根据Landsat数据集1到数据集2，对传统的NLCD土地覆盖图进行对齐处理

《International Journal of Applied Earth Observation and Geoinformation》：Aligning legacy NLCD land cover maps based on Landsat Collection 1 to Collection 2

　　李聪聪|金素明
ASRC联邦数据解决方案公司，美国地质调查局（USGS）地球资源观测与科学（EROS）中心的承包商，根据USGS合同140G0124D0001执行工作，美国南达科他州苏福尔斯市57198

**摘要**
从Landsat Collection 1过渡到Collection 2在辐射测量和几何精度方面带来了显著改进。然而，这些改进导致了现有基于Landsat的土地覆盖产品与新数据集之间的位置不对齐问题。传统的国家土地覆盖数据库（NLCD）长期以来一直是多种研究的重要土地覆盖数据来源。因此，需要一种方法将NLCD产品与Collection 2对齐，以确保其服务的连续性和一致性。我们开发了一种策略，不仅将NLCD产品与新的Collection 2的几何位置对齐，还改进了受到几何变化影响区域的土地覆盖标注。该方法识别出同质土地覆盖斑块的边界像素作为可能受几何变化影响的潜在问题区域，并从以目标像素为中心的3×3窗口中生成候选标签，这些标签基于分割得到的多数类别。除了边界像素外，基于1000像素×1000像素处理窗口区域内的随机样本，为每种候选土地覆盖类型建立了标准的物候模式。通过惩罚动态时间规整（DTW）方法计算每个边界区域内目标像素与标准土地覆盖类型模式的物候距离。最后，该方法根据候选标签的物候距离确定最合适的标签。视觉评估和准确性评估结果表明，这种对齐方法在保留原始NLCD产品的整体土地覆盖模式的同时，减少了Landsat Collection 2与实际土地覆盖之间的空间差异，并提高了边界像素的土地覆盖标注精度。对齐后，土地覆盖边界区域的整体精度提高了7%。对齐结果与原始NLCD的质量和混淆矩阵比较证实了该方法的可靠性。我们的对齐方法有望成为将其他基于Landsat的土地覆盖产品与未来数据集对齐的框架。

**1. 引言**
自1972年以来，Landsat一直为各种应用提供多光谱和中空间分辨率图像（Wulder等人，2022年），如土地覆盖/土地利用制图、地球系统监测和资源管理。为了支持时间序列分析的一致性，美国地质调查局（USGS）在2016年底引入了基于数据集的处理方式，并发布了Landsat Collection 1，该数据集采用了最新的辐射测量校准和地理定位信息（Dwyer等人，2018年）。为了利用云计算的优势，并保持新发布的Landsat 9与之前的任务（Landsat 1至Landsat 8）之间的一致性，USGS在2020年发布了Landsat Collection 2（Crawford等人，2023年）。从Collection 1到Collection 2的过渡带来了几个变化，其中辐射测量和几何精度是最显著的。一方面，更新的传感器校准和增强的大气校正提高了Collection 2的辐射测量精度，尤其是对Landsat 5和8的影响；另一方面，改进的Landsat地面控制库和新的数字高程模型（DEM；Franks等人，2020年）数据用于改进Collection 2的几何处理。Crawford等人（2023年）比较了Collection 1和Collection 2的地理定位，发现美国（包括夏威夷和阿拉斯加）的大多数图像存在亚像素（<30米）的地理定位差异。不同数据集之间的地理定位差异因Landsat路径/行而异：某些路径的地理定位差异超过了1像素。这些改进对于提高卫星产品的准确性、监测地球表面变化至关重要。然而，这些改进也带来了新的挑战：如何生成能够利用并保持与现有Landsat Collection 1产品一致性的Collection 2产品，同时避免重复生成这些产品。

在基于Landsat的产品中，土地覆盖是众多科学研究的基础（Fleckenstein等人，2026年；Wulder等人，2018年）。尽管描述地表状态的土地覆盖产品应该不受辐射测量差异的影响，但像素位置的变化可能会导致位于两种或多种土地覆盖类型交界处的边界区域出现明显的土地覆盖变化，尤其是对于混合像素，因为这些像素内的土地覆盖比例发生了变化。虽然许多研究和项目专注于利用新数据集的增强功能进行新的分析，但很少有研究解决跨数据集比较或集成数据时出现的连续性问题。例如，LANDFIRE项目（Hawbaker等人，2020a）从2022年开始使用Collection 2（Hawbaker等人，2020b）。该项目没有计划使用Collection 2图像重新处理其历史数据集，因为将其重新处理为基于Collection 2的数据集会非常耗时且计算成本高，但这种做法导致了时间序列的连续性中断。其他广泛使用的土地覆盖/土地利用产品，如1999年至2018年的全球内陆水动态（Pickens等人，2020年）、2000年至2019年的全球森林变化（Hansen等人，2013年）、2000年至2019年的全球耕地范围和变化（Potapov等人，2022b）、2000年至2020年的全球土地覆盖和土地利用变化（Potapov等人，2022a）、1982年至2016年的全球土地变化（Song等人，2018年）以及首个30米分辨率的全球土地覆盖产品FROM-GLC（Gong等人，2012年），都没有使用Landsat Collection 2生成。这些产品也容易受到未来数据发布导致的边界不对齐的影响。如果没有重新处理或对齐方法，用户可能会在多年或数十年的分析中遇到由于处理更新而产生的突然分类变化，这些变化并非真实世界的改变。例如，在Collection 2图像的第一年出现的土地覆盖（如森林）边缘变化可能实际上是由于地理定位的亚像素移动造成的。这种亚像素移动可能会引入比实际土地覆盖变化更大的伪影，尤其是在异质景观中。土地覆盖变化的准确性对区域气候模拟（Ge等人，2007年）、水文过程（Alawi和?zkul，2023年）和生态系统服务（Anley和Minale，2024年）有重要影响。因此，缺乏对齐方法限制了传统产品在未来的可用性。已经开发了几种基于单像素时间序列相似性分析的时间对齐方法（Batkalova和Hao，2026年；Huang等人，2020年），但这些方法可能在异质区域（尤其是类别边界处）传播错误分类。其他方法则侧重于多传感器对齐，例如半监督流形对齐（Tuia等人，2021年），但这些方法并未解决土地覆盖产品中的几何问题。相比之下，我们的方法利用了类别级别的物候特征，重点关注边界区域，将Collection 1的土地覆盖标签与Collection 2图像对齐。该方法通过结合时间物候信息和空间背景，促进了土地覆盖产品在不同数据集之间的平滑过渡，确保了基于Landsat Collection 1的土地覆盖产品的可靠性，解决了Landsat数据集转换中的一个关键但被忽视的挑战。

**传统国家土地覆盖数据库（NLCD）（Dewitz，2023年；Jin等人，2023年）**产品指的是早期版本的NLCD，这些版本每隔两到三年发布一次土地覆盖快照（例如2001年、2004年、2006年、2008年、2011年、2013年、2016年、2019年和2021年）。这些数据集使用Landsat Collection 1的数据生成，是了解和监测美国土地覆盖动态的重要工具。NLCD已被用作机器学习模型的训练数据，包括在土地变化监测、评估和预测（LCMAP）产品（美国地质调查局，2022年）以及新一代“年度NLCD”产品（美国地质调查局，2024年）中的应用。此外，年度NLCD产品应用基于Landsat Collection 1的训练模型，该模型包括来自Landsat Collection 1图像的训练数据和特征，对Landsat Collection 2的特征进行分类。然而，仅使用Landsat Collection 2的训练数据和特征构建分类模型会减少分类模型和特征之间的不匹配。由于边界像素具有混合的光谱特征，它们受到数据集转换的影响最大，因此将这些像素纳入训练对于提高分类精度至关重要，因为它们通常包含来自多种土地覆盖类别的光谱信息（Li等人，2021年；Shen等人，2021年）。一方面，对齐NLCD有助于减少由于数据集转换引起的边界像素不对齐，使其能够继续用于其他需要长期准确土地覆盖监测的应用；另一方面，NLCD并非完美无误差；改进的辐射测量信息将有助于改进边界处混合像素的标注。这些改进将提高过渡或边缘区域的NLCD精度。

因此，在这项研究中，我们将提出一种新方法，将NLCD产品与Landsat Collection 2图像对齐。该方法也可应用于其他数据集。具体来说，我们重点关注：
（1）开发一个框架，整合时间序列分析以纠正受Collection 2转换引起的几何变化影响的像素；
（2）比较不同地理处理尺寸对对齐结果的影响，以确定平衡精度和计算能力的最佳窗口尺寸；
（3）评估对齐方法的分类精度，特别是在边界区域。

**2. 测试区域和数据集**
NLCD产品提供了2001年至2021年美国本土（CONUS）、阿拉斯加和夏威夷的30米分辨率土地覆盖地图。这些地图是通过结合Landsat反射率、辅助数据（如高程、国家湿地清单（NWI）和监督分类方法在Anderson Level II图例下生成的。选择最新的NLCD 2021版本来测试所提出的对齐方法。

选择了五个覆盖美国本土不同地区的Landsat Analysis Ready Data（ARD）瓦片（图1）进行测试。其中，H04V01位于北部落基山脉地区，主要包含森林、沿海湿地和冰川景观；H03V10位于西部到中西部的过渡地带，由农田、城市、过渡性草原和森林组成；H13V13代表美国中部，以温带和干旱气候下的草原、灌木丛和农田镶嵌为特征；H20V08包含大平原地区的广泛农业活动和大规模农作物生产；H24V13位于湿润气候区，景观包括森林、湿地和农业。这些瓦片经历了各种自然和人为引起的土地覆盖变化，包括火灾和砍伐造成的森林扰动、草原和灌木丛扰动、水文变化、城市扩张和农作物变化。

**下载：**下载高分辨率图像（969KB）
**下载：**下载全尺寸图像

**图1.** 美国本土的Landsat Analysis Ready Data（ARD）瓦片分布；背景为传统国家土地覆盖数据库（NLCD）2021数据集。

**3. 方法**
NLCD 2021的对齐方法包括：
1）识别可能受到几何变化影响的土地覆盖标签的像素（不包括已分类的像素）；
2）为这些像素选择最准确的土地覆盖标签。排除已分类像素的原因如下：NLCD中的已分类类别是通过整合多种数据源生成的，包括基于GIS的道路密度缓冲区、夜间光照、光谱分类和基于分割的方法。随后通过手动编辑细化掩码以确保映射精度（Homer等人，2007年）。从高分辨率数据集中提取的道路层具有改进的几何精度，这些数据集被用来增强不透水特征的识别能力（Yang等人，2018年）。道路像素在城市区域中占据了相当大的比例，进一步支持了所开发类别的空间可靠性。传统的NLCD 2021不透水类别也是以类似的方式生成的。因此，开发类别的几何形状并不严格依赖于像素级别的光谱信息。此外，该方法是基于物候比较开发的，而物候比较对于区分不同的子类别并不有效。为了保持这一类别的可靠性和完整性，我们保留了原始的开发类别，而不是应用对齐程序。图2展示了如何根据Landsat Collection 1数据集对齐传统NLCD 2021的边界像素，以匹配Landsat Collection 2数据集。候选的土地覆盖标签来自以目标问题像素为中心的3x3窗口，以及基于图像分割多边形得出的主要土地覆盖标签。图像分割多边形是在NLCD生产过程中生成的（Yang等人，2018年）。从非边界像素中随机收集样本，作为每种土地覆盖类型的代表样本（第3.1节）。这些样本用于使用所有可用的Landsat Collection 2图像和广义加性模型算法（第3.2节）来构建该年份的谱模式。随后，使用时间加权动态时间弯曲（DTW）方法将边界像素与每个标准土地覆盖模式进行比较，以计算它们的物候距离。其他非边界像素被保留下来（第3.3节）。选择DTW来衡量相似性，是因为它考虑了物候信息中的时间错位，这对于植被来说尤为重要。即使在同一植被群内（例如落叶林），季节性时间（例如开始和高峰）也可能有所不同。此外，与其他许多相似性指标或机器学习分类器不同，DTW不要求时间序列具有相同的长度来进行比较，这使得它更适合我们的应用。

下载：下载高分辨率图像（297KB）
下载：下载全尺寸图像

图2. 说明基于Landsat Collection 1的国家土地覆盖数据库（NLCD）2021土地覆盖产品与Collection 2对齐的流程图

3.1. 收集样本
对于传统的NLCD 2021土地覆盖图，空间连续的属于同一土地覆盖类别的像素组被视为土地覆盖斑块。我们假设传统的NLCD 2021准确地表示了土地覆盖斑块，并且只专注于调整边界像素。我们将NLCD 2021中的每个土地覆盖斑块视为一个单独的对象。由于Landsat Collection 1和Collection 2之间的平均位移在整个美国通常小于一像素，因此不需要添加缓冲区。每个土地覆盖斑块没有缓冲区的边界像素被视为对齐的目标像素。我们从土地覆盖斑块内部随机收集样本，以建立用于比较的标准土地覆盖物候模式。这个过程在一个较小的地理处理范围内进行，因为同一植被群（例如落叶林）的物候模式（例如叶片展开和叶片脱落）通常由于一致的局部环境条件而是一致的。这确保了得到的物候模式能够准确反映当地的植被动态。为了评估网格大小对最终对齐结果的影响，我们比较了两种不同的地理处理窗口大小：1000像素×1000像素和500像素×500像素。在每个目标网格内，我们为每种土地覆盖类型随机收集了20,000个样本单元。对于次要类别，如果所需的最低样本单元数（1000个样本单元）没有达到，就从最多5个×5个相邻的网格中继续收集样本单元，直到达到所需数量。设置最大搜索网格是因为同一区域内的土地覆盖类型具有相同的物候模式。这种搜索程序也在Li等人（2021年）的研究中采用。这些随机样本用于构建标准物候模式。

3.2. 建立标准物候模式
我们提取了2021年所有收集样本单元的无云Landsat Collection 2 ARD值。通过应用比例因子和偏移量（美国地质调查局2021年），将这些值转换为表面反射率值。然后计算了几个指数，包括归一化差异植被指数（NDVI；Tucker和Sellers，1986年）、归一化差异建筑指数（NDBI；Zha等人，2003年）、修改后的归一化差异水指数（MNDWI；Xu，2006年）、归一化燃烧比率（NBR；Miller和Yool，2002年）、增强植被指数（EVI；Huate等人，1994年）和裸土指数（BSI；Diek等人，2017年），并将它们与每个单独的光谱带一起纳入物候距离计算中。根据Li等人（2021年）开发的NDVI时间序列，将农田样本单元重新分类为十个子类别，基于生长季节中的峰值数量和峰值日期。使用广义加性模型（GAM；Wood，2011年），这是一种灵活的回归模型，来处理预测变量和多个响应变量之间的非线性关系。它使用获取日期作为预测变量，允许通过平滑样条函数捕捉非线性季节性模式。然后使用它来预测每个土地覆盖类别和每个反射率带以及每个指数的8天间隔时间序列作为标准物候模式。

3.3. 计算边界目标像素的物候距离
假设X是边界像素的时间序列，Y是标准土地覆盖模式的时间序列。为了测量边界像素和标准土地覆盖模式之间的相似性，我们使用了DTW方法。该方法计算X的时间步长n与Y的时间步长m之间的欧几里得距离distn,m，然后通过非线性弯曲两个时间序列来找到最佳匹配，以最小化总累积距离。最佳对齐路径上的距离之和就是DTW距离。
(1) distn,m = ∑b=1B(Xnb - Ymb)^2
其中：Xnb是时间序列X中时间步长n时波段b的值。Ymb是时间序列Y中时间步长m时波段b的值。B是光谱带的数量。
然而，时间序列弯曲不应仅关注形状对齐。例如，同一植被群（例如落叶林）内的不同物种（例如杨树和柳树）具有相似的物候特征（例如叶片展开和叶片脱落），但在小范围内这些事件的时间略有不同。因此，我们在时间序列对齐中引入了时间惩罚来考虑时间变化。在方程（2）中，α控制惩罚的程度。当时间差D(n,m)小于30天时，时间惩罚较小，意味着为了保持基础距离而增加的额外成本较低。然而，如果时间惩罚大于0.5（对于超过30天的时间差），距离会大大增加，从而不鼓励具有较大时间差异的对齐。30天的阈值和α值是基于大量测试选定的，因为它们在捕获典型物候变异性和防止在1000×1000像素处理窗口内的DTW对齐中过度时间弯曲之间取得了平衡。这些阈值也在之前的工作中被采用（Li等人，2021年）。然后使用更新后的d(n,m)来找到最佳对齐并计算物候距离。
(2) penalty(n,m) = 1 - e^(-α(D(n,m) - 30)
(3) d(n,m) = 1 + penalty(n,m) × dist(n,m)
其中D(n,m)表示时间序列中步骤n和m之间的时间差（以天为单位）。

3.4. 重新标记边界像素
我们比较了物候距离，以从候选标签中选择最佳的土地覆盖类型。候选土地覆盖标签由以目标边界像素为中心的3x3像素窗口和目标位置的主要土地覆盖类别组成。主要土地覆盖标签是基于图像分割得出的。候选标签旨在反映土地覆盖类型的固有特征。在考虑土地覆盖的几何位移时，对齐后的标签应与原始和相邻的土地覆盖类型相对应。
对于水体，由于所有波段的反射率值较低，物候距离容易受到异常值的影响，例如被云或冰污染的像素。为了解决这个问题，除了物候匹配外，如果MNDWI指数全年中值超过-0.05，并且原始的传统NLCD（Collection 1）标签或主要产品的标签是水，则对齐后的NLCD也将被标记为水。-0.05的阈值略低于常用的MNDWI阈值0（Chen等人，2020年），以保留更广泛的水体信号范围。年度中值旨在考虑季节性变化，减少短期波动的影响并提高鲁棒性。
对于所有其他目标边界像素，如果原始的传统NLCD标签或主要产品的标签在候选土地覆盖类型中具有最小的物候距离，则该像素的对齐土地覆盖标签将是距离最小的标签。否则，我们计算了一个空间时间加权物候距离来补充时间加权距离。空间时间加权距离Di的计算公式如下：
(4) Di = di × (1 - ni/10)
其中ni是候选标签中标记为类别i的像素数量。di是时间加权距离。
空间加权因子通过考虑3×3邻域内的类别频率和主要类别来结合空间背景和物候距离。这种加权确保了物候距离的微小差异不会不成比例地影响选择过程。更常见的类别获得较低的权重，该因子乘以1/10以保持与对齐计算中使用的物候距离的可比性。在满足以下条件时应用了这种加权：
1. 候选标签中存在裸地类别或木质湿地。对于裸地，由于干旱和半干旱地区的裸地（植被比例小于15%）和植被的生长季节短且稀疏，裸地和植被之间的差异通常较小；因此，原始的物候距离不适合从候选标签中确定最佳土地覆盖标签。大多数木质湿地无法使用最佳传感器与其他植被区分开来，因为全年都没有观察到积水，时间加权物候距离不足以将它们分开。
2. 我们计算了前两个最小时间加权距离的z分数差异，其中时间加权距离差异通过像素的所有时间加权距离的标准差进行了标准化。根据Cohen的指南，0.2个标准差被认为是小的（Cohen，1988年）。如果它们之间的z分数差异小于0.2个标准差，我们认为这两个土地覆盖类别的时间加权距离是不可区分的。
对于这两种情况，通过结合空间背景，该方法倾向于选择不仅最小化物候距离，还提高空间一致性的标签，从而提高对齐土地覆盖图的稳定性。
对于剩余的边界像素，我们仍然将它们标记为距离最小的类别。所有非边界像素和边界区域内的开发像素保持与传统NLCD标签相同。

3.5. 验证样本
从五个Landsat美国ARD瓦片中收集了总共1925个验证样本单元，每个瓦片包含5,000×5,000个30米网格化的像素。在每个瓦片内，根据2001年早期地图原型的土地覆盖范围创建了分层。每个瓦片进行分层，并从原型地图中每个土地覆盖类别的范围随机选择了25个样本单元。因为有三个瓦片不包括多年生雪/冰类别，所以样本单元的总数为1925个。这些分层的随机样本单元由Annual NLCD项目的验证团队使用TimeSync工具（Cohen等人，2010年）和其他支持性辅助数据进行解释。解释者经过良好培训，并遵循标准化协议，以确保参考数据的一致性和可靠性，因此报告的准确性反映了对齐的真实准确性。这些验证样本单元完全独立于用于构建物候模型的样本——在训练或推导物候指标时没有使用任何验证点。表1提供了每个瓦片的验证样本摘要。在所有样地中，有1301个样本单元（占67.6%）位于边界区域，而在边界区域内，有837个样本单元（占43.3%）在旧的NLCD 2021数据中未被归类为已开发区域。验证样地中边界像素的高比例也表明了它们在提高土地覆盖映射结果整体准确性方面的重要作用。表1总结了验证样本单元的情况。

4.1. 准确性评估
我们将该方法应用于旧的NLCD 2021科学土地覆盖产品，并增加了两个额外的森林过渡类别。在验证过程中，将灌木-森林和草本-森林的标签分别对应调整为灌木和草本。所有样地的总体准确性（OA）从原始的NLCD 2021产品的52%提高到了对齐后的NLCD 2021产品的55%（参见表2）。在边界区域，有223个样地进行了对齐并改变了标签，其中98个样地在Anderson Level II图例下得到了修正。在Anderson Level I图例下，有171个样地进行了对齐并改变了标签，其中90个样地得到了修正。对齐过程使准确性提高了7%。这一结果也凸显了正确分类边界像素的挑战性。荒地（31）与植被类别之间的区分得到了增强。混合森林（43）和木质湿地（90）在生产者准确性（PA）方面没有改善。而落叶林（41）和牧场/干草地（81）在用户准确性（UA）方面略有下降。当使用Anderson Level I图例比较更广泛的类别时，除了已开发类别外，所有类别的PA和UA都有所提高。所有样地的PA从71%提高到了74%，边界区域的PA从64%提高到了67%。

4.2. 样本区域
在原始的NLCD 2021数据中观察到的整体土地覆盖模式与对齐后的NLCD 2021数据保持一致，这证实了结果的可靠性。为了提高边界样本的准确性，对数据进行了少量调整（见图3）。

5. 讨论
5.1. 地理处理窗口大小的影响
我们使用了两种不同的处理窗口大小进行了结果比较：500像素×500像素（混淆矩阵见表4）和1000像素×1000像素（混淆矩阵见表3）。总体而言，两种处理大小下的测试区域准确性相似，其中1000像素×1000像素的处理效果优于较小的窗口大小，除了木质湿地（90）类别。此外，我们将测试范围扩展到了沿海区域H02V04之外的五个瓦片。如图4所示，尽管两种结果都与原始NLCD 2021的整体模式一致，但较大的窗口大小产生了更一致和可靠的结果。相比之下，较小的窗口大小在地理处理区域之间产生了一些明显的处理边界。这是因为在较小的处理区域内，主要土地覆盖类别的样本聚集在较小的区域内，导致主要类别可能被过度代表，而次要类别可能被低估。对于较大的地理区域，样本来自合理的范围，因此类别得到了良好的表示。由于两个原因，窗口大小没有超过1000像素×1000像素进行测试：首先，增加处理大小会引入更多的物候变异性，从而增加类别的复杂性，可能导致物候距离的计算不准确；其次，增加处理大小会显著增加内存需求。因此，将处理大小限制在1000像素×1000像素是在计算可行性和保持对齐准确性之间的平衡。

5.2. 空间权重对物候距离的影响
在方法中，我们采用了时空加权物候距离来确定潜在荒地和木质湿地像素以及具有类似两种或更多类别物候特征的像素的土地覆盖标签。结果表明，时空加权距离（表3）在提高边界像素的分类准确性方面优于原始的时间加权距离（表5）。所有类别的PA和UA都有所提高，包括荒地（31）、常绿森林（42）、草地（71）、牧场/干草地（81）、耕地（82）、木质湿地（90）和新兴草本湿地（95）。这些类别在本地区域可能表现出相似的物候模式，如果方法仅依赖物候距离来确定最佳土地覆盖标签，可能会导致分类错误。时空加权距离考虑了每个类别在候选标签中的普遍性，从而进行了加权。

5.3. 未来的工作方向
利用对齐后的NLCD 2021产品，我们可以专注于识别随时间发生变化的区域内的边界像素，以对齐历史NLCD产品（2001、2004、2006、2008、2011、2013、2016、2019）。识别出目标像素后，我们可以使用目标NLCD年份的Landsat时间序列值计算它们的物候距离，并使用相同的对齐过程重新标记它们。其他像素可以保持与对齐后的NLCD 2021相同，除非这些区域发生了变化。由于每年只需要更新少量的边界像素，因此预计其他年份的总体准确性将与2021年相似。这样可以确保多年间的时间一致性，同时减少不必要的修改。历史对齐的NLCD产品有望作为年度NLCD土地覆盖分类的宝贵训练层。通过将对齐后的NLCD产品整合到分类工作流程中，可以确保训练源和训练特征都来源于Landsat Collection 2。

5.4. 局限性
尽管提出的方法成功地对齐了土地覆盖标签，并提高了目标边界像素的准确性，但仍存在一些局限性。原始的NLCD产品并非完全没有错误。为了减少误分类的影响，我们从大量核心土地覆盖斑块中推导出了标准土地覆盖模式，排除了边界处几何错位或混合的像素。这些土地覆盖模式对异常值具有相对的鲁棒性。此外，对齐过程依赖于相对相似性而非严格匹配，因此对参考拟合模式中的小误差不太敏感。尽管仍可能发生一些小的误差传播，但其影响预计是有限的。然而，如果边界像素没有任何一个候选标签是正确的，由于方法的严格匹配规则，最终的对齐结果将不准确。一方面，限制从周围像素中派生的候选标签可以确保对齐输出的可靠性和一致性；另一方面，这种限制也限制了该方法解决遗留数据中固有错误的能力，因为它无法引入新的标签来纠正分类错误。此外，尽管对齐过程提高了边界像素的准确性，但其效果受到定义的边界区域大小的限制。位于该边界区域之外的错误分类像素将保持不变，即使它们与边界像素中的错误密切相关。这种限制可能导致边界附近区域的土地覆盖标签出现不一致性，因为对齐过程不会超出预定义的边界缓冲区。该方法并未设计用于对边界区域内的开发用地像素进行对齐，因为物候学距离在区分开发用地的子类别方面存在局限性。开发用地各子类别之间的主要区别在于不透水表面的比例，但这种差异很微妙，在比较时间序列时容易与其他类别混淆。

6. 结论
本文提出了一个用于将NLCD产品与Landsat Collection 2图像对齐的框架，解决了新Landsat数据集发布后产品不匹配的问题。所提出的方法成功识别并重新标记了容易受到数据集变化影响的边界像素。该方法基于标准土地覆盖模式与优化地理区域内的边界像素之间的物候学比较进行设计，随后根据物候学距离对边界像素进行了重新标记。对齐后的NLCD产品与新Landsat数据集的一致性得到了提高，边界区域的土地覆盖精度也得到了提升。此外，该框架还可以应用于其他基于Landsat的数据产品，如LANDFIRE EVT以及其他区域或全球土地覆盖产品。展望未来，该框架为解决未来Landsat数据集（例如Landsat Collection 3）中的对齐问题提供了解决方案。对齐后的产品将有助于持续改进土地覆盖产品的可靠性和环境监测及其他研究应用的准确性。

作者贡献声明：
李从聪：撰写——审稿与编辑、撰写——初稿、验证、软件开发、方法论、概念化。
金苏明：撰写——审稿与编辑、方法论、概念化。