基于GEE平臺的國家公園土地覆蓋變化遙感檢測方法構(gòu)建

毛麗君，李海濤，薛曉明，李建偉，李明詩

(1.南京林業(yè)大學(xué)林學(xué)院，江蘇 南京 210037；2.南京森林警察學(xué)院刑事科學(xué)技術(shù)學(xué)院，野生動植物物證技術(shù)國家林業(yè)和草原局重點實驗室，江蘇 南京 210023；3.臨沂市城市管理綜合服務(wù)中心，山東 臨沂 276000；4.云南省林業(yè)調(diào)查規(guī)劃院大理分院，云南 大理 671000；5.南京林業(yè)大學(xué)，南方現(xiàn)代林業(yè)協(xié)同創(chuàng)新中心，江蘇 南京 210037)

2017年9月我國《建立國家公園體制總體方案》公布(http://www.gov.cn/zhengce/2017-09/26/content_5227713.htm)，至今已陸續(xù)建立11個國家公園體制試點區(qū)。其中，錢江源國家公園體制試點區(qū)(簡稱錢江源國家公園)是長三角經(jīng)濟發(fā)達地區(qū)唯一的試點區(qū)，集體林占比高，存在自然保護與社區(qū)發(fā)展利益相沖突的問題[1-2]。國家公園的設(shè)立和管理能否發(fā)揮保護成效，直接影響我國自然保護地體系建設(shè)的成敗[3]，而土地覆蓋變化能夠直接反映國家公園建立前后的保護與干擾狀況，對于評估管理有效性、確定脆弱區(qū)域并制定保護戰(zhàn)略至關(guān)重要[4-5]。目前我國大部分國家公園體制試點區(qū)都由原先的保護區(qū)及周邊連接地帶整合而成[1]，重新整合后國家公園的自然生態(tài)系統(tǒng)勢必受到內(nèi)部或相鄰地區(qū)人類活動的影響，因此，高效、可靠地監(jiān)測土地覆蓋動態(tài)變化成為國家公園保護與管理的緊迫需求。

Landsat長時間序列遙感影像的開放獲取為研究土地覆蓋變化新方法提供了基礎(chǔ)[6-7]，過去30年發(fā)展了許多基于遙感影像的變化檢測技術(shù)[4,8-9]，其中傳統(tǒng)的分類后比較法簡單直觀，最常用于自然保護地監(jiān)測[7]，但主要限制因素是缺乏可靠的歷史訓(xùn)練樣本數(shù)據(jù)。在森林占主導(dǎo)地位的國家公園中，受制于嚴(yán)格的管理制度及其復(fù)雜地形，收集和識別足夠的地類樣本往往存在挑戰(zhàn)[10-11]。目視解譯方法利用高分辨率影像收集樣本點或驗證分類精度，但是通常難以獲取可用的高分辨率歷史影像。Collect Earth軟件提供免費的增強型圖像解譯和樣本收集環(huán)境，將公共調(diào)查的易用要素與專業(yè)結(jié)構(gòu)化目視圖像解譯任務(wù)相結(jié)合，實現(xiàn)多種不同空間和時間分辨率圖像的地理同步顯示，包括DigitalGlobe、Sentinel-2、Landsat和MODIS影像、百度地圖和必應(yīng)地圖等[12]。因此，運用基于增強型目視解譯的穩(wěn)定地類樣本選取方法能夠提升國家公園歷史遙感影像分類訓(xùn)練樣本的識別能力。而分類后比較法提取變化信息的可靠性取決于每幅圖像的分類精度。近年來機器學(xué)習(xí)分類算法發(fā)展迅速，其中隨機森林(random forest，RF)算法計算精度高，模型訓(xùn)練時間少，對訓(xùn)練樣本數(shù)量和質(zhì)量的敏感度較低[13-14]，已被成功應(yīng)用于自然保護地分類研究中[7,15]。但是僅基于光譜信息的分類通常無法準(zhǔn)確描述土地覆蓋變化，使用RF算法結(jié)合光譜指數(shù)、紋理、高程等特征能夠提高分類準(zhǔn)確性。此外，季節(jié)性合成圖像或多時相的密集圖層堆棧能夠去除單幅圖像中的云以及其他缺失數(shù)據(jù)，并且能有效利用物候信息，從而提升土地覆蓋制圖精度[11,15-16]，但這在單機應(yīng)用環(huán)境中會給計算資源帶來巨大壓力。GEE(Google Earth Engine)是一個提供全球尺度地球觀測數(shù)據(jù)存儲和用戶友好界面的開放數(shù)據(jù)訪問平臺[17]，已被廣泛應(yīng)用于遙感研究領(lǐng)域[7]。筆者整合上述系統(tǒng)的優(yōu)勢，通過Landsat數(shù)據(jù)和GEE平臺繪制、監(jiān)測和量化錢江源國家公園實施生態(tài)保護政策以來的土地覆蓋變化，以期為國家公園高效、有針對性及低成本的管理提供方法參考。

1 材料與方法

1.1 研究區(qū)概況及數(shù)據(jù)來源

錢江源國家公園位于浙江省衢州市開化縣境內(nèi)(118°03′～118°21′E，29°10′～29°26′N)，總面積約252 km2。空間范圍包括古田山國家級自然保護區(qū)、錢江源省級風(fēng)景名勝區(qū)及兩者之間的連接地帶[18]。錢江源國家公園屬于亞熱帶季風(fēng)性濕潤氣候，適合多種農(nóng)作物生長，但平原地貌稀缺，典型植被為低海拔亞熱帶常綠闊葉林。所在開化縣年均降水量為1 963 mm，年均氣溫16.2 ℃，無霜期252 d，年均日照1 334.1 h[2]。2004年浙江省全面啟動森林生態(tài)效益補償制度后，當(dāng)?shù)厣a(chǎn)方式從傳統(tǒng)農(nóng)耕轉(zhuǎn)變?yōu)榘l(fā)展森林旅游、林下經(jīng)濟及農(nóng)家樂等[19]。大量年輕人外出尋求就業(yè)機會，早期耕作的農(nóng)田逐漸被廢棄。研究區(qū)域如圖1所示，底圖來自SRTM(shuttle radar topography mission)數(shù)字高程數(shù)據(jù)[20]。

圖1 錢江源國家公園空間范圍示意Fig.1 Locations of the study area

研究使用的數(shù)據(jù)包括Landsat Collection 1 Tier 1 Raw數(shù)據(jù)、SRTM數(shù)據(jù)、OSM[21](open street map)開源矢量數(shù)據(jù)、實地調(diào)查數(shù)據(jù)(2019年11月)等。其中Landsat數(shù)據(jù)來源于GEE(https://developers.google.com)平臺；OSM數(shù)據(jù)下載地址為https://www.openstreetmap.org(下載日期為2019年12月15日)；其他資料來自錢江源國家公園官方網(wǎng)站(http://www.qjynp.gov.cn)。結(jié)合遙感數(shù)據(jù)分辨率及研究區(qū)土地覆蓋特點，將土地覆蓋類型劃分為耕地、森林、草地、水體、人造地表和裸地6類。

1.2 研究方法

1.2.1 歷史樣本點解譯

Collect Earth與GEE代碼編輯器的集成使用戶能夠通過自動處理連續(xù)多年的衛(wèi)星圖像提供派生數(shù)據(jù)的概覽，作為高分辨率影像解譯的補充，從而超越了傳統(tǒng)的目視解譯過程。設(shè)計Collect Earth數(shù)據(jù)收集表單，聯(lián)合當(dāng)?shù)貙＜沂褂肎oogle Earth、Planet地圖和GEE Apps執(zhí)行樣本點增強型目視解譯，直觀識別土地覆蓋類型的變化。綜合使用實地調(diào)查數(shù)據(jù)、Google Earth高分辨率影像、OSM矢量數(shù)據(jù)、錢江源國家公園官方網(wǎng)站資料選取訓(xùn)練和驗證樣本。均勻選擇樣本點以消除樣本間的共線性，共選擇了830個樣本點作為獨立樣本集。將樣本點隨機分割為70%和30%兩部分，分別用于分類器訓(xùn)練和精度驗證。

1.2.2 分類特征輸入

首先，在GEE平臺篩選研究區(qū)2001年、2009年、2017年春季(3月1日—5月31日)和秋季(9月1日—11月30日)所有Landsat可用影像。盡量選擇擁有全色波段的衛(wèi)星傳感器產(chǎn)品(即Landsat-7和Landsat-8)，但由于2009年Landsat-7 ETM+傳感器在研究區(qū)范圍內(nèi)存在條帶噪聲，故采用Landsat-5數(shù)據(jù)替代。所有可用Landsat影像基本信息如表1所示。然后使用簡單復(fù)合算法分別創(chuàng)建春季和秋季的無云Landsat復(fù)合數(shù)據(jù)。高通濾波法具有理想的視覺增強效果，并能較好地保持原始圖像的定量信息[22]，運用高通濾波法對Landsat季節(jié)性復(fù)合數(shù)據(jù)進行全色銳化處理，提高分類輸入數(shù)據(jù)的空間分辨率。由于2009年Landsat-5影像缺乏全色波段，故用最鄰近點法將其重采樣為15 m 空間分辨率。

表1 Landsat數(shù)據(jù)篩選結(jié)果Table 1 Data screening results of Landsat

利用GEE平臺中預(yù)處理后的季節(jié)性復(fù)合圖像派生分類特征，包括所有可用光譜波段、8種光譜指數(shù)(歸一化植被指數(shù)、增強型植被指數(shù)、綠色歸一化指數(shù)、綠葉指數(shù)、可見光大氣阻抗指數(shù)、綠色大氣阻抗指數(shù)、改進的土壤調(diào)節(jié)植被指數(shù)和改進的歸一化水指數(shù)，其簡稱依次為NDVI、EVI、GNDVI、GLI、VARI、GARI、MSAVI和MNDWI，具體公式見表2)、基于灰度共生矩陣的紋理均值，并且納入SRTM數(shù)據(jù)派生的地形特征(包括高程、坡度和坡向)作為輔助分類數(shù)據(jù)。

表2 研究中使用的光譜指數(shù)Table 2 The spectral indexes used in the study

1.2.3 圖像分類及變化檢測

使用RF分類器生成3個時期的土地覆蓋分類圖，首先使用分類樣本點對選取的實驗特征組合數(shù)據(jù)進行采樣，用于訓(xùn)練和驗證。其次訓(xùn)練樣本，設(shè)置RF算法中的兩個參數(shù)，ntree為500，mtry默認為輸入特征總數(shù)的平方根；然后，根據(jù)訓(xùn)練好的數(shù)據(jù)對選定的特征組合圖像進行分類。生成分類圖像后，利用眾數(shù)移動窗口濾波器進行圖像平滑，最小化混合像素及邊界效應(yīng)造成的誤分類。最后，利用QGIS(Quantum GIS)軟件繪制2001—2009年和2009—2017年期間的土地覆蓋類型轉(zhuǎn)移矩陣和土地覆蓋類型轉(zhuǎn)化圖。在分析土地覆蓋類型轉(zhuǎn)移矩陣的基礎(chǔ)上將轉(zhuǎn)化圖像進行分類整合，描述基于Landsat影像得到的主要土地覆蓋變化類型，包括造林活動、耕地廢棄和開發(fā)建設(shè)。根據(jù)國家公園土地覆蓋變化情況制定相應(yīng)的像元轉(zhuǎn)換規(guī)則：早期繪制為耕地、草地或裸地的像元，后期轉(zhuǎn)換為森林像元，則表示造林活動；在早期標(biāo)記為耕地而后期為草地的像元表示耕地廢棄；開發(fā)建設(shè)則是早期標(biāo)記為非人造地表類型(耕地、森林、草地和裸地)，后期圖像中變?yōu)槿嗽斓乇眍愋偷南裨?/p>

2 結(jié)果與分析

2.1 樣本點解譯結(jié)果分析

解譯過程主要依據(jù)2014—2017年Google Earth影像、2009年P(guān)lanet高分辨率影像，以及GEE中不同時期的Landsat影像及其NDVI指數(shù)變化曲線，植被的季節(jié)性特征在多光譜假彩色合成圖像中最為顯著(表3)。

表3 各類土地覆蓋樣本點數(shù)量Table 3 The number of sample points of different land cover types

如表3所示，土地覆蓋樣本點數(shù)量變化較大，其中耕地減少和草地增加趨勢明顯，2001年裸地樣本數(shù)量較少。綜合多種數(shù)據(jù)源執(zhí)行增強型目視解譯時，可以直接觀察國家公園土地覆蓋經(jīng)歷的主要變化過程，包括人造地表增加、水體干涸等。

2.2 土地覆蓋分類制圖結(jié)果分析

通過RF算法分類得到2001年、2009年和2017年錢江源國家公園的土地覆蓋分類結(jié)果，其精度評估結(jié)果見表4。

表4 土地覆蓋分類的精度評估結(jié)果Table 4 Accuracy assessment results for the classified maps

為了提高土地覆蓋變化地圖的可靠性，通過人工編輯消除明顯的分類誤差，尤其是山體陰影導(dǎo)致人造地表和水體的錯分類。利用30%的驗證樣本估計總體分類精度見表4，研究區(qū)土地覆蓋分類結(jié)果見圖2。

圖2 基于RF算法的土地覆蓋分類圖Fig.2 Land cover classification maps generated from RF algorithm

如表4所示，研究期間土地覆蓋分類結(jié)果的總體精度均較高，其中2009年分類圖的總體精度最低，可能是由于采用的Landsat-5數(shù)據(jù)未進行全色銳化處理，導(dǎo)致采樣數(shù)據(jù)中存在混合像元數(shù)量多所致。而使用Landsat-8作為輸入數(shù)據(jù)的2017年分類結(jié)果總體精度最高。在6種土地覆蓋類型中，對森林的提取始終比較準(zhǔn)確(表4的用戶精度和生產(chǎn)者精度)；分類結(jié)果混淆主要發(fā)生在耕地、草地、人造地表和裸地之間。從總體分類結(jié)果看，耕地類型的用戶精度低而生產(chǎn)者精度高，代表被過度分類。相反，人造地表和裸地類型很可能分類不足。由于裸地的訓(xùn)練樣本數(shù)量過少，因此在2001年未能有效評估。

2.3 土地覆蓋變化結(jié)果分析

研究期間造林活動、耕地廢棄和開發(fā)建設(shè)變化類型的空間分布分別見圖3。由圖3A可見，造林活動廣泛分布于核心保護區(qū)之外區(qū)域，證明保護區(qū)的設(shè)立、擴區(qū)、升級以及國家公園體制試點的開展對維持森林生態(tài)系統(tǒng)的原真性和完整性起到顯著推動作用。

另外，2001—2009年期間造林面積為1 940.55 hm2，是2009—2017年(1 062.49 hm2)的近2倍(表5)。研究期間森林覆蓋率持續(xù)增加，表明當(dāng)?shù)卦趯嵤┥稚鷳B(tài)效益補償制度后開展了大規(guī)模造林及森林保護活動。其中，52.79%的造林活動分布于連接地帶，該區(qū)域包括大橫、真子坑、高田坑、西山等多個古村落，這些地域原本長期處于傳統(tǒng)農(nóng)耕活動。錢江源省級風(fēng)景名勝區(qū)范圍內(nèi)造林比例最低，該區(qū)域造林活動集中于楓樓坑、仁宗坑等古村落。

圖3 2001—2017年研究區(qū)造林活動、廢棄耕地和開發(fā)建設(shè)分布圖Fig.3 Maps of afforestation activities,cropland abandonment,and development and construction generated from the spatial overlay analysis during 2001-2017

表5 2001—2017年各分區(qū)造林活動與耕地廢棄面積及占比Table 5 The area and proportion of afforestation activities,cropland abandonment in different zones during 2001-2017

如圖3B所示，研究區(qū)內(nèi)耕地普遍發(fā)生退化現(xiàn)象，未變化的耕地大多位于居民區(qū)附近。表5顯示，2001—2009年期間耕地廢棄面積達到1 800.36 hm2，2009—2017年這種現(xiàn)象持續(xù)發(fā)展。耕地廢棄現(xiàn)象反映出在實施保護生態(tài)環(huán)境政策的同時，當(dāng)?shù)禺a(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型以及勞動力流失現(xiàn)象明顯。其中，60%左右的耕地廢棄現(xiàn)象發(fā)生在連接地帶，大片傳統(tǒng)農(nóng)耕區(qū)被棄置。錢江源省級風(fēng)景名勝區(qū)范圍內(nèi)耕地棄置比例最低，分別為15.20%(2001—2009年)和17.35%(2009—2017年)。該區(qū)域依托齊溪水庫和蓮花溪沿線景觀大力發(fā)展生態(tài)旅游、農(nóng)家樂和民宿等產(chǎn)業(yè)，因此景區(qū)周邊耕地得以保留。古田山自然保護區(qū)也呈現(xiàn)類似的耕地廢棄模式，耕地廢棄現(xiàn)象主要發(fā)生在靠近保護區(qū)核心區(qū)域的一側(cè)。

圖3C顯示了研究期間的開發(fā)建設(shè)進展。許多建設(shè)項目沿河道以線性方式分布，主要分布在錢江源風(fēng)景名勝區(qū)以及連接地帶，如西蓮線公路建設(shè)工程及其沿線景點打造項目、楓嶺頭隧道建設(shè)工程，以及連接地帶各個古村落與外界通行道路的建設(shè)。齊溪水庫東側(cè)出現(xiàn)一些新建建筑，用途主要為民宿和餐飲等旅游配套設(shè)施。相對而言，古田山自然保護區(qū)范圍內(nèi)的開發(fā)建設(shè)面積最少。由于受到地形限制，山區(qū)的人造地表覆蓋范圍較小，且大部分道路寬度不足一個Landsat像元大小，因此新建道路呈不連續(xù)的破碎狀分布。

3 討 論

本研究采用GEE、Collect Earth、QGIS等開源軟件平臺，基于開放獲取的Landsat、SRTM和OSM數(shù)據(jù)分析研究區(qū)的土地覆蓋變化特征。研究證明了利用Landsat歷史檔案數(shù)據(jù)對空間范圍廣闊的國家公園進行長期動態(tài)監(jiān)測的可行性，這種做法在國內(nèi)經(jīng)濟遭受新冠疫情沖擊的背景下顯得尤其重要，因為當(dāng)前各級財政資源有限，科研與行政事務(wù)需要充分利用免費開放的數(shù)據(jù)資源、產(chǎn)品和技術(shù)平臺?；赗F算法融合不同季節(jié)的多時相Landsat圖像分類能夠提高土地覆蓋分類精度，但由于該地區(qū)景觀異質(zhì)性較高，地形導(dǎo)致的山體陰影仍然是使人造地表、水體、裸地等類型產(chǎn)生識別混淆的主要原因。與Tsai等[15]對梵凈山國家級自然保護區(qū)的土地覆蓋制圖結(jié)果相比，本研究中采用Landsat系列數(shù)據(jù)衍生的各類土地覆蓋類型制圖精度普遍更高，說明土地覆蓋分類圖的總體質(zhì)量可靠，適用于土地覆蓋變化檢測。當(dāng)前Landsat-8數(shù)據(jù)具有廣闊的應(yīng)用前景，Landsat-5數(shù)據(jù)有助于在使用一致性數(shù)據(jù)的基礎(chǔ)上進行歷史回顧分析，然而掃描線校正器故障造成的圖像條帶限制了Landsat-7數(shù)據(jù)的使用[31]。雖然Sentinel-2影像時空分辨率、光譜分辨率比Landsat系列更具優(yōu)勢，但數(shù)據(jù)可用的時間跨度相對較短，目前最適合在景觀尺度上進行長時間序列變化檢測分析的仍然是Landsat系列數(shù)據(jù)。

由于國家公園地形復(fù)雜以及對核心保護區(qū)管理嚴(yán)格，導(dǎo)致無法進入其內(nèi)部收集足夠的樣本數(shù)據(jù)。對于年代久遠的遙感影像，根據(jù)近期的實地觀測數(shù)據(jù)難以可靠地重建過去的地類樣本[5]。Collect Earth提供的增強型目視解譯方法能夠結(jié)合各類高分辨率影像、長期檔案數(shù)據(jù)與專家經(jīng)驗，高效、可靠地選取歷史樣本點[32]。Collect Earth在許多地點呈現(xiàn)多幅不同采集日期的圖像，提供的歷史圖像足以評估近期發(fā)生的土地覆蓋變化，同時Collect Earth也在不斷擴充其檔案，并擴大衛(wèi)星圖像的覆蓋范圍。使用甚高分辨率影像收集的信息對基于半自動方法的土地覆蓋分類研究極為重要，因為半自動分類是通過直接觀測到的少量樣點信息訓(xùn)練算法，然后將算法應(yīng)用于相對大量的未直接觀測區(qū)域的分類過程。Collect Earth是目前唯一可以同時訪問所有免費可用影像檔案的工具[12]，降低了用于圖像采集的成本和時間。免費甚高分辨率影像不可避免地存在時空缺口，而Collect Earth與GEE的集成方便地利用中低分辨率Sentinel-2、Landsat和MODIS圖像及其光譜指數(shù)的時間序列變化趨勢填補了這些空白信息[12]。在半自動土地覆蓋分類過程中，集成多個甚高分辨率圖像檔案可以促進訓(xùn)練樣本數(shù)據(jù)的生成和精度評估，節(jié)省購買高分辨率影像所需的高昂潛在支出。

我國已經(jīng)從不同角度開展國家公園試點區(qū)生物多樣性監(jiān)測研究[2]，但是對于重新整合的國家公園，尚未開展針對性的土地覆蓋變化監(jiān)測和評估。為了填補這一空白并據(jù)此檢驗國家公園的管護效果，及時了解土地覆蓋變化狀態(tài)及趨勢非常必要。國外已有研究利用分類后比較法識別毀林[33]或農(nóng)業(yè)擴張[10]狀況，據(jù)此判斷國家公園的設(shè)立與管理是否有效。近年來我國生態(tài)文明建設(shè)水平不斷提升，為世界森林覆蓋率增長作出重要貢獻，國家公園中森林和耕地的變化趨勢往往與國外研究相反，因此應(yīng)關(guān)注生態(tài)系統(tǒng)變化中的造林過程，通過遙感技術(shù)識別國家公園建設(shè)以及生態(tài)修復(fù)工程(如退耕還林)實施的有效性[15]。本研究結(jié)果表明，隨著生態(tài)保護力度的加強、產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型和勞動力外流，研究區(qū)大量耕地被荒廢，退化為茅根草地。事實上，廢棄耕地也是一種可以合理利用的資源[34]，在土地稀缺和受到嚴(yán)格保護的國家公園能夠有效解決保護和利用的矛盾，因此如何進行廢棄耕地的修復(fù)和利用是當(dāng)前的重要課題，比如開展退耕還林或發(fā)展旅游相關(guān)產(chǎn)業(yè)。錢江源國家公園現(xiàn)已開展集體林地地役權(quán)改革，針對公園范圍內(nèi)的山林權(quán)屬歸村集體所有的森林、林木和林地，在不改變權(quán)屬的基礎(chǔ)上，將上述自然資源交由錢江源國家公園管委會統(tǒng)一管理，管委會每年支付一定的補償金[35]，這一舉措可為森林生態(tài)系統(tǒng)及廢棄耕地的生態(tài)修復(fù)工作奠定良好的基礎(chǔ)。本研究結(jié)果也能夠為國家公園范圍內(nèi)廢棄耕地修復(fù)項目的規(guī)劃和實施提供空間明確的分布地圖。