基于G oogle Earth Engine 的天津市水稻提取研究

李 煜，王惠敏，金 航

（西安煤航遙感信息有限公司，陜西 西安 710199）

我國是世界上水稻生產和消費大國之一，糧食安全是國家安全的重要基礎。為保障我國糧食安全，開展實時獲取水稻種植信息工作，具有重要現實意義[1]。我國一直高度關注糧食安全保障，近年來陸續出臺了多項政策，耕地保護政策相繼完善出臺，嚴格規定耕地保護紅線，堅決遏制耕地“非農化”“非糧化”。全國開展高標準農田規劃建設，強化耕地梳理、質量、生態三位一體的保護理念。在我國主要糧食作物中，水稻由于其高耗水的特性和獨特的種植形式，能夠進行水資源管理與評價[2-3]。目前，獲取水稻種植面積主要依靠傳統的農業統計方法，從地方開始進行統計上報，層層遞進，全盤計量，這樣的統計方法略顯粗放，并且缺少空間分布信息，每次開展需耗費大量人力物力，難以實現長時間動態監測。近年來我國商業衛星遙感產業蓬勃發展，遙感技術可實現大范圍地表信息的連續動態觀測，在國土空間規劃、土地利用和植被監測方面已經有了廣泛應用，這也為開展耕地遙感監測，高效精確的提取水稻種植空間分布信息提供了可能。國內外在利用遙感技術進行水稻提取方面研究已經有相關研究。在河南省原陽縣利用Landsat 8 OLI 影像數據獲取了水稻田分布信息[4]；利用單時相Sentinel-1A 合成孔徑雷達影像數據，提取廣東省五華縣的水稻空間分布[5];綜合合成孔徑雷達影像和SPOT-6光譜影像融合數據，得到四川省峨眉市水稻種植面積[6]。我國土地遼闊，受制于遙感衛星重訪周期和影像數據獲取質量，已有水稻提取研究主要集中在小區域范圍的提取實驗上[7-8]，大范圍的水稻提取應用研究仍較為缺乏。本研究長時序的多光譜高分辨率遙感影像，使用隨機森林算法進行水稻種植范圍提取，研究結果可為天津市農業管理部門制定相關決策提供科學參考與數據支撐。

1 研究區、數據來源與研究方法

1.1 研究區概況

天津市 (38°34'N - 40°15'N，116°43'E -118°04'E)位于北部華北平原，其境界內陸地界線長為1 137 km，海岸線總長度為153 km，天津市地勢由西北山區向東南逐漸降低。93%的區域為平原，屬暖溫帶半濕潤季風氣候。主要農作物為小麥、玉米和水稻，天津市獨有的地理位置、氣候、土壤和灌溉水源等生態條件，使得它適宜生產優質稻米，其中小站稻最為著名。

1.2 數據來源與預處理

1.2.1 遙感影像

Sentinel-2 衛星攜帶一枚多光譜成像儀（MSI），高度為786 km，覆蓋13 個光譜波段（表1），幅寬達290 km，有2A 和2B 兩顆衛星。一顆衛星的重訪周期為10 d，兩顆互補，重訪周期為5 d[9]。研究過程中，Sentinel-2 遙感影像均在GEE 云平臺中調用、處理[10-11]。Sentinel-2 波段參數見表1。

表1 Sentinel-2 波段參數

1.2.2 地面調查數據

分類結果精度受到訓練樣本的數量和代表性影響較大，實地調查獲取樣本數據能夠增加分類精度。野外調查時間為2021 年9 月，本研究參考相關資料及天津實際情況制定分類系統，各類別解譯標準見表2，谷歌地球影像及哨兵2影像數據均為真彩色合成顯示。

表2 天津市耕地遙感分類解譯標志

2 水稻分類提取

2.1 水稻分類方法

基于遙感數據進行分類的基本理念是通過多時相遙感影像成像時間、光譜信息與地面實測樣點的變化特征，完成特征地物提取。天津水稻為單季稻田，本研究使用了多時相Sentinel-2 遙感影像數據，全面覆蓋了水稻田在收獲后的保養期到種植水稻后的水稻全生長周期的影像數據，對天津水稻具有的變化特征進行提取，以期獲得良好的水稻種植信息提取效果。此外，蓮藕種植周期與水稻相似，本研究使用土地利用和地形數據作為輔助。將所有數據進行同一整理，用于隨機森林算法分類[14]。需要大量運算、存儲資源的操作，如數據預處理、特征檢測在云端實現；結果判讀、驗證等工作在本地進行。

2.2 分類指標

對多時相遙感影像分布計算光譜特征、多種植被指數、水體指數、紋理特征。其中包括：如表3 所示的歸一化植被指數（NDVI）、增強型植被指數（EVI）以及歸一化水體指數（NDWI）。計算結果也在云端存放。Sentinel-2 的光學波段以及坡度、坡向等指標[12-13]。所有數據具有相同的空間分辨率與投影，整編成一個時間-空間-光譜的多維數組，進入分類器。

表3 遙感地表參數計算公式

2.3 精度評價方法

遙感影像分類精度評價常使用混淆矩陣（confusion matrix）。作為遙感分類精度評價的一種標準格式，表示為n 行n 列的矩陣形式[14]。具體評價指標包括總體精度、制圖精度、用戶精度等，這些指標從不同方面反映了遙感圖像分類的精度。

3 水稻提取結果與分析

使用隨機森林分類算法，將光譜特征優選結果、紋理特征優選結果作為輸入數據，對天津市的水稻進行多次提取試驗，精度驗證采用交叉驗證思想[15]，在GEE 上實現。

混淆矩陣中用于驗證的水稻樣點共2 198 個，其中錯分26 個。用于其他地類驗證的樣點共951 個，錯分80 個，總體精度為95.4%，Kappa 系數為0.886。結果表明：本研究能夠有效區分水稻與水體、旱作農田等相似地類，快速準確提取天津市水稻種植空間分布信息；同時，分類特征提取無需人工干預，完全在云端計算分析，本方法滿足工程化自動運行的條件。選取寶坻區與寧河區2 個典型水稻功能區域的水稻提取結果與政府規劃的生產功能區水稻矢量和原始影像作對比，見圖1，水稻生產功能區矢量數據雖然有明顯的鋸齒狀紋理，但與10 m 分辨率Sentinel-2 數據相吻合；常規水稻面積統計更多依賴結合地籍數據的填圖，地塊分割的過程中可能包含部分田埂、防護林等，基于遙感數據的分類結果與地表實際狀況符合程度更高。

圖1 天津市水稻分類結果及局部結果對比

4 討論與結論

本研究基于Google Earth Engine 平臺，使用多時相Sentinel-2 影像數據，繪制天津市10 m 空間分辨率2021 年水稻種植區域分布圖。采用多時相高分辨率遙感影像，基于光譜特征、四類不同指數、坡度坡向等多種特征因子，使用隨機森林算法進行天津市水稻種植信息提取，相比較于傳統單期影像的非監督學習方式，具備更高的科學性與精確性。遙感提取水稻的總體精度為95.4%，提取效果良好。空間精細度、準確性都能夠滿足實際生產需要，能夠契合天津地區不規則的地塊、地類邊界，且對于光學影像易產生混淆的地類區分度較高。該分類策略能夠有效提取農作物種植信息，且無需額外的人工干預，在少量樣本的情況下也能夠得到穩定的數據結果，云端-本地結合的方式也使其具備大規模推廣的條件。總體上看，基于該方法得到的分類結果可以滿足進一步應用的需求。