方夢陽, 劉曉煌, 孔凡全, 李明哲, 裴小龍

(1.中國地質(zhì)調(diào)查局?？诤Ｑ蟮刭|(zhì)調(diào)查中心，海口 570000； 2.中國地質(zhì)調(diào)查局自然資源綜合調(diào)查指揮中心，北京 100096； 3.中國地質(zhì)調(diào)查局廊坊自然資源綜合調(diào)查中心，廊坊 065000)

0 引言

大尺度、長時序、高頻次、高精度的土地覆蓋數(shù)據(jù)對研究長期土地利用時空變化具有重要的意義。目前，國內(nèi)外廣泛使用的大尺度土地覆蓋數(shù)據(jù)多存在頻次和精度不能兼顧的問題。國外常用的全球土地覆蓋數(shù)據(jù)產(chǎn)品主要有美國波士頓大學(xué)生產(chǎn)的全球土地覆蓋數(shù)據(jù)產(chǎn)品(MCD12Q1數(shù)據(jù)集)[1]和歐洲空間局通過氣候變化倡議生產(chǎn)的全球土地覆蓋數(shù)據(jù)產(chǎn)品(ESA-CCI數(shù)據(jù)集)[2]。其中MCD12Q1數(shù)據(jù)集現(xiàn)有2001—2019年逐年500 m空間分辨率全球土地覆蓋數(shù)據(jù)，總體精度為74.8%[3]； ESA-CCI數(shù)據(jù)集時間范圍更廣，現(xiàn)有1992—2019年逐年300 m空間分辨率全球土地覆蓋數(shù)據(jù)，總體精度為74.4%[4]。國內(nèi)全國土地覆蓋數(shù)據(jù)產(chǎn)品主要有自然資源部發(fā)布的30 m全球地表覆蓋數(shù)據(jù)產(chǎn)品(GlobeLand30數(shù)據(jù)集)[5]和中科院資源環(huán)境科學(xué)數(shù)據(jù)中心提供的中國多時期土地利用土地覆被遙感監(jiān)測數(shù)據(jù)集(CNLUCC數(shù)據(jù)集)[6]。GlobeLand30數(shù)據(jù)集有2000年、2010年、2020年3期數(shù)據(jù)，CNLUCC數(shù)據(jù)集則有1980年、1990年、1995年、2000年、2005年、2010年、2015年、2018年8期數(shù)據(jù)，二者空間分辨率均為30 m。

總的來看，國內(nèi)外廣泛使用的逐年土地覆蓋數(shù)據(jù)多為每5 a更新一次[7]，常見數(shù)據(jù)多為2000年、2005年、2010年、2015年、2020年數(shù)據(jù)，缺少中間年份數(shù)據(jù)。在土地覆蓋長期監(jiān)測中，5 a一次的數(shù)據(jù)頻次明顯無法滿足監(jiān)測需求，亟須開展逐年土地覆蓋數(shù)據(jù)產(chǎn)品研究。

黃河是中華民族的重要發(fā)祥地，研究黃河流域多年土地利用情況，對科學(xué)推動黃河流域高質(zhì)量發(fā)展有著重要的意義。Google Earth Engine(GEE)平臺是目前世界上先進(jìn)的PB級地理數(shù)據(jù)科學(xué)分析及可視化平臺[8]，與傳統(tǒng)遙感數(shù)據(jù)獲取方式和數(shù)據(jù)處理軟件相比，具有長時間存檔數(shù)據(jù)、運(yùn)行穩(wěn)定、計算效率高、上手難度低、使用成本低等優(yōu)點(diǎn)[9-10]。本文以黃河流域地表覆蓋為例，通過GEE平臺快速完成2000—2020年間20 a逐年高精度黃河流域地表覆蓋提取工作，解決了現(xiàn)有土地覆蓋數(shù)據(jù)頻次與精度無法兼顧的問題，以此為大尺度、長時序、高頻次、高精度土地覆蓋數(shù)據(jù)制作提供一套基于GEE云平臺的高效技術(shù)路線。

1 研究區(qū)概況及數(shù)據(jù)源

黃河流域(圖1)從西到東橫跨青藏高原、內(nèi)蒙古高原、黃土高原和黃淮海平原4個地貌單元。

圖1 黃河流域位置

整個流域地勢為西高東低，西部河源地區(qū)平均海拔在4 000 m以上，由一系列高山組成，常年積雪，冰川地貌發(fā)育； 中部地區(qū)海拔在1 000～2 000 m之間，為黃土地貌，水土流失嚴(yán)重； 東部主要由黃河沖積平原組成。黃河流域主要屬于南溫帶、中溫帶和高原氣候區(qū)[11-12]。

本文收集并使用了不同的數(shù)據(jù)集。土地覆蓋數(shù)據(jù)集為自然資源部發(fā)布的30 m空間分辨率的GlobeLand30數(shù)據(jù)集。遙感影像數(shù)據(jù)為2000—2020年間Landsat5/7/8影像，GEE平臺自帶該影像數(shù)據(jù)集。此外，來源于SRTM3的30 m空間分辨率數(shù)字高程模型(digital elevation model，DEM)數(shù)據(jù)和來源于DMSP-OLS與NPP-VIIRS的2000—2020年逐年燈光數(shù)據(jù)作為輔助數(shù)據(jù)以提高土地覆蓋中植被和建設(shè)用地等地類的分類精度。

2 研究方法

2.1 技術(shù)流程

本文主要研究方法分為4步，技術(shù)流程見圖2。

圖2 技術(shù)流程

1)樣本選取。利用2000年、2010年及2020年土地覆蓋數(shù)據(jù)，根據(jù)“一致性”和“穩(wěn)定性”原則，選取分類樣本點(diǎn)，并將樣本點(diǎn)劃分為訓(xùn)練樣本和測試樣本。

2)數(shù)據(jù)處理。基于GEE平臺，采用多年影像合成和云掩模的方法，獲取黃河流域2000—2020年逐年無云的大氣頂反射(top of atmosphere reflectance，TOA)影像。

3)監(jiān)督分類。利用隨機(jī)森林分類方法，對黃河流域2000—2020年逐年Landsat影像進(jìn)行分類，并利用驗證樣本點(diǎn)對分類結(jié)果進(jìn)行檢查。

4)結(jié)果對比。選取2010年黃河流域土地覆蓋數(shù)據(jù)結(jié)果，對比GlobeLand30數(shù)據(jù)集、MCD12Q1數(shù)據(jù)集和ESA-CCI數(shù)據(jù)集同一時期數(shù)據(jù)，檢驗基于GEE平臺黃河流域土地覆蓋數(shù)據(jù)產(chǎn)品精度。

2.2 樣本點(diǎn)選取

本文參考CNLUCC分類系統(tǒng)，根據(jù)黃河流域?qū)嶋H土地覆蓋情況，結(jié)合以往土地覆蓋方面研究成果，確定本文中黃河流域土地覆蓋分類體系，包括以下6個類別： 林地、草地、耕地、水體、建設(shè)用地、未利用地。為便于后續(xù)對比分析，本研究將GlobeLand30數(shù)據(jù)集分類系統(tǒng)、MCD12Q1數(shù)據(jù)集采用的IGBP分類系統(tǒng)和ESA-CCI數(shù)據(jù)集采用的LCCS分類系統(tǒng)對應(yīng)至CNLUCC分類系統(tǒng)[13]，對應(yīng)關(guān)系見表1。

表1 4類分類體系對應(yīng)表

樣本點(diǎn)選取是影響分類結(jié)果的重要因素。傳統(tǒng)分類方法多為人工選取樣本點(diǎn)[14]，該方法針對面積較小的研究區(qū)效果較好，但對于大范圍研究區(qū)，人工選取樣本點(diǎn)工作量極大。本文通過對比2000年、2010年及2020年3個時間基點(diǎn)的土地覆蓋數(shù)據(jù)，選擇多年穩(wěn)定不變區(qū)域作為樣本區(qū)，選擇樣本區(qū)幾何中心作為該區(qū)域樣本點(diǎn)位置，樣本類型即為該區(qū)域土地覆蓋類型。一般來講，某一區(qū)域多期次土地覆蓋類型沒有變化，即可認(rèn)為該區(qū)域整個時段土地覆蓋類型保持穩(wěn)定，而區(qū)域土地覆蓋類型變化多由邊緣至中心改變，該區(qū)域幾何中心位置變化概率最小。

通過上述方法選取10 000個樣本點(diǎn)，樣本點(diǎn)分布情況見圖3。參考Google Earth Pro軟件中的歷史影像數(shù)據(jù)對所選樣本點(diǎn)進(jìn)行隨機(jī)驗證，隨機(jī)抽取1 000個樣本點(diǎn)對照Google Earth歷史影像數(shù)據(jù)。結(jié)果表明，樣本選擇精度高于94.7%，選擇多年穩(wěn)定不變區(qū)域幾何中心作為該地類樣本點(diǎn)具有可行性。

圖3 樣本點(diǎn)分布

樣本點(diǎn)按照分類體系進(jìn)行標(biāo)注，然后導(dǎo)入GEE平臺中，以備后續(xù)分類模型使用。隨機(jī)選擇70%的樣本點(diǎn)作為模型訓(xùn)練數(shù)據(jù)，余下30%的樣本點(diǎn)作為模型測試數(shù)據(jù)。

2.3 影像處理

本文基于GEE平臺，選取了近20 a逐年Landsat影像數(shù)據(jù)(30 m空間分辨率)進(jìn)行土地覆蓋提取，其中2000—2011年選取Landsat5 TM影像，2012—2013年選取Landsat7 ETM+影像，2014—2020年選取Landsat8 OLI影像。由于研究區(qū)跨南溫帶、中溫帶和高原氣候區(qū)3個氣候帶，植被覆蓋隨氣候有較大變化，同時高原氣候區(qū)遙感影像受云影響較大。為保證土地覆蓋提取結(jié)果穩(wěn)定性，通過GEE平臺的在線編程，篩選成像時間為當(dāng)年5—10月的無云影像，以保證合成研究區(qū)最小云量影像，平均每年數(shù)據(jù)量為53景。利用GEE平臺提供的SimpleComposite算法模塊對每年的原始Landsat系列衛(wèi)星影像進(jìn)行大氣校正、輻射定標(biāo)、影像去云處理等操作，合成年際最小云量TOA影像。

2.4 監(jiān)督分類

本文監(jiān)督分類方法選用隨機(jī)森林分類算法。近年來，隨機(jī)森林算法已經(jīng)應(yīng)用到滑坡制圖、城市樹林制圖和地表覆蓋分類等領(lǐng)域。研究證明，該方法比傳統(tǒng)方法運(yùn)行更準(zhǔn)確、速度更快，得到了研究者的廣泛關(guān)注[15-16]。

選用多種類型的特征數(shù)據(jù)有利于提高監(jiān)督分類精度。本文選取多光譜波段，光譜特征指數(shù)： 包括歸一化植被指數(shù)(normalized difference vegetation index，NDVI)、歸一化水體指數(shù)(normalized difference water index，NDWI)、歸一化建筑指數(shù)(normalized difference built-up index，NDBI)、地形特征(高度和坡度)和燈光特征作為隨機(jī)森林算法的輸入變量。根據(jù)測試數(shù)據(jù)對分類結(jié)果進(jìn)行精度評價，主要精度評價指標(biāo)包括用戶精度、制圖精度、總體精度及Kappa系數(shù)。

3 結(jié)果與討論

3.1 分類精度

分類結(jié)果精度評價指標(biāo)情況見表2。結(jié)果表明，基于GEE平臺的黃河流域2000—2020年逐年土地覆蓋數(shù)據(jù)各地類用戶精度及制圖精度均超過0.76，總體精度為0.82±0.03，平均Kappa系數(shù)為0.82，總體精度優(yōu)于MCD12Q1數(shù)據(jù)集(74.8%)及ESA-CCI數(shù)據(jù)集(74.4%)，略低于GlobeLand30數(shù)據(jù)集(83.50%)。樣本點(diǎn)與分類結(jié)果之間達(dá)到高度的一致性，同時多年數(shù)據(jù)的總體精度比較平穩(wěn)，沒有太大的起伏差異，這表明本研究在數(shù)據(jù)選擇、特征選擇及分類算法選擇上可靠、穩(wěn)定。

表2 基于GEE平臺黃河流域逐年(2000—2020年)土地覆蓋數(shù)據(jù)分類精度

3.2 結(jié)果對比

本文選取2010年作為時間基點(diǎn)，分別從整體和細(xì)節(jié)對比GlobeLand30數(shù)據(jù)集、基于GEE平臺的土地覆蓋數(shù)據(jù)、MCD12Q1數(shù)據(jù)集和ESA-CCI數(shù)據(jù)集同一時期數(shù)據(jù)，驗證基于GEE平臺土地覆蓋數(shù)據(jù)產(chǎn)品的適用性(圖4)。圖4(a)為本文方法基于GEE平臺的黃河流域2010年土地覆蓋數(shù)據(jù)產(chǎn)品。整體來看，黃河流域林地主要分布于太行山與秦嶺一帶，甘肅隴南地區(qū)也有大片林地分布； 草地主要分布于黃土高原中北部； 耕地主要分布于渭河盆地及華北平原地區(qū)，黃河上游銀川—呼和浩特地區(qū)也有大片耕地分布； 黃河流域較大規(guī)模水體主要分布于黃河上游源頭地區(qū)； 建設(shè)用地主要為黃河流域內(nèi)城市市域； 未利用地主要分布于黃河上游下段內(nèi)蒙古高原地區(qū)。

(a) 本文方法數(shù)據(jù)產(chǎn)品(b) GlobeLand30數(shù)據(jù)產(chǎn)品

圖4-1 黃河流域2010年土地覆蓋分類圖

(c) MCD12Q1數(shù)據(jù)產(chǎn)品(d) ESA-CCI數(shù)據(jù)產(chǎn)品

圖4-2 黃河流域2010年土地覆蓋分類圖

對比4類產(chǎn)品可發(fā)現(xiàn)，各類型土地整體空間分布上保持著較高的一致性。4類數(shù)據(jù)產(chǎn)品各土地類型面積占比情況見表3，結(jié)果顯示，4類數(shù)據(jù)產(chǎn)品各地類總體占比趨勢一致，主要土地類型均為草地與耕地，占比60%以上。四者出入較大的地類主要為草地與未利用地，本文選取的影像時間為當(dāng)年5—10月，因此草地占比稍高，未利用地占比較低。整體來看，基于GEE平臺的黃河流域2010年土地覆蓋數(shù)據(jù)分類結(jié)果合理可靠。

表3 4類數(shù)據(jù)產(chǎn)品各地類面積占比情況

為檢驗本文方法土地覆蓋數(shù)據(jù)分類細(xì)節(jié)精度，本研究選取各地類典型區(qū)域作為對比區(qū)域，對比4類數(shù)據(jù)產(chǎn)品與Google Earth歷史影像，對比結(jié)果見表4。

表4 4類數(shù)據(jù)產(chǎn)品逐地類對比

結(jié)果表明，本文方法基于GEE平臺的分類結(jié)果，在水體、林地、耕地、建設(shè)用地4種分類結(jié)果上，均優(yōu)于MCD12Q1數(shù)據(jù)集和ESA-CCI數(shù)據(jù)集，接近GlobeLand30數(shù)據(jù)集，具體表現(xiàn)在輪廓更為清晰，細(xì)節(jié)更為豐富。草地與未利用地分類結(jié)果上與MCD12Q1數(shù)據(jù)集分類結(jié)果相似，優(yōu)于ESA-CCI數(shù)據(jù)集，略遜于GlobeLand30數(shù)據(jù)集。

3.3 不足之處

1)本文基于GEE平臺制作的黃河流域土地覆蓋數(shù)據(jù)，為GEE平臺直接計算導(dǎo)出所得結(jié)果，未進(jìn)行細(xì)碎圖斑合并、人工整飾等后續(xù)操作，導(dǎo)致部分區(qū)域夾雜較多細(xì)碎圖斑，影響了數(shù)據(jù)準(zhǔn)確性。

2)本文參照CNLUCC分類標(biāo)準(zhǔn)體系，將黃河流域土地覆蓋分為6類，對比GlobeLand30數(shù)據(jù)集分為10類、MCD12Q1數(shù)據(jù)集(IGBP分類系統(tǒng))分為17類及ESA-CCI數(shù)據(jù)集(LCCS分類系統(tǒng))分為22類，在分類標(biāo)準(zhǔn)體系的精細(xì)程度上較國內(nèi)外知名數(shù)據(jù)集仍有差距。

4 結(jié)論

1)本文根據(jù)一致性和穩(wěn)定性原則，提出將多年穩(wěn)定不變區(qū)域作為樣本區(qū)，選擇樣本區(qū)幾何中心作為該區(qū)域樣本點(diǎn)位置的樣本點(diǎn)選擇方法，在保證精度的同時大幅提高了監(jiān)督分類過程中樣本點(diǎn)選擇的效率。

2)本文基于GEE平臺制作的黃河流域土地覆蓋數(shù)據(jù)，總體精度為0.82±0.03，平均Kappa系數(shù)為0.82，分類精度、整體及局部分類結(jié)果均優(yōu)于MCD12Q1數(shù)據(jù)集和ESA-CCI數(shù)據(jù)集。在分類級別要求較低的情況下，可以替代MCD12Q1數(shù)據(jù)集及ESA-CCI數(shù)據(jù)集使用。

3)本文為大尺度、長時序、高精度逐年土地覆蓋數(shù)據(jù)制作提供一套基于GEE云平臺的高效技術(shù)路線，在一定程度上解決了大尺度土地覆蓋數(shù)據(jù)頻次與精度無法兼顧的問題。