地表覆盖数据精度评价方法研究进展

陈斐，张志伟

东华理工大学测绘与空间信息工程学院，南昌 330013

摘  要：地表覆盖数据的精度评价是其参与气候、生态等生物地球化学循环研究的前提，也是生产过程中必不可少的环节。本文通过回顾地表覆盖数据精度评价方法的发展历程，系统梳理目前主要的地表覆盖数据精度评价方法，主要包括抽样方法、样本属性检验方法、精度指标计算方法。在现有地表覆盖数据验证案例中，样本数量的计算更加倾向基于统计理论的分析与推算，样本的空间布设方法也更多顾及地表覆盖的空间异质性与空间相关性。地表覆盖验证中的样本属性检核多通过Google Earth、实景照片、网络开源数据集进行目视解译或语义转换，并进行多空间尺度样本检验、多分类属性检验及样本可信度分级检验。精度评价的指标主要基于混淆矩阵与加权混淆矩阵，推算出总体精度、用户精度、生产者精度等常规指标，并进一步扩展出分配差异、数量差异、F1分数等指标，更加多元化。通过梳理近些年地表覆盖数据精度评价方法的必要性、主要技术环节及实践案例，以期为地表覆盖精度评估提供系统性参考。

关键词：地表覆盖；精度评价；抽样；样本采集；分类误差

引用格式：陈斐, 张志伟. 2025. 地表覆盖数据精度评价方法研究进展. 时空信息学报, 32(6): 630-640
 Chen F, Zhang Z W. 2025. Research progress on accuracy assessment methods for land cover data. Journal of Spatio-temporal Information, 32(6): 630-640, doi: 10.20117/j.jsti.202506008

1  引  言

地表覆盖是地球表面各种覆盖物及其特征的综合体，反映地球表面物质类型的分布状况和演化过程，主要包括地表植被、冰川、湖泊、沼泽湿地及各种建筑物（Chen等，2017）。地表覆盖数据及变化是粮食安全、温室气体排放、生态系统结构和功能、水资源循环与再分配、生物地球化学循环等领域研究中的重要基础数据（Lin等，2021；Karimi等，2025；陈宇佳等，2023；张金华等，2024）。20世纪90年代，不同国家及不同组织生产了多套全球地表覆盖数据，主要空间分辨率在250 m至1 km（Grekousis等，2015）。2010年后，开始研制10~30 m级地表覆盖产品，代表性产品有GlobeLand30、FROM_GLC、GLC_FCS30、ESRI 全球土地利用/覆盖数据集（Sentinel-2 10m land use/land cover）、FROM_GLC10、ESA WorldCover 2020/2021等（Chen等，2015；Gong等，2013；Zhang等，2021）。

受生产技术影响，地表覆盖数据存在错分、漏分问题，直接影响数据在后续应用中的效果。为确保后续应用的可靠性，对地表覆盖数据进行精度评价是其生产过程中必不可少的环节，也成为国内外遥感数据生产与应用的一个重要研究方向（Chen等，2021；吕嘉程等，2023）。早在20世纪70年代，有学者提出了通过抽取样本单元进行实地验证，建立混淆矩阵进行精度评价（Stehman，2019）；进入90年代，1 km尺度的大范围地表覆盖制图成果在多个领域得到应用，地表覆盖数据的精度评价方法也初步形成了框架与标准。这一阶段确认了遥感影像分类产品的质量元素主要包括分类精度与位置精度。其中，分类精度是指分配给像素的地表覆盖类型与“真实”类型之间的对应关系或符合“真值”的程度，正如Smits等（1999）所提出，地图上指定一个位置的地表覆盖类型与在地面上对应地点能找到这一类型的概率。位置精度是几何校正图像的精度，通常用标准误差、残差、冗余等指标评估。地表覆盖精度评价主要是指分类精度评估，评价指标包括总体精度（overall accuracy，OA）、Kappa系数（Kappa）、生产者精度（producer accuracy，PA）与用户精度（user accuracy，UA）等多个指标（Congalton等，1998）。

在2010年之后生产的大范围地表覆盖数据的空间分辨率主要以10~30 m为主，与250 m至1 km分辨率的数据相比，能够更为精准、详尽地呈现地表覆盖的空间分布特征，具备更强的空间表征能力，并展示出更显著的空间异质性、空间相关性特征。当前的地表覆盖数据精度评价方法的研究也由20世纪以评价指标为主，逐步扩展到涉及评价过程的每一环节，即包括抽样方法、样本属性判断、多元化评价指标在内的多个环节。本文尝试梳理近些年地表覆盖数据精度评价方法的必要性、主要技术环节及实践案例，以期为地表覆盖精度评估提供系统性参考。

2  地表覆盖数据分类精度及其影响

2.1  分类误差的来源

地表覆盖遥感制图是利用航天航空遥感影像中所蕴含的丰富光谱、纹理特征及其时空关系，结合各种参考资料和相关知识，采用数理统计、交互解译等方法，提取其类型的属性信息和空间分布的过程（陈军等，2016；邢华侨等，2023）。在数据获取、预处理、样本采集、解译分类的制图过程中，存在多种导致分类误差的因素。

在数据获取环节，受环境干扰、信息获取设备和处理设备的影响，图像在传递过程中不可避免地带有误差（Congalton等，2014）。在数据预处理过程中，用于大气纠正的大气剖面数据估算值与真值之间也存在误差，给地表覆盖产品的可靠性留下了隐患（葛咏等，2004）。训练样本对地表覆盖的分类起着至关重要的作用，是模型学习、特征提取的基础，但在实际生产过程中训练样本可能会出现标签错误、噪声、不均衡等多种问题，会对模型的训练效果和最终分类结果产生消极影响。基于专家经验改进的自动分类方法对分析人员依赖性强、可重复性弱，用于大区域地表覆盖数据生产时存在较大的不确定性，受限于同物异谱和异物同谱现象，错分和漏分问题十分突出（宫鹏，2009；廖安平等，2014；冉有华和李新，2015）。

2.2  分类误差的影响

地表覆盖数据及变化是生态系统结构和功能、水资源循环与再分配等领域研究中的重要基础数据。地表覆盖的分类误差影响着地表覆盖分布面积的统计及以其作为基础数据的其他领域模型运算结果（Chen等，2017）。

1）面积统计影响

已有多篇文献论述了地表覆盖数据质量对面积统计结果的影响（吴亮等，2024；欧阳建婷等，2024；谢江流等，2025）。受分类误差影响，2010年河南省分别基于GlobeLand30（省内OA值81.51%）与GlobCover2009（省内OA值70.66%）的耕地面积相差32000 km²，比南阳市还要大（马京振等，2016）。类似的案例还有黄河流域草地面积统计，2010年黄河流域GlobeLand30与ESRI10的草地UA值相差12%，通过两个数据产品得出的草地面积相差155275 km²（Zhang等，2023）。这种差异性在全球尺度上更加严重，六套主流全球地表覆盖数据集得到的耕地面积在12亿~16亿hm²波动，差异幅度超过 30%（Tubiello等，2023）。

2）模型计算影响

地表覆盖数据是生物多样性、可持续资源利用和土壤碳储存研究的主要参数（Zhang等，2021）。地表覆盖数据分类误差会在计算模型中传播。在2010~2023年浙江省杭州市北部城西科创大走廊的碳储量变化研究中，依据CLCD数据估算的碳储量减少了1985.98 tC，而依据自分类地表覆盖数据估算的碳储量增加了1035.26 tC，估算值差距达3000 tC（詹远增等，2024）。这一现象还体现在景观指数计算中，如魏冲等（2025）利用GLC_FCS数据计算的鄱阳湖流域的斑块密度指数结果比CLCD、AVERAGE数据产品的大了一倍，且比CNLUCC数据产品的大了近10倍，边缘密度、周长面积分维数等其他十余种指数也存在较大的差异。此外，基于2006年美国国家地表覆盖数据集（National Land Cover Database，NLCD）原数据和基于混淆矩阵分类误差纠正的数据计算出的美国生态系统货币总值分别为11180亿美元/a、6000亿美元/a，最终结果相差了5180亿美元/a（Foody，2023）。地表覆盖分类误差在上述模型中的传播难以进行误差传播估算与量化，因此，对地表覆盖数据进行精度评价是保障其后续应用客观可靠的唯一手段。

3  地表覆盖精度评价方法

地表覆盖数据精度评价方法是指在地理空间上布设若干个有代表性的检验样本点，通过对样本点进行真实性检验，获得样本的混淆矩阵，继而推断数据的OA、PA、UA、Kappa系数等多元化指标（陈军等，2016；Tsendbazar等，2014）。这一方法具有严密的数学理论基础、可行性高，降低了参考数据的收集难度与成本，在大区域或全球地表覆盖数据精度评价中应用极广。其主要技术环节包括抽样、样本属性判断和精度指标计算等。

3.1  评价指标

3.1.1  常规评价指标

混淆矩阵，也称为误差矩阵或应变表，是目前地表覆盖数据精度评价的基础。混淆矩阵通常是行和列数量相等的二维数组，假设地表覆盖类型有m个，第i行第j列的数值n_ij是指在i分类的抽样单元在实地验证中表现为j类型的个数，如表1所示。利用混淆矩阵，可以计算OA、UA和PA、Kappa系数等常用精度评价指标。

OA是整个地图数据产品的综合描述，可以利用矩阵对角线与采样单元数量的比值来表示：

UA是指地图分类结果的像元个数与地表实际类别的正确率百分比。PA是指地表真实像元与遥感分类结果的正确率百分比。通过分析两种指标之间的关系，地图用户可以了解地图上各种类别的可靠性，生产人员可了解生成地图产品流程的性能。有

Kappa系数，是评估分类一致性的统计指标，通过混淆矩阵计算观测一致性与随机一致性的差异。自20世纪80年代被首次引入遥感分类产品的验证后，逐渐被广泛接纳，Kappa系数分析已成为精度评估的标准组成部分（Stehman，2019；Xie等，2022；Wang等，2018b；Stamenova和 Stamenov，2022）。有

其中，Kappa取值0~1，值越大表示数据结果的可靠性越高。特别地，Landis和Koch（1977）描述了Kappa统计值与分类质量之间的关系，大于0.6属于较好的水平。

3.1.2  加权混淆矩阵

在大区域地表覆盖数据验证过程中，通常将待验证的区域划分为不同的地理分区或分层，先在每一层级内进行抽样、样本判断和精度评价，最终将所有层级的精度评价结果汇总为OA评价。这样能更高效地组织样本点布设、数据采集和结果分析。在实际精度评价过程中，每一分区或层级中的抽样概率不同，针对这一不平衡入样概率情况，通常应用加权混淆矩阵，即引入权重来考虑不同类别、层级、区域的重要性或样本量的差异，从而提供更全面的评价分析（Olofsson等，2013）。重要性程度的权重通常被转换为地理分区的面积比例、层级的面积比例等参数（Wang等，2018b；Chen等，2024）。基于面积无偏纠正的加权混淆矩阵为

式中，w_i为某一区域内划分为i分区（分层）的面积与该区域总面积的比例，即该层像素总数量N_i与全验证区域内各层像素数量之和的比值。通过面积无偏纠正的加权，表1中的混淆矩阵可以转换为表2中的面积比例加权混淆矩阵。有

依据表2计算基于面积加权修正后的总体精度、i类型的生产者精度，以及用户精度。有

通过计算基于各层的，最终计算总体精度的方差：

针对常用的二级分层抽样的加权混淆矩阵，可在第二级加权混淆矩阵的基础上进行面积比例加权汇总。假设验证区域第一次分层被划分为H层，第h层的加权混淆矩阵中第i 行、j列值为，第h层的面积与该区域总面积的比例为w_h，则第i行、j列汇总加权混淆矩阵：

3.1.3  衍生评价指标

为评价分类图和参考数据样本之间的差异性程度，Pontius和Millones（2011）提出了数量差异（或数量误差）Q、分配差异（或分配误差）A两个指数。其计算基础是基于样本比例修正的无偏混淆矩阵。将式（6）代入式（5），可求出，得到基于样本比例修正的无偏混淆矩阵。再根据式（12）~式（14）计算数量差异Q、分配差异A、总体差异D三个指标。这些指标细化了产生地表覆盖产品间不一致的原因，更有助于客观评价产品的可用性程度。

数量差异是指参考图与比较图之间的类别比例的差异数：

分配差异是指参考图与由类别空间配置不完全匹配所引起的比较图之间的差异量：

总体差异为数量差异和分配差异的总和：

另外，F1分数（F1 score，F1）指标也取得了较多的应用，代表了PA和UA之间的平衡性（Xu等，2024）：

3.2  抽样方法

检验样本抽样是指依据统计抽样学原理，在验证区域内选择若干有代表性的样本，是地表覆盖验证的第一个环节，影响着验证的准确性与客观性，主要任务包括样本数量计算与空间位置布设（Congalton，1991；Stehman 和 Foody，2019）。验证中抽样的基本原则主要包括概率原则、可行性原则、稀少类原则、空间异质性与空间相关性。概率原则是验证区域内每个像元或图斑都被抽取的概率（Tsendbazar等，2014）；可行性原则主要顾及验证的执行成本，成本与样本量成正比，因而样本量必须满足验证预算，过高的样本量往往无法实施（Stehman，2009）；稀少类原则是指面积占比极少的地类，在相同的入样概率下稀少类的样本数量极少，以至于无法进行客观的用户（生产者）精度评价，故而应增加其入样概率确保稀少类样本足量（Stehman等，2012）；空间异质性是指地表覆盖的固有属性，破碎、交错分布的地区分类更难、稳定性更差，相对于均质区域其需要布设更密集的样本才能确保相同的真实概率（陈斐等，2016）；空间相关性导致距离相近的两个样本之间相似性强、独立性差，样本应较为均衡的分散在验证区域的各处，避免小范围集中。

3.2.1  样本量计算

样本量计算方法主要包括验证成本法、专家经验法与统计公式法。验证成本法是依据验证预算与单个样本数据采集成本进行样本量估算。例如，全球地表覆盖验证样本数据库建立、全球地表覆盖产品GLC2000与Forest LC产品验证中都是采用这一方法（Olofsson等，2012；Zimmerman等，2013）。专家经验法是专家综合考虑地理复杂景观与验证成本，结合个人经验，给出一个主观的样本量。例如，全球地表覆盖产品DISCover、CCI、GLC- SHARE，国家级产品NLCD 2001（2006）精度评价案例中均采用专家经验法（Wickham等，2013；Latham等，2014）。统计公式法是基于统计抽样理论，根据置信区间、先验精度等参数估算样本量，理论基础严谨。例如，南非森林地表覆盖数据验证、希腊地区地表覆盖验证、GlobeLand30全球验证案例都采用这一方法（孟雯等，2015）。此外，常用样本量计算原理有经典抽样理论、基于验证可信度的推算、基于空间异质性修正可信度推算、多级分层抽样数量汇总等。

经典抽样理论是依据统计学理论，基于抽样数据的方差与结果可信度的样本量计算方法。在地表覆盖精度评价中常用简单随机抽样、分层随机抽样。简单随机抽样的样本量n基于样本方差s与绝对误差限d、总体数量N、标准正态分布的双侧α分位数t确定。有

当执行分层抽样时，n还可以由各层级地表覆盖所占的面积比例w_h、数据的方差s_h与OA的标准差确定（Zhang等，2021）：

基于验证的AQL（acceptance quality limit）计算样本量。AQL通常被定义为可接收的批数据的最大不合格品率，是验证的可靠性指标，在地表覆盖精度评价中可等同于数据生产过程中的最低精度要求（Wang等，2020）。有

式中，r为精度评价相对误差；μ为置信度α的查表结果。

在大区域地表覆盖数据验证过程中，常用多级分层抽样设计，依据各层级的地表覆盖数据分布情况先确认每一层级的样本数量n_h，最终汇总得

3.2.2  样本量类间分配

在计算样本量之后，有时需要进行样本量的类间分配。这一过程针对地表覆盖数据中各类型的PA与UA指标计算，应为每一个地类分配足量的样本数量。样本量类间分配是指将区域样本量依据面积、方差等因素，分配到验证区域的各地类中，得到每一地类样本量的过程。常用方法包括随机分配、比例分配、等量分配、经验分配、内曼分配、Power分配、景观指数（landscape index，LI）分配等。

随机分配是指根据样本所在位置的分类结果确定类型样本量。全球地表覆盖产品GLC2000、CCI、FROM-GLC的验证都采用了随机分配方案（Bontemps等，2010；Zhao等，2014），在二级或多级整群抽样过程中，样本空间位置确定方法是随机的，导致各地类的样本数量也是随机的。比例分配是依据地表覆盖分类数据的面积占比计算各类型样本量。全球地表覆盖数据产品GlobeLand30、GLC-SHARE都采用面积比例分配的（陈军等，2016，Padilla等，2015）。上述两种方法往往会导致稀少类样本量不足的问题。等量分配即平均分配。全球地表覆盖数据IGBP验证中采用这一方案，全球样本量只有370多个，平均分配到15个类型中，以确保每一地类样本量充足、精度评价结果可靠。经验分配依据专家经验设置最小样本量或直接设置地类样本量，如美国地表覆盖数据产品NLCD 2001（2006）验证、全球样本库建立案例均采用这一方案。

内曼分配依据各类型的数据方差与占比进行样本量分配。假设地表覆盖数据共有m个地类，地类k的样本量n_k的大小取决于地类面积比例w_k、地类方差s_k与样本总量n，有

Power分配是内曼分配的变形，通过幂指数a降低式（20）中的地类面积比例w_k的重要性，增强方差在类间分配的作用，有

将式（20）、式（21）中的s_k替换为地类的景观指数LI_k，则形成了顾及空间异质性的类型分配（陈斐等，2016）：

在分层抽样理论中，样本量分配可以依据各层的预期精度或先验精度，其值可以是先验精度、生产标准精度等。有

3.2.3  样本空间布设

样本空间布设主要包括分层随机布样、二级整群布样及两者的改进抽样方法。其中，分层随机布样中采样地类分层与地理分层，如依据正六边形、规则网格、行政区域、生态区划分层。全球地表覆盖数据产品DISCover、GlobCover、FROM-GLC、GLC-SHARE与国家级地表覆盖数据产品NLCD 2006都采用地类或等面积网格分层随机布样方法（Wickham等，2013）。二级整群布样将验证区域划分为若干个互不交叉、互不重复的集群，随后将集群作为初级抽样单元，进而在选中的集群中以像元或图斑作为二级抽样单元进行二次抽样。CCI、NLCD 2001、GlobeLand30中国区域的验证都采用了这一方案布设样本。近年来，又发展出了顾及空间异质性的抽样方法，如结合景观指数的空间均衡布设方法（Xie等，2022）、基于景观形状指数（landscape shape index，LSI）的地表覆盖样本布设方法（陈斐等，2016；Stamenova和 Stamenov，2022）、结合Shannon Weaver 指数的空间布设、基于气候–人口密度和景观一致性约束的等面积分层随机抽样（Liu等，2024）等方法。

3.3  样本属性判断

样本参考数据收集与属性判断是根据参考数据采集样本对应地点的真实地面类型，从而判断样本分类是否正确的过程，也是精度评价过程中耗时最长、费用支出最大的环节。早期的地表覆盖数据产品DISCover、GLC2000数据验证采用Landsat、SPOT影像，MODIS验证采用训练样本进行评价。随着WebGIS技术发展，Google Earth提供了便捷、廉价的高分影像，全球地表覆盖数据产品GlobCover、CCI、GLC-SHARE、GlobCover、FROM- GLC、GlobeLand30的验证都是基于Google Earth高分辨率影像进行专家目视解译采集样本数据。除了高分辨率影像外，现存的高质量地表覆盖数据也是重要参考数据之一。参考数据选取应遵循年份相近、季节相同、高空间分辨率、高几何精度、语义属性兼容、数据权威的原则。

1）多尺度属性判断

样本单元多尺度采集检核是指，针对地表覆盖数据生产过程中地图综合制图所导致的小面积地类合并到相邻基质地类的情况，在样本所在点，设定多空间尺度的样本单元进行样本属性采集与检核。以高分辨率影像为参考数据时，如果样本评估单元对应30 m×30 m像素的区域，同时采集该地点30 m×30 m、100 m×100 m或300 m×300 m尺度下的地表覆盖属性（Stamenova和Stamenov，2022；Wang等，2018a）。如图1所示，样本在30 m尺度上显示的是耕地，在300 m尺度上显示的是林地。

在地表覆盖数据产品生产过程中，耕地、林地的最小图斑提取标准多为6个像素×6个像素或8个像素×8个像素，甚至可能是10个像素×10个像素。因此，在进行样本像素的属性判读时，可在多个尺度上进行多尺度属性判断。当参考数据为其他地表覆盖数据时，样本单元的属性判读可以通过设置不同尺度的缓冲区，再进行多尺度的样本属性判断（Brovelli等，2015）。

2）多语义属性判断

多级语义匹配是指依据参考数据采集到的样本属性与待验证地表覆盖数据的属性之间无法进行一对一的匹配，采取多对一匹配。例如，依据高分辨率影像通过目视解译采集样本所在的地面属性时，有些样本处于两个地表覆盖类型的过渡区，是混合像元，无法将样本归属为其中一个地类，仅能标注为两个地类的混合，在样本真实性检核时进行多对一匹配（Wang等，2018a）。其他地表覆盖数据作为参考数据时，不同地表覆盖数据的分类体系之间存在较大差异，有时无法在两个分类体系之间进行一对一的转换，只能执行多对一或多对多的类型转换（Brovelli等，2015）。

3）属性判断可信度分级

样本单元属性判断时，鉴于有些样本单元的参考数据可能存在空间分辨率低、云污染等情况，判读专家难以准确确定样本的属性。此时可将样本判读的结果进行可信度分级，即对样本判读的信任程度进行分级，通常可分为明确、无法判断、明确多语义、缺失，或完全正确、完全错误、无法判断、空白等多种定义。可信度分级能消除影响最终准确性评估的潜在错误判定样本，从而保证地表覆盖数据验证的可信度（赵昂，2018）。

4  发展现状

分析近些年地表覆盖数据验证的实际案例（表3）。针对30 m尺度上重要的地表覆盖数据产品GlobeLand30、GLC_FCS30、FROM-GLC，不同专家在不同地区开展了多次严密的精度评价。目前，10 m与30 m空间分辨率地表覆盖数据集的精度评价过程中，研究内容贯穿抽样设计、样本判定、评价指标、评价结果讨论全过程。地表覆盖精度评价现状可以概括为以下两点。

（1）抽样方法设计多样化。相较于低分辨率地表覆盖数据集，10~30 m地表覆盖数据表现出了更细致的地表情况，体现了更强的空间异质性与空间相关性。1 km尺度上地表覆盖数据集的验证多采用分层随机抽样与二级整群抽样。但近些年许多中分辨率地表覆盖数据集验证案例中的抽样设计会顾及空间异质性与空间相关性，进行相关的指数计算、定量分析与地理分层设计。因此，抽样方法也日趋多样化。

（2）精度评价指标多元化。目前验证案例中，除传统的OA、UA、PA、Kappa系数之外，还进行了多元化的延伸，如许多地表覆盖数据精度评价时使用数量差异、分配差异，在进行多级空间抽样样本混淆矩阵合并时，使用加权混淆矩阵进行无偏纠正。此外，针对评价指标Kappa系数局限性的争议与探讨一直存在（Pontius 和 Millones，2011；Foody，2020）。然而，其在当前验证案例中仍常见。

5  结  语

随着遥感技术发展，地表覆盖数据空间分辨率得到了较大的提升，但分类过程中的误差会直接导致基于数据的面积统计偏差和模型计算失真，精度评价是确保其参与气候、生态、水资源等生物地球化学循环研究可靠性的必要前提。当前精度评价已形成以?抽样设计、样本属性判断、精度指标计算?为核心的技术体系。抽样设计通常在抽样统计理论基础上，顾及空间数据的异质性与相关性；样本属性判断通过多尺度和多语义匹配方法确保客观性；评价指标除基于混淆矩阵的总体精度、用户精度、生产者精度和Kappa系数之外，还扩展出了?加权混淆矩阵?、数量差异、分配差异和F1分数等多元化指标。总之，地表覆盖精度评价的核心使命始终在于进行标准化、过程化的深度融合，以保障地表覆盖数据产品能可靠服务于生态安全、国土治理与气候变化应对等重大决策。

随着遥感应用的快速发展和全球环境监测的迫切需求，地表覆盖数据生产正朝着高空间分辨率、高时间分辨率方向发展，精度评价研究正面临前所未有的机遇与挑战。未来研究应在理论创新、方法融合等方面协同推进，以应对高分辨率、长时间序列地表覆盖数据的评价需求。

参考文献（References）

陈斐, 陈军, 武昊, 侯东阳, 张委伟, 张俊, 周晓光, 陈利军. 2016. 基于景观形状指数的地表覆盖检验样本自适应抽样方法. 中国科学: 地球科学, 46(11): 1413-1425[Chen F, Chen J, Wu H, Hou D Y, Zhang W W, Zhang J, Zhou X G, Chen L J. 2016. A landscape shape index-based sampling approach for land cover accuracy assessment. Science China Earth Sciences, 46(11): 1413-1425 (in Chinese)]

陈军, 陈晋, 廖安平. 2016. 全球地表覆盖遥感制图. 北京: 科学出版社[Chen J, Chen J, Liao A P. Remote Sensing Mapping of Global Land Cover. Beijing: Science Press (in Chinese)]

陈宇佳, 张俊, 张平, 王陈哲, 况玮婕, 陈炯宾. 2023. 面向联合国SDG15.3.1的2000~2020年京津冀地区土地退化评估. 时空信息学报, 30(4): 560-573[Chen Y J, Zhang J, Zhang P, Wang C Z, Kuang W J, Chen J B. 2023. Land degradation assessment in Beijing-Tianjin-Hebei region from 2000 to 2020 for SDG15.3.1. Journal of Spatio-temporal Information, 30(4): 560-573 (in Chinese)]

葛咏, 王劲峰, 梁怡, 马江洪. 2004. 遥感信息不确定性研究. 遥感学报, 8(4): 339-348[Ge Y, Wang J F, Liang Y, Ma J H. 2004. Study on the uncertainty of remote sensing information. Journal of Remote Sensing, 8(4): 339-348 (in Chinese)]

宫鹏. 2009. 基于全球通量观测站的全球土地覆盖图精度检验. 自然科学进展, 19(7): 754-759[Gong P. 2009. Accuracy test of global land cover map based on global flux observation station. Progress in Natural Science, 19(7): 754-759 (in Chinese)]

廖安平, 陈利军, 陈军, 何超英, 曹鑫, 陈晋, 彭舒, 孙芳蒂, 宫鹏. 2014. 全球陆表水体高分辨率遥感制图. 中国科学: 地球科学, 44(8): 1634-1645[Liao A P, Chen L J, Chen J, He C Y, Cao X, Chen J, Peng S, Sun F D, Gong P. 2014. High-resolution remote sensing mapping of global land surface water bodies. Science China Earth Sciences, 44(8): 1634-1645 (in Chinese)]

马京振, 孙群, 肖强, 温伯威. 2016. 河南省GlobeLand30数据精度评价及对比分析. 地球信息科学学报, 18(11): 1563-1572[Ma J Z, Sun Q, Xiao Q, Wen B W. 2016. Accuracy assessment and comparative analysis of GlobeLand30 dataset in Henan province. Journal of Geo-Information Science, 18(11): 1563-1572 (in Chinese)]

孟雯, 童小华, 谢欢, 王振华. 2015. 基于空间抽样的区域地表覆盖遥感制图产品精度评估——以中国陕西省为例. 地球信息科学学报, 17(6): 742-749[Meng W, Tong X H, Xie H, Wang Z H. 2015. Accuracy assessment for regional land cover remote sensing mapping product based on spatial sampling: A case study of Shaanxi province, China. Journal of Geo-Information Science, 17(6): 742-749 (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)]

欧阳建婷, 许铭宇, 陈平. 2024.2013—2022年G市土地利用/覆被变化分析. 安徽农学通报, 30(21): 66-70[Ouyang J T, Xu M Y, Chen P. 2024. Analysis of land use/cover change in G city from 2013 to 2022. Anhui Agricultural Science Bulletin, 30(21): 66-70 (in Chinese)]

冉有华, 李新. 2015. 全球第一个综合高分辨率土地覆盖图——中国30 m分辨率全球土地覆盖图评述. 中国科学: 地球科学, 45(8): 1243-1244[Ran Y H,Li X. 2015. First comprehensive fine-resolution global land cover map in the world from China—Comments on global land cover map at 30 m resolution. Science China Earth Sciences, 45(8): 1243-1244 (in Chinese)]

魏冲, 董晓华, 马耀明, 彭涛, 喻丹, 冷梦辉. 2025. 多源土地利用数据下景观格局对径流-泥沙影响的不确定性——以鄱阳湖区虎山流域为例. 生态学报, 45(3): 1102-1115[Wei C, Dong X H, Ma Y M, Peng T, Yu D, Leng M H. 2025. Uncertainty analysis on the effects of landscape pattern on runoff and sediment using multi-source land use data: A case study in the Hushan river basin of the Poyang Lake regions. Acta Ecologica Sinica, 45(3): 1102-1115 (in Chinese)]

吴亮, 王瑛, 杨霞, 董草, 曾双贝, 苏晓毅, 庞磊. 2024. 云南省近20年间地表覆盖变化及其对自然保护地体系构建影响研究. 安徽农业科学, 52(1): 45-50[Wu L, Wang Y, Yang X, Dong C, Zeng S B, Su X Y, Pang L. 2024. Study on the change of surface cover in Yunnan province in recent 20 years and its influence on the construction of nature reserve system. Journal of Anhui Agricultural Sciences, 52(1): 45-50 (in Chinese)]

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 (in Chinese)]

邢华桥, 刘畅, 王海航, 张金华. 2023. 知识驱动的地表覆盖服务加权复杂网络构建及应用. 时空信息学报, 30(3): 367-376 [Xing H Q, Liu C, Wang H H, Zhang J H. 2023. Knowledge-driven land cover service weighted complex network construction and application. Journal of Spatio-temporal Information, 30(3): 367-376(in Chinese)]

詹远增, 王兴坤, 马彦, 冯存均, 周伟, 邓小渊, 徐盼. 2024. 多尺度地表覆盖下的碳储量变化监测对比. 测绘通报, (10): 138-143, 150[Zhan Y Z, Wang X K, Ma Y, Feng C J, Zhou W, Deng X Y, Xu P. 2024. Comparison of monitoring carbon stock changes under multi-scale land cover data. Bulletin of Surveying and Mapping, (10): 138-143, 150 (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)]

赵昂. 2018. 高分辨率地表覆盖数据的空间抽样与精度验证研究——以世界屋脊为例. 硕士学位论文. 上海: 同济大学[Zhao A. 2018. Research on spatial sampling and accuracy validation of high resolution land cover data - Taking the roof of the world as an example. Master Dissertation. Shanghai: Tongji University(in Chinese)]

Bontemps S, Defourney P, Bogaert E V, Arino O, Kalogirou V, Perez J R. 2010. GLOBCOVER 2009 Products Description and Validation Report. UCLouvain & ESA Team

Brovelli M A, Molinari M E, Hussein E, Chen J, Li R. 2015. The first comprehensive accuracy assessment of GlobeLand30 at a national level: Methodology and results. Remote Sensing, 7(4): 4191-4212

Chen J, Cao X, Peng S, Ren H R. 2017. Analysis and applications of GlobeLand30: A review. ISPRS International Journal of Geo-Information, 6(8): 230

Chen J, Tong X H, Xie H, Chen L J, Li S N. 2024. Global Land Cover Validation: Methodology, Tools, and Practices. New York: CRC Press

Chen J, Chen L J, Chen F, Ban Y F, Li S N, Han G, Tong X H, Liu C, Stamenova V, Stamenov S. 2021. Collaborative validation of GlobeLand30: Methodology and practices. Geo-spatial Information Science, 24(1): 134-144

Chen J, Chen J, Liao A P, Cao X, Chen L J, Chen X H, He C Y, Han G, Peng S, Lu M, Zhang W W, Tong X H, Mills J. 2015. Global land cover mapping at 30 m resolution: A POK-based operational approach. ISPRS Journal of Photogrammetry and Remote Sensing, 103: 7-27

Congalton R G. 1991. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sensing of Environment, 37(1): 35-46

Congalton R G, Gu J Y, Yadav K, Thenkabail P, Ozdogan M. 2014. Global land cover mapping: A review and uncertainty analysis. Remote Sensing, 6(12): 12070-12093

Congalton R G, Balogh M, Bell C, Green K, Milliken J A, Ottman R. 1998. Mapping and monitoring agricultural crops and other land cover in the lower Colorado river basin. Photogrammetric Engineering and Remote Sensing, 64(11): 1107-1113

Foody G M. 2023. Challenges in the real world use of classification accuracy metrics: From recall and precision to the Matthews correlation coefficient. PLoS One, 18(10): e0291908

Foody G M. 2020. Explaining the unsuitability of the Kappa coefficient in the assessment and comparison of the accuracy of thematic maps obtained by image classification. Remote Sensing of Environment, 239: 111630

Gao Y, Liu L Y, Zhang X, Chen X D, Mi J, Xie S. 2020. Consistency analysis and accuracy assessment of three global 30-m land-cover products over the European union using the LUCAS dataset. Remote Sensing, 12(21): 3479

Gong P, Wang J, Yu L, Zhao Y C, Zhao Y Y, Liang L, Niu Z G, Huang X M, Fu H H, Liu S, Li C C, Li X Y, Fu W, Liu C X, Xu Y, Wang X Y, Cheng Q, Hu L Y, Yao W B, Zhang H, Zhu P, Zhao Z Y, Zhang H Y, Zheng Y M, Ji L Y, Zhang Y W, Chen H, Yan A, Guo J H, Yu L, Wang L, Liu X J, Shi T T, Zhu M H, Chen Y L, Yang G W, Tang P, Xu B, Giri C, Clinton N, Zhu Z L, Chen J, Chen J. 2013. Finer resolution observation and monitoring of global land cover: First mapping results with Landsat TM and ETM+ data. International Journal of Remote Sensing, 34(7): 2607-2654

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

Janssen L L F, van der Wel F J M. 1994. Accuracy assessment of satellite derived land cover data: A review. American Society for Photogrammetry and Remote Sensing, 60(4): 419-426

Ji L Y, Gong P, Geng X R, Zhao Y C. 2015. Improving the accuracy of the water surface cover type in the 30 m FROM-GLC product. Remote Sensing, 7(10): 13507-13527

Karra K, Kontgis C, Statman-Weil Z, Mazzariello J C, Mathis M, Brumby S P. 2021. Global land use/land cover with Sentinel-2 and deep learning//2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS.4704-4707

Landis J R, Koch G G. 1977. The measurement of observer agreement for categorical data. Biometrics, 33:159-174

Latham J, Cumani R, Rosati I, Bloise M. 2014. Global land cover share (GLC-SHARE) database beta-release version 1.0-2014. FAO: Rome, Italy

Lin J Y, Huang J L, Prell C, Bryan B A. 2021. Changes in supply and demand mediate the effects of land-use change on freshwater ecosystem services flows. Science of the Total Environment, 763: 143012

Liu J P, Ren Y, Chen X D. 2024. Regional accuracy assessment of 30-meter GLC_FCS30, GlobeLand30, and CLCD products: A case study in Xinjiang area. Remote Sensing, 16(1): 82

Karimi N, Sheshangosht S, Rashtbari M, Torabi O, Sarbazvatan A, Lari M, Aminzadeh H, Abolhoseini S, Eftekhari M. 2025. An advanced high resolution land use/land cover dataset for Iran (ILULC-2022) by focusing on agricultural areas based on remote sensing data. Computers and Electronics in Agriculture, 228: 109677

Olofsson P, Foody G M, Stehman S V, Woodcock C E. 2013. Making better use of accuracy data in land change studies: Estimating accuracy and area and quantifying uncertainty using stratified estimation. Remote Sensing of Environment, 129: 122-131

Olofsson P, Stehman S V, Woodcock C E, Sulla-Menashe D, Sibley A M, Newell J D, Friedl M A, Herold M. 2012. A global land-cover validation data set, part I: Fundamental design principles. International Journal of Remote Sensing, 33(18): 5768-5788

Padilla M, Stehman S V, Ramo R, Corti D, Hantson S, Oliva P, Alonso-Canas I, Bradley A V, Tansey K, Mota B, Pereira J M, Chuvieco E. 2015. Comparing the accuracies of remote sensing global burned area products using stratified random sampling and estimation. Remote Sensing of Environment, 160: 114-121

Pontius R G Jr, Millones M. 2011. Death to Kappa: Birth of quantity disagreement and allocation disagreement for accuracy assessment. International Journal of Remote Sensing, 32(15): 4407-4429

Smits P C, Dellepiane S G, Schowengerdt R A. 1999. Quality assessment of image classification algorithms for land-cover mapping: A review and a proposal for a cost-based approach. International Journal of Remote Sensing, 20(8): 1461-1486

Stamenova V, Stamenov S. 2022. Integrated method for global land cover products’ validation on the example of Bulgaria. Acta Geographica Slovenica, 62(3): 63-83

Stehman S V. 2009. Sampling designs for accuracy assessment of land cover. International Journal of Remote Sensing, 30(20): 5243- 5272

Stehman S V, Foody G M. 2019. Key issues in rigorous accuracy assessment of land cover products. Remote Sensing of Environment, 231: 111199

Stehman S V, Olofsson P, Woodcock C E, Herold M, Friedl M A. 2012. A global land-cover validation data set, II: Augmenting a stratified sampling design to estimate accuracy by region and land-cover class. International Journal of Remote Sensing, 33(22): 6975-6993

Tsendbazar N E, Herold M, Mayaux P, Achard F, Kirches G, Brockmann C, Boettcher M, Lamarche C, Bontemps S, Defourny P. 2014. CCI Land Cover Product Validation and Inter-comparison Report. Technical Report. UCL-Geomatics

Tubiello F N, Conchedda G, Casse L, Hao P Y, Chen Z X, De Santis G, Fritz S, Muchoney D. 2023. Measuring the world’s cropland area. Nature Food, 4(1): 30-32

Wang Y, Zhang J X, Liu D, Yang W J, Zhang W L. 2018a. Accuracy assessment of GlobeLand30 (2010) over China with a landscape shape index-based sampling approach. Journal of Global Change Data & Discovery, 2(1): 29-34

Wang Y, Zhang J X, Liu D, Yang W J, Zhang W L. 2018b. Accuracy assessment of GlobeLand30 2010 land cover over China based on geographically and categorically stratified validation sample data. Remote Sensing, 10(8): 1213

Wang Z H, Xu L Z, Ji Q, Song W, Wang L Q. 2020. A multi-level non-uniform spatial sampling method for accuracy assessment of remote sensing image classification results. Applied Sciences, 10(16): 5568

Wang Z X, Liu C, Tun W N. 2019. Google earth images based land cover data validation dataset for GlobeLand30 (2010) in the region of roof of the world. Journal of Global Change Data & Discovery, 3(3): 259-267

Wickham J D, Stehman S V, Gass L, Dewitz J, Fry J A, Wade T G. 2013. Accuracy assessment of NLCD 2006 land cover and impervious surface. Remote Sensing of Environment, 130: 294-304

Xie H, Wang F, Gong Y L, Tong X H, Jin Y M, Zhao A, Wei C, Zhang X Y, Liao S C. 2022. Spatially balanced sampling for validation of GlobeLand30 using landscape pattern-based inclusion probability. Sustainability, 14(5): 2479

Xu X L, Li D, Liu H X, Zhao G, Cui B S, Yi Y J, Yang W, Du J Z. 2024. Comparative validation and misclassification diagnosis of 30-meter land cover datasets in China. Remote Sensing, 16(22): 4330

Zhang W G, Tian J J, Zhang X H, Cheng J L, Yan Y. 2023. Which land cover product provides the most accurate land use land cover map of the Yellow River Basin? Frontiers in Ecology and Evolution, 11: 1275054

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 30 m using time-series Landsat imagery. Earth System Science Data, 13(6): 2753-2776

Zhao Y Y, Gong P, Yu L, Hu L Y, Li X Y, Li C C, Zhang H Y, Zheng Y M, Wang J, Zhao Y C, Cheng Q, Liu C X, Liu S, Wang X Y. 2014. Towards a common validation sample set for global land-cover mapping. International Journal of Remote Sensing, 35(13): 4795-4814

Zimmerman P L, Housman I W, Perry C H, Chastain R A, Webb J B, Finco M V. 2013. An accuracy assessment of forest disturbance mapping in the western Great Lakes. Remote Sensing of Environment, 128: 176-185