全球10 m土地覆盖数据在中国首批国际湿地城市的评价与融合

尹潇淦，蒋卫国，凌子燕，王晓雅，邓雅文

1.北京师范大学 地理科学学部 遥感科学国家重点实验室,北京 100875;

2.湖南师范大学 地理科学学院,长沙 410081;

3.北京师范大学 地理科学学部 环境遥感与数字城市北京市重点实验室,北京 100875;

4.南宁师范大学 地理与规划学院,南宁 530001

1 引言

土地覆盖数据可以反应地球表面的生物与非生物特性，提供了理解地球系统过程所需要的信息，是大多数地表变化模型的输入参数（Yang等，2017；Venter 等，2022）。另外，土地覆盖产品也是政府、社会各行业的决策者所需要的地理空间数据产品（Wang 等，2022a）。因此，准确可靠的土地覆盖数据产品对于生态系统监测评估与管理和区域可持续发展至关重要。（Liu等，2022b）。

在技术快速发展的背景下，先进的卫星数据、云计算、人工智能新算法都使得土地覆盖制图得到快速的发展（Zhou 等，2022）。迄今为止，已有许多应用比较广泛的全球土地覆盖数据集，如美国国家航空航天局（NASA）发布的中分辨率成像光谱仪（MODIS）土地覆盖数据集（MCD12Q1），空间分辨率500 m，覆盖2001 年—2008 年（Sulla-Menashe等，2019）；欧洲航天局（ESA）提供的全球土地覆盖图，空间分辨率300 m，覆盖2005年—2009 年（Bontemps 等，2009）；哥白尼全球土地服务土地覆盖率数据集（CGLS-LC），空间分辨率100 m，覆盖2015年—2019年（Buchhorn等，2020）；国家基础地理信息中心牵头研制的全球地表覆盖数据产品（GlobeLand30），空间分辨率30 m，含2000 年、2010 年、2020 年3 期（Chen 等，2015）；以及清华大学宫鹏科研组的全球土地覆盖数据（FROM-GLC），2015 年空间分辨率30 m，2017 年空间分辨率30 m 和10 m（Gong 等，2019）等。自2014 年以来，Sentinel 卫星的出现提供了分辨率更高的光学和雷达影像，使得如今可以实现10 m分辨率大规模土地覆盖制图。目前已发布的全球10 m土地覆盖数据并且持续更新包括ESA的WorldCover数据集，从2020 年起每年一期（Zanaga 等，2021，2022）；Esri的Land Use/Land Cover，包含9个类别，从2017 年起每年一期，此外，2020 年存在另外一个版本Esri Land Cover（10-class），包含10 个类别，但这一版本的数据将在2024 年12 月退役（Karra等，2021）；以及谷歌的动态世界（Dynamic World），与前两个数据不同，Dynamic World 可跟随Sentinel 数据近实时更新（每5 天一次）（Brown等，2022）。由于这些数据集是由不同的国家或组织制作，并且使用的卫星数据、分类体系，分类方法都有所不同，导致产品的精度与适用范围存在差异。因此亟需对这些土地数据产品进行不同尺度，不同区域的对比评价，支持用户能够根据自身需求选择合适的数据。

目前，对土地覆盖数据主要从两个方面进行评价，分别是一致性评价和精度评价。例如，Venter 等（2022）选择ESA World Cover、ESRI Land Cover（10-class）和Dynamic World这3套全球10 m土地覆盖数据集在2020 年进行交叉比较和准确性评估。Yang 等（2017）评估了7 个全球土地覆盖数据集（IGBP DISCover、UMD、GLC、MCD12Q1、GLCNMO、CCI-LC 和GlobeL30）在中国范围内的面积和空间模式上的相似性与差异，并定量计算准确性。Chen 等（2017）以中国陕西省为研究区，对4 个土地覆盖数据集（MODIS、GlobCover2009、FROM-GC、GlobeLand30）中的耕地类别进行评估。陈逸聪等（2021）在中国长三角区对CCI_LC、FROM-GLC、GLC_FCS30、GLCNMO、GlobeLand30和CGLS_LC 这6 种土地覆被数据集进行精度验证及一致性分析。此外，也有学者探究土地覆盖数据的融合方法，对现有的多种土地覆盖数据进行融合，例如Hou和Hou（2019）采用基于模糊逻辑理论的融合方法，实现了MCD12Q1-2010、CCILC2010 和GlobeL30-2010 土地覆盖数据产品在海上丝绸之路沿岸地区的融合，并将融合后的数据与原数据进行精度对比分析。综上所述，目前许多对于土地覆盖数据的研究均从全球、国家、省域尺度开展，对10 m 分辨率土地覆盖产品在城市这种小尺度区域内的对比评价较为缺乏，然而对于全球覆盖范围的土地覆盖数据产品，在更小尺度的区域精度是否有所变化，能否满足研究需求有待进一步验证，因此有必要对全球较高分辨率土地覆盖数据集在城市尺度区域上进行研究。

在快速城市化过程中，高强度的人类活动改变了城市土地利用格局，严重影响了城市生态环境健康，城市湿地快速退化问题明显。随着人们对湿地与城市关系的重视，《拉姆萨尔公约》提出湿地城市的概念并且实施国际湿地城市认证计划（Wang等，2022b）。2018年，全球18个城市被认证为首批国际湿地城市，其中中国有6 个。2022 年，全球25 个城市被认证为第二批国际湿地城市，中国有7 个。目前已有43 个城市被评选为国际湿地城市，中国有13 个，位居第一。湿地城市土地覆盖的空间结构和变化对湿地相关研究以及湿地城市可持续发展具有重要意义，因此，亟需高质量高精度的土地覆盖数据予以支撑。

本研究选择中国首批6个国际湿地城市作为研究区，对全球10 m 土地覆盖数据产品Dynamic World，ESA WorldCover和Esri Land Cover（9类）在2020年和2021年进行空间一致性分析、精度评价，最后根据空间一致性分析和精度评价结果将这3套数据进行融合生成2020 年和2021 年的总体精度更高的新数据。该研究结果既可以为这些数据在湿地城市的适用性提供建议，并为国际湿地城市的湿地评估修复和可持续发展提供数据参考。

2 研究区与数据预处理

2.1 研究区

中国共有6 个城市于2018 年被评为第一批国际湿地城市（图1），分别是常熟市、哈尔滨市、银川市、东营市、海口市、常德市，其中有3个内陆城市（哈尔滨、银川、常德），2 个滨海城市（东营、海口）、一个沿江城市（常熟）。哈尔滨为黑龙江省省会，地处中国东北地区，位于黑龙江省西南部；银川为宁夏回族自治区首府，地处中国西北地区，位于宁夏回族自治区北部，黄河从市境穿过；常德为湖南省地级市，位于湖南省西北部，地处长江中游洞庭湖水系；东营为山东省地级市，位于山东省北部黄河三角洲地区，北邻渤海；海口为海南省地级市，位于海南岛北部，北临琼州海峡；常熟为江苏省苏州市的县级市，位于江苏省东南部，北邻长江，南邻太湖，地处长江三角洲；每个城市由于不同的自然地理条件而拥有不同特点的湿地。

图1 中国首批国际湿地城市Fig.1 Chinese first batch of wetland cities

2.2 数据与预处理

本文选取了3 套空间分辨率为10 m 且持续更新的全球土地覆盖数据，分别是Google 发布的全球10 m 近实时土地覆盖数据Dynamic World（以下简称DW），欧洲航天局牵头制作的土地覆盖数据集ESA WorldCover（以下简称ESA），由Impact Observatory，Microsoft和Esri共同生产的共包含9个类别的土地覆盖时间序列数据Esri Land Cover，（以下简称ESRI），3套数据主要参数信息如表1所示。

表1 3套土地覆盖数据集的主要特征Table 1 Main features of the three land cover datasets

因为3套数据产品都覆盖了2020年和2021年，所以本研究选择这两年的数据进行评价与融合。首先通过相关网站下载ESA（https：//esa-worldcover.org/en［2023-03-01］）和ESRI（https：//livingatlas.arcgis.com/landcover/［2023-03-01］）2020年和2021年的数据。由于Dynamic World 是跟随Sentinel-2 不断更新的近实时产品，所以为了生成与ESA 和ESRI 相当的年度复合数据，DW 采用众数合成的方法，即每个像素选取一年之中出现概率最大的类别，通过GEE 平台（Gorelick 等，2017）生成2020 年与2021 年度复合数据。然后进行数据预处理，使用矢量边界裁剪研究区6 个城市的3 套土地覆盖数据产品，将WGS-84 坐标系统一为UTM 投影。此外，以ESRI 数据的分类体系为基准，通过聚合DW 和ESA 的土地覆盖类别以匹配ESRI，并重新编码，共9 个类别，其中本研究的湿地类别定义为明显与水混合的任何类型的植被区域或季节性洪水区（表2）。最后得到中国首批国际湿地城市2020 年与2021 年的3 种10 m 土地覆盖数据（图2）。

表2 应用于3种土地覆盖数据集的重分类方案Table 2 Reclassification schemes applied to three land cover datasets

图2 统一分类后的中国首批国际湿地城市土地覆盖数据Fig.2 Land cover data of Chinese first batch of wetland cities after reclassification

3 研究方法

3.1 数据产品的空间一致性分析方法

一致性比较是不同数据集之间的相互验证（杨永可 等，2014），为了评估3 套数据之间的土地覆盖类型的空间一致性，遍历3种土地覆盖数据中的两种，计算每两套数据之间的一致度和混淆度。具体计算公式如下：

式中，m代表数据A的土地覆盖类型（对应1—7类），k代表数据B 的土地覆盖类型（对应1—7 类），Nmk代表数据A认定为m类而数据B认定为k类的像素个数，Nm代表数据A 认定为m类的像元个数。当m≠k时，PA/B表示数据A/B 组合中m类与k类的混淆度；当m=k时，PA/B表示数据A/B 组合中m类（k类）的一致度。

为了更加直观地表示3套数据一致性的空间分布情况，本文使用ArcGIS 软件中的栅格计算器进行空间叠加计算，逐像素确定土地覆盖类型的匹配相同的情况，将一致性分为3个等级：全部一致，部分一致与全部不一致，部分一致等级中又分成3 种情况，分别是DW 与ESA 一致，DW 与ESRI 一致，ESA与ESRI一致。

3.2 验证样本点构建与精度评价

本文在研究区域内随机生成一部分样本点，通过使用Sentinel-2 遥感影像进行目视解译，因为湿地城市的特殊地理特点，在城市湿地区域和强异质性区域使用Google Earth 高分影像数据辅助进一步进行高精度的解译再选取另一部分样本点。样本点共包括7 个类别：水体、林地、草地、湿地、耕地、建设用地和裸地，因为6个城市都不处于中国的冰川与永久积雪区，所以没有选择冰雪的样本点。每个城市每年分别选取了1500 个样本点，2020 年和2021 年在6 个湿地城市分别有2 套样本点，每一套共有9000个。

混淆矩阵是对分类数据进行精度评价的常用方法，通过混淆矩阵计算评估分类精度的指标包括总体精度（OA）、生产者精度（PA）、用户精度（UA）和Kappa系数。具体计算公式如下：

式中，n表示样本总数，k表示总共的类别数目，xii表示正确分类的像素数，xi+表示待验证数据中i类的所有像素数，x+i表示参考样本中i类的总样本数。

3.3 基于空间一致性分析和精度评价的数据融合方法

本文使用基于空间一致性分析和精度评价的方法融合多源土地覆盖数据。对每个像素来说，根据空间一致性分析结果，如果3个数据集的类型都相同或者其中两个数据集的类型相同（即全部一致区和部分一致区），则像素的土地覆盖类型定义为该类型。如果3套数据集表现为不相同的类型（即全部不一致的区域），则通过基于精度评估的方法重新确定类型（Hou和Hou，2019）。

全部不一致区域的重建过程主要分为两大步，如图3所示：第一步计算并比较每个土地覆盖类型在3 套土地覆盖数据产品中的F1 分数，F1 分数为生产者精度和用户精度的调和平均值，计算公式见式（6）。接着根据F1 分数的大小为每个土地覆盖类型分配3 个“置信度”值。F1 分数越高，代表该数据集的该类型精度越高，被分配的“置信度”值越大。具体而言，如果值为3 表示该数据集的该类型最有可能为地表真实类型，如果值为2或1，随着分数的减小，可能性越低。

图3 全部不一致区重建流程图Fig.3 Reconstruction flowchart for all inconsistent areas

第二步，为了消除原始数据的地理参考的潜在不准确性以及提高强异质性区域生成地图的可靠性，在重建区域内的每个像素上放置一个3×3的窗口，加权计算每个类型的总得分，然后将像素定义为总得分最高的土地覆盖类型（Jung 等，2006）。具体计算公式如下：

式中，i，j分别为当前像素的行列号，M为土地覆盖类别编号（对应1-7类），K为3个土地覆盖数据集，(i，j)表示M类的现有土地覆盖图K的像素（i，j）的置信度得分，为M类总得分。

4 结果与分析

4.1 3套数据产品的空间一致性分析

通过计算任意两个土地覆盖数据的每个类型之间的混淆度，得到6 个一致性混淆矩阵（图4）。实验结果表明，在ESA/DW 组合中，2020 年和2021 年都是林地的一致度最高，达到91%，其次是耕地（85%以上），水体（70%以上），裸地（55%以上），混淆度最高的是湿地，达到78%，其次是草地（50%）；在DW/ESRI 组合中，2020 年水体的一致度最高（93.61%），其次是林地（90.96%），2021 年林地的一致度最高（97.78%），其次是水体（94.34%），两年的耕地和建设用地的一致度也在80%以上，裸地一致度60%以上；混淆度最高的是湿地，两年都在93%以上，其次是草地（65%）；在ESRI/ESA 组合中，2020 年和2021 年都是水体一致度最高（96%以上），其次是建设用地（90%以上），耕地（79%以上），林地（73%以上），裸地混淆度最高（90%以上），湿地混淆度也达到89%以上，其次是草地，2020 年为48.11%，2021 年为73.85%。总体来看，任何两个数据集之间，水体、林地、耕地、建设用地这些类型一致度都比较高，然而湿地和草地的混淆度都很高，湿地主要与耕地、草地产生混淆，草地主要与耕地、裸地产生混淆。

通过对3套土地覆盖产品进行空间叠加，制作了6 个城市空间一致性等级分布图（图5）。可以直观地看到全部一致区域多分布在大面积水体、森林和建设用地覆盖的区域，全部不一致区域多分布在沿海沿江以及靠近河流、湖泊的地区，这些区域地表类型呈现明显的异质性特征，湿地资源丰富，草地、耕地、裸地交错分布。

除此之外，还计算得到空间一致性的面积占比（图5）。总体来说，全部一致的区域占比最高，2020 年为60.39%，2021 年为64.35%，全部不一致区域占比最低，2020年为5.64%，2021年为4.64%。在部分一致的3种情况中，ESRI与DW 一致的区域占比最高，说明这两套数据的空间一致性程度最高，其次是ESA 与DW 一致区域，ESRI 与ESA 一致的区域占比最低。从每个城市来看，除了银川与哈尔滨，其余城市两年中一致性占比情况也是如此，主要是因为DW是年度合成数据，一年之中部分地区随气候影响土地覆盖类型不断变化，北方城市年气温差异明显，因此银川部分地区大概率被分为裸地，哈尔滨部分地区大概率被分为冰雪，所以DW与ESA、ESRI有时差别较大。

4.2 3套数据产品的精度评价

各精度指标计算结果（表3）表明：2020 年，ESA 总体精度和Kappa 系数最高，分别为78%和0.73，其次是DW，总体精度和Kappa 系数分别为76%和0.70，ESRI 的总体精度也是76%，但Kappa系数最低，为0.69；2021 年，ESA 总体精度和Kappa系数最高，分别为78%和0.73，其次是DW，总体精度和Kappa 系数分别为77%和0.71，ESRI的总体精度和Kappa 系数最低，分别为75%和0.69；总体来看，与全球尺度上3 套产品的总体精度排序不同（表1，ESRI＞ESA＞DW），在城市尺度区域，ESA 的平均精度最高，DW 和ESRI 平均精度较为接近。

表3 3套土地覆盖数据集的总体精度Table 3 Overall accuracy of three land cover datasets

对于7 个具体土地覆盖类型而言，3 种数据的分类精度各有不同（图6）。对于水体，3种土地覆盖数据的精度都比较好，PA 和UA 几乎都达到80%以上；对于林地，ESA 的分类精度最高，PA与UA 均达到90%，ESRI 和DW 也不差，PA 与UA都高于65%；对于草地和裸地，3 套数据的分类精度都不理想，ESA 最高，PA 都在50%—60%，DW的草地精度最低，PA 不到35%，ESRI 的裸地精度最低，PA不到25%，；对于湿地，不管是哪一种产品，在7个类型中分类精度是最低的，其中ESA的PA 最高，DW 次之，ESRI的PA 最低；对于耕地和建设用地，3 种土地覆盖数据的精度都比较理想，PA 和UA 几乎都达到70%以上，其中耕地精度最高的是ESA，建设用地精度最好的是ESRI。

图6 3套土地覆盖数据的生产者精度和用户精度Fig.6 Producer precision and user precision of three land cover datasets

本文又在每个城市各选择了一个示例区将3套数据进行比较，且都是各个城市中典型的湿地区（图8）。可以直观看出，DW、ESA、ESRI 这3 套数据在湿地区域的土地覆盖类型差异很大，尤其是林地，草地，湿地和裸地类型在最易产生混淆。相对来说，3 套数据在这些湿地区域的分类情况，DW 更倾向于裸地和林地，ESA 更倾向于湿地和农田，ESRI 更倾向于草地。就分类的空间细节程度而言，ESA 的每个斑块面积较小，形状复杂，多细碎斑块，相对于其他两套数据来说能够更好地展示土地覆盖的细节特征，而ESRI 的多为完整的大面积斑块，能表示的细节程度低。

4.3 3套数据产品的数据融合结果

根据生产者精度和用户精度，计算每种土地覆盖类型的F1 分数（表4），比较F1 分数的大小，为3 个数据集的每个土地覆盖类型分配“置信度”值（表5）。最后根据基于空间一致性分析与精度评价的融合方法得到2020 年和2021 年6 个国际湿地城市的土地覆盖融合数据（图7）。

表4 土地覆盖类型的F1分数Table 4 F1 score of land cover type

表5 土地覆盖类型的“置信度”Table 5 “Confidence” of land cover type

图7 中国首批国际湿地城市3套10 m土地覆盖产品的融合数据Fig.7 Fusion data of three sets of 10 m land cover products of the Chinese first batch of wetland cities

再次使用评价3套土地覆盖数据的样本集，对融合数据进行精度验证。结果表明，2020 年融合后数据的总体精度为82%，Kappa 系数为0.78，2021 年融合后数据的总体精度80%，Kappa 为0.75。融合数据的总体精度和Kappa 系数比DW、ESA、ESRI 的总体精度和Kappa 系数都高，总体精度提高了约2—4 个百分点，Kappa 系数提高了约0.02—0.05。

在每个城市的湿地典型区，将融合后的数据与3套原数据和Sentinel-2遥感影像进行比较（图8）。可以发现基于这3套数据融合的土地覆盖分类图可以更好的表达像湿地这种异质区域的土地覆盖类型。与Sentinel-2 遥感影像相比，可以初步确定，融合数据可以准确反映湖泊、河流、养殖池等水体，以及周围广泛分布的农田，还有城市中的建筑用地，同时也能够很好的描绘小区域的湿地、裸地，狭窄的道路和一些零星分布的建筑物。因为融合结果根据空间一致性结果和精度评价结果进一步确定了每个像素的土地覆盖类型，所以在一定程度上利用了这3 套数据各自的优势和特点，弥补了单一数据的缺陷和不足，例如：融合数据与ESRI 相比，细节程度更高，还填补了云区域（即无数据区），与ESA 相比，“椒盐效应”也没有那么明显。

图8 湿地典型区的土地覆盖图Fig.8 Land cover map of typical wetland areas

4.4 讨论

本研究指出，3 种土地覆盖数据中，水体、林地、耕地和建设用地的分类精度较高，草地、湿地和裸地的分类精度较低。同时在各类型一致性分析中也表明，任何两个数据集之间，水体、林地、耕地、建设用地这些类型一致度都比较高，草地、湿地和裸地之间易产生混淆，尤其是在城市中的典型湿地区。产生上述现象的原因可能是：（1）水体、林地、耕地、建设用地类型在研究区内多为大面积分布，边界清晰，光谱特征简单，所在区域土地覆盖均质性强；（2）湿地、裸地、草地这3种类型在研究区多为交错混合分布，这些区域光谱特征复杂并且湿地植被的遥感波谱反射率接近光谱特征有一定的相似性，会对分类产生影响；（3）3 种产品中关于湿地类别使用的分类体系不同，定义细节有所不同，ESRI 和DW 只有一个湿地类别（淹水植被），而ESA 有两个湿地类别（草本湿地和红树林），所以在数据生产过程中对湿地的分类存在差别，分类结果也会产生一定误差。在空间一致性分布中，也正是由于上述原因，全部一致区多分布在森林、耕地、水体和建设用地大面积分布的区域。全部不一致区域多分布在城市中典型的湿地地区，因为湿地是介于陆地生态系统和水生生态系统之间的复杂生态系统，这些地区灌丛，草地、裸地交错分布，地表类型呈现高度空间异质性特征。此外对于季节性湿地，一年之中水体和湿地的边界难以确定，所以导致在分类过程中，该区域最易产生混淆。通过部分一致区的占比情况分析我们发现ESRI 和DW 数据的一致面积最大，ESA 和这两个数据的一致面积相对较小，且ESA 的总体精度都要比ESRI 和DW高出约2%，ESA 的湿地类型和草地类型的精度比ESRI 的和DW 的都要高。原因是DW 和ESRI 的数据来源主要是Sentinel-2 所提供的光学遥感影像，而ESA 的数据不仅仅来源于Sentinel-2，还有Sentinel-1 提供的SAR 影像。很多已有研究表明雷达卫星数据可以减少云的影像，并收集更多的特征信息，SAR（孔径雷达）在许多方面被证明对分类有利，特别是在区分灌丛和湿地类型方面（Li 等，2022；Liu 等，2022a；Zhang 等，2022）。因此，ESA 更适用于城市湿地退化修复和时空变化检测等研究，对于制图者来说，可将SAR 数据引入土地覆盖制图，提高湿地类型的准确性，从而提高湿地研究数据的可靠性。

从精度评价结果来看，发现在使用城市区域内的样本点来评价这3套全球数据时，总体精度总是比官方验证的总体精度要低。另外DW 和ESRI的斑块面积较大，不能够表示更多的土地覆盖的细节，且目前更多的全球土地覆盖数据包含的都是大类别，并没有很多精细类别，但是这些情况都是在许多小尺度区域研究中需要考虑的。因此，这些全球尺度的土地覆盖产品在小尺度区域上确实要求更高，用户需谨慎对待全球土地覆盖图在国际湿地城市的应用。此外，由于湿地城市具有复杂的湿地类型，数据制作者应将制图重点聚焦于这种空间异质性强的区域，精细化湿地的类别，明确各个湿地相关类型的定义，生产更精确的土地覆盖数据来支持湿地的相关科学研究。

本文提出的基于空间一致性分析和精度评价的方法，有效地结合了空间一致性和精度这两个评价因素，这是相对新颖和独特的，采用该方法可以削弱多源土地覆盖数据之间地矛盾，整合多源数据的优势和特点，重建类型不一致的区域，用于异质性区域的土地覆盖类型决策。此外，该方法的泛用性和普适性较强，研究者可以借助现有的土地覆盖数据，基于自己的研究区通过空间一致性分析和精度评价使用该方法重建数据集，更易获得总体精度更高的数据。例如本研究中，研究区为国际湿地城市，多湿地分布，具有广泛的异质区域，就可以使用本文所采用的融合方法对其进一步处理，以提高数据的精度，最后得到了比3个输入数据总体精度更高得到融合数据。另外本研究的融合结果空间分辨率也是10 m 属于中高分辨率数据，具有不同数据的优势，并且数据总体精度高，更加适用于国际湿地城市区域，为国际湿地城市的创建、生态检测、可持续发展评估等提供数据支撑，为相关湿地保护修复提供决策信息支持。

本研究也存在一定的局限性，一是目标分类系统过于笼统，所有的评价与融合实验中只考虑了7 个主要类别（水体、林地、草地、湿地、耕地、建筑用地、裸地），这主要是因为参考的原数据也主要是这些大类别，没有细分类别，然而鉴于国际湿地城市的特殊性，在后续研究中更要选择具有湿地细分类别的数据，关注湿地资源，重视湿地小区域的科学分类。二是可以进一步提高融合后数据的精度，本文提出的基于一致性分析和精度评价的方法可以综合输入数据的优势和特点来提高研究区域总体的分类精度，但是每个类别的精度没有明显的提高，尤其是湿地类别的精度。因此，对于国际湿地城市来说，按特定湿地类型或者湿地小区域进行融合重建是未来的一个主要方向。

5 结论

本文选择了Dynamic World、ESA WorldCover、ESRI Land Cover 这3 套空间分辨率为10 m 的全球土地覆盖数据集产品，以中国首批国际湿地城市作为研究区，进行了空间一致性分析和精度评价，并使用基于一致性分析和精度评价的融合方法，将这3套数据融合成一套新数据。空间一致性分析结果表明，从类型角度来看，任何两个数据集之间，水体、林地、耕地、建设用地这些类型一致度都比较高，而湿地、草地和裸地混淆度都很高。从空间一致性分布状况来看，全部一致区占比最高，全部不一致区占比最低且多分布在沿海沿江，湿地广布的区域，DW 和ESRI 的空间一致性程度最高。精度评价结果表明，ESA 的总体精度最高，DW 和ESRI 较为接近。水体、林地、耕地、建筑用地在3种土地覆盖数据的精度都较高，草地、湿地、裸地的精度相对较低，其中ESA 的湿地和草地的精度比ESRI 和DW 高。融合结果显示，融合后数据的总体精度比3 套原数据提高了2%—4%，Kappa 系数提高了0.02—0.05。说明本文提出的基于一致性分析和精度评价的融合方法的可行性和可靠性，证明了能够有效提高土地覆盖数据集的总体分类精度。

综上所述，本研究可为国际湿地城市研究提供辅助决策支持，在对国际湿地城市进行土地覆被全要素研究时，可使用本研究中总体精度最高的融合数据。或者根据空间一致性与精度评价结果，针对研究方向，选择合适的数据集。同时本文提出了基于空间一致性分析和精度评价的融合方法，进行多源土地覆盖产品融合，可使用此方法提供综合精度更高的面向特殊区域研究的土地覆盖数据集。