基于GEE平臺與Sentinel數據的土地覆被分類研究

摘" 要：遙感技術的大面積、實時、多時相對地觀測優勢，為遙感監督分類提供便利，準確的土地覆被信息是土地資源管理和監測的基礎，應及時研發一種簡單、快速和高精度的分類方法。該文選取吉林西部的白城市為研究案例，基于隨機森林分類方法，以Sentinel-2高分辨率衛星影像作為數據源，在GEE云計算平臺，進行樣本點選取，并將樣本點數據集與多波段合成影像添加到隨機森林分類器中，將影像分為耕地、水體、鹽堿地、城鎮和濕地5類。分類混淆矩陣的分類誤差均小于0.15，其中鹽堿地分類精度最高，耕地分類精度最低。總體分類精度為94.20%，Kappa系數為0.926 9。該分類方法簡單高效、適用于中小型地區高精度快速分類。

關鍵詞：Sentinel-2；土地利用分類；隨機森林；GEE；土地覆被

中圖分類號：TP751 " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）15-0039-04

Abstract： The advantages of large-area， real-time， and multi-time relative earth observation of remote sensing technology provide convenience for remote sensing supervision and classification. Accurate land cover information is the basis of land resource management and monitoring. A simple， fast， and high-precision method should be developed in time. Classification. This paper selects Baicheng City in the west of Jilin Province as a research case. Based on the random forest classification method， using Sentinel-2 high-resolution satellite images as the data source， the sample point is selected on the GEE cloud computing platform， and the sample point data set is combined with the multi-band The synthetic image is added to the random forest classifier， and the image is divided into five categories： cultivated land， water body， saline-alkali land， town， and wetland. The classification errors of the classification confusion matrix were all less than 0.15， among which the classification accuracy of saline-alkali land was the highest， and that of cultivated land was the lowest. The overall classification accuracy is 94.20% and the Kappa coefficient is 0.926 9%. The classification method is simple， efficient and suitable for high-precision and fast classification in small and medium-sized areas.

Keywords： Sentinel-2; land use classification; random forest; GEE; land cover

傳統的土地利用分類消耗大量的人力和物力，近些年因人類活動和氣候變化的增強，土地利用類型發生較大變化，隨著遙感技術的普及發展，基于遙感影像的分類是當今主要的研究方法，機器學習的分類算法被廣泛應用，包括：回歸樹（Classification And Regression Tree，CART）、隨機森林（Random Forest）、支持向量機（Support Vector Machine，SVM），其中隨機森林是較為熱門的一個算法，其準確率極高、引入了隨機性可以避免過擬合、能夠有效在大數據集上運行、具有較好的抗噪聲能力。因此隨機森林算法被大多數學者應用在遙感影像分類中。如胡叢慧基于 GEE和Landsat 8 OLI影像的土地覆被分類研究分類總體精度為85.31%，Kappa系數為0.81；竇世卿等基于隨機森林的高分影像分類及土地利用變化檢測其中2017年和2020年影像的總體分類精度分別為98.616%、98.138%，Kappa系數分別為0.977，0.949；盧獻健基于GEE平臺廣西桉樹快速提取研究其中分類總體精度為81%，Kappa系數為0.81。

Sentinel-2衛星星座是歐空局發射的Sentinel系列衛星中重要的遙感平臺，空間分辨率為10 m且同地區重訪周期為5 d，為土地利用分類和監督提供了高質量的數據源。本研究直接在Google Earth Engine（GEE）平臺上調用研究區在2020年4月20日的Sentinel-2影像，產品等級為L2A級，根據官方發布的 Sentinel-2影像數據說明，L2A級產品均為經過輻射定標、大氣校正以及正射校正處理過的圖像。只需通過在線編寫代碼可實現篩選圖像含云量、批量去云和研究區矢量裁剪等一系列數據預處理。Google Earth Engine（GEE）是當前比較先進的云地理信息處理平臺，可為用戶實現科學分析和可視化，在平臺上直接調用包括 Landsat、MODIS、Sentinel等遙感數據后，通過云端的高性能計算可以快速、批量處理數量眾多的影像，具有存檔數據時間跨度長、運行穩定、計算效率高、上手難度低和使用成本低等優點，也為大規模遙感數據的挖掘分析提供可能。目前已有學者結合隨機森林和GEE進行分類，研究結果精度較高，表明隨機森林算法分類適用于各種土地類型的分類。

為了進一步研究各地區土地利用分類情況，該研究選取吉林西部地區的白城市為例，同時白城市也是我國重要的糧食產區，因此開展白城市土地利用類型分類研究具有重要意義。

1" 研究區概況與數據源

1.1" 研究區概況

吉林西部地區經緯度范圍為121°38′～126°11′E，43°59′～46°18′N，位于松嫩平原的西南部，包括了白城和松原2市，本研究區主要選取在白城市（圖1），這里西接大興安嶺山地、東臨嫩江和第二松花江，南有松遼分水嶺（松嫩平原與遼河平原的分界），北與黑龍江省的泰來接壤，白城市地處我國東北地區的內陸，屬于中溫帶大陸性季風氣候區，年平均降水量在300～500 mm，年蒸發量遠大于降水量，同時也屬于半濕潤-半干旱過渡性的氣候。自20世紀60年代以來，吉林省西部的生態環境逐漸惡化，土地鹽漬化問題日益嚴重，自然生態系統脆弱，土地覆蓋類型處于快速變化的狀態。

1.2" Sentinel-2數據

Sentinel-2包含2顆衛星：Sentinel-2A和Sentinel-2B（分別于2015年6月23日和2017年3月7日發射），2顆相同的Sentinel-2衛星在平均海拔786 km的太陽軌道上同步運行，重訪周期為3～5 d，每顆衛星都配備了最先進的多光譜成像儀（Multi Spectral Instrument），包含藍光波段、綠光波段、紅光波段和植被紅邊波段等13個波段，可提供空間分辨率為10 m的光學影像。較短的重訪周期和較高的空間分辨率為大尺度遙感空間制圖提供了良好的條件。GEE（Google Earth Engine）平臺能夠直接調用Sentinel-2 level-1C （L1C）和 level-2A（L2A）兩個處理級別的數據產品。本研究使用的是Sentinel-2 Level-2A級產品，該產品主要包含經過大氣校正的大氣底層反射率數據（Bottom-of-Atmosphere corrected reflectance）。

2" 研究方法與實驗結果

2.1" 隨機森林分類

隨機森林（Random Forests）是一種監督分類方法，對原始樣本中抽取多個樣本，每個樣本依賴于熵降低最快原則構建決策樹，然后組合決策樹森林的預測，因為決策樹森林的抗干擾能力較強，所以利用決策樹森林可以避免數據較為復雜情況下出現過擬合現象，并通過決策樹森林投票結果的眾數決定了最優的分類結果。在土地利用分類、土地變化檢測、生物及生態科學等領域大范圍應用，并具有極好的準確率。

隨機森林分類主要是利用隨機森林對訓練樣本的隨機化，生成單棵決策樹，構建決策樹森林，并統計投票結果最多的為分類結果。具體流程如圖2所示。

2.2" 樣本點選取

本研究數據集在谷歌地球（Google Earth Engine）平臺上完成選點采集，數據集樣本是遙感影像監督分類基礎，監督分類精度與樣本點的質量的好壞有關，質量好的樣本點可以顯著增加分類精度，本研究采集樣點1 420個，其中耕地點350個，水體點310個，鹽堿地點300個，城鎮點300個，濕地點160個。具體流程：首先進入GEE調Sentinel-level-2A級遙感影像數據作為底圖，點擊添加標記，創建一個新的圖層，本研究創建5個圖層，對圖層輸入樣本點名稱及賦予響應屬性，如Plough（耕地）、Water（水體）、Saline-alkali land（鹽堿地）、Town（城鎮）和Wetland（濕地）。因為Sentinel-2的空間分辨率為10 m，樣本數據紋理特征明顯，所以我們通過目視解譯進行選點，提高了作業效率；同時解決了樣本點野外實地采集耗時耗力等問題，為大尺度遙感提供便利。樣本點選取完成后復制import中代碼，粘貼到隨機森林分類器中作為訓練樣本。該研究選取79%為訓練樣本，21%為驗證驗本（表1）。

2.3" 分類過程

首先使用Java script語言在GEE平臺構建隨機森林分類模型，在Sentinel-2衛星影像中使用的光譜變量為藍光波段、綠光波段、紅光波段和植被紅邊波段，利用光譜計算，選取植被指數（NDVI、DVI、EVI）和土壤指數（SAVI），作為特征波段加入Sentinel-2衛星影像，作為分類基礎影像，提高分類精度，利用隨機森林對土地利用類型進行分類。

分類結果如圖3所示，分類結果與目視解譯選取的數據集基本一致，其中水體特征識別準確，輪廓清晰，研究區耕地面積較大，主要集中在中上地區，濕地特征也較為明顯，主要集中在中下地區，總體分類結果清晰，得益于Sentinel-2高分辨率遙感影像，湖泊輪廓也能輕易判別。

進一步采用混淆矩陣的方式分析了該分類的精度（表2），本研究方法的混淆矩陣分類誤差均小于0.15，分類結果表明鹽堿地分類精度最高，耕地的分類精度最低，原因可能是Sentinel-2衛星獨特的紅邊波段，增強了對鹽堿地識別分類的精度，濕地大面積的植被覆蓋對分類造成了干擾，導致濕地與耕地出現誤分，城鎮樓頂的顏色不一，光學反射會出現誤差，且與耕地臨近，導致分類錯誤，水體特征最為明顯，因此在光學影像的分類結果中清晰可見。

3" 結論

基于GEE平臺，本文選用隨機森林分類算法在空間分辨率為10 m的Sentinel-2衛星影像上對吉林西部的白城市進行土地覆被分類，將研究區土地利用類型分成5類，5類土地利用類型分類精度見表3。

實驗結果表明，GEE平臺可以實現高效率、高精度的機器學習方法，計算評價指標為總體分類精度（ Overall Ac-curacy）和Kappa系數（Kappa Coefficient）。總體分類精度等于被正確分類的像元總和除以總像元數。Kappa系數是一種比例，代表著分類與完全隨機的分類產生錯誤減少的比例[2]。本研究采樣的隨機森林算法總體分類精度為94.20%，Kappa系數為0.926 9。分類精度達到預期要求，其中鹽堿地的分類效果較為突出，生產者精度和用戶精度最高，說明在Sentinel-2上的紅邊波段對土壤鹽漬化地區具有很好的識別效果。雖然本研究分類結果精度較高，但仍然有很多不足，例如對濕地特征識別仍不夠準確，城鎮與耕地接壤的地方容易出現誤分現象，下一步應嘗試使用Sentinel-2時間序列數據并加入更多特征波段，去獲取更好的分類模型，降低地塊的碎片化。

有效使用GEE平臺的隨機森林分類算法進行人工監督采樣，可以高效率地完成中小地區的土地利用類型分類，本研究分類數據結果準確，空間格局清晰明朗，操作簡單，樣本點選取便捷且更新速度快，可作為典型地區分類的通用流程進行應用推廣。

參考文獻：

[1] 胡叢慧.基于GEE和Landsat 8 OLI影像的土地覆被分類研究[J].科學技術創新，2021（35）：58-60.

[2] 竇世卿，宋瑩瑩，徐勇，等.基于隨機森林的高分影像分類及土地利用變化檢測[J].無線電工程，2021，51（9）：901-908.

[3] 張衛春，劉洪斌，武偉.基于隨機森林和Sentinel-2影像數據的低山丘陵區土地利用分類——以重慶市江津區李市鎮為例[J].長江流域資源與環境，2019，28（6）：1334-1343.

[4] 史敏偉，李慶.基于隨機森林的GF-2影像土地利用分類研究[J].北京測繪，2019，33（12）：1513-1517.

[5] 盧獻健，黃俞惠，晏紅波，等.基于GEE平臺廣西桉樹快速提取研究[J].林業資源管理，2019（5）：52-60，75.

[6] 姜伊蘭，陳保旺，黃玉芳，等.基于Google Earth Engine和NDVI時序差異指數的作物種植區提取[J].地球信息科學學報，2021，23（5）：938-947.

[7] 李平，吳曼喬，曾聯明.支持向量機技術在土地利用監測的應用研究[J].測繪通報，2010（8）：28-30，67.

[8] DIHKAN M，GUNEＲOGLU N，KAＲSLI F，et al． Ｒemote sens-ing of tea plantations using an SVM classifier and pattern-based accuracy assessment technique[J]． International Journal of Ｒe-mote Sensing，2013，34（23）：8549－8565．

[9] 趙萍，傅云飛，鄭劉根，等.基于分類回歸樹分析的遙感影像土地利用/覆被分類研究[J].遙感學報，2005（6）：708-716.

[10] FENG Q，LIU J，GONG J． UAV remote sensing for urban vege-tation mapping using random forest and texture analysis[J]． Ｒe-mote Sensing，2015，7（1）：1074－1094．

[11] 馬玥，姜琦剛，孟治國，等.基于隨機森林算法的農耕區土地利用分類研究[J].農業機械學報，2016，47（1）：297-303.

[12] 秦海超，駱煥成，王笑.基于GEE和Sentinel-2影像的臨沂市土地利用/覆被分類信息提取[J].工程勘察，2021，49（8）：69-73.

[13] 何昭欣，張淼，吳炳方，等.Google Earth Engine支持下的江蘇省夏收作物遙感提取[J].地球信息科學學報，2019，21（5）：752-766.

[14] 彭壯壯，武永斌，朱夢豪，等.基于時序Sentinel-2影像的農作物分類研究[J].測繪與空間地理信息，2021，44（12）：81-84.