兼顾一致性与精度的多源地表覆盖产品融合方法

谢江流，闫麦瑞，杨雅洁，陈瑞，尹高飞

西南交通大学 地球科学与工程学院，成都 610031

摘  要：准确的地表覆盖信息是陆地过程模拟与生态系统管理的重要基础。近年来多种地表覆盖产品相继发布，但因分类体系、数据源与算法差异，在区域尺度应用中存在较大不确定性，而现有研究多关注产品间的精度差异，较少探讨如何整合多源产品优势以构建高精度融合产品。本文以气候变化倡议（climate change initiative，CCI）、中国土地覆盖数据集（China land cover dataset，CLCD）、全球地表覆盖30m分辨率精细分类系统（global land cover with fine classification system at 30m resolution，GLC_FCS30）和MCD12Q1四套地表覆盖产品为基础，设计一种兼顾一致性与精度的多源地表覆盖产品融合方法。通过提取各产品一致区域作为共识区；随后结合F1分数对不一致区域进行加权判别，优选最可信类别，生成精度更高的融合产品；为验证方法可行性，在川滇生态屏障区进行验证。结果显示：不同产品具有较高的一致性，但分类精度差异明显；融合产品的空间分布与原始产品相似，但整体分类精度更高，总体精度提高了约8.04%，达到81.34%，Kappa系数提高了约14.13%，达到69.1%，并在森林、草地等关键地类上表现更优，有效降低了类别间的混淆程度。

关键词：地表覆盖；多源遥感产品；精度评价；数据融合；川滇生态屏障区

引用格式：谢江流, 闫麦瑞, 杨雅洁, 陈瑞, 尹高飞. 2025. 兼顾一致性与精度的多源地表覆盖产品融合方法. 时空信息学报, 32(4): 386-398
Xie J L, Yan M R, Yang Y J, Chen R, Yin G F. 2025. A multi-source land cover product fusion method by harmonizing consistency and accuracy. Journal of Spatio-temporal Information, 32(4): 386-398, doi: 10.20117/j.jsti.202504006

1  引  言

准确的地表覆盖信息对于有效监测生态系统健康、评估碳储量变化及制定土地利用规划具有至关重要的意义（Liu等，2022；吕嘉程等，2023；张金华等，2024）。传统的地表覆盖获取方式主要依赖实地调查与土地利用统计，尽管精度较高，但成本昂贵、周期长，难以满足当前对大范围、高时效性地表信息的需求（Pacheco Quevedo等，2023；潘琛等，2024）。随着遥感技术的发展，基于遥感数据的地表覆盖产品为地表信息的高效获取提供了可行路径（刘宇承等，2023）。目前，国内外已发布多种区域或全球尺度的地表覆盖产品，如欧洲空间局（European Space Agency，ESA）生产的气候变化倡议（climate change initiative，CCI）产品、波士顿大学研制的中分辨率成像光谱仪（moderate- resolution imaging spectroradiometer，MODIS）MCD12Q1产品、武汉大学研制的中国土地覆盖数据集（China land cover dataset，CLCD）产品、中国科学院空天信息创新研究院的全球地表覆盖30 m分辨率精细分类系统（global land cover with fine classification system at 30m resolution，GLC_FCS30）产品等。这些产品各具特点，已广泛服务于生态环境监测、土地资源管理及气候模型驱动等应用场景。例如，CCI产品发布时间较早且具有长时序及全球覆盖特点，被用于后续地表覆盖产品生产的参考信息及全球尺度的土地覆盖动态变化分析（Liu等，2020；Sun等，2022）；MCD12Q1产品因获取便捷和连续更新，被广泛用于生态模拟和陆地过程分析（Jung等，2020；Li等，2023）；CLCD产品则因其较高的空间分辨率和针对中国区域的样本构建方式，在区域碳动态变化的研究中发挥着重要作用（Cheng等，2024；Wang等，2023）；GLC_FCS30产品作为全球覆盖的高分辨率土地覆盖产品，为精细化监测土地利用空间格局的变迁提供了有力手段（杨文杰等，2023）。然而，不同产品在分类方法、影像处理流程和输入数据源等方面存在的差异，导致分类结果在空间分布和分类精度上存在明显分歧，从而增加了用户在实际应用中的不确定性。

近年来，国内外针对不同的地表覆盖产品开展了大量的相关研究，包括精度评价、一致性评价，以及通过评价结果分析影响分类精度的因素等（Tsendbazar等，2021；仝冉等，2022；吴宗洋等，2023）。这为实际应用中地表覆盖产品的选择提供了重要参考。然而，现有研究多侧重于地表覆盖产品间的精度差异分析，例如，Kang等（2022）比较了三种10 m分辨率地表覆盖产品在我国西北地区的精度及空间分布模式差异；陈逸聪等（2021）对比了不同空间分辨率产品在长江三角洲的精度差异；宋宏利和张晓楠（2018）在全国尺度上对四种百米级地表覆盖产品进行了精度评价。对于如何整合不同产品的优势，构建兼具高精度与区域适应性的融合产品探讨较少。随着多源地表覆盖产品的广泛获取，融合不同产品的信息，以减少不一致性、提升分类精度，已成为提升地表信息质量的重要方向。例如，全球森林覆盖和土地利用动态观测（global observations of forest cover and land-use dynamics，GOFC-GOLD）项目、联合国粮食及农业组织（Food and Agriculture Organization of the United Nations，FAO）等共同合作，致力于融合两种或两种以上全球地表覆盖信息，以期获得精度更高的地表覆盖产品（Li等，2021）。白燕和冯敏（2018）基于模糊逻辑思想构建了证据融合方法，生成了一套全球1 km分辨率的土地覆盖融合数据集；但其较依赖植被物候等辅助数据，且语义规则定义的主观性会影响融合结果的客观性。Huang等（2022）提出了基于Dempster-Shafer证据理论的融合方法，利用原始产品各地表分类的生产者精度（producer’s accuracy，PA）、用户精度（user’s accuracy，UA）评价结果计算融合概率，并确定最终地类；但由于其仅以分类精度为依据，可能导致对少数地类或识别难度较高地类的忽略，从而影响整体地类结构的准确性。郝璇等（2024）从产品间一致性的角度出发，通过融合六套土地覆盖产品构建了广西地区的土地覆盖融合数据集；但未充分考虑不同产品在各地类上的分类精度差异，难以实现优势互补的最优融合。因此，当前仍需进一步探索兼具有效性与区域适应性的多源地表覆盖产品融合方法，以更好地支撑陆地过程相关研究与应用。

川滇生态屏障区不仅是我国重要的生态功能区，也是维持区域生态安全和碳平衡的重要屏障。该地区地形复杂，涵盖高山、峡谷等多种地形单元，植被类型随海拔变化发生显著变化（Takahashi和Murayama，2014）。此外，该地区常年云层覆盖使得区域的地表覆盖监测面临巨大挑战，也进一步加剧了不同地表覆盖产品在该区域的分类偏差。然而，当前尚无研究在该区域开展多源地表覆盖产品的验证，尤其缺乏针对如何融合多源产品以提高区域地表覆盖分类精度的深入探讨。因此，以川滇生态屏障区为研究区，本文构建一种兼顾一致性与精度的地表覆盖产品融合方法。通过评估CCI、CLCD、GLC_FCS30和MCD12Q1各单一产品，在不同地类上的空间一致性及分类精度，动态选取最优数据源，实现产品间的空间互补和精度提升。

2  数据和方法

2.1  研究区概况

川滇生态屏障区横跨云南和四川两省，地处云南西北部与四川中部之间（26°32′～34°19′N，98°03′～104°58′E），涵盖四川省的76个县（区）、云南省的17个县（区），总面积达23687km²，是我国生态安全格局中的核心区域之一（图1）。区域内高程自西南向东北逐渐降低，地质构造复杂，地貌类型多样，且气候带垂直分布显著，塑造出多样且复杂的自然生态景观（Han等，2015；Zhang等，2019）。该区复杂的自然条件和典型的生态梯度特征，使其成为开展多源地表覆盖产品融合研究的理想区域。

2.2  数据

2.2.1  地表覆盖产品

鉴于长时序地表覆盖数据在生态与环境研究中的广泛应用需求，选取四种具有代表性的地表覆盖产品，包括CCI、CLCD、GLC_FCS30和MCD12Q1。所选产品具有良好的空间分辨率代表性与典型的分类体系，且均为2020年数据，以保证时间一致性。地表覆盖产品参数见表1。

（1）CCI产品来源于ESA网站。该产品通过整合多个观测系统，包括MERIS（medium-resolution imaging spectrometer）、先进甚高分辨率辐射仪（advanced very high resolution radiometer，AVHRR）、SPOT-VGT、PROBA-V，获取全球每日地表反射率数据生成。以MERIS数据为基准，其他观测系统的数据用于检测和确认地表覆盖变化，并依据多年的稳定性标准确定变化后，最终生成了1992～2020年具有像元级不确定性值的300 m年度地表覆盖图。该产品遵循国际地圈–生物圈计划（international geosphere-biosphere program，IGBP），将全球地表划分为22个类别（Li等，2018）。

（2）CLCD 产品来源于Zenodo网站。该产品通过整合从中国土地利用/覆盖数据集（China’s land-use/cover datasets，CLUDs）中提取的稳定样本和从卫星时间序列数据、Google Earth和Google Maps中视觉解译的样本，完成训练样本的收集；随后，基于335709幅Landsat影像构建多个时空度量指标，利用随机森林分类器、时空滤波和逻辑推理进行分类（Yang和Huang，2021）。

（3）GLC_FCS30来源于Zenodo网站。该产品通过对CCI_LC产品和MCD43A4 NBAR产品进行严格质量控制，构建了全球训练数据集。随后，结合Landsat影像光谱和纹理特征，采用局部自适应随机森林模型，生成具有精细分类体的土地利用基准图。该产品包含16种全球地表覆盖类型及14种详细区域地表覆盖类型（Zhang等，2021）。

（4）MCD12Q1 V6.1来源于美国陆面过程分布式数据存档中心（Land Processes Distributed Active Archive Center，LP DAAC）网站。该产品通过对MODIS Terra和Aqua反射率数据进行监督分类生成，采用IGBP的标准，并结合美国马里兰大学（University of Maryland，UMD）、叶面积指数（leaf area index，LAI）、植物功能型（plant functional types，PFTs）和FAO等分类方案，对分类结果进行补充（Friedl等，2010）。

由于上述四种地表覆盖产品的空间分辨率存在差异，为保证可比性，统一重采样至300m。其中，针对CLCD、GLC_FCS30产品，采用最大面积法进行重采样；针对MCD12Q1产品，采用最邻近法进行重采样。此外，由于上述四种产品采用的源数据和分类体系存在较大差异，为确保可行性，将待验证产品中的地表覆盖类型聚合为森林、草地、裸土、农田、城市和水体六类。表2详细列出了每个聚合后的类别及其对应的原始地表覆盖的类别编码。

2.2.2  验证数据集构建

为确保验证数据的科学性与代表性，首先基于四种产品的地表覆盖类别的平均比例构建分层抽样框架，按照上文所述六类地表覆盖类型的空间分布特征进行系统布点。为尽可能降低定位误差和解译误差对样本质量的影响，样本选取与解译过程遵循以下原则：①样本点至少为 1km×1km 均质区域的中心；②结合Google Earth（2019～2021年）和Sentinel-2号（2020年）的高清影像进行目视解译；③采用多人独立解译的方式，对于解译结果存在较大分歧且无法统一的样本，进行重新解译。实验共收集2011个验证数据，其中，森林1093个，草地401个，裸土189个，农田240个，城市64个，水体24个。验证数据的空间分布如图2所示。

2.3  研究方法

首先，对四种产品的空间一致性和各类别面积一致性进行分析，以评估不同地表覆盖产品在川滇生态屏障区的表现差异。其次，使用构建的验证样本对这些产品进行绝对精度评价。最后，基于评价结果，采用兼顾一致性与精度的融合策略，生成精度更高的地表覆盖融合产品；并对融合产品进行精度评价。

2.3.1  产品间一致性评价

空间一致性。空间一致性评价旨在量化地表覆盖产品在空间上的匹配程度及不确定性，对地表覆盖产品的质量评估至关重要。通过空间叠加分析，获取不同产品之间逐像元的空间对应关系，并依据相同的地表覆盖类型数量，将空间一致性程度依次划分为：①完全一致，四种产品分类结果均相同；②高度一致，三种产品分类结果相同；③低度一致，仅两种产品分类结果相同；④完全不一致，四种产品分类结果各不相同。

面积一致性。面积一致性评价旨在揭示不同地表覆盖产品在各地表覆盖类型面积构成上的一致性程度。通过计算产品中各类型所占比例，以反映不同产品对所在区域的总体刻画，并通过计算各类型面积估算结果的相关系数，来衡量产品间的面积一致性。相关系数越接近1，表示两种产品的面积一致性越强：

式中，R_XY为第X、Y两种地表覆盖产品间的面积相关系数；k为地表覆盖类型；X_k、Y_k分别为产品X、Y中土地覆盖类型k的面积，分别为地表覆盖产品X、Y中全部六类土地覆盖类型面积的平均值。

2.3.2  绝对精度评价

实验使用混淆矩阵和类型混淆分析，来量化四种产品的绝对精度。混淆矩阵是比较不同地表覆盖产品绝对精度的一个基本度量方法。实验生成四种地表覆盖产品与验证数据的混淆矩阵，并通过PA、UA、F1分数（F1 score，F1）、总体精度（overall accuracy，OA）和Kappa系数（Kappa）五个指标，以评估产品在川滇生态屏障区的分类精度。PA用于评估每个类别被正确识别的比例，反映漏分情况；UA用于评估分类结果中实际属于该类别的像元比例，反映错误分类或过度分类；F1是PA、UA的调和平均，用来综合评价分类结果的准确性和完整性，可避免过度关注某一类精度而忽视其他类别；OA表示所有正确分类样本占总样本数的比例，评估总体表现；Kappa考虑随机一致性，排除偶然正确分类的影响，更准确地评价分类可信度（Liu等，2007）：

式中，N为参与评价的样本总数；n为混淆矩阵中的行列数；X_ii为混淆矩阵中第i行第i列的样本数；X_i+和X+i分别为第i行、第i列的样本总数。

类型混淆分析旨在揭示不同数据集或分类结果之间的类别混淆情况。采用空间叠置方法，获得不同产品与样本对应像元的空间对应关系；随后，计算各类别像元的数量（面积），并与总像元数（总面积）进行比较，从而评估不同产品在验证数据上的混淆程度。通过类型混淆分析，可以识别在分类过程中哪些类别之间存在较大的混淆，哪些类别容易被误分类到其他类型，进而反映出不同类别之间的相似性或区分度。

2.3.3  多源地表覆盖产品融合

基于上文所述四种地表覆盖产品的空间一致性分析及绝对精度评价结果，构建一种兼顾一致性与精度的多源地表覆盖产品融合方法，以充分整合各产品在空间分布与分类精度上的互补优势，生成分类精度更高的地表覆盖产品。通过保留多产品间达成共识的分类信息，保证融合结果的空间一致性和可靠性；随后，通过引入各产品在不同地类上的F1作为置信度权重，在产品分类存在分歧时优选精度更高的类别，从而降低错误分类的风险，最终获得区域整体分类精度更高的融合产品。

具体流程主要包括以下两个关键步骤。

（1）对于四种产品分类完全一致、三种产品一致区域，或两种产品一致而另外两种产品不一致性区域，直接采纳多数一致的类别。这一策略可最大程度地保留各产品达成共识的可靠分类信息。

（2）当两种产品两两一致时，选择两种类别中F1较高的类别；当四种产品均不一致时，选择每个地表覆盖类别F1最高的产品类别。在产品分类不一致时，这能够优先保留精度更高的产品信息，减少误分类，提高分类结果的准确性。

3  结果分析

3.1  产品一致性分析

3.1.1  空间一致性

尽管不同产品在六类地表类型的分类结果上存在一定差异，但在空间分布上表现出较高的一致性，如图3所示。森林在所有产品中均占主导地位，广泛分布于研究区的大部分区域：草地主要分布在研究区的中部和北部地区。但不同产品在南部边缘地带存在较大差异；农田集中于低海拔平原区域，尤其是研究区的东部和西南部；裸土的分布面积较小，主要位于高山和干旱区域；城市和水体类型的分布区域相对集中且面积较小。此外，图4反映了研究区内四种地表覆盖产品的类别一致性空间分布特征，其中，直方图量化了一致性程度的比例分布情况。从空间分布看，完全一致和高度一致的区域主要集中于森林和草地覆盖区域，特别是在研究区的中北部和东部地区，占比分别为54.66%、9.73%。相反，低度一致、完全不一致的区域则分布于边缘地带及局部地表异质性较强的区域，主要表现为农田和裸土类别，占比分别为11.51%、24.11%。

3.1.2  面积一致性

不同产品各类别面积构成比例总体一致，产品间的面积相关系数均大于0.75，但具体数值上仍存在一定差异，见表3。四种产品均表明森林、草地、农田是研究区的主要地表覆盖类型，而城市、裸土、水体相对较少，但不同产品对不同土地覆被的面积判定存在较大差异。如图5（a）所示，在森林、农田、裸土类别上，CCI、MCD12Q1产品间的面积差异最大，分别高达7.64%、17.58%、1.25%。CLCD、MCD12Q1产品在草地、水体面积上差异最大，CLCD、GLC_FCS30产品在城市类别面积上差异最大。图5（b）进一步展示了四种产品各类别面积占比均值及其不确定性，四种产品间草地和农田的面积占比差异最为显著，标准差分别为4.8%、7.54%。

3.2  绝对精度评价分析

CCI产品在川滇生态屏障区的整体分类精度最优，OA值76.72%、Kappa值62.17%，明显高于CLCD产品的75.19%、57.89%，GLC_FCS30产品的73.74%、55.06%，以及MCD12Q1产品的73.3%、54.88%；但不同产品对各地表覆盖类型的具体分类精度差异明显，见表4。四种产品对森林的分类精度较为接近，其中，CCI产品在识别度上最为突出，UA值84.51%；而CLCD产品出现的漏分情况最少，PA值94.33%。四种产品对草地的分类精度普遍较低，仅CCI产品保持着相对优势，UA值67.92%、PA值68.91%。在农田分类中，MCD12Q1产品具有较高的准确性，UA值84.78%，而CCI、CLCD产品在漏分方面表现较好。在城市分类中，CLCD产品识别准确度最高，UA值90.32%；而CCI产品的漏分情况最少，PA值76.19%。MCD12Q1产品对水体的识别最为准确，但仍存在较大程度的漏分。然而，四种产品对裸土的分类均表现较差，漏分现象严重，PA值小于30%。此外，表5为四种地表覆盖产品在不同地表覆盖类型下的F1结果。CCI产品在森林、草地和城市分类上均获得了相对最高的F1，分别为86.87%、68.09%、78.05%；CLCD产品在农田分类上获得了最高的F1，结果为68.79%；GLC_FCS30、MCD12Q1产品分别在水体、裸土上获得最优的F1，分别为78.26%、41.15%。

在水体、森林分类中，除MCD12Q1产品对水体存在较高的误分率外，其他产品对这两类地物的识别精度普遍较高，混淆程度较低，识别率均大于或接近80%，如图6所示。在草地分类中，四种产品的识别率均超过50%，但除CCI产品外，其余产品普遍存在森林大量混入草地的情况。此外，草地与森林在其他分类中的混淆现象也较为突出。四种产品在裸土分类中均存在大量其他地表覆盖类别与之混淆。在农田分类中，CCI、CLCD产品的错分率都较低，但其他产品在分类中存在一定的混淆，主要表现为将草地、森林误分为农田。在城市分类中，大部分产品将农田、草地误判为城市，这与城市自身复杂的地理特征密切相关。总体而言，四种产品在森林、草地、农田的分类中存在明显的边界模糊和不同程度的混淆现象。

3.3  融合产品的精度验证分析

融合产品在保持与原始产品相似空间格局的基础上，展现出更为丰富和细致的地表信息，如图7所示。融合产品有效保留了GLC_FCS30、MCD12Q1产品在北部地区草地分布的局部特征，同时兼顾了CCI产品对农田的精细刻画与GLC_FCS30、MCD12Q1产品在农田完整性方面的优势。此外，融合产品提升了对南部中小城镇的识别能力，并在水体分类中实现了对大中型水体的完整表达与小型水体的精细刻画。从面积占比来看，融合产品中森林占比62.02%，处于原始产品估算占比55.46%～63.1%的上限，与CLCD产品的占比62.67%、MCD12Q1产品的占比63.1%最为接近；草地占比20.32%，介于CCI产品的18.92%、GLC_FCS30产品的25.14%之间，相较于MCD12Q1产品的占比26.98%更为保守；农田占比15.34%，显著高于GLC_FCS30产品的11.67%、MCD12Q1产品的6.8%，但低于CCI产品的24.38%（图5），体现了对原始产品差异的折中处理；而裸土、城市及水体占比仍相对较小，小于5%。

表6展示了融合产品的分类精度评估结果。整体来看，融合产品OA值81.34%、Kappa值69.01%，与原始四种产品相比，均有所提升，表明本文方法在提升分类准确性方面表现较好。具体地，森林、草地和城市分类精度提升最为明显，UA、PA值分别达到84.8%、68.42%、92.59%，96.98%、72.05%、81.97%，高于任一原始产品的结果（表4）。对于农田，融合产品实现了不同产品间的优势互补，整体精度也有所提升，UA值83.18%，接近最高的MCD12Q1产品的84.78%；PA值则达74.17%，逼近最高的CCI产品的79.62%。然而，融合产品在水体、裸土分类面临明显不足：对于水体，融合产品的PA值明显提高，达到86.36%，但UA值却有所降低；对于裸土，UA值达到了96.67%，但PA值仅为16.2%，仍偏低，究其原因，这与原始产品普遍存在的裸土漏分现象有关。此外，与原始四种产品相比，融合产品降低了各类别的混淆程度，如图8所示。森林混淆率已控制在5%以下；草地与其他类别混淆问题虽未完全解决，但相比GLC_ FCS30、MCD12Q1产品，混淆现象已有明显改善，特别是误将农田识别为草地的现象已基本消除；农田的识别效果相较于GLC_FCS30、MCD12Q1产品有明显提升，与森林、草地的混淆程度显著降低；与CLCD、GLC_FCS30、MCD12Q1产品相比，融合产品有效降低了城市与农田和草地的混淆程度；水体的分类效果提升最为显著，误分率明显低于CCI、MCD12Q1产品。然而，裸土的误分现象仍未得到改善。

4   讨  论

准确的地表覆盖信息是陆地过程研究的基础，然而，由于分类方法、输入数据源和模型等方面存在差异，不同地表覆盖产品在空间分布和分类精度上表现出显著差异。结果表明，CCI、CLCD、GLC_FCS30和MCD12Q1四种地表覆盖产品在川滇生态屏障区的空间分布具有较高的一致性，但在分类精度方面存在明显差异。

（1）中分辨率CCI产品的OA与Kappa系数，分别均优于CLCD、GLC_FCS30两种高分辨率产品的。这与陈逸聪等（2021）在长江三角洲区域发现的100 m分辨率产品的精度高于三种30 m分辨率产品的研究结果类似。究其原因：①空间分辨率与分类精度之间并非简单的线性正相关关系，高分产品虽具备更强的空间表达力，但在地形复杂、地表异质性强的区域易受混合像元和噪声干扰（Herold 等，2008）；②CCI产品融合了多源多时相数据，如MERIS、PROBA-V、Sentinel-3等，具有更高的时间分辨率和更强的抗云雾能力，且PROBA-V卫星所搭载对植被敏感的传感器提升了在植被覆盖度较高的川滇生态屏障区的刻画能力（Defourny等，2019；Verrelst等，2015）。

（2）在CLCD、GLC_FCS30两种高分辨率产品中，CLCD产品的OA更高。这与邵正艳等 （2024）发现的CLCD产品在淮河流域的OA高于GLC_FCS30产品一致。究其原因，CLCD产品作为面向我国区域开发的地表覆盖产品，训练样本的代表性更强，分类模型更适应我国地理特征和遥感特性，从而在我国区域具备更好的分类性能。此外，本文亦印证了已有研究（Zhao等，2023；Xu 等，2024）的发现，即不同产品在具体地表覆盖类型识别方面的差异性。例如，CLCD、GLC_FCS30产品在水体识别方面具有更高的精度，而CCI产品在森林、草地的分类上表现更为优越。产品间在特定类别上各具优势的特性，进一步凸显了开展多源地表覆盖产品融合研究的必要性。

5  结  论

由于分类方法和输入数据源等差异，不同地表覆盖产品在特定区域的分类结果存在明显分歧。而多源地表覆盖产品的融合是充分发挥各产品优势、提升分类精度的关键方法。本文以川滇生态屏障区为研究区，基于CCI、CLCD、GLC_FCS30和MCD12Q1各产品，在不同地类上的空间一致性及分类精度评估结果，以产品间的一致性和分类精度（F1）为依据，提出了一种兼顾一致性与精度的地表覆盖产品融合方法。结果显示，四种产品在空间上具有较高的一致性，然而不同产品在不同地类上的分类精度差异明显。其中，CLCD产品在水体识别方面更具优势；GLC_FCS30产品对裸土的识别效果最为突出；MCD12Q1产品虽存在一定漏分现象，但在水体划分上仍具有较高精度；CCI产品在森林、草地的识别上漏分较少。生成的川滇生态屏障区融合产品与原始四种产品具有相似的空间分布格局，且展现出更为丰富和细致的地表信息。此外，融合产品的OA值提升至81.34%、Kappa值达69.01%，且在森林、草地等地类上的精度均优于原始四种产品，并有效降低了各地表覆盖类型间的混淆程度。本文所提出的融合方法同时考虑了用户与生产者需求，且在融合过程中避免了对外部数据的强依赖，减少了人为干预的主观性，展现出了较高的实用性与可靠性，为提升川滇生态屏障区地表覆盖信息的准确表达提供了更为可靠的技术支撑。

本研究亦存在以下不足，尽管通过六类地物分类体系标准化实现了产品间可比性，但原始产品的预设分类标准差异可能仍会影响融合结果；虽然融合产品的分类精度有所提升，但仍有进一步的优化空间，可见，目前复杂地形、异质性地表及频繁云雾等仍是制约地表覆盖产品质量的主要因素；当前分析仅基于单一时间数据，尚未探讨多时相产品在时间一致性与动态监测方面的性能。因此，未来研究可从以下方向进行突破：在源数据预处理阶段引入地形校正和阴影处理技术，并结合时序特征约束分类结果，以有效削弱地形起伏对影像辐射特性的干扰，增强模型对复杂动态环境的适应能力；进一步探索跨时空尺度的多源地表覆盖数据智能融合方法，以提升融合产品的分类精度。

参考文献（References）

白燕, 冯敏. 2018. 全球尺度多源土地覆被数据融合与评价研究. 地理学报, 73(11): 2223-2235[Bai Y, Feng M. 2018. Data fusion and accuracy evaluation of multi-source global land cover datasets. Acta Geographica Sinica, 73(11): 2223-2235 (in Chinese)]

陈逸聪, 邵华, 李杨. 2021. 多源土地覆被产品在长三角地区的一致性分析与精度评价. 农业工程学报, 37(6): 142-150[Chen Y C, Shao H, Li Y. 2021. Consistency analysis and accuracy assessment of multi-source land cover products in the Yangtze River Delta. Transactions of the Chinese Society of Agricultural Engineering, 37(6): 142-150 (in Chinese)]

郝璇, 贾国强, 邱玉宝, 马姜明. 2024.2000、2010和2020年中国广西土地利用/土地覆盖融合数据集. 中国科学数据, 9(2): 71-84[Hao X, Jia G Q, Qiu Y B, Ma J M. 2024. A dataset of land use/land cover fusion in Guangxi, China in 2000, 2010 and 2020. China Scientific Data, 9(2): 71-84 (in Chinese)]

刘宇承, 罗芳, 杜清运, 黄文丽, 石仪玮. 2023. 深圳市宝安区土地利用遥感分类方法对比分析. 时空信息学报, 30(4): 491-499[Liu Y C, Luo F, Du Q Y, Huang W L, Shi Y W. 2023. Comparative analysis of remote sensing classification methods for land use in Bao’an District, Shenzhen. Journal of Spatio-temporal Information, 30(4): 491-499 (in Chinese)]

吕嘉程, 陈斐, 仲尹文, 谭竟. 2023. IPCLRC约束的时序地表覆盖数据不一致探测. 时空信息学报, 30(4): 622-630[Lyu J C, Chen F, Zhong Y W, Tan J. 2023. Inconsistent detection of IPCLRC constrained temporal surface cover data. Journal of Spatio-temporal Information, 30(4): 622-630 (in Chinese)]

潘琛, 顾建祥, 岳照溪. 2024. 基于高光谱影像的长三角一体化示范区典型区域植被类型分类. 时空信息学报, 31(6): 698-709[Pan C, Gu J X, Yue Z X. 2024. Vegetation classification in typical areas of the demonstration zone of integrated regional development of Yangtze River Delta based on hyperspectral satellite images. Journal of Spatio-temporal Information, 31(6): 698-709 (in Chinese)]

邵正艳, 李南南, 尤慧, 李鑫川. 2024. 多种土地覆被产品一致性分析与精度评价—— 以淮河流域为例. 现代农业科技,(7): 170-175[Shao Z Y, Li N N, You H, Li X C. 2024. Consistency analysis and accuracy evaluation of multiple land cover products: Taking the Huai River Basin as an example. Modern Agricultural Science and Technology, (7): 170-175 (in Chinese)]

宋宏利, 张晓楠. 2018. 国家尺度异源土地覆被遥感产品精度评价. 国土资源遥感, 30(3): 26-32[Song H L, Zhang X N. 2018.    Precision validation of multi-sources land cover products derived from remote sensing. Remote Sensing for Land & Resources, 30(3): 26-32 (in Chinese)]

仝冉, 杨雅萍, 陈晓娜. 2022. 多源30 m分辨率土地覆被数据在蒙古高原的一致性分析和精度评价. 地球信息科学学报, 24(12): 2420-2434[Tong R, Yang Y P, Chen X N. 2022. Consistent analysis and accuracy evaluation of multisource land cover datasets in 30 m spatial resolution over the Mongolian Plateau. Journal of Geo-Information Science, 24(12): 2420-2434 (in Chinese)]

吴宗洋, 蔡卓雅, 郭英, 王彦芳. 2023. 黄河流域多源遥感土地覆被数据精度评价与一致性分析. 中国生态农业学报(中英文), 31(6): 917-927[Wu Z Y, Cai Z Y, Guo Y, Wang Y F. 2023. Accuracy evaluation and consistency analysis of multi-source remote sensing land cover data in the Yellow River Basin. Chinese Journal of Eco-Agriculture, 31(6): 917-927 (in Chinese)]

杨文杰, 何华贵, 杜剑光. 2023. 基于土地利用变化的广州国土空间格局优化研究. 时空信息学报, 30(1): 111-117[Yang W J, He H G, Du J G. 2023. Optimization of Guangzhou’s territorial space pattern based on land use changes. Journal of Spatio-temporal Information, 30(1): 111-117 (in Chinese)]

张金华, 仇培元, 邢华桥, 冯永玉. 2024. 面向地表覆盖处理服务的知识图谱建模方法研究. 时空信息学报, 31(5): 641-651[Zhang J H, Qiu P Y, Xing H Q, Feng Y Y. 2024. A method for construction of knowledge graph for land cover processing services. Journal of Spatio-temporal Information, 31(5): 641-651 (in Chinese)]

Cheng K, Yang H T, Tao S L, Su Y J, Guan H C, Ren Y, Hu T Y, Li W K, Xu G C, Chen M X, Lu X C, Yang Z K, Tang Y H, Ma K P, Fang J Y, Guo Q H. 2024. Carbon storage through China’s planted forest expansion. Nature Communications, 15(1): 4106

Defourny P, Bontemps S, Bellemans N, Cara C, Dedieu G, Guzzonato E, Hagolle O, Inglada J, Nicola L, Rabaute T, Savinaud M, Udroiu C, Valero S, Bégué A, Dejoux J F, El Harti A, Ezzahar J, Kussul N, Labbassi K, Lebourgeois V, Koetz B. 2019. Near real-time agriculture monitoring at national scale at parcel resolution: Performance assessment of the Sen2-Agri automated system in various cropping systems around the world. Remote Sensing of Environment, 221: 551-568

Friedl M A, Sulla-Menashe D, Tan B, Schneider A, Ramankutty N, Sibley A, Huang X M. 2010. MODIS collection 5 global land cover: Algorithm refinements and characterization of new datasets. Remote Sensing of Environment, 114(1): 168-182

Han J, Shen Z H, Ying L X, Li G X, Chen A P. 2015. Early post-fire regeneration of a fire-prone subtropical mixed Yunnan pine forest in Southwest China: Effects of pre-fire vegetation, fire severity and topographic factors. Forest Ecology and Management, 356: 31-40

Herold M, Mayaux P, Woodcock C E, Baccini A, Schmullius C. 2008. Some challenges in global land cover mapping: An assessment of agreement and accuracy in existing 1 km datasets. Remote Sensing of Environment, 112(5): 2538-2556

Huang A Q, Shen R P, Li Y Q, Han H M, Di W L, Hagan D F T. 2022. A methodology to generate integrated land cover data for land surface model by improving dempster-shafer theory. Remote Sensing, 14(4): 972

Jung M, Schwalm C, Migliavacca M, Walther S, Camps-Valls G, Koirala S, Anthoni P, Besnard S, Bodesheim P, Carvalhais N, Chevallier F, Gans F, Goll D S, Haverd V, K?hler P, Ichii K, Jain A K, Liu J Z, Lombardozzi D, Nabel J E M S, Nelson J A, O’Sullivan M, Pallandt M, Papale D, Peters W, Pongratz J, R?denbeck C, Sitch S, Tramontana G, Walker A, Weber U, Reichstein M. 2020. Scaling carbon fluxes from eddy covariance sites to globe: Synthesis and evaluation of the FLUXCOM approach. Biogeosciences, 17(5): 1343-1365

Kang J M, Yang X M, Wang Z H, Cheng H B, Wang J, Tang H T, Li Y, Bian Z P, Bai Z L. 2022. Comparison of three ten meter land cover products in a drought region: A case study in northwestern China. Land, 11(3): 427

Li W, MacBean N, Ciais P, Defourny P, Lamarche C, Bontemps S, Houghton R A, Peng S S. 2018. Gross and net land cover changes in the main plant functional types derived from the annual ESA CCI land cover maps (1992–2015). Earth System Science Data, 10(1): 219-234

Li Y T, Li Z L, Wu H, Zhou C H, Liu X Y, Leng P, Yang P, Wu W B, Tang R L, Shang G F, Ma L L. 2023. Biophysical impacts of earth greening can substantially mitigate regional land surface temperature warming. Nature Communications, 14: 121

Li Z, White J C, Wulder M A, Hermosilla T, Davidson A M, Comber A J. 2021. Land cover harmonization using latent Dirichlet allocation. International Journal of Geographical Information Science, 35(2): 348-374

Liu C R, Frazier P, Kumar L. 2007. Comparative assessment of the measures of thematic classification accuracy. Remote Sensing of Environment, 107(4): 606-616

Liu X P, Huang Y H, Xu X C, Li X C, Li X, Ciais P, Lin P R, Gong K, Ziegler A D, Chen A P, Gong P, Chen J, Hu G H, Chen Y M, Wang S J, Wu Q S, Huang K N, Estes L, Zeng Z Z. 2020. High-spatiotemporal-resolution mapping of global urban change from 1985 to 2015. Nature Sustainability, 3(7): 564-570

Liu Y B, Han M, Wang M, Fan C, Zhao H. 2022. Habitat quality assessment in the Yellow River Delta based on remote sensing and scenario analysis for land use/land cover. Sustainability, 14(23): 15904

Pacheco Quevedo R, Velastegui-Montoya A, Montalván-Burbano N, Morante-Carballo F, Korup O, Daleles Rennó C. 2023. Land use and land cover as a conditioning factor in landslide susceptibility: A literature review. Landslides, 20(5): 967-982

Sun Z C, Du W J, Jiang H P, Weng Q H, Guo H D, Han Y M, Xing Q, Ma Y X. 2022. Global 10-m impervious surface area mapping: A big earth data based extraction and updating approach. International Journal of Applied Earth Observation and Geoinformation, 109: 102800

Takahashi K, Murayama Y. 2014. Effects of topographic and edaphic conditions on alpine plant species distribution along a slope gradient on Mount Norikura, central Japan. Ecological Research, 29(5): 823-833

Tsendbazar N, Herold M, Li L, Tarko A, de Bruin S, Masiliunas D, Lesiv M, Fritz S, Buchhorn M, Smets B, Van De Kerchove R, Duerauer M. 2021. Towards operational validation of annual global land cover maps. Remote Sensing of Environment, 266: 112686

Verrelst J, Camps-Valls G, Mu?oz-Marí J, Rivera J P, Veroustraete F, Clevers J G P W, Moreno J. 2015. Optical remote sensing and the retrieval of terrestrial vegetation bio-geophysical properties–A review. ISPRS Journal of Photogrammetry and Remote Sensing, 108: 273-290

Wang X, Li S J, Wang L P, Zheng M, Wang Z M, Song K S. 2023. Effects of cropland reclamation on soil organic carbon in China’s black soil region over the past 35 years. Global Change Biology, 29(18): 5460-5477

Xu P P, Tsendbazar N E, Herold M, de Bruin S, Koopmans M, Birch T, Carter S, Fritz S, Lesiv M, Mazur E, Pickens A, Potapov P, Stolle F, Tyukavina A, Van De Kerchove R, Zanaga D. 2024. Comparative validation of recent 10 m-resolution global land cover maps. Remote Sensing of Environment, 311: 114316

Yang J, Huang X. 2021. The 30m annual land cover dataset and its dynamics in China from 1990 to 2019. Earth System Science Data, 13(8): 3907-3925

Zhang J L, Lu C, Xu H, Wang G X. 2019. Estimating aboveground biomass of Pinus densata-dominated forests using Landsat time series and permanent sample plot data. Journal of Forestry Research, 30(5): 1689-1706

Zhang X, Liu L Y, Chen X D, Gao Y, Xie S, Mi J. 2021. GLC_FCS30: Global land-cover product with fine classification system at 30m using time-series Landsat imagery. Earth System Science Data, 13(6): 2753-2776

Zhao T T, Zhang X, Gao Y, Mi J, Liu W D, Wang J Q, Jiang M H, Liu L Y. 2023. Assessing the accuracy and consistency of six fine-resolution global land cover products using a novel stratified random sampling validation dataset. Remote Sensing, 15(9): 2285