基于Google Earth Engine平臺(tái)的大連市土地覆蓋分類

楊 崢

遼寧師范大學(xué)地理科學(xué)學(xué)院，遼寧 大連 116029

0 引言

我國沿海地區(qū)經(jīng)濟(jì)發(fā)展迅速，在城市化與工業(yè)化進(jìn)程中，其土地覆蓋類型發(fā)生了重大變化。為保證我國沿海地區(qū)土地利用合理，需要檢測(cè)該地區(qū)土地利用與覆蓋變化。在研究土地利用與覆蓋變化的過程中，對(duì)土地覆蓋分類是至關(guān)重要的一步。

傳統(tǒng)土地覆蓋分類主要依靠人工目視解譯，需要花費(fèi)大量時(shí)間且消耗大量資源，效率低下。近年來，結(jié)合計(jì)算機(jī)技術(shù)和遙感技術(shù)優(yōu)勢(shì)的土地覆蓋分類方法得到廣泛應(yīng)用。高分辨率衛(wèi)星如Landsat系列、高分系列和Sentinel 系列等的廣泛使用，為人們提供了高分辨率、大比例尺的遙感影像數(shù)據(jù)。當(dāng)前，土地覆蓋分類方法主要涵蓋最小距離法、支持向量機(jī)法等。在這些分類方法中，光譜信息具有至關(guān)重要的地位。然而，當(dāng)?shù)匚飳傩詮?fù)雜且破碎時(shí)，這些方法的分類效果會(huì)受到一定影響［1］。使用決策樹分類（Classification and Regression Tree，CART）法處理多維屬性地物時(shí)，可以通過確定各地物屬性相關(guān)環(huán)境特征的重要性來推導(dǎo)出對(duì)分類過程至關(guān)重要的屬性并進(jìn)行提取，這種方法提高了土地覆蓋分類的精度，能夠有效地識(shí)別和提取各類信息［2］。

筆者基于Google Earth Engine 平臺(tái)，對(duì)遼寧省大連市的建設(shè)用地、林地、耕地、水體進(jìn)行分類，得到當(dāng)?shù)赝恋馗采w分類圖。分析2000—2020年大連市土地覆蓋變化趨勢(shì)，旨在為該地區(qū)的土地管理、環(huán)境保護(hù)提供理論依據(jù)，從而促進(jìn)該地區(qū)的可持續(xù)發(fā)展。

1 研究區(qū)概況

大連市是遼寧省下屬的地級(jí)市，地處遼東半島的南端，位于黃渤海交界處，是我國東北地區(qū)重要的工業(yè)、旅游、港口和貿(mào)易城市。此次研究區(qū)為大連市行政區(qū)（東經(jīng)120°58′～123°31′、北緯38°43′～40°10′），包含7 個(gè)市轄區(qū)、2 個(gè)縣級(jí)市和1 個(gè)縣，總占地面積12 573.85 km2。

2 數(shù)據(jù)來源與處理

2.1 遙感影像

此次研究中使用的基礎(chǔ)數(shù)據(jù)是美國地質(zhì)調(diào)查局提供的Landsat8-OLI、landsat5-TM 遙感影像，其空間分辨率為30 m。每個(gè)時(shí)期的遙感圖像的選擇均基于當(dāng)年6—9 月的數(shù)據(jù)。因?yàn)檫@段時(shí)間的圖像數(shù)據(jù)質(zhì)量較好，沿海地區(qū)的灘涂植被茂盛，容易識(shí)別。通過Google Earth Engine 平臺(tái)在線訪問，包括經(jīng)過大氣校正和輻射校正的地表反射率圖像，對(duì)其進(jìn)行去云預(yù)處理。遙感影像中的質(zhì)量評(píng)估波段QA 記錄著受云層或儀器影響的像素，通過質(zhì)量評(píng)估波段QA 將影像中質(zhì)量差的部分去除，從而達(dá)到影像去云處理的目的。上傳大連市行政邊界矢量數(shù)據(jù)至Google Earth Engine 平臺(tái)，對(duì)遙感影像進(jìn)行裁剪。對(duì)遙感影像的改進(jìn)型歸一化差值水體指數(shù)（Modified Normalized Difference Water Index，MNDWI）、歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）、增強(qiáng)型植被指數(shù)（Enhanced Vegetation Index，EVI）和地表水分指數(shù)（Land Surface Water Index，LSWI）4 種指數(shù)進(jìn)行計(jì)算，作為研究濕地的基礎(chǔ)。

2.2 土地覆蓋數(shù)據(jù)

在ENVI 軟件中對(duì)2013 年Landsat8 遙感影像應(yīng)用監(jiān)督分類及目視解譯的方法進(jìn)行土地分類，結(jié)合在Google Earth Engine上隨機(jī)選擇的200 個(gè)樣本點(diǎn)，得到土地覆蓋類型圖，將土地分為5類。

2.3 驗(yàn)證數(shù)據(jù)

調(diào)取Google Earth Engine 的2020 年9 月的研究區(qū)域影像圖，和10 m分辨率的SPOT影像，隨機(jī)選取特征明顯的100 個(gè)檢驗(yàn)樣本點(diǎn)，記錄樣本點(diǎn)的分類信息作為分類準(zhǔn)確性評(píng)價(jià)的依據(jù)。

3 研究方法

借助MNDWI、NDVI、EVI及LSWI這4種指標(biāo)，綜合運(yùn)用濕地提取算法來獲取濱海濕地的提取結(jié)果。隨后，采用CART 方法對(duì)建設(shè)用地、林地、耕地和水體進(jìn)行分類，最終將這兩種結(jié)果融合以獲得5 種不同地類的提取結(jié)果。

3.1 土地覆蓋分類體系

基于遼寧省沿海地區(qū)土地覆蓋類型特點(diǎn)和《土地利用現(xiàn)狀分類》（GB/T 21010—2017）［3］，將研究區(qū)域劃分為5類（建設(shè)用地、林地、耕地、水體和濕地），以利于分析該地區(qū)的土地覆蓋變化。此次研究中提取的濕地是濱海濕地，并非內(nèi)陸濕地。濱海濕地指的是內(nèi)陸與海水低潮位之間的潮間帶地區(qū)，而內(nèi)陸水田因?yàn)槠涮厥獾膸缀涡螤钊菀讌^(qū)分，且離海岸帶較遠(yuǎn)，故將其劃分在耕地類別中。

3.2 濕地提取算法

研究采用MNDWI、NDVI、EVI及LSWI 4種指數(shù)，提取遙感影像中的濕地。利用遙感影像各波段計(jì)算出4種指數(shù)的值，根據(jù)一系列嚴(yán)格的條件判定，提取水體的指數(shù)條件為MNDVI＞NDVI或MNDVI＞EVI及EVI＜0.1，而提取植被的指數(shù)為EVI≥0.1、NDVI≥0.2及LSWI＞0，據(jù)此進(jìn)行植被和水體的識(shí)別［4-6］。

通過上述方法識(shí)別水體和植被，利用圖像中的水體和植被的像素頻率計(jì)算濕地，水體和植被的像素頻率計(jì)算公式為

式（1）（2）中：Wwater代表水體的像素頻率，Wvegetable代表植被的像素頻率，Ntotal代表像素總數(shù)，Nvegetable代表植被的像素總數(shù)，Nwater代表水體的像素總數(shù)。

計(jì)算后的頻率值圖像拉伸到0～255 的灰度空間中，根據(jù)水體頻率123.0～242.3 為最優(yōu)濕地灘涂提取范圍，植被頻率0～38為最優(yōu)濕地植被提取范圍，此方法已成功用于潮間帶濕地的提取［6］。通過將濕地灘涂和濕地植被提取結(jié)果合并，得到最終的濕地提取結(jié)果。

3.3 CART分析方法

CART 的基本應(yīng)用原理是通過樣本的數(shù)據(jù)總結(jié)規(guī)律，將訓(xùn)練樣本的屬性劃分為多個(gè)訓(xùn)練元組，并根據(jù)測(cè)試變量分裂前后的基尼系數(shù)差異來確定最佳分裂準(zhǔn)則及相應(yīng)的分裂閾值。應(yīng)用CART方法進(jìn)行土地覆蓋分類時(shí)，可以有效地考慮地物多種屬性，并明確每個(gè)屬性的相對(duì)重要性，從而建立模型以提高土地覆蓋分類的準(zhǔn)確性。

在選擇最佳測(cè)試變量分裂準(zhǔn)則和分裂閾值時(shí)，應(yīng)用基尼系數(shù)作為決策準(zhǔn)則，基尼系數(shù)的表達(dá)式為

通過應(yīng)用該方法對(duì)研究區(qū)域進(jìn)行土地覆蓋分類，能夠更準(zhǔn)確地捕捉不同土地覆蓋類型在空間分布上的特征。此次研究采用研究區(qū)域的2020 年預(yù)處理的Landsat8 遙感影像，選取感興趣區(qū)每類50 個(gè)，并據(jù)此對(duì)其分類。

3.4 結(jié)果驗(yàn)證

將驗(yàn)證數(shù)據(jù)中的樣本點(diǎn)與分類結(jié)果圖的對(duì)應(yīng)像素點(diǎn)進(jìn)行對(duì)比，可以評(píng)價(jià)其精度。通Google Earth Engine 平臺(tái)可以實(shí)現(xiàn)Kappa 系數(shù)的精度評(píng)價(jià)，結(jié)合分類結(jié)果與樣本點(diǎn)的類別匹配百分比，對(duì)分類結(jié)果進(jìn)行精度評(píng)價(jià)。

4 結(jié)果與分析

4.1 結(jié)果與精度

由表1 可知，2000—2020 年研究區(qū)的遙感影像分類結(jié)果總體精度和Kappa 系數(shù)均高于或等于85%，基于Google Earth Engine 云平臺(tái)和Landsat 系列影像對(duì)沿海地區(qū)的土地分類具有較好的效果。

表1 土地覆蓋分類精度

4.2 2000—2020年大連市土地覆蓋變化分析

由表2 可知，研究區(qū)域的土地覆蓋類型變化：2000—2020 年，大連市建設(shè)用地面積增長率為119.81%；水體面積下降率為14.83%；林地面積下降率為24.37%；耕地面積增長率為18.57%；沿海灘涂濕地面積增長率為8.84%。

表2 2000—2020年大連市土地分類面積km2

5 結(jié)論與討論

筆者利用Google Earth Engine 平臺(tái)提供的多源遙感影像數(shù)據(jù)和強(qiáng)大的計(jì)算能力，針對(duì)研究區(qū)域的土地覆蓋類型特點(diǎn)，分析處理了多年的遙感影像。對(duì)研究區(qū)域在2000—2020 年內(nèi)的土地覆蓋類型變化進(jìn)行了分析，并運(yùn)用了MNDWI、NDVI、EVI及LSWI 4種指數(shù)結(jié)合的方法以及CART 方法，分別解譯了2000 年、2006 年、2013 年、2020 年大連市的遙感影像。結(jié)果表明，基于Google Earth Engine平臺(tái)的濕地提取和CART方法對(duì)于此研究區(qū)的土地覆蓋分類具有較高的精度。通過影像對(duì)比，得出研究區(qū)各個(gè)時(shí)間段的土地覆蓋變化情況（林地、水體、濕地面積出現(xiàn)下降趨勢(shì)，建筑用地和耕地面積呈上升趨勢(shì)）。2000—2020 年，大連市各土地類型變化明顯，林地面積、濕地面積、耕地面積和建設(shè)用地面積變化尤為明顯。究其原因，主要是因?yàn)榇筮B市2000—2020 年城市化進(jìn)程加快，建設(shè)用地增加明顯，同時(shí)侵占林地；港口與碼頭迅速擴(kuò)張，沿海漁業(yè)、鹽業(yè)的快速發(fā)展，導(dǎo)致沿海灘涂濕地面積減少。2013 年以來，大連市對(duì)生態(tài)環(huán)境的保護(hù)加強(qiáng)，加上退耕還林政策的實(shí)施，使得林地面積有所增加，耕地面積減少，對(duì)自然資源的保護(hù)取得初步成效。城市化的快速發(fā)展引發(fā)了大規(guī)模人口流動(dòng)，與此同時(shí)，流動(dòng)人口也為經(jīng)濟(jì)增長提供了關(guān)鍵要素支持。流動(dòng)人口的不穩(wěn)定性將成為經(jīng)濟(jì)發(fā)展的重要影響因素之一。因此，通過土地覆蓋的動(dòng)態(tài)監(jiān)測(cè)，可以為經(jīng)濟(jì)發(fā)展的趨勢(shì)預(yù)測(cè)提供側(cè)面的數(shù)據(jù)支持。通過此研究結(jié)果可以為研究區(qū)未來可持續(xù)發(fā)展戰(zhàn)略提供基礎(chǔ)的理論依據(jù)，通過土地覆蓋分類數(shù)據(jù)得出自然資源的利用度，進(jìn)而合理規(guī)劃自然資源的開發(fā)和利用，以避免過度開發(fā)利用對(duì)生態(tài)環(huán)境造成破壞，從而實(shí)現(xiàn)該地區(qū)的可持續(xù)發(fā)展。