基于GEE云平臺和Sentinel數據的滇池濕地制圖

摘要 基于Google Earth Engine （GEE）和Sentinel數據，結合地形數據，提取影像的光譜指數、紅邊指數、紋理特征、雷達特征和地形特征，通過RF-RFE方法篩選特征得到最優特征數據集，使用基于像元的方法（隨機森林）和面向對象的方法（簡單非迭代聚類+隨機森林）實現滇池濕地制圖，探討不同分類方法、特征變量對滇池濕地制圖的影響。結果表明，面向對象方法優于基于像元方法，總體精度為90.86%，Kappa系數為0.887。面向對象方法可以有效減輕“椒鹽現象”，以及濕地和非濕地錯分現象，RF-RFE方法可以去除冗余特征，有效提高分類效率?；贕EE平臺的面向對象方法適合于高原湖泊滇池濕地制圖。

關鍵詞 滇池；濕地；隨機森林；簡單非迭代聚類；Google Earth Engine；Sentinel

中圖分類號 S 127" 文獻標識碼 A

文章編號 0517-6611（2025）04-0205-04

doi：10.3969/j.issn.0517-6611.2025.04.044

開放科學（資源服務）標識碼（OSID）：

Wetlands Mapping in Dianchi Lake Based on GEE Cloud Platform and Sentinel Data

LUO Rong rong，DONG Yan

（Kunming University of Science and Technology，Kunming，Yunnan 650093）

Abstract Based on Google Earth Engine （GEE） and Sentinel data，combined with terrain data，the spectral index，red edge index，texture features，radar features and terrain features of the images were extracted.The RF RFE method was used to select features to obtain the optimal feature dataset，and Pixel based methods （random forest） and object oriented methods （simple non iterative clustering+random forest） were used to map the Dianchi Lake wetland.We explored the impact of different classification methods and feature variables on the mapping of Dianchi Lake wetlands.The results indicated that the object oriented classification method outperformed the pixel based classification method，with an overall accuracy of 90.86% and a Kappa coefficient of 0.887.The object oriented method was effective in minimizing the ‘salt and pepper’ phenomenon and the misclassification of wetlands and non wetlands，while the RF RFE method could remove redundant features and effectively improve classification efficiency.The object oriented method based on the GEE platform was suitable for mapping the wetlands of highland Dianchi Lake.

Key words Dianchi Lake;Wetland;Random forest;Simple non iterative clustering;Google Earth engine;Sentinel

作者簡介 羅蓉蓉（1998—），女，貴州貴定人，碩士研究生，研究方向：遙感圖像處理與應用。 *通信作者，副教授，碩士，碩士生導師，從事測繪新技術應用、遙感數據分析應用研究。

收稿日期 2024-02-28

濕地是一種位于水陸交匯處的特殊生態系統，具有涵養與凈化水源、防洪抗旱、調節氣候、維護區域生態平衡等重要功能^［1-2］。滇池盆地是昆明經濟發展最快、人口密度最高的地區。隨著大規模城鎮化、工業發展和人口快速增長，滇池濕地遭到嚴重破壞^［3］。因此，及時獲知滇池濕地面積和分布狀況對滇池濕地建設與管理和滇池流域水環境保護與治理有重要意義。

與傳統實地調查相比，遙感技術具有覆蓋范圍更廣、易于更新、信息量豐富等優點，被廣泛用于土地覆蓋、濕地制圖與監測等研究中^［4-5］。Sentinel遙感數據因其具有獨特的紅邊波段、較高的時空分辨率、容易獲得等優點被廣泛用于濕地制圖，如Ruiz等^［6］使用Sentinel數據對亞熱帶濕地植被物種進行分類。Slagter等^［7］使用Sentinel時序數據對南非Lucias濕地植被進行分類。寧曉剛等^［8］使用Sentinel數據對黑龍江流域沼澤濕地進行提取。

遙感分類方法通常分為基于像元分類和面向對象分類方法，基于像元分類方法的對象是基于單個像元，缺乏對空間結構關系考慮；面向對象分類，其分類對象是由多個相關像素組成，考慮區域信息特征^［9］。Cai等^［10］使用面向對象的隨機森林分類方法對洞庭湖濕地進行分類。毛麗君等^［11］分別使用基于像元和面向對象方法對錢江源國家公園進行土地覆蓋分類研究。閆明等^［9］使用面向對象方法對普洱市森林樹種進行分類。

滇池地處南方高原地區，受到云雨天氣影響較大，經常獲得無效觀測數據。Google Earth Engine （GEE）平臺是一個全球性的開放數據訪問平臺，它不僅可以提供海量數據，還可以處理大規模的遙感數據，快速篩選最小云量獲取最高質量遙感影像^［8］。目前對滇池流域土地覆蓋的研究比較普遍，但絕大多數研究并未將濕地作為一個單獨的土地類別進行研究，且大多基于Landsat數據進行研究，缺少使用Sentinel數據的研究。鑒于此，筆者基于GEE平臺和Sentinel數據，使用基于像元的方法（隨機森林）和面向對象的方法（簡單非迭代聚類+隨機森林）對滇池濕地制圖，探討不同分類方法及特征變量對滇池濕地制圖的影響。

1 資料與方法

1.1 研究區概況

滇池流域（102°29′～103°01′E，24°29′～25°28′N）位于長江、珠江、紅河三大水系的分界處，地勢東高西低，以滇池為中心，四面聳立，形成盆地、丘陵等地形。盆地總面積2 920 km2，約占昆明市總面積的13.8%，包括五華、盤龍、官渡、西山、呈貢等7個縣（區）。區域性氣候為亞熱帶濕潤季風類型，干濕分明，5—10月為雨季。多年平均降水量為797～1 007 mm，蒸發量為1 409～1 871 mm，雨季降水量占年降水量的87%；年平均氣溫為14.6～15.9 ℃，日照強烈。滇池流域是云南城市化程度最高、經濟最發達、人口最稠密的地區。該區域濕地以湖畔人工濕地為主，目前常見的植物種類有冷杉、柳樹、楊樹、蘆葦、香蒲等。湖濱濕地具有改善滇池水質、減輕水污染、調節氣候等的生態功能，是進入滇池的最后一道屏障^［3］。

1.2 數據及預處理

1.2.1 遙感數據。

該研究所采用的遙感數據Sentinel-1、Sentinel-2以及地形數據均來源于GEE平臺。 Sentinel-1數據分為在極地地區收集的HH、HV、VH和VV全極化數據，在其他地區收集的VH和VV數據。因此該研究雷達數據選取Sentinel-1干涉式寬掃描模式（IW）的雙極化數據（VV+VH）。Sentinel-2數據共用13個波段，3個質量評估波段，其中13個波段的3個紅邊波段對濕地提取有好的效果^［12］。滇池流域區域性氣候為亞熱帶濕潤季風類型，干濕分明，其中5—10月為雨季，從而造成滇池沼澤濕地在旱季顯現、在雨季易被淹沒的特點，又由于滇池地理位置的影響，光學遙感影像易受云霧干擾，因此該研究篩選了2020年1—4月云量小于10%的影像，共96景影像。對選取的96景影像利用質量評估（QA）波段進行云掩膜處理。

1.2.2 樣本數據。

參考《濕地公約》及研究區相關文獻^［3］，把研究區土地覆被類型分為水體、沼澤濕地、森林、耕地、草地和不透水面6類，其中沼澤濕地和水體是濕地主要類型。濕地樣本通過2020年全球30 m濕地數據產品（GWL_FCS30）、JRC Global Surface Water （JRC_GSW）濕地數據結合研究區實地調查在光學影像和谷歌影像目視解譯得到。非濕地樣本通過ESA World Cover、Dynamic World （DW10）^［13］、Global Land Cover with Fine Classification System at 30 m（GLC_FCS30）^［14］3個土地覆蓋數據結合光學和谷歌影像目視解譯得到。以上GWL_FCS30和JRC_GSW濕地數據分別在AI earth平臺和歐盟委員會網站上獲取，ESA World Cover和DW10在GEE平臺上獲取，GLC_FCS30在“地球大數據科學工程”數據共享服務系統獲取。通過目視解譯得到的樣本70%作為訓練樣本，30%作為驗證樣本，具體見表1。

1.3 研究方法

1.3.1 特征選擇。

使用光譜波段特征、光譜指數特征、紅邊指數、紋理特征、雷達特征和地形特征構建特征數據集。

光譜波段包括B2-B8、B8A、B11、B12波段。光譜指數包括歸一化耕作指數（NDTI）、歸一化植被指數（NDVI）、歸一化建筑指數（NDBI）、改進歸一化差異水體指數（MNDWI）、增強植被指數（EVI）、自動水體提取指數（AWEIsh）、裸土指數（BSI）；紅邊指數包括歸一化植被指數紅邊（NDVIre1、NDVIre2、NDVIre3）、歸一化紅邊差值指數（NDre1、NDre2）^［8-9］。其中光譜波段計算其中值，光譜指數和紅邊波段計算其均值、最大值和方差加入特征集。

對于光譜波段計算基于灰度共生矩陣的紋理特征，選取角二階矩、對比度、均值、相關性、熵、協方差、逆矩陣加入特征數據集。

考慮到研究區光學影像易受云霧影響，Sentinel-1影像僅反映地物的雷達向后散射特征，無法準確實現地物識別和分類^［12］。因此，在光學數據的基礎上加入雷達數據，可以發揮各自優勢，更好地提取滇池濕地。該研究雷達特征包括Sentinel-1的向后極化特征VV、HH中值。又由于滇池位于高原地區加入地形特征有利區分濕地和其他地類。使用SRTM計算地形特征海拔、坡度、坡向加入特征數據集。

1.3.2 影像分割。

圖像分割是圖像預處理的重要步驟，已被廣泛應用在遙感領域，其中簡單線性迭代聚類（simple linear iterative clustering ，SLIC）算法是應用最廣泛的超像素生成算法，但SLIC存在一些局限性。為此，Achanta等^［15-16］在2017年對SLIC算法進行改進，提出了SNIC算法，其減少了SLIC算法所需內存，比SLIC更快生成超像素且精度也有所提高，更加適合于云平臺運行環境。

該研究在GEE平臺調用SLIC算法進行影像分割。分割效果主要由4個主要參數決定：seed決定聚類種子中心之間距離，seed越大，中心數越少，分割得到的對象越大；compactness決定對象的緊湊度，其值越大，分割結果越緊湊，形狀越規則；connectivity表示像素的連通性，一般取值4或8；neighborhood size表示設置領域的最大像素。其中圖像分割的主要參數是seed，因此設置了3、5、8、10、15、20 共6種不同聚類種子間距，并對分割結果進行精度驗證，最終選擇最優seed為3，根據研究區特點，compactness、connectivity、neighborhood size分別取值為0、8、256。

1.3.3 特征優選。

在使用多特征變量分類時，會由于使用過多的特征變量參與其中從而影響分類精度和效率^［17］。隨機森林和RFE相結合的RF-RFE與遞歸特征消除（recursive feature elimination，RFE）相比，可以比較合理地尋找出最優分類特征子集，減少人為的影響。其是對特征變量的隨機森林重要性進行排序，從特征集中逐步去除重要性最小的特征，最終迭代為空集。對比不同特征集下的分類精度確定最優特征子集。

1.3.4 隨機森林。

隨機森林是一種非參數集成的分類算法，與其他傳統機器學習算法相比，具有更高的準確性和魯棒性，因此在濕地信息提取中越來越受到重視^［18］。隨機森林分類器由多個決策樹聚類組成，其構建過程：首先輸入樣本由原始樣本隨機有放回地抽取N個訓練樣本（bootstrap采樣方法）組成訓練樣本集^［19］，然后基于抽樣的訓練樣本建立N顆決策樹組成隨機森林，而在建立N顆決策樹的過程中，假設抽取每個樣本有M個特征，在每個節點處從M個特征中隨機抽取m個特征，根據最小Gini系數選擇最優特征進行節點分裂；最終生成多個決策樹組成的分類器，其分類結果是由多個決策樹通過多數投票所決定。在隨機森林建立時需要設置決策樹數量（N）和每顆決策樹節點特征數（k）^［5］。通過試驗節點特征數選擇總特征數的平方根，決策樹N設置為50。

1.3.5 精度評價指標。

研究使用混淆矩陣對滇池濕地制圖結果進行精度評價，選擇了總體精度和Kappa系數作為總體分類評價指標，用戶精度和生產者精度作為各地類錯分和漏分誤差評價指標，共4個精度評價指標對研究區分類精度進行分析。

2 結果與分析

2.1 特征優選結果

該研究計算了11個光譜波段特征中值、7個光譜指數和5個紅邊指數的均值、最大值、方差；7個紋理特征、2個雷達特征以及3個地形特征的中值，共計59個特征變量。對所選特征變量使用RF-RFE方法進行特征優選，得到特征數量與總體精度和Kappa系數的關系，觀察總體精度和Kappa系數變化（圖1），在加入4個特征時總體精度和Kappa系數快速提升，當加入20個特征時總體精度和Kappa系數達到最高，分別為90.86%、0.887，之后隨著特征繼續加入總體精度和Kappa系數有所下降。

對優選得到的20個特征變量的隨機森林特征重要性進行排序見圖2，優選的特征中重要性得分最高的為高程（elevation），其次為VH。優選的特征均包含Sentinel-1、Sentinel-2和SRTM數據獲取的特征，說明結合光學數據、雷達數據和地形數據等多源數據有助于研究區分類。從優選特征分布來看，光譜指數、紅邊指數、光譜波段占主要優勢，其中光譜指數gt;紅邊指數=光譜波段，光譜指數中NDTI占優勢、紅邊指數中NDVIre3占優勢、光譜波段中B2占優勢。優選特征重要性排序前8的特征為elevation、VH、NDTI、NDTI_STD、NDVIre3、NDTI_MAX、NDVIre3_STD、MNDWI。排名前8的指數由短波紅外波段（B11、B12）、紅邊波段（B8A、B7）構成，說明短波紅外和紅邊波段在滇池濕地制圖有較高的價值。

2.2 分類結果

由基于像元和面向對象分類結果的精度評價見表2，基于像元方法的總體精度為89.28%，Kappa系數為0.870。面向對象方法的總體精度為90.86%，Kappa系數為0.887?？傮w上看面向對象方法分類效果優于基于像元方法分類效果。基于2種分類方法的濕地生產者精度和用戶精度較高，均在87%以上。2種分類結果均存在草地用戶精度較低的問題，原因是草地多分布在森林和耕地之間，難以區分，使得草地、森林和耕地存在錯分現象。

圖3和圖4為使用基于像元和面向對象方法分類結果及分類結果局部效果圖。對生成的結果進行目視檢查，2種分類方法結果空間分布模式基本一致，在濕地和非濕地類別方面表現良好；所有土地類別都有明確的邊界，大多數地類都正確識別并符合實際情況。其中沼澤濕地主要分布在滇池沿岸，東岸較多，西岸較少。濕地和非濕地呈現出由水體—沼澤濕地—耕地—不透水面逐漸過渡的景觀特征。但在使用基于像元方法分類時，存在“椒鹽現象”且相鄰的濕地和非濕地類別之間發現了多種錯誤分類，圖4為耕地被錯分為濕地，而濕地被錯分為草地和森林。面向對象方法與基于像元方法相比可以消除“椒鹽現象”，減少了濕地和非濕地之間錯誤分類，使得分類更加準確、效果更加完整。

3 討論

對于滇池流域多研究其土地覆被類型，對于濕地研究較少，且大多基于Landsat數據進行研究，缺少使用Sentinel數據的研究，如Zhao等^［3］基于Landsat數據使用隨機森林方法提取了滇池1988—2020年的濕地面積，武澤民等^［20］基于Landsat提取了1995、2005、2015年的滇池濕地。該研究采用Sentinel光學和雷達數據在GEE平臺上對滇池濕地進行制圖，驗證了基于GEE平臺的面向對象分類在滇池濕地制圖的適用性。

分類結果表明，基于Sentinel數據面向對象的滇池分類總體精度高于基于像元分類，且面向對象方法結合了地物的空間結構等特征，減少了“椒鹽”現象以及濕地和非濕地的錯分現象，在濕地分類中優于基于像元分類方法。

特征變量優選結果表明，優選出的特征變量中，光譜指數、紅邊指數特征和光譜波段占主導地位，其中由短波紅外波段（B11、B12）、紅邊波段（B8A、B7）構成的NDTI和NDVIre3有較高的重要性排名。對于地形特征和雷達特征的elevation、VH重要性排名分別為第1和第2，表明地形特征和雷達特征有助于研究區地物分類，此結論與寧曉剛等^［8］的研究結果一致。優選特征中包含紋理特征，說明紋理特征同樣有助于研究區地物分類。

該研究存在一些局限性，如加入了MNDWI用來區分建筑陰影和水體，但還是存在建筑陰影被錯分為水體的現象。由于影像分割時分割尺度的選擇會影響分類的效果和分類精度，而當研究區地物類別復雜時，選擇合適的分割尺度是比較困難的。使用目視以及不同分割尺度分類精度確定全局最優分割尺度，但滇池地物類別復雜，對于不同地類需要選擇不同分割尺度。如何對復雜程度不同的區域進行最優參數選擇是之后的重點。

該研究基于GEE平臺完成了滇池濕地制圖，驗證SLIC+隨機森林方法在滇池濕地分類研究的可行性，可以為今后滇池濕地制圖以及與研究區類似區域濕地分類提供借鑒。但由于分類方法和影像的局限性，該研究濕地類別只分為水體和沼澤，后續可以嘗試加入高空間分辨率圖像實現更加精細的濕地分類。

4 結論

該研究聯合GEE云平臺和Sentinel數據使用基于像元和面向對象方法對滇池濕地進行制圖。結果表明面向對象方法（SLIC+隨機森林）分類精度優于基于像元方法（隨機森林）。面向對象方法的分類結果具有較少的離散點，減少了“椒鹽現象”，以及濕地和非濕地錯分現象。利用RF-RFE方法的特征優選效果明顯。使用特征優選對數據進行降為處理后，保留對地物分類重要的特征變量，減少特征冗余，提升總體精度和Kappa系數。特征優選結果表明光譜指數、紅邊指數和光譜波段在滇池濕地分類中占優勢，其中加入雷達特征和地形特征以及紋理特征可以有助于滇池濕地分類。其中地形特征中的高程特征重要性得分最高，光譜指數中NDTI指數占優勢，紅邊指數中NDVIre3占優勢，光譜波段中B2占優勢。

參考文獻

［1］

MOOR H，HYLANDER K，NORBERG J.Predicting climate change effects on wetland ecosystem services using species distribution modeling and plant functional traits［J］.Ambio，2015，44（1）：113-126.

［2］ 何菊紅，張廷斌，易桂花，等.基于EOS/MODIS若爾蓋高原地區濕地信息提取及變化監測［J］.測繪與空間地理信息，2015，38（9）：38-41.

［3］ ZHAO F，FENG S W，XIE F，et al.Extraction of long time series wetland information based on Google Earth Engine and random forest algorithm for a plateau lake basin A case study of Dianchi Lake，Yunnan Province，China［J］.Ecological indicators，2023，146：1-14.

［4］ AMANI M，BRISCO B，MAHDAVI S，et al.Evaluation of the landsat based Canadian wetland inventory map using multiple sources：Challenges of large scale wetland classification using remote sensing［J］.IEEE journal of selected topics in applied earth observations and remote sensing，2021，14：32-52.

［5］ 黃玉玲，楊剛，孫偉偉，等.多源多特征集成的南美洲典型地區濕地制圖［J］.遙感學報，2023，27（6）：1300-1319.

［6］ RUIZ L F C，GUASSELLI L A，SIMIONI J P D，et al.Object based classification of vegetation species in a subtropical wetland using Sentinel 1 and Sentinel 2A images［J］.Science of remote sensing，2021，3：1-10.

［7］ SLAGTER B，TSENDBAZAR N E，VOLLRATH A，et al.Mapping wetland characteristics using temporally dense Sentinel 1 and Sentinel 2 data：A case study in the St.Lucia wetlands，South Africa［J］.International journal of applied earth observation and geoinformation，2020，86：1-11.

［8］ 寧曉剛，常文濤，王浩，等.聯合GEE與多源遙感數據的黑龍江流域沼澤濕地信息提?。跩］.遙感學報，2022，26（2）：386-396.

［9］ 閆明，龐勇，何云玲，等.基于GEE云平臺和Sentinel-2數據的普洱市森林覆蓋制圖［J］.遙感技術與應用，2023，38（2）：432-442.

［10］ CAI Y T，LI X Y，ZHANG M，et al.Mapping wetland using the object based stacked generalization method based on multi temporal optical and SAR data［J］.International journal of applied earth observation and geoinformation，2020，92：1-18.

［11］

毛麗君，李明詩.GEE環境下聯合Sentinel主被動遙感數據的國家公園土地覆蓋分類［J］.武漢大學學報（信息科學版），2023，48（5）：756-764.

［12］ 明義森，劉啟航，柏荷，等.利用光學和SAR遙感數據的若爾蓋濕地植被分類與變化監測［J］.遙感學報，2023，27（6）：1414-1425.

［13］ BROWN C F，BRUMBY S P，GUZDER WILLIAMS B，et al.Dynamic World，Near real time global 10 m land use land cover mapping［J］.Scientific data，2022，9（1）：1-17.

［14］ ZHANG X，LIU L Y，CHEN X D，et al.GLC_FCS30：Global land cover product with fine classification system at 30m using time series Landsat imagery［J］.Earth system science data，2021，13（6）：2753-2776.

［15］ ACHANTA R，S SSTRUNK S.Superpixels and polygons using simple non iterative clustering［C］//IEEE conference on computer vision and pattern recognition.Honolulu：IEEE，2017.

［16］ 袁旭.基于超像素的圖像分割方法研究［D］.武漢：華中科技大學，2019.

［17］ 霍軒琳，牛振國，張波，等.高寒濕地分類的遙感特征優選研究［J］.遙感學報，2023，27（4）：1045-1060.

［18］ ZHU Q D，WANG Y N，LIU J X，et al.Tracking historical wetland changes in the China side of the Amur River Basin based on landsat imagery and training samples migration［J］.Remote sensing，2021，13（11）：1-15.

［19］ 張磊，宮兆寧，王啟為，等.Sentinel-2影像多特征優選的黃河三角洲濕地信息提?。跩］.遙感學報，2019，23（2）：313-326.

［20］ 武澤民，余哲修，李瑤，等.滇池流域土地利用演變及景觀生態安全評價研究［J］.西南林業大學學報（自然科學），2021，41（3）：122-129.