基于Google Earth Engine平臺的大連市土地覆蓋分類

楊 崢

遼寧師范大學地理科學學院，遼寧 大連 116029

0 引言

我國沿海地區經濟發展迅速，在城市化與工業化進程中，其土地覆蓋類型發生了重大變化。為保證我國沿海地區土地利用合理，需要檢測該地區土地利用與覆蓋變化。在研究土地利用與覆蓋變化的過程中，對土地覆蓋分類是至關重要的一步。

傳統土地覆蓋分類主要依靠人工目視解譯，需要花費大量時間且消耗大量資源，效率低下。近年來，結合計算機技術和遙感技術優勢的土地覆蓋分類方法得到廣泛應用。高分辨率衛星如Landsat系列、高分系列和Sentinel 系列等的廣泛使用，為人們提供了高分辨率、大比例尺的遙感影像數據。當前，土地覆蓋分類方法主要涵蓋最小距離法、支持向量機法等。在這些分類方法中，光譜信息具有至關重要的地位。然而，當地物屬性復雜且破碎時，這些方法的分類效果會受到一定影響［1］。使用決策樹分類（Classification and Regression Tree，CART）法處理多維屬性地物時，可以通過確定各地物屬性相關環境特征的重要性來推導出對分類過程至關重要的屬性并進行提取，這種方法提高了土地覆蓋分類的精度，能夠有效地識別和提取各類信息［2］。

筆者基于Google Earth Engine 平臺，對遼寧省大連市的建設用地、林地、耕地、水體進行分類，得到當地土地覆蓋分類圖。分析2000—2020年大連市土地覆蓋變化趨勢，旨在為該地區的土地管理、環境保護提供理論依據，從而促進該地區的可持續發展。

1 研究區概況

大連市是遼寧省下屬的地級市，地處遼東半島的南端，位于黃渤海交界處，是我國東北地區重要的工業、旅游、港口和貿易城市。此次研究區為大連市行政區（東經120°58′～123°31′、北緯38°43′～40°10′），包含7 個市轄區、2 個縣級市和1 個縣，總占地面積12 573.85 km2。

2 數據來源與處理

2.1 遙感影像

此次研究中使用的基礎數據是美國地質調查局提供的Landsat8-OLI、landsat5-TM 遙感影像，其空間分辨率為30 m。每個時期的遙感圖像的選擇均基于當年6—9 月的數據。因為這段時間的圖像數據質量較好，沿海地區的灘涂植被茂盛，容易識別。通過Google Earth Engine 平臺在線訪問，包括經過大氣校正和輻射校正的地表反射率圖像，對其進行去云預處理。遙感影像中的質量評估波段QA 記錄著受云層或儀器影響的像素，通過質量評估波段QA 將影像中質量差的部分去除，從而達到影像去云處理的目的。上傳大連市行政邊界矢量數據至Google Earth Engine 平臺，對遙感影像進行裁剪。對遙感影像的改進型歸一化差值水體指數（Modified Normalized Difference Water Index，MNDWI）、歸一化植被指數（Normalized Difference Vegetation Index，NDVI）、增強型植被指數（Enhanced Vegetation Index，EVI）和地表水分指數（Land Surface Water Index，LSWI）4 種指數進行計算，作為研究濕地的基礎。

2.2 土地覆蓋數據

在ENVI 軟件中對2013 年Landsat8 遙感影像應用監督分類及目視解譯的方法進行土地分類，結合在Google Earth Engine上隨機選擇的200 個樣本點，得到土地覆蓋類型圖，將土地分為5類。

2.3 驗證數據

調取Google Earth Engine 的2020 年9 月的研究區域影像圖，和10 m分辨率的SPOT影像，隨機選取特征明顯的100 個檢驗樣本點，記錄樣本點的分類信息作為分類準確性評價的依據。

3 研究方法

借助MNDWI、NDVI、EVI及LSWI這4種指標，綜合運用濕地提取算法來獲取濱海濕地的提取結果。隨后，采用CART 方法對建設用地、林地、耕地和水體進行分類，最終將這兩種結果融合以獲得5 種不同地類的提取結果。

3.1 土地覆蓋分類體系

基于遼寧省沿海地區土地覆蓋類型特點和《土地利用現狀分類》（GB/T 21010—2017）［3］，將研究區域劃分為5類（建設用地、林地、耕地、水體和濕地），以利于分析該地區的土地覆蓋變化。此次研究中提取的濕地是濱海濕地，并非內陸濕地。濱海濕地指的是內陸與海水低潮位之間的潮間帶地區，而內陸水田因為其特殊的幾何形狀容易區分，且離海岸帶較遠，故將其劃分在耕地類別中。

3.2 濕地提取算法

研究采用MNDWI、NDVI、EVI及LSWI 4種指數，提取遙感影像中的濕地。利用遙感影像各波段計算出4種指數的值，根據一系列嚴格的條件判定，提取水體的指數條件為MNDVI＞NDVI或MNDVI＞EVI及EVI＜0.1，而提取植被的指數為EVI≥0.1、NDVI≥0.2及LSWI＞0，據此進行植被和水體的識別［4-6］。

通過上述方法識別水體和植被，利用圖像中的水體和植被的像素頻率計算濕地，水體和植被的像素頻率計算公式為

式（1）（2）中：Wwater代表水體的像素頻率，Wvegetable代表植被的像素頻率，Ntotal代表像素總數，Nvegetable代表植被的像素總數，Nwater代表水體的像素總數。

計算后的頻率值圖像拉伸到0～255 的灰度空間中，根據水體頻率123.0～242.3 為最優濕地灘涂提取范圍，植被頻率0～38為最優濕地植被提取范圍，此方法已成功用于潮間帶濕地的提取［6］。通過將濕地灘涂和濕地植被提取結果合并，得到最終的濕地提取結果。

3.3 CART分析方法

CART 的基本應用原理是通過樣本的數據總結規律，將訓練樣本的屬性劃分為多個訓練元組，并根據測試變量分裂前后的基尼系數差異來確定最佳分裂準則及相應的分裂閾值。應用CART方法進行土地覆蓋分類時，可以有效地考慮地物多種屬性，并明確每個屬性的相對重要性，從而建立模型以提高土地覆蓋分類的準確性。

在選擇最佳測試變量分裂準則和分裂閾值時，應用基尼系數作為決策準則，基尼系數的表達式為

通過應用該方法對研究區域進行土地覆蓋分類，能夠更準確地捕捉不同土地覆蓋類型在空間分布上的特征。此次研究采用研究區域的2020 年預處理的Landsat8 遙感影像，選取感興趣區每類50 個，并據此對其分類。

3.4 結果驗證

將驗證數據中的樣本點與分類結果圖的對應像素點進行對比，可以評價其精度。通Google Earth Engine 平臺可以實現Kappa 系數的精度評價，結合分類結果與樣本點的類別匹配百分比，對分類結果進行精度評價。

4 結果與分析

4.1 結果與精度

由表1 可知，2000—2020 年研究區的遙感影像分類結果總體精度和Kappa 系數均高于或等于85%，基于Google Earth Engine 云平臺和Landsat 系列影像對沿海地區的土地分類具有較好的效果。

表1 土地覆蓋分類精度

4.2 2000—2020年大連市土地覆蓋變化分析

由表2 可知，研究區域的土地覆蓋類型變化：2000—2020 年，大連市建設用地面積增長率為119.81%；水體面積下降率為14.83%；林地面積下降率為24.37%；耕地面積增長率為18.57%；沿海灘涂濕地面積增長率為8.84%。

表2 2000—2020年大連市土地分類面積km2

5 結論與討論

筆者利用Google Earth Engine 平臺提供的多源遙感影像數據和強大的計算能力，針對研究區域的土地覆蓋類型特點，分析處理了多年的遙感影像。對研究區域在2000—2020 年內的土地覆蓋類型變化進行了分析，并運用了MNDWI、NDVI、EVI及LSWI 4種指數結合的方法以及CART 方法，分別解譯了2000 年、2006 年、2013 年、2020 年大連市的遙感影像。結果表明，基于Google Earth Engine平臺的濕地提取和CART方法對于此研究區的土地覆蓋分類具有較高的精度。通過影像對比，得出研究區各個時間段的土地覆蓋變化情況（林地、水體、濕地面積出現下降趨勢，建筑用地和耕地面積呈上升趨勢）。2000—2020 年，大連市各土地類型變化明顯，林地面積、濕地面積、耕地面積和建設用地面積變化尤為明顯。究其原因，主要是因為大連市2000—2020 年城市化進程加快，建設用地增加明顯，同時侵占林地；港口與碼頭迅速擴張，沿海漁業、鹽業的快速發展，導致沿海灘涂濕地面積減少。2013 年以來，大連市對生態環境的保護加強，加上退耕還林政策的實施，使得林地面積有所增加，耕地面積減少，對自然資源的保護取得初步成效。城市化的快速發展引發了大規模人口流動，與此同時，流動人口也為經濟增長提供了關鍵要素支持。流動人口的不穩定性將成為經濟發展的重要影響因素之一。因此，通過土地覆蓋的動態監測，可以為經濟發展的趨勢預測提供側面的數據支持。通過此研究結果可以為研究區未來可持續發展戰略提供基礎的理論依據，通過土地覆蓋分類數據得出自然資源的利用度，進而合理規劃自然資源的開發和利用，以避免過度開發利用對生態環境造成破壞，從而實現該地區的可持續發展。