基于Google Earth Engine 的河南省引黃受水區不透水面時空演變

王李良，張修宇

（華北水利水電大學，河南 鄭州 450045）

1 引 言

不透水面是指由不透水材料制成的人造表面，如硬化道路、建筑物屋頂、低滲透率的停車場等，是城市化水平的重要指標［1－4］。 改革開放以來，我國城鎮化率不斷提高，不透水面面積逐年增大，在滿足經濟社會發展用地需求的同時形成了許多城市病，如熱島效應、雨島效應、城市內澇等［5］。 科學認識不透水面時空變化特征，對于制定科學合理的區域發展規劃，解決城市洪澇災害等問題具有重要意義。

通過遙感技術獲得的影像數據具有大范圍、低成本、重復觀測等優勢，為長時序不透水面提取提供了優質數據源。 近年來，國內外學者提出了許多不透水面提取方法［6］，其中指數法是一種典型的不透水面提取方法，其通過光譜變換增強不透水面信息同時抑制透水面信息，然后通過閾值分割提取不透水面。 李健等［7］使用歸一化建筑指數（NDBI）對不同季節的城鎮用地進行提取分析，發現提取夏季的不透水面精確度最高。 穆亞超等［8］提出了增強型不透水面指數（END?ISI），可用于高效提取干旱地區的不透水面。 Wang Zhaoqi 等［9］提出歸一化差異不透水指數（NDII）并用來提取不透水面面積，得到了較高的提取精度。TANG Yun 等［10］利用夜間燈光指數提取不透水面。總體而言，利用不透水面指數可以簡單快捷提取大面積不透水面，但是分類結果受分割閾值影響較大，而且確定最佳分割閾值較難。 機器學習分類法是另一種常用的不透水面提取方法。 常翔宇等［11］使用隨機森林分類法，以2017 年長春市為例進行不透水面提取，提取總體精度達到94%。 周峰等［12］利用水體指數、植被指數、建筑指數構建決策樹模型，進行平原區不透水面提取，得出不透水面以東、以南為主要擴張方向，年均擴張速度為6.7 km2。 袁修柳等［13］利用分類回歸樹法，提取武漢市2015 年不透水面面積，結果表明武漢市2015 年不透水面呈現顯著的空間自相關。 蔡博文等［14］建立深度學習模型，實現武漢市不透水面的自動提取，結果表明江漢區和武昌區2 個核心主城區不透水面占比超過60%。 邵振峰等［15］利用支持向量機方法，提取武漢市的不透水面面積。 Yu S S 等［16］利用基于像素和面向對象的支持向量機分類算法，提取孟買市的不透水面。

已有研究表明，機器學習分類法的不透水面提取精度普遍高于指數法［17］，但該類方法需要大量有代表性的不透水面訓練樣本，在大尺度、長時序不透水面提取研究中獲取訓練樣本通常需要消耗大量的人力物力。 此外，傳統的遙感數據處理平臺（如ENVI、PEI、ERDAS 等）需要將數據下載到本地，難以滿足快速信息化背景下遙感大數據的應用需求。 Google Earth En?gine（GEE）是由Google 公司開發的遙感大數據分析計算和地理信息數據可視化的綜合性云服務平臺，集成了PB 級遙感數據和海量的地理信息數據處理算法，可有效解決大尺度、長時序地表覆蓋研究和專題要素制圖中數據獲取難、處理效率低的難題，是現階段廣泛采用的遙感大數據處理分析平臺。 鑒于此，本文利用GEE 云平臺［18－20］大尺度、長時序數據分析功能，根據Landsat 衛星遙感影像提取河南省引黃受水區1990—2020 年的不透水面信息，并選取面積增長率、擴張強度等指標，分析該區域不透水面時空變化特征，以期為該區域發展規劃提供數據支撐。

2 研究區概況和數據來源

2.1 研究區概況

河南省引黃受水區包括鄭州、開封、洛陽、平頂山、安陽、鶴壁、新鄉、焦作、濮陽、許昌、三門峽、商丘、周口、濟源14 個地級市（見圖1）。 2020 年研究區有8 141萬人口，生產總值為47 459 億元，是河南省的重要輻射區，也是我國重要的人口密集區、農業生產區和交通樞紐區。 研究區屬于嚴重缺水地區，水資源利用效率較低，水資源安全保障能力不足。 正確認識河南省引黃受水區不透水面時空變化特征，對于推動黃河流域生態保護和高質量發展戰略具有重要意義。 然而，現階段針對該區域不透水面時空變化的研究較少，不透水面時空變化特征尚不清晰，嚴重制約了該區域的科學規劃和高質量發展。

2.2 數據來源

將GEE 云平臺上集成的數字高程模型和Landsat 5／7／8 衛星遙感影像作為主要數據源。 數字高程模型采用NASA SRTM Digital Elevation Data 30 m 數據產品，該數據產品是利用雷達干涉測量法生成的高精度全球30 m 數字高程模型，是現階段廣泛采用的數字高程模型。 受Landsat 衛星發射時間和數據質量的制約，在本研究中1990—2010 年不透水面提取采用Landsat 5 TM 遙感影像，2012 年不透水面提取采用Landsat 7 ETM＋遙感影像，其余年份采用Landsat 8 OLI 遙感影像。 生產總值和人口資料來源于1990—2020 年《河南省統計年鑒》。

3 研究方法

本研究基于Landsat 衛星遙感數據，首先進行融合鑲嵌和裁剪拼接，利用GEE 平臺的Landsat 影像去云算法（Simple Cloud Score 函數）對河南省引黃受水區的遙感影像進行處理，得到去云圖像，選取大量樣本作為區分不透水面和透水面的基礎樣本，在平臺完成編程之后，使用隨機森林分類法對圖像進行不透水面分類，得到不透水面初步分類結果，再利用總體精度和Kappa 系數進行精度評價，達到要求后，使用ArcGIS軟件對數據進行提取，并將提取結果與生產總值和人口進行相關性分析。

3.1 數據預處理及樣本選取

（1）數據預處理。 首先創建一個函數進行云掩膜處理，將檢測出的云以及云陰影像元數值設置為0，利用云量得分掩膜云以及云陰影影像，對每個像元求得中值，復制影像時間屬性，對相應時間屬性的Landsat影像進行加載，以真彩色顯示研究區域的遙感影像。

（2）樣本選取。 先對研究區遙感影像進行預處理，并結合Google 地圖選擇樣本。 初步在研究范圍內選取1 316 個樣本，其中不透水面樣本683 個、透水面樣本633 個。 然后，在GEE 平臺上運行土地分類程序，當總體精度達到90%且通過人工目視的方法對分類結果進行識別沒有大量漏檢和誤檢情況時，將樣本作為整體樣本，再逐年對樣本進行更正。

3.2 基于隨機森林分類法的不透水面提取

隨機森林分類算法（RF）是一種多決策樹集成監督分類算法，與其他機器學習分類算法（如支持向量機分類法、人工神經網絡模型、決策樹分類法）相比，該算法能夠有效避免模型過擬合問題，且模型參數少、分類精度高，已廣泛應用于不透水面提取、地表水體制圖、土地覆蓋分類等研究。 因此，本文采用隨機森林分類法提取河南省引黃受水區逐年不透水面信息，步驟如下。

（1）建立不透水面分類特征空間。 結合已有研究成果，選取衛星遙感影像光譜特征，構建河南省引黃受水區不透水面分類特征空間。

（2）選取訓練樣本。 采用分層隨機采樣方法，按照7 ∶3 的比例將樣本分為訓練樣本和精度評價樣本。

（3）隨機森林分類模型訓練。 設置隨機森林分類模型關鍵參數：決策樹數目（K）和分裂節點特征數（m）。 根據隨機森林分類的袋外（OOB）誤差理論，隨著決策樹數目的增大，隨機森林分類精度增高，但分類過程中消耗的時間成本和內存成本也相應增大。 為了平衡分類精度和分類成本，通常選取OOB 誤差函數收斂時的決策樹數目。 研究表明，m的取值與分類特征數（n）有密切關系，通常取的整數。 通過多次測試，本研究K值取25、m值取2。

（4）單時相不透水面提取。 將單時相數據集代入步驟（3）訓練好的隨機森林分類模型，得出單時相不透水面提取結果。

3.3 精度評價

結合已有研究，使用Kappa系數來衡量分類結果的精度，通過總體精度（OA）反映分類結果的總體誤差情況。

總體精度（OA）計算公式為

Kappa系數計算公式為

式中：N為精度評價樣本數；Pe為偶然一致性誤差；TP為真實不透水面識別為不透水面的面積；FN為真實不透水面識別為透水面的面積；FP為真實透水面識別為不透水面的面積；TN為真實透水面識別為透水面的面積。

對所有時相不透水面提取結果進行精度評價，結果見圖2。 可知，1990—2020 年河南省引黃受水區不透水面提取結果總體精度均高于0.950；除2000 年（0.792）和2002 年（0.798），不透水面提取的Kappa系數均大于0.800。

3.4 不透水面時空演變分析方法

不透水面時空擴張數量主要從面積和擴張速率兩方面進行分析。

面積增長量計算公式為

面積增長率計算公式為

擴張速率計算公式為

擴張強度指數計算公式為

式中：Si和Sj分別為第i時相和第j時相（i＜j）的研究區不透水面面積；T為時間，T＝j－i。

結合已有研究文獻，根據擴張強度指數，將城市擴張分為高速擴張（M≥1.92）、快速擴張（ 1.05 ≤M ＜1.92）、中 速 擴 張（ 0.59 ≤M ＜1.05）、低 速 擴 張（0.28≤M＜0.59）、緩慢擴張（ 0 ≤M ＜0.28）5 種狀態。

4 結果與討論

4.1 不透水面提取結果

經過測試和預計算對編寫的程序和樣本調整后，經過GEE 平臺計算后得到分類后的研究區不透水面圖像，利用ArcGIS 計算研究區不透水面面積，結果見圖3。 可以看出，研究區和各地級市不透水面面積均呈逐年增大趨勢，研究區不透水面總面積從1990 年的353 km2增大到2020 年的7 598 km2。

4.2 不透水面數量分析

1992—2020 年河南省引黃受水區不透水面擴張特征見表1（表中為每隔2 a 的數據）。 從擴張強度指數看，1992—2020 年研究區不透水面直處于緩慢擴張狀態， 2020 年不透水面擴張速率最大（500.22 km2／a），1992 年增長速率最小（33.59 km2／a）。

表1 河南省引黃受水區不透水面擴張特征

河南省引黃受水區不同時期的不透水面變化情況見圖4。 各地級市的不透水面主要集中在城市，其次是鄉鎮和農村等人類居住區。 不透水面面積呈逐年增大趨勢，1996—2004 年面積增長率較大，在30%以上。從不透水面提取情況來看，大多數農村地區不透水面面積逐年增大，原因可能是經濟發展改善了農村道路、硬化路面面積逐漸增大。 2008—2020 年面積增長率逐漸穩定在11%～16%，說明不透水面擴張速度逐漸趨于穩定。

鄭州市主城區不同時期的不透水面變化情況見圖5（紅色代表不透水面，綠色代表透水面）。 1990—2020 年，鄭州市不透水面從主城區逐漸擴大到周邊地區，呈現顯著的增長趨勢。 鄭州市不透水面面積和面積增長率始終大于其他各地級市的，說明其作為省會城市發展速度最快、城鎮化水平最高，其中鄭州市2020 年不透水面面積為2 449 km2。

4.3 不透水面擴張的驅動力分析

城市發展離不開社會經濟等因素的發展，而生產總值和人口作為社會經濟的基礎指標，對社會經濟有著不可缺少的作用，故選取生產總值和人口分析河南省引黃受水區不透水面變化的驅動力。 不透水面與生產總值、人口相關性見圖6。

（1）生產總值。 河南省引黃受水區生產總值從1990 年的677 億元增長到2020 年的47 459 億元，經濟增速為1 559 億元／a。 由圖6 可知，不透水面面積與生產總值擬合優度為0.980，說明不透水面面積與經濟發展有顯著的相關性。

（2）人口。 人口是城市發展的重要因素之一，人口越多，代表著一個城市越具有活力和發展前景。 河南省引黃受水區人口從1990 年的5 673 萬增長到2020 年的8 141 萬，平均增速為82 萬人／a。 由圖6 可知，不透水面面積與人口顯著正相關（R2＝0.912），說明人口增長對不透水面擴張有正向影響。

5 結 論

（1）本研究提取不透水面的總體精度高于0.95，Kappa系數大于0.79，說明利用GEE 平臺提取不透水面的精度較高。

（2）研究區不透水面面積從1990 年的353 km2增大到2020 年的7 598 km2，總體呈增大趨勢。 不透水面主要集中在城市，其次為鄉鎮和農村。

（3）從不透水面變化的驅動力來看，不透水面面積與生產總值和人口數量的擬合優度分別為0.980 和0.912，說明不透水面面積與生產總值和人口總數顯著正相關，不透水面面積擴張與經濟和人口的增長密切相關。