Förbättrade 30 m ogenomträngliga ytor för Kina (2020, 2022) via fusion av 2 m/30 m-data

Belagda ytor du inte ser från marken

Städer och vägar förändrar Kinas landskap i en häpnadsväckande takt, men från marknivå är det svårt att greppa hur mycket mark som täcks av betong, asfalt och tak. Den här artikeln presenterar en ny, mycket detaljerad karta som visar var sådana ”ogenomträngliga” ytor finns över nästan hela fastlands-Kina för 2020 och 2022. Eftersom hårda ytor påverkar översvämningar, värmeböljor, föroreningar och till och med var solpaneler kan placeras, spelar en noggrann nationell bild roll för alla — från klimatforskare till stadsplanerare och husägare.

Varför hård mark spelar roll

Ogenomträngliga ytor är platser där regnvatten inte kan tränga ner i jorden — tänk motorvägar, parkeringsplatser, fabriksytor och täta bostadsområden. När städerna växer ökar dessa områden, vilket snabbar upp ytavrinning, ökar översvämningsrisken, fångar värme och tränger undan livsmiljöer för växter och djur. Många datorbaserade modeller som förutspår kollagring, vattenkretslopp och näringsflöden på land bygger på kartor över vad som täcker marken. Om kartorna underskattar eller felplacerar bebyggda områden kan dessa modeller bli allvarligt felaktiga. Existerande globala marktäckeprodukter slår ofta ihop många mänskligt skapade ytor i en enda bred kategori och tenderar att missa små byar, smala vägar och blandade områden där byggnader och öppna ytor vävs samman — drag som är särskilt vanliga i Kina.

Att förena skarp skärpa med helhetssyn

Författarna hanterade dessa luckor genom att fusioera två typer av satellitdata. Skarpa 2-metersbilder från Kinas Gaofen- och Ziyuan-satelliter ger gatunivåliknande detalj, medan 30-meters Landsat-bilder och höjddata täcker hela landet konsekvent. De byggde först molnfria mosaiker från 2-metersscenerna för 2020 och 2022, och parade sedan ihop dem med årliga kompositer av Landsats synliga och infraröda band samt terränginformation. För att träna sin modell utformade de en smart provtagningsstrategi: med hjälp av ett begrepp från informationsteori, Shannon-entropi, valde de områden med särskilt varierade blandningar av marktyper och olika utvecklingsstadier av stadsmiljöer, för att säkerställa att exemplen som matades in i algoritmen speglade allt från ökenstäder till kustnära megastäder.

Att lära datorn att läsa landskapet

Från dessa noggrant utvalda platser granskade experter visuellt högupplösta bildsnuttar och märkte 200 000 provplatser i fyra breda klasser: ogenomträngliga ytor, vegetation, vatten samt bar mark eller annat. Viktigt var att de inte kastade bort ”röriga” blandade pixlar där en 30-metersyta till exempel innehåller både byggnader och träd; i stället behöll de dem och justerade deras påverkan under träningen, eftersom sådana blandade pixlar är vanliga i verkliga städer. Teamet byggde sedan ett tvågrensigt djupinlärningssystem. Den ena grenen, baserad på ett 50-lagers residualnätverk, lärde sig mönster direkt från bildpatcharna, medan den andra behandlade enkla numeriska data som Landsat-reflektans och terräng. Modellen kombinerade båda strömmarna för att avgöra vilken av de fyra klasserna varje 30-meterspixel mest sannolikt tillhörde.

Anpassning till ett enormt och varierat land

Kinas landskap varierar från fuktiga kustslätter till öknar och höga platåer, och mänskliga bosättningar ser mycket olika ut i varje region. För att hantera detta grupperade forskarna först in landet i fem breda regioner — platåer, torra zoner, slätter, kullar och berg — med hjälp av klimat, topografi, molnförhållanden och existerande marktäckesstatistik. De tränade sedan flera versioner av modellen, var och en viktad för att prestera bäst i en region plus en allmän nationell modell. Vid kartläggningen utvärderade de vilken version som fungerade bäst inom varje engradig rutcell (ungefär storleken på en liten provins) med valideringsdata, och valde lokalt den modellen. Detta regionalt adaptiva tillvägagångssätt förbättrade prestandan avsevärt, särskilt i de utmanande västra områden där bebyggda ytor kan se spektralt liknande ut som bar mark.

Hur bra är den nya kartan?

De resulterande produkterna China Impervious Surface Cover för 2020 och 2022 tillhandahålls som användarvänliga tiled-filer i 30-metersupplösning, där varje pixel märks som ogenomtränglig, vegetation, vatten eller bar mark. När de testades mot oberoende expertmärkta punkter uppnådde 2020-kartan en mycket hög F1-poäng — ett mått på total noggrannhet — på ungefär 0,94 för ogenomträngliga ytor, vilket väsentligt överträffade tre allmänt använda globala produkter. Visuella jämförelser över sju kontrasterande regioner visar att den nya datasetet fångar upp fina vägnät, utspridda landsbygdssamhällen och lågdensitetsbebyggelser som andra produkter ofta missar, samtidigt som den undviker stora falska fläckar i öknar, höga berg och våtmarker. Författarna påpekar kvarstående problem, såsom små datagap längs vissa satellitscenkantområden och den inneboende svårigheten med blandade pixlar, men skisserar planer för att minska dessa i framtida arbete.

Vad detta betyder för vardagen

För icke-specialister är budskapet att vi nu har en av de mest pålitliga och detaljerade bilderna hittills av var Kinas mark har hårdnat av mänsklig konstruktion, för två nyligen uppmätta år. Denna karta kan användas i bättre översvämningsriskbedömningar, mer realistisk modellering av stads- och luftkvalitetsklimat, smartare placering av takmonterade solpaneler och mer välgrundad planering av ny infrastruktur. Kort sagt, genom att lära datorer att läsa satellitbilder mer intelligent och skräddarsy dem för Kinas mångsidiga landskap erbjuder studien ett kraftfullt verktyg för att förstå hur snabbt landet byter ut jord och vegetation mot betong — och vad det innebär för människor och miljön.

Citering: Yin, R., He, G., Wang, G. et al. Enhanced 30 m Impervious Surfaces for China (2020, 2022) via 2 m/30 m Data Fusion. Sci Data 13, 297 (2026). https://doi.org/10.1038/s41597-026-06619-3

Nyckelord: urbanisering, ogenomträngliga ytor, fjärranalys, marktäcktäckningskartläggning, Kina