基于GEE的濱海濕地互花米草信息提取方法研究

鄭 浩，陳星彤，宋利杰,3，樊繼好，楊曉蕪，宋敬茹，宋唐雷，劉明月,2,3,4,5

（1.華北理工大學 礦業(yè)工程學院，河北 唐山 063210；2.唐山市資源與環(huán)境遙感重點實驗室，河北 唐山 063210；3.高分辨率對地觀測系統(tǒng)河北唐山數(shù)據(jù)應用中心，河北 唐山 063210；4.河北省礦區(qū)生態(tài)修復產業(yè)技術研究院，河北 唐山 063210；5.河北省礦業(yè)開發(fā)與安全技術重點實驗室，河北 唐山 063210；6.航天萬源云數(shù)據(jù)河北有限公司，河北 唐山 063300）

1 引言

由于全球化，生物入侵已成為嚴重的全球環(huán)境問題[1]。互花米草（Spartina alterniflora）是禾本科、米草屬多年生草本植物，原產于北美大西洋沿岸和墨西哥灣。因其高耐鹽性、高繁殖能力和高生長性能而作為生態(tài)工程物種于1979年引入我國，經過40多年的人工種植和自然擴散，已廣泛分布于中國沿海的大部分潮間帶灘涂[2]。江蘇具有亞洲大陸東緣面積最大的淤泥質海岸，孕育著具有國際重要影響的濱海濕地生態(tài)系統(tǒng)并維持豐富的生物多樣性，已形成全國最為典型的互花米草鹽沼濕地。在促淤造陸、保灘護岸等方面起到一定的作用的同時也帶來了較為嚴重的生態(tài)后果[3]。例如：破壞原有灘涂植被群落結構，甚至形成單一優(yōu)勢種，改變底棲動物群落結構，影響水禽棲息及覓食，導致生態(tài)系統(tǒng)的退化，引起航道阻塞及排水不暢，并妨礙旅游業(yè)的發(fā)展及影響水產養(yǎng)殖[4]。因此，發(fā)展可操作性強的方法，快速、準確、實時監(jiān)測濱海濕地的入侵物種互花米草的空間分布，對沿海生態(tài)系統(tǒng)的管理至關重要。

互花米草群落多位于惡劣和潮汐淹沒的環(huán)境中，可達性差。傳統(tǒng)野外調查費時費力且精度有限，遙感監(jiān)測已成為互花米草信息提取的一種高效且成本低廉的方法[5]。多源遙感數(shù)據(jù)已應用于入侵物種互花米草的信息提取[6]。Liu等基于2014-2016年Landsat影像提取了中國大陸沿?；セ撞莘植糩1]。張華兵等基于1997-2014年4個時期的Landsat影像提取了江蘇鹽城濱海濕地互花米草[7]。劉瑞清等利用Sentinel-2影像提取了鹽城濱海濕地2018年互花米草分布信息[8]。但復雜濱海濕地背景下，互花米草與原生植物常具有相似的光譜特征，利用不同植物生長期在植被指數(shù)和生物量等方面的差異，選取關鍵時間窗口，可有效提高互花米草分類精度。但光學遙感影像易受云雨干擾，不足以在時間窗口內形成足夠的有效影像。雷達數(shù)據(jù)不受云雨天氣影響，可以作為光學數(shù)據(jù)的補充，且已有研究表明雷達數(shù)據(jù)和光學數(shù)據(jù)的融合在復雜的濕地植物群落中表現(xiàn)出良好的分類性能[9]。時間序列的Sentinel-1雷達數(shù)據(jù)和Sentinel-2光學數(shù)據(jù)往往需要占用大量的存儲空間。本地計算機難以高效率的處理密集時序或多模態(tài)特征融合數(shù)據(jù)，而利用云計算平臺，如GEE、PIE等可實現(xiàn)重復性任務（例如圖像采集、校準和處理）的自動化處理，從而減少影像處理時間，并可有效改善大區(qū)域互花米草信息提取的效率和精度[10]。孟祥珍等人基于GEE平臺利用Landsat影像獲取了長三角濕地的互花米草分布[11]。

簡單非迭代聚類(SNIC)算法廣泛應用于開發(fā)在空間集群中聚合相似像素的分割步驟中[12]。Mahdianpari等人基于SNIC+RF算法利用Sentinel-1和Sentinel-2遙感數(shù)據(jù)制作了加拿大濕地清單[13]。Xiong等人通過利用支持向量機(SVM)和RF分類器集成SNIC算法提取了非洲大陸農田分布信息[14]。Ghorbanian等人基于Sentinel-1和Sentinel-2遙感數(shù)據(jù)，集成SNIC和RF算法實現(xiàn)伊朗土地利用分類，可有效改善單一利用RF算法所產生的“椒鹽現(xiàn)象”[15]。

綜上所述，GEE云平臺在入侵物種監(jiān)測中具有明顯的優(yōu)勢，但已有研究大多僅使用單一光學遙感數(shù)據(jù)往往難以滿足地物類型復雜的濱海濕地中互花米草信息提取的需求。本文以鹽城濕地珍禽國家級自然保護區(qū)核心區(qū)（簡稱“鹽城濕地”）為例，基于GEE云平臺綜合利用Sentinel-1雷達和Sentinel-2光學數(shù)據(jù)，構建光譜特征、雷達特征、植被指數(shù)、水體指數(shù)、紋理特征以及地形特征集合，對比RF算法和SNIC+RF集成算法在濱海濕地復雜景觀中提取入侵物種互花米草的性能，為濱海濕地的生態(tài)修復評估提供決策支持和科學參考。

2 研究區(qū)概況與數(shù)據(jù)源

2.1 研究區(qū)概況

研究區(qū)位于鹽城濕地珍禽國家級自然保護區(qū)核心區(qū)（33°25′0″—33°39′04″N，120°26′40″—120°40′40″E），如圖1所示。濱海濕地總面積約為191.00 km2，濕地景觀類型復雜。該區(qū)地處亞熱帶向暖溫帶過渡地帶，屬典型的亞熱帶氣候，降雨和太陽輻射能豐富，年平均氣溫在13.7—14.8℃之間，年降水量為900—1100mm。由于適宜的水文和氣候條件，灘涂濕地發(fā)育了多種濕地生態(tài)類型[16]。濕地植被豐富，灘涂植被演替完整；從陸地到海洋的景觀類型主要分為蘆葦、堿蓬、互花米草、河流、坑塘和灘涂。

圖1 研究區(qū)概況

2.2 數(shù)據(jù)來源及預處理

（1）Sentinel-1雷達數(shù)據(jù)

Sentinel-1是一顆SAR衛(wèi)星，它以6天的時間分辨率在全天候條件下獲取雙極化C波段數(shù)據(jù)。Sentinel-1雷達數(shù)據(jù)集源自GEE云平臺中提供的Level-1 GRD干涉寬幅(IW)產品，已經Sentinel-1 Toolbox進行熱噪聲去除、輻射校準和地形校正等預處理。篩選研究區(qū)范圍內2021年9-11月的VV和VH極化后向散射值（dB），并求取月度均值，按照研究區(qū)邊界進行裁剪。

（2）Sentinel-2光學數(shù)據(jù)

Sentinel-2衛(wèi)星包括13個多光譜波段。其中有4個10m分辨率波段、6個20m波段和3個60m波段，軌道寬度為290km。Sentinel 2 TOA反射率數(shù)據(jù)集源自GEE云平臺提供的Sentinel-2 L2A產品，該產品經過了輻射定標、地形矯正和大氣校正等預處理。為了避免原生植物與互花米草光譜混淆，篩選植被間物候差異明顯的10-11月影像，通過云掩膜（QA60波段中Bit10和Bit11均為0的值）去除云覆蓋區(qū)域，以合成無云的高質量影像。

（3）地形數(shù)據(jù)

ALOS全球數(shù)字表面模型(DSM)是在高級陸地觀測衛(wèi)星(ALOS)上使用全色立體測繪遙感儀器(PRISM)收集的圖像生成的全球數(shù)據(jù)集，本研究調用GEE平臺ALOS DSM:Global 30m數(shù)據(jù)產品，將其重采樣至10m，并計算坡度。

（4）樣本數(shù)據(jù)

綜合文獻資料、野外調查數(shù)據(jù)以及2021年9-11月Google Earth等高分辨率影像進行目視判讀，共獲取了737個樣本點。其中包括168個互花米草樣本點、90個堿蓬樣本點、187個蘆葦樣本點、72個河流/坑塘樣本點、126個海面樣本點和94個灘涂樣本點。將樣本點隨機分成3份，分別用于RF算法訓練（306個）、RF算法模型參數(shù)優(yōu)化（131個）以及分類結果驗證（300個）。

3 研究方法

3.1 特征集合構建

特征變量的選擇是遙感分類的重要步驟，科學利用多種特征變量構建，可以有效提高遙感分類的精度[17]。本文選取雷達特征、光譜特征、紋理特征、植被指數(shù)、水體指數(shù)、紅邊指數(shù)和地形數(shù)據(jù)構建特征集合，詳細描述了各種特征及其表達方式，如表1所示。

表1 分類特征集合

3.2 隨機森林算法

RF是一種非參數(shù)分類器，它采用bootstrap聚合技術將各種獨立隨機決策樹的分類結果結合起來，預測類標簽。這些隨機決策樹中的每一個都由訓練樣本的子集（稱為袋內樣本）進行訓練，并使用剩余樣本（稱為袋外樣本）進行內部交叉驗證。之后，將結果整合以產生最終的分類結果。

RF分類器已被證明在入侵物種互花米草提取中具有很高的潛力[8]。本研究基于GEE云平臺實現(xiàn)互花米草的RF分類。由多源數(shù)據(jù)構建的特征集合輸入到RF分類器中，使用一半的參考樣本來訓練RF分類器。RF分類器中影響最為顯著的參數(shù)為樹木的個數(shù)和每棵樹的節(jié)點數(shù)，本文分別設置為100和輸入特征數(shù)量的平方根，如圖2所示。

3.3 SNIC分割算法

分割是信息提取的重要步驟，直接影響分類精度，將影像中相似的像素劃分為互不重疊的小區(qū)域。本研究基于GEE中的SNIC算法對研究區(qū)Sentinel-2影像進行分割以獲取影像對象。SNIC算法主要參數(shù)包括：“compactness”影響簇的形狀，值越大，簇越緊湊；“connectivity”定義了合并相鄰集群的鄰接類型，通常為4或8；“neighborhood Size”避免瓦片邊界偽影。而超像素種子“seeds”影響簇的大小，可通過測試不同的種子間距（5、10、15、20、25和30），并結合研究區(qū)互花米草與其他植被可分離性進行選取，對比結果如圖3所示。本文參數(shù)設置如下：“compactness”=0、“connectivity”=8、“neighborhood Size”=128、“seeds”=15。

圖3 SNIC最優(yōu)分割尺度

在SNIC分割的基礎上，將各斑塊內部基于像素的分類結果利用絕對多數(shù)投票法（Majority voting）移除斑塊單元內的誤分類像素，創(chuàng)建基于對象的分類，使其結果有效避免“椒鹽現(xiàn)象”，并具有良好的整體性。

3.4 精度評價

基于野外調查驗證點利用混淆矩陣對研究區(qū)分類結果進行精度評價。計算總體精度（OA）、生產者精度（PA）、用戶精度（UA）和kappa系數(shù)。OA是測試數(shù)據(jù)被分類器正確分類的百分比。PA是從生產者的角度來看的準確度，它是正確特征在分類圖像中正確顯示的頻率。UA是地圖上分類的類別出現(xiàn)在地面上的概率。Kappa系數(shù)表示地面真實數(shù)據(jù)和預測值之間的一致性程度。

4 結果與分析

4.1 特征重要性分析

采用RF中Gini系數(shù)對鹽城濕地分類中的特征變量進行重要性分析，如圖4所示。結果表明，光譜特征B2和B3以及B12、雷達特征VV_Nov和VH_Sep以及VV_Oct、植被指數(shù)RVI和DVI、紅邊指數(shù)NDVIre2和NDre1是重要性排名前十的特征變量，在鹽城濕地互花米草提取中起到重要作用。特別是光譜特征和雷達特征顯著高于其他特征子集，排名靠前的特征數(shù)量也最多，這是因為10-11月份入侵植物和原生植物物候信息差異顯著，互花米草群落處于成熟期或衰老初期，而蘆葦和堿蓬群落已進入衰老后期或休眠期，植被群落光譜特征和后向散射系數(shù)差異顯著，有利于互花米草信息的識別。表明時序雷達數(shù)據(jù)與光譜數(shù)據(jù)融合顯著提高濕地地物類型的區(qū)分能力。植被指數(shù)中重要性較高的為RVI，其次是DVI，而非使用最為普遍的NDVI。考慮到濱海濕地的特點，RVI和DVI能夠提高植物群落間的光譜差異，有利于互花米草的提取。紅邊指數(shù)在分類中具有顯著作用，重要性排名均較為靠前，其原因是紅邊區(qū)域窄波段的設計有助于精確捕獲植物的光譜紅邊特征，利于區(qū)分達到最大生長季的植物。紋理特征的重要性排名靠后，表明基于10m分辨率的遙感影像計算的紋理特征對于互花米草群落與原生植物群落區(qū)分貢獻度較小。此外，坡度特征在鹽城濕地分類中重要性大于高程，對于分類結果貢獻較大。

圖4 特征變量對RF算法繪制鹽城濕地分類圖的重要性

4.2 分類結果對比分析

基于RF和SNIC+RF算法分別獲得的鹽城濕地分類效果如圖5所示。兩者分類結果中互花米草空間分布格局基本一致，但SNIC+RF算法結果中像椒鹽噪聲較少，濕地地物類型斑塊更為完整。與RF分類算法相比，SNIC+RF算法可以更準確地將互花米草群落與堿蓬和蘆葦群落區(qū)分開，特別是更為準確地繪制了沿岸分布的互花米草條帶，并且入侵蘆葦群落內部的互花米草提取精度更高，較少被錯分為蘆葦，鹽城濕地內部的互花米草條帶與堿蓬條帶以及灘涂條帶邊界更加清晰明確。此外，時序雷達特征的加入，在提高互花米草分類精度的同時，會導致灘涂與海面鄰接處被錯分為河流。

圖5 2021年鹽城濕地分類效果圖

采用混淆矩陣分別對兩種算法所得分類結果進行評價，如表2表3所示。精度驗證結果顯示：兩種分類方法對鹽城濕地進行分類的總體精度均大于90%，Kappa系數(shù)遠高于0.8，且互花米草分類精度均高于90%。RF分類結果中，互花米草的56個驗證樣本中僅有4個被錯分為蘆葦，1個樣本被錯分堿蓬?；セ撞莸挠脩艟群蜕a者精度分別達到了91.07%和98.08%?；煜蛑皇且蚧セ撞萑肭侄坝^破碎化程度高且鹽沼植被交錯分布，10m分辨率影像對于區(qū)分互花米草和原生植物易存在混合像元。此外，由于植物群落受生長環(huán)境不同影響，同一植被群落可能會表現(xiàn)出不同的生長狀態(tài)，9-11月份部分蘆葦群落像元呈現(xiàn)出與互花米草相似的光譜特征。而SNIC+RF分類結果中，互花米草的56個驗證樣本中，僅有2個被分為蘆葦?；セ撞莸挠脩艟群蜕a者精度分別達到了92.86%和98.11%，相較于RF算法，該算法減少了互花米草與原生植物的錯分，提高了互花米草提取精度。但低密度覆蓋的互花米草條帶邊緣部分灘涂像元被分類為互花米草。說明該方法可以將互花米草群落與堿蓬及蘆葦群落較好地區(qū)分，但同樣會存在一些過擬合問題。綜合兩種分類方法來看，SNIC+RF算法互花米草生產者精度和用戶精度最高，有效減少了互花米草的錯分現(xiàn)象。

表2 RF算法分類精度評價

表3 SNIC+RF算法分類精度評價

5 結論

本研究基于GEE云平臺融合多源遙感數(shù)據(jù)構建雷達特征、光譜特征、紋理特征、植被指數(shù)、水體指數(shù)、紅邊指數(shù)以及地形特征集合，基于像元的RF算法分類和面向對象的SNIC+RF算法分類，分別提取了鹽城濕地珍禽國家級自然保護區(qū)核心區(qū)互花米草分布信息，并分析互花米草提取的特征重要性以及分類精度。結果表明：（1）雷達特征、光譜特征、植被指數(shù)和紅邊指數(shù)在濱?；セ撞菪畔⑻崛≈胸暙I度較大；（2）SNIC+RF算法相較于RF算法顯著提高了互花米草斑塊的完整性，降低了原生植物群落中互花米草錯分像元的產生，提高了分類精度，互花米草群落的生產者精度和用戶精度均高于92%；（3）相比于傳統(tǒng)的影像下載與處理流程，基于GEE云平臺構建分類算法實現(xiàn)互花米草信息提取，對本地電腦硬件要求降低，顯著提高了數(shù)據(jù)分析和處理的效率，為實現(xiàn)入侵物種互花米草的監(jiān)測提供了便利。