基于GEE云平臺(tái)和Sentinel-2數(shù)據(jù)的監(jiān)利市蝦稻田提取

張 釗，官云蘭* ，黃 端，池 泓

(1.東華理工大學(xué)測(cè)繪工程學(xué)院，330013，南昌； 2.自然資源部環(huán)鄱陽(yáng)湖區(qū)域礦山環(huán)境監(jiān)測(cè)與治理重點(diǎn)實(shí)驗(yàn)室，330013，南昌； 3.中國(guó)科學(xué)院精密測(cè)量科學(xué)與技術(shù)創(chuàng)新研究院，430077，武漢)

0 引言

蝦稻田是一種全新的綜合種養(yǎng)模式，即水稻-小龍蝦共同養(yǎng)殖。隨著國(guó)內(nèi)小龍蝦產(chǎn)業(yè)蓬勃發(fā)展，蝦稻田的種植范圍快速擴(kuò)大，特別是湖北省江漢平原區(qū)域[1-2]。當(dāng)前蝦稻田養(yǎng)殖的小龍蝦為農(nóng)戶帶來(lái)了可觀的經(jīng)濟(jì)效益，但是存在許多問(wèn)題。農(nóng)戶重蝦輕稻，糧食安全問(wèn)題受到威脅，對(duì)基本農(nóng)田破環(huán)嚴(yán)重，很難復(fù)墾[3-4]。因此，準(zhǔn)確的蝦稻田空間分布可以促進(jìn)產(chǎn)業(yè)健康發(fā)展，為政府部門決策提供依據(jù)。

遙感數(shù)據(jù)可以用于持續(xù)對(duì)地監(jiān)測(cè)，提供地物空間分布信息，已成為獲取蝦稻田時(shí)空分布信息的重要數(shù)據(jù)來(lái)源。魏妍冰等人基于2017年的Landsat-8 OLI數(shù)據(jù)，使用自動(dòng)水域提取指數(shù)(Automated Water Extraction Index，AWEIsh)構(gòu)建基于水體季相差異的蝦稻田提取模型，實(shí)現(xiàn)了潛江市蝦稻田的空間分布提取，精度達(dá)到85.01%[5]。紀(jì)文文借鑒魏妍冰的研究，將AWEIsh加到?jīng)Q策樹(shù)分類器中提取蝦稻，在eCognition中手動(dòng)修改錯(cuò)分像元后，使最終蝦稻田的用戶精度達(dá)到89%[6]。陳展使用2016—2019年的篩選特定時(shí)間的10景Sentinel-2影像數(shù)據(jù)，在SNAP軟件中計(jì)算指數(shù)特征，根據(jù)其在季相上的差異化識(shí)別運(yùn)糧湖區(qū)域的蝦稻田，精度最低為78.06%，最高達(dá)到了95.61%[7]。已有研究表明蝦稻田遙感分類研究還存在較大的不確定性，且受人為因素影響較大，自動(dòng)化程度有待提高。

現(xiàn)有針對(duì)蝦稻田提取研究主要針對(duì)Landsat數(shù)據(jù)基于蝦稻田與單季稻田的水體指數(shù)季相差異設(shè)計(jì)算法模型。而且南方地區(qū)土地的破碎化程度高，Landsat數(shù)據(jù)的分辨率不足以支撐獲取高分辨率的蝦稻空間分布；且基于指數(shù)的季相差異依賴高質(zhì)量的影像，時(shí)間的選取受云雨天氣的影響，存在一定的不確定性，從而影響蝦稻田的提取精度。Sentinel-2影像數(shù)據(jù)空間分辨率高，結(jié)合相關(guān)光譜指數(shù)(如：NDVI、EVI、LSWI等)在南方多云區(qū)域提取水稻已被證明精度較高[8-9]。Google Earth Engine(GEE)是谷歌公司開(kāi)發(fā)的全球領(lǐng)先的遙感影像數(shù)據(jù)分析云平臺(tái)。它具備快速處理海量遙感數(shù)據(jù)強(qiáng)大的計(jì)算能力，極大提高了運(yùn)算效率，使得農(nóng)業(yè)土地利用信息的快速處理與分析成為現(xiàn)實(shí)，已被廣泛用于不同農(nóng)作物遙感制圖研究[10-12]。

本文以湖北省蝦稻田種植大市——監(jiān)利市為研究區(qū)，基于GEE云平臺(tái)對(duì)Sentinel-2數(shù)據(jù)進(jìn)行預(yù)處理和月度合成，分析典型蝦稻田光譜的時(shí)序變化特征，采用隨機(jī)森林算法提取蝦稻田，獲取2020年監(jiān)利市蝦稻田空間分布信息。

1 研究區(qū)概況與數(shù)據(jù)源

1.1 研究區(qū)概況

監(jiān)利市位于湖北省中南部，長(zhǎng)江中游，面積約3 460 km2。該區(qū)域地勢(shì)平坦，海拔高度位于23.5～30.5 m之間；屬于亞熱帶季風(fēng)氣候區(qū)，光照充沛，無(wú)霜期長(zhǎng)，降水豐富，適合水稻和小龍蝦的生長(zhǎng)。監(jiān)利市是稻蝦綜合種養(yǎng)的主要地區(qū)之一，蝦稻種養(yǎng)面積占全市耕地面積的40%左右，有“中國(guó)小龍蝦第一縣”之稱。

蝦稻田在水稻種植四周挖出寬3～5 m，深1～1.5 m的水溝，用以養(yǎng)殖小龍蝦。稻蝦綜合種養(yǎng)包含了單季稻的種植和兩季小龍蝦的養(yǎng)殖。在單季稻移栽期間，投放第1季小龍蝦幼苗；同年收獲水稻的同時(shí)完成小龍蝦捕撈。然后蝦稻田開(kāi)始灌水投放第2季小龍蝦幼苗，至次年單季稻種植前捕撈小龍蝦(表1)。蝦稻田和單季稻田的結(jié)構(gòu)特征如圖1。

表1 蝦稻和單季稻種養(yǎng)物候

圖1 左圖為蝦稻田，右圖為單季稻田

1.2 數(shù)據(jù)源與預(yù)處理

1.2.1 Sentinel-2影像數(shù)據(jù) Sentinel-2(S2)由Sentinel-2A(S2A)和Sentinel-2B(S2B)2個(gè)衛(wèi)星組成，位于同一太陽(yáng)同步軌道上且彼此成180°相位。S2A和S2B攜帶多光譜成像儀，單顆衛(wèi)星重放周期10 d，2顆衛(wèi)星協(xié)同運(yùn)行重訪周期為5 d。本研究通過(guò)GEE云平臺(tái)使用S2數(shù)據(jù)的L2A級(jí)產(chǎn)品數(shù)據(jù)，該數(shù)據(jù)是L1C級(jí)產(chǎn)品完成大氣校正的大氣表觀反射率產(chǎn)品，包含有13個(gè)光譜波段和3個(gè)QA波段，其中QA60波段有云掩膜信息。實(shí)驗(yàn)涉及的波段信息見(jiàn)表2。

表2 實(shí)驗(yàn)涉及的S2影像波段信息

實(shí)驗(yàn)共獲取了290景影像，因研究區(qū)的水稻生長(zhǎng)期內(nèi)云雨天氣頻繁，影像受污染嚴(yán)重，為使用更多的有效信息，首先利用CLOUD_PIXEL_PERCENTAGE篩選掉云量像素大于80%的影像，然后根據(jù)QA60波段的Bit10和Bit11均為1得到云掩膜層，進(jìn)行去云處理，公式如(1)所示。最后將去云處理完成后的126景影像按照月份中值合成，最后生成12景影像。影像數(shù)據(jù)具體使用情況見(jiàn)表3。

表3 影像數(shù)據(jù)具體使用情況

Cloud ={Bit10=1∪Bit11=1}

(1)

其中，Cloud表示QA60產(chǎn)品中的云噪聲像元。

1.2.2 樣本點(diǎn)數(shù)據(jù) 結(jié)合監(jiān)利市實(shí)際地類分布情況，將研究區(qū)內(nèi)的土地覆蓋類型分為蝦稻、單季稻、林地、旱地、建設(shè)用地和水域(河流、水庫(kù)、池塘等)6大類。樣本數(shù)據(jù)來(lái)源線上采樣和實(shí)地采樣2種方式。線上采樣是借助谷歌地球軟件上高分辨率影像進(jìn)行目視解譯獲??；線下采樣通過(guò)實(shí)地采樣完成。采樣過(guò)程中均遵循隨機(jī)和均勻的原則。最終確定樣本點(diǎn)共計(jì)1 024個(gè)，樣本點(diǎn)分布情況如圖2，蝦稻田樣本點(diǎn)343個(gè)，其他地類樣本點(diǎn)681個(gè)。實(shí)驗(yàn)中按照7:3的比例將所有樣本點(diǎn)分為訓(xùn)練樣本點(diǎn)和驗(yàn)證樣本點(diǎn)，其中訓(xùn)練樣本點(diǎn)717個(gè)，驗(yàn)證樣本點(diǎn)307個(gè)。

圖2 監(jiān)利市地理位置和實(shí)驗(yàn)樣本點(diǎn)分布情況

2 研究方法

實(shí)驗(yàn)基于GEE云平臺(tái)調(diào)用研究區(qū)內(nèi)2020年的S2 L2A影像數(shù)據(jù)，快速完成影像的去云處理和月度合成，在此基礎(chǔ)上構(gòu)建蝦稻田的光譜時(shí)序特征。隨后利用隨機(jī)森林算法進(jìn)行分類，獲得研究區(qū)2020年的蝦稻田分布情況，并采用獨(dú)立樣本點(diǎn)數(shù)據(jù)進(jìn)行精度驗(yàn)證。實(shí)驗(yàn)流程圖見(jiàn)圖3。

圖3 蝦稻田信息提取流程圖

2.1 光譜指數(shù)計(jì)算

準(zhǔn)確提取蝦稻田信息的關(guān)鍵是將其與單季稻田區(qū)分。因此，實(shí)驗(yàn)中計(jì)算了6個(gè)光譜指數(shù)：歸一化植被指數(shù)NDVI(Normalized Difference Vegetation Index)[9]、增強(qiáng)型植被指數(shù)EVI(Enhanced Vegetation Index)[13]、綠色葉綠素指數(shù)GCVI(Green Chlorophyll Vegetation Index)[11]、地表水體指數(shù)LSWI(Land Surface Water Index)[14]、歸一化水體指數(shù)NDWI(Normalized Difference Water Index)[15]，歸一化建筑指數(shù)NDBI(Normalized Difference Build-up Index)[16]。光譜指數(shù)計(jì)算公式如表4。其中NDVI、EVI、GCVI的時(shí)序變化能夠較好反映出水稻的生長(zhǎng)狀況，LSWI和NDWI能夠反映出蝦稻田和單季稻田內(nèi)水的變化情況。NDBI用于分類實(shí)驗(yàn)時(shí)建設(shè)用地提取。

表4 各光譜指數(shù)計(jì)算公式

式中：ρBlue、ρGreen、ρRed、ρNIR、ρMIR、ρSWIR分別表示藍(lán)、綠、紅、近紅外、中紅外、短波紅外的反射率值。

圖4與圖5分別顯示了蝦稻田和單季稻田6種光譜指數(shù)的時(shí)間序列曲線。由圖4與圖5可知，兩者在水稻休耕期各光譜指數(shù)有很大區(qū)別，在水稻生長(zhǎng)期內(nèi)基本保持一致。在水稻生長(zhǎng)期，即6—11月，蝦稻田內(nèi)大部分面積為水稻，水深與單季稻田一致，用于檢測(cè)水稻生長(zhǎng)情況的NDVI、EVI、GCVI和檢測(cè)田內(nèi)水含量情況的NDWI、LSWI均不能作為判斷依據(jù)。所以這個(gè)期間無(wú)法準(zhǔn)確提取蝦稻田。在水稻休耕期間，單季稻田會(huì)保持休耕狀態(tài)。在2—4月雜草生長(zhǎng)，所以NDVI、EVI、GCVI會(huì)有所上升，但是很快NDWI、LSWI在水稻移栽期間升高，NDVI、EVI、GCVI下降到0附近，并且LSWI > NDVI和EVI，這也是基于物候期提取單季稻的重要基礎(chǔ)。而蝦稻田在休耕期內(nèi)，在12月開(kāi)始灌水準(zhǔn)備投放小龍蝦幼苗，并一直到次年5月會(huì)一直保持為水面狀態(tài)。在這長(zhǎng)達(dá)半年時(shí)間里，LSWI一直在0.4附近，NDVI、EVI、GCVI表現(xiàn)為0，這是區(qū)分蝦稻田和單季稻田的主要特征。

圖4 典型蝦稻田光譜指數(shù)時(shí)序變化

圖5 單季稻光譜指數(shù)時(shí)序變化

2.2 隨機(jī)森林分類算法

隨機(jī)森林(Random Forest，RF)是以決策樹(shù)為基本單元的集成學(xué)習(xí)分類算法。這種分類算法相比于其他分類算法更加穩(wěn)健，分類效率較高，更容易實(shí)現(xiàn)。隨機(jī)森林分類的基本步驟為：1)從原始樣本集中有放回地隨機(jī)抽取訓(xùn)練樣本，構(gòu)成訓(xùn)練樣本集，一般為總數(shù)的70%；剩下的30%樣本為驗(yàn)證樣本集，叫做袋外(Out-of-bag，OOB)數(shù)據(jù)，用于內(nèi)部交叉驗(yàn)證和估計(jì)誤差，也叫做袋外(OOB)誤差；2)對(duì)訓(xùn)練樣本集分別構(gòu)建決策樹(shù)，在決策樹(shù)的節(jié)點(diǎn)處隨機(jī)抽取特征，隨后根據(jù)基尼(Gini)系數(shù)最小的原則得到一個(gè)分類能力最好的特征在節(jié)點(diǎn)處分裂；3)隨后將其每個(gè)決策樹(shù)的結(jié)果集成，生成最終的分類結(jié)果。這使得RF算法具有很好的抗噪能力，也能一定程度上避免過(guò)度擬合[17-18]。

在GEE云平臺(tái)中通過(guò)函數(shù)ee.Classifier.smileRandomForest調(diào)用，實(shí)驗(yàn)中通過(guò)設(shè)置的決策樹(shù)范圍來(lái)篩選最佳的決策樹(shù)值，最后選擇500，因其實(shí)現(xiàn)了更高的精度且保證了相對(duì)更高的效率。分類算法中其他參數(shù)設(shè)為默認(rèn)值。

2.3 精度評(píng)價(jià)方法

本研究通過(guò)計(jì)算混淆矩陣進(jìn)行精度評(píng)價(jià)，共計(jì)算了4個(gè)指標(biāo)，包括生產(chǎn)者精度PA(Producer's Accuracy)、用戶精度UA(User's Accuracy)、總體精度OA(Overall Accuracy)和Kappa系數(shù)，計(jì)算公式見(jiàn)表5。UA可以對(duì)各類地物分類精度衡量，OA和Kappa系數(shù)用來(lái)評(píng)價(jià)實(shí)驗(yàn)分類總體的精度[19-20]。

表5 精度評(píng)價(jià)指標(biāo)計(jì)算公式

式中：n和r分別代表研究區(qū)的總像元個(gè)數(shù)和土地覆蓋類型的數(shù)目；xii代表i類土地覆蓋類型正確分類的像元個(gè)數(shù)，xi+代表i類土地覆蓋類型參考數(shù)據(jù)的像元總數(shù)，x+i代表評(píng)價(jià)數(shù)據(jù)中i類土地覆蓋類型的像元總數(shù)。

3 結(jié)果與分析

3.1 蝦稻田提取結(jié)果與精度

實(shí)驗(yàn)提取的蝦稻田空間分布信息如圖6。該實(shí)驗(yàn)基于GEE云平臺(tái)使用隨機(jī)森林算法提取蝦稻田，精度評(píng)價(jià)見(jiàn)表6。蝦稻田的生產(chǎn)者精度為92.77%，用戶精度為84.61%；分類的總體精度達(dá)到了90.75%，Kappa系數(shù)為88.51%。

圖6 2020年監(jiān)利市蝦稻田空間分布信息

表6 監(jiān)利市2020年土地利用類型分類結(jié)果精度評(píng)價(jià)/%

經(jīng)統(tǒng)計(jì)，得到的蝦稻田面積為779.77 km2，與監(jiān)利市政府公布的蝦稻田面積數(shù)據(jù)720.00 km2相比，相差59.77 km2，比實(shí)際統(tǒng)計(jì)面積多出8.301%。傳統(tǒng)方法獲取蝦稻田面積依賴人工抽樣統(tǒng)計(jì)，本文利用高分辨率遙感數(shù)據(jù)提取的結(jié)果，兩者間誤差在合理區(qū)間內(nèi)。

3.2 結(jié)果分析

實(shí)驗(yàn)提取的蝦稻田空間分布與Google Earth數(shù)據(jù)對(duì)比驗(yàn)證(Google Earth衛(wèi)星數(shù)據(jù)源：Airbus；拍攝時(shí)間：2020年2月3日)，并選取兩小區(qū)域分析，如圖7。實(shí)驗(yàn)中蝦稻田被誤分或錯(cuò)分的原因主要在于：1)部分水產(chǎn)養(yǎng)殖田塊被誤分為蝦稻田，因?yàn)樵谙募攫B(yǎng)殖時(shí)農(nóng)戶會(huì)在水面上放置草作為飼料，導(dǎo)致水產(chǎn)養(yǎng)殖田塊的光譜指數(shù)與蝦稻田類似而誤分，主要表現(xiàn)在監(jiān)利市東邊，洪湖附近。2)少許單季稻田被誤分為蝦稻，查閱監(jiān)利市2020年2月、3月、4月的天氣情況后，分析原因是降水增多和云污染的影響。在2月、3月、4月，研究區(qū)有一半時(shí)間為多云、小雨天氣，降水量增加，單季稻田內(nèi)NDWI和LSWI會(huì)增加，影響后續(xù)的分類精度。3)采樣點(diǎn)選擇的正確性也是影響分類精度的重要因素。采樣過(guò)程中存在的人為因素、影像時(shí)間、地理環(huán)境等影響，導(dǎo)致采樣點(diǎn)存在一定偏差，使得分類器訓(xùn)練精度降低。

圖7 2塊小區(qū)域Google Earth數(shù)據(jù)與分類結(jié)果對(duì)比圖

4 結(jié)論

本文基于GEE云平臺(tái)，快速處理得到了監(jiān)利市2020年各月的Sentinel-2影像，通過(guò)對(duì)比分析蝦稻和單季稻的關(guān)鍵指數(shù)變化特征，使用隨機(jī)森林算法提取蝦稻田，首次得到了監(jiān)利市2020年10 m分辨率蝦稻田的空間分布信息。主要結(jié)論如下。

1)GEE云平臺(tái)具備快速處理大量遙感數(shù)據(jù)的能力，能智能完成遙感影像的裁剪、去云、拼接等預(yù)處理，相比于本地處理效率優(yōu)勢(shì)明顯。

2)1—6月LSWI和6—10月NDVI、EVI、GCVI的時(shí)序變化特征是提取蝦稻田的重要基礎(chǔ)。本文通過(guò)分析典型蝦稻田的光譜指數(shù)一年內(nèi)的變化規(guī)律，相比于單季稻田，所有指數(shù)在11月至次年5月一直保持穩(wěn)定，LSWI在0.5附近，NDWI、NDVI、EVI和GCVI一直在0附近。相較于水體季相差異提取蝦稻田信息，這種方法穩(wěn)健，精度更高，可以為更大范圍的研究提供指導(dǎo)。