要得益于其高精度、强鲁棒性、计算效率高等优势[34]。
图1 全球土地覆盖制图算法

Fig. 1 Framework of global land cover mapping algorithms

2.1.1 非监督分类算法

早期全球土地覆盖制图主要采用的非监督分类方法，如：Loveland等采用ISODATA非监督分类算法对月度合成的AVHRR NDVI数据进行聚类分析，研制了全球1 km分辨率的IGBP DISCover土地覆盖产品[14]。随后，Bartholomé等进一步考虑了区域的异质性，通过划分地理分区构建了区域自适应的非监督分类模型来获得精度更优的全球1 km土地覆盖产品GLC2000[18]。非监督分类的主要优点是不依赖于训练样本，人力物力投入少且计算效率高，但是聚类参数的选择存在较大主观性，制图精度往往低于监督分类方法。

2.1.2 监督分类算法

基于训练样本的监督分类是当前全球土地覆盖制图的主流方法，其本质是将待分类数据同化到先验参考训练样本的过程[35]，其核心包含2个部分：训练样本和分类策略。
首先，关于如何获取训练样本，当前全球土地覆盖制图中存在2种思路：第一种是通过目视解译、多元众包、实地采样等手段收集全球训练样本数据集，如Gong等通过专家目视解译搜集了包含91433个训练样本的全球先验数据集[12]。其优点是选取的训练样本置信度高，但是人力物力投入大、专家先验知识的主观性较强。第二种方法是从先验土地覆盖产品中提取高置信度区域来实现训练样本点自动获取。该思路解决了大区域训练样本获取难、代价高的问题，也摆脱了专家知识的主观性等问题，但是其依赖先验产品且难以保证训练样本完全准确。
其次，关于分类策略的选择又可归纳为3类，分别是逐像元分类、面向对象分类和深度学习。
第一，逐像元分类策略，顾名思义，分类模型的训练和预测均在像元尺度，其突出表现为计算效率高、普适性好、较高的分类性能等。因此，该策略在全球土地覆盖制图中应用最广，支撑了MCD12Q1、GLCNMO、CCI_LC、FROM_GLC、GLC_FCS30、ESA WorldCover、CGLS_LC100等全球土地覆盖产品研制。在分类器的选择方面，当前全球产品采用的分类算法又可以归纳为：随机森林、决策树与集成分类。
1） 决策树是一种以树形数据结构来展示决策规则和分类结果的模型，具有易于理解和实现、执行效率高、参数设置少等优势，因此，早期全球土地覆盖制图（UMD-LC与GLCNMO）采用了决策树分类模型。
2） 随机森林是一种集成学习方法，通过构建大量“去相关”的决策树，将它们的预测结果进行集成，提升整体模型的准确率和鲁棒性[34,36]。结合表4与图1可以发现10种全球土地覆盖产品均采用了随机森林分类器，但分类精度上仍然存在差异，究其原因是训练样本与输入特征的差异。
3） 集成分类模型是全球土地覆盖产品iMap World所采用的一种多模型集成的分类器，其通过AutoGluon tool集成随机森林、k最近邻、LightGBM决策树以及CatBoost提升树，利用交叉验证实现对多种分类模型的集成化[30]。
第二，面向对象分类算法核心思想是采用空间分割算法将研究区划分为众多独立且均质的对象斑块，然后在对象斑块尺度完成后续的模型训练和分类制图[37]。如陈军团队在研制GlobeLand30时将面向对象分割集成到其分类模型中，实现了空间结构完整、分类性能准确的全球土地覆盖制图[11]。该方法能够有效消除逐像元分类中的椒盐噪声，更好地结合对象的几何纹理等特征实现更高的制图精度；但也存在计算耗时、分割算法初始化困难等问题。
第三，深度学习分类模型利用多层神经网络结构自动学习数据的抽象特征，通过端到端训练实现复杂模式识别。相较于传统逐像元分类的主要优势在于其强大的特征提取和上下文理解能力，能自动学习图像中复杂的空间特征、纹理信息和对象结构，显著提升了处理光谱混淆、噪声干扰以及识别具有特定空间模式目标的精度[23,38]。然而，其缺点主要体现在需要大量高质量标注样本进行训练，模型训练和预测过程计算成本高、耗时长。

2.1.3 非监督分类+监督分类组合算法

针对非监督分类存在的主观性强、制图精度低，监督分类算法依赖海量高置信度训练样本等难题，欧盟两套全球土地覆盖产品CCI_LC与GlobCover采用了“非监督分类+监督分类”的组合算法模式。即，利用非监督分类算法将研究区标记为诸多光谱相对均值的聚类；其次，结合光谱、时序特征（如NDVI季节变化）及辅助数据（高程、生态区划等），人工构建决策树规则，将光谱聚类逐层映射为22类土地覆盖类型[17]。该方法虽保证了全球分类一致性，但灵活性较低，无法自动学习复杂特征，分类精度受限于人工规则设计的完备性。

2.1.4 数据融合算法

数据融合是一种融合多源土地覆盖产品的后处理制图方法，不需要卫星遥感数据、训练样本和分类过程，直接从多个已发布的全球土地覆盖产品中融合出一套新的产品。如：Li等利用D-S证据理论方法融合GLC_FCS30、GlobeLand30和FROM_GLC这3套全球30 m土地覆盖产品，研制了一套新的2015年全球30 m土地覆盖产品GLC-2015[39]。该方法核心是将每套产品的分类结果视为独立证据，通过基本概率分配量化各类别的可信度（如产品精度），再融合证据解决冲突（如3套产品的类别上存在冲突），最终输出不确定性最小化的土地覆盖类型。其优点在于计算效率高、不依赖卫星观测数据，但是对先验产品依赖程度高，存在误差传递的问题。

2.2 全球土地覆盖变化监测方法

由于随机误差和土地覆盖产品缺乏足够高的分类精度，一般不建议直接比较不同时间生成的土地覆盖结果来获取土地覆盖变化信息[40]。例如：GlobCover在2005年和2009年的两期土地覆盖产品统计的逐像元变化量远大于其真实土地覆盖变化量，究其原因是两期分类误差的累积放大了土地覆盖变化信息[17]。因此，土地覆盖变化监测也被认为比土地覆盖制图更为困难[40]。近年来，随着卫星遥感数据的日益丰富以及计算能力的不断提升，土地覆盖变化监测算法相继取得了较大进展[29,41-43]，但这些算法中的绝大多数是否适用于全球土地覆盖变化监测有待验证。当前，以GLC_FCS30D[29]、GLanCE[25]、CCI_LC[20]、iMap World[30]和AGLC[21]等为代表的土地覆盖变化产品在全球尺度上推动了大区域土地覆盖变化监测研究，相应的方法体系总体可以归纳为两类：“多期分类+时空后处理”和“变化检测+变化更新”。
其中，“多期分类+时空后处理”方法首先是在整个监测时间序列上进行逐期独立的土地覆盖制图，其后采用时空一致性后处理算法对时序制图结果进行检验和优化，解决逐期土地覆盖制图存在的分类误差累积问题。该算法的代表性成果是宫鹏团队在2020年和2021年分别发布的全球5 km土地覆盖变化监测数据集GLASS-GLC（1982—2015）[27]和1985—2020年全球30 m土地覆盖变化监测数据集iMap World[30]，2套数据集利用监督分类方法获取长时序逐年土地覆盖分类结果，然后分别采用了LandTrendr和时空马尔科夫随机场优化算法提升产品的时空一致性。相似地，国家基础地理信息中心GlobeLand30也采用了后处理措施来保证3期数据的时空一致性，但已有研究证明GlobeLand30多期数据在部分区域存在几何配准问题[44]，放大了真实土地覆盖变化量，导致了土地覆盖变化信息被高估。因此，尽管后处理优化算法能够提升土地覆盖变化监测的质量，但无法从源头上解决分类误差累积与传递问题，依然可能存在“伪变化”问题。
相较而言，“变化检测+变化更新”方法首先利用变化检测算法（如：LandTrendr、CCDC和BFAST等）从时序卫星观测数据中捕捉土地覆盖变化的时刻和空间位置，然后采用分类模型对变化区域在变化时刻上进行更新[43]。该策略是从整个卫星观测时序中捕捉变化并进行更新，所以整个时序土地覆盖变化监测结果的时空稳定性更优[40]。其主要缺点表现为逐像元的长时序变化监测需要庞大的计算资源，变化检测算法误差会部分传递到土地覆盖变化监测结果中。该方法的代表性成果是中国科学院空天信息创新研究院发布的GLC_FCS30D产品，其利用全时序连续变化检测算法从1984—2022年Landsat卫星观测数据中识别土地覆盖变化的时刻与空间位置，并以2020年GLC_FCS30土地覆盖数据为输入，实现了对变化区域进行准确动态更新的目标[29]。相似地，CCI_LC、GLanCE和AGLC全球长时序土地覆盖变化监测产品均采用了“变化检测+变化更新”策略实现时空更稳定的变化监测[20-21,25]。因此，在计算能力持续提升与卫星观测资料日益丰富的背景下，如何发展“变化检测+变化更新”方法体系是实现高精度全球土地覆盖变化监测研究的核心与关键。

3 全球土地覆盖制图与变化监测数据产品

3.1 从粗分辨率向高分辨率发展

受卫星成像能力和计算机存储和计算能力影响，全球土地覆盖产品的空间分辨率发展历程大致可以划分为3个阶段（图2）。第一阶段，2008年前（本文定义为粗分辨率阶段）.Landsat卫星遥感数据尚未免费共享[45]，全球土地覆盖制图和变化监测只能依赖于空间分辨率1 km的AVHRR、500 m的MODIS以及300 m的MERIS与SPOT VEGETATION影像，该阶段标志性的全球土地覆盖产品分别是美国USGS研制的IGBP DISCover[14]、NASA MCD12Q1[46]以及ESA GlobCover产品[17]。该阶段产品的主要特点为空间分辨率为300 m~1 km，分类体系采用了IGBP和FAO LCSS土地覆盖分类体系，对于植被地类的描述较为精细。
图2 全球土地覆盖产品研制的时间线

Fig. 2 Timeline of global land cover product development and some of key events

第二阶段为2008—2015年（本文定义为过渡阶段）。随着Landsat卫星数据免费共享，该阶段土地覆盖产品的特点是由粗分辨率（500~300 m）向高分辨率（30 m）过渡，分类体系也从较为精细的IGBP/FAO LCCS分类体系向基础分类体系过渡。过渡阶段代表性产品包括：粗分辨率的GLCNMO[26]和GLC250[28]，高分辨率的FROM_GLC[12]和GlobeLand30[11]。
第三阶段为2015年至今（本文定义为高分辨率阶段）。此阶段主要是得益于2015年后迎来了Google Earth Engine（GEE）云计算平台的广泛推广应用[47]和Sentinel-2A卫星的发射[48]。利用GEE强大的在线计算能力，全球土地覆盖研究正取得突破式发展；全球产品研发不再受到数据获取、存储和计算力的约束，相继研制出FROM_GLC10、GLC_FCS30、GLanCE、Dynamic World等全球10~30m土地覆盖产品。该阶段主要特点是：全球产品多以高分辨率为主，产品种类和分类体系多样。

3.2 从土地覆盖制图向土地覆盖变化监测发展

土地覆盖变化监测比土地覆盖制图更困难的原因是土地覆盖变化监测需要更庞大的存储和计算资源，且涉及的数据分析量和复杂度也要更高。因此，在2015年前全球能够用于支撑土地覆盖变化分析的全球产品还较为稀缺（表4），而通过土地覆盖制图得到的多期数据产品也因为误差累积问题等还不能或者不建议用于变化监测分析。以GlobCover2005年和2009年2期数据为例，通过逐像元的变化分析表明仅林地的变化量就超过30%，所以其官方说明文档明确指出该数据集无法支撑任何土地覆盖变化的应用分析[17]。近年来，尽管多套全球10 m土地覆盖产品实现了逐年或逐日更新，例如：Dynamic World和ESRI LC通过深度学习等手段来保证单期分类制图的高精度，甚至Dynamic World产品反映了逐日的土地覆盖变化状态（如：是否被云或者雪覆盖等[24]），但是本文依旧不推荐将它们纳入为逐像元变化监测分析中，究其原因还是其尚未通过时空优化手段消除分类误差的累积问题；另外，它们的产品论文中也未说明其能够支撑变化分析，也未做任何逐像元的变化分析研究[24]。
自2015年后，随着Google Earth Engine云计算平台的进一步推广、土地覆盖变化监测算法的逐步完善与发展，以及全球变化监测数据产品的需求日益迫切，欧盟、美国以及中国科学家团队相继发起了全球土地覆盖变化监测攻关研究，并陆续形成了“多期分类+后处理”与“变化检测+动态更新”的长时序全球土地覆盖变化监测方法体系，相继研制并共享了多层次不同分辨率、支持逐像元变化分析的全球土地覆盖变化监测数据集，包括：1）被广泛使用、逐年更新的MCD12Q1和ESA CCI_LC，前者采用了“多期分类+后处理”，后者则采用“变化检测+动态更新”，因此ESA CCI_LC在时空稳定性也要更优；2）多套30 m变化监测数据集，包括：iMap World[30], GLanCE[25]、AGLC[21]和GLC_FCS30D[29]产品；除iMap World外，其他三者均采用了“变化检测+动态更新”。
综上，尽管全球土地覆盖从单期制图到长时序的变化分析面临巨大困难和挑战[9]，但是准确的土地覆盖变化信息是研究全球变化议题的重要基础[7]；近年来，遥感技术和云计算等快速发展共同促进全球土地覆盖变化监测研究的进步，国内外学者也陆续在30 m尺度上研发长时序土地覆盖变化监测产品[29]，因此，我们也相信在未来将会不断有新的长时序全球土地覆盖变化监测产品涌现，为精确了解全球变化提供重要数据支撑。

4 存在的问题与展望

4.1 存在的主要问题

全球土地覆盖研究在过去几十年取得了许多阶段性进展，但是依然存在一些问题与挑战。首先，尽管本文将全球土地覆盖产品归并为IGBP、FAO LCCS和全球基础分类体系，但是各套产品之间还是难以被严格验证和直接对比。如：Liu等[49]综述论文中总结了不同全球30 m产品对于耕地、林地、水体和不透水面的定义，发现即使对于争议最小的水体和不透水面，定义也是各不相同。另外，大量第三方精度评估也证实在相同基础分类体系下比较多种全球土地覆盖产品，差异依然非常显著，究其原因还是地类定义的不同[50-51]。
其次，全球土地覆盖产品在异质区域和复杂地类的不确定性显著，尤其是高异质性的山地区域、景观复杂的干旱与半干旱区域（如非洲）以及光谱变异性显著地类（包括灌木、湿地和苔原等）。Zhao等[50]也证实了多套全球土地覆盖产品在异质区域的差异显著，复杂地类面临较大的不确定性。因此，聚焦于低置信区域和复杂地表要素的研究是高精度土地覆盖需要面临的重要挑战。
最后，在过去几十年里，全球土地覆盖研究的重心一直聚焦于土地覆盖产品的研制与突破，而精度评估一直是被忽视的环节[52-53]。尽管当前公开发布的全球土地覆盖产品都包含了产品精度评估报告，但是对应的验证样本数据集往往不会共享，而验证又存在极大的主观性[54]，如何从越来越丰富的产品中选择最合适的数据集是当前面临的一大挑战。

4.2 展望

未来，随着更高分辨率遥感卫星数据的免费共享、人工智能（如ChatGPT等语义大模型）、云平台算力的进一步提升等，全球土地覆盖研究也必将在更多方面取得进展和突破。本文结合当前全球土地覆盖研究现状提出如下几点思考：
1） 尽管全球土地覆盖研究从算法到产品均取得了长足的发展，但是不同产品因分类体系差异导致的不可比问题也日益显著，如何协调多源土地覆盖数据产品将是该未来研究中不可忽视的方向。当前已有部分研究开展了分类体系语义相关性研究，如：Gao等利用EAGLE语义相似性矩阵来直接评估了不同分类体系的3套全球30 m土地覆盖产品（GlobeLand30、FROM_GLC和GLC_FCS30）[51]，但该研究分析尚不全面，未来还需要更多国内外学者关注分类体系的协调化处理。
2） Google Earth Engine云计算和Sentinel-2卫星数据免费共享为全球10 m土地覆盖提供了机遇，也相继涌现了以FROM_GLC10、Dynamic World和ESA World Cover为代表的土地覆盖产品。在未来，卫星遥感技术逐步向更高空间分辨率发展[55]，也将为更高空间分辨率的全球土地覆盖研究提供机会。当前已有部分研究在国别尺度上探索了亚米级土地覆盖制图，如：Li等结合深度学习和Google Earth高空间分辨率遥感影像研制了首套中国1 m分辨率的土地覆盖产品SinoLC-1[56]；Shi等利用Google Earth高分辨率卫星遥感数据绘制了东亚2.8亿栋房屋的边界足迹数据[57]。
3） 随着免费共享的卫星遥感数据越来越丰富，以及GEE为代表的云计算平台进一步解放了数据获取、存储和计算资源的限制，当前土地覆盖变化监测的难点更加聚焦于算法本身。近些年来，尽管土地覆盖变化在算法层次取得了不错的进展，如：Zhu等系统梳理了基于Landsat的变化监测算法，并将其归纳为7个大类[43]；但是其中绝大多数算法关注于森林变化监测，且多聚焦于森林的突变（如：森林砍伐、火灾等），已有研究表明森林的退化量比损毁量更显著[58]。其次，相较于森林变化，其他土地覆盖类型的变化监测算法尚处于起步阶段，适应于森林变化监测的算法是否同样适用于其他地类需要进一步验证和完善。因此，如何从时序卫星遥感观测数据中捕捉土地覆盖变化中的突变与渐变，创新适用于不同土地覆盖类型的变化监测算法和模型是未来土地覆盖变化监测研究需要重点关注的方向。
4） 针对当前全球土地覆盖研究存在的“重产品轻验证”的问题，随着产品多样性日益丰富，越来越多的学者也开始重视全球土地覆盖验证方向。例如，Zhao等[50]利用多源辅助数据，采用标准化的样本布设方案以及目视解译，收集了一套2020年全球验证样本数据集；Stanimirova等[59]整合全球及区域的公开验证数据集，利用CCDC连续变化检测等手段收集并发布了一套将近2百万个点的1984—2020年全球土地覆盖训练数据集。同时，欧盟和美国土地覆盖相关机构也一直持续关注土地覆盖验证工作，相继启动了LUCAS和LCMAP等验证样本采集项目，逐步收集了时间跨度长、置信度高的区域验证样本[60–61]。因此，如何利用好国内外公开的数据资料，例如：GeoWiki[62]、LUCAS[61]和Globe230k[63]等，建立一套被广泛认可、能够支撑不同全球土地覆盖产品之间严格精度评估的验证数据集是未来研究中需要关切的方向。
5） 伴随着全球土地覆盖的发展，专题要素的研究（耕地、林地、湿地和不透水面等）也取得重要进展。Wang等[52]系统梳理了部分全球专题产品的进展成果，证实专题要素产品研发正呈现多样化和快速化的发展态势。以林地要素为例，Hansen等[7]在2013年就开始全球30 m林地的变化监测，明显快于全球土地覆盖变化监测研究，究其原因是专题要素的制图和变化监测目标性更强。因此，从未来的发展趋势来看，全球专题要素的发展将是土地覆盖研究的重要方向之一，也将涌现更多样化、高频更新的全球高分辨率专题数据算法与产品。
6） 人工智能与土地覆盖研究的结合。近年来，随着深度学习的发展以及计算资源的不断提升，越来越多的土地覆盖制图工作采用了深度学习模型，也被证明能够提升土地覆盖制图的精度[64]。当前，以ChatGPT为代表的人工智能模型又一次推动了人类生产生活的进步，那么未来随着ChatGPT等模型的性能进一步提升，其是否会像深度学习一样改变全球土地覆盖制图和动态监测的范式。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
陈军, 陈晋, 宫鹏, 等. 全球地表覆盖高分辨率遥感制图[J]. 地理信息世界, 2011, 9(2): 12-14.

Chen Jun, Chen Jin, Gong Peng et al. Higher resolution global cover mapping. Journal of Spatio-temporal Information, 2011, 9(2): 12-14.

[2]
Song X P, Hansen M C, Stehman S V et al. Global land change from 1982 to 2016[J]. Nature, 2018, 560(7720): 639-643.

DOI

[3]
刘纪远, 张增祥, 徐新良, 等. 21世纪初中国土地利用变化的空间格局与驱动力分析[J]. 地理学报, 2009, 64(12): 1411-1420.

Liu Jiyuan, Zhang Zengxiang, Xu Xinliang et al. Spatial patterns and driving forces of land use change in China in the early 21st century. Acta Geographica Sinica, 2009, 64(12): 1411-1420.

[4]
董金玮, 匡文慧, 刘纪远. 遥感大数据支持下的全球土地覆盖连续动态监测[J]. 中国科学: 地球科学, 2018, 48(2): 259-260

Dong Jinwei, Kuang Wenhui, Liu Jiyuan. Continuous land cover change monitoring in the remote sensing big data era. Science China Earth Sciences, 2018, 48(2): 259-260.

[5]
Foley J A, Defries R, Asner G P et al. Global consequences of land use[J]. Science, 2005, 309(5734): 570-574.

DOI

[6]
Hansen M C, Loveland T R. A review of large area monitoring of land cover change using Landsat data[J]. Remote Sensing of Environment, 2012, 122: 66-74.

DOI

[7]
Hansen M C, Potapov P V, Moore R et al. High-resolution global maps of 21st-century forest cover change[J]. Science, 2013, 342(6160): 850-853.

DOI

[8]
宫鹏, 张伟, 俞乐, 等. 全球地表覆盖制图研究新范式[J]. 遥感学报, 2016, 20(5): 1002-1006

Gong Peng, Zhang Wei, Yu Le et al. New research paradigm for global land cover mapping. Journal of Remote Sensing, 20(5): 1002-1016.

[9]
Song X P. The future of global land change monitoring[J]. International Journal of Digital Earth, 2023, 16(1): 2279-2300.

DOI

[10]
Grekousis G, Mountrakis G, Kavouras M. An overview of 21 global and 43 regional land-cover mapping products[J]. International Journal of Remote Sensing, 2015, 36(21): 5309-5335.

DOI

[11]
Chen J, Chen J, Liao A et al. Global land cover mapping at 30 m resolution: A POK-based operational approach[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103: 7-27.

DOI

[12]
Gong P, Wang J, Yu L et al. Finer resolution observation and monitoring of global land cover: First mapping results with Landsat TM and ETM+ data[J]. International Journal of Remote Sensing, 2013, 34(7): 2607-2654.

DOI

[13]
Zhang X, Liu L, Chen X et al. GLC_FCS30: Global land-cover product with fine classification system at 30 m using time-series Landsat imagery[J]. Earth System Science Data, 2021, 13(6): 2753-2776.

DOI

[14]
Loveland T R, Reed B C, Brown J F et al. Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data[J]. International Journal of Remote Sensing, 2000, 21(6-7): 1303-1330.

DOI

[15]
Hansen M C, Defries R S, Townshend J R G et al. Global land cover classification at 1 km spatial resolution using a classification tree approach[J]. International Journal of Remote Sensing, 2000, 21(6-7): 1331-1364.

DOI

[16]
Friedl M A, Sulla-Menashe D, Tan B et al. MODIS Collection 5 global land cover: algorithm refinements and characterization of new datasets[J]. Remote Sensing of Environment, 2010, 114(1): 168-82.

DOI

[17]
Defourny P, Kirches G, Brockmann C et al. Land Cover CCI: Product User Guide Version 2 [R]. London, UK: UCL-Geomatics, 2018.

[18]
Bontemps S, Defourny P, Bogaert E V et al. GlobCover 2009—Products Description and Validation Report [R]. Bergen: UCLouvain & ESA Team, 2010.

[19]
Bartholomé E, Belward A S. GLC2000: A new approach to global land cover mapping from Earth observation data[J]. International Journal of Remote Sensing, 2005, 26(9): 1959-1977.

DOI

[20]
Buchhorn M, Lesiv M, Tsendbazar N-E et al. Copernicus Global Land Cover Layers—Collection 2[J]. Remote Sensing, 2020, 12(6): 1044.

DOI

[21]
许晓聪, 李冰洁, 刘小平, 等. 全球2000年—2015年30 m分辨率逐年土地覆盖制图[J]. 遥感学报, 2021, 25(9): 1896-1916

Xu Xiaochong, Li Bingjie, Liu Xiaoping et al. Mapping annual global land cover changes at a 30 m resolution from 2000 to 2015. National Remote Sensing Bulletin, 2021, 25(9): 1896-1916.

[22]
Zanaga D, Van De Kerchove R, De Keersmaecker W et al. ESA WorldCover 10 m 2020 v100 [J]. Zenodo: Geneve, Switzerland, 2021.

[23]
Karra K, Kontgis C, Statman-Weil Z et al. Global land use/land cover with Sentinel 2 and deep learning [J]. IEEE International Geoscience and Remote Sensing Symposium, 2021: 4704-4707.

[24]
Brown C F, Brumby S P, Guzder-Williams B et al. Dynamic World, Near real-time global 10 m land use land cover mapping[J]. Scientific Data, 2022, 9(1): 251.

DOI

[25]
Friedl M A, Woodcock C E, Olofsson P et al. Medium spatial resolution mapping of global land cover and land cover change across multiple decades from Landsat[J]. Frontiers in Remote Sensing, 2022, 3: 894571.

DOI

[26]
Tateishi R, Hoan N T, Kobayashi T et al. Production of global land cover data – GLCNMO2008[J]. Journal of Geography and Geology, 2014, 6(3): 99-122.

[27]
Liu H, Gong P, Wang J et al. Annual dynamics of global land cover and its long-term changes from 1982 to 2015[J]. Earth Syst Sci Data, 2020, 12(2): 1217-1243.

DOI

[28]
Wang J, Zhao Y, Li C et al. Mapping global land cover in 2001 and 2010 with spatial-temporal consistency at 250 m resolution[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103: 38-47.

DOI

[29]
Zhang X, Zhao T, Xu H et al. GLC_FCS30D: The first global 30 m land-cover dynamics monitoring product with a fine classification system for the period from 1985 to 2022 generated using dense-time-series Landsat imagery and the continuous change-detection method[J]. Earth Syst Sci Data, 2024, 16(3): 1353-81.

DOI

[30]
Liu H, Gong P, Wang J et al. Production of global daily seamless data cubes and quantification of global land cover change from 1985 to 2020—iMap World 1.0 [J]. Remote Sensing of Environment, 2021, 258: 112364.

[31]
Gong P, Liu H, Zhang M et al. Stable classification with limited sample: Transferring a 30-m resolution sample set collected in 2015 to mapping 10 m resolution global land cover in 2017[J]. Science Bulletin, 2019, 64(6): 370-373.

DOI

[32]
Homer C, Dewitz J, Jin S et al. Conterminous United States land cover change patterns 2001—2016 from the 2016 national land cover database[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 162: 184-199.

DOI

[33]
Liu J, Liu M, Deng X et al. The land use and land cover change database and its relative studies in China[J]. Journal of Geographical Sciences, 2002, 3: 27-34.

[34]
Gislason P O, Benediktsson J A, Sveinsson J R. Random forests for land cover classification[J]. Pattern Recognition Letters, 2006, 27(4): 294-300.

DOI

[35]
Gómez C, White J C, Wulder M A. Optical remotely sensed time series data for land cover classification: A review[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 116: 55-72.

DOI

[36]
Belgiu M, Drăguţ L. Random forest in remote sensing: A review of applications and future directions[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 114: 24-31.

DOI

[37]
刘书含, 顾行发, 余涛, 等. 高分一号多光谱遥感数据的面向对象分类[J]. 测绘科学, 2014, 39(12): 91-94.

Liu Shuhan, Gu Xingfa, Yu Tao et al. Object-oriented classification method based on GF-1 multi-spectral remote sensing image. Science of Surveying and Mapping, 2014, 39(12): 91-94.

[38]
Parelius E J. A review of deep-learning methods for change detection in multispectral remote sensing images[J]. Remote Sensing, 2023, 15(8): 2092.

DOI

[39]
Li B, Xu X, Liu X et al. An improved global land cover mapping in 2015 with 30 m resolution (GLC-2015) based on a multisource product-fusion approach[J]. Earth Syst Sci Data, 2023, 15(6): 2347-2373.

DOI

[40]
Ban Y, Gong P, Giri C. Global land cover mapping using earth observation satellite data: Recent progresses and challenges[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 103: 1-6.

DOI

[41]
Huang C, Goward S N, Masek J G et al. Development of time series stacks of Landsat images for reconstructing forest disturbance history[J]. International Journal of Digital Earth, 2009, 2(3): 195-218.

DOI

[42]
Ye S, Rogan J, Zhu Z et al. A near-real-time approach for monitoring forest disturbance using Landsat time series: Stochastic continuous change detection[J]. Remote Sensing of Environment, 2021, 252: 112167.

DOI

[43]
Zhu Z. Change detection using landsat time series: A review of frequencies, preprocessing, algorithms, and applications[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 130: 370-384.

DOI

[44]
Mi J, Liu L, Zhang X et al. Impact of geometric misregistration in GlobeLand30 on land-cover change analysis: A case study in China[J]. Journal of Applied Remote Sensing, 2022, 16(01): 014516-014516.

[45]
Woodcock C E, Allen R G, Anderson M C. Free access to Landsat imagery[J]. Science, 2008, 320(5879): 1011.

[46]
Friedl M A, Mciver D K, Hodges J C F et al. Global land cover mapping from MODIS: Algorithms and early results[J]. Remote Sensing of Environment, 2002, 83: 287-302.

DOI

[47]
Gorelick N, Hancher M, Dixon M et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202: 18-27.

DOI

[48]
Drusch M, Del Bello U, Carlier S et al. Sentinel-2: ESA’s optical high-resolution mission for GMES operational services[J]. Remote Sensing of Environment, 2012, 120: 25-36.

DOI

[49]
Liu L, Zhang X, Gao Y et al. Finer-resolution mapping of global land cover: Recent developments, consistency analysis, and prospects[J]. Journal of Remote Sensing, 2021, 2021: 1-38.

[50]
Zhao T, Zhang X, Gao Y et al. Assessing the accuracy and consistency of six fine-resolution global land cover products using a novel stratified random sampling validation dataset[J]. Remote Sensing, 2023, 15(9): 2285.

DOI

[51]
Gao Y, Liu L, Zhang X et al. Consistency analysis and accuracy assessment of three global 30-m land-cover products over the European Union using the LUCAS dataset[J]. Remote Sensing, 2020, 12(21): 3479.

DOI

[52]
Wang Y, Sun Y, Cao X et al. A review of regional and Global scale Land Use/Land Cover (LULC) mapping products generated from satellite remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2023, 206: 311-334.

DOI

[53]
陈军, 张俊, 张委伟, 等. 地表覆盖遥感产品更新完善的研究动向[J]. 遥感学报, 2016, 20(5): 991-1001.

Chen Jun, Zhang Jun, Zhang Weiwei et al. Continous updating and refinement of land cover data product. Journal of Remote Sensing, 2016, 20(5): 991-1001.

[54]
Olofsson P, Foody G M, Herold M et al. Good practices for estimating area and assessing accuracy of land change[J]. Remote Sensing of Environment, 2014, 148: 42-57.

DOI

[55]
李劲东. 中国高分辨率对地观测卫星遥感技术进展[J]. 前瞻科技, 2022, 1(1): 112-125.

Li Jindong. Advances in high-resolution earth observation satellite remote sensing technologies in China. Science and Technology Foresight, 2022, 1(1): 112-125.

[56]
Li Z, He W, Cheng M et al. SinoLC-1:The first 1 m resolution national-scale land-cover map of China created with a deep learning framework and open-access data[J]. Earth Syst Sci Data, 2023, 15(11): 4749-4780.

DOI

[57]
Shi Q, Zhu J, Liu Z et al. The last puzzle of global building footprints—Mapping 280 million buildings in east asia based on vhr images[J]. Journal of Remote Sensing, 2024, 4: 0138.

DOI

[58]
Matricardi E a T, Skole D L, Costa O B et al. Long-term forest degradation surpasses deforestation in the Brazilian Amazon[J]. Science, 2020, 369(6509): 1378-1382.

DOI

[59]
Stanimirova R, Tarrio K, Turlej K et al. A global land cover training dataset from 1984 to 2020[J]. Sci Data, 2023, 10(1): 879.

DOI

[60]
Stehman S V, Pengra B W, Horton J A et al. Validation of the U. S. Geological survey’s land change monitoring, assessment and projection (LCMAP) collection 1. 0 annual land cover products 1985—2017[J]. Remote Sensing of Environment, 2021, 265: 112646.

DOI

[61]
D'andrimont R, Verhegghen A, Meroni M et al. LUCAS Copernicus 2018: Earth-observation-relevant in-situ data on land cover throughout the European Union[J]. Earth System Science Data, 2020, 13(3): 1119-1133.

[62]
Fritz S, Mccallum I, Schill C et al. Geo-Wiki. Org: The use of crowdsourcing to improve global land cover[J]. Remote Sensing, 2009, 1(3): 345-354.

DOI

[63]
Shi Q, He D, Liu Z et al. Globe230k: A benchmark dense-pixel annotation dataset for global land cover mapping[J]. Journal of Remote Sensing, 2023, 3: 78.

DOI

[64]
徐丹青, 吴一全. 光学遥感图像目标检测的深度学习算法研究进展[J]. 遥感学报, 2024, 28(12): 3045-3073.

DOI

Xu Danqing, Wu Yiquan. Research progress of deep learning algorithms for object detection in optical remote sensing images. National Remote Sensing Bulletin, 2024, 28(12): 3045-3073.

DOI

Options
文章导航

/

〈 〉