企业官网建设流程全解析

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。

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.style，ArcGIS 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：

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：

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