做土地利用变化分析这些年，我一直在等一套“既能看清细节、又不用自己从头训练模型”的全球土地覆盖数据。Esri在2020年放出的这套10米全球土地覆盖数据，第一次把全球尺度的分类产品拉到了10米分辨率，配合官方那套Land Cover Downloader下载入口，从数据获取到出图统计整个流程比我想象中顺得多。这篇就把我从找数据、下载、投影处理、面积统计到踩坑排查的完整经历捋一遍，给想用这套数据的人一个可以直接照着做的参考。
这套数据适合谁？做城市规划、生态评价、林业与农业宏观监测、气候变化研究的人，基本都能用上。它帮你省掉下载海量Sentinel-2原始影像、自己跑深度学习模型分类的过程，拿到手的已经是分好类的栅格结果。下面从数据本身的底细开始讲，再到下载方式，最后是实操中最容易翻车的坐标系和NoData问题。
1. 这套数据是什么：Esri 2020 10m全球土地覆盖的底细
1.1 从原始影像到分类产品
很多人第一次打开这套数据时会有个疑问：这看起来不像卫星影像，颜色一块一块的，是不是把照片压扁了？其实这正是它的核心价值所在。这套数据不是普通的遥感影像，而是基于ESA Sentinel-2（哨兵二号）10米分辨率光学影像，通过深度学习模型自动分类生成的“语义标签”栅格。
具体来说，Esri联合了Impact Observatory和微软的AI for Good团队，用深度卷积神经网络对全球的Sentinel-2影像进行逐像元分类，把每个10米×10米的像元归到10个地表类别之一。整个处理流程在云端完成，最终以影像服务的形式发布在ArcGIS Living Atlas上。对普通用户来说，你不需要自己下载任何原始影像，不需要GPU，不需要训练模型，直接通过在线服务按范围导出即可。
我看过官方披露的模型思路：训练数据来自全球各地人工解译样本，模型对光谱、纹理、植被指数等多维特征做融合分类。这套流程的厉害之处在于，它把过去需要超级计算中心才能完成的任务，变成了一个普通GIS用户可以随时调用的公开数据服务。也正是因为底层的自动化程度高，它才能以10米这样的分辨率覆盖全球。
1.2 10米分辨率到底意味着什么
我先给几个对比数据：传统的全球尺度土地覆盖产品，比如ESA CCI-LC，分辨率是300米；GlobeLand30是30米；而Esri这套是10米。10米这个档位意味着什么？拿一个具体的场景说，一条农村公路两侧的防护林带，宽度大约15到20米，在30米分辨率下基本就和道路糊在一起了，但在10米分辨率下能清晰分出一条一条的树带。一个小村庄周边的零散菜地，30米分辨率只能看到破碎的混合像元，10米分辨率则可以数出地块边界。
当然，分辨率高不等于一切都好。10米数据对存储、传输、处理的要求也成倍增长，全球一张10米栅格的体量是30米产品的9倍左右。这也是为什么官方并不推荐用户直接下载全球“一整张”tif，而是建议按研究区范围、按需要分块导出。关于这个后面实操部分会详细说。
从行业影响来看，这套数据让很多中小团队第一次拥有了“免费、全球、高分辨率”的土地覆盖底图。过去做一个省级的生态评价，光是准备土地覆盖数据就要花大量时间协调数据源，现在打开ArcGIS Pro加个图层就能开始分析，这是它最大的贡献。
1.3 十个类别，别把编号搞错
这套数据的像元值就是类别编码，不是连续的反射率数值。你每看到一个值，必须对应到官方分类体系里去理解。官方共定义了10个类别：
| 编码 | 英文名称 | 中文含义 | 简要说明 |
|---|---|---|---|
| 1 | Water | 水体 | 河流、湖泊、海洋、水库等常年有水区域 |
| 2 | Trees | 树木 | 郁闭度较高的林地，包括天然林和人工林 |
| 3 | Grass | 草地 | 天然草地和稀疏草被，区别于人工牧草 |
| 4 | Flooded vegetation | 洪泛植被 | 红树林、沼泽、季节性淹没植被 |
| 5 | Crops | 农作物 | 耕地、农田，含一年生和多年生作物 |
| 6 | Built Area | 建成区 | 建筑、道路、硬化地面等不透水面 |
| 7 | Bare ground | 裸地 | 裸露土壤、沙地、岩石等 |
| 8 | Snow/Ice | 冰雪 | 常年积雪、冰川、冰盖 |
| 9 | Clouds | 云 | 云遮挡区域，属于有效类别但不是地表类别 |
| 10 | Rangeland | 灌丛草地 | 以灌木和草本为主的自然植被，区别于人工草地 |
这里最容易搞混的是第3类Grass和第10类Rangeland。官方定义里，Rangeland更偏向自然状态的灌木-草本混合植被，而Grass更多指草为主的区域，农业上的人工牧草通常会被分到Crops那一类。实际使用中，如果只是看宏观植被格局，把3和10合并成“草地灌丛”也很常见，但严格按官方定义做统计时不要随便合并。
另外特别注意第9类Clouds。很多人在统计面积时会把9当异常值删掉，但实际上云是这套数据的“正常组成部分”，全球不少区域，尤其是热带雨林和季风区，云遮挡比例相当高。处理时必须把它单独拎出来看占比，它在分类结果里是白色的，很容易和背景混淆，后面第4章我会专门讲怎么处理。
1.4 与同类全球产品的横向对比
做科研或者写报告，经常会被人问：为什么不用GlobeLand30？为什么不用FROM-GLC？我把主流几套全球土地覆盖产品放在一起比较一下，方便你选型。
| 产品名称 | 分辨率 | 主要数据源 | 类别数 | 优势 | 局限 |
|---|---|---|---|---|---|
| Esri 2020 Land Cover | 10米 | Sentinel-2 | 10类 | 分辨率高、获取即时、全球一致性好 | 类目较粗、有云污染、单期为主 |
| GlobeLand30 | 30米 | Landsat等 | 10类 | 精度验证扎实、应用广泛 | 更新周期长、下载流程较繁琐 |
| FROM-GLC | 10米/30米 | Landsat/Sentinel-2 | 30米版10类左右 | 清华团队长期维护 | 版本较多，需仔细选择对应年份 |
| ESA CCI-LC | 300米 | MERIS/SPOT等 | 22类 | 时间序列长、适合气候模式 | 分辨率太低，区域细节不可用 |
| CGLS-LC100 | 100米 | PROBA-V | 10类左右 | 每年更新、有连续植被覆盖度层 | 分辨率不如Esri |
我的建议是：如果你做的是城市群、县域、省级尺度的分析，Esri这套10米数据在分辨率上优势明显；如果你要做长时间序列的变化分析，CCI-LC的20多年连续产品更合适；如果你对精度要求较严且只关心特定年份，GlobeLand30的30米产品可以作为交叉验证。没有一套数据是万能的，组合使用才是常态。
2. 下载前的准备：先想清楚范围与输出方式
2.1 你需要的到底是“全球一张图”还是“研究区一张图”
第一次用这套数据的人，最容易犯的错就是试图把全球数据一次性下载回来。我见过群里有人问“哪里有全套10米全球土地覆盖数据直接下载”，然后去找了几百GB的种子文件，下了三天还没下完。其实官方并不建议这么做，原因很简单：全球10米分类栅格完整铺开的体量非常庞大，普通电脑光打开一次就要几分钟，更别说做分析了。
正确的思路是先明确研究区。你在ArcGIS Pro里打开数据源浏览时，看起来是“全世界都在”，但真正需要的是某个流域、某个省、某个县的范围。先用矢量边界圈定范围，再按范围导出，这样导出的文件可能只有几十MB到几个GB，处理起来非常舒服。
还有一个细节：范围框选时，尽量把矢量边界的坐标系统一到WGS84经纬度。因为在线服务的导出接口通常使用地理坐标（EPSG:4326）来定义范围，你直接用WGS84的bbox去请求最不容易出错。如果你手头是投影坐标的shp，例如中国2000大地坐标系（EPSG:4490/4547等），建议先投影转WGS84再框定导出范围，或者导出后再裁。
2.2 两个下载入口：Living Atlas与REST导出
目前获取这套数据主要有两个入口，都需要联网使用，本质上是同一套云端影像服务，只是访问方式不同。
第一个入口是ArcGIS Living Atlas。打开ArcGIS Pro，在目录窗格里的“门户”节点下选择Living Atlas，搜索“Esri 2020 Land Cover”，就能找到对应条目。双击加载到地图后，可以直接预览，也可以在图层面板右键选择“数据—导出栅格”来保存本地的tif文件。这个入口适合交互式操作，边看边选范围，比较直观。
第二个入口是直接调用REST影像服务。在Living Atlas页面里找到图层服务URL，把它复制出来，可以在QGIS的“ArcGIS REST Servers”连接中加载，也可以用脚本方式请求导出。这个入口适合批量处理：你有十个县的范围要分别下载，写个循环脚本跑一晚上就完事，不用手动点二十次。
我个人的习惯是首次接触先走Living Atlas，确认数据范围和类别没问题后，再转用脚本化导出。关于“Land Cover Downloader”这个名字，其实指的就是这套数据配套的下载导出体系——无论是官方页面里的导出按钮，还是第三方封装的下载小工具，底层调用的都是影像服务的Export Image能力。所以只要理解了REST导出，任何封装工具在你眼里都是透明的。
2.3 把“下载器”理解成一个导出参数问题
我用过几个不同版本的Land Cover Downloader下载工具，体验参差不齐。有的工具只是把导出请求包装了一个界面，有的则支持批量和断点续传。但你只要理解这背后的核心，就不会被工具牵着走。
一次导出请求本质上就是在问服务端这样几个问题：
- 你要哪块范围？（bbox，即最小经度、最大经度、最小纬度、最大纬度）
- 你要什么分辨率？（官方源数据是10米，但你可以指定导出30米以减小文件体量）
- 你要什么输出格式？（tif、png、jpg等）
- 你要用什么重采样方式？（分类数据必须用最近邻nearest）
- 你要什么坐标系？（默认3857，也可直接导出为UTM等投影）
理解了这些参数，你就可以用任何工具、任何语言去请求数据。这也是为什么我会在后面实操部分给一套兼顾ArcGIS Pro和GDAL的流程。
3. 实操流程：从拿到数据到出图统计
3.1 ArcGIS Pro手动导出
如果你是ArcGIS Pro用户，手动导出整套流程是这样走的：
打开Catalog面板，展开Portal，进入Living Atlas，搜索“Esri 2020 Land Cover”，把影像图层拖进地图视图中。第一次加载可能会因为全球范围较大而显示比较慢，这是正常的，等绘图层刷新出来后再放大到你的研究区。
确定范围后，在图层面板上右键你加载的栅格图层，选择“数据—导出栅格”。在导出窗口里，关键是下面几个设置：
- 范围：选“当前地图范围”或者手动输入研究区边界，一般习惯选当前地图范围，配合“按地图范围裁剪”使用；
- 像元大小：保持10米，不建议在这里强行放大（比如改成5米），因为源数据本身只有10米，放大分辨率只是插值，不会增加真实信息；
- 重采样：必须要选“最近邻”（Nearest Neighbor）。分类数据是离散标签，用双线性或三次卷积会算出“2.5类”这种无效值；
- 像素类型：选8位无符号整型；
- NoData：设置为0，或者跟随源数据的NoData设置。
确认后点导出，会生成一个本地tif文件。这里有一个官方文档不会告诉你的细节：在线影像服务导出是有单次像素上限的。如果你的研究区特别大（比如一整个省），一次导出几万×几万像素很容易报错。解决办法是拆成多个小块分别导出，后面用拼接工具合并。
3.2 QGIS与GDAL脚本化下载
如果你习惯开源工具链，用QGIS加GDAL也能完成同样的事情，而且脚本化之后效率会明显提升。
先用QGIS加载服务：数据源管理器，选择ArcGIS REST Servers，新建连接，把Living Atlas条目里的服务URL贴进去，注意URL应以/ImageServer结尾。连接成功后把图层加到画布，右键“导出—另存为”，照样设置tif格式和10米分辨率。这是交互式做法。
想做批量导出，直接用GDAL的命令行更省事。核心思路是通过/vsicurl虚拟文件系统直接读取HDF或者云服务端点，GDAL请求服务端的exportImage子路径，把结果当作一个本地文件来处理。示意命令如下：
gdal_translate -of GTiff -projwin 115 40 122 30 -tr 10 10 -r near \ "/vsicurl/https://<服务地址>/ImageServer/exportImage?bbox=115,30,122,40&bboxSR=4326&size=7000,7000&format=tiff&f=image" \ lc_2020_tile.tif命令里的bbox是按WGS84经纬度写的四个角点，格式是左、下、右、上；size如果不给，服务端会按范围自动计算；-r near对应最近邻重采样。需要注意，不同版本的GDAL对ArcGIS影像服务的处理能力有差异，如果直接用/vsicurl读不了，可以考虑先用QGIS导出一块测试数据，确认流程通顺后再批量操作。
我实际测试下来，脚本化导出的优势不仅仅是省时间，更重要的是参数一致性。手动一次一次点导出，很容易某次忘记改重采样方法或者NoData设置，而脚本每次请求都是相同参数，这个在后期数据处理时能省很多麻烦。
3.3 拼接、裁剪与投影转换
分块导出之后，第一步是拼接。这里有个经验：不要一上来就调用“镶嵌至新栅格”这种重型工具，先尝试用gdalbuildvrt建立虚拟栅格，再转一次tif。好处是内存占用小，速度快，拼接时也不会因为边缘重叠产生条痕。
gdalbuildvrt lc_all.vrt tile_0.tif tile_1.tif tile_2.tif gdal_translate -co COMPRESS=LZW -co BIGTIFF=YES lc_all.vrt lc_2020_study.tifLZW压缩对分类栅格非常友好，因为类别值重复度高，压缩比很大。BIGTIFF=YES是为了防止输出超过4GB时报错。如果你研究区特别大，文件超过几十GB，可能需要考虑分带处理，不要强行拼一张全球图。
投影转换建议放在拼接完成之后做。因为原始服务的网格是Web Mercator（3857），而多数应用场景需要转成UTM或其他投影。用gdalwarp转投影时同样要注意重采样方法：
gdalwarp -t_srs EPSG:32650 -r near -co COMPRESS=LZW lc_2020_study.tif lc_2020_utm50n.tif这里EPSG:32650是WGS84 UTM 50N，适合中国中部大部分地区。大家根据自己的研究区所在分带选择合适的EPSG代码就好。
3.4 类别面积统计
有了分类栅格，最常做的操作就是统计各类别面积。这里要强调：如果栅格还在3857投影下，直接统计的面积是错的，这点非常重要，下一章会专门讲。假设你已经转到了合适的等积投影，统计面积就很简单了。
在ArcGIS Pro里可以直接用“Tabulate Area”工具，输入栅格，表里会自动输出每个类别码对应的像元数量和面积。在QGIS里，可以打开属性表，用栅格唯一值统计的方式，或者用Raster Layer Unique Values Report。
如果用栅格计算器提取某个类别，推荐写成这样：
# QGIS raster calculator expression "lc_2020@1" = 5这会生成一个二值栅格（真为1、假为0），然后在属性里查看有效像元数，乘以单个像元面积（10米×10米=100平方米）就是该类别面积。更严谨的做法是先排除云和NoData，再统计占比，这部分我在4.2节继续讲解。
4. 最容易翻车的投影与NoData细节
4.1 3857投影下的面积陷阱
标题里写了“全球10m”，很多人以为数据是标准的等距等面积投影，拿到手就直接统计面积，结果一国面积算出来比理论上大了好几倍，还以为是数据错了。其实问题出在Web Mercator投影。
原始服务使用的是EPSG:3857，也就是Web Mercator。这种投影的优点是在线地图显示时非常好用，形状保持也还可以，但面积变形非常夸张。它的变形规律是：越靠近高纬度，面积放大越严重。变形系数大约是1除以纬度的余弦值再平方，公式为sec²(φ)。举个直观的例子，在北纬60度附近，面积会被放大约4倍；中国东北地区大约在北纬45到53度之间，面积也会被放大2到3倍。也就是说，你在黑龙江用3857统计一片林地的面积，得出的数字可能是真实面积的近3倍。
所以做面积统计、密度计算、碳汇估算这些涉及数值结果的工作，一定先把栅格投影转换成等积投影。中国的全国尺度项目可以用Albers等积投影，区域项目用对应的UTM分带即可。制图展示时用3857没问题，但数值统计必须换坐标系，这是这套数据使用中最重要的一个坑。
4.2 0和9的区别：NoData与云
分类栅格下载回来后，看一眼属性表，你会发现除了1到10之外，还有一个0值。这个0通常代表NoData，即背景或无效区域。它不是一个真实的地表类别，统计面积时如果把它算进去，会让总量偏大。
第9类Clouds则完全不同，它是有效像元，但代表云遮挡。云下面的地表是什么，分类算法无法判断，所以它被单独标出来。如果你做植被覆盖分析，云既不是植被，也不能当无效数据删除——正确做法是先把云在分析中排除，统计有效面积时用“非云且非NoData”的像元数作分母。
我常用gdal_calc来做这个处理：
gdal_calc.py -A lc_2020_study.tif --outfile=valid_mask.tif \ --calc="((A>0)*(A!=9))*1" --NoDataValue=0生成的有效掩膜里，1表示有效像元，0表示云或NoData。后续所有统计都在这个掩膜约束下进行，结果才真正可比。用QGIS栅格计算器也能写同样的表达式。
还有一个经验：下载完顺手算一下云的占比。如果某个区域的云占比超过10%，说明这期数据的局部质量不太好，做分析时要谨慎，有机会的话用相邻年份的数据或者另一套产品插补。
4.3 官方样式文件与配色建议
分类栅格直接显示时通常是一堆灰阶颜色，很难看。Esri官方为这套数据提供了配套的样式文件，在Living Atlas条目页面或者ArcGIS Pro的符号系统里可以找到“Esri 2020 Land Cover”配色方案，加载后就是大家常见的那套标准配色：水体深蓝、森林深绿、草地浅绿、建成区红色、裸土棕色等。
这套官方配色有几个好处：第一，各类别色差明显，读图效率高；第二，社区分享图件时大家都用同一套颜色，沟通成本低；第三，官方对第9类云用白色，第8类冰雪用浅蓝白色，两者在视觉上有区分。
如果要自定义配色，我建议注意两点。一是第9类云不要做成纯白，否则和背景NoData撞色，最好加一点灰色或浅黄。二是避免使用红绿这样的组合作为唯一区分，考虑色盲用户，可以用蓝橙棕等替代。制图输出时，图例名称尽量写上中文简写加编码，比如“2-树木”，读者对照官方说明时不容易对不上号。
5. 常见问题与排查技巧实录
5.1 导出超时与任务排队
在线影像服务不是实时出结果的超算，它有自己的任务队列。我遇到过两三次这种情况：提交了一个范围很大的导出请求，等了好几分钟，结果返回一个“Failed”或者“Timeout”。这不是数据坏了，而是服务端限制了单次任务的像素数和计算时间。
解决办法很简单：缩小范围，分块导出。我个人的经验是单次导出控制在5000×5000像素左右，也就是2500万像元以内，稳定性和成功率最高。如果你的研究区很大，写一个网格切分脚本，按每块约0.3到0.5个经纬度来切分，逐块下载，最后拼接。
另外，碰到服务繁忙时段（比如工作日白天），导出排队时间可能很长。如果条件允许，把批量任务放到夜间跑，成功率会高不少。这个跟任何大型在线渲染服务的道理是一样的。
5.2 影像发黑、发白与类别值错乱
下载完数据拖进软件里，呈现出一片纯黑或者一片纯白，这是新手最容易慌张的情况。先别急着删数据，绝大多数是因为显示渲染方式不对。
分类栅格是离散整数，但软件默认会按“连续色带”去拉伸显示，结果类别1和类别10之间的差值被硬拉出一条渐变，看起来要么黑乎乎要么白花花。解决办法是在图层符号系统里把渲染方式从“拉伸”改成“唯一值”，以Value字段作为分类依据，再套上官方配色，画面立刻正常。
还有一个隐蔽问题：如果你在导出时选了双线性或三次卷积重采样，像元值会被插值成小数，比如2.7类、5.2类。这种文件本身就已经坏了，必须重新导出。记住一句话：凡是分类数据，任何步骤的重采样都只能选“最近邻”。
5.3 面积统计偏大偏小怎么看
如果你算出的某个类别面积和统计年鉴对不上，先不要怀疑数据错，按这个顺序排查：
第一，检查当前栅格的坐标系。如果还是3857，面积偏大是必然的，尤其在高纬度地区；第二，检查是否包含NoData和云的像元，分母有没有处理好；第三，检查面积单位换算。10米像元面积是100平方米，很多人直接拿像元数当平方米用，最后数值大了100倍；第四，如果以上都没问题，再考虑分类误差。Esri这套数据是自动分类结果，和实地调查相比肯定有误差，建成区在低密度郊区尤其容易漏分，这个只能靠结合其他数据源修正。
我自己的习惯是：先用这套数据做宏观格局分析，再对关键区域用高分辨率影像抽样验证，做到心里有数。
5.4 常见问题速查表
| 现象 | 可能原因 | 解决办法 |
|---|---|---|
| 导出请求超时或失败 | 范围过大、像素数超限 | 分块导出，单块控制在5000×5000以内 |
| 影像显示全黑/全白 | 默认拉伸渲染不适合分类数据 | 改为“唯一值”渲染，套用官方配色 |
| 像元值出现小数（如2.7） | 重采样用了双线性或三次卷积 | 重新导出，全程使用最近邻重采样 |
| 面积统计明显偏大 | 还在Web Mercator投影下 | 转UTM或其他等积投影后再统计 |
| 水体面积与常识不符 | 混淆了NoData(0)与水(1) | 明确排除NoData，单独检查类别1的分布 |
| 热带区域有云斑块 | 正常现象，云占比高 | 统计时排除云或与邻近年份数据融合补齐 |
| 拼接线明显或不连续 | 各分块投影或NoData设置不一致 | 统一导出参数，使用gdalbuildvrt拼接 |
6. 一些个人工作流与扩展玩法
6.1 我的处理模板
把前面所有内容串起来，我现在处理一个省级范围的Esri 2020土地覆盖数据，工作流基本固定为五步：第一步，确定研究区在WGS84下的bbox；第二步，按UTM分带或经纬度网格切块，用脚本批量调用导出接口；第三步，用gdalbuildvrt拼接所有分块；第四步，转成目标等积投影，同时用gdal_calc生成有效掩膜；第五步，做类别统计和制图。
这套流程全程脚本化之后，一个中等省份从数据下载到出图统计大约两个小时就能完成。如果全程在ArcGIS Pro里手动点，可能大半天就耗进去了，还容易在重采样或投影上出幺蛾子。所以我要再强调一次：分类数据的影像处理，规范和自动化比手快更重要。
6.2 时间序列变化检测
Esri除了发布2020年版，还发布了对应的月度版本和相邻年份的版本。把这些版本放在同一个坐标系下做差值，可以用来做大尺度变化检测。比如对比2017版和2020版，差值为正的地方可能就是新增建成区或新造林地。
要注意的是，不同年份的分类结果存在噪声，直接逐像元比较会产生大量“假变化”。我的建议是先做一个众数滤波，把孤立的类别像元清理掉，再去做变化检测。这里的滤波必须用众数滤波（Majority Filter）或者类似保留原始类别的算法，绝不能用均值滤波——均值滤波会把类别算术平均，产生一堆无效值。另外，变化检测得到的是“可能变化区域”，需要进一步用高分辨率影像验证，不能直接当最终结论。
6.3 与矢量边界结合的应用建议
实际项目中，这套数据和行政区划、流域边界、保护地边界等矢量数据结合是最常见的玩法。比如统计某个县域的林地面积，或者评估某个保护区里农田占比的变化，操作上都是先用矢量边界做栅格裁剪掩膜，再用分区统计工具输出各类别面积表。
这里有一个我踩过的坑：掩膜提取之后，矢量边界外的区域会变成NoData，统计时如果不管，会把边界外的像元也带进来。所以每次裁剪后，先检查一下生成的栅格属性，确认最小值、最大值、NoData情况是否符合预期，再继续做统计。还可以顺手把“类别码、面积_m2、占比”三列整理成标准输出格式，后续做报表和汇报时省很多事。
最后再分享一个小技巧：不管用什么工具导出，导完第一时间用QGIS或ArcGIS Pro打开，检查属性表里最小值是否为1、最大值是否为10（或9），如果出现0、255或者小数，就不要进入下一步分析，直接回去排查下载参数。这套数据本身质量很稳，大部分问题都出在下载和处理环节的参数设置上。养成这个“拿到数据先体检”的习惯，能帮你避开绝大多数坑。
