《Scientific Data》：Enhanced 30?m Impervious Surfaces for China (2020, 2022) via 2?m/30?m Data Fusion
编辑推荐：
为解决现有不透水面产品在中国区域精度不足、样本代表性有限的问题，研究人员开展了“基于2米/30米数据融合的中国增强型30米不透水面制图（2020, 2022）”研究，提出了一种区域自适应的深度学习策略，整合高分系列2米影像、Landsat年度合成数据与SRTM高程数据，生成了覆盖中国陆域的高精度不透水面产品CISC2020与CISC2022。验证显示其不透水面类别的空间平均F1分数>0.93，显著优于现有全球产品，为城市动态分析、环境监测及区域规划提供了可靠的空间显性数据支撑。
随着中国城市化进程的快速推进，人工不透水面（如道路、建筑物、停车场）的急剧扩张对生态环境产生了深远影响。这些不透水面不仅改变了地表水文过程，加剧了城市热岛效应，还导致了栖息地丧失和水质退化。准确掌握不透水面的空间分布和动态变化，对于理解城市化进程、评估环境效应以及指导可持续发展至关重要。然而，现有全球不透水面产品在中国区域面临诸多挑战：通用土地覆盖产品中的“人工表面”类别训练样本不足、精度有限；专门的不透水面产品则存在样本代表性不足、偏向城市区域和纯像元的问题。更复杂的是，中国地域广阔，不同区域屋顶结构和材料的差异形成了复杂的光谱特征，人工绿化对不透水面的遮蔽、干旱区不透水面与稀疏植被的光谱混淆、村庄稀疏建设区的混合像元问题等，都使得高精度不透水面制图成为一项重大挑战。
为解决这些问题，中国科学院空天信息创新研究院的研究团队在《Scientific Data》上发表了题为“Enhanced 30 m Impervious Surfaces for China (2020,2022) via 2 m/30 m Data Fusion”的研究论文，提出了中国不透水面覆盖数据集（CISC2020，CISC2022）。该研究创新性地融合了多源遥感数据，开发了区域自适应的深度学习模型，生成了目前精度最高的30米分辨率中国不透水面产品。
研究团队采用了多项关键技术方法：首先整合了高分一号、高分六号和资源三号卫星的2米分辨率影像、Landsat年度合成地表反射率数据以及SRTM DEM地形数据；其次基于香农熵引导的分层采样策略，从高异质性区域选取样本点，并通过专家目视解译构建了20万个高质量训练验证样本；然后构建了双分支深度学习模型（ResNet-50结合MLP），充分提取多源数据特征；最后基于聚类分析将中国划分为高原、干旱区、平原、丘陵和山区五个区域，采用区域自适应模型选择策略进行推理，显著提升了不同地理环境下不透水面识别的准确性。
数据预处理与分类方案
研究首先对2米分辨率影像进行几何校正、数据融合和色彩平衡等预处理，生成无缝的真彩色镶嵌产品。采用四类分类方案：不透水面、水体、植被以及裸地（包含其他类别），重点区分不透面与可渗透表面。
样本策略与模型构建
通过香农熵量化土地覆盖复杂性，在1°×1°网格内选择熵值最高的区域进行分层随机采样。构建的双分支深度学习模型中，ResNet-50分支处理121×121像素的2米影像，MLP分支处理9维特征向量，最终输出四类分类结果。训练过程中对混合像元进行降权处理，以减轻其对模型学习的干扰。
区域化与模型选择
基于高程、坡度、Landsat观测次数和土地覆盖比例等16个特征，通过PCA降噪和K-means聚类将中国划分为五个地理区域。针对每个1°×1°网格，从六个模型（五个区域模型和一个全局模型）中选择局部F1分数最高的模型进行推理，有效解决了区域差异问题。
精度验证与产品比较
使用2万个独立验证点进行评估，CISC2020的空间平均F1分数达到0.939，方差仅为0.005，表现出高精度和空间一致性。与FCS20、GLC20和ESA20等现有产品相比，CISC在召回率方面优势明显，特别是在西部高原和干旱区域。视觉对比显示，CISC能准确识别城市核心区、乡村道路网络以及稀疏居民点，在不同气候带和地形条件下均表现稳健。
误差分析与空间格局
误差分析表明，主要误差来源于不透水面的混合像元，其中76.7%的混合不透水面像元被正确识别，误分主要发生在具有复杂树冠覆盖的城市场景。空间格局分析显示，CISC在主要城市群的最大斑块指数（LPI）更高，能够捕捉更丰富的空间细节，且在中国西部稀疏建设区没有明显数据缺失。
该研究生成的CISC2020和CISC2022数据集以Cloud Optimized GeoTIFF格式存储，采用Albers投影，空间分辨率为30米，覆盖中国陆域范围。产品除不透水面外，还提供水体、植被和裸地/其他类别的输出，但辅助类别的可靠性未经验证。数据在Zenodo平台公开可用，相关代码已在GitHub开源。
这项研究通过多源数据融合和区域自适应深度学习策略，显著提升了中国区域不透水面制图的精度和可靠性。产品不仅为城市动态分析、环境监测和区域规划提供了高质量基础数据，其方法论也为大尺度土地覆盖制图提供了重要参考。未来研究可进一步优化区域化方案，整合夜间灯光等社会经济特征数据，并探索超越单一标签分类框架，从功能土地利用和景观语境角度理解像元属性，以期获得更稳健的分类结果。
