全国土地利用/土地覆盖数据集对比与下载指南

为什么要关注土地利用和土地覆盖数据

土地利用和土地覆盖数据是 GIS、遥感、生态、水文、国土空间规划和碳循环研究中最常用的基础数据之一。它回答的问题看起来简单：某个地方是什么地类，是耕地、林地、草地、水体、建设用地，还是未利用地。但在实际研究中，不同数据集的含义、分辨率、时间范围和分类体系差异很大。

土地覆盖（Land Cover） 更偏向地表物理状态，例如树木、草地、水体、裸地、积雪和建筑物。土地利用（Land Use） 更偏向人类使用方式，例如农业生产、城乡建设、工矿交通、生态用地或未利用土地。很多遥感产品的名字写作 LULC（Land Use / Land Cover），但其直接观测对象通常仍是地表覆盖，再通过分类体系或辅助数据解释为土地利用类型。

全国尺度研究如果只看“有没有 30 m 土地利用数据”，很容易忽略几个关键问题：一是数据是人工解译、机器学习分类还是多源融合；二是分类体系能否和研究目标匹配；三是不同时相是否可直接做变化检测；四是下载入口和引用许可是否适合论文、报告或二次数据发布。

本文按“全国中国区域 + 可裁剪到中国的全球产品”口径，梳理常用土地利用/土地覆盖数据集。文中时间范围和版本信息截至 2026-05-21，正式使用前仍应以各数据源页面、DOI、数据论文或平台元数据为准。

先看结论

如果研究 中国 1980 年代以来的土地利用变化，优先看 CNLUCC / CLUD、CLCD、GLC_FCS30D。如果需要 中国年度 30 m 土地覆盖变化，优先看 CLCD，并结合 GLC_FCS30D 做对照。如果需要 2000、2010、2020 三期全球一致的 30 m 产品，可以考虑 GlobeLand30。如果需要 近年 10 m 精细制图，优先看 ESA WorldCover、Dynamic World、Esri / Impact Observatory LULC、FROM-GLC10。如果是 气候模式或长时间序列宏观分析，则更适合 ESA CCI Land Cover、MODIS MCD12Q1、GLASS-GLC。

一个简单判断规则是：

主要数据集对比

按数据类型理解差异

1. 中国人工解译和基准数据库类

CNLUCC / CLUD 的价值在于长期积累和中国土地利用语境。它的分类体系从土地资源及其利用属性出发，一级类包括耕地、林地、草地、水域、建设用地和未利用土地，二级类进一步区分水田、旱地、有林地、灌木林、高覆盖度草地、河渠、湖泊、水库坑塘、城镇用地、农村居民点等。

这类数据适合国土空间、生态系统服务、土地利用转移矩阵、景观格局指数和 PLUS / FLUS / CA-Markov / InVEST 等模型。它的弱点是年度连续性不足，不同平台发布的 30 m、100 m、1 km 版本可能不是同一数据粒度，不能把重采样版本当作原始 30 m 解译结果使用。

2. Landsat 年度 30 m 长时序类

CLCD 和 GLC_FCS30D 都体现了近年土地覆盖数据从“离散年份产品”转向“年度时序产品”的趋势。CLCD 面向中国，使用 Landsat 时间序列、随机森林和时空一致性后处理，适合中国年度变化研究。GLC_FCS30D 面向全球，分类更细，时间覆盖从 1985 年到 2022 年，适合跨国或全球一致性研究。

如果研究对象是中国某省、市、流域或生态区，CLCD 通常更方便。如果研究需要把中国放入全球背景，GLC_FCS30D 的全球一致性更有优势。两者都属于大数据量 30 m 产品，全国尺度统计前应先做好分区裁剪、重分类和投影统一。

3. Sentinel-2 10 m 近年产品类

ESA WorldCover、Dynamic World、Esri / Impact Observatory LULC 和 FROM-GLC10 都属于近年 10 m 全球土地覆盖产品。它们的空间细节明显优于 30 m 产品，适合展示城市边界、河湖岸线、农田斑块和林草边界。

但 10 m 并不自动代表更高精度。Dynamic World 是按 Sentinel-2 单景影像生成概率和标签，适合近实时和自定义合成；ESA WorldCover 是年度全球底图，2020 和 2021 的算法版本不同；Esri LULC 是年度合成产品，不同入口的最新年份可能不同；FROM-GLC10 是典型 2017 年产品，更适合方法和产品对比。

4. 中低分辨率长期一致性类

MODIS MCD12Q1、ESA CCI Land Cover 和 GLASS-GLC 的优势不是空间细节，而是长期一致性、全球覆盖和与模型体系衔接。MCD12Q1 提供多套分类体系和质量层，适合与 MODIS 植被、反照率、蒸散发等产品配套。ESA CCI Land Cover 面向气候建模和 PFT 转换，适合宏观碳循环、陆面过程和地球系统模型。GLASS-GLC 则提供 1982-2015 年 5 km 年度长序列，适合全球宏观变化分析。

如果研究目标是县域、乡镇或地块，500 m、300 m、5 km 产品通常过粗。如果研究目标是几十年全球变化或模型输入，过细的 10 m 数据反而会带来不必要的计算成本和分类噪声。

典型场景怎么选

中国土地利用转移矩阵和生态系统服务

优先考虑 CNLUCC / CLUD 和 CLCD。CNLUCC 的分类体系更贴近中国土地利用研究传统，适合和既有论文、规划报告、生态系统服务价值系数表、InVEST 模型参数表对齐。CLCD 的优势是年度连续，适合研究城市扩张、耕地变化、生态工程响应和年度变化趋势。

如果需要同时保证年度连续和分类体系接近传统土地利用类型，可以先用 CLCD 做年度变化，再按 CNLUCC 的一级类或二级类进行重分类映射。但这种映射应在文章或报告中明确说明，不要把不同数据集的类别当作天然一致。

1985 年以来中国或全球长期土地覆盖变化

优先考虑 GLC_FCS30D。它的时间跨度长，2000 年后年度更新，空间分辨率为 30 m，适合做 1985-2022 年长期变化分析。如果只研究中国区域，也可以用 CLCD 做中国本土对照。

需要注意的是，GLC_FCS30D 在 2000 年前是 5 年一期，2000 年后才是年度产品，因此长期趋势分析时要区分时间步长，不宜把所有年份简单当作等间隔年度序列。

2000、2010、2020 三期全球对比

优先考虑 GlobeLand30。它的优势是三期全球 30 m 产品清晰，适合做 20 年尺度的全球、中国或跨国土地覆盖格局对比。对于博客、教学和宏观制图，GlobeLand30 的解释成本较低。

如果需要年度变化，GlobeLand30 不够；如果需要 10 m 近年细节，ESA WorldCover 或 Esri LULC 更合适。

近年 10 m 精细空间制图

优先考虑 ESA WorldCover、Esri / Impact Observatory LULC、Dynamic World。如果只需要 2020 或 2021 的全球 10 m 底图，ESA WorldCover 很方便。如果需要 2017 年以来年度序列，可以看 Esri / Impact Observatory。若需要按季度、事件前后或短时间窗口自定义合成，Dynamic World 更灵活。

这类数据适合做空间展示、快速统计和候选底图，但正式用于小地块判读、工程报批或权属边界分析时，需要结合高分辨率影像、地面样本或本地资料验证。

气候、碳循环和陆面模型

优先考虑 ESA CCI Land Cover、MODIS MCD12Q1、GLASS-GLC。这些产品的分辨率较粗，但提供长期、全球一致、适合模型输入的分类体系。ESA CCI 的 LCCS 和 PFT 转换尤其适合气候模型；MCD12Q1 适合与 MODIS 生态遥感产品配套；GLASS-GLC 适合 1980 年代以来宏观变化分析。

不要为了“精细”而盲目把 10 m 数据用于气候模型。模型网格往往是公里到几十公里尺度，关键是类别定义、时间一致性和 PFT / 参数映射，而不是原始像元是否足够小。

平台访问与下载入口

使用前要检查的几个问题

1. Land use 和 land cover 是否被混用：遥感产品多数直接识别地表覆盖，土地利用含义往往来自分类体系或辅助数据。做国土空间、生产生活生态空间或生态系统服务时，要说明转换逻辑。
2. 分类体系是否一致：CNLUCC 的 6 大类/25 小类、GlobeLand30 的 10 类、ESA WorldCover 的 11 类、Dynamic World 的 9 类、GLC_FCS30D 的 35 类不能直接逐类相加比较。
3. 是否适合变化检测：WorldCover 2020 和 2021 使用不同算法版本；Dynamic World 单景输出受概率和云掩膜影响；Esri 2017 年影像少于后续年份。做变化检测前要先看产品说明。
4. 时间步长是否一致：GLC_FCS30D 在 2000 年前不是年度产品；GlobeLand30 是 10 年一期；CNLUCC 多为离散时期；CLCD 才更适合中国年度变化。
5. 投影和面积计算是否正确：很多全球产品使用 WGS84 经纬度网格。做面积统计时应投影到等面积坐标系，不能直接用经纬度像元数量乘以固定面积。
6. 像元尺度是否匹配问题：10 m 数据适合显示细节，但全国年度统计成本高；300 m、500 m 或 5 km 数据适合模型和宏观趋势，不适合县域边界精细制图。
7. 质量控制和概率层是否使用：Dynamic World 有每类概率层；MCD12Q1 有质量层和多套分类体系；ESA CCI 有质量标志。忽略质量信息会放大分类噪声。
8. 许可和引用是否合规：Zenodo、AWS、ESA、NASA、Copernicus、GEE 和中国数据平台的许可不同。论文、报告和二次分发要按原始发布方要求引用。

常用重分类思路

很多研究不会直接使用原始分类，而是把不同产品统一到一个简化体系。例如：

重分类时应保留一张“原始类别到目标类别”的映射表。特别是湿地、灌丛、稀疏植被、裸地、冰雪和人工表面，在不同产品中的定义差异很大，最好不要在没有说明的情况下强行合并。

相关专题数据

土地利用/土地覆盖数据通常还会和专题数据一起使用。以下数据不放进主表，但在写专题文章或做模型时经常有用：

这些专题数据往往只覆盖某一类地物，精度可能高于综合 LULC 产品。若研究目标非常明确，例如只关心不透水面或水体变化，专题产品通常比综合土地覆盖图更合适。

Google Earth Engine 快速入口

如果只是快速查看或裁剪中国区域，可以先在 GEE 中调用常用全球产品：

// Dynamic World 10 m near-real-time LULC
var dynamicWorld = ee.ImageCollection("GOOGLE/DYNAMICWORLD/V1");

// ESA WorldCover 2020 and 2021
var worldCover2020 = ee.ImageCollection("ESA/WorldCover/v100").first();
var worldCover2021 = ee.ImageCollection("ESA/WorldCover/v200").first();

// MODIS yearly land cover, 500 m
var mcd12q1 = ee.ImageCollection("MODIS/061/MCD12Q1");

GEE 适合探索、裁剪、重分类和区域统计，但不建议只在代码里写 GEE 数据集 ID 就结束。正式文章或论文仍应引用原始数据论文、DOI 或官方数据页。

小结

土地利用/土地覆盖数据没有绝对最优，关键是让数据尺度、分类体系和研究问题匹配。中国传统土地利用变化研究优先看 CNLUCC / CLUD 和 CLCD；年度 30 m 长时序优先看 CLCD 和 GLC_FCS30D；近年 10 m 精细制图优先看 ESA WorldCover、Dynamic World 和 Esri / Impact Observatory；气候和陆面模型优先看 ESA CCI、MCD12Q1 和 GLASS-GLC。

真正可靠的流程，是先按研究问题选定 2-3 个候选数据，再核对时间范围、分辨率、分类体系、投影、质量控制、许可和引用方式。对于正式论文、规划报告或数据产品，建议保留原始数据来源、版本号、下载日期和重分类映射表，这比单纯追求更高空间分辨率更重要。