简介本资源为ESRI官方发布的2021年吉林省土地利用遥感分类数据集面向GIS研究人员、城乡规划从业者、生态环境评估人员及高校地理信息相关专业师生用于支撑土地覆盖变化监测、生态评估、农业管理与国土空间规划等实际应用。数据精度达10米采用WGS84坐标系覆盖吉林省全部9个地级行政区长春、吉林、四平、辽源、通化、白山、松原、白城、延边每市均提供完整tif栅格主文件及配套属性表dbf、地理配准参数tfw、元数据xml、编码文件cpg和可视化png图件另含统一的土地覆盖类型说明xlsx文档共63个文件压缩包大小44MB。目前已有258人学习下载结构规范、开箱即用无需额外裁剪或投影转换可直接导入ArcGIS、QGIS等平台开展叠加分析、统计制图与时空对比研究。 在做土地利用数据分析的圈子里ESRI这个2021年全球土地利用产品应该没人陌生。前阵子我帮东北的朋友处理吉林省的农业景观项目正好把这份数据从下载、裁剪到出图、验证的完整流程跑了一遍。Esri联合Impact Observatory基于Sentinel-2影像用深度学习模型生产了这份全球10米分辨率的土地利用/覆盖分类数据放到吉林省这种农业大省看耕地格局、森林连续性和村镇扩展都相当顺手。这篇文章不打算照抄官网说明纯粹从一个实际使用者的角度把数据底细、本地化细节、实操步骤和几个高频问题的排查经验一次讲透适合正在用或打算用这份数据的GIS从业者、遥感方向研究生和规划口的同行参考。1. 先说清楚产品底细再看怎么拿到自己手里1.1 这是谁做的数据从哪来Esri的全球土地利用/土地覆盖产品在ArcGIS Living Atlas of the World上公开生产方是Esri和Impact Observatory。Impact Observatory这家公司专注遥感影像机器学习和生态监测他们的分类模型基于全球范围大量人工标注样本训练输入数据是欧空局Sentinel-2卫星的多光谱影像。Sentinel-2提供10米分辨率的光学波段重访周期大概5天一年内能积累几十期不同季节的影像。深度学习模型利用这些多时相信息比传统单时相阈值分类要稳定得多尤其是区分玉米、水稻、林地和草地的能力明显高了一个级别。模型中具体用了什么网络结构官方资料讲得比较含糊业内普遍认为是带时间维度的语义分割模型类似U-Net的变体逐像素输出分类结果。训练数据覆盖全球不同气候区所以到吉林省这种温带季风气候区也基本能适应。不过我要提醒一句任何全球产品拿到地方都有偏差后面我会专门讲本地化校验。1.2 分类体系里的类别代码先记清楚Esri这套产品的分类值是整型栅格不同值对应不同土地覆盖类型。我直接用表格列出最常用的版本方便对照。值类型吉林省里的常见对应1Water松花江、查干湖、各大水库和坑塘2Trees长白山地的天然林、人工林3Grass西部草原、河漫滩草甸4Flooded Vegetation湿地植被、芦苇荡、水稻田边缘5Crops玉米、水稻、大豆等农作物种植区6Shrub/Scrub山地过渡带、退耕还林区域7Built城镇、村落、道路、工矿用地8Bare Ground西部盐碱地、裸土、在建工地9Snow/Ice冬季积雪夏季基本没有10Clouds云遮挡区域属于无效分类11Rangeland牧场及草原化区域部分版本归入Grass这个代码表在每个版本的影像服务里可能会略有差异我建议下载后先打开属性表统计每个Value的像元数量确认类别分布正常再往下走。有的朋友拿到数据不看属性表就出图结果把Cloud当成了一个真实地类图一出就闹笑话。1.3 10米分辨率在吉林省到底够不够用10米分辨率意味着每个像元对应地面100平方米。对比Landsat 30米数据和GlobeLand30的30米产品它能分辨出更小、更破碎的地块。吉林省中部的玉米种植区很多田块宽度只有几十米30米数据里田埂和小路基本混没了10米数据里能大致看到地块纹理和边界。但也要清醒100平方米的像元终究是面不是无人机影像那种能看清田垄级别的精度。你要做的是地块尺度的耕地提取得靠更高分辨率影像你要做的是区域尺度景观格局、土地利用变化趋势、生态评估这个10米数据非常合适。另外多时相合成产品因为拍摄日期不一致部分地区会有拼接痕迹和残留云块。吉林省东部山区云量较大局部出现Cloud类别的空洞是正常的统计面积时需要单独处理。2. 吉林省本地化解读拿到数据别急着分析2.1 吉林省的土地利用格局在数据里长什么样吉林省地形大致分三块东部长白山余脉中部松辽平原西部科尔沁草原边缘。这三块在Esri产品里表现非常鲜明。东部是Trees连续大片分布中间穿插河谷的水体和灌丛中部是Crops连片全国闻名的玉米带就在这里长春、四平、松原周边农田密布西部最复杂Crops、Grass、Bare Ground交错盐碱化土地和沙地让裸地面积明显偏高查干湖周围是湿地和草地的混合带。我拿到数据后的第一个动作是生成分类面积统计表看一下各类型占比是否符合常识。吉林省是农业大省Crops占比通常应该在50%左右甚至更高Trees集中在东部Built分布在城市圈。如果统计结果显示西部草地面积异常少那很可能把盐碱化草地误分成了裸地后面要做人工校正。2.2 本地特别容易踩的误分类场景实际使用中吉林省有几个典型误分类情况我几乎每次处理都会遇到第一中部水稻区在水稻生长期是带水层的影像上很像湿地大量水田被归入Flooded Vegetation而不是Crops。如果直接抠水稻面积会被严重低估。第二城市周边新建工地、料场、拆迁区普遍被分成Bare Ground本质上这些是正在转变中的建设用地。第三西部碱斑地在盐分高时反射率强和沙地、裸土很难区分Bare Ground面积容易被高估。第四山区有阴影的沟谷里林地和草地容易混淆。处理办法一般在完成裁剪后用众数滤波把细小碎斑消除再用少量人工样本对可疑地类做局部重分类。ArcGIS里有Majority Filter工具连通性建议选四邻域滤镜太大容易把真实的小地块也磨平。重分类可以用Reclassify工具手动调整。2.3 裁剪成吉林省范围前投影要选对吉林省经度跨度大约从东经121度到131度UTM投影横跨51N和52N两个分带。很多人在全球数据上直接用Web Mercator或WGS84地理坐标做分析统计的面积会有偏差。我强烈建议在裁剪前将数据重投影到Albers等积圆锥投影或者使用CGCS2000 3度分带的高斯投影。如果只是出图Web Mercator无所谓但涉及面积统计、密度计算等积投影是底线。这一步经常被忽略结果和统计年鉴差百分之几到十几调整投影后误差就下来了。3. 实操全流程把吉林省10米土地利用数据拿下来3.1 数据获取的三种方式按需求选方式一ArcGIS Living Atlas直接加载。在ArcGIS Pro目录窗格里点Living Atlas搜索“Esri 2021 Land Cover”添加为影像图层。优点是即时可用、免下载缺点是大范围统计时每次查询都消耗服务资源速度慢而且拿不到本地缓存文件后续批量处理受限。方式二通过影像服务的Export Image导出。在ArcGIS Pro里用“导出影像”工具或者直接构建REST请求指定bbox、大小和格式。这个方式适合提取吉林省内一个比较小的范围例如一个地级市或县响应很快。但要注意设置输出像元大小为10米否则服务端可能按默认重采样输出成30米甚至更粗的结果。方式三下载GeoTIFF原文件。Living Atlas项目页面上提供了部分区域的下载入口社区里也有公开转存的副本。下载后是分块或全球的整幅影像本地裁剪、批量处理都灵活。我一般做全省分析时都是下载原文件后面用GDAL统一处理。3.2 用GDAL裁剪和ArcGIS提取哪个顺手用哪个如果已经下载了全球或东亚范围的GeoTIFF用GDAL裁剪是最省事的方式一条命令解决问题gdalwarp -cutline jilin_province.shp -crop_to_cutline -tr 10 10 -r near -of GTiff ESRI_2021_LULC_Global.tif Jilin_LULC_2021_10m.tif参数解释其中-cutline指定吉林省行政边界矢量-crop_to_cutline让输出范围严格匹配边界-tr 10 10确保输出像元为10米-r near用最邻近法重采样这是分类数据唯一的正确选择绝不能默认用bilinear或cubic插值否则会产生不存在的地类值比如把1和2之间插成0.7。在QGIS里用“栅格-裁剪-按掩膜图层裁剪”也能达到同样效果记得同样把重采样方式刷成“最近邻”。ArcGIS里对应的是Extract by Mask工具环境设置里将像元大小固定为10米。我实际经验是如果机器有内存压力优先用GDAL它吃内存比ArcGIS小得多。裁剪完成后我习惯顺手用Raster To Polygon把结果转成矢量再统计各类型面积和当地的统计年鉴数字做一次粗略对比。对不上的地方基本就是分类误差的重灾区。3.3 样式管理器加载ESRI样式后消失问题到底出在哪这里专门回应一个特别常见而且特别迷惑的问题在ArcGIS样式管理器里选择ESRI样式点确定后却什么都没有像是没装过一样。我最早是给2021年土地利用数据做符号化时踩到的在ArcMap 10.8里反复加载Esri的样式文件一次也没成功。排查下来原因集中在几个方面。一是ArcMap和老版本ArcGIS Pro的样式格式不统一ArcMap用.styleArcGIS Pro用.stylx混用会静默失败。解决方法是把.style文件放到默认样式目录通常位于C:\Program Files (x86)\ArcGIS\Desktop10.8\Styles再在样式管理器里添加。二是权限问题默认样式目录在Program Files下没有管理员权限时ArcMap往里写不进临时缓存看起来就是添加失败。用管理员身份运行ArcMap或者把样式复制到用户目录问题基本解决。三是Normal.mxt模板损坏。ArcMap的界面状态都保存在这个模板里模板坏了样式管理器也会抽风。删除%APPDATA%\ESRI\Desktop10.8\ArcMap\Settings下的Normal.mxt重启ArcMap让它重建即可。我总结了一个速查表按顺序排查基本都能解决。3.4 重分类和符号化让数据从灰图变成能看的图分类栅格不加符号系统在ArcGIS里打开就是一片灰。标准配色我一般参考官方样式Water用蓝色Trees用深绿Grass用浅绿Flooded Vegetation用青蓝Crops用黄绿Shrub用棕绿Built用红色Bare Ground用棕色Snow/Ice用白色Cloud用灰色。在ArcGIS里用唯一值符号化按Value字段一一赋色再把图例名称改成中文水体、森林、草地、湿地植被、耕地、灌丛、建设用地、裸地、冰雪、云等。如果想省事直接在Living Atlas上搜Esri官方发布的配色样式。出图时建议在图上标注“基于Esri 2021年10米土地利用数据”并注明投影信息。4. 精度验证商家说准不算数自己验过才放心4.1 用World Imagery Wayback做历史影像核对Esri有个特别实用的工具叫World Imagery Wayback官网入口是livingatlas.arcgis.com/wayback简单理解就是全球高分影像的历史快照库。它能按时间回看同一点位的卫星影像从2000年代一直到现在每几个月到一年一个版本。做土地利用验证时我通常随机选一些被分类成Crops的点位把Wayback切到2021年7月或8月的影像如果能看到玉米的行距纹理或者稻田的水面反光那就说明分类基本可靠。Wayback的好处是时间点精确且影像来源和ArcGIS生态无缝衔接。操作也很简单输入经纬度左侧选日期再手动对比。它对应的瓦片服务也能直接作为底图加载到ArcGIS Pro里这样就不用反复切换窗口。4.2 随机布点加混淆矩阵尝到量化验证的甜头目视验证之外规范的做法是用随机验证点做混淆矩阵。在ArcGIS里用Create Random Points在每个大类生成至少50个采样点加载高分辨率影像目视标注每个点的真实类型再用Extract Multi Values To Points把栅格分类值提取出来最后用Excel或统计软件做交叉表。计算结果可以拿到用户精度、生产者精度和总体精度。我在长春周边做过一次小规模验证250个样本点总体精度大约85%。Crops的用户精度比较高说明耕地提取相对可靠Bare Ground被错分成Built的情况偏多说明城区周边施工用地的分类确实有模糊空间。这个结果对我后续调参很有参考价值。用类似方法你也可以判断这份数据在你的研究区是否可靠。4.3 和ESA WorldCover、GlobeLand30放在一起对比市面上主流的公开土地利用产品不止ESRI一家项目选型时最好横向比较。我把常用的几个产品做个简单对比产品分辨率基准年份主要数据源特点Esri LULC10米2017-2022逐年Sentinel-2深度学习更新快类别多ESA WorldCover10米2020/2021Sentinel-1/2官方验证结果更详细GlobeLand3030米2000/2010/2020Landsat等中国官方参与全球连续CLCD30米1982-2022逐年Landsat时序长适合趋势分析FROM-GLC30米2010-2020左右Landsat清华团队采样覆盖面广实际操作中我常把Esri和ESA WorldCover两个10米产品叠加做交叉一致性分析。两者类别一致的地方可信度很高不一致的区域再放到Wayback或天地图上人工核对。在吉林省两者在农田和森林区域一致性很好但在西部盐碱地区域差异较大主要就是分类器对低覆盖草地和裸土的不同判定方式这个要心里有数。5. 两个热搜相关问题的实战处理一次说透5.1 ArcGIS样式管理器加载ESRI样式后消失速查表这个问题既然上了热词说明踩坑的人不少。我把排查步骤整理成速查表直接按顺序操作步骤操作适用原因1把.style文件放到默认Styles目录路径或格式兼容问题2以管理员身份运行ArcMap只读权限问题3新建自定义样式再手动添加标准样式库被锁定4删除Normal.mxt并重启界面模板损坏5修复或重装ArcGIS样式库组件组件缺失或注册表异常如果是ArcGIS Pro步骤要变一下Pro样式管理器用的是工程目录下的“添加样式”.style这种老文件需要先通过导入功能转成.stylx。别想着直接复制Pro不吃.style文件。5.2 World Imagery Wayback还能用来做变化检测Wayback除了验证分类做土地利用变化检测也很好用。比如你想看某个工业园区从2020年到2022年怎么扩张的在Wayback里选两个日期来回切建筑区的边界变化一目了然。再把Esri逐年版本的分类数据叠加拿“数据变化”和“影像实际变化”做双重对照比单独看分类图靠谱得多。我自己做吉林省部分县域的城市扩张分析用的就是Esri 2017和2021年两期的分类结果加Wayback影像交叉验证输出的变化图放到汇报材料里也很有说服力。5.3 数据处理时内存溢出和重采样异常的补救最后补一个实操经验。Esri全球10米土地利用数据文件很大如果你下载的是全球TIFF直接在ArcGIS里做Extract by Mask很容易内存溢出。我的建议是先用GDAL按经纬度范围做一个粗范围裁剪比如先把全球文件裁成东经118到134度、北纬40到48度的这个东北区片子再做精裁剪。粗裁剪用gdal_translate -projwin加上-tr 10 10保持分辨率出来的文件会小很多后面处理就顺畅了。如果遇到输出栅格分辨率莫名其妙变成30米八成是环境设置里没有锁像元大小检查ArcGIS的栅格分析环境即可。另外重采样时务必要用最近邻法。我见过有人用双线性重采样处理分类数据结果出现了大量非整数的地类值比如0.7、2.3整个分类体系直接报废。这类问题不是在软件设置上找半天而是重采样方式选错了。结尾这套流程跑下来最大的感受是全球公开数据看着方便真正要落到一个省、一个县去支撑决策本地化处理一步都省不了。数据下载只占整个项目一小块时间投影选择、裁剪参数、云掩膜处理、精度验证才是真正耗精力的地方。我最初拿Esri 2021年吉林省数据直接统计耕地面积和统计年鉴差了快8%后来一步步排查发现是投影、湿地水稻混分和西部盐碱地误判三个问题叠在一起。把这些问题解决了数据本身的价值就真正体现出来了。最后留个实在的建议拿到任何区域的土地利用数据先做一张分类面积占比直方图再挑几个你熟悉的点位叠加影像核实。十分钟的检查能让你对数据质量有一个基本判断后面分析也好、出报告也好底气会足很多。本文还有配套的精品资源点击获取