《Remote Sensing of Environment》：Methodology for assessing the accuracy of long-term, annual land cover monitoring at national scale: Experiences from the Land Change Monitoring, Assessment, and Projection (LCMAP) initiative
编辑推荐：
• 业务化年度土地覆盖制图需要对精度评估方法进行修改。
• 两步抽样灵活地在项目期限内支持基于地图的分层抽样。
• 多年观测通过聚类抽样（cluster sampling）公式得以容纳。
• 变化一致性最好结合时间错配的程度进行评估。
• 向前
• 业务化年度土地覆盖制图需要对精度评估方法进行修改。
• 两步抽样灵活地在项目期限内支持基于地图的分层抽样。
• 多年观测通过聚类抽样（cluster sampling）公式得以容纳。
• 变化一致性最好结合时间错配的程度进行评估。
• 向前延伸参考数据会导致必须加以缓解的问题。
持续的土地覆盖监测正取代一次性制图，成为表征地表变化的主要范式。这种转变要求精度评估从一次性活动转变为持续过程。然而，现有实践很少提供在大型业务化项目中实施持续验证的经验。美国地质调查局（USGS）土地变化监测、评估与预测（LCMAP）计划是典型的业务化年度监测项目，利用Landsat系列卫星数据生产美国本土（CONUS）30米分辨率的年度土地覆盖和变化产品，并多次更新发布。LCMAP团队在《Remote Sensing of Environment》发表论文，系统阐述了其精度评估方法学，以应对年度监测带来的独特挑战，包括：平衡土地覆盖和变化的多目标精度估计、形式化时间一致性容差、保证参考数据时间序列的连续性，以及聚合长期序列的统计推断。该研究填补了国家尺度、Landsat分辨率、数十年跨度变化验证的文献空白，并为CEOS Stage 4验证标准的业务化实施提供了范例。
研究方法上，LCMAP采用了创新的两步抽样设计。CONUS初始样本为简单随机抽样（SRS），从Landsat美国分析就绪数据（ARD）像素中选取25,000个（实际有效24,971个），使解译工作能在地图完成前开始；随后利用SRS可转换为分层样本的性质，在基于LCMAP产品定义的变化分层中额外选取2,000个样本，以增强稀有变化类型的精度。夏威夷验证则使用基于已有地图（NLCD和NOAA C-CAP）构建的600像素分层随机样本。响应设计采用TimeSync界面，由人工解译员对每个样本地点的多年时间序列分配土地覆盖和土地利用属性，并通过随机和针对性重复解译进行质量检验。变化一致性采用最大非交叉匹配算法，允许±0、±1、±2年的时间窗。分析使用与抽样设计相适应的估计公式计算精度和面积。
研究结果如下：
4.1 土地覆盖和土地覆盖变化的精度评估。研究人员通过构建年度误差矩阵，计算了用户精度、生产者精度和总体精度。例如，LCMAP CONUS 1.0产品2000年总体精度为82.9%（±0.23%）。对于多年度聚合估计，采用聚类抽样方差公式以正确反映时间相关性，避免低估标准误差。
4.2 抽样分层对变化精度估计的影响。通过对比CONUS 1.0（SRS，样本量24,971）和1.3（增补分层样本，样本量26,971）的精度，研究人员发现分层设计使湿地、水体等稀有变化类型的用户精度标准误差降低了1.65–2.36倍，所有变化类型的标准误差比均超过样本量增加的基准比（1.04），证明分层抽样显著提高了变化估计精度，而不仅仅是样本量增加带来的收益。
4.3 基于样本的面积估计。研究人员利用分层估计量从参考样本推导各类别面积和变化面积，避免了简单像元计数带来的偏差。这些面积估计被用于分析跨时间序列的净变化、总变化、变化足迹和重复变化等指标，支撑了多年代际趋势研究。
5.1 参考数据更新的时间成本和延迟。研究人员报告，将CONUS参考数据从2016年延伸至2018年时，每个像元平均耗时10分钟，相当于初始解译时间（15–20分钟）的50%以上。由于频繁更新成本过高，建议采用较长周期（如5年）进行完整回顾，这与相关文献建议一致。
5.2 更新过程中发现的伪影。研究人员发现，参考数据延伸后，第一年的变化面积显著上升，而每次收集结束前1–2年变化面积下降。该伪影在森林生长等渐进变化中尤为明显，可能缘于解译者在无法看到完整未来时间序列时，倾向于在新增年份记录变化，而非修改之前的标注。这提示频繁更新参考数据会损害变化一致性，需要设计更谨慎的更新协议。
讨论部分，研究人员指出，LCMAP经验揭示了长期参考数据项目的新兴问题。6.1 分层更新：由于变化足迹随时间迁移，原始分层可能失去效率，建议基于新地图创建额外分层并补充样本，以维持估计精度。6.2 总方差和偏差表征：重复解译子样本可用于估计总方差，但解译冲突、人员更替和偏差校正使精确估计复杂化，未知解译偏差可能影响估计保真度。6.3 参考数据公开：LCMAP公开了参考样本数据，支持二次分析（如分类误差的空间特征、机器学习训练），但用户需注意抽样设计特征（如不等包含概率需加权），项目提供了完整的公式文档以确保正确使用。
研究结论部分翻译为：LCMAP证明，统计严格的年度土地覆盖和变化精度评估可以扩展到业务化大规模项目，同时保持及时的验证结果发布。概率抽样、高质量参考数据以及与设计一致的分析这些基本原则仍然适用，但具体协议需针对连续监测进行调整。LCMAP的两步抽样策略将初始收集与后续针对性增强分离，已被年度国家土地覆盖数据库（Annual NLCD）项目采纳。然而，在参考数据中一致地表征地覆盖变化仍是一大难题，表现为重复解译不一致和时间伪影。因此，有必要进一步研究减少参考数据偏差及表征不确定性，以完善连续监测的精度评估方法。LCMAP的实施代表了一个在业务约束下可行的方案，但并未提供唯一标准，几乎所有相关环节都有待更深入的研究。
