一種基于Google Earth Engine云平臺的潮間帶遙感信息提取方法

陳慧欣， 陳超， 張自力， 汪李彥， 梁錦濤

(1.浙江海洋大學海洋科學與技術學院，舟山 316022； 2.浙江省生態環境監測中心(浙江省生態環境監測預警及質控研究重點實驗室),杭州 310012)

0 引言

潮間帶是陸地生態系統和海洋生態系統之間的緩沖區域，是濱海濕地的重要組成部分，具有較高的生態經濟價值，通常位于高潮線與低潮線之間。在陸地環境和海水的雙重作用下，潮間帶濕地有著極其豐富的生物資源[1]，在維持海岸線穩定、促進碳匯、調節氣候和維持生態平衡等方面發揮極高的生態價值[2-5]。同時也在水產養殖、供應土地資源和旅游資源等方面創造高經濟效益[6-7]。然而，受全球氣候變化、海平面上升以及人類活動的影響[8]，潮間帶面積萎縮，生物多樣性下降，濕地環境面臨嚴峻威脅。及時準確地掌握潮間帶濕地的分布狀況和演變規律，有利于實現潮間帶濕地的科學管理，促進海岸帶地區的可持續發展[9]。

遙感技術的發展為獲取潮間帶信息提供方便快捷的手段，更多高空間分辨率的衛星影像在監測潮間帶變化過程中提供數據支撐。Google Earth Engine(GEE)是一個行星尺度的地理空間信息分析平臺，為地球觀測研究提供了巨大的潛力[10-11]。GEE平臺可以訪問和計算Landsat/Sentinel 等公開獲取的遙感影像數據和其他輔助數據，使得快速處理和分析海量的地理空間數據成為可能，為進行大尺度長時間序列的分析和應用提供技術支撐[12]。目前在土地利用變化[13-14]、濱海濕地分類[15]、監測森林類型[16-17]、水體信息的提取和動態變化[18-19]、紅樹林制圖[20]以及監測潮間帶變化[21-22]等領域都得到廣泛應用。

潮間帶是一個復雜的地理體，遙感監測潮間帶要將衛星影像與地學知識相結合，提取遙感數據中所包含的光譜空間信息等，獲取潮間帶地形的動態變化信息。國內外學者利用遙感技術對潮間帶調查和制圖開展了大量研究。從小尺度如監測葡萄牙里斯本的塔古斯河口[23]、廣西防城港市[24]，到中大尺度如澳大利亞潮間帶[25]、中國沿海地區[26-27]、東亞濱海地區[28]，以及對全球尺度的潮間帶地區進行制圖和監測[29]。在研究方法方面，部分學者利用潮汐高程模型和基于地形的方法來劃定潮間帶的空間范圍和灘涂[30-32]，隨機森林算法[33]和支持向量機算法[34]等基于訓練樣本的機器學習方法也得到廣泛應用。此外，還有通過選取潮灘的普遍閾值來進行灘涂制圖的基于知識的決策樹方法[21]。總的來說，提取大陸海岸潮間帶信息的方法依賴潮位數據、訓練樣本或者人工干預閾值等輔助數據的使用，且實現過程較為復雜。同時面向群島區域的研究較少，缺乏對海島潮灘資源較為深入和系統的研究，需要一種應用于群島區域潮間帶信息的自動、快速提取方法。

舟山群島四面環海，云雨天氣較多，潮位處于不斷變化之中，海島地區陸地面積狹小，潮灘零星分布，難以在最低潮和最高潮時捕捉到高質量的遙感影像，進而無法準確提取潮間帶信息。針對此問題，本研究選擇舟山群島作為研究區，基于GEE云平臺，以Landsat8時間序列影像為主要數據源，結合舟山群島海岸帶地理特征選擇適合的遙感指數，利用最大光譜指數合成算法(maximum spectral index composite，MSIC)和最大類間方差法(Otsu algorithm，OTSU)構建多層自動決策樹分類模型，并在此基礎上提出基于融合數字高程模型(digital elevation model，DEM)的決策樹算法。將提取結果與谷歌地球高空間分辨率影像進行精度評價，驗證本研究方法的可行性及穩定性，為自動、快速實現潮間帶信息提取提供可行的方法和思路，為海岸帶資源的開發與保護提供技術支持。

1 研究區概況及數據源

1.1 研究區域概況

舟山群島隸屬于浙江省，地處中國東部黃金海岸線與長江黃金水道的交匯處，背靠長江三角洲廣闊經濟腹地，研究區位置示意圖如圖1所示。舟山群島擁有2 085個島嶼和270多km深水海岸線，是中國第一大群島和重要港口城市，下轄定海、普陀2區和岱山、嵊泗2縣，2021年常住人口為116.5萬人。舟山群島四面環海，屬亞熱帶季風氣候，冬暖夏涼，溫和濕潤，年平均氣溫為16℃。該研究區全年降水量顯著，常年降水量在927～1 620 mm之間，夏秋之際易受熱帶風暴侵襲。舟山群島屬于低山丘陵地貌類型，主要由平原和丘陵組成。舟山群島植被屬中亞熱帶常綠闊葉林，以闊葉喬木和灌叢混交林為主[35]。

圖1 研究區位置示意圖Fig.1 Location of study area

1.2 數據獲取與處理

Landsat是美國國家航空航天局(national aero-nautics and space administration，NASA)發射的陸地衛星系列，從1972年以來已經發射了9顆，積累了大范圍、長時間序列的地表遙感影像數據，被廣泛應用于對地觀測研究中。Landsat8衛星于2013年2月發射，包括陸地成像儀(operational land imager，OLI)和熱紅外傳感器(thermal infrared sensor，TIRS)2種載荷，重訪周期為16 d[36-37]。根據目前數據源狀況和研究需求，以2021年的衛星影像合成為一期遙感數據進行分析，篩選2021年間云量小于25%、成像效果良好的Landsat8 OLI衛星影像，利用質量評估波段(quality assessment band，QA)去除云和陰影等觀測質量較差的像素。

SRTM(shuttle Radar topography mission)DEM是由美國NASA和國防部國家測繪局聯合測量得到，獲取N60°～S56°之間的雷達影像數據，覆蓋地球80%以上的陸地表面。按精度可分為SRTM1和SRTM3這2種數據，分別對應30 m和90 m空間分辨率精度的數據[38-39]。本文使用的DEM數據是SRTM 30 m空間分辨率數據，對舟山群島的高程和坡度信息進行提取分析。

2 研究方法

研究利用2021年Landsat8影像集合構建自動、快速提取潮間帶的方法流程，基于遙感指數特征提取水體信息，包括以下4個步驟： ①基于GEE云平臺，通過云量篩選和QA波段去云構建Landsat8影像堆棧； ②深入分析舟山群島潮間帶濕地的時間序列變化特征，選取適合的光譜指數，基于 MSIC算法和統計分析，利用OTSU算法構建多層決策樹自動分類模型，從Landsat8數據集合中提取潮間帶初始信息； ③融合DEM數據，去除養殖塘和湖泊等內陸水體的干擾，提取潮間帶最終信息； ④利用谷歌地球的高空間分辨率影像對提取的潮間帶范圍進行驗證。具體技術路線如圖2所示。

圖2 潮間帶信息提取流程Fig.2 Workflow of intertidal information extraction

2.1 數據預處理

對Landsat8衛星遙感數據進行預處理，去除研究區內2021年度Landsat8影像集合中的云像素，流程如下： 首先，在 GEE 中調用2021年的所有覆蓋研究區域的Landsat8(USGS Landsat8 Surface Reflectance Tier 1)產品，建立研究區初始密集時間序列影像集合，該產品包含已經過大氣校正和輻射校正的地表反射率數據； 然后，篩選云量小于25%的影像，再利用 QA波段去除云和陰影等觀測質量較差的像素，以獲得高質量觀測數據。

2.2 潮間帶粗提取

MSIC算法是指基于時間序列Landsat8影像集合中選取一個光譜指數作為逐像素排序函數，根據集合中具有所選光譜指數的最大值來設置合成影像中的每個像素。在GEE平臺的API中提供了“image Collection. quality Mosaic()”的函數，可以使用該函數調用MSIC算法。

在本研究中，將高潮與低潮之間的淤泥質或沙質無植被海岸帶定義為潮間帶。首先，基于像素合成影像的MSIC算法，利用所選光譜指數最大值的像素來合成高質量影像，在一定程度上可以避免云噪聲像素對影像質量的影響，解決濱海地區的影像缺失問題，并且可以緩解因潮汐運動帶來的潮位變化的不確定性； 其次，通過OTSU算法對改進的歸一化差異水體指數(modified normalized difference water index，mNDWI)最大值合成圖像進行二值分割，自動生成二元分類結果，即水體和非水體，獲得2021年度最大地表水覆蓋； 應用直方圖統計對自動水體提取指數(automated water extraction index，AWEI)最小值合成圖像進行閾值分割，有效去除非水體像元； 最后，應用歸一化差異植被指數(normalized difference vegetation index，NDVI)的二值分割圖像，進一步識別錯分地物并去除，完成初始潮間帶信息提取。

2.2.1 基于遙感指數的最大和最小水面合成

近年來，水體指數法因使用簡單和計算耗時少，已成為常用的水體信息提取方法。目前常用的水體指數主要有以下幾種[40]： McFeeters[41]提出基于綠光波段和近紅外波段的歸一化差異水體指數(normalized difference water index，NDWI)； Rogers等[42]提出基于紅光波段和短波紅外波段的NDWI； Xu[43]提出的基于綠光波段和中紅外波段的mNDWI； Feyisa等[44]提出的AWEI。

根據Ji等[45]和Jia等[30]的研究結果，在提取水體信息時，mNDWI比NDWI取得更好的效果，且具有穩定的閾值。所以在提取潮間帶方面，mNDWI增強了堤壩、道路和池塘外緣等人工岸線與水體的差異，有效地抑制養殖池等其他類型背景水體的影響，因此本研究選擇 mNDWI 用于提取潮間帶水體信息。另外，AWEI是通過波段間的相減、相加以及給波段賦予不同的系數來實現水體像元和非水體像元最大程度的分離，通過設定合適的閾值，可以有效去除非水體像元。NDVI能夠有效識別植被信息[46]，彌補 mNDWI 和 AWEI 水體指數的不足，成為本文中潮間帶信息提取的輔助指數。其公式分別為：

(1)

AWEInsh=4(GREEN-SWIR1)-(0.25NIR+2.75SWIR1)，

(2)

(3)

式中RED，GREEN，NIR和SWIR1分別為紅光波段、綠光波段、近紅外波段和短波紅外1波段反射率值。

接下來的幾天里，我把目光牢牢地鎖定在了她們身上。我發現，但凡是班級排隊，諸如上下午大課間、體育課、信息課以及放學，她們都會刻意保持距離，儼然熟悉的陌生人。我找了個由頭，調整了排隊站位順序，當然主要還是為了將她們隔開，試圖讓距離淡化她們之間的矛盾。

2.2.2 基于OTSU算法的水陸分離

OTSU算法是大津展之于1979年提出的基于圖像的統計屬性選取最佳閾值的非參數方法，適用于決策樹分類方法。按照圖像的灰度特性，基于最小二乘法原理將圖像分割成背景和前景2類，計算其類間方差最大、類內方差最小的值為最優分割閾值，進行圖像的自動二值分類得到2類像素最大的區分度。原理如下： 將圖像l(x,y)分為前景和背景，分割閾值記作T，采用遍歷的方法得到使類間方差g最大的閾值T，即為分割閾值[47-48]。公式為：

g=ω0ω1(μ0-μ1)2，

(4)

式中：μ為圖像的總平均灰度；g為類間方差；ω0為前景圖像像素數占整幅圖像的比例；μ0為前景圖像平均灰度；ω1為背景圖像像素數占整幅圖像的比例；μ1為背景圖像平均灰度。

2.3 潮間帶精提取

DEM廣泛應用于地學的各個領域，如地質地貌學、地圖制圖和水文分析等各項研究，為全球的地理信息提取和分析提供數據支持。海水養殖是舟山市漁業的特色，養殖空間向淺海擴展，全市養殖塘數量較多，且和潮灘特征相似，在遙感指數的識別上不易區分。應用DEM數據的高程和坡度信息對舟山群島潮間帶粗提取結果進行處理分析，可有效去除養殖塘等內陸水體的干擾，進一步區分灘涂和水體，提取潮間帶最終信息。

2.4 精度評價

混淆矩陣也稱誤差矩陣，通過將每個實測像元的位置和類別與分類結果中的相應位置和類別相比較計算，可以評價某一類別地物是否被正確分類。具體可分為總體分類精度(overall accuracy，OA)、制圖精度(producer’s accuracy，PA)和用戶精度(user’s accuracy，UA)。OA指被正確分類的像元數與所有真實數據像元總數的比值。PA指被正確分類的某一類別像元數占該類別真實數據像元數的比例。UA指被正確分類的某一類別像元數占分類結果中該類所有像元數的比例。衡量分類結果與真實數據吻合度的一個指標是Kappa系數，Kappa系數既考慮了被正確分類的像元，也考慮了各種漏分或錯分的像元，其范圍為[0，1]。所以當OA，PA，UA和Kappa系數越大時，說明結果精度越高[49]。

3 結果與分析

3.1 潮間帶信息精度評價

本研究采用混淆矩陣法進行精度評價，結合研究期內的Landsat8影像信息并利用谷歌地球的高空間分辨率影像隨機生成樣本點對提取的潮間帶范圍進行驗證。利用目視解譯判別樣本點屬性，作為區分綠色植被和地表水體等內陸地物與潮灘的依據，經過谷歌地球影像檢查確保每個樣本點的地物類別屬性一致，沒有清晰的土地覆蓋信息的樣本點被剔除。最后，一共生成305個樣本點，其中灘涂85個，非灘涂(包括綠色植被和地表水體)220個，在研究區內均勻分布，得到的混淆矩陣如表1所示。結果表明，2021年灘涂的UA為93.0%，PA為91.9%和OA為97.7%均較高，Kappa系數為0.95，舟山市的潮間帶提取結果與驗證數據對比取得良好的一致性，實現了舟山群島潮間帶的快速自動提取。

表1 混淆矩陣及精度分析Tab.1 Confusion matrix and precision analysis

3.2 潮間帶信息空間分布特征

2021年舟山群島潮灘空間分布如圖3所示。統計計算得出，2021年舟山群島潮灘面積為35.19 km2。與現有的潮間帶提取方法對比，該方法不僅減少潮汐運動引起的潮位不確定性和單時相遙感影像對潮間帶信息提取帶來的影響，并且不依賴于訓練樣本、人工閾值的選取等，廣泛應用的潛力較大。同時GEE云平臺的海量地理空間數據和強大的云計算能力為提取潮間帶信息提供強有力的支持，為用戶提供實時的計算模式，與傳統方法相比大大減少計算運行的時間，有效提高潮間帶信息提取的時效性。

圖3 舟山群島潮間帶提取結果Fig.3 Extraction result of intertidal zone in Zhoushan Islands

舟山群島位于杭州灣外緣、錢塘江入海口，風浪和潮汐運動對舟山海域的泥沙運動和含沙量具有重要作用。舟山群島海岸線漫長曲折有利于形成可供開發利用的潮灘資源，且所形成的潮灘資源具有明顯的海島特征： 以淤泥質灘涂為主，質地軟弱； 為港灣型潮灘，多分布于港灣和島嶼之間，地勢平坦，具有優越的開發利用條件，發展潛力較大。灘涂資源分布面積廣，但分布不均勻，規模性差，潮灘的單塊面積較小，在一些陸域面積較大的海島沿岸地區呈塊狀分布，如岱山島(圖4(a))、舟山本島(圖4(b))以及六橫島(圖4(c))等。岱山島海岸坡度平緩，潮灘面積廣闊，多為淤泥質灘涂，可促進當地濱海旅游的發展。舟山本島周圍的潮灘分布大多呈狹長型帶狀，外側與海相連接，內側相接海塘或者壁岸，適用于圍墾造地和養殖業發展。六橫島擁有綿長的深水海岸線，灘涂連片發展，風浪小以及氣候溫暖濕潤有利于養殖灘涂的發展。

(a) 岱山島(圖3a) (b) 舟山本島(圖3b) (c) 六橫島 (圖3c)圖4 舟山群島潮間帶局部提取結果Fig.4 Local extraction results of intertidal zone in Zhoushan Islands

4 結論與討論

為了減少潮汐運動和單時相遙感影像對潮間帶信息提取帶來的影響，利用GEE云平臺提供的Landsat8 時序影像，提出基于融合DEM數據的決策樹算法，實現了舟山群島潮間帶信息的準確、快速、自動提取。主要結論如下：

1)利用遙感指數和決策樹算法進行潮間帶粗提取，為潮間帶信息的準確提取奠定基礎。融合DEM數據的決策樹算法進一步區分灘涂和水體，有效去除養殖塘等內陸水體的干擾，提高潮間帶提取的準確性，實現了舟山群島潮間帶信息的快速自動提取。

2)采用混淆矩陣法對提取的潮灘結果進行精度評價，得到的舟山群島潮間帶提取的總體分類精度為97.7%，Kappa系數為0.95，具有良好的提取結果。

3)2021年舟山群島潮間帶面積為35.19 km2，舟山群島潮灘資源以淤泥質灘涂為主，分布廣，在舟山本島、岱山島以及六橫島等陸域面積較大的海島沿岸地區呈塊狀分布。

在本研究中，利用GEE云平臺，基于融合DEM數據的決策樹算法是快速和自動進行潮間帶信息提取的有效方法。GEE云平臺的海量地理空間數據和強大的云計算能力極大程度地降低數據的傳輸時間，大大減少處理數據所耗費的人力物力，提高潮間帶信息提取的效率。融合DEM數據的決策樹算法能夠有效去除內陸河流和湖泊等水體的影響，不依賴選取大量的訓練樣本以及人工選取閾值。基于GEE云平臺最大程度地利用覆蓋研究區的所有Landsat影像，取得良好的提取結果。在更廣泛區域開展模型驗證，并利用海量衛星遙感數據進行潮間帶長時間序列分析是下一步需要關注的研究內容。