基于GEE云平臺和Sentinel-2數據的監利市蝦稻田提取

張 釗，官云蘭* ，黃 端，池 泓

(1.東華理工大學測繪工程學院，330013，南昌； 2.自然資源部環鄱陽湖區域礦山環境監測與治理重點實驗室，330013，南昌； 3.中國科學院精密測量科學與技術創新研究院，430077，武漢)

0 引言

蝦稻田是一種全新的綜合種養模式，即水稻-小龍蝦共同養殖。隨著國內小龍蝦產業蓬勃發展，蝦稻田的種植范圍快速擴大，特別是湖北省江漢平原區域[1-2]。當前蝦稻田養殖的小龍蝦為農戶帶來了可觀的經濟效益，但是存在許多問題。農戶重蝦輕稻，糧食安全問題受到威脅，對基本農田破環嚴重，很難復墾[3-4]。因此，準確的蝦稻田空間分布可以促進產業健康發展，為政府部門決策提供依據。

遙感數據可以用于持續對地監測，提供地物空間分布信息，已成為獲取蝦稻田時空分布信息的重要數據來源。魏妍冰等人基于2017年的Landsat-8 OLI數據，使用自動水域提取指數(Automated Water Extraction Index，AWEIsh)構建基于水體季相差異的蝦稻田提取模型，實現了潛江市蝦稻田的空間分布提取，精度達到85.01%[5]。紀文文借鑒魏妍冰的研究，將AWEIsh加到決策樹分類器中提取蝦稻，在eCognition中手動修改錯分像元后，使最終蝦稻田的用戶精度達到89%[6]。陳展使用2016—2019年的篩選特定時間的10景Sentinel-2影像數據，在SNAP軟件中計算指數特征，根據其在季相上的差異化識別運糧湖區域的蝦稻田，精度最低為78.06%，最高達到了95.61%[7]。已有研究表明蝦稻田遙感分類研究還存在較大的不確定性，且受人為因素影響較大，自動化程度有待提高。

現有針對蝦稻田提取研究主要針對Landsat數據基于蝦稻田與單季稻田的水體指數季相差異設計算法模型。而且南方地區土地的破碎化程度高，Landsat數據的分辨率不足以支撐獲取高分辨率的蝦稻空間分布；且基于指數的季相差異依賴高質量的影像，時間的選取受云雨天氣的影響，存在一定的不確定性，從而影響蝦稻田的提取精度。Sentinel-2影像數據空間分辨率高，結合相關光譜指數(如：NDVI、EVI、LSWI等)在南方多云區域提取水稻已被證明精度較高[8-9]。Google Earth Engine(GEE)是谷歌公司開發的全球領先的遙感影像數據分析云平臺。它具備快速處理海量遙感數據強大的計算能力，極大提高了運算效率，使得農業土地利用信息的快速處理與分析成為現實，已被廣泛用于不同農作物遙感制圖研究[10-12]。

本文以湖北省蝦稻田種植大市——監利市為研究區，基于GEE云平臺對Sentinel-2數據進行預處理和月度合成，分析典型蝦稻田光譜的時序變化特征，采用隨機森林算法提取蝦稻田，獲取2020年監利市蝦稻田空間分布信息。

1 研究區概況與數據源

1.1 研究區概況

監利市位于湖北省中南部，長江中游，面積約3 460 km2。該區域地勢平坦，海拔高度位于23.5～30.5 m之間；屬于亞熱帶季風氣候區，光照充沛，無霜期長，降水豐富，適合水稻和小龍蝦的生長。監利市是稻蝦綜合種養的主要地區之一，蝦稻種養面積占全市耕地面積的40%左右，有“中國小龍蝦第一縣”之稱。

蝦稻田在水稻種植四周挖出寬3～5 m，深1～1.5 m的水溝，用以養殖小龍蝦。稻蝦綜合種養包含了單季稻的種植和兩季小龍蝦的養殖。在單季稻移栽期間，投放第1季小龍蝦幼苗；同年收獲水稻的同時完成小龍蝦捕撈。然后蝦稻田開始灌水投放第2季小龍蝦幼苗，至次年單季稻種植前捕撈小龍蝦(表1)。蝦稻田和單季稻田的結構特征如圖1。

表1 蝦稻和單季稻種養物候

圖1 左圖為蝦稻田，右圖為單季稻田

1.2 數據源與預處理

1.2.1 Sentinel-2影像數據 Sentinel-2(S2)由Sentinel-2A(S2A)和Sentinel-2B(S2B)2個衛星組成，位于同一太陽同步軌道上且彼此成180°相位。S2A和S2B攜帶多光譜成像儀，單顆衛星重放周期10 d，2顆衛星協同運行重訪周期為5 d。本研究通過GEE云平臺使用S2數據的L2A級產品數據，該數據是L1C級產品完成大氣校正的大氣表觀反射率產品，包含有13個光譜波段和3個QA波段，其中QA60波段有云掩膜信息。實驗涉及的波段信息見表2。

表2 實驗涉及的S2影像波段信息

實驗共獲取了290景影像，因研究區的水稻生長期內云雨天氣頻繁，影像受污染嚴重，為使用更多的有效信息，首先利用CLOUD_PIXEL_PERCENTAGE篩選掉云量像素大于80%的影像，然后根據QA60波段的Bit10和Bit11均為1得到云掩膜層，進行去云處理，公式如(1)所示。最后將去云處理完成后的126景影像按照月份中值合成，最后生成12景影像。影像數據具體使用情況見表3。

表3 影像數據具體使用情況

Cloud ={Bit10=1∪Bit11=1}

(1)

其中，Cloud表示QA60產品中的云噪聲像元。

1.2.2 樣本點數據 結合監利市實際地類分布情況，將研究區內的土地覆蓋類型分為蝦稻、單季稻、林地、旱地、建設用地和水域(河流、水庫、池塘等)6大類。樣本數據來源線上采樣和實地采樣2種方式。線上采樣是借助谷歌地球軟件上高分辨率影像進行目視解譯獲取；線下采樣通過實地采樣完成。采樣過程中均遵循隨機和均勻的原則。最終確定樣本點共計1 024個，樣本點分布情況如圖2，蝦稻田樣本點343個，其他地類樣本點681個。實驗中按照7:3的比例將所有樣本點分為訓練樣本點和驗證樣本點，其中訓練樣本點717個，驗證樣本點307個。

圖2 監利市地理位置和實驗樣本點分布情況

2 研究方法

實驗基于GEE云平臺調用研究區內2020年的S2 L2A影像數據，快速完成影像的去云處理和月度合成，在此基礎上構建蝦稻田的光譜時序特征。隨后利用隨機森林算法進行分類，獲得研究區2020年的蝦稻田分布情況，并采用獨立樣本點數據進行精度驗證。實驗流程圖見圖3。

圖3 蝦稻田信息提取流程圖

2.1 光譜指數計算

準確提取蝦稻田信息的關鍵是將其與單季稻田區分。因此，實驗中計算了6個光譜指數：歸一化植被指數NDVI(Normalized Difference Vegetation Index)[9]、增強型植被指數EVI(Enhanced Vegetation Index)[13]、綠色葉綠素指數GCVI(Green Chlorophyll Vegetation Index)[11]、地表水體指數LSWI(Land Surface Water Index)[14]、歸一化水體指數NDWI(Normalized Difference Water Index)[15]，歸一化建筑指數NDBI(Normalized Difference Build-up Index)[16]。光譜指數計算公式如表4。其中NDVI、EVI、GCVI的時序變化能夠較好反映出水稻的生長狀況，LSWI和NDWI能夠反映出蝦稻田和單季稻田內水的變化情況。NDBI用于分類實驗時建設用地提取。

表4 各光譜指數計算公式

式中：ρBlue、ρGreen、ρRed、ρNIR、ρMIR、ρSWIR分別表示藍、綠、紅、近紅外、中紅外、短波紅外的反射率值。

圖4與圖5分別顯示了蝦稻田和單季稻田6種光譜指數的時間序列曲線。由圖4與圖5可知，兩者在水稻休耕期各光譜指數有很大區別，在水稻生長期內基本保持一致。在水稻生長期，即6—11月，蝦稻田內大部分面積為水稻，水深與單季稻田一致，用于檢測水稻生長情況的NDVI、EVI、GCVI和檢測田內水含量情況的NDWI、LSWI均不能作為判斷依據。所以這個期間無法準確提取蝦稻田。在水稻休耕期間，單季稻田會保持休耕狀態。在2—4月雜草生長，所以NDVI、EVI、GCVI會有所上升，但是很快NDWI、LSWI在水稻移栽期間升高，NDVI、EVI、GCVI下降到0附近，并且LSWI > NDVI和EVI，這也是基于物候期提取單季稻的重要基礎。而蝦稻田在休耕期內，在12月開始灌水準備投放小龍蝦幼苗，并一直到次年5月會一直保持為水面狀態。在這長達半年時間里，LSWI一直在0.4附近，NDVI、EVI、GCVI表現為0，這是區分蝦稻田和單季稻田的主要特征。

圖4 典型蝦稻田光譜指數時序變化

圖5 單季稻光譜指數時序變化

2.2 隨機森林分類算法

隨機森林(Random Forest，RF)是以決策樹為基本單元的集成學習分類算法。這種分類算法相比于其他分類算法更加穩健，分類效率較高，更容易實現。隨機森林分類的基本步驟為：1)從原始樣本集中有放回地隨機抽取訓練樣本，構成訓練樣本集，一般為總數的70%；剩下的30%樣本為驗證樣本集，叫做袋外(Out-of-bag，OOB)數據，用于內部交叉驗證和估計誤差，也叫做袋外(OOB)誤差；2)對訓練樣本集分別構建決策樹，在決策樹的節點處隨機抽取特征，隨后根據基尼(Gini)系數最小的原則得到一個分類能力最好的特征在節點處分裂；3)隨后將其每個決策樹的結果集成，生成最終的分類結果。這使得RF算法具有很好的抗噪能力，也能一定程度上避免過度擬合[17-18]。

在GEE云平臺中通過函數ee.Classifier.smileRandomForest調用，實驗中通過設置的決策樹范圍來篩選最佳的決策樹值，最后選擇500，因其實現了更高的精度且保證了相對更高的效率。分類算法中其他參數設為默認值。

2.3 精度評價方法

本研究通過計算混淆矩陣進行精度評價，共計算了4個指標，包括生產者精度PA(Producer's Accuracy)、用戶精度UA(User's Accuracy)、總體精度OA(Overall Accuracy)和Kappa系數，計算公式見表5。UA可以對各類地物分類精度衡量，OA和Kappa系數用來評價實驗分類總體的精度[19-20]。

表5 精度評價指標計算公式

式中：n和r分別代表研究區的總像元個數和土地覆蓋類型的數目；xii代表i類土地覆蓋類型正確分類的像元個數，xi+代表i類土地覆蓋類型參考數據的像元總數，x+i代表評價數據中i類土地覆蓋類型的像元總數。

3 結果與分析

3.1 蝦稻田提取結果與精度

實驗提取的蝦稻田空間分布信息如圖6。該實驗基于GEE云平臺使用隨機森林算法提取蝦稻田，精度評價見表6。蝦稻田的生產者精度為92.77%，用戶精度為84.61%；分類的總體精度達到了90.75%，Kappa系數為88.51%。

圖6 2020年監利市蝦稻田空間分布信息

表6 監利市2020年土地利用類型分類結果精度評價/%

經統計，得到的蝦稻田面積為779.77 km2，與監利市政府公布的蝦稻田面積數據720.00 km2相比，相差59.77 km2，比實際統計面積多出8.301%。傳統方法獲取蝦稻田面積依賴人工抽樣統計，本文利用高分辨率遙感數據提取的結果，兩者間誤差在合理區間內。

3.2 結果分析

實驗提取的蝦稻田空間分布與Google Earth數據對比驗證(Google Earth衛星數據源：Airbus；拍攝時間：2020年2月3日)，并選取兩小區域分析，如圖7。實驗中蝦稻田被誤分或錯分的原因主要在于：1)部分水產養殖田塊被誤分為蝦稻田，因為在夏季養殖時農戶會在水面上放置草作為飼料，導致水產養殖田塊的光譜指數與蝦稻田類似而誤分，主要表現在監利市東邊，洪湖附近。2)少許單季稻田被誤分為蝦稻，查閱監利市2020年2月、3月、4月的天氣情況后，分析原因是降水增多和云污染的影響。在2月、3月、4月，研究區有一半時間為多云、小雨天氣，降水量增加，單季稻田內NDWI和LSWI會增加，影響后續的分類精度。3)采樣點選擇的正確性也是影響分類精度的重要因素。采樣過程中存在的人為因素、影像時間、地理環境等影響，導致采樣點存在一定偏差，使得分類器訓練精度降低。

圖7 2塊小區域Google Earth數據與分類結果對比圖

4 結論

本文基于GEE云平臺，快速處理得到了監利市2020年各月的Sentinel-2影像，通過對比分析蝦稻和單季稻的關鍵指數變化特征，使用隨機森林算法提取蝦稻田，首次得到了監利市2020年10 m分辨率蝦稻田的空間分布信息。主要結論如下。

1)GEE云平臺具備快速處理大量遙感數據的能力，能智能完成遙感影像的裁剪、去云、拼接等預處理，相比于本地處理效率優勢明顯。

2)1—6月LSWI和6—10月NDVI、EVI、GCVI的時序變化特征是提取蝦稻田的重要基礎。本文通過分析典型蝦稻田的光譜指數一年內的變化規律，相比于單季稻田，所有指數在11月至次年5月一直保持穩定，LSWI在0.5附近，NDWI、NDVI、EVI和GCVI一直在0附近。相較于水體季相差異提取蝦稻田信息，這種方法穩健，精度更高，可以為更大范圍的研究提供指導。