基于Google Earth Engine和Sentinel-2数据的植被覆盖度动态监测研究

姚春阳

（中煤航测遥感集团有限公司 陕西省地理空间信息工程技术研究中心，陕西 西安 710199）

0.引言

植被是生态系统的重要组成部分，在全球的能量交换、水文监测等方面对人类的生产生活以及维护生态平衡都有着不可替代的作用。植被覆盖度（Fraction of vegetation coverage，VC）是地表植被覆盖的重要参数，也是评价区域生态环境的一项重要指标，植被覆盖度的变化可以从一定程度上反映着人类的活动和自然变化对生态环境带来的影响。我国的农林资源丰富，黑龙江省是我国的农业大省和林业大省，如何科学准确地掌握区域植被覆盖度，使经济发展和生态环境相适应，对于区域和谐稳定发展意义重大。因此，寻找科学的技术方法对长时间、大尺度的区域植被覆盖度进行动态监测具有十分重要的意义[1-3]。

植被覆盖度监测一般分为地面实测和遥感监测。植被覆盖度监测往往区域面积较大，且具有显著的时空分异特点，地面实测往往需要花费大量的人力、物力、财力，同时监测的时效性较差、准确性也无法得到很好地验证，此外还容易受到区域位置及天气的干扰，局限性大。而遥感技术可以很好地解决这一问题，其具有观测范围广、观测频次高且不容易受人为因素干扰的特点，随着卫星遥感技术的迅猛发展，影像的分辨率也逐渐提高，卫星遥感技术已成为自然资源调查监测、灾害监测等业务的“千里眼”，现已成为植被覆盖度监测最有力的手段[4，5]。

植被覆盖度监测一般需要大尺度、长时序的卫星遥感影像，其卫星遥感数据量巨大，数据的获取、预处理及后续的分析都需要耗费大量的时间，给科研工作者带来了较大的数据处理工作量。因此，如何科学高效地处理、分析及利用这些遥感影像成为如今学者研究的热点。近些年，大数据、云计算成为学者关注的焦点，Google公司开发的GEE云计算平台受到了极大地关注，其具有超强的云计算在线处理能力，通过相关代码的编写即可大幅度提高卫星遥感影像下载及预处理的时间，可以很好地解决科研工作者的部分压力。现有的植被覆盖度监测一般采用长时间序列的Landsat系列及Modis卫星遥感影像，这些卫星遥感影像幅宽比较大，但分辨率相对较低，监测结果的准确性得不到很好保障，而欧空局发射的Sentinel-2数据，其最高空间分辨率为10m，Sentinel-2数据同时兼顾了幅宽和时间分辨率，已成为植被覆盖度监测研究最有力的数据源支撑。本文基于GEE平台，使用Sentinel-2时序卫星遥感数据，选取黑龙江省哈尔滨市为研究区，采用像元二分模型方法，开展了哈尔滨市2017年—2020年的植被覆盖度动态监测研究，本文通过对哈尔滨市域植被覆盖度的变化分析，对该区域的水土保持监测、生态文明建设、植被保护、资源承载规划等具有重要的实际意义，并为政府的宏观决策支持提供依据。

1.研究区概况和数据来源概况

1.1 研究区概况

本文选取黑龙江省哈尔市为研究区。哈尔滨市位于中国东北平原东北部地区，黑龙江省南部，东与牡丹江市、七台河市接壤，北临伊春市、佳木斯市，西部为绥化市、大庆市。哈尔滨市是黑龙江省省会，是东北地区重要的政治、经济和文化中心，被誉为东方小巴黎。哈尔滨市的气候属中温带大陆性季风气候，全年平均降水量569mm，主要集中在6—9月。哈尔滨市整体以平原为主，主要地物类型为建筑区域、耕地、林地、草地、水系等，植物资源丰富，种类繁多，包括藻类植物和苔藓植物，分布相对集中且经济价值较高。

1.2 GEE介绍

GEE是由谷歌公司研发的遥感云计算在线处理平台，已成为当今世界最为先进的基于云的信息化处理平台，其具有强大的云计算处理能力和云计算资源，GEE平台的推出极大地提升了国内外遥感工程化研究和业务化推广应用的水平。平台提供了大量免费的卫星遥感影像数据（如，Sentinel系列、Modis、Landsat系列等），同时有大量的优于1m的高分辨率卫星遥感影像，此外还包括地表温度、环境、社会经济等数据，这些数据的更新速度为每天6000景，在谷歌强大的数据中心支持下，用户能够更高效地处理及利用这些海量的数据，多源的卫星遥感影像数据为大尺度的种植结构监测、森林火灾监测、水资源监测、气候和环境分析提供了可能和便利。

1.3 数据来源

本文数据来源为GEE平台，使用的数据为欧空局发射的Sentinel-2卫星遥感数据，Sentinel-2卫星遥感数据共有13个波段，最高空间分辨率为10m，由于Sentinel-2有A和B两颗星，其组网后的重访周期仅为5天。由于2017年—2018年没有L2A级别数据，因此，数据均使用L1C级别数据。选取2017年—2020年共4年Sentinel-2的L1C级别遥感数据，选取云量小于20%的卫星遥感影像进行研究，其中，2017年使用98景、2018年使用212景、2019年使用246景、2020年使用265景。

2.研究方法

2.1 数据预处理

在使用遥感影像进行地物分析时，云是重要的干扰因素，当卫星遥感影像被云覆盖遮挡时，其严重影响着地物的识别及后续的分析。当进行小尺度范围地物识别和分析时，一般选取云量较小的卫星遥感影像进行研究，但是当尺度范围扩大、需要长时序卫星遥感影像进行分析时，就无法保证使用的影像都有较少的云量，因此需要对使用的遥感影像进行云量的筛选，挑选出满足研究实际生产和使用要求的卫星遥感影像。对于Sentinel-2卫星遥感影像，我们一般使用其自带的QA60产品进行云量挑选，因此，本文选取云量低于百分之二十的卫星遥感影像进行后续的分析研究。

2.2 植被覆盖度遥感反演模型

利用Sentinel-2长时间序列遥感影像反演植被覆盖度，特征指数的选择十分重要，常用的有归一化植被指数（NDVI）、增强型植被指数（EVI）、比值植被指数（RVI）、增强型植被指数（EVI）等，而NDVI是植被监测最为常用的模型，对土壤覆盖监测更为敏感。因此，本文采用像元二分模型结合NDVI指数对哈尔滨市的植被覆盖度进行估算。像元二分模型将植被覆盖分为纯像元和混合像元两类，纯像元植被完全覆盖其覆盖度为1，混合像元由植被与非植被构成，其NDVI是植被覆盖部分和非覆盖部分的NDVI的线性加权如式（1）所示：

其中，FVC是像元的植被覆盖度；NDVIv和NDVIn分别是植被覆盖部分和非覆盖部分的NDVI值。由此可推算出FVC如式（2）所示：

通常情况取直方图累计频率5%与95%的NDVI值NDVIn和NDVIv，当NDVI值小于5%时，像元覆盖度为0，NDVI值大于95%时，像元覆盖度为1，因此，本文直方图的置信区间取5%-95%。由于水体会对NDVIn和NDVIv的取值产生影响，因此本文先将水体去除，通过计算NDVI值，将NDVI值小于零的剔除掉，再进行直方图统计。

3.研究结果

本文根据FVC取值，将监测结果按等间距划分方法将其分为5个类别，并进行分级显示。一般认为0-20%为低植被覆盖区域，20%-40%为中低植被覆盖区域，40%-60%为中植被覆盖区域，60%-80%为中高植被覆盖区域，80%-100%为高植被覆盖区域。统计2017年—2020年植被覆盖度出现的频率，制作2017年—2020年哈尔滨市植被覆盖度分级图（如图1、图2所示）：

图1 2017年－2020年哈尔滨市植被覆盖度监测图

图2 2017年—2020年哈尔滨市植被覆盖度频率统计图

统计植被覆盖度各区间所占的比例（如表1所示）：

表1 2017年—2020年哈尔滨市植被覆盖度所占比例

由图1可以看出：哈尔滨市2017年—2020年间，其整体植被覆盖度良好，但哈尔滨市植被覆盖度呈现空间明显分布不均的状况，大体呈现从中心到边缘覆盖度逐渐升高的趋势。

由图2和表1可以得出：2017年中高植被覆盖度占哈尔滨市面积的27.77%，高植被覆盖度占哈尔滨市面积的30.93%，其共占哈尔滨市总面积的58.7%；2018年中高植被覆盖度占哈尔滨市面积的22.71%，高植被覆盖度占哈尔滨市面积的19.58%，其共占哈尔滨市总面积的42.29%；2019年中高植被覆盖度占哈尔滨市面积的26%，高植被覆盖度占哈尔滨市面积的21.13%，其共占哈尔滨市总面积的47.13%；2020年中高植被覆盖度占哈尔滨市面积的27.46%。高植被覆盖度占哈尔滨市面积的21.5%，其共占哈尔滨市总面积的48.96%。2017年中高植被覆盖度、高植被覆盖度均最多，2018年间中高植被覆盖度及高植被覆盖度有退化减弱的趋势，但在2019年—2020年逐渐有所恢复。

4.结束语

本文基于GEE云计算遥感处理平台，利用长时间序列Sentinel-2遥感影像，以哈尔滨市为研究区，采用像元二分模型方法，开展了哈尔滨市2017年—2020年的植被覆盖度动态监测，监测结果表明：

（1）针对大尺度、长时间序列的植被覆盖开展动态监测研究，利用常规的遥感影像处理手段耗时耗力，而利用GEE超强的云计算在线处理能力可以为科研工作者节省大量的时间，为相关工作的高效开展提供有力的技术支撑；

（2）哈尔滨市植被覆盖度呈现空间分布不均的状况，大体呈现从中心到边缘覆盖度逐渐升高的趋势；

（3）2017年—2020年4年间，哈尔滨市的植被覆盖整体比较稳定，在2017年达到峰值，2018年有严重的退化趋势，但在2019年—2020年逐渐有所恢复。