本文宗5000余字，分为两部分：（1）众多数据源，（2）获取技术手段
前段时间，自然资源部向社会发布2020版30米全球地表覆盖数据的消息刷屏了，这是继2014年向联合国捐赠数据以来，中国再次向国际社会提供更新地理信息公共产品。
GlobeLand30网站界面
土地覆盖和土地利用制图在测绘里属于老生常谈的话题，制作土地利用图也成为遥感专业课必不可少的实操内容。
ENVI遥感影像农作物监督分类@ENVI/IDL技术殿堂
土地利用和地表覆盖在概念描述上还是有区别的，土地利用更具有社会属性，是人为有目的地开发利用土地资源的活动, 如工业用地、交通用地、农业用地等都是土地利用的概念;土地覆盖则是指地表自然形成的或者人为引起的覆盖状况，而土地覆盖更注重自然属性。最经典的土地利用就像近两年全国轰轰烈烈开展的全国第三次国土调查就是以土地利用现状为主，其成果就是土地利用现状图。
拉萨旺波日山|西藏国土三调外业实拍
土地利用与土地覆盖有着密切的关系, 可以理解成事物的两个方面。其中一个是发生在地球表面的过程,另一个则是各种地表过程(包括土地利用)的产物。无论是在全球的尺度还是国家或者区域的尺度上, 土地利用的变化在不断地导致土地覆盖的加速变化[1]。
🌍众多数据源
随着城市化进程、用地结构等调整，土地利用变化更频繁，采用卫星遥感影像来获取土地覆盖/土地利用信息成为目前主要手段，各国也相继开展了相关的研究。
2004-2018年中国建成区和城市建设用地面积统计图@国家统计局
◼中国GlobeLand30
我国早在在2010年启动了863计划“全球地表覆盖遥感制图与关键技术研究”重点科研项目。2013年底，2010基准年的30米全球地表覆盖遥感制图数据产品（GlobeLand30-2010）研制完成，该数据覆盖南北纬80度的陆地范围。
2010期GlobeLand30全要素统计结果@全球地表覆盖数据官网
该数据影像源美国陆地资源卫星（LandsatTM5、ETM+)多光谱影像和中国环境减灾卫星（HJ1)多光谱影像1465景覆盖全球60%区域，另外还参考了美国、欧空局等的全球地表覆盖数据和其他国家的地表覆盖数据。总体分为耕地、森林、草地、灌木地、湿地、水体、苔原、人造地表、裸地、冰川和永久积雪等10种地表覆盖类型。
地表覆盖数据@GlobeLand30产品说明
最终通过一级图幅抽样和二级要素抽样来评定精度，总共选取9类超过15万个检验样本进行精度评估GlobeLand302010数据的总体精度为83.51Kappa系数0.78。
各类精度表@GlobeLand30产品说明
◼美国马里兰UMD Land Cover Classification 1998
美国马里兰大学地理系基于1981-1994年的AVHRR卫星影像于1998年制作此土地覆盖分类，共分为14个不同土地覆盖类型，该数据有三个空间类型：1度，8千米和1千米像素分辨率。
美国马里兰大学地理系土地覆盖数据 UMD Land Cover Classification 1998
◼欧空局ESA GlobCover 2009
欧空局全球地表覆盖数据ESA GlobCover 2009，分辨率300米，使用Envisat卫星的MERIS传感器拍摄完成。数据生成过程中，主要选取了MERIS影像在2009年1月1日至12月31日期间所接收的较高质量的影像数据。
欧空局全球地表覆盖数据ESA GlobCover 2009
◼美国ISLSCP II IGBP DISCover and SiB Land Cover, 1992-1993
ISLSCP II IGBP DISCover and SiB Land Cover, 1992-1993,由美国地质调查局（USGS）观测到的地球资源和科学（EROS）数据中心（EDC）制作，该数据集基于国际地圈-生物圈计划数据和信息系统（IGBP-DIS）的DISCover土地覆被（Loveland and Belward 1997）和15个简单生物圈（SiB）模型提供了17类土地覆被的地理分布。重新采样为0.25、0.5和1.0度的网格，用于国际卫星陆地地面气候项目（ISLSCP）数据计划II。
ISLSCP II IGBP DISCover and SiB Land Cover, 1992-1993
◼美国橡树岭国家实验室分布式活动档案中心（ORNL DAAC）
此外，除以上这些全球覆盖数据外，在美国橡树岭国家实验室分布式活动档案中心（ORNL DAAC）官网上可以下载很多土地利用/土地覆盖的数据。
ORNL DAAC官网
◆LUH2-ISIMIP2b Harmonized Global Land Use for the Years 2015-2100
如，LUH2-ISIMIP2b Harmonized Global Land Use for the Years 2015-2100，该数据集提供了2015年至2100年间0.25度网格化的全球年度土地使用率和土地覆盖率的局部估计值，旨在支持ISIMIP2b评估1.5摄氏度全球变暖的影响。
关键词land搜索可显示很多相关结果
◆Decadal Land Use and Land Cover Classifications across India
再比如，Decadal Land Use and Land Cover Classifications across India, 1985, 1995, 2005，该数据集提供了1985年，1995年和2005年按十年间隔印度在100米分辨率下的土地利用和土地覆盖（LULC）分类产品。这些数据来自Landsat TM、ETM+、印度遥感卫星（IRS）等数据，通过地面实况调查和目视解译而成，采用了国际地圈-生物圈计划（IGBP）分类方案。
印度土地利用/土地覆盖分类图@ORNL DAAC
■美国的多分辨率土地特征（MRLC）联盟
美国的多分辨率土地特征（MRLC）联盟是一组联邦机构，它们在全国范围内协调和生成一致且相关的土地覆盖信息，以用于各种环境，土地管理和建模应用,从十年的Landsat卫星图像和其他补充数据集中到一个综合的美国国家土地覆盖数据库（NLCD）,用于了解生物多样性的空间格局，土地利用规划，推导景观格局指标等问题至关重要，制定土地管理政策。最主要的是所有MRLC NLCD数据产品均免费提供。
MRCL官网
■美国国家土地覆被数据库（NLCD）
美国国家土地覆被数据库（NLCD）提供了全国性的土地覆被和土地覆被变化数据，分辨率为30m，具有基于改进的安德森II级分类系统的16级图例。NLCD2016提供了2001年，2003年，2006年，2008年，2011年，2013年和2016年的7个完整的土地覆盖时期。
Land Cover for the Conterminous U.S. Shown as 16 Thematic Classes@MRLC
■清华大学FROM-GLC10
在国内，清华大学宫鹏教授等基于研究组2011年以来在全球30米地表覆盖制图中获得的经验和在样本库建设方面的积累，结合10米分辨率Sentinel-2全球影像的完整存储和免费获取，以及Google Earth Engine平台强大的云计算能力，开发出了世界首套10米分辨率的全球地表覆盖产品——FROM-GLC10，数据并可通过http://data.ess.tsinghua.edu.cn来下载。
基于10米分辨率的Sentinel-2数据的2017年全球地表覆盖图（FROM-GLC10)@《科学通报》
（Science Bulletin）
■美国LCMAP
USGS地球资源观测与科学（EROS）中心充分利用Landsat历史数据深入挖掘土地变化监测的潜力，是土地变化监测、评估计划（LCMAP，LandChangeMonitoring,Assessment,andProjection）的核心。LCMAP的土地覆盖和光谱变化图产品对于遥感科学家来说就像一台时间机器，可以逐年查看自1985年以来美国各地的变化情况，LCMAP团队最近共享了两个新的网页，展示了其数据产品如何帮助科学家了解湿地动态的趋势以及衡量经济冲击对城市增长的影响。
北达科他州中东部地区33年的景观变化部分截图@USGS
■中国多时期土地利用土地覆被变化遥感监测数据集（CNLUCC）
由中国科学院地理科学与资源研究所牵头的基于Landsat数据源通过人工目视解译完成了中国多时期土地利用土地覆被变化遥感监测数据集（CNLUCC），包括1970s、1980s、1995/1996年、1999/2000年、2005年、2010年和2015年共7期的多时期土地利用/土地覆盖专题数据库。
中国多时期土地利用土地覆被遥感监测数据集部分数据@[2]
■中国地理国情监测平台
在国内地理国情监测平台上可以免费下载到一些分辨率很高土地利用数据，如试着下载了2.5米分辨率的福州市的土地利用栅格数据。
■欧空局Sentinel-2 for Science Land Cover
欧空局2020年3月20发布消息称，利用entinel-2数据和云计算资源的，已经实现全自动生成欧洲10 m分辨率、含13种分类的土地覆盖图。
10 m分辨率的欧洲地表覆盖图@欧空局
10米分辨率澳大利亚地表覆盖@欧空局
🌎获取技术手段
关于全球地表覆盖数据的提取一直以来都是一项难题。
全球30ｍ地表覆盖全要素制图涉及到精细化提取、产品质量控制以及海量影像最佳覆盖与有效处理等诸多困难，是一项因素众多、难度极大的遥感科技工程。国内外同行在Landsat ETM/TM影像分类制图方面提出了许多自动化或半自动化分类模型、算法，在小范围、试验型研究中均能取得良好效果，但在大范围工程化应用中应用效果较差[3]。
其实说到遥感图像分类，第一反应上学期间遥感课程里头不就已经利用相关的软件处理了吗，比如ENVI里可以监督分类、非监督分类。基于传统统计学的最大似然法、最小距离法、K均值聚类法、光谱角分类法等，但是这些方法对于遥感图像中的细节信息分类精度有所下降，同时也无法满足图像复杂性对分类的要求。因此机器学习算法开始应用于遥感图像目标分类，如人工神经网络、决策树分类法、支持向量机等，虽然这些方法可以有效提升分类的精度，但是需要对图像进行预处理等操作，加强图像特征的表达才能更好的依据特征来进行分类，自动化程度不高，同时由于浅层网络的局限性，正确率已经很难获得很大的提升。
遥感影像分类技术发展@@ENVI/IDL技术殿堂
目前来说，利用深层网络即所谓的深度学习提取遥感信息，诸如语义分割、实例分割等在遥感影像场景分类方面取得很大进展，相关的机构公司也开源了大量的数据集用于该方面的研究。
◆武汉大学WHU-RS19 Data Set
武汉大学发布的遥感影像数据集WHU-RS19 Data Set，含19个类别的场景影像共计 1005 张，其中每个类别有 50 张。
Examples of each category in the WHU-RS dataset@[4]
◆武汉大学WHU Building Dataset
武汉大学的季顺平教授团队建立了一套大范围、高精度、涵盖多种样本形式（栅格、矢量）、多类数据源（航空、卫星）的建筑物数据库（WHUBuildingDataset），并实现开源（https://study.rsgis.whu.edu.cn/pages/download）。
Satellite dataset Ⅱ (East Asia)@[5]
◆Road and Building Detection Datasets
大神Volodymyr Mnih在博士论文里提供了道路和建筑物数据集，是非常经典的的学习数据集。
建筑物预测结果与标签对比[6]
道路预测结果与标签对比[6]
除此之外还有很多数据集，涉及目标检测、变化监测、场景分类、物候预测，也有很多机构组织了相应的比赛并提供了数据集，有些甚至提供了baseline参考示例。
DeepGlobe卫星图像地表解析(道路提取、建筑物检测、地标分类)挑战赛[7]
◆“华为・昇腾杯”AI+遥感影像
“华为・昇腾杯”AI+遥感影像，对高分辨率光学遥感图像中各类地物光谱信息和空间信息进行分析，将图像中具有语义信息的各个像元分别赋予语义类别标签；以包含典型土地利用分类的光学遥感图像为处理对象，选手使用主办方提供的遥感图像进行土地利用类型语义分割处理，主办方依据评分标准对结果进行综合评价。
“华为・昇腾杯”AI+遥感影像分类@[8]
◆高分遥感图像解译软件大赛
已经举办四届的高分遥感图像解译软件大赛，今年提供了国内赛道和国外赛道，国内提供了四种数据集，于实际生产来说，国内高分数据的更具有生产使用价值，相应的深度学习也具有落地的可能性。
比赛数据集@[9]
◆商汤SenseEarth
2019年7月9日，商汤科技SenseTime发布了中国首个在线智能遥感解译平台SenseEarth,通过运用人工智能技术对地表卫星影像进行识别和分析，SenseEarth智能遥感影像解译平台是一款面向公众公开的遥感影像浏览及解译在线工具,用户只需登陆网站,便可在线体验基于卫星影像的道路提取、舰船检测、土地利用分类等人工智能解译功能。
随机Mnih Massachusetts Building Dataset中选取了一张1500×1500的1米分辨率遥感影像在SenseEarth进行建筑物提取，效果十分喜人。
SenseEarth解译效果
而且今年商汤正在举行遥感解译大赛，分为地物分类和变化检测两个赛题，其中，地物分类竞赛数据集包含70060幅遥感图像，分为训练集50020幅，公榜测试集10020幅，私榜测试集10020幅。
商汤遥感解译大赛@[10]
◆Googel Earth Engine（GEE）
随着遥感云服务技术的发展，通过云计算平台开展大区域遥感数据的处理与分
析成为可能。Googel Earth Engine（GEE）是全球尺度的遥感影像云计算平台，拥有庞大的存储空间和先进的云计算能力，大量的遥感影像数据受限于单机的性能，非常看好GEE这样的云计算平台。
在b站、某信社群、某乎相继出现很多优秀的资源，如吴老师,无形的风……期待最近即将出版的遥感云计算。
如何使用Earth Engine对影像进行监督分类@[11]
◆PIE-Engine
国内航天宏图先发制人已经上线了PIE-Engine，PIE-Engine遥感计算云服务，是一个集实时分布式计算、交互式分析和数据可视化为一体的在线遥感云计算开放平台。
PIE-Engine示例NDVI
在知网Google Earth Engine主题相关的论文逐年递增，遥感云计算未来可期。
给地球“照相”的数据还有很多，相关的处理方法与技术岂是一眼能避之。这些给地球拍的照片又用在哪里，发挥怎么样的作用，欲知后事，且听下回分解。
- END -
