利用多光譜、SAR數據和Google Earth Engine進行濕地分類

黃子樂

哈爾濱師范大學 地理科學學院，黑龍江哈爾濱 150000

濕地在地球上分布廣泛，是人類賴以生存的重要環(huán)境之一[1]。然而由于氣候變化和人類活動的影響，全球濕地發(fā)生了大面積的萎縮。自18世紀到現在全球濕地只存在不到原來的20%，其中64%~71%的濕地消失在20世紀初。因此，濕地保護已經刻不容緩，遙感技術大范圍以及周期短的特點決定了這門技術在濕地保護中可以發(fā)揮巨大的作用。

遙感技術以及衛(wèi)星影像在濕地的研究中已經得到廣泛的利用[2-3]。然而只使用光學影像進行濕地制圖存在不少挑戰(zhàn)。植被冠狀結構的異質性、云的覆蓋以及光學傳感器穿透植被的能力不足都會給只使用光學影像進行濕地制圖帶來許多問題。而雷達數據對于土壤水分檢測表現良好。雷達數據的后相散射系數能夠剔除植被與地表粗糙度對土壤水分變化的影響；并能在短周期內提供分辨率高的影像[4]。因此根據雷達數據對于土壤水分良好檢測能力，在濕地制圖中將雷達數據作為分類變量能夠提高分類的精度。然而斑點噪聲降低了雷達圖像的質量，因此僅使用雷達數據進行濕地制圖也有不少困難。

雷達和多光譜遙感數據的結合能夠很好地彌補濕地制圖的局限性，能顯著提高濕地分類的精度。哨兵1號數據在濕地植被類型的識別中作用更大，而哨兵2號數據擅長于濕地范圍的劃分。將具有光譜優(yōu)勢的光學影像和對土壤濕度比較敏感的雷達影像相結合，能夠充分發(fā)揮各自的優(yōu)勢，讓影像解譯變得更加可靠。但二者的結合在土地利用分類中仍然鮮有人使用。同時云計算平臺（Google Earth Engine）可以處理大尺度、長時間序列的遙感影像，這為精確的濕地制圖提供了強有力的保障。

本研究利用Google Earth Engine平臺，將DEM、Sentinel-1與Sentinel-2數據結合起來對南甕河自然保護區(qū)的濕地分布進行精確繪制。利用混淆矩陣進行精度評價，混淆矩陣里的OA值與Kappa系數證實本次研究可以在復雜環(huán)境中精確地表現不同類型的濕地。

1 研究區(qū)概況及數據來源

1.1 研究區(qū)概況

南甕河自然保護區(qū)位于黑龍江省大興安嶺地區(qū)，地理坐標為51°05′07″N~51°39′24″E，125°07′55″N~125°50′05″E（圖1）。根據拉姆薩爾公約，南甕河自然保護區(qū)于2011年入選“國際重要濕地”。南甕河自然保護區(qū)的濕地為丹頂鶴、白鶴、白頭鶴等各種國家級保護動物提供了棲息地和豐富的食物資源。因此對該區(qū)域的濕地分布進行精準制圖既能為該區(qū)域的濕地保護提供科學依據，還可為整個保護區(qū)的生態(tài)系統(tǒng)保護作出重要貢獻。

圖1 研究區(qū)概況

1.2 數據來源

Sentinel-2數據是本文所使用的光學影像，Sentinel-2衛(wèi)星搭載了多光譜成像儀（MSI）,每幅影像包括13個光譜波段（10 m分辨率的可見光和近紅外波段、20 m分辨率的紅邊和短波紅外波段、60 m分辨率的大氣帶）。Sentinel-2數據適用于評估植被、土壤和水覆蓋的狀態(tài)和變化。本次研究所使用的Sentinel-2號影像來自Google Earth Engine。將其13個波段作為分類變量。同時根據其他研究者的經驗選取了4個指數：歸一化植被指數(NDVI) 、歸一化水體指數（NDWI）、增強型植被指數（EVI）、地表水體指數（LSWI），利用Google Earth Engine自帶的指數計算的功能得到了4個指數波段作為分類變量。Sentinel-1是由歐空局開發(fā)的雙衛(wèi)星星座,該衛(wèi)星運行周期為6 d。衛(wèi)星載有C波段合成孔徑雷達,其頻率為5.405 GHz，入射角在20°~45°。Sentinel-1數據是本次研究所使用的雷達數據。本次SentinelL-1數據來源于Google Earth Engine，將其VV和VH極化方式作為分類特征。光學圖像和SAR數據只能提供二維數據，沒有考慮高程，本研究從DEM提取elevation數據作為分類變量彌補這一不足。在本次研究中elevation作為本次分類所用的地形輔助特征。

1.3 分類方法和驗證

在2019年6月前往研究區(qū)訓練樣本的選取，確定了7種地類：沼澤、草甸、森林濕地、林地、草地、水體、耕地和居民地（濕地包括沼澤和森林濕地）。實地選點采樣共采集了約200個點，在ArcGIS 10.6軟件中剔除在研究區(qū)外和其他無效的樣本。再根據Google Earth和其他高分辨率影像作為參考，在光學影像上采取目視解譯的方法為這8種地類共采集了約6 000個有效的樣本,并從中選擇部分點作為驗證所用。本次分類方法選擇隨機森林并在Google Earth Engine中完成，樹的數目設置為200。分類后在Google Earth Engine中對分類結果進行混淆矩陣的計算就可以得到精度驗證所需的用戶準確度（UA）、生產者準確度(PA)、總精確度（OA）和Kappa系數來滿足精度驗證的要求。

2 結果與分析

隨機森林分類結果如圖2所示。表1的混淆矩陣表明，本次研究的總體精度較高（KAPPA系數達到了0.94；總精確度達到了96.37%）。沼澤、森林濕地這2種濕地表現較好，PA和UA值都接近90%。其中沼澤的PA和UA值分別為94.26%和90.06%，在濕地中表現最好。非濕地中森林的表現最好，PA和UA分別為95.71%和98.52%，在所有地類中表現最好。

圖2 分類結果

表1 混淆矩陣 %

3 結論

本研究借助Google Earth Engine平臺在南甕河自然保護區(qū)結合多光譜數據、SAR數據和DEM進行了濕地制圖。分類結果表現優(yōu)異，96.37%的OA值與0.94的Kappa系數，以及2類濕地的PA和UA證實了本研究的濕地制圖是精確、可靠的，可以為大尺度的濕地監(jiān)測與保護提供一定的參考。