利用最先进的遥感方法，包括哨兵-1 和哨兵-2 图像、环境和地形数据集，以及使用谷歌地球引擎平台的四个机器学习模型，绘制了一幅 10 米分辨率的 2022 年土地覆被图，其中包含 12 个植被类别和 3 个非植被类别（简称为 TP_LC10-2022）。
卫星数据：Sentinel-2 和 Sentinel-1。
地形数据：SRTM，用于创建水平精度为 16 m、垂直精度为 6 m 的全球高程模型，空间分辨率为 30 m。
降水数据：气候灾害组红外降水与站点数据（CHIRPS），是一个记录 1981 年至今全球降水的综合数据集。CHIRPS 将卫星图像与原位站数据集成在一起，允许以 0.05° 的分辨率生成适用于趋势分析和季节性干旱监测的网格化降雨时间序列。
温度数据：ERA5-Land，数据集提供了对土地变量的全面再分析，使用了 2022 年分辨率为 0.1° 的每小时温度数据。
土地覆盖分类：包括四个主要步骤：（1）采样策略，（2）数据预处理和特征构建，（3）分类模型比较，以及 （4）准确性评估和相互比较。
TP_LC10-2022 在使用 RF 模型时实现了 86.5% 的总体准确率和 0.854% 的 kappa 系数，优于其他分类模型，包括 GTB、MD 和 SVM。TP_LC10-2022 与四种广泛使用的土地覆被产品（GLC_FCS30-2020、FROM_GLC30-2015、FROM_GLC10-2017 和 WorldCover2021）之间的比较表明，TP_LC10-2022 具有更高的整体精度，并反映了植被类型随纬度的局部尺度变化。
本作品采用
知识共享署名
4.0 国际许可协议进行许可。
CSTR:11738.11.NCDC.ZENODO.DB6668.2024
10.5281/zenodo.10875021
