Globale 10 m Landnutzung Landnutzungsdaten: Ein Vergleich von Dynamic World, World Cover und Esri Land Cover

Die Sentinel-Satelliten der Europäischen Weltraumorganisation haben die Grundlage für die globale Landnutzung Landnutzungs (LULC)-Kartierung mit beispielloser Detailgenauigkeit bei 10 m Auflösung gelegt. Wir präsentieren zum ersten Mal einen Quervergleich und eine Genauigkeitsbewertung der Produkte von Google’s Dynamic World (DW), ESA’s World Cover (WC) und Esri’s Land Cover (Esri), um die Annahme und Anwendung dieser Karten in Zukunft zu informieren. Für das Jahr 2020 zeigen die drei globalen LULC-Karten eine starke räumliche Übereinstimmung (d.h. nahezu gleichwertige Flächenschätzungen) für Wasser, bebautes Gebiet, Baum- und Acker-LULC-Klassen. Im Vergleich zueinander neigt WC dazu, die Grasbedeckung zu überschätzen, Esri zur Strauch- und Gebüschbedeckung und DW zur Schnee- und Eisbedeckung. Unter Verwendung globaler Bodenvollzugsdaten mit einer minimalen Kartierungseinheit von 250 m² stellten wir fest, dass Esri die höchste Gesamtgenauigkeit (75%) im Vergleich zu DW (72%) und WC (65%) aufwies. In allen globalen Karten war Wasser die am genauesten kartierte Klasse (92%), gefolgt von bebautem Gebiet (83%), Baumdeckung (81%) und Pflanzen (78%), insbesondere in Biomen, die durch gemäßigte und boreale Wälder gekennzeichnet sind. Die Klassen mit den niedrigsten Genauigkeiten, insbesondere im Tundra-Biom, umfassten Strauch und Gebüsch (47%), Gras (34%), unbedeckter Boden (57%) und überflutete Vegetation (53%). Bei der Verwendung europäischer Bodenvollzugsdaten von LUCAS (Land Use/Cover Area Frame Survey) mit einer minimalen Kartierungseinheit von <100 m² fanden wir, dass WC die höchste Genauigkeit (71%) im Vergleich zu DW (66%) und Esri (63%) aufwies, was die Fähigkeit von WC hervorhebt, Landschaftselemente mit mehr Details im Vergleich zu DW und Esri zu erfassen. Obwohl in unserer Studie nicht analysiert, diskutieren wir die relativen Vorteile von DW aufgrund seiner häufigen und nahezu Echtzeit-Datenlieferung sowohl von kategorialen Vorhersagen als auch von Klassenwahrscheinlichkeitsscores. Wir empfehlen, dass die Verwendung globaler LULC-Produkte eine kritische Bewertung ihrer Eignung im Hinblick auf den Anwendungszweck beinhalten sollte, wie z.B. aggregierte Änderungen in der Ökosystembilanz versus standortspezifische Änderungsdetektion im Monitoring, unter Berücksichtigung von Trade-offs zwischen thematischer Auflösung, globaler versus lokaler Genauigkeit, klassen-spezifischen Verzerrungen und ob eine Änderungsanalyse notwendig ist. Wir betonen auch die Bedeutung, Flächen nicht allein aus der Pixelzählung abzuleiten, sondern bewährte Praktiken in der designbasierten Inferenz und Flächenschätzung zu adoptieren, die Unsicherheiten für ein bestimmtes Untersuchungsgebiet quantifizieren.