郭 濤，王 思，劉泳伶，黃 平，李 疆

（四川省農(nóng)業(yè)科學(xué)院遙感與數(shù)字農(nóng)業(yè)研究所，成都610066）

0 引言

我國自然資源缺乏，2017年中央全面深化改革領(lǐng)導(dǎo)小組正式審議通過《領(lǐng)導(dǎo)干部自然資源資產(chǎn)離任審計(jì)規(guī)定（試行）》，明確提出領(lǐng)導(dǎo)干部離任將對自然資源資產(chǎn)進(jìn)行審計(jì)。2020年國家出臺了《陸地生態(tài)系統(tǒng)生產(chǎn)總值（GEP）核算技術(shù)指南》為陸地生態(tài)系統(tǒng)資產(chǎn)化管理、生態(tài)功能區(qū)劃、生態(tài)補(bǔ)償決策等提供工作指南。其中陸地生態(tài)系統(tǒng)資產(chǎn)化評估主要涉及農(nóng)田、森林、草地等自然資源生態(tài)系統(tǒng)的供給、調(diào)節(jié)、支持和美學(xué)等生態(tài)價(jià)值，當(dāng)前，上述自然資源數(shù)據(jù)收集手段落后、要素不全、數(shù)據(jù)斷檔、數(shù)更新頻率不一致、無空間信息等問題，要在一系列空間尺度上實(shí)現(xiàn)自然資源管理的績效評估存在長時(shí)間滯后。因此，開發(fā)一個(gè)自動(dòng)化、業(yè)務(wù)化運(yùn)行的自然資源動(dòng)態(tài)監(jiān)測系統(tǒng)迫在眉睫。

隨著地理大數(shù)據(jù)、云計(jì)算的不斷發(fā)展，基于云地理空間信息分析平臺越來越成為國內(nèi)外學(xué)者重要研究內(nèi)容之一，谷歌地球引擎（Google Earth Engine，GEE）借助于Google強(qiáng)大的云計(jì)算和存儲能力，可以大幅度減少數(shù)據(jù)獲取和處理的工作量，已經(jīng)成為海量遙感大數(shù)據(jù)科學(xué)研究的重要工具［1］。憑借云計(jì)算優(yōu)勢可實(shí)現(xiàn)對不同尺度的遙感大數(shù)據(jù)進(jìn)行快速處理、挖掘和分析，提升了遙感產(chǎn)品的生產(chǎn)效率和大范圍遙感影像處理提供了新的機(jī)遇［2］。

目前，應(yīng)用GEE云平臺，國內(nèi)外學(xué)者已經(jīng)開展了大量的科學(xué)研究工作，在全球森林分布和變化監(jiān)測、土地覆蓋/土地利用、農(nóng)作物結(jié)構(gòu)等方面進(jìn)行了大量的研究探索，并形成了較多成果［3-5］。Xiong等［6］利用Landsat、Sentinel-2、SRTDEM等數(shù)據(jù)，基于9791個(gè)樣本點(diǎn)，提取了非洲30 m的耕地?cái)?shù)據(jù)，耕地總體精度達(dá)到了94%。Chen等［7］使用Landsat 7/8、Sentinel-1 A影像和DEM數(shù)據(jù)對中國紅樹林進(jìn)行了識別，制作了紅樹林分布圖。Dong等［8］應(yīng)用GEE云平臺對亞洲北部的水稻種植范圍進(jìn)行提取，并通過Google Earth和2萬張實(shí)地拍攝照片進(jìn)行精度對比驗(yàn)證，其精度高達(dá)90%以上。Dong等［9］采用深度學(xué)習(xí)和樣本遷移技術(shù)等算法，生產(chǎn)了3 m分辨率地圖覆蓋制圖產(chǎn)品，總體解譯精度達(dá)到86%。柴旭榮等［10］基于GEE云平臺利用隨機(jī)森林監(jiān)督學(xué)習(xí)算法對山西省1990年、2000年、2010年和2017年土地覆蓋進(jìn)行了快速分類，分類結(jié)果與CNLUCC、GlobalLand30和FROM-GCL等現(xiàn)有的產(chǎn)品相比，總體精度提升了5%～10%，達(dá)到了86%～94%。何昭欣等［11］基于GEE，計(jì)算了遙感指數(shù)、紋理特征和地形特征，使用了樸素貝葉斯、支持向量機(jī)、分類回歸樹和隨機(jī)森林4種分類器，并比較了各分類器的分類精度，提取了小麥與油菜的空間分布信息。何麗［12］基于GEE對湄公河流域資源環(huán)境關(guān)鍵要素進(jìn)行了自動(dòng)提取與動(dòng)態(tài)監(jiān)測，并進(jìn)行了時(shí)空分析研究。董欣等［13］基于GEE云平臺隨機(jī)森林算法對2017—2019年京津冀地區(qū)影像進(jìn)行地物分類，并對其生態(tài)服務(wù)價(jià)值進(jìn)行了定量估算。

文章基于GEE提供的JavaScript API，高效構(gòu)建自然資源遙感云計(jì)算監(jiān)測服務(wù)平臺，并利用計(jì)算得出的植被指數(shù)、水體指數(shù)等指標(biāo)提取、識別和記錄了地物輪廓以及特征，同時(shí)運(yùn)用機(jī)器學(xué)習(xí)算法對其進(jìn)行訓(xùn)練，根據(jù)形成的樣本庫進(jìn)而對遙感影像進(jìn)行高精度解譯，最終通過Earth Engine Apps發(fā)布成果。該文構(gòu)建的自然資源遙感云計(jì)算監(jiān)測服務(wù)平臺采用系統(tǒng)自動(dòng)化方法，可以極大提高平臺的運(yùn)行效率，以期為西南地區(qū)甚至全國尺度的自然資源地物類別識別、提取自然資源資產(chǎn)動(dòng)態(tài)監(jiān)測以及績效評估等業(yè)務(wù)化工作提供了技術(shù)路線參考。

1 GEE平臺介紹與數(shù)據(jù)來源

1.1 GEE介紹

GEE是構(gòu)建在云計(jì)算平臺基礎(chǔ)之上的地理空間數(shù)據(jù)挖掘和計(jì)算綜合性分析平臺。通過結(jié)合海量地理空間信息數(shù)據(jù)，采取所寫即所見的交互編程模式，幫助用戶可以基于平臺任意構(gòu)建自己的模型算法和思想。該平臺提供豐富的計(jì)算、處理和分析的API接口，技術(shù)人員可以根據(jù)實(shí)際需求快速完成對地物特征識別和變化趨勢分析等模塊的開發(fā)工作。該文以自然資源遙感動(dòng)態(tài)變化監(jiān)測作為場景，開發(fā)自然資源遙感云計(jì)算監(jiān)測服務(wù)平臺，可以為國內(nèi)外后續(xù)相關(guān)研究思路提供參考和借鑒。

GEE作為在線遙感云計(jì)算平臺，其平臺架構(gòu)設(shè)計(jì)主要包含4部分［14］。

（1）數(shù)據(jù)存儲服務(wù)：這是GEE特色，GEE集成了PB級公共遙感影像產(chǎn)品，并對其進(jìn)行了預(yù)處理，用戶只需要在線調(diào)用已有的API接口即可快速完成地理空間數(shù)據(jù)分析且可以上傳自己本地的數(shù)據(jù)和代碼進(jìn)行相關(guān)分析。GEE提供了數(shù)據(jù)存儲服務(wù)和瓦片服務(wù)，可在線調(diào)用相關(guān)數(shù)據(jù)和GIS服務(wù)。

（2）計(jì)算服務(wù)：主要提供了實(shí)時(shí)計(jì)算服務(wù)和異步計(jì)算服務(wù)。本研究涉及的數(shù)據(jù)是四川省理縣近20年的遙感影像，數(shù)據(jù)量較大，GEE可以提供強(qiáng)大的底層算力作為快速機(jī)器學(xué)習(xí)的基礎(chǔ)，這也是其特色和優(yōu)勢。

（3）API接口：GEE分別提供了Javascript版本和Python版本的API庫，這些接口庫可以給用戶開展數(shù)據(jù)分析工作提供強(qiáng)大的技術(shù)支持，進(jìn)一步提高了分析和可視化地理空間大數(shù)據(jù)的便利性，即無需用戶自己配備超級計(jì)算機(jī)設(shè)備，就可以完成任務(wù)。

（4）前臺調(diào)用，采用GEE自帶的編輯器Code Editor以及第三方的Web Apps，實(shí)現(xiàn)所寫即所得，框架結(jié)構(gòu)如圖1所示。

圖1 GEE遙感平臺框架Fig.1 Remotesensing platform for GEE

1.2 數(shù)據(jù)來源

該文主要采用Landsat OLI，MODIS和Sentinel-2等多源遙感數(shù)據(jù)，用于自然資源指標(biāo)提取，具體情況可見表1。

表1 GEE共享數(shù)據(jù)集Table1 GEE shared data setsused in thestudy

2 研究方法

2.1 植被信息提取

通過時(shí)相、位置以及去云等預(yù)處理，通過GEE計(jì)算歸一化差異植被指數(shù)（NDVI）、增強(qiáng)型植被指數(shù)（EVI）、比值植被指數(shù)（RVI）、反射率之差計(jì)算（DVI）以及土壤調(diào)節(jié)植被指數(shù)（SAVI）［15-16］，具體公式見表2所示?；贛ODIS數(shù)據(jù)，分別基于250 m、500 m分辨率提取2000—2019年四川省理縣周、月和年NDVI、EVI、RVI、DVI和SAVI等植被指數(shù)數(shù)據(jù)產(chǎn)品。

表2 植被指數(shù)表達(dá)式Table2 Vegetation index expression

2.2 水體信息和建筑信息提取

該文利用Landsat數(shù)據(jù)，采用歸一化差異水體指數(shù)（NDWI）、歸一化差異水體指數(shù)（MNDWI）、NDWIGao等對水體進(jìn)行提取以及采用歸一化建筑指數(shù)（NDBI），具體表3所示［17-19］。

表3 水體指數(shù)表達(dá)式Table3 Water body index expression

2.3 遙感影像分類算法

該文采用3種不同分類器進(jìn)行分類和訓(xùn)練，分別是決策樹、隨機(jī)森林和支持向量機(jī)對自然資源地物地類進(jìn)行提取。

（1）決策樹。決策樹方法是Breiman在1984年提出的一種決策樹學(xué)習(xí)分類器［20］。基本原理主要是通過一種遞歸策略分割數(shù)據(jù)空間并在每個(gè)分區(qū)內(nèi)擬合一個(gè)預(yù)測模型來預(yù)測連續(xù)空間變量（回歸）和目標(biāo)變量（分類），以達(dá)到從訓(xùn)練數(shù)據(jù)構(gòu)建模型的預(yù)測方法［21］。這種以二叉樹形式的決策模型結(jié)構(gòu)簡單、運(yùn)行速度快，準(zhǔn)確率高，能夠有效處理大量數(shù)據(jù)和高維數(shù)據(jù)等優(yōu)點(diǎn)。

（2）隨機(jī)森林。隨機(jī)森林是通過構(gòu)建每顆分類樹的集合，也是隨機(jī)森林算法的核心關(guān)鍵［22］。隨機(jī)選擇即從原始數(shù)據(jù)中以bootstrap抽樣策略選取訓(xùn)練樣本，并生成決策樹。剩下的樣本作為Out-of-bag數(shù)據(jù)用于交叉驗(yàn)證，用于評估隨機(jī)森林算法分類精度，使用Gini系數(shù)確定決策樹的分裂條件，集合每顆決策樹，構(gòu)建成隨機(jī)森林。隨機(jī)森林可以處理海量的遙感圖像數(shù)據(jù)，處理速度快，適用于多類別和多特征等復(fù)雜場景［11,23-24］。在算法設(shè)計(jì)過程中，重點(diǎn)對決策樹的數(shù)量和節(jié)點(diǎn)生長時(shí)的特征參數(shù)的數(shù)量進(jìn)行了重點(diǎn)研究，主要目的是提高算法的泛化能力，避免過擬合。

（3）支持向量機(jī)。支持向量機(jī)是基于統(tǒng)計(jì)學(xué)理論尋求高維特征空間中最優(yōu)的分類超平面，對復(fù)雜數(shù)據(jù)具有卓越的處理性能［25］。其主要是尋求數(shù)據(jù)間內(nèi)在關(guān)系，可以很好地處理非線性決策邊界，通過選擇核函數(shù)將線性學(xué)習(xí)器拓展成非線性學(xué)習(xí)器。支持向量機(jī)基本原理如下：①對于非線性可分?jǐn)?shù)據(jù)，通過提升數(shù)據(jù)維度，把數(shù)據(jù)映射到高維空間，把非線性問題轉(zhuǎn)換為線性可分問題；②對于樣本特征空間通過核函數(shù)來實(shí)現(xiàn)超平面的劃分，實(shí)現(xiàn)樣本中不同類型距離最大化。支持向量機(jī)適合具有一定樣本數(shù)量的數(shù)據(jù)，其泛化能力強(qiáng)，適用于遙感圖像的分類［26-27］。

3 系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

3.1 自然資源數(shù)據(jù)產(chǎn)品計(jì)算

該文構(gòu)建的自然資源遙感云計(jì)算監(jiān)測服務(wù)平臺，主要借助GEE平臺集成的海量地理空間數(shù)據(jù)、機(jī)器學(xué)習(xí)算法、可視化和分析計(jì)算能力。以四川省理縣為例，利用MODIS、Landsat和Sentinel-2等近20年植被指數(shù)、水體指數(shù)、建筑指數(shù)、干旱指數(shù)和自然資源地物分類數(shù)據(jù)產(chǎn)品計(jì)算。

3.2 自然資源遙感地物分類

該文使用決策樹、隨機(jī)森林和支持向量機(jī)3類分類器，在GEE中實(shí)現(xiàn)四川省理縣自然資源地物分類提取，驗(yàn)證精度采取交叉驗(yàn)證策略。具體流程：（1）在1 722個(gè)樣本點(diǎn)中獨(dú)立隨機(jī)生成10次，確保每次生成的樣本不重復(fù)，具有隨機(jī)性；（2）將所有樣本劃分，按照7∶3比例作為訓(xùn)練樣本和測試，并對其精度驗(yàn)證；（3）將3個(gè)算法分類結(jié)果與歐空局2020年10 m分辨率的全球土地覆蓋產(chǎn)品進(jìn)行對比分，該文3個(gè)算法總體驗(yàn)證精度在82%～87%，研究結(jié)果如圖2所示，在理縣受地形影像，在河谷平坦地帶裸露/稀疏植被、建筑區(qū)和灌木叢錯(cuò)綜交叉，存在錯(cuò)分漏分現(xiàn)象。

圖2 不同算法的自然資源遙感影像分類結(jié)果：a.決策樹，b.隨機(jī)森立，c.支持向量機(jī)，d.歐空局Fig.2 Classification resultsof remotesensing imagesof natural resourcesbased on different algorithms

結(jié)合理縣生態(tài)系統(tǒng)特點(diǎn)和專家經(jīng)驗(yàn)，構(gòu)建了理縣生態(tài)系統(tǒng)價(jià)值當(dāng)量，將分類體系劃分為農(nóng)田（耕地）、森林（植被、灌木叢）、草地、城市用地（建筑區(qū)）、水域（水體）、濕地（苔蘚）、裸地裸巖（裸露/稀疏植被）和其他類型（冰雪）。并與土地利用現(xiàn)狀調(diào)查數(shù)據(jù)生態(tài)系統(tǒng)類型統(tǒng)計(jì)面積結(jié)果比較（表4），決策樹、隨機(jī)森林和支持向量機(jī)與歐空局2020數(shù)據(jù)表現(xiàn)出較好的一致性，其中森林、草地和其他類型相對誤差在1%～7%，城市用地、水域相對誤差在12%～20%，農(nóng)田系統(tǒng)在不同分類算法下呈現(xiàn)出一定差異；決策樹、隨機(jī)森林、支持向量機(jī)、歐空局2020數(shù)據(jù)與土地利用現(xiàn)狀調(diào)查數(shù)據(jù)相比，森林分類相對誤差為6.5%、6.9%、6.6%、4.9%，草地分類相對誤差為29.2%、27.92%、29.1%、25.8%，整體上一致性較好。農(nóng)田生態(tài)系統(tǒng)中決策樹、歐空局?jǐn)?shù)據(jù)產(chǎn)品相對誤差為11.6%、13.7%；但城市、水域和其他類型數(shù)據(jù)精度較低，可能由于選擇影像季節(jié)性差異和兩套數(shù)據(jù)所采用的分類體系不一致造成的。

表4 不同分類體系下生態(tài)系統(tǒng)類型統(tǒng)計(jì)面積Table4 Statistical area of ecosystem typesunder different classification systems hm2

3.3 自然資源動(dòng)態(tài)監(jiān)測平臺實(shí)現(xiàn)

基于GEE平臺開發(fā)的自然資源遙感云計(jì)算監(jiān)測服務(wù)平實(shí)現(xiàn)了“系統(tǒng)簡介”“自然資源遙感動(dòng)態(tài)變化監(jiān)測計(jì)算”“夜光城市變化監(jiān)測”“地表溫度變化監(jiān)測”“建筑信息提取”、“水體信息提取”“生態(tài)服務(wù)價(jià)值評估”“遙感地物分類”以及“2000—2019年NDVI變化趨勢”等功能。主界面如圖3所示，2000—2019年NDVI變化趨勢圖4所示。

圖3 自然資源遙感云平臺監(jiān)測服務(wù)平臺主界面Fig.3 Main interface of remotesensing cloud platform monitoring serviceplatform of natural resources

圖4 2000—2019年NDVI變化趨勢Fig.4 NDVIvariation tendency from 2000 to 2019

4 結(jié)論

該文基于GEE開發(fā)了一套自然資源動(dòng)態(tài)變化快速評估技術(shù)，定量分析確定四川省理縣自然資源變化和演變，提取了植被、草地、耕地和灌木叢等關(guān)鍵地物類別，為進(jìn)一步開展研究區(qū)生態(tài)服務(wù)價(jià)值演變、自然資源資產(chǎn)管理績效評估以及資產(chǎn)負(fù)債等自動(dòng)化、業(yè)務(wù)化系統(tǒng)奠定了基礎(chǔ)，同時(shí)對區(qū)域生態(tài)系統(tǒng)服務(wù)功能價(jià)值空間變異和年內(nèi)時(shí)間動(dòng)態(tài)變化分析，可為研究區(qū)生態(tài)環(huán)境與自然資源資產(chǎn)管理提供數(shù)據(jù)依據(jù)。此外，該文在GEE上最大限度地利用某一段時(shí)間內(nèi)的所有Landsat和Sentinel-2影像，通過決策樹、隨機(jī)森林和支持向量機(jī)算法識別與提取自然資源地物類別，具有較好的分類結(jié)果，但是仍存在一些客觀因素影像分類結(jié)果精度。在接下來的研究中，還可結(jié)合多源數(shù)據(jù)和多種模型（例如概率圖模型、圖深度學(xué)習(xí)等［28］）探索更智能的提取算法以提升分類結(jié)果精度，進(jìn)一步提供自然資源地物分類精度，為生態(tài)系統(tǒng)服務(wù)價(jià)值量核算提供參考。