基于GEE平臺的威寧草海濕地水域時空變化分析

董奎 周芳

摘 要 貴州威寧草海作為天然高原淡水湖泊，是我國亞熱帶高原濕地生態系統典型代表，研究其水域面積在人類活動及環境變化影響下的時空變化具有重要意義。傳統濕地研究大多基于某一時期單景遙感影像，無法表現水體隨著時間和空間變化的特性?；贕EE（Google Earth Engine）遙感大數據云平臺，利用2000—2020年Landsat系列衛星多光譜遙感數據，采用OTSU算法對草海水域進行提取，并對其近20年間水域時空變化進行分析。結果表明：1）2000—2020年，草海水域面積總體呈增加趨勢，2000年為2 579.9 hm?，2020年為2 699.94 hm?，增加120.04 hm?；2）草海水域空間變化總體呈東向西再向南遷移的趨勢，累計遷移距離為387.7 m，總遷移距離為105.7 m；向西遷移發生在2000—2010年間，遷移距離為220.8 m，速度為22.08 m·a-1；向東遷移發生在2010年后，遷移距離為166.9 m，速度為16.69 m·a-1。

關鍵詞 GEE平臺；Landsat；水體遙感提??；時空變化；威寧草海濕地

中圖分類號：S17 文獻標志碼：A DOI：10.19415/j.cnki.1673-890x.2023.09.017

濕地被譽為“地球之腎”和“天然水庫”，與森林、海洋并稱全球三大生態系統，在保持水土、抵御洪水、控制污染、調節氣候、維護生物多樣性等方面起著重要作用。經濟社會發展和人類活動在不同程度上對濕地產生干擾，對區域生態安全構成一定的威脅[1]。研究水體地表信息及其變化趨勢，深入分析其原因，對恢復和保護濕地生態系統具有重要意義。近年來，遙感技術已成為快速準確獲取地表水體信息的重要手段，利用遙感影像提取地表水體信息的常用方法大致可分為3類，即基于波段組合的水體提取方法、基于機器學習的水體提取方法和面向對象的水體提取方法[2]。自Landsat、Sentinel等系列衛星發射以來，越來越多的學者開始嘗試用遙感影像作為數據源開展水體提取研究，制作出更精細化的水體產品，采用的方法也是多種多樣，如MNDWI水體指數法[3]、面向對象方法[4]、SVM機器學習算法[5]、MNDWI和AWEI水體指數法[6]、基于規則的超像元方法（RBSP）[7]等。為分析草海水域時空變化特征，本研究基于GEE遙感大數據技術方法，利用Landsat系列遙感影像數據，采用OTSU水體提取算法，提取草海濕地水體數據，分析其時空變化特征，為草海濕地區域保護提供參考。

1 ?材料與方法

1.1 ?研究區概況

威寧草海濕地位于貴州省威寧彝族回族苗族自治縣縣城西南側（東經 104°10′16″～104°20′46″，北緯26°47′32″～26°52′52″），是我國為數不多的亞熱帶高原濕地生態系統，濕地最大水深5.0 m，平均水深2.4 m，是由水域、沼澤、草甸及豐富的水生動植物和較高生產力的水生生物群落組成的一個完整的高原濕地生態系統，該濕地是黑頸鶴等228種鳥類的重要越冬地及遷徙中轉站，有“高原明珠”“鳥類王國”等美譽，1992年被國務院批準為國家級自然保護區，具有日照豐富、冬暖夏涼、冬干夏濕等獨特的高原氣候特征[8-10]。草海屬長江水系，是其支流金沙江上源湖泊，牛欄江、橫江、烏江支流六沖河、三岔河，以及北盤江，從不同方向溯源侵蝕，并呈輻射狀外流[11]。作為一個完整、典型的高原喀斯特濕地生態系統，草海以其獨特的氣候和生態環境為我國特有的黑頸鶴等珍稀鳥類及其他候鳥提供了重要的越冬地和遷徙中轉站。由于草海保護區緊鄰威寧縣城，隨著經濟社會的不斷發展及周邊城鎮化水平的不斷提高，人地矛盾、珍稀物種保護與人類社會發展的矛盾，以及草海濕地及其周邊生態安全問題較為突出[12]。

近年來，隨著工業發展、人口膨脹﹑城鎮建設等給草海的可持續發展帶來了不可回避的諸多問題，如環境污染、生態破壞等，而這些問題也在逐漸引起更多學者的關注。對貴州威寧草海水域時空變化特征開展研究，將對更好地認識和保護草海生態環境起著積極的作用，為后期對草海保護區的深入研究奠定基礎。

為揭示典型喀斯特高原濕地區域景觀生態安全狀況對土地利用變化的響應，研究人員以1995、2005、2015年遙感影像數據為基礎，構建基于景觀尺度的生態安全評價模型，對草海20年間景觀格局及景觀生態安全演化進行分析，結果表明，20年間草海流域林地和草地景觀破碎化程度加深較為明顯，水域景觀類型面積持續增加，景觀的破碎化程度持續下降，耕地、建設用地景觀類型面積總體都有所增加，同時，草海流域內景觀生態安全高等級生態安全區域主要分布在東北部和西南部山區，中低和低等級生態安全區主要集中在草海湖區周邊，中高和中等級生態安全區主要分布在以耕地為主的中部地區[13]。

本文以威寧草海自然保護區為研究區，包括草海鎮、小海鎮和雙龍鄉，研究區位置如圖1所示。

1.2 ?數據及其來源

GEE是由Google提供的基于云計算的全球尺度地理空間分析平臺，其存儲的大量公開的地理空間數據集能夠省去影像下載的時間，而其強大的計算力則能批量處理較大規模的數據，為較大時空尺度的研究提供便捷。出于對數據可獲得性和逐年監測的需求，本研究選用30 m空間分辨率的美國陸地資源衛星Landsat 4、5、7、8系列衛星多光譜數據作為遙感影像數據源，所有數據均來自Earth Engine Data Catalog。

由于試驗成本限制，本研究選用國家基礎地理信息中心發布的GlobeLand30 m空間分辨率全球地表覆蓋數據（2000版、2010版、2020版）作為參考數據進行水域提取結果精度驗證，該數據集產品的研制所使用的分類影像主要是30 m多光譜影像，包括美國陸地資源衛星（Landsat）的TM5、ETM+、OLI多光譜影像和中國環境減災衛星（HJ-1）多光譜影像，2020版數據還使用了16 m分辨率高分一號（GF-1）多光譜影像。數據來源為國家基礎地理信息中心（http：//www.globallandcover.com/）[14]，研究區數據分幅號為：N48_25。

1.3 ?研究方法

已有研究中，基于遙感數據的水體信息提取方法主要包括灰度閾值分割法、濾波法、機器學習法和結合輔助信息的提取方法等[15-17]。圖像分割是圖像處理的關鍵問題，目前圖像分割方法主要分為3類：閾值分割法、邊緣檢測法和區域分割法[18]。利用傳統圖像形態學算法，構造出一種新的海冰邊緣檢測算法，提高拍攝圖像中單個海冰識別效率，將云模型與區域分割方法相結合，準確地將目標分開，實現基于區域的不確定性圖像分割[19]；盧鵬等通過閾值分割法中的OTSU（大津法）方法，基于目標和背景差別最大的思想來確定冰水分界線，成功從圖像中提取海冰密集度[20]。

大津法（OTSU）由日本學者大津于1979年提出，又稱為最大類間方差法[21-22]，是一種確定圖像二值化分割閾值的算法。該方法所選閾值應滿足類間方差最大、類內方差最小的準則[23]。OTSU算法是借助最小二乘法原理在直方圖技術上推導出來的，具有簡單、速度快等特點[21]，是一種常用的閾值選取方法，適合于物體目標與背景灰度差明顯的情況。該算法以灰度分布均勻性的度量單位為方差，方差值越大，說明構成圖像的兩部分差別越大[24]。

Google Earth Engine（GEE）是一個專門處理衛星圖像和其他地球觀測數據云端運算平臺。該平臺由Google與卡內基梅隆大學和美國地質調查局共同開發，平臺能夠存取衛星圖像和其他地球觀測數據庫中的資料，并有足夠的運算能力對這些數據進行處理。通過在GEE平臺中編寫代碼，可以自動獲取影像數據并得到經過水體指數計算的每景灰度圖像的閾值，并利用相關算法對其進行二值化分割。

本文利用GEE平臺處理遙感數據并進行分析，主要流程為：1）在平臺云數據庫中引入Landsat4、5 、7、8影像，時間范圍為2000—2020年，數據空間為研究區范圍；2）通過去云函數對影像進行去云處理；3）計算歸一化植被指數（Normalized Difference Vegetation Index，NDVI）、增強植被指數（Enhanced Vegetation Index，EVI）及改進型水指數（Normalized Difference Water Index，mNDWI）；4）通過OTSU法進行水體提取，生成二值化柵格結果。所有過程均在GEE平臺中編程實現，提取結果通過ENVI及ArcGIS軟件進行柵格、矢量轉換和統計分析。

2 ?結果與分析

2.1 ?提取結果及精度評價

2.1.1 ?水體提取結果

圖2表示2000年、2010年、2020年3期草海水體提取結果的空間位置，底圖為Google Earth影像，由圖可見本文水域提取方法可行。通過初步目視比對提取結果，由于影像質量（影像存在條帶等）原因，2005年、2008年、2012年、2015年、2017年等5年提取結果明顯存在異常，故不納入本次統計分析。依次統計各期水域的面積（見圖3），可以看出，研究區內水域面積大部分時間保持在2 100～2 600 hm2，總體來說，草海水域面積呈增加趨勢，其中2013年面積最小，為2 061.72 hm2，2018年面積最大，為2 752.36 hm2。

2.1.2 ?精度評價

本文采用GlobeLand30數據進行精度評價。利用ArcGIS軟件（Raster to Point），將GlobeLand30柵格數據轉為點要素，后將水體提取結果柵格值提取到參考柵格點要素（Extract Values to Points），再利用Excel進行統計及精度混淆矩陣表制作，得出精度評價結果（表1），并統計各期精度（表2）?？傮w精度表示所有正確分類的水體類別的檢驗點數所占總參考的檢核點數的百分比，用戶精度表示提取結果中樣本點的類別與參考類別相同的條件概率，生產者精度表示參考數據中參考點類別與提取結果中對應點類別相一致的條件概率，Kappa系數是1960年由Cohen首先提出的一種應用于遙感影像分類結果評價的一致性檢驗方法，一般而言，Kappa值介于0～1之間，Kappa值越大表示分類精度越高。

由表2可看出，本研究提取的3期（2000年、2010年、2020年）水體總體精度都在90%以上，且Kappa系數較高，表明本研究方法能有效地提取草海水域。

2.2 ?水域時空變化分析

2.2.1 ?水域地理中心變化

利用ArcGIS軟件（Feature To Point）逐年計算水體區域（草海主要水域區）的地理中心，并統計水域中心點位移情況，結果如圖4和表3所示。

從地理中心遷移軌跡（圖4）來看，2000—2020年間，草海主水體區域地理中心經歷了“西北-東南”遷移過程，總體上呈現由東向西再向南遷移的趨勢，累計遷移距離為387.7 m，總遷移距離為105.7 m。從各個遷移方向上看，向西遷移發生在2000—2010年間，遷移距離為220.8 m，速度為22.08 m·a-1，此10年間，水域中心同時北移。向東遷移發生在2010年后，遷移距離為166.9 m，速度為16.69 m·a-1，此10年間，水域中心同時南移。另外，南北方向遷移的跨度距離小于東西方向的遷移跨度，表明水域南北方向變化小于東西方向變化。

2.2.2 ?水域面積空間變化及原因分析

研究發現，20年間，威寧草海水域基本保持增加態勢。任金銅等人研究了1995、2005、2015年草海土地利用變化趨勢，發現了草海水域景觀類型面積持續增加，景觀的破碎化程度持續下降，并分析其原因可能為草海國家級自然保護區建立之后，對濕地資源保護力度加大，從而草海湖區面積持續增加，濕地得以較好地保護和恢復；同時提出建議，隨著經濟社會發展及城鎮化進程的加劇，草海保護區總體景觀生態安全令人擔憂，生態安全有進一步惡化趨勢，需引起有關部門注意及時調整土地利用策略[13]。

由圖5看出，2000—2020年間，草海主水域區形狀存在不同程度的差異，這可能與影像成像時間及影像質量有關。2018年之后，主水域空間位置變化趨勢平穩，這與近年來草海生態保護力度加大有關。

3 ?結論與討論

本研究結合GEE遙感云計算平臺和GIS技術，選用2000—2020年間Landsat系列衛星影像，通過OTSU算法提取水體邊界，實現了貴州威寧草海的水域提取和面積估算，并對水體區域的變化情況展開了分析，為威寧草海濕地的管理與保護提供了技術參考。

1）本研究使用Landsat系列衛星影像作為數據源，在保證影像質量的同時滿足了較長時序監測的需要，使用大津法（OTSU）提取了影像的水域邊界線，通過ENVI軟件將提取結果轉換為矢量數據，得出2000—2020年草海水域矢量數據。

2）本研究大部分影像數據處理工作在GEE遙感云計算平臺完成，自動化程度高，對數據量較大的時序監測研究非常友好，通過ArcGIS空間數據處理工具，計算水域地理中心位置，定量反映草海水域中心遷移趨勢。

3）本研究發現威寧草海水域面積基本保持在2 100～2 600 hm2，2013年面積最小，為2 061.72 hm2，2018年面積最大，為2 752.36 hm2。草海水域空間變化趨勢是由東向西再向南遷移的趨勢，累計遷移距離為387.7 m，總遷移距離為105.7 m；西移發生在2000—2010年，距離分別為220.8 m，速度為22.08 m·a-1；東移發生在2010年后，遷移距離為166.9 m，速度為16.69 m·a-1。

4）結合已有研究，本研究同樣認為草海水域面積總體增加的原因是各級對濕地區域保護力度加大，生態環境變好。隨著國家對生態環境特別是濕地資源保護政策相繼出臺和保護力度加大，草海濕地將保持穩定向好的發展態勢。

由于本研究使用的遙感影像存在“云量”“條帶”等因素制約，加上本次研究未開展實地驗證，水體提取結果與實際情況可能存在偏差。在下一步的研究中可結合Sentinel、國產GF等系列衛星數據，開展多源數據監測分析，同時，研究改進提取算法及結果精度驗證方法，開展星地數據匹配，從而實現更高精度的水域提取和變化監測。

參考文獻：

[1] ? 毛夢祺.區域土地景觀生態安全評價與格局優化研究[D].徐州：中國礦業大學， 2016.

[2] ? LIU Y C， GAO Y N. Surface water extraction in Yangtze River Basin based on sentinel time series image[J]. National Remote Sensing Bulletin， 2022， 26（2）：358-372.

[3] ? DU Y， ZHANG Y H， LING F， et al. Water bodies mapping from Sentinel-2 imagery with modified normalized difference water index at 10-m spatial resolution produced by sharpening the SWIR band[J]. Remote Sensing， 2016， 8（4）：1-19.

[4] ? KAPLAN G， AVDAN U. Object-based water body extraction model using Sentinel-2 satellite imagery[J]. European Journal of Remote Sensing， 2017，50（1）：137-143.

[5] ? WANG Z F， LIU J G， LI J B， et al. Multi-spectral water index （MuWI）： a native 10-m multi-spectral water index for accurate water mapping on Sentinel-2[J]. Remote Sensing， 2018，10（10）：1643.

[6] ? YANG X C， QIN Q M， GRUSSENMEYER P， et al. Urban surface water body detection with suppressed built-up noise based on water indices from Sentinel-2 MSI imagery[J]. Remote Sensing of Environment， 2018， 219： 259-270.

[7] ? YANG X C， QIN Q M， Y?SOU H， et al. Monthly estimation of the surface water extent in France at a 10-m resolution using Sentinel-2 data[J]. Remote Sensing of Environment， 2020， 244： 111803.

[8] ? 齊建文，李礦明，黎育成，等.貴州草海濕地現狀與生態恢復對策[J].中南林業調查規劃，2012（2）：39-40.

[9] ? 夏品華，薛飛，孔祥亮，等.貴州草海濕地農田渠系水質空間分異特征及影響分析[J].環境化學，2012（8）：1201-1207.

[10] 周晨.草海濕地水質富營養化與生物多樣性風險預警研究[D].貴陽：貴州大學，2016.

[11] 高悅.貴州威寧草海地區早更新世晚期湖相地層ESR定年及環境意義[D].上海：華東師范大學，2015.

[12] 莫世江，任金銅.威寧草海濕地區域生態服務功能價值評估[J].安徽農業科學，2013，41（19）：8263-8264，8267.

[13] 任金銅，楊可明，陳群利，等.貴州草海濕地區域土地利用景觀生態安全評價[J].環境科學與技術，2018，41（5）：158-165.

[14] CHEN J， BAN Y， LI S. China： Open access to Earth land-cover map[J]. Nature， 2014， 514（7523）：434-434.

[15] 李丹，吳保生，陳博偉，等.基于衛星遙感的水體信息提取研究進展與展望[J].清華大學學報（自然科學版），2020，60（2）：147-161.

[16] SUN W W， DU B， XIONG S L. Quantifying sub-pixel surface water coverage in urban environments using low-albedo fraction from landsat imagery[J]. Remote Sensing， 2017，9（5）：428.

[17] SOHN H G， SONG Y S， KIM G H. Detecting water area during flood event from SAR image[A]. International Conference on Computational Science and Its Applications[C]. Berlin， Heidelberg： Springer， 2005： 771-780.

[18] 盧鵬.基于圖像分析的海冰幾何參數和拖曳系數參數化研究[D].大連：大連理工大學，2007.

[19] 許凱，秦昆，黃伯和，等.基于云模型的圖像區域分割方法[J].中國圖象圖形學報，2010，15（5）：757-763.

[20] 盧鵬，李志軍，董西路，等.基于遙感影像的北極海冰厚度和密集度分析方法[J].極地研究，2004，16（4）：317-323.

[21] OTSU N. Threshold selection method from Gray-Level histograms[J]. IEEE Transactions on Systems， Man and Cybernetics，1979，9（1）：62-66.

[22] 孫亞勇，黃詩峰，李紀人，等. Sentinel-1A SAR數據在緬甸伊洛瓦底江下游區洪水監測中的應用[J].遙感技術與應用，2017，32（2）：282-288.

[23] XIN S，WANG X，YAN X， et al. Numerical simulation and verifications on thermal stratification in a stratified reservoir[J]. Journal of Lake Sciences， 2015， 27（2）： 319-326.

[24] 殷蘇民，朱錦萍，王祖聲，等.基于頂帽變換和最大類間方差法的圖像分割方法研究[J].科學技術與工程，2014，14（7）：60-64.

（責任編輯：易 ?婧）