1990-2023 年青藏高原 30m 年度土地覆盖数据集：填补生态研究关键数据空白

《Scientific Data》：Annual 30?m land cover dataset on the Tibetan Plateau from 1990 to 2023

为解决青藏高原（TP）高分辨率、长期土地覆盖监测数据缺失的问题，研究人员开展了开发 TP 土地覆盖分类系统并构建年度土地覆盖数据集（TPLCD）的研究。结果显示 TPLCD 总体精度达 84.8% ，为生态研究提供可靠数据，助力政策制定。

　　在全球生态环境变化的大背景下，土地覆盖作为关键指标，深刻影响着气候调节、生物多样性保护等诸多生态过程。自 20 世纪 50 年代起，全球范围内的农业扩张、城市蔓延等土地利用 / 覆盖变化（LUCC）活动，对地球系统的能量平衡、碳循环、水文动态以及生物多样性格局都产生了深远影响，这些变化不仅引发了一系列全球生态问题，还为区域生态系统带来了诸多不确定性。获取精细空间尺度下连续且准确的土地覆盖数据，对于制定有效的生态修复策略、应对气候变化至关重要，而遥感技术在其中发挥着核心作用。

在过去几十年间，多种遥感传感器广泛应用，其中 Landsat 卫星数据凭借长期、免费且连续的记录，在 LUCC 监测中表现突出。然而，传统的土地覆盖制图更新方式存在效率低、资源消耗大等问题，难以满足高频次、大规模的监测需求。与此同时，一些新的分类技术和算法不断涌现，但它们各自存在一定的局限性。

青藏高原，素有 “世界屋脊” 和 “地球第三极” 之称，是亚洲重要的生态安全屏障。近年来，气候变化和人类活动的双重影响，导致该地区出现了草地退化、栖息地破碎化等严重生态问题，尤其是以高寒草甸和高寒草原为主的生态系统受到了极大威胁。但现有的土地覆盖数据集，在刻画青藏高原独特的草地生态系统方面存在不足，大多数研究局限于局部地区，缺乏对整个高原 LUCC 的系统认识。

为了填补这一关键数据空白，中国科学院地理科学与资源研究所陆地表层格局与模拟重点实验室、中国科学院大学等机构的研究人员开展了相关研究，其成果发表在《Scientific Data》上。

研究人员利用 Google Earth Engine（GEE）平台处理 Landsat 数据，结合 LandTrendr 算法生成高质量训练样本，运用随机森林（RF）分类模型，并采用时空平滑策略，构建了 1990 - 2023 年青藏高原 30m 分辨率的年度土地覆盖数据集（TPLCD）。

研究人员首先对研究区域进行了明确界定。青藏高原位于 25°59′ - 40°1′N 和 67°40′ - 104°40′E 之间，跨越多个国家，总面积达 308 万 km2，其中约 258 万 km2（占总面积的 83.7%）位于中国境内。该区域平均海拔约 4320m，气候多样，近年来面临着严峻的生态危机，迫切需要精准的土地覆盖监测。

在数据处理方面，研究人员收集了 1990 - 2023 年的 Landsat 5（L5）、Landsat 7（L7）和 Landsat 8（L8）卫星影像，共计 93520 景。通过 CFMask 技术进行大气校正，去除云影干扰，并采用 12 个月的时间窗口和像素级中值合成策略构建年度合成影像。

基于青藏高原独特的生态特征，研究人员开发了包含耕地、森林、灌木地、高寒草原、高寒草甸、水体、裸地、不透水面、湿地和冰雪 10 种关键土地覆盖类型的分类系统，该系统与国际标准化系统兼容。

为了提高分类精度，研究人员计算了 8 种光谱指数，如改进的归一化差异水体指数（MNDWI）、增强植被指数（EVI）等，并结合 NASA - JPL 提供的航天飞机雷达地形测绘任务（SRTM）Version 3 高程数据，构建了 17 个特征变量。

在训练样本生成环节，研究人员利用 LandTrendr 算法分析 EVI、归一化差异水体指数（NDWI）和归一化差异建筑与裸地指数（NDBBI）三个光谱指数，通过线性回归识别土地覆盖变化引起的偏差，选取长期稳定的区域作为训练样本，在 GEE 平台上高效完成了样本收集。

研究采用 RF 算法进行土地覆盖分类，设置树的数量为 200 以平衡分类精度和资源消耗。同时，采用年度重复分类策略和滑动窗口技术，提高了分类结果的稳定性和时间一致性。

在精度评估方面，研究人员采用了两种策略。一是通过 Google Earth 影像目视解译，随机选取 7000 个样本进行评估；二是使用权威第三方数据集 Geo - Wiki 和全球土地覆盖验证样本集（GLCVSS）进行额外的精度验证，并与现有土地覆盖产品进行交叉对比分析。

通过上述研究，研究人员得出了一系列重要结论。TPLCD 在精度评估中表现出色，总体精度（OA）平均达到 84.8%，Kappa 系数为 0.78。与其他土地覆盖产品相比，TPLCD 在分类精度上具有明显优势，尤其是在草地、森林等土地覆盖类型的识别上更为准确。例如，与全球森林变化数据集（GFC）对比，TPLCD - forest 与 Hansen - forest 和 JRC - forest 的 R2 分别达到 0.88 和 0.96 ；与全球地表水数据集（GSW）对比，在水体面积的一致性上也表现良好，且能反映出青藏高原湖泊的扩张趋势。在不透水面面积（ISA）的监测上，TPLCD - ISA 与现有产品相比，能更准确地描绘其变化趋势。

该研究成果意义重大。TPLCD 为研究青藏高原生态安全问题提供了宝贵的数据资源，有助于深入了解草地生态系统的状态和功能差异，为制定有效的生态保护策略提供了科学依据。同时，该数据集填补了青藏高原长期、高精度土地覆盖数据的空白，为全球生态研究做出了重要贡献。

不过，研究也存在一定的局限性。L5 和 L7 数据存在时空覆盖不均、早期数据获取受限以及技术故障等问题，影响了 TPLCD 的精度和数据完整性。LandTrendr 算法受 Landsat 卫星 16 天重访周期和云覆盖的影响，在检测短期事件和精细时间尺度变化时存在一定困难。未来研究可通过整合多源卫星数据、探索先进的云检测算法和地表特征修复技术，以及结合更多地面数据和其他指标，进一步提高青藏高原土地覆盖变化监测的效率和数据质量。