基于Google Earth Engine平台的大连市土地覆盖分类

摘 要：受经济迅速发展、城市化进程加快的影响，我国沿海地区土地覆盖类型发生了较大变化，使用动态遥感影像可监测土地覆盖类型变化。以辽宁省大连市为例，通过Google Earth Engine平台，在线访问2000—2020年的Landsat系列影像，利用对水体和植被敏感的4种指数处理与决策树分类（Classification and Regression Tree，CART）方法，对研究区域的建设用地、林地、耕地、水体、滨海湿地进行分类测算。结果显示：2000—2020年，大连市建设用地面积增长率为119.81%，水体面积下降率为14.83%，林地面积下降率为24.37%，耕地面积增长率为18.57%，沿海滩涂湿地面积增长率为8.84%。

关键词：Google Earth Engine；Landsat影像；土地覆盖分类；大连市

中图分类号：TP751 文献标志码：A 文章编号：1674-7909（2023）21-141-3

0 引言

我国沿海地区经济发展迅速，在城市化与工业化进程中，其土地覆盖类型发生了重大变化。为保证我国沿海地区土地利用合理，需要检测该地区土地利用与覆盖变化。在研究土地利用与覆盖变化的过程中，对土地覆盖分类是至关重要的一步。

传统土地覆盖分类主要依靠人工目视解译，需要花费大量时间且消耗大量资源，效率低下。近年来，结合计算机技术和遥感技术优势的土地覆盖分类方法得到广泛应用。高分辨率卫星如Landsat系列、高分系列和Sentinel系列等的广泛使用，为人们提供了高分辨率、大比例尺的遥感影像数据。当前，土地覆盖分类方法主要涵盖最小距离法、支持向量机法等。在这些分类方法中，光谱信息具有至关重要的地位。然而，当地物属性复杂且破碎时，这些方法的分类效果会受到一定影响［1］。使用决策树分类（Classification and Regression Tree，CART）法处理多维属性地物时，可以通过确定各地物属性相关环境特征的重要性来推导出对分类过程至关重要的属性并进行提取，这种方法提高了土地覆盖分类的精度，能够有效地识别和提取各类信息［2］。

笔者基于Google Earth Engine平台，对辽宁省大连市的建设用地、林地、耕地、水体进行分类，得到当地土地覆盖分类图。分析2000—2020年大连市土地覆盖变化趋势，旨在为该地区的土地管理、环境保护提供理论依据，从而促进该地区的可持续发展。

1 研究区概况

大连市是辽宁省下属的地级市，地处辽东半岛的南端，位于黄渤海交界处，是我国东北地区重要的工业、旅游、港口和贸易城市。此次研究区为大连市行政区（东经120°58′～123°31′、北纬38°43′～40°10′），包含7个市辖区、2个县级市和1个县，总占地面积12 573.85 km2。

2 数据来源与处理

2.1 遥感影像

此次研究中使用的基础数据是美国地质调查局提供的Landsat8-OLI、landsat5-TM遥感影像，其空间分辨率为30 m。每个时期的遥感图像的选择均基于当年6—9月的数据。因为这段时间的图像数据质量较好，沿海地区的滩涂植被茂盛，容易识别。通过Google Earth Engine平台在线访问，包括经过大气校正和辐射校正的地表反射率图像，对其进行去云预处理。遥感影像中的质量评估波段QA记录着受云层或仪器影响的像素，通过质量评估波段QA将影像中质量差的部分去除，从而达到影像去云处理的目的。上传大连市行政边界矢量数据至Google Earth Engine平台，对遥感影像进行裁剪。对遥感影像的改进型归一化差值水体指数（Modified Normalized Difference Water Index，MNDWI）、归一化植被指数（Normalized Difference Vegetation Index，NDVI）、增强型植被指数（Enhanced Vegetation Index，EVI）和地表水分指数（Land Surface Water Index，LSWI）4种指数进行计算，作为研究湿地的基础。

2.2 土地覆盖数据

在ENVI软件中对2013年Landsat8遥感影像应用监督分类及目视解译的方法进行土地分类，结合在Google Earth Engine上随机选择的200个样本点，得到土地覆盖类型图，将土地分为5类。

2.3 验证数据

调取Google Earth Engine的2020年9月的研究区域影像图，和10 m分辨率的SPOT影像，随机选取特征明显的100个检验样本点，记录样本点的分类信息作为分类准确性评价的依据。

3 研究方法

借助MNDWI、NDVI、EVI及LSWI这4种指标，综合运用湿地提取算法来获取滨海湿地的提取结果。随后，采用CART方法对建设用地、林地、耕地和水体进行分类，最终将这两种结果融合以获得5种不同地类的提取结果。

3.1 土地覆盖分类体系

基于辽宁省沿海地区土地覆盖类型特点和《土地利用现状分类》（GB/T 21010—2017）［3］，将研究区域划分为5类（建设用地、林地、耕地、水体和湿地），以利于分析该地区的土地覆盖变化。此次研究中提取的湿地是滨海湿地，并非内陆湿地。滨海湿地指的是内陆与海水低潮位之间的潮间带地区，而内陆水田因为其特殊的几何形状容易区分，且离海岸带较远，故将其划分在耕地类别中。

3.2 湿地提取算法

研究采用MNDWI、NDVI、EVI及LSWI 4种指数，提取遥感影像中的湿地。利用遥感影像各波段计算出4种指数的值，根据一系列严格的条件判定，提取水体的指数条件为MNDVI>NDVI或MNDVI>EVI及EVI<0.1，而提取植被的指数为EVI≥0.1、NDVI≥0.2及LSWI>0，据此进行植被和水体的识别［4-6］。

通过上述方法识别水体和植被，利用图像中的水体和植被的像素频率计算湿地，水体和植被的像素频率计算公式为

式（1）（2）中：[Wwater]代表水体的像素频率，[Wvegetable]代表植被的像素频率，[Ntotal]代表像素总数，[Nvegetable]代表植被的像素总数，[Nwater]代表水体的像素总数。

计算后的频率值图像拉伸到0～255的灰度空间中，根据水体频率123.0～242.3为最优湿地滩涂提取范围，植被频率0～38为最优湿地植被提取范围，此方法已成功用于潮间带湿地的提取［6］。通过将湿地滩涂和湿地植被提取结果合并，得到最终的湿地提取结果。

3.3 CART分析方法

CART的基本应用原理是通过样本的数据总结规律，将训练样本的属性划分为多个训练元组，并根据测试变量分裂前后的基尼系数差异来确定最佳分裂准则及相应的分裂阈值。应用CART方法进行土地覆盖分类时，可以有效地考虑地物多种属性，并明确每个属性的相对重要性，从而建立模型以提高土地覆盖分类的准确性。

在选择最佳测试变量分裂准则和分裂阈值时，应用基尼系数作为决策准则，基尼系数的表达式为

通过应用该方法对研究区域进行土地覆盖分类，能够更准确地捕捉不同土地覆盖类型在空间分布上的特征。此次研究采用研究区域的2020年预处理的Landsat8遥感影像，选取感兴趣区每类50个，并据此对其分类。

3.4 结果验证

将验证数据中的样本点与分类结果图的对应像素点进行对比，可以评价其精度。通Google Earth Engine平台可以实现Kappa系数的精度评价，结合分类结果与样本点的类别匹配百分比，对分类结果进行精度评价。

4 结果与分析

4.1 结果与精度

由表1可知，2000—2020年研究区的遥感影像分类结果总体精度和Kappa系数均高于或等于85%，基于Google Earth Engine云平台和Landsat系列影像对沿海地区的土地分类具有较好的效果。

4.2 2000—2020年大连市土地覆盖变化分析

由表2可知，研究区域的土地覆盖类型变化：2000—2020年，大连市建设用地面积增长率为119.81%；水体面积下降率为14.83%；林地面积下降率为24.37%；耕地面积增长率为18.57%；沿海滩涂湿地面积增长率为8.84%。

5 结论与讨论

笔者利用Google Earth Engine平台提供的多源遥感影像数据和强大的计算能力，针对研究区域的土地覆盖类型特点，分析处理了多年的遥感影像。对研究区域在2000—2020年内的土地覆盖类型变化进行了分析，并运用了MNDWI、NDVI、EVI及LSWI 4种指数结合的方法以及CART方法，分别解译了2000年、2006年、2013年、2020年大连市的遥感影像。结果表明，基于Google Earth Engine平台的湿地提取和CART方法对于此研究区的土地覆盖分类具有较高的精度。通过影像对比，得出研究区各个时间段的土地覆盖变化情况（林地、水体、湿地面积出现下降趋势，建筑用地和耕地面积呈上升趋势）。2000—2020年，大连市各土地类型变化明显，林地面积、湿地面积、耕地面积和建设用地面积变化尤为明显。究其原因，主要是因为大连市2000—2020年城市化进程加快，建设用地增加明显，同时侵占林地；港口与码头迅速扩张，沿海渔业、盐业的快速发展，导致沿海滩涂湿地面积减少。2013年以来，大连市对生态环境的保护加强，加上退耕还林政策的实施，使得林地面积有所增加，耕地面积减少，对自然资源的保护取得初步成效。城市化的快速发展引发了大规模人口流动，与此同时，流动人口也为经济增长提供了关键要素支持。流动人口的不稳定性将成为经济发展的重要影响因素之一。因此，通过土地覆盖的动态监测，可以为经济发展的趋势预测提供侧面的数据支持。通过此研究结果可以为研究区未来可持续发展战略提供基础的理论依据，通过土地覆盖分类数据得出自然资源的利用度，进而合理规划自然资源的开发和利用，以避免过度开发利用对生态环境造成破坏，从而实现该地区的可持续发展。

参考文献：

［1］李爽，丁圣彦，钱乐祥.决策树分类法及其在土地覆盖分类中的应用［J］.遥感技术与应用，2002（1）：6-11.

［2］赵萍，傅云飞，郑刘根，等.基于分类回归树分析的遥感影像土地利用/覆被分类研究［J］.遥感学报，2005（6）：708-716.

［3］陈百明，周小萍.《土地利用现状分类》国家标准的解读［J］.自然资源学报，2007（6）：994-1003.

［4］SKAKUN S，FRANCH B，VERMOTE E，et al.Early season large-area winter crop mapping using MODIS NDVI data，growing degree days information and a Gaussian mixture model［J］.Remote Sensing of Environment，2017，195：244-258.

［5］WANG X X，XIAO X M，ZOU Z H，et al.Tracking annual changes of coastal tidal flats in China during 1986—2016 through analyses of Landsat images with Google Earth Engine［J］.Remote Sensing of Environment，2018，238：112-126.

［6］XIAO X M，ZHANG Q Y，BRASWELL B，et al.Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data［J］.Remote Sensing of Environment，2004（2）：256-270.