基于Google Earth Engine 的塔里木河下游土地利用變化?

唐 芳 蒲 智 丁吉達(dá) 溫釗發(fā)

（新疆農(nóng)業(yè)大學(xué)計(jì)算機(jī)與信息工程學(xué)院 烏魯木齊 830052）

1 引言

區(qū)域土地利用變化在區(qū)域環(huán)境變化研究中占有重要地位，對(duì)生態(tài)可持續(xù)發(fā)展具有重要意義［1］。由于區(qū)域尺度遙感影像數(shù)據(jù)量大，采用傳統(tǒng)分類方法要經(jīng)過(guò)繁瑣的預(yù)處理，對(duì)計(jì)算機(jī)硬件要求較高，會(huì)影響分類效率和精度。谷歌地球引擎（Google Earth Engine，GEE）是一個(gè)可以在線處理海量數(shù)據(jù)集的可視化云計(jì)算平臺(tái)，具有強(qiáng)大的算法處理和數(shù)據(jù)計(jì)算能力［2～3］，支持多種機(jī)器學(xué)習(xí)分類算法，能快速、實(shí)時(shí)、批量地處理大量數(shù)據(jù)［4～5］。隨機(jī)森林算法分類精度高且人工干預(yù)少，在GEE 云端服務(wù)器支持下，訓(xùn)練速度快且很少產(chǎn)生過(guò)擬合，已被廣泛應(yīng)用在遙感影像分類中［6～8］。

塔里木河流域位于絲綢之路經(jīng)濟(jì)帶建設(shè)的核心區(qū)，擁有世界最大的天然胡楊林區(qū)及豐富的光熱、石油和天然氣等自然資源，同時(shí)也是生態(tài)環(huán)境最脆弱的地區(qū)之一［9～11］。過(guò)去半個(gè)多世紀(jì)，不合理的水資源開(kāi)發(fā)利用，致使塔里木河下游斷流近30年，下游河岸大片胡楊、怪柳、駱駝刺等植被衰?。?2～13］。2000 年國(guó)家實(shí)施綜合治理工程，間歇性由大西海子水庫(kù)向下泄水，成功遏制了塔里木河下游生態(tài)環(huán)境的繼續(xù)惡化，輸水工程后的塔里木河下游土地利用變化成為中國(guó)西部生態(tài)環(huán)境問(wèn)題研究的熱點(diǎn)［14］。

本文以塔里木河下游為研究區(qū)，基于google earth engine 遙感大數(shù)據(jù)云平臺(tái)提取2000 年～2020年3 期Landsat 系列遙感數(shù)據(jù)，結(jié)合光譜、地形特征，采用隨機(jī)森林算法實(shí)現(xiàn)塔里木河下游土地利用分類，分析研究區(qū)近20年的土地利用時(shí)空變化。

2 數(shù)據(jù)來(lái)源與研究方法

2.1 研究區(qū)概況

塔里木河位于新疆塔里木盆地北部，沿塔克拉瑪干沙漠北緣，穿過(guò)阿克蘇、庫(kù)車、尉犁縣等地區(qū)流入臺(tái)特瑪湖。塔里木河下游河段為恰拉至臺(tái)特瑪湖，全長(zhǎng)約428km，位于尉犁、若羌縣境內(nèi)。塔里木河下游地勢(shì)呈西北高東南底，地形較平緩，最低海拔為801.50m，在臺(tái)特瑪湖區(qū)，最高海拔達(dá)846.25m。區(qū)域干燥少雨，蒸發(fā)強(qiáng)烈，日照時(shí)間長(zhǎng)且氣候極端干旱；風(fēng)沙土、草甸土、鹽土等為主要土壤類型；主要植被為胡楊、怪柳、蘆葦、駱駝刺等耐鹽耐旱植物。

2.2 研究數(shù)據(jù)

本研究使用的遙感數(shù)據(jù)為GEE 平臺(tái)（https：//developers.google.com），提供的2020 年Landsat 系列數(shù)據(jù)的SR（地表反射率產(chǎn)品）以及2000 年、2010 年的Landsat 的TOA（大氣層頂反射率產(chǎn)品）數(shù)據(jù)。DEM 數(shù)據(jù)采用GEE 平臺(tái)提供的30m 空間分辨率的STRM V3 產(chǎn)品數(shù)據(jù)。結(jié)合塔里木河下游土地覆蓋特點(diǎn)并參考2007 年國(guó)土資源部頒布的《土地利用現(xiàn)狀分類標(biāo)準(zhǔn)》將土地利用類型劃分為耕地、林地、草地、水體、建設(shè)用地和未利用地六類。

2.3 研究方法

2.3.1 數(shù)據(jù)選取與預(yù)處理

基于Google Earth Engine 平臺(tái)，分別選取2000年、2010 年和2020 年3 期Landsat 影像數(shù)據(jù)（30m 分辨率）進(jìn)行土地利用分類研究。為提高分類精度，篩選云量小于5%且在當(dāng)年1月～12月成像的影像，共篩選出354 景遙感影像，其中，包含99 景2000 年Landsat 5 TM 影像數(shù)據(jù)，2010 年數(shù)據(jù)102 景Landsat 7 TM 影像，2020年數(shù)據(jù)153 景Landsat 8 OLI 影像。由于GEE平臺(tái)的Landsat數(shù)據(jù)是經(jīng)過(guò)輻射校正后的數(shù)據(jù)，因此只需要對(duì)該數(shù)據(jù)做去云處理、影像鑲嵌和融合、數(shù)據(jù)裁剪和數(shù)據(jù)類型轉(zhuǎn)換等預(yù)處理。

2.3.2 構(gòu)建樣本集

在2020 年Landsat-8 影像數(shù)據(jù)上根據(jù)Google Earth pro 提供的歷史高分辨率影像進(jìn)行目視解譯，選取塔里木河下游6 類土地利用類型的樣本數(shù)據(jù)。建立2020年樣本數(shù)據(jù)集，同時(shí)作為建立2010、2000年樣本數(shù)據(jù)集的標(biāo)準(zhǔn)數(shù)據(jù)集，依據(jù)塔里木河下游地物變化特征和先驗(yàn)知識(shí)，對(duì)2010 年Landsat-7影像和2000 年Landsat-5 影像進(jìn)行樣本數(shù)據(jù)的修改和判別。最后將每一期樣本分別按照70%用作分類器的訓(xùn)練樣本，30%用做精度評(píng)價(jià)進(jìn)行分類。

表1 2000年～2020年塔里木河下游分類樣本數(shù)量表

2.3.3 特征選取

基于GEE 平臺(tái)選取研究區(qū)內(nèi)多光譜波段、光譜指數(shù)和地形特征作為分類器訓(xùn)練參數(shù)，地形特征為通過(guò)SRTM、DEM 數(shù)據(jù)計(jì)算得到的高度（elevation）、坡度（slope）和高程數(shù)據(jù)。選取歸一化植被指數(shù)（NDVI）、歸一化建筑指數(shù)（NDBI）和歸一化差異水體指數(shù)（NDWI）為光譜特征，各指數(shù)計(jì)算公式如下：

式中：LNIR為L(zhǎng)andsat影像的近紅外波段，LRED為紅光波段，LMIR為中紅外波段，LCREEN為綠光波段。

2.3.4 隨機(jī)森林算法

隨機(jī)森林（Random Forest，RF）是一種基于分類回歸樹的組合分類算法模型［15］，由于學(xué)習(xí)速度快、人工干預(yù)少、精度高且不容易產(chǎn)生過(guò)擬合，在遙感影像分類中具有極大優(yōu)勢(shì)［16～17］。其原理為采用Bootstrap 方法隨機(jī)有放回地抽取每組訓(xùn)練樣本集約為整體2/3 的X 組訓(xùn)練樣本集；將抽取的X 組訓(xùn)練樣本集構(gòu)建決策樹，生成X 棵決策樹構(gòu)成的隨機(jī)森林；綜合全部決策樹的預(yù)測(cè)結(jié)果通過(guò)投票決定新樣本類型。GEE環(huán)境下的隨機(jī)森林分類，設(shè)置決策樹的數(shù)量（ntree）為100，特征變量總數(shù)的平方根為變量默認(rèn)數(shù)量（mtry），對(duì)塔里木河下游土地利用分類［18］。

3 結(jié)果與分析

3.1 分類結(jié)果與精度評(píng)價(jià)

本文基于GEE 平臺(tái)，設(shè)置分類樹的數(shù)量為50對(duì)訓(xùn)練樣本集進(jìn)行訓(xùn)練，并使用隨機(jī)森林算法提取每一目標(biāo)年份土地利用信息。得到2000 年～2020年土地利用分類圖（圖1）與分類結(jié)果混淆矩陣（表2）。

圖1 塔里木河下游土地利用分類圖

表2 塔里木河下游土地利用類型精度

由表2 可知，塔里木河下游2000 年、2010 年和2020 年3 期分類結(jié)果的總體精度分別為87.38%、85.48%和90.71%，Kappa 系數(shù)分別為0.84、0.82 和0.87，均在80%以上?？傮w分類精度和Kappa 系數(shù)的最大值出現(xiàn)在2020年，最小值出現(xiàn)在2010年，與影像選擇和樣本數(shù)量有關(guān)；從各類地物的生產(chǎn)者精度和消費(fèi)者精度來(lái)看，較難區(qū)分的林地、草地和未利用地也具有較高的分類精度，每種用地類型的三期分類精度均超過(guò)80%。表明基于GEE 平臺(tái)進(jìn)行的分類結(jié)果具有較好的分類精度。

2000 年～2020 年塔里木河下游各地類空間分布如圖1，結(jié)合表3 可知，主要土地利用類型為草地、未利用地和林地，每期面積占比和均超90%，林地主要集中在大西海子水庫(kù)及河道附近，總體呈增加趨勢(shì)，草地主要分布于英蘇到臺(tái)特瑪湖，面積占比明顯減小，下降4.07%。水體、耕地和建設(shè)用地占地總面積較小，占比不超過(guò)10%，但呈逐年遞增，水體在臺(tái)特瑪湖及大西海子以下的舊河道增長(zhǎng)顯著，耕地和建設(shè)用地面積在恰拉到英蘇呈緩慢增加。

表3 2000年～2020年塔里木河下游各土地利用類型面積占比

3.2 塔里木河下游土地利用時(shí)空變化

由2000 年～2010 年塔里木河下游土地利用轉(zhuǎn)移矩陣（表4）及土地利用分類圖（圖1）可知，期間土地利用類型發(fā)生明顯變化。水體增幅面積最大，原于2000 年生態(tài)輸水工程自大西海子水庫(kù)向下泄水，臺(tái)特瑪湖重現(xiàn)大片水域，且逐年增長(zhǎng)，新增面積達(dá)315.32km2，主要來(lái)源于草地和未利用地的轉(zhuǎn)入；二是新增未利用地，面積新增106.21km2，以草地轉(zhuǎn)入為主，在研究區(qū)內(nèi)呈均勻分布；變化總量最大的為草地，面積萎縮最多，達(dá)358.83km2，主要轉(zhuǎn)出為未利用地和林地；林地的轉(zhuǎn)出面積大于轉(zhuǎn)入面積，主要轉(zhuǎn)化為草地和耕地；耕地和建設(shè)用地變化程度不明顯。

表4 2000年～2010年塔里木河下游土地利用轉(zhuǎn)移矩陣（單位：km2）

表5 2010年～2020年塔里木河下游土地利用轉(zhuǎn)移矩陣（單位：km2）

2010 年～2020 年塔里木河下游土地利用變化以草地變化最為顯著，其次是未利用地和林地。草地的原始面積較大，面積萎縮135.67km2，主要轉(zhuǎn)化為未利用地和林地，主要分布于阿拉干到臺(tái)特瑪湖；未利用地主要轉(zhuǎn)為林地和水體，主要由草地轉(zhuǎn)入，總體面積縮小，減少面積308.47km2；林地凈增加80.17km2，主要來(lái)源為草地和未利用地的轉(zhuǎn)入，集中于英蘇以下的舊河道兩邊及臺(tái)特瑪湖附近；水體面積在臺(tái)特瑪湖以及大西海子水庫(kù)以下的舊河道持續(xù)增長(zhǎng)，新增面積258.89 km2，主要來(lái)源于未利用地和草地的轉(zhuǎn)入；耕地變化面積較小，但面積新增了95.39km2，分布于大西海子水庫(kù)到阿拉干；建設(shè)用地總體面積保持穩(wěn)定。

4 結(jié)語(yǔ)

本文選用隨機(jī)森林算法，基于GEE 遙感云平臺(tái)，對(duì)2000 年～2020 年三期共354 景遙感影像進(jìn)行土地利用分類，實(shí)現(xiàn)2000 年～2020 年土地利用分類，并對(duì)研究區(qū)土地利用時(shí)空變化進(jìn)行分析，得出以下結(jié)論：

1）基于GEE 遙感大數(shù)據(jù)云平臺(tái)采用隨機(jī)森林算法，能快速實(shí)現(xiàn)流域尺度土地利用分類，總體精度均大于85%，Kappa 系數(shù)大于0.82，分類質(zhì)量高，結(jié)合光譜、植被指數(shù)和地形特征能有效提高復(fù)雜地物的分類精度。

2）塔里木河下游2000 年～2020 年的主要土地利用類型為草地、未利用地和林地，土地利用變化以林地、草地和未利用地的相互轉(zhuǎn)換以及水體的持續(xù)擴(kuò)增為主。未利用地和草地20 年面積持續(xù)縮減，減削區(qū)域遍及整個(gè)塔里木河下游；林地面積變化不穩(wěn)定，前十年面積減少，后十年面積增加，總體面積變化呈現(xiàn)增加，主要變化區(qū)域集中于河道兩岸；水體面積自生態(tài)輸水工程以來(lái)，保持穩(wěn)定增長(zhǎng)，20 年共增長(zhǎng)574.21km2，增長(zhǎng)區(qū)域集中于大西海子水庫(kù)以下的舊河道及臺(tái)特瑪湖，由此可見(jiàn)，經(jīng)過(guò)20年的輸水工程，研究區(qū)的水資源得到合理利用，生態(tài)環(huán)境得到改善。