2015年黄土高原地区土地利用/覆被栅格数据

责编:

一、对数据集的建议

1、作者在论文的“数据基本信息简介”的“数据库(集)组成”中介绍包含的数据为“Loess2015”和“GpsLog_sample2015”,但是在ScienceDB上传的数据集中,文件夹中有7个文件,均不是上述两个文件,请作者检查,如果有错误的地方,请作者修改,并保持文件描述与文件情况保持一致;
 
2、在论文“数据基本信息简介”的“数据服务系统网址”中,请作者添加数据集所在的ScienceDB的地址:http://www.sciencedb.cn/dataSet/handle/404

二、对数据论文的建议

1、中英文作者不一致,请检查。

2、中文摘要有两处疑似手误,请检查。

3、中英文摘要不一致,建议统一必要部分。

4、请确认是否遗漏基金项目。

5、建议在引言部分增加关于同类数据集的介绍。

6、引言中“……以中分辨率的Landsat影像作为基础数据的研究较少……”,文献6日期过久,不足以支持本句。

7、图1与图3相似度较高,建议删除图1,文中和图片序号统改。

8、第1.1节中, 采用的秋季时相影像数据时间是否为2015年10月?建议补充完整,以便理解。

9、建议文末补充一个章节:数据使用方法和建议,或者数据价值 。

【2017-04-26】 评论来自:版本 1
作者:

回复: 修改稿已按上述要求命名。

一、对数据集的建议

1、作者在论文的“数据基本信息简介”的“数据库(集)组成”中介绍包含的数据为“Loess2015”和“GpsLog_sample2015”,但是在ScienceDB上传的数据集中,文件夹中有7个文件,均不是上述两个文件,请作者检查,如果有错误的地方,请作者修改,并保持文件描述与文件情况保持一致; 回复: 更正了数据文件名的错误,修改稿中文件名如下: (1)ld2015_250为2015年黄土高原地区地表覆盖栅格数据; (2)Check_samples为2015年黄土高原地区野外实证点; (3)code_I为分类代码。

2、在论文“数据基本信息简介”的“数据服务系统网址”中,请作者添加数据集所在的ScienceDB的地址:http://www.sciencedb.cn/dataSet/handle/404 回复: 已在修改稿中做了修改。

二、对数据论文的建议

1、中英文作者不一致,请检查。

2、中文摘要有两处疑似手误,请检查。

3、中英文摘要不一致,建议统一必要部分。 回复: 已统一中英文作者名字。修改了摘要,改正了原稿中的两处错误,统一了摘要中英文。

4、请确认是否遗漏基金项目。 回复: 基金无遗漏,原文中基金后的分号已改为句号。

5、建议在引言部分增加关于同类数据集的介绍。

6、引言中“……以中分辨率的Landsat影像作为基础数据的研究较少……”,文献6日期过久,不足以支持本句。 回复: 重写了引言部分,增加了较近的文献引用,包括介绍国内外土地利用/覆被数据集的文献。

7、图1与图3相似度较高,建议删除图1,文中和图片序号统改。 回复: 图1已删除。图片序号以全部修改。

8、第1.1节中, 采用的秋季时相影像数据时间是否为2015年10月?建议补充完整,以便理解。 回复: 秋季时相的影像数据为2015年10月,已在修改稿中做了补充。

9、建议文末补充一个章节:数据使用方法和建议,或者数据价值 。 回复: 增加了“数据使用建议”一节,补充了对数据适用性的说明。

【2017-05-07】 评论来自:版本 1
责编:

请下载论文最新版本,并在此基础上参考如下意见修改:

1、作者在数据论文的“数据库(集)基本信息简介”里填写数据量为15.29MB,但是实际的数据量为16.1MB,建议作者在论文中修改,是两者保持一致。

2、第1.1节区域范围部分,建议稍作删减,保留与文章关联较密的内容,相应修改参考文献条目。

【2017-05-10】 评论来自:版本 2
作者:

(1)修改了文稿中数据大小为16.1MB.

(2)删减了区域范围介绍部分,去除了气候、水土流失等与本文关系不大的部分,调整了相应的参考文献。

【2017-05-14】 评论来自:版本 1
责编:

请参考如下专家意见,修改、回复并重传文章:

同评专家一:

1. 数据论文本身的质量较高,比较详细地说明了数据的制备过程。
2. 采样是否具有已定的随机性和代表性,需要有所讨论。
3. 数据质量部分的得分很低,原因是文中并没有提到数据访问的方法。由于是第一次审稿此类数据论文。如果不提供数据下载是符合期刊预期的方式,数据质量部分的评审意见,我愿意得到编委意见后,再补充完成。

同评专家二:

4. 与生态十年评估项目2010数据(30m)对比来看,作者数据土地利用各类型分类一级大类上相对准确,主要表现在各类型统计面积相对合理,空间格局上分类相对准确。

但与2010年数据对比,作者数据同一土地利用类型空间连续性较差,内部噪声较多,椒盐现象较多。
 
同评专家三:

土地覆被信息在全球变化等研究中具有重要的作用。黄土高原是我国重要的生态单元,该数据集以LANDSAT数据为数据源、采用面向对象的分类方法,提取了黄土高原土地覆被信息,该数据来源可靠,技术路线基本合理,整体精度较好,分类结果基本符合实际。同意发表。但该数据还存在以下几个问题,请予以修改或补充。

5. 分类体系尚需修改,如荒漠将包括未利用地、裸地、沙土地等,这准表述不准确,黄土高原范围内毛乌素沙地等未利用地可划分为荒漠,但其余土地则不完全是荒漠,建议将该分类进一步分为荒漠和未利用地。

6. 在数据集中,在代码基础上进一步添加属性字段,如林地、灌丛等,方便数据的独立使用。

7. 建议如有可能进一步细化该分类体系,参照相关已有数据库,尽可能和相关数据库能很好的对接。最好建立二级分类体系。

8. 部分分类结果数据精度较低,如灌丛分类精度52.2%,建议优化方案,进一步提高数据精度。

 

 

【2017-06-12】 评论来自:版本 1
作者:

同评专家一:

1. 数据论文本身的质量较高,比较详细地说明了数据的制备过程。

2. 采样是否具有已定的随机性和代表性,需要有所讨论。

回复:验证点的采样考虑了随机性和代表性。采样路线覆盖所有土地利用/覆被类型分布区,保证所有类型都有足够的验证点;样点随机采取。

3. 数据质量部分的得分很低,原因是文中并没有提到数据访问的方法。由于是第一次审稿此类数据论文。如果不提供数据下载是符合期刊预期的方式,数据质量部分的评审意见,我愿意得到编委意见后,再补充完成。

回复:本数据集已上传,数据访问路径http://www.sciencedb.cn/dataSet/handle/404。在论文中数据数据基本信息简介中已说明。

同评专家二:

4. 与生态十年评估项目2010数据(30m)对比来看,作者数据土地利用各类型分类一级大类上相对准确,主要表现在各类型统计面积相对合理,空间格局上分类相对准确。 但与2010年数据对比,作者数据同一土地利用类型空间连续性较差,内部噪声较多,椒盐现象较多。

回复:本数据集是以Landsat卫星30m影像为基础进行的分类,初始最小分类单元面积控制在3*3个像元,即90m*90m。在生成250m数据时产生了单个像元或几个像元组成的斑块,形成了椒盐现象。由于黄土高原大部分地区地形破碎,类型斑块往往较小,这些细小斑块不宜再合并,否则会产生非常大的数据误差。故未再在250m分辨率下去除小斑块。

同评专家三:

土地覆被信息在全球变化等研究中具有重要的作用。黄土高原是我国重要的生态单元,该数据集以LANDSAT数据为数据源、采用面向对象的分类方法,提取了黄土高原土地覆被信息,该数据来源可靠,技术路线基本合理,整体精度较好,分类结果基本符合实际。同意发表。但该数据还存在以下几个问题,请予以修改或补充。

5. 分类体系尚需修改,如荒漠将包括未利用地、裸地、沙土地等,这准表述不准确,黄土高原范围内毛乌素沙地等未利用地可划分为荒漠,但其余土地则不完全是荒漠,建议将该分类进一步分为荒漠和未利用地。

回复:原分类系统中的荒漠包括植被覆盖度很低的荒漠、沙土地和无植被覆盖的裸地,以及区域内西北、西南角等少部分区域的裸岩区,这些类型都属于低植被覆盖区。参考生态十年土地覆被分类系统,将它们都合并为低植被覆盖的其它类型。

6. 在数据集中,在代码基础上进一步添加属性字段,如林地、灌丛等,方便数据的独立使用。

回复:补充完善了数据代码表,增加了对每一类型的分类说明。

7. 建议如有可能进一步细化该分类体系,参照相关已有数据库,尽可能和相关数据库能很好的对接。最好建立二级分类体系。

回复:黄土高原地区除北部风沙区和关中平原地形较为平坦外,其余区域地形破碎,在250m分辨率上难以区分二级类,因此仍按一级类划分。

8. 部分分类结果数据精度较低,如灌丛分类精度52.2%,建议优化方案,进一步提高数据精度。

回复:灌丛的划分是土地覆被分类最难的部分,它容易跟森林、草地混淆。因此也往往是土地覆被数据中精度较低的类型。在生态十年等土地利用分类中,一般将其与森林一起划分为林地。本数据集因是“黄土高原生态系统承载力的空间格局及调控途径”课题的一部分,要求区分灌丛与森林,因此将其单独划分为一个类型。虽然经过多次修改,受影像空间分辨率和光谱分辨率的限制,灌丛精度只能达到50%多。

【2017-06-25】 评论来自:版本 1
责编:

同评专家重审意见如下,请回复、修改并重传。

数据基于landsat8的影像提取,正常情况下,最终结果数据的分辨率应该是30m,但本文数据集的分辨率为250m,数据解析完成后是否进行了重采样过程,重采样后250m分辨率数据精度是多少?为什么作者不直接提供30m分辨率的数据集?

【2017-08-17】 评论来自:版本 1
作者: 本数据是基于Landsata8 30m分辨率影像提取,获得了30m分辨率的数据。本文提交重采样为250m分辨率的数据。目前获得的30m分辨率的数据还在项目内部使用阶段,尚未达到开放获取的条件。而250m分辨率的一级类数据现已可开放获取,且能满足黄土高原这样一个尺度较大的区域生态评估、建模等研究的需求。故提交250m重采样后的数据,在文中已有说明。 本数据在生产时采用的验证点在采集时是按照30m分辨率数据验证的需求设计,即野外验证点代表的斑块大小最小是3*3个像元。此外,黄土高原大部分区域地形破碎,人类活动影响大地表覆被斑块破碎。在250m尺度上验证很困难。故只在30m分辨率上验证。 【2017-09-12】 评论来自:版本 1
责编:

经编委会投票表决,同意录用本文。

【2017-10-17】 评论来自:版本 2

提交问题或建议:



您还没有登录,请[登录]或[ 注册]!

2015年黄土高原地区土地利用/覆被栅格数据

浏览下载总计

网页浏览 论文下载
10142 83

2015年黄土高原地区土地利用/覆被栅格数据

作者发表的论文

很抱歉,没有检索到作者相关论文!

            数据来源:CSCD中国科学引文数据库

2015黄土高原地区土地利用/覆被栅格数据

朱源1,2,刘宇1*,赵亮1,2

1. 中国科学院地理科学与资源研究所,中国科学院生态系统网络监测与模拟重点实验室,北京 100101;

2. 成都理工大学,地球科学学院,成都 610059;

 *通讯作者(E-mail: liuyu@igsnrr.ac.cn)

摘要:土地利用/覆盖是反映地表状态的重要参数,是许多地理和生态研究的基本参数。本数据集以Landsat 8卫星OLI无云或少云(云量小于10%)的遥感影像为数据源,根据数据可用性,利用ArcGIS软件进行解译分区。土地利用/覆被的提取采取面向对象分类方法。经eCognition8.7软件支持下的多尺度分割后,选择空间、光谱、纹理、形状作为分类特征,采取基于规则集的计算机自动分类和人工目视修改相结合的方法进行分类。利用实测的1028个样本点进行精度评估,得到数据总体精度和Kappa系数分别为85.4%和0.807。将eCongnition里解译的每个分区结果导出为shapefile格式的矢量数据,通过Arc/info AML语言脚本程序对矢量数据进行矢量–栅格转换,使用ArcGIS软件对数据按照研究区范围拼接、裁剪、重采样,得到最终分辨率为250 m的土地利用/覆被栅格数据。

关键词:黄土高原;土地利用/覆被;Landsat 8;面向对象分类

A grid land use and land cover data of the Loess Plateau region (2015)

Zhu Yuan1,2, Liu Yu1*, Zhao Liang1,2

1. Key Laboratory of Ecosystem Network Observation and Modeling, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, P. R. China;

2. Chengdu University of Technology, School of Earth Sciences, Chengdu 610059, P. R. China

*Email: liuyu@igsnrr.ac.cn

Abstract: Land cover data reflects the surface coverage state. It is the basic data for geographical and ecological researches. The Landsat 8 OLI satellite images with cloud cover less than 10% were employed for the data production. The Loess Plateau region was divided into sub-regions according to the availability of qualified satellite imageries using ArcGIS software. The object-oriented classification method was used to extract land use/cover classes with the support of eCognition 8.7 software. After a multi-scale segmentation procedure, parameter collection including metrics on space, spectrum, texture and shape was established. Based on these parameters, a rule set was constructed to conduct an automatic classification and a manual check and modification. The accuracy of classifications was assessed by using the 1,028 field samples. It was showed that the data set has an overall accuracy 85.4%, and the corresponding Kappa coefficient was 0.807. The classifications of each sub-region were exported as vector data in shapefile format. Then a vector-grid conversion was conducted by Arc/info AML procedure. Stitching operation on all of the obtained grid data of sub-regions was accomplished by using ArcGIS software. After clipping and resampling procedure, the land use/cover grid data of the Loess Plateau with a resolution of 250 m was generated.

Keywords: Loess Plateau; Land use/cover; Landsat 8; Object-oriented classification; grid data.

数据基本信息简介

数据库(集)中文名称

2015年黄土高原地区土地利用/覆被栅格数据

数据库(集)英文名称

A grid land use and land cover dataset of the loess plateau region (2015)

数据作者

朱源、刘宇、赵亮

通讯作者

刘宇(liuyu@igsnrr.ac.cn)

数据时间范围

2015年

地理区域

黄土高原地区

空间分辨率

250 m

数据量

16.1 MB

数据格式

Arc/info Grid

数据服务系统网址

http://www.sciencedb.cn/dataSet/handle/404

基金项目

国家自然科学基金重大项目(2014),黄土高原生态系统承载力的空间格局及调控途径(41390464)

数据库(集)组成

本数据集包括2015年黄土高原地区的地表覆盖栅格数据以及2015年黄土高原实地验证点,共有1个文件夹。包含的数据如下:

1.“ ld2015_250m”为2015年黄土高原地区地表覆盖栅格数据;

2. “验证点”为2015年黄土高原地区野外实证点, class_name字段为类型代码;

3.“ code_I” 为分类代码。

引 言

土地利用/覆被变化(Land Use and Land Cover Change,LUCC)是区域到全球尺度生态系统变化的主要直接影响,尤其是对区域水循环、环境质量、生物多样性及陆地生态系统的生产力和适应能力的影响更为深刻,因此成为全球变化研究的核心之一[1]。土地利用/覆被数据是大尺度碳循环、水循环、生物多样性评估、生态系统服务评估等研究的基础数据[2-4]。高质量的土地利用/覆被数据的往往成为这些研究结果准确性的最基本条件。2014年,国家自然基金重大项目“黄土高原生态系统与水文相互作用机理研究”启动。2015年黄土高原地区土地利用/覆被数据的生产是项目的基础工作之一,将对区域尺度植被变化的水文水资源效应、区域水文系统的植被承载力评估等研究内容提供基础数据。

目前,全国尺度的同类数据已有1980年代到2010年间隔大约为5年的数据[5]。中国30 m全球地表覆盖遥感制图数据产品(GlobeLand30)也已发布[6]。现已发布的全球土地利用/覆盖数据共已达6套,包括DISCover(美国地质调查局,USGS)、MODIS 1km数据集(波士顿大学,Boston University)、GLC2000(European Commission Joint Research Center)、GlobCover2(European Commission Joint Research Center)、Globeland30-2010(国家基础地理信息中心等)等[6]。这是数据集大多基于卫星影像的光谱信息提取,以传统的监督分类方法为主,得到的地表覆被数据容易出现“椒盐”现象[7],人工目视解译存在不同解译人员之间主观判断差异,也难以利用地物单元的纹理、相互间的空间关系等地学知识参与分类,精度难以保证[8]。为此,本数据的生产采用面向对象和规则的分类方法为主、人工修正为辅的方法。通过建立对象层次结构,将影像分割成内部光谱、纹理等特征具有相对异质性的斑块对象,以斑块为单元进行分类,可充分利用光谱、纹理、地物空间关系等信息,提高分类的精度。

1  数据采集和处理方法

1.1  区域范围

黄土高原位于33°43′N~41°16′N,100°54′E~114°33′E之间,地处黄河中游,南抵秦岭北麓,北至阴山,东达太行山脉,西以乌鞘岭–日月山为界,包括陕西、山西、内蒙古、宁夏、青海、甘肃、河南七个省区287个县,总面积62万km2,约占全国土地面积的6.69%。自20世纪90年代末开始,在国家生态建设政策和区域社会经济的快速发展的驱动下,黄土高原进入植被大规模、快速恢复和重建的历史时期,土地利用/覆被发生巨大变化[9],是过去几十年来我国土地利用/覆被变化最为迅速的区域之一。

1.2  影像数据源

本文以Landsat 8-OLI传感器L1级别产品,以2014~2015年间的117景数据作为数据源,空间分辨率为30m。采用了全年3个时相影像数据,对应时间段分别为2014年12月至2015年2月(冬季)、2015年6月至9月(夏季)、2015年10月(秋季)。Landsat 8-OLI影像数据空间分布如图1所示,数据来源于美国国家航空航天局(National Aeronautics and Space Administration,NASA),从美国地质调查局(USGS)网站下载(http://earthexplorer.usgs.gov)。

1 影像数据空间分布图

1.3  数据处理

利用ArcGIS软件根据影像的质量进行解译分区。采取面向对象分类方法,通过在eCognition软件中对研究区数据进行多尺度分割,选择空间、光谱、纹理、形状作为分类特征,采取人工判别辅助计算机自动分类方法进行分类。然后将数据在Arc/info AML语言脚本编程中进行矢量–栅格转换,最后利用ArcGIS软件对数据按照研究区范围进行拼接和裁剪操作。详细操作如下:

(1)解译分区:根据影像覆盖情况和影像质量(云覆盖度),利用ArcGIS Desktop进行影像分块,将整个黄土高原地区划分为多个解译分区。

(2)多尺度影像分割:利用eCognition 8.7软件进行多尺度影像分割。多尺度影像分割是基于影像光谱异质性,将影像分割为内部相对同质的多边形对象,即在设置的阈值范围内,将符合要求的单个像元合并为多边形影像对象的过程[6]。经过测试,影像分割的尺度设置为70较为适合。整个数据集全部采用70作为分割尺度。

(3)特征集构建:分类特征指标的有效性决定了解译结果的准确性,选择空间、光谱、纹理、形状作为分类特征。针对研究区特性,这里以植被指数(NDVI)、波段平均值、波段标准差、形状指数(Shape Index)构建特征集。

(4)土地覆被类型提取:通过构建的采用基于隶属度函数的面向对象分类方法[7],该函数依据对象特征可以精确定义对象属于某类的标准,通过综合对象特征进行分类。分类完成后,结合影像对象的光谱信息、形状及空间分布信息,将错分和漏分的对象手动划分到正确的类别中。最后,对明显错分的影像对象进行人工修正。

(5)精度验证:采用基于混淆矩阵和Kappa系数的方法,对研究区分类结果进行精度验证。验证点以2015年遥感影像为底图,对照实地,选取位于面积足够大(>33个像元)的斑块中心位置的点,避免选取近一年内发生类型改变的点。利用地面调查获得的1028个验证点对数据的精度进行检验。

(6)栅格数据生成:将数据在Arc/info AML语言脚本编程中进行矢量–栅格转换,将数据由矢量格式批量转化为栅格格式,栅格大小为30m。

(7)裁剪拼接:利用ArcGIS中Data management模块下mosaic功能对数据进行拼接,最后按照研究区范围在ArcGIS中Data management模块下clip功能中进行裁剪,经重采样(Majority)得到最终分辨率为250 m的栅格数据。

2  数据样本描述

2.1  分类描述

此次分类参考生态十年环境感监测土地覆盖一级类分类系统[10],包括7个一级土地利用/覆盖类型,分别为森林、灌从、草地、耕地、聚落、水域以及荒漠(表1)。

1 黄土高原影像分类描述表

分类代码

类型

内容描述

1

森林

指郁闭度>30%,高度>2 m的各类天然林和人工林地

2

灌丛

灌草覆盖度大于30%的非林地、非农业长绿色植物之地

3

草地

指以生长草本植物为主,覆盖度在5%以上的各类草地

4

耕地

指种植农作物的土地,人工植被,包括水生和旱生作物

5

聚落

指城乡居民点、农村定居点以及其他建设用地

6

水域

指天然陆地水域以及水利设施用地,包括湖泊、水库、河流

7

荒漠

目前还未利用的土地,包括裸地、沙漠和难利用的土地

2.2  数据样本

传统的遥感图像分类算法主要依据地物的光谱数据,导致未能充分利用遥感图像提供的多种信息,包括相邻像素间的关系、斑块形状以及斑块间空间位置特征等信息,分类精度受到限制[8]。此次分类采用面向对象分类方法,针对特定地类选择适宜性的特征指标,能较好反映空间像元的相互关系,有效提高数据精度(图2)。

2 2015年黄土高原地表覆盖分类图

3  数据质量控制和评估

通过实地采样获取验证点,以评估分类结果的可靠性和精度。采样范围覆盖了黄土高原地区核心区域,由山西太原出发,途径榆林、延安、银川等多个城市,所得样本数目为1028个,涵盖分类系统包括的黄土高原全部土地利用覆被类型。采样点分布见图3。

3 地面验证点分布图

本次野外实测点1028个,实测点类型包括277个森林、70个灌丛、118个草地、379个耕地、154个聚落、20个水域以及10个荒漠。影像的精度验证结果如表2所示。

2 2015年黄土高原地区地表覆盖精度验证表(单位:个)

地表覆被

森林

灌丛

草地

耕地

聚落

水域

荒漠

汇总

制图精度

森林

238

11

7

4

1

0

0

261

91.2%

灌丛

15

41

11

3

1

0

0

71

57.7%

草地

8

11

92

15

6

1

0

133

69.2%

耕地

11

3

2

347

7

0

0

370

93.4%

聚落

5

4

3

9

135

1

2

159

84.9%

水域

0

0

1

0

1

17

0

19

89.5%

荒漠

0

0

2

1

3

1

8

15

53.3%

汇总

277

70

118

379

154

20

10

1028

 

用户精度

85.9%

53.2%

78.0%

91.6%

87.7%

85.0%

80.0%

85.4%

 

总体分类精度 = 85.4%,Kappa系数 = 0.807

在表2中,制图精度是指所获取的某一类地表覆被的正确像元数与该类参考像元总数的比率;用户精度是指分类器将像元归纳到某一类地表覆被像元数,与该类相应的真实地表覆被的参考像元数的比率;总体分类精度是指被正确分类的像元总数与总参考像元数的比率;Kappa系数是描述地物覆被像元分类的一致性,越接近1,说明其一致性效果越好。由表2结果可以看出,数据质量整体效果良好,总分类精度为85.4%,Kappa系数为0.807。

4  数据使用建议

本数据集可用于黄土高原地区生态系统服务评估、生态系统固碳模拟、土地利用/覆被格局及其水文水资源效应等研究。本数据主要基于地表覆被状况分类,采用的分类系统与全国生态十年评估生态系统遥感监测一致,也可作为类似评估的基础数据。由于本数据的分辨率为250 m,其适用研究尺度应在较大的流域(面积>10 000 km2)区域及其以上的尺度。

数据作者分工职责

朱源(1994—),男,四川广安人,在读硕士研究生,研究方向为地图学与地理信息系统。主要承担工作:数据准备、数据处理以及数据生产。

刘宇(1981—),男,贵州六盘水人,博士,助理研究员,主要研究方向为景观格局与生态过程相互作用、生态遥感与生态系统评估。主要承担工作:数据产品设计与组织实施。

赵亮(1991—),男,四川南充人,在读硕士研究生,研究方向为地图学与地理信息系统。主要承担工作:数据处理。

参考文献

[1] 李秀彬.全球变化研究的核心领域-土地利用/土地覆被变化的国际研究动向[J].地理学报,1996, 51(6): 553–558.

[2] 刘纪远, 邵全琴, 延晓冬等. 土地利用变化影响气候变化的生物地球物理机制[J].Chinese Journal of Nature, 2014, 36(5): 356–363.

[3] 傅伯杰,张立伟.土地利用变化与生态系统服务:概念、方法与进展[J].地理科学进展,2014, 33(4): 441–446.

[4] Verburg P, Neumann K, Nol L. Challenges in using land use and land cover data for global change studies [J]. Global Change Biology, 2011, 17: 974–989.

[5] 刘纪远, 匡文慧, 张增祥,等. 20世纪80年代末以来中国土地利用变化的基本特征与空间格局[J]. 地理学报, 2014, 69(1): 3–14.

[6] 杜国明, 刘美, 孟凡浩, 等.基于地学知识的大尺度土地利用/土地覆盖精细化分类方法研究[J].地球信息科学学报, 2017, 19(1): 91–100.

[7] Gong P, Wang J, Yu L, et al. Finer resolution observation and monitoring of global land cover: first mapping results with Landsat TM and ETM+ data[J]. International Journal of Remote Sensing, 2013, 34(7): 2607–2654.

[8] Aguirre-Gutiérrez J, Seijmonsbergen A, Duivenvoorden J. Optimizing land cover classification accuracy for change detection, a combined pixel-based and object-based approach in a mountainous area in Mexico [J]. Applied Geography, 2011, 34: 29–37.

[9] Lü Y, Fu B, Feng X, et al. A policy-driven large scale ecological restoration: quantifying ecosystem service changes in the Loess Plateau of China[J]. PLoS ONE, 2012, 7(2):e31782.

[10] Zhang L, Li X, Yuan Q, et al. Object-based approach to national land cover mapping using HJ satellite imagery[J]. Journal of Applied Remote Sensing, 2014, 8(2): 464–471.

引用本文

朱源, 刘宇, 赵亮. 2015年黄土高原地区土地利用/覆被栅格数据(讨论版)[J/OL].中国科学数据, 2017. DOI: 10.11922/csdata.170.2017.0137.

引用数据

朱源, 刘宇, 赵亮. 2015年黄土高原地区土地利用/覆被栅格数据(讨论版)[DB/OL].Science Data Bank, 2017. DOI: 10.11922/sciencedb.404.

下载