基于Google Earth Engine的中老緬交界區橡膠林分布遙感提取

李宇宸，張 軍，薛宇飛，張 萍

基于Google Earth Engine的中老緬交界區橡膠林分布遙感提取

李宇宸，張 軍※，薛宇飛，張 萍

（云南大學資源環境與地球科學學院，昆明 650504）

天然橡膠林作為東南亞地區主要的經濟林和關系國計民生的一種重要戰略物資，對當地社會經濟發展和環境保護發揮著重要作用。目前對于中、老、緬交界區的橡膠林空間分布情況、分布面積和演變特征等方面相關信息缺乏相應的研究，嚴重限制了中國農業上關于橡膠產量消費、貿易以及儲備。此外，針對橡膠林的時空大尺度的監測主要是采用長時間序列的中低分辨率影像，但此類影像存在大量的混合像元，嚴重限制了橡膠提取精度。為解決這些問題，該研究基于Google Earth Engine（GEE）云計算平臺，利用2015－2019年Landsat OLI的多時相遙感影像數據，通過分析橡膠的物候特征，構建分類參數和模型，應用專家知識決策樹的分類方法，并結合2015－2019年間每年12月份實地調查數據對橡膠的分類結果進行驗證。結果表明基于GEE平臺利用橡膠物候信息計算參數的方法提取較大范圍研究區內的橡膠林的準確性較高。總體精度為90.32%，Kappa系數為0.87，可滿足一般生產需求。截至2019年中老緬交界區橡膠林總面積達126.29萬hm2，其中，西雙版納區域橡膠林面積有52.37萬hm2，緬甸區域橡膠林面積有56.93萬hm2，老撾北部5省橡膠林面積有16.99萬hm2。分析發現在替代政策發展過程中，由于老撾、緬甸實際情況不同而出現政策差異性，導致區域政策發展不均衡。該研究結果表明應用云計算技術可以克服時空大尺度橡膠監測運算能力不足的問題，可為中老緬甸交界地區橡膠合理布局與區域可持續發展提供科學依據和決策支持。

遙感；決策樹；橡膠林；Google Earth Engine；物候特征；中老緬交界區

0 引 言

天然橡膠被譽為世界四大工業原料之一，它作為一種重要的經濟作物和唯一可再生的綠色能源原材料，已成為中國國防和工業建設不可或缺的戰略能源。隨著經濟的穩步發展，天然橡膠在中國國民經濟中發揮著越來越重要的作用。中國云南南部及東南亞的各國家作為中國“一帶一路”政策的核心區域[1]，受到了各界關注。但近些年，隨著中、老、緬交界區域人口的不斷增長、氣候的變化，研究區內的土地利用變化逐漸激烈，給當地的生態環境造成了很大的壓力，進而引發了一系列生態問題[2]。雖然橡膠的種植對環境和社會經濟的影響已在不同空間和時間尺度上得到了廣泛的探討。但要了解并量化大規模橡膠種植園的情況，需要準確的繪制出橡膠種植分布圖。Google Earth Engine （GEE）是基于Web端的遙感數據處理云平臺，可針對海量遙感數據快速實現數據處理及可視化等功能，從而為大尺度、長時序的遙感數據實時處理提供強有力的技術支撐[3]。

隨著人們對“一帶一路”政策下的東南亞核心區域重視程度的加強，國內外許多學者對中、老、緬交界區橡膠種植情況進行了研究，尤其是2006年中國為從源頭上根除來自老撾、緬甸毒品而提出的罌粟替代種植政策所面向的周邊國家和地區受到持續關注[4]。Liu等針對中老緬交界區域分析了地形因子對橡膠種植分布的影響[5]。廖諶婳等利用Landsat系列時序數據對西雙版納區域的橡膠進行遙感監測[6]。Fan等對比不同物候指數提取在西雙版納橡膠的提取精度[7]。李陽陽在2017年基于MODIS數據和橡膠的物候特征分析了老撾北部5省橡膠提取及實況擴張研究[8]。劉陳立等基于Landsat TM/OLI遙感影像作為數據源，結合光譜與紋理信息運用面向對象的方法分析了西雙版納橡膠的時空格局[9]。劉陳立等對緬甸佤邦的橡膠時空演變特征進行了研究[10]。

以上研究僅針對較小的研究區范圍，利用多時相數據可以滿足對橡膠地典型時間窗口的需求，僅基于光譜特征達到較高分類精度，或只利用MODIS中低分辨率數據作為數據源研究大范圍橡膠分布，因此本研究以Landsat OLI遙感數據作為數據源，探尋云計算技術解決海量數據信息提取問題，不僅可準確的提取信息，而且由于云計算技術的應用可使分析人員能夠同時處理和分析更為密集的衛星圖像。從而將同步研究分析的范圍進一步擴大，分析處理的成本進一步降低，為中國類似區域的研究發展提供一定的指導。

1 研究區概況與數據源

1.1 研究區概況

研究區包括替代種植政策在老撾、緬甸主要執行省份以及云南省主要橡膠種植區西雙版納[11-12]。其位居瀾滄江-湄公河中上游，地處北緯17°16′～22°35′、東經98°0′～103°24′之間。橫跨中國西雙版納州、緬甸撣邦以及老撾北部5省，包括豐沙里、南塔、烏多姆塞、瑯勃拉邦和波喬省，是“一帶一路”建設及中國周邊外交的重要區域[13]，如圖1所示。研究區內由北向南海拔逐漸降低，在緬甸中部逐漸升高又轉而降低，地貌主要為山地、丘陵。氣候類型為熱帶、亞熱帶季風氣候。廣泛分布有亞高山植被、中低山植被、季雨林植被，呈現出水平及垂直地帶性分布。年內旱季為11月到次年4月，雨季為5月到10月，年平均降水量為1 250～3 750 mm。且因其氣候適宜與在替代種植政策的影響下，研究區內有橡膠廣泛分布[14]。

圖1 研究區概況

1.2 數據源及預處理

陸地衛星Landsat是由美國地質調查局和美國宇航局共同實施發射，自1972年至今持續以16 d左右的時間分辨率對地球表面以30 m的空間分辨率進行對地觀測，包括可見光、紅外、熱紅外數據集。具有豐富的地表信息，在土地調查、環境監測等領域具有廣泛的應用。在GEE平臺可以通過JavaScript的API接口輕易訪問所有Landsat系列數據集合[15]。

研究區Landsat OLI影像數據的云量較多、質量較差，所以在對研究區內橡膠制圖監測實現過程中，本研究通過GEE云計算平臺獲得了2015－2019年的地表反射率數據，利用同月份遙感數據與研究區范圍內相鄰的數據制作云掩膜，對影像進行云移除。同時利用 API接口實現從輻射定標、幾何校正、云/雪/陰影掩膜、最小云量影像合成等操作[16]。

不同土地覆被類型特征參數的確定是分類精度的關鍵。因此，為保證具有足夠數量和質量的樣本點數據用于分類以及精度驗證，本文依托學者張正龍開發的地理信息采集系統—境外罌粟替代種植信息采集系統[17]，于2015－2018年間每年12月份進行踏勘，實地獲取了超過640典型地表覆被樣本點，并于谷歌地球目視解譯300個具有代表性、典型性的純凈像元作為樣本點[18]，共選取橡膠樣本點數量238，林地220（包含127個目視解譯），水體126（包含72個目視解譯），建筑用地156（包含44個目視解譯），農田200（包含57個目視解譯）。

2 研究方法

研究區屬于熱帶、亞熱帶季風氣候區域，植被覆蓋地類豐富，因此橡膠提取的難點就是獲取無云數據以及從眾多植被覆蓋地類中探尋橡膠的特征差異。因此，首先執行影像預處理生成月時序數據并據此確定橡膠物候提取窗口。在此基礎上為決策樹分類法分析分類參數，后將決策樹算法應用于整個研究區[19]。在此基礎上進行精度評價，滿足精度需求后統計、制圖、分析研究區內橡膠林的空間分布信息。

2.1 橡膠林數據最佳提取時間窗口

研究區內橡膠林具有明顯的物候特征。物候變化直接體現在葉的抽發和凋落上。因此本研究采用時序歸一化植被指數（Normalized Difference Vegetation Index，NDVI）表征地表植被特征，進而確定橡膠提取的最佳時間窗口。

2.2 分類特征參數

應用預處理影像計算分類參數，首先需考慮研究區目標地類。基于研究區土地覆被類型來看，可分為植被類、非植被類、水體類、非水體類以及裸地、非裸地類。因此，需計算以下參數：

不同物候期的橡膠林光譜信息存在差異，因此利用落葉期和綠葉期的光譜反射率的差異作為參數區分橡膠與其他地表覆被類型[20]。

對非植被地表覆被類型，本文選用歸一化植被指數（NDVI），它是由紅光波段和近紅外波段對植被和其他地表覆被之間反射率存在差異而構成的波段組合，該指數可以反映作物長勢、類型、以及植被分布情況的參數[21]。所以該指數也可用于反映植被生長狀態、植被茂密程度的指標。具體計算公式為

式中5和4分別為與5（近紅外波段）和4（可見光紅波段）的反射率。

為剔除水體，本文選用歸一化水體指數（Normalized Difference Water Index，NDWI），該指數通過波段間組合可以有效抑制其他類型的地表覆被而有效的凸顯水體信息[22]。具體NDWI計算公式為

式中3為3（可見光綠波段）的反射率。

分析地物的光譜信息發現，在落葉期地物在近紅外波段和短波紅外波段反射率值比較分散，可以很好的反映植被和土壤中的水分。因此，本研究利用對土壤濕度和土壤含水量較敏感的地表水分指數（Land Surface Water Index，LSWI）來區分橡膠林與其他類型植被，并通過物候的方法將橡膠林特征突出提取，有效的將其他地表植被過濾[23]。具體計算公式為

式中6為B6（短波紅外1）的反射率。

由于差值植被指數（Difference Vegetation Index，DVI）指數對土壤背景變化極為敏感，因此再輔以落葉期DVI指數作為決策樹分類的一個參數[24]，DVI指數是近紅外波段與可見光紅波段反射率數值之差，計算公式為

2.3 精度分析

運用決策樹的方法得到了中、老、緬交界區的橡膠林分布情況。選取25%樣本點計算混淆矩陣的總體分類精度OA與Kappa系數以驗證橡膠提取精度[25]。Kappa系數值的大小可反映提取結果與真實地物空間分布的一致性。有研究表明當Kappa系數小于0.4時，表明一致性較不理想；當Kappa系數位于0.40～0.60時，說明二者一致性效果較一般，當Kappa系數大于0.60時，說明參考分類結果與橡膠提取結果二者間的一致性較強[26-27]。以此對分類結果進行評價，可以精確的評價橡膠提取效果。具體計算公式為

式中x為混淆矩陣中的第行列中的數。為驗證數據集總數，x、x分別為混淆矩陣中的第行和第列總樣本數量。

3 結果與分析

3.1 地表覆被類型信息提取

3.1.1 典型地表覆被NDVI時間序列分析

植被在不同階段具有不同生理特征。分析研究區橡膠林生長周期，即橡膠林第一蓬葉抽發期為3月到4月，第二蓬葉抽發期開始時期為5月，此時橡膠林進入夏花期，第三蓬葉抽發期為7－8月。12月橡膠開始落葉，至2月落葉過程完成，此后進入新一輪的蓬葉抽發期[6-7]。可以看出橡膠的明顯物候變化直接體現在葉的抽發和凋落方面。所以Landsat OLI的NDVI時間序列數據可區分橡膠林與其他植被類型[28]。不同地表覆被類型NDVI時間序列顯示（圖2），橡膠林 NDVI 的最低值出現在2月即落葉期，與其他地表覆被類型差異明顯。因此，可利用該時序NDVI時間窗口區分橡膠林與其他植被地表覆被[29]。而將4月數據作為綠葉期，既可以結合2月份數據突出橡膠林的物候特征，又可避免雨季時期的多云多霧天氣而導致的影像質量下降的現象，因此本研究利用2月和4月數據進行提取分析。

3.1.2 橡膠林地提取及分類模型構建

應用預處理影像計算分類參數，首先需考慮研究區目標地類。基于研究區土地覆被類型來看，可分為植被類、非植被類、水體類、非水體類以及裸地、非裸地類。因此，需統計典型地表覆被像元值。

隨機選取75%樣本點數據統計各地表覆被的各波段反射率像元值發現，各地物的變化趨勢在落葉期與綠葉期差別較小，而對比落葉期與綠葉期間的B6波段反射率可發現橡膠林在該波段呈現出不同趨勢，即落葉期橡膠林B6波段反射率明顯高于綠葉期，而其他的地表覆被在2月與4月則不存在此類物候特征（圖3）。因此，可以利用B6波段反射率的差異作為參數來區分橡膠與其他地表覆被類型，這與學者Han所得結果一致[20]。

圖3 不同時期各覆蓋類型的波段對比

對上述研究區地物的光譜特征分析并構建分類參數箱型圖（圖4），結合橡膠一般種植于海拔1 300 m以下的生長環境，從研究區中逐層分類提取出橡膠林地并剔除其他地表覆被類型[30]。從指數統計圖中可以看出，圖4a為研究區內Landsat OLI 數據綠葉期與落葉期B6波段反射率的差值，橡膠綠葉期的B6波段反射率值明顯小于落葉期。其他地表覆被類型則差別較小，因此可以設定閾值將橡膠和自然林地區分。圖4b為落葉期橡膠的DVI指數，由該圖可以看出DVI指數中橡膠林地的下四分位數像元值大于0.05，其他地表覆被類型下四分位數的像元值小于0.05，因此可用于進一步區分橡膠與其他地表覆被。圖4c為落葉期與綠葉期LSWI的差值，可以看出建筑用地、農田、有林地的LSWIchange指數值集中在0附近，水體的LSWIchange均小于0.05，而橡膠的LSWIchange指數值均大于0，與有林地等其他地表覆被存在較大差異，可以作為主要參數來區分橡膠與其他地表覆被。農業用地的LSWIchange主要集中在?0.1與0.1之間，與橡膠地重疊象元區域主要在0.09～0.02之間，但75%的橡膠主要集中在大于0.1區域。因此LSWIchange可以作為參數分離農業用地和橡膠。圖4d為研究區綠葉期NDVI與落葉期NDVI值的差，可以看到，有林地與橡膠的差異較大，閾值0.04可以將橡膠與有林地明顯區分，但橡膠林的NDVIchange仍存在一定的離群值，與有林地相混淆。圖4e為落葉期研究區的NDWI值，由于NDWI主要用于水體的提取，而通過從野外及谷歌影像獲取的樣本點，可以明顯發現水體的NDWI與其他地表覆被有明顯差異，所以指數NDWI在本次試驗中仍用于研究區內水體的剔除。其次由于建設用地和農業用地的NDWI值與橡膠的NDWI值差異較大。因此，NDWI也可以用來分離建設用地、農業用地與橡膠的參數。

注：B6change、NDVI change和LSWI change分別為綠葉期和落葉期的B6波段反射率差值、歸一化植被指數差值和地表水分指數差值；DVI為差值植被指數；NDWI為歸一化水體指數

3.1.3 精度評價

精度驗證結果顯示，運用構建的分類模型對研究區進行分類的總體精度為90.32%，遠高于85%。Kappa系數為0.87，遠高于0.8。說明采用物候方法對研究區的橡膠進行分類，分類精度符合空間分布的分析的要求。對比前人研究結果（表1）發現，基于GEE平臺的較大研究尺度的分析研究具有更高的精度。

表1 不同研究的分類精度評價對比

3.2 橡膠林分布狀況

分析研究區各區域的橡膠林面積情況（表2），由表2可知，截至2019年，中老緬交界區橡膠林總面積達126.29萬hm2，其中，西雙版納區域橡膠林面積有52.37萬hm2，緬甸區域橡膠林面積有56.93萬hm2，老撾的北部5省橡膠林面積有16.99萬hm2。

表2 不同區域的橡膠面積

對比前人研究成果發現，劉陳立等[8]運用面向對象的方法提取2017年西雙版納的橡膠林面積為50.04萬hm2，與本研究提取的橡膠林面積相差0.38萬hm2。與李陽陽基于2015年MODIS數據運用物候特征提取老撾北部5省的橡膠林面積為16.96萬hm2對比，本研究比其提取少5.75 hm2。劉陳立等[9]針對緬甸佤邦北部運用2017年的Landsat TM/OLI影像提取的橡膠林種植面積為11.39萬hm2，與本研究中緬甸佤邦北部的橡膠林面積為12.49萬hm2，相差1.1萬hm2。分析提取差異可從2方面解釋，其一是監測范圍較大，存在大量混合像元誤提。其二為時間窗口較小，選取研究區較大，存在不同海拔、緯度橡膠物候不同步現象，導致部分區域提取不具有明顯物候特征。但提取總體精度較高，說明基于GEE平臺運用遙感的手段提取中老緬交界區橡膠提取效果較好，具有應用價值。

進一步分析研究區內橡膠林的空間分布情況可知（圖5），研究區內緬甸橡膠林覆蓋率3.50%，西雙版納為26.55%，老撾為2.60%。與西雙版納相比，老撾、緬甸橡膠林覆蓋面積并不大，說明其分布的區域差異性明顯。

研究區因其典型的熱帶雨林氣候，具有良好的水熱條件，極適合橡膠生長。最初由于中國橡膠缺口大，西雙版納州開展橡膠集中種植，成為云南省乃至中國重要的天然橡膠產區。隨后中國為推動國際禁毒事業，提出境外替代種植政策，因此緬甸撣邦、佤邦及老撾北部5省成為該政策面向區域。由圖5可知，受政策影響，主要的橡膠種植區集中分布在距離中國邊境較近區域。其次，橡膠主要分布在較大城市周邊，表明在替代種植發展過程中，主要從中國向周邊國家推進，從較大城市向周邊地區擴大、以及沿薩爾溫江分布，原因是該地區勞動力豐富、適宜橡膠種植。由此說明替代種植政策對推動老撾、緬甸勞動力就業及農業現代化發展有較大的貢獻。但在推進的工程中，兩國政策實施過程存在差異，對老撾來說，雖老撾北部地區經濟落后，生產力低下，但國內政治穩定，政策推行容易，因此，中國對老撾的替代種植項目重視度更高，所以在北部5省內均有橡膠集中種植，但近些年由于膠價下跌，境內交通欠發達，返銷成本高，勞動力不足等客觀原因存在[31]，近幾年橡膠種植轉型為其他經濟作物。而對緬甸來說，其具有豐富農業資源，雖近年來多次調整法律條文以吸引投資，但其發展環境動蕩不安，存在地方武裝割據使得在緬北的政治環境十分復雜[32]，導致生產力不足，再加上兩國存在利益沖突問題也影響了緬北替代種植的規模與發展。只有一個穩定的政治環境才能吸引替代種植企業進入，緬甸居民也需要一個穩定的社會環境來從事相關工作。因此，大部分橡膠林集中種植在比較安定的邦康一帶，其他橡膠林種植則是零星分布于撣邦、佤邦。

圖5 中老緬交界區橡膠林空間分布

4 結 論

本文主要基于GEE云數據處理平臺，通過在線編程，調用海量數據進行信息提取及分析處理，在克服大尺度運算能力不足的同時也為研究者拓展了研究空間。本文針對大研究尺度應用決策樹進行橡膠信息提取，得到如下結論：

1）本研究中決策樹分類的總體精度為90.32%，Kappa系數為0.87，提取精度較高。表明基于GEE平臺應用物候特征可以高精度地提取并繪制出橡膠林分布圖。

2）提取的橡膠林面積為126.29萬hm2，其中西雙版納區域面積有52.37萬hm2，在緬甸區域面積有56.93萬hm2。在老撾的北部5省面積有16.99萬hm2。替代種植政策由中國向周邊國家推廣過程中，因老撾、緬甸當地情況不同，替代種植的發展也表現出差異性。老撾國內政治穩定，政策推行起來容易，因此在老撾北部5省均有橡膠林種植。而緬甸國內政治環境十分復雜，替代政策發展緩慢，因此橡膠林僅在中緬邊界一帶存在較集中分布。

由于研究區分布范圍以及海拔等因素存在，存在橡膠林落葉、綠葉過程不同步的情況。其次，由于Landsat OLI數據時間間隔較長等問題，導致在數據鑲嵌過程中削弱了橡膠物候特征信息。再加上地表覆被可能受人為影響而出現變化的原因。因此，使得在橡膠林信息提取過程中難免出現錯誤提取或者漏提現象。所以在未來的分析中如果可以運用更小的時間間隔組成的時序數據輔以海拔、坡度等信息則可以進一步提高識別的精度和擴大處理的范圍，從而建立更高精度區域性、普適性更強的遙感橡膠林提取模型，提高橡膠林分類精度，以滿足橡膠林分布區土地資源管理和環境保護的需要。雖然這樣的提取方法增加了處理的復雜度，但在GEE的云計算平臺的支持下仍可快速提取研究區的橡膠林信息，進而為“一帶一路”在東南亞的發展提供決策信息。

致謝：本次試驗數據獲取在考察用車、邊境出入、替代企業相關數據資料的提供等方面得到了昆明市商務局、昆明市外經協會、與駐緬甸、老撾的替代種植企業的大力協助，在此表示謝意！

[1] 鄭昊慶. “一帶一路”背景下中國與東南亞國家經濟合作[D].北京：中國社會科學院研究生院，2019.

Zheng Haoqing. China one belt, one road, economic cooperation between China and Southeast Asian countries [D]. Beijing: Graduate School of Chinese Academy of Social Sciences, 2019. (in Chinese with English abstract)

[2] 李增加，馬友鑫，楊永宏. 西雙版納土地利用/覆蓋格局的熱環境效應研究[J]. 云南地理環境研究，2014，26(6)：42-47.

Li Zengjia, Ma Youxin, Yang Yonghong. Study on thermal environment effect of land use/cover pattern in Xishuangbanna[J]. Yunnan Geographic Environment Research, 2014, 26(6): 42-47. (in Chinese with English abstract)

[3] 朱德海, 劉逸銘, 馮權瀧, 等. 基于Google earth engine的山東省近30年農業大棚時空動態變化研究[J/OL].農業機械學報, [2020-04-15]. http://kns.cnki.net/kcms/detail/11. 1964.s.20191014.1719.006.html.

Zhu Dehai, Liu Yiming, Feng Quanlong, et al. Study on the spatial-temporal dynamic change of agricultural greenhouses in Shandong Province in the past 30 years based on Google Earth Engine[J/OL]. Journal of Agricultural Machinery, [2020-04-10].http://kns.cnki.net/kcms/detail/11.1964.s.20191014.1719.006.html. (in Chinese with English abstract)

[4] 馬俊. 促進境外替代種植的思路淺析：以昆明為例[J]. 中國經貿導刊（中），2019(4)：29-30.

Ma Jun. Thoughts on promoting alternative cultivation abroad: Taking Kunming as an example[J]. China Economic and Trade Guide (middle), 2019(4): 29-30. (in Chinese with English abstract)

[5] Liu Xiaona, Feng Zhiming, Jiang Luguang, et al. Rubber plantation and its relationship with topographical factors in the border region of China, Laos and Myanmar[J]. Journal of Geographical Sciences, 2013, 23(6): 1019-1040.

[6] 廖諶婳，李鵬，封志明，等. 西雙版納橡膠林面積遙感監測和時空變化[J]. 農業工程學報，2014，30(22)：170-180.

Liao Chenhua, Li Peng, Feng Zhiming, et al. Remote sensing monitoring and spatiotemporal change of rubber forest area in Xishuangbanna[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2014, 30(22): 170-180. (in Chinese with English abstract)

[7] Fan Hui, Fu Xiaohua, Zhang Zheng, et al. Phenology-based vegetation index differencing for mapping of rubber plantations using landsat OLI Data[J]. Remote Sensing, 2015, 7(5): 6041-6058.

[8] 李陽陽. 基于多源遙感的老撾北部五省橡膠林提取及空間分布驅動模型研究[D]. 昆明：云南大學，2017.

Li Yangyang. Study on the Driving Model of Rubber Forest Extraction and Spatial Distribution in Five Northern Provinces of Laos Based on Multi-source Remote Sensing[D]. Kunming: Yunnan University, 2017. (in Chinese with English abstract)

[9] 劉陳立，張軍，李陽陽，等. 西雙版納橡膠林信息提取和時空格局擴張監測[J]. 福建林業科技，2017，44(2)：43-50.

Liu Chenli, Zhang Jun, Li Yangyang, et al. Rubber forest information extraction and spatiotemporal pattern expansion monitoring in Xishuangbanna[J]. Fujian Forestry Science and Technology, 2017, 44(2): 43-50. (in Chinese with English abstract)

[10] 劉陳立，張軍，楊旭超，等. 緬甸佤邦北部罌粟替代種植下橡膠林時空演變特征[J]. 西部林業科學，2018，47(4)：115-121.

Liu Chenli, Zhang Jun, Yang Xuchao, et al. Temporal and spatial evolution characteristics of rubber forest under opium poppy alternative cultivation in northern WA, Myanmar [J]. Western Forestry Science, 2018, 47(4): 115-121. (in Chinese with English abstract)

[11] 廖諶婳，封志明，李鵬，等. 中南半島森林覆被變化研究進展[J]. 地理科學進展，2014，33(6)：853-864.

Liao Chenhua, Feng Zhiming, Li Peng, et al. Research progress of forest cover change in the Indochina Peninsula [J]. Progress in Geosciences, 2014, 33(6): 853-864. (in Chinese with English abstract)

[12] 全飛，李君，蘭國玉，等. 西雙版納熱帶森林土壤微生物生物量碳與生物功能研究[J]. 西部林業科學，2019，48(6)：133-140，155.

Quan Fei, Li Jun, Lan Guoyu, et al. Study on soil microbial biomass carbon and biological function of tropical forest in Xishuangbanna[J]. Western Forestry Science, 2019, 48(6): 133-140, 155. (in Chinese with English abstract)

[13] 鄭智，劉衛東，宋周鶯，等.“一帶一路”生產網絡及中國參與程度[J]. 地理科學進展，2019，38(7)：951-962.

Zheng Zhi, Liu Weidong, Song Zhouying, et al. “Belt and Road” production network and China’s participation[J]. Progress in Geography, 2019, 38(7): 951-962. (in Chinese with English abstract)

[14] 李正平，陳云森，李發昌. 3S技術在老撾南塔省橡膠園資源價值調查評價中的應用[J]. 熱帶農業科技，2017，40(3)：6-9，21.

Li Zhengping, Chen Yunsen, Li Fachang. The application of 3S technology in the investigation and evaluation of the resource value of rubber garden in Nanta Province, Laos[J]. Tropical Agricultural Technology, 2017, 40(3): 6-9, 21. (in Chinese with English abstract)

[15] 婁佩卿，付波霖，林星辰，等. 基于GEE的1998-2018年京津冀土地利用變化對生態系統服務價值的影響[J]. 環境科學，2019，40(12)：5473-5483.

Lou Peiqing, Fu Bolin, Lin Xingchen, et al. The impact of land use change on ecosystem service value in Beijing, Tianjin and Hebei from 1998 to 2018 based on GEE[J]. Environmental Science, 2019, 40(12): 5473-5483. (in Chinese with English abstract)

[16] 陳煒，黃慧萍，田亦陳，等. 基于Google Earth Engine平臺的三江源地區生態環境質量動態監測與分析[J]. 地球信息科學學報，2019，21(9)：1382-1391.

Chen Wei, Huang Huiping, Tian Yichen, et al. Dynamic monitoring and analysis of ecological environment quality in Sanjiangyuan area based on Google Earth Engine platform [J]. Journal of Earth Information Science, 2019, 21(9): 1382-1391. (in Chinese with English abstract)

[17] 張正龍. 基于Android的境外替代種植核查信息采集系統設計與實現[D]. 昆明：云南大學，2016.

Zhang Zhenglong. Design and Implementation of Overseas Alternative Planting Verification Information Collection System Based on Android[D]. Kunming: Yunnan University, 2016. (in Chinese with English abstract)

[18] 劉舒，姜琦剛，馬玥，等. 基于多目標遺傳隨機森林特征選擇的面向對象濕地分類[J]. 農業機械學報，2017，48(1)：119-127.

Liu Shu, Jiang Qigang, Ma Yue, et al. Object oriented wetland classification based on multi-objective genetic random forest feature selection[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(1): 119-127. (in Chinese with English abstract)

[19] 賀佳偉，裴亮，李景愛. 基于專家知識的決策樹分類[J].測繪與空間地理信息，2017，40(5)：91-94.

He Jiawei, Pei Liang, Li Jing’ai. Decision tree classification based on expert knowledge[J]. Mapping and Spatial Geographic Information, 2017, 40(5): 91-94. (in Chinese with English abstract)

[20] Han P, Chen J, Han Y, et al. Monitoring rubber plantation distribution on Hainan Island using Landsat OLI imagery[J]. International Journal of Remote Sensing, 2018, 39(8): 2189-2206.

[21] 鄧書斌. ENVI遙感圖像處理方法[M]. 北京：高等教育出版社，2014.

[22] Gao Bocai. NDWI—A normalized difference water index for remote sensing of vegetation liquid water from space[J]. Remote Sensing of Environment,1996, 58(3): 257-266.

[23] 劉元亮，李艷，吳劍亮. 基于LSWI和NDVI時間序列的水田信息提取研究[J]. 地理與地理信息科學，2015，31(3)：32-37，2.

Liu Yuanliang, Li Yan, Wu Jianliang. Study on paddy field information extraction based on lswi and NDVI time series[J]. Geography and Geographic Information Science, 2015, 31(3): 32-37, 2. (in Chinese with English abstract)

[24] Huete A, Didan K, Miura T, et al. Overview of the radiometric and biophysical performance of the MODIS vegetation indices[J]. Remote Sensing of Environment, 2002, 83(1/2): 195-213.

[25] 張乃靜，侯瑞霞，紀平. 基于遙感影像和二類調查數據的林地類型分類方法對比研究：以廣西憑祥市為例[J]. 林業資源管理，2017(4)：89-96.

Zhang Naijing, Hou Ruixia, Ji Ping. A comparative study on forest land classification methods based on remote sensing image and class II survey data: A case study of Pingxiang City, Guangxi[J]. Forestry Resource Management, 2017(4): 89-96. (in Chinese with English abstract)

[26] Feinstein A R, Cicchetti D V. High agreement but low Kappa: I. The problems of two paradoxes[J]. Journal of Clinical Epidemiology, 1990, 43(6): 543-549.

[27] Cicchetti D V, Feinstein A R. High agreement but low Kappa: II. Resolving the paradoxes[J]. Journal of Clinical Epidemiology, 1990, 43(6): 551-558.

[28] 趙兵杰，王賀封，張安兵，等. GF-1 WFV與Landsat 8 OLI的NDVI交互比較與定量關系研究[J]. 測繪地理信息. 2019(6)：64-69.

Zhao Bingjie, Wang Hefeng, Zhang Anbing, et al. NDVI interactive comparison and quantitative relationship between GF-1 WFV and Landsat 8 OLI[J]. Mapping Geographic Information, 2019(6): 64-69. (in Chinese with English abstract)

[29] 陳小敏，陳匯林，李偉光，等. 海南島天然橡膠林春季物候期的遙感監測[J]. 中國農業氣象，2016，37(1)：111-116.

Chen Xiaomin, Chen Huilin, Li Weiguang, et al. Remote sensing monitoring of spring phenology of natural rubber forest in Hainan Island[J]. Agrometeorology of China, 2016, 37(1): 111-116. (in Chinese with English abstract)

[30] 楊帆，王博. 基于決策樹的遙感圖像分類方法研究[J]. 測繪與空間地理信息，2019，42(7)：1-4.

Yang Fan, Wang Bo. Classification of remote sensing image based on decision tree[J]. Mapping and Spatial Geographic Information, 2019, 42(7): 1-4. (in Chinese with English abstract)

[31] 雷瑞. 中國與東南亞國家制度距離對農業投資模式及績效影響研究[D]. 昆明：云南大學，2017.

Lei Rui. Research on the Influence of Institutional Distance Between China and Southeast Asian Countries on Agricultural Investment Mode and Performance[D]. Kunming: Yunnan University, 2017. (in Chinese with English abstract)

[32] 保躍平，胡夢奇. 罌粟“替代種植”的實踐困境與反思—基于緬甸視角的分析[J]. 東南亞縱橫，2018(4)：67-74.

Bao Yueping, Hu Mengqi. Practical dilemma and reflection on “alternative cultivation” of opium poppy: An analysis from the perspective of Myanmar [J]. Crossroads: Southeast Asia Studies, 2018(4): 67-74. (in Chinese with English abstract)

Remote sensing image extraction for rubber forest distribution in the border regions of China, Laos and Myanmar based on Google Earth Engine platform

Li Yuchen, Zhang Jun※, Xue Yufei, Zhang Ping

(650504,)

Rubber forest has an increasingly important impact on the environment and social economy. The huge demand has created a demand-supply gap in the process of economic globalization and the rubber forest planting, especially that in the border areas of different countries has been widely concerned in various fields. In this study, the rubber forest distribution was extracted by using the cloud computing technology of Google Earth Engine platform and the integration of multiple Landsat OLI remote sensing images from 2015 to 2019 in the border areas of China, Laos and Myanmar. The rubber phenology characteristics were obtained through rubber time series analysis. The different feature parameters were selected, and the differences of each parameter in foliation and defoliation period were compared to distinguish rubberforest and other land coverage types. Then the classification model of expert knowledge decision tree was constructed based on the calculated segmentation threshold of each parameter, and the algorithm is applied to the whole research area of the border areas of China, Laos and Myanmar. The results showed that time series NDVI in February (defoliation period) and April (foliation period) of rubber in the study area had good performance to distinguish rubberforest and other land coverage types. The overall accuracy of extraction was 90.32% and Kappa coefficient was 0.87. Both the overall accuracy and Kappa coefficient met the accuracy requirements of general production. Compared with the former researches, the method based on Google Earth Engine using rubber phenology calculation parameters to extract rubber forest in a large research area has a high accuracy. The total area of rubber forest extracted was 126.29′104hm2, including 52.37′104, 56.93′104and 16.99′104hm2of rubber forest extracted from Xishuangbanna, Myanmar and the five northern provinces of Laos, respectively. It is also found that the areas of rubber forests were different in these regions because the different actual situation of Laos and Myanmar produce differential policies in the process of alternative policy development. The cloud computing technology based on Google Earth Engine platform can overcome the lack of computing power of large-scale rubber monitoring in time and space, and provide scientific basis and decision support for the rational rubber layout and regional sustainable development in the border areas of China, Laos and Myanmar.

remote sensing; decision trees; rubber forest; Google Earth Engine; phenology; China, Laos, Myanmar border regions

李宇宸，張軍，薛宇飛，等. 基于Google Earth Engine的中老緬交界區橡膠林遙感提取[J]. 農業工程學報，2020，36(8)：174-181.doi：10.11975/j.issn.1002-6819.2020.08.021 http://www.tcsae.org

Li Yucheng, Zhang Jun, Xue Yufei, et al. Remote sensing image extraction for rubber forest distribution in the border regions of China, Laos and Myanmar based on Google Earth Engine platform[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(8): 174-181. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2020.08.021 http://www.tcsae.org

2019-10-24

2020-03-30

高分辨率對地觀測系統重大專項省（自治區、直轄市）域產業化應用項目《面向南亞東南亞地區“一帶一路”云南高分綜合應用示范》（89-Y40-G11-9001-15/18）

李宇宸，主要從事遙感應用與GIS開發研究。Email：feiyu4869@qq.com

張軍，博士，副研究員，主要從事遙感應用與GIS開發研究。Email：50981534@qq.com

10.11975/j.issn.1002-6819.2020.08.021

S127

A

1002-6819(2020)-08-0174-08