基于Google Earth Engine的廣西紅樹林分布提取研究

袁 勝

(廣西壯族自治區(qū)森林資源與生態(tài)環(huán)境監(jiān)測中心， 廣西 南寧 530028)

紅樹林是指生長于陸地與海洋交界帶的灘涂淺灘，以紅樹植物為主體的濕地木本植物群落[1]。紅樹林具有防風(fēng)消浪、促淤保灘、固岸護(hù)堤、涵養(yǎng)凈化水域、保持生物多樣性的重要生態(tài)功能，是沿岸防護(hù)林體系的第一道海岸防線[2]。由于紅樹林生長環(huán)境的特殊性，常規(guī)的森林野外實(shí)地調(diào)查方法難以大規(guī)模監(jiān)測和準(zhǔn)確提取紅樹林群落信息分布[3-4]。遙感技術(shù)觀測范圍廣、數(shù)據(jù)更新周期短、信息獲取方便快捷，成為紅樹林提取與動(dòng)態(tài)監(jiān)測的重要手段[5-6]。

紅樹林遙感識別提取方法主要有目視解譯、非監(jiān)督分類、面向?qū)ο蟆⒈O(jiān)督分類等[7-9]。目視解譯主要是結(jié)合研究者的專業(yè)知識及經(jīng)驗(yàn)，根據(jù)遙感影像對紅樹林進(jìn)行識別。該法精度一般且費(fèi)時(shí)費(fèi)力。非監(jiān)督分類是指人們事先對分類過程不施加任何的先驗(yàn)知識，僅憑遙感影像地物的光譜特征的分布規(guī)律進(jìn)行自然聚類。非監(jiān)督分類只能把樣本區(qū)分為若干類別，而不能給出樣本的描述。面向?qū)ο蠓ㄔ谛畔⑻崛r(shí)綜合考慮了光譜特征、形狀、紋理及結(jié)構(gòu)等信息，成為紅樹林遙感自動(dòng)分類的常用方法之一[9]。監(jiān)督分類依據(jù)已知訓(xùn)練樣本，建立統(tǒng)計(jì)識別函數(shù)，從而對各待分類影像進(jìn)行分類。機(jī)器學(xué)習(xí)方法能顯著減少分類時(shí)間，并且算法的準(zhǔn)確率也得到了顯著的提高。其中，隨機(jī)森林分類能直接處理高維數(shù)據(jù)，對噪音和異常值有一定的容忍度，且預(yù)測誤差小、不易產(chǎn)生過擬合問題，在已有紅樹林遙感分類研究中具有較好效果[10-12]。在分類特征上，常利用歸一化植被指數(shù)(NDVI)、歸一化水體指數(shù)(NDWI)、歸一化差值濕度指數(shù)(NDMI)等光譜特征變量及紋理參數(shù)來區(qū)分紅樹林與非紅樹林[7]。此外，還有部分研究結(jié)合海岸線、潮位高度、高程等輔助數(shù)據(jù)，以提高紅樹林識別精度[13-14]。在影像數(shù)據(jù)方面，隨著遙感技術(shù)的發(fā)展，運(yùn)用到紅樹林研究中的遙感平臺及傳感器越來越多。其中，Google Earth Engine(GEE)[15]等遙感云計(jì)算平臺的發(fā)展，改變了傳統(tǒng)遙感數(shù)據(jù)處理和分析的模式，為遙感大數(shù)據(jù)挖掘提供了機(jī)遇。Sentinel-2作為分辨率較高的多光譜影像，光譜信息豐富，是紅樹林提取的重要數(shù)據(jù)源之一[14]。利用GEE處理、獲取Sentinel-2將極大地提高影像的利用效率。

本研究以廣西壯族自治區(qū)沿海紅樹林分布區(qū)為研究區(qū)，基于GEE云平臺提取Sentinel-2遙感影像，結(jié)合紅樹林實(shí)地調(diào)查數(shù)據(jù)，分別采用面向?qū)ο蠓椒ê突谙裨碾S機(jī)森林方法識別提取紅樹林空間分布信息，并構(gòu)建混淆矩陣進(jìn)行精度驗(yàn)證及對比分析，旨在為大范圍紅樹林遙感監(jiān)測提供參考。

1 研究區(qū)與數(shù)據(jù)源

1.1 研究區(qū)概況

研究區(qū)位于廣西壯族自治區(qū)南部沿海地區(qū)，包括北海市、欽州市、防城港市等分布紅樹林的部分縣市(見圖1)。研究區(qū)地處低緯度，屬亞熱帶季風(fēng)氣候區(qū)和熱帶季風(fēng)氣候區(qū)，年平均氣溫17.5～23.5 ℃，年平均降水量841.2～3 387.5 mm，年日照時(shí)數(shù)1 213.0～2 135.2 h。研究區(qū)南臨北部灣，海岸線曲折，溺谷多且面積廣闊，灘涂面積約10萬hm2，其中紅樹林總面積達(dá)9 330 hm2。紅樹林樹種主要有桐花樹(Aegicerascorniculatum)、白骨壤(Avicenniamarina)、秋茄(Kandeliacandel)、無瓣海桑(Sonneratiaapetala)、木欖(Bruguieragymnorhiza)、老鼠簕(Acanthusilicifolius)、海漆(Excoecariaagallocha)。

圖1 研究區(qū)域概況Fig.1 The overview of the study area

1.2 數(shù)據(jù)源

根據(jù)廣西林地變更及森林資源調(diào)查成果，提取紅樹林現(xiàn)有林和宜林地圖斑；結(jié)合遙感影像，補(bǔ)充修正現(xiàn)有紅樹林資源圖斑，并通過2019年外業(yè)補(bǔ)充調(diào)查核實(shí)，得到研究區(qū)紅樹林實(shí)際空間分布數(shù)據(jù)?；诩t樹林實(shí)地調(diào)查數(shù)據(jù)，將研究區(qū)主要地物劃分為紅樹林和非紅樹林。在ArcGIS軟件中利用漁網(wǎng)工具進(jìn)行樣本布點(diǎn)，最終共布設(shè)樣點(diǎn)4 709個(gè)，其中地類為紅樹林的樣點(diǎn)218個(gè)，非紅樹林樣點(diǎn)4 491個(gè)。所布設(shè)樣點(diǎn)數(shù)據(jù)用于面向?qū)ο蠓椒半S機(jī)森林方法分類及精度驗(yàn)證。

2 研究方法

2.1 遙感影像獲取

遙感云計(jì)算平臺Google Earth Engine(GEE)依托其遍布全球數(shù)以百萬計(jì)的服務(wù)器，可以方便地訪問高性能計(jì)算資源、計(jì)算龐大的地理空間數(shù)據(jù)集、并行處理和分析數(shù)以萬億計(jì)的圖像[16]。采用的多光譜Sentinel-2影像數(shù)據(jù)通過GEE進(jìn)行最小云合成并下載。影像時(shí)間為2019年7-9月。

2.2 影像信息提取

植被指數(shù)由不同遙感光譜波段經(jīng)線性或非線性組合構(gòu)成，對植被具有一定指示意義[17]。在紅樹林提取研究中，常用歸一化差值水體指數(shù)(NDWI)、歸一化差值濕度指數(shù)(NDMI)等植被指數(shù)進(jìn)行空間分布信息的提取[7]。因此，利用遙感影像計(jì)算分類所需的光譜特征變量，包括單波段反射率[18]、紅邊葉綠素指數(shù)(RECI)[18]、紅邊歸一化植被指數(shù)(RENDVI)[18]、歸一化差值池塘指數(shù)(NDPI)[19]、歸一化差值濕度指數(shù)(NDMI)[13]、歸一化差值水體指數(shù)(NDWI)[13]、改進(jìn)歸一化差值水體指數(shù)(MNDWI)[12]、歸一化差值植被指數(shù)(NDVI)[18]及潮間紅樹林指數(shù)(NIMI)[14]。

2.3 紅樹林提取及精度評價(jià)

面向?qū)ο蟮募t樹林提取采用eCognition Developer 9.0軟件對影像進(jìn)行多尺度分割后，結(jié)合對象的光譜特征，通過確定閾值并創(chuàng)建相應(yīng)規(guī)則對紅樹林進(jìn)行分類提取，并將最終分類結(jié)果以矢量數(shù)據(jù)形式輸出。隨機(jī)森林分類算法在R語言中實(shí)現(xiàn)，它通過隨機(jī)建立多棵決策樹，分類時(shí)使用多棵決策樹對樣本進(jìn)行判斷和投票，將投票次數(shù)最多的類別指定為最終輸出[12]。研究選取70%的樣本數(shù)據(jù)作為訓(xùn)練樣本，剩余30%的樣本數(shù)據(jù)作為驗(yàn)證樣本。在分類精度評價(jià)中，常采用分類總體精度與Kappa系數(shù)來評價(jià)圖像整體分類質(zhì)量[3]。為避免非感興趣區(qū)的分類精度影響最終的評價(jià)，最終基于混淆矩陣選取用戶精度[20](User Accuracy， UA)、生產(chǎn)者精度[20](Producer Accuracy， PA)、F度量[3]作為紅樹林分類提取的精度評價(jià)指標(biāo)。

(1)

(2)

(3)

式(1)(2)(3)中:pii為混淆矩陣第i行i列的樣本總數(shù)；pi+為混淆矩陣第i行的總和；p+i為混淆矩陣第i列的總和。

3 結(jié)果與分析

3.1 分類特征變量

采用面向?qū)ο蠓椒ㄟM(jìn)行紅樹林提取時(shí)，影像分割過程所需考慮的參數(shù)包括尺度、色調(diào)、形狀、緊密度及平滑度。結(jié)合目視分析評價(jià)分割效果，確定采用的分割參數(shù)如下：影像各層占比均為1；分割尺度為2；形狀0.6；色調(diào)0.4；緊密度 0.5；平滑度0.5。在影像分割的基礎(chǔ)上，結(jié)合對象的光譜特征進(jìn)行閾值分類。最終選取的光譜特征變量包括NDPI、NDWI、NDMI、NDVI以及NIR。首先利用NDMI、NDPI及NDVI識別建設(shè)用地、水體及陸地植被等非紅樹林區(qū)，再利用NIR及NDWI將紅樹林與農(nóng)田灘涂等進(jìn)行區(qū)分，最終得到紅樹林空間分布。特征變量閾值確定需結(jié)合影像目視判斷，具有主觀性，可能對紅樹林提取造成影響。

基于隨機(jī)森林方法進(jìn)行紅樹林提取時(shí)，主要利用地物光譜波段特征及植被指數(shù)進(jìn)行分類，將所有特征變量進(jìn)行重要性排序(見圖2)。重要性越高代表對隨機(jī)森林建模的貢獻(xiàn)越大。選擇重要性較高的變量形成變量組合建立隨機(jī)森林模型對紅樹林進(jìn)行分類提取。最終選用的特征變量包括NDMI、NDPI、MNDWI、RENDVI、RECI及GREEN。從隨機(jī)森林方法各特征變量重要性來看，紅邊、綠、近紅外及短波紅外波段組合而成的植被指數(shù)對于紅樹林的特征識別更為有效。

圖2 隨機(jī)森林特征變量重要性排序Fig.2 Importance sorting of feature variables based on random forest

3.2 紅樹林遙感提取結(jié)果及精度評價(jià)

分別采用面向?qū)ο蠓椒ê碗S機(jī)森林方法對紅樹林進(jìn)行識別提取，提取結(jié)果如圖3所示。從圖3來看，隨機(jī)森林方法提取結(jié)果噪點(diǎn)較多，這可能是由于隨機(jī)森林方法是在像元尺度進(jìn)行的分類提??；而面向?qū)ο蠓椒ㄊ窃诜指钏脤ο蟮幕A(chǔ)上進(jìn)行的提取，所得紅樹林空間分布相比于隨機(jī)森林方法噪點(diǎn)更少。但面向?qū)ο蠓椒ㄔ谔崛〖t樹林時(shí)存在較大程度的誤判，將部分非紅樹林區(qū)域識別為紅樹林。相比之下，隨機(jī)森林方法所得紅樹林空間分布相對更為合理。

圖3 面向?qū)ο蠹半S機(jī)森林法的紅樹林提取結(jié)果

采用混淆矩陣進(jìn)行分類精度驗(yàn)證，最終結(jié)果如表1所示。兩種方法紅樹林的生產(chǎn)者精度均低于用戶精度。面向?qū)ο蠓诸惙椒▽⒓t樹林漏判為非紅樹林的數(shù)量約占據(jù)紅樹林總樣本的1/3，其紅樹林用戶精度為82.5%。隨機(jī)森林分類紅樹林的用戶精度為91.8%，相比于面向?qū)ο蠓ㄌ岣吡?1.3%。此外，面向?qū)ο蠓诸惣t樹林生產(chǎn)者精度為65.1%，F(xiàn)度量為0.727；隨機(jī)森林分類方法對應(yīng)的評價(jià)指標(biāo)值分別為81.2%、0.862。隨機(jī)森林方法的各項(xiàng)評價(jià)指標(biāo)均高于面向?qū)ο蠓椒ǎf明隨機(jī)森林分類方法有較高的分類精度，采用隨機(jī)森林方法進(jìn)行紅樹林提取的效果優(yōu)于面向?qū)ο蠓椒ā?/p>

表1 分類結(jié)果混淆矩陣及精度驗(yàn)證Tab.1 Confusion matrix and precision verification of the classification results分類方法分類類別實(shí)際類別紅樹林非紅樹林用戶精度/%生產(chǎn)者精度/%F面向?qū)ο蠹t樹林1423082.565.10.727非紅樹林764 461隨機(jī)森林紅樹林56591.881.20.862非紅樹林131 339

4 結(jié)論與討論

4.1 結(jié)論

以廣西壯族自治區(qū)內(nèi)紅樹林分布區(qū)為研究區(qū)，基于GEE云平臺提取Sentinel-2遙感影像，結(jié)合紅樹林實(shí)地調(diào)查數(shù)據(jù)，提取波段反射率及植被指數(shù)，分別采用面向?qū)ο?、隨機(jī)森林方法進(jìn)行紅樹林信息識別提取，并構(gòu)建混淆矩陣進(jìn)行精度驗(yàn)證及對比。研究結(jié)果表明：

(1) 綠、近紅外、短波紅外及紅邊波段組合而成的植被指數(shù)，其重要性相對較高，能有效識別紅樹林的特征。利用這些波段信息進(jìn)行紅樹林識別能顯著提高分類精度。

(2) 采用面向?qū)ο蠓椒ê碗S機(jī)森林方法進(jìn)行紅樹林提取時(shí)，兩種方法的生產(chǎn)者精度均低于用戶精度。面向?qū)ο蠓椒ê碗S機(jī)森林方法生產(chǎn)者精度分別為65.1%和81.2%，用戶精度分別為82.5%和91.8%。

(3) 基于Sentinel-2影像數(shù)據(jù)，結(jié)合NDMI、MNDWI、NDPI等分類特征，構(gòu)建隨機(jī)森林模型，可以有效地提取紅樹林空間分布信息。采用面向?qū)ο蠓椒ê碗S機(jī)森林方法進(jìn)行紅樹林分類提取時(shí)，隨機(jī)森林方法的各項(xiàng)精度檢驗(yàn)指標(biāo)均高于面向?qū)ο蠓椒?。其中用戶精度?1.8%，相比面向?qū)ο蠓椒ㄌ岣吡?1.3%。

4.2 討論

隨機(jī)森林分類在紅樹林提取上表現(xiàn)較好，這與其他學(xué)者研究所得結(jié)果相符[11，14]，但本研究所得的生產(chǎn)者精度相較而言較低，這可能是研究區(qū)范圍較大、地物復(fù)雜程度高所致。面向?qū)ο蠓椒ㄅc隨機(jī)森林方法在紅樹林提取中均存在較多漏判現(xiàn)象，這可能是因?yàn)樗褂肧entinel-2影像中部分紅樹林因潮位變化被水體淹沒，導(dǎo)致其光譜特征更接近于水體，從而產(chǎn)生漏判。結(jié)合光譜特征及植被指數(shù)構(gòu)建隨機(jī)森林模型能有效提取紅樹林的空間分布信息，但紅樹林的分布和生長受到潮汐、洋流等多種因素的影響，而遙感又存在 “同物異譜”、“異物同譜”及混合像元等多種現(xiàn)象，這使提升紅樹林分類精度的難度增加。研究表明，結(jié)合紋理特征、高程數(shù)據(jù)或使用更高分辨率影像能有效識別紅樹林[21-22]。因此，結(jié)合更多有效的輔助數(shù)據(jù)進(jìn)而提高紅樹林提取精度值得進(jìn)一步研究。