利用多光谱、SAR数据和Google Earth Engine进行湿地分类

2022-08-29黄子乐

农业灾害研究 2022年6期

黄子乐

哈尔滨师范大学地理科学学院，黑龙江哈尔滨 150000

湿地在地球上分布广泛，是人类赖以生存的重要环境之一[1]。然而由于气候变化和人类活动的影响，全球湿地发生了大面积的萎缩。自18世纪到现在全球湿地只存在不到原来的20%，其中64%~71%的湿地消失在20世纪初。因此，湿地保护已经刻不容缓，遥感技术大范围以及周期短的特点决定了这门技术在湿地保护中可以发挥巨大的作用。

遥感技术以及卫星影像在湿地的研究中已经得到广泛的利用[2-3]。然而只使用光学影像进行湿地制图存在不少挑战。植被冠状结构的异质性、云的覆盖以及光学传感器穿透植被的能力不足都会给只使用光学影像进行湿地制图带来许多问题。而雷达数据对于土壤水分检测表现良好。雷达数据的后相散射系数能够剔除植被与地表粗糙度对土壤水分变化的影响；并能在短周期内提供分辨率高的影像[4]。因此根据雷达数据对于土壤水分良好检测能力，在湿地制图中将雷达数据作为分类变量能够提高分类的精度。然而斑点噪声降低了雷达图像的质量，因此仅使用雷达数据进行湿地制图也有不少困难。

雷达和多光谱遥感数据的结合能够很好地弥补湿地制图的局限性，能显著提高湿地分类的精度。哨兵1号数据在湿地植被类型的识别中作用更大，而哨兵2号数据擅长于湿地范围的划分。将具有光谱优势的光学影像和对土壤湿度比较敏感的雷达影像相结合，能够充分发挥各自的优势，让影像解译变得更加可靠。但二者的结合在土地利用分类中仍然鲜有人使用。同时云计算平台（Google Earth Engine）可以处理大尺度、长时间序列的遥感影像，这为精确的湿地制图提供了强有力的保障。

本研究利用Google Earth Engine平台，将DEM、Sentinel-1与Sentinel-2数据结合起来对南瓮河自然保护区的湿地分布进行精确绘制。利用混淆矩阵进行精度评价，混淆矩阵里的OA值与Kappa系数证实本次研究可以在复杂环境中精确地表现不同类型的湿地。

1 研究区概况及数据来源

1.1 研究区概况

南瓮河自然保护区位于黑龙江省大兴安岭地区，地理坐标为51°05′07″N~51°39′24″E，125°07′55″N~125°50′05″E（图1）。根据拉姆萨尔公约，南瓮河自然保护区于2011年入选“国际重要湿地”。南瓮河自然保护区的湿地为丹顶鹤、白鹤、白头鹤等各种国家级保护动物提供了栖息地和丰富的食物资源。因此对该区域的湿地分布进行精准制图既能为该区域的湿地保护提供科学依据，还可为整个保护区的生态系统保护作出重要贡献。

图1 研究区概况

1.2 数据来源

Sentinel-2数据是本文所使用的光学影像，Sentinel-2卫星搭载了多光谱成像仪（MSI）,每幅影像包括13个光谱波段（10 m分辨率的可见光和近红外波段、20 m分辨率的红边和短波红外波段、60 m分辨率的大气带）。Sentinel-2数据适用于评估植被、土壤和水覆盖的状态和变化。本次研究所使用的Sentinel-2号影像来自Google Earth Engine。将其13个波段作为分类变量。同时根据其他研究者的经验选取了4个指数：归一化植被指数(NDVI) 、归一化水体指数（NDWI）、增强型植被指数（EVI）、地表水体指数（LSWI），利用Google Earth Engine自带的指数计算的功能得到了4个指数波段作为分类变量。Sentinel-1是由欧空局开发的双卫星星座,该卫星运行周期为6 d。卫星载有C波段合成孔径雷达,其频率为5.405 GHz，入射角在20°~45°。Sentinel-1数据是本次研究所使用的雷达数据。本次SentinelL-1数据来源于Google Earth Engine，将其VV和VH极化方式作为分类特征。光学图像和SAR数据只能提供二维数据，没有考虑高程，本研究从DEM提取elevation数据作为分类变量弥补这一不足。在本次研究中elevation作为本次分类所用的地形辅助特征。

1.3 分类方法和验证

在2019年6月前往研究区训练样本的选取，确定了7种地类：沼泽、草甸、森林湿地、林地、草地、水体、耕地和居民地（湿地包括沼泽和森林湿地）。实地选点采样共采集了约200个点，在ArcGIS 10.6软件中剔除在研究区外和其他无效的样本。再根据Google Earth和其他高分辨率影像作为参考，在光学影像上采取目视解译的方法为这8种地类共采集了约6 000个有效的样本,并从中选择部分点作为验证所用。本次分类方法选择随机森林并在Google Earth Engine中完成，树的数目设置为200。分类后在Google Earth Engine中对分类结果进行混淆矩阵的计算就可以得到精度验证所需的用户准确度（UA）、生产者准确度(PA)、总精确度（OA）和Kappa系数来满足精度验证的要求。

2 结果与分析

随机森林分类结果如图2所示。表1的混淆矩阵表明，本次研究的总体精度较高（KAPPA系数达到了0.94；总精确度达到了96.37%）。沼泽、森林湿地这2种湿地表现较好，PA和UA值都接近90%。其中沼泽的PA和UA值分别为94.26%和90.06%，在湿地中表现最好。非湿地中森林的表现最好，PA和UA分别为95.71%和98.52%，在所有地类中表现最好。