| UMD① | 1000 | IGBP
14类 | 1992-04
1993-03 | AVHRR | 将全球作为整体进行分类;采用监督分类树分类（水体与城镇掩膜去除）,分类树输出的叶子节点中所有像元赋值为占比最大的类别 | 水体数据：MODIS传感器制作的水体掩膜;城镇数据：IGBP DIS Cover数据集的城镇数据;1992-04至1993-03中AVHRR的5个波段和NDVI组成的41个规则矩阵;辅助选取样本数据主要是 Landsat MSS影像解译得到 | 65.00 | 与其它区域数字数据集比较法进行验证（如美国的MRLC和欧洲的CEC等） |
| MCD12Q1② | 500 | IGBP
17类 | 2001 | MODIS | 将全球作为整体进行分类;采用集成监督分类算法,其基本算法是决策树,使用boosting估计集成分类,对集成决策树的结果进行后处理 | 将整年Terra和Aqua数据的1~7波段的光谱和时间信息作为输入数据,并补充EVI数据,训练样本数据包括地球陆地上的1860个站点数据;辅助选取样本数据主要是 Landsat TM影像 | 78.30 | 基于90%的随机训练样本数据,采用交叉验证方法来验证精度 |
| GLC③ | 1000 | LCCS
22类 | 1999-
2000 | SPOT4 Vegetation | 将全球分为19个区进行单独分类;采用非监督分类的ISODATA算法进行分类 | 中亚地区,将每月合成的NDVI数据作为输入;采用的样本数据主要是实地调查、Landsat影像解译、SPOT/ Vegetation和AVHRR数据的物候信息、现有土地利用或植被地图以及专家知识 | 68.60 | 结合已有相关数据进行对比验证精度及修正;采用置信度-统计抽样法 |
| CCI-LC④ | 300 | LCCS
22类 | 1998-
2002 | MERIS和SPOT Vegetation | 将全球分为22个气候区进行分类;首先基于2003-2012年MERIS FR和RR数据,利用添加机器学习法改进的Glob Cover 非监督分类链和结合监督分类技术,生成为期10年的2003-2012年全球土地覆被图,然后基于SPOT VGT时间序列的回溯和更新技术得出2010、2005和2000年地图 | 基于空间分辨率300 m的MERIS FR影像以及MERIS RR数据（用于补偿某些地区缺乏MERIS FR）;逐日的空间分辨率为1000 m的SPOT VEGETATION数据,并将1998-2002年用于扩大时间覆盖范围 | 74.10 | 验证数据（欧洲外）由18位专家参与收集并进行精度验证,欧洲部分采用Glob Cover 2009的验证数据进行验证;采用抽样标记法验证 |
| Glob Cover⑤ | 300 | LCCS
22类 | 2004-12
2006-06 | ENVISA/MIRIS | 将全球分为22个气候区进行分类;水体进行掩膜后,监督分类提取湿地和城镇,非监督分类的多维聚类分类其它类型,并自动赋值为LCCS分类系统 | 2004-12至2006-06的300m空间分辨率的13个光谱波段;其中水体数据由ENVIASAT卫星携带的MERIS传感器自带的水/路边界进行掩膜得到,并结合SRTM得到的水体数据进行改善,城镇则通过单独的监督分类进行提取 | 73.00 | 验证数据由16位专家参与收集,建立数据库进行验证;采用统计抽样进行专家判断 |