SinoLC-1：基于深度学习框架和开放获取数据构建的首套中国 1 m 分辨率国家级土地覆盖图

摘要。在中国，鉴于发展和城市化的步伐，对国家陆表进行更精确感知的需求变得极为迫切。然而，构建覆盖全国的中国超高分辨率（VHR）土地覆盖数据集绝非易事。因此，这已成为一个活跃的研究领域，但受到图像获取、人工标注和计算复杂性等挑战的阻碍。为填补这一空白，利用基于深度学习的框架和开放获取数据（包括全球土地覆盖（GLC）产品、OpenStreetMap (OSM) 和 Google Earth 影像），建立了首套中国 1 m 分辨率国家级土地覆盖图 SinoLC-1。通过结合三套 10 m GLC 产品和 OSM 数据生成了可靠的训练标签。这些训练标签和来源于 Google Earth 的 1 m 分辨率影像被用于训练所提出的框架。该框架通过结合保持分辨率的主干网络、弱监督模块和自监督损失函数，解决了影像与标签之间分辨率不匹配带来的标签噪声问题，从而在无需任何人工标注的情况下自动精炼 VHR 土地覆盖结果。基于大容量存储和计算服务器，处理 73.25 TB 数据集以获得覆盖全中国（约 9 600 000 km2）的 SinoLC-1 耗时约 10 个月。SinoLC-1 产品使用包含超过 100 000 个随机样本的目视解译验证集以及从中国政府提供的官方土地调查报告中收集的统计验证集进行了验证。验证结果表明，SinoLC-1 达到了 73.61 % 的总体精度和 0.6595 的 κ 系数。对每个省级区域的验证进一步表明了该数据集在全中国范围内的准确性。此外，统计验证结果表明 SinoLC-1 符合官方调查报告，总体误估计率为 6.4 %。此外，还将 SinoLC-1 与其他五种广泛使用的 GLC 产品进行了比较。这些结果表明 SinoLC-1 具有最高的空间分辨率和最精细的景观细节。总之，作为首套中国 1 m 分辨率国家级土地覆盖图，SinoLC-1 提供了高精度，并为全中国的相关研究和应用提供了基础支持。SinoLC-1 土地覆盖产品可免费访问：https://doi.org/10.5281/zenodo.7707461 (Li et al., 2023)。