基于GEE 和Landsat 8 OLI 影像的土地覆被分类研究

胡丛慧

（兰州大学资源环境学院，甘肃兰州 730000）

1 概述

土地覆被信息在生态环境应用及可持续发展、城乡规划和管理中起着重要的作用[1-3]。目前，遥感影像已被广泛应用在土地覆被分类中。然而，如何提高遥感影像土地覆被信息的准确性仍然是一个挑战，“同物异谱”、“异物同谱”以及复杂景观中光谱特征相似的地物类别造成的混淆难以消除。随着机器学习的发展，随机森林(Random Frost，RF) 分类器已被证明在绘制植被类型和土地覆被时，取得了较好的提取结果[4]。

Google Earth Engine(GEE)平台作为一个云计算平台，除了免费提供计算能力，还可以直接访问各种开源数据[5]。除此之外GEE 还提供了大量有关机器学习、矢量/栅格运算、数据整合的函数，使计算过程更加简单直接[6]。QU Le'an 等[7]使用提供多源数据和基于云的环境的GEE 平台，开发了一种新颖的方法，在免费的Landsat 图像上得到土地利用/土地覆被产品。

2 研究区与数据处理

2.1 研究区概况

会宁县位于甘肃省中部，地理坐标为东经104°29' ～105°31'、北纬35°24' ～ 36°26'。会宁县沟壑纵横，多山地、川地、塬地，土地构造复杂，属于陇西黄土高原丘陵沟壑典型生态脆弱区[8]。

2.2 遥感数据准备

为了更好反映植被信息，本文选取Landsat 8 OLI 2017 年5 月到8 月的数据作为基础数据，空间分辨率为30m。GEE 平台中该数据已进行过大气校正，还需对数据进行筛选、裁剪及处理，去除云、阴影的影响。

2.3 样本数据

根据土地利用现状分类标准以及会宁县实际土地覆被分类状况，将分类体系分为林地、草地、湖泊/水库、耕地、河流、居住地、稀疏草地共7 种类别。在ArcGIS 软件中随机且均匀地布设1592 个样本点，并结合野外实地调查照片与Google Earth 高分辨率遥感影像对样本点进行目视解译。对于较为集中的地物，如居住地、湖泊/水库等，适当调整样本点的分布，样本点分布情况如图1 所示。

图1 样本点分布情况图

3 研究方法

3.1 随机森林算法

Breiman 等在2001 年提出的随机森林分类器，具有高效率、高精度的优点[9]。随机森林分类器作为一种简单高效的分类器，面对复杂数据仍然具有鲁棒性，因此在土地覆被分类中得到普遍使用。

3.2 特征选取

3.2.1 光谱特征

光谱特征包括Landsat 8 OLI 可见光波段以及短波红外波段。此外，在GEE 中选取NPP 夜间灯光遥感数据作为光谱特征之一。

表1 Landsat 8 OLI 光谱特征

3.2.2 光谱指数

本文选择以下六种光谱指数参与分类，用以提高不同植被类别、水体、湖泊/水库、居住地等的区分度。

3.2.3 地形参数特征

会宁县山地多，地势较高，地形因素影响着会宁县地物的分布情况。为了提高土地覆被分类精度，需要加入地形特征，在GEE 平台提取海拔高度、坡度、坡向作为地形特征加入到分类特征中。

3.2.4 纹理特征

灰度共生矩阵(Gray-level Co-occurrence Matrix，GLCM)是提取纹理特征的常用方式[10]。在GEE 平台直接计算近红外波段的GLCM，并选择对比度、方差、相关性、熵、逆差矩、异质性以及角二阶矩共7 种纹理特征参与分类。

4 实验结果与分析

本文选择会宁县2017 年5 月-2017 年8 月的无云遥感数据作为基础数据进行分类，充分体现植被的分布状况。分类器选择随机森林算法，分类树大小为100，分类过程中将样本点按照8:2 的比例随机分为训练样本和测试样本。最终得到会宁县土地覆被分类图，其中总体精度为85.31%，Kappa 系数为0.81，图2 为分类结果。

图2 土地覆被分类结果

分类结果大致符合实际情况，河流主要为祖厉河及其支流；居住地主要分布在会宁县城和沿河而建的居住地；林地主要分布在铁木山、会宁县县城周围以及会宁县东部地区；稀疏草地主要分布在会宁县北部；分类统计表中可以看出草原与耕地占比较大，耕地包括河谷地区的水浇地以及山区的旱地；草原包括天然草原以及退耕还草的草地。

表2 分类结果统计表

5 结论

文章利用GEE 平台，基于Landsat 8 OLI 数据，结合夜光遥感数据、光谱特征、光谱指数特征、地形参数特征以及纹理特征，尽可能消除地物混淆。本文方法虽然得到了理想的会宁县2017 年土地覆被分类图，但仍然存在部分“椒盐”现象，且地物的识别不够完整，后续可针对该问题改进分类方法。