基于GEE平台的威宁草海湿地水域时空变化分析

董奎 周芳

摘 要 贵州威宁草海作为天然高原淡水湖泊，是我国亚热带高原湿地生态系统典型代表，研究其水域面积在人类活动及环境变化影响下的时空变化具有重要意义。传统湿地研究大多基于某一时期单景遥感影像，无法表现水体随着时间和空间变化的特性。基于GEE（Google Earth Engine）遥感大数据云平台，利用2000—2020年Landsat系列卫星多光谱遥感数据，采用OTSU算法对草海水域进行提取，并对其近20年间水域时空变化进行分析。结果表明：1）2000—2020年，草海水域面积总体呈增加趋势，2000年为2 579.9 hm?，2020年为2 699.94 hm?，增加120.04 hm?；2）草海水域空间变化总体呈东向西再向南迁移的趋势，累计迁移距离为387.7 m，总迁移距离为105.7 m；向西迁移发生在2000—2010年间，迁移距离为220.8 m，速度为22.08 m·a-1；向东迁移发生在2010年后，迁移距离为166.9 m，速度为16.69 m·a-1。

关键词 GEE平台；Landsat；水体遥感提取；时空变化；威宁草海湿地

中图分类号：S17 文献标志码：A DOI：10.19415/j.cnki.1673-890x.2023.09.017

湿地被誉为“地球之肾”和“天然水库”，与森林、海洋并称全球三大生态系统，在保持水土、抵御洪水、控制污染、调节气候、维护生物多样性等方面起着重要作用。经济社会发展和人类活动在不同程度上对湿地产生干扰，对区域生态安全构成一定的威胁[1]。研究水体地表信息及其变化趋势，深入分析其原因，对恢复和保护湿地生态系统具有重要意义。近年来，遥感技术已成为快速准确获取地表水体信息的重要手段，利用遥感影像提取地表水体信息的常用方法大致可分为3类，即基于波段组合的水体提取方法、基于机器学习的水体提取方法和面向对象的水体提取方法[2]。自Landsat、Sentinel等系列卫星发射以来，越来越多的学者开始尝试用遥感影像作为数据源开展水体提取研究，制作出更精细化的水体产品，采用的方法也是多种多样，如MNDWI水体指数法[3]、面向对象方法[4]、SVM机器学习算法[5]、MNDWI和AWEI水体指数法[6]、基于规则的超像元方法（RBSP）[7]等。为分析草海水域时空变化特征，本研究基于GEE遥感大数据技术方法，利用Landsat系列遥感影像数据，采用OTSU水体提取算法，提取草海湿地水体数据，分析其时空变化特征，为草海湿地区域保护提供参考。

1  材料与方法

1.1  研究区概况

威宁草海湿地位于贵州省威宁彝族回族苗族自治县县城西南侧（东经 104°10′16″～104°20′46″，北纬26°47′32″～26°52′52″），是我国为数不多的亚热带高原湿地生态系统，湿地最大水深5.0 m，平均水深2.4 m，是由水域、沼泽、草甸及丰富的水生动植物和较高生产力的水生生物群落组成的一个完整的高原湿地生态系统，该湿地是黑颈鹤等228种鸟类的重要越冬地及迁徙中转站，有“高原明珠”“鸟类王国”等美誉，1992年被国务院批准为国家级自然保护区，具有日照丰富、冬暖夏凉、冬干夏湿等独特的高原气候特征[8-10]。草海属长江水系，是其支流金沙江上源湖泊，牛栏江、横江、乌江支流六冲河、三岔河，以及北盘江，从不同方向溯源侵蚀，并呈辐射状外流[11]。作为一个完整、典型的高原喀斯特湿地生态系统，草海以其独特的气候和生态环境为我国特有的黑颈鹤等珍稀鸟类及其他候鸟提供了重要的越冬地和迁徙中转站。由于草海保护区紧邻威宁县城，随着经济社会的不断发展及周边城镇化水平的不断提高，人地矛盾、珍稀物种保护与人类社会发展的矛盾，以及草海湿地及其周边生态安全问题较为突出[12]。

近年來，随着工业发展、人口膨胀﹑城镇建设等给草海的可持续发展带来了不可回避的诸多问题，如环境污染、生态破坏等，而这些问题也在逐渐引起更多学者的关注。对贵州威宁草海水域时空变化特征开展研究，将对更好地认识和保护草海生态环境起着积极的作用，为后期对草海保护区的深入研究奠定基础。

为揭示典型喀斯特高原湿地区域景观生态安全状况对土地利用变化的响应，研究人员以1995、2005、2015年遥感影像数据为基础，构建基于景观尺度的生态安全评价模型，对草海20年间景观格局及景观生态安全演化进行分析，结果表明，20年间草海流域林地和草地景观破碎化程度加深较为明显，水域景观类型面积持续增加，景观的破碎化程度持续下降，耕地、建设用地景观类型面积总体都有所增加，同时，草海流域内景观生态安全高等级生态安全区域主要分布在东北部和西南部山区，中低和低等级生态安全区主要集中在草海湖区周边，中高和中等级生态安全区主要分布在以耕地为主的中部地区[13]。

本文以威宁草海自然保护区为研究区，包括草海镇、小海镇和双龙乡，研究区位置如图1所示。

1.2  数据及其来源

GEE是由Google提供的基于云计算的全球尺度地理空间分析平台，其存储的大量公开的地理空间数据集能够省去影像下载的时间，而其强大的计算力则能批量处理较大规模的数据，为较大时空尺度的研究提供便捷。出于对数据可获得性和逐年监测的需求，本研究选用30 m空间分辨率的美国陆地资源卫星Landsat 4、5、7、8系列卫星多光谱数据作为遥感影像数据源，所有数据均来自Earth Engine Data Catalog。

由于试验成本限制，本研究选用国家基础地理信息中心发布的GlobeLand30 m空间分辨率全球地表覆盖数据（2000版、2010版、2020版）作为参考数据进行水域提取结果精度验证，该数据集产品的研制所使用的分类影像主要是30 m多光谱影像，包括美国陆地资源卫星（Landsat）的TM5、ETM+、OLI多光谱影像和中国环境减灾卫星（HJ-1）多光谱影像，2020版数据还使用了16 m分辨率高分一号（GF-1）多光谱影像。数据来源为国家基础地理信息中心（http：//www.globallandcover.com/）[14]，研究区数据分幅号为：N48_25。

1.3  研究方法

已有研究中，基于遥感数据的水体信息提取方法主要包括灰度阈值分割法、滤波法、机器学习法和结合辅助信息的提取方法等[15-17]。图像分割是图像处理的关键问题，目前图像分割方法主要分为3类：阈值分割法、边缘检测法和区域分割法[18]。利用传统图像形态学算法，构造出一种新的海冰边缘检测算法，提高拍摄图像中单个海冰识别效率，将云模型与区域分割方法相结合，准确地将目标分开，实现基于区域的不确定性图像分割[19]；卢鹏等通过阈值分割法中的OTSU（大津法）方法，基于目标和背景差别最大的思想来确定冰水分界线，成功从图像中提取海冰密集度[20]。

大津法（OTSU）由日本学者大津于1979年提出，又称为最大类间方差法[21-22]，是一种确定图像二值化分割阈值的算法。该方法所选阈值应满足类间方差最大、类内方差最小的准则[23]。OTSU算法是借助最小二乘法原理在直方图技术上推导出来的，具有简单、速度快等特点[21]，是一种常用的阈值选取方法，适合于物体目标与背景灰度差明显的情况。该算法以灰度分布均匀性的度量单位为方差，方差值越大，说明构成图像的两部分差别越大[24]。

Google Earth Engine（GEE）是一个专门处理卫星图像和其他地球观测数据云端运算平台。该平台由Google与卡内基梅隆大学和美国地质调查局共同开发，平台能够存取卫星图像和其他地球观测数据库中的资料，并有足够的运算能力对这些数据进行处理。通过在GEE平台中编写代码，可以自动获取影像数据并得到经过水体指数计算的每景灰度图像的阈值，并利用相关算法对其进行二值化分割。

本文利用GEE平台处理遥感数据并进行分析，主要流程为：1）在平台云数据库中引入Landsat4、5 、7、8影像，时间范围为2000—2020年，数据空间为研究区范围；2）通过去云函数对影像进行去云处理；3）计算归一化植被指数（Normalized Difference Vegetation Index，NDVI）、增强植被指数（Enhanced Vegetation Index，EVI）及改进型水指数（Normalized Difference Water Index，mNDWI）；4）通过OTSU法进行水体提取，生成二值化栅格结果。所有过程均在GEE平台中编程实现，提取结果通过ENVI及ArcGIS软件进行栅格、矢量转换和统计分析。

2  结果与分析

2.1  提取结果及精度评价

2.1.1  水体提取结果

图2表示2000年、2010年、2020年3期草海水体提取结果的空间位置，底图为Google Earth影像，由图可见本文水域提取方法可行。通过初步目视比对提取结果，由于影像质量（影像存在条带等）原因，2005年、2008年、2012年、2015年、2017年等5年提取结果明显存在异常，故不纳入本次统计分析。依次统计各期水域的面积（见图3），可以看出，研究区内水域面积大部分时间保持在2 100～2 600 hm2，总体来说，草海水域面积呈增加趋势，其中2013年面积最小，为2 061.72 hm2，2018年面积最大，为2 752.36 hm2。

2.1.2  精度评价

本文采用GlobeLand30数据进行精度评价。利用ArcGIS软件（Raster to Point），将GlobeLand30栅格数据转为点要素，后将水体提取结果栅格值提取到参考栅格点要素（Extract Values to Points），再利用Excel进行统计及精度混淆矩阵表制作，得出精度评价结果（表1），并统计各期精度（表2）。总体精度表示所有正确分类的水体类别的检验点数所占总参考的检核点数的百分比，用户精度表示提取结果中样本点的类别与参考类别相同的条件概率，生产者精度表示参考数据中参考点类别与提取结果中对应点类别相一致的条件概率，Kappa系数是1960年由Cohen首先提出的一种应用于遥感影像分类结果评价的一致性检验方法，一般而言，Kappa值介于0～1之间，Kappa值越大表示分类精度越高。

由表2可看出，本研究提取的3期（2000年、2010年、2020年）水体总体精度都在90%以上，且Kappa系数较高，表明本研究方法能有效地提取草海水域。

2.2  水域时空变化分析

2.2.1  水域地理中心变化

利用ArcGIS软件（Feature To Point）逐年计算水体区域（草海主要水域区）的地理中心，并统计水域中心点位移情况，结果如图4和表3所示。

從地理中心迁移轨迹（图4）来看，2000—2020年间，草海主水体区域地理中心经历了“西北-东南”迁移过程，总体上呈现由东向西再向南迁移的趋势，累计迁移距离为387.7 m，总迁移距离为105.7 m。从各个迁移方向上看，向西迁移发生在2000—2010年间，迁移距离为220.8 m，速度为22.08 m·a-1，此10年间，水域中心同时北移。向东迁移发生在2010年后，迁移距离为166.9 m，速度为16.69 m·a-1，此10年间，水域中心同时南移。另外，南北方向迁移的跨度距离小于东西方向的迁移跨度，表明水域南北方向变化小于东西方向变化。

2.2.2  水域面积空间变化及原因分析

研究发现，20年间，威宁草海水域基本保持增加态势。任金铜等人研究了1995、2005、2015年草海土地利用变化趋势，发现了草海水域景观类型面积持续增加，景观的破碎化程度持续下降，并分析其原因可能为草海国家级自然保护区建立之后，对湿地资源保护力度加大，从而草海湖区面积持续增加，湿地得以较好地保护和恢复；同时提出建议，随着经济社会发展及城镇化进程的加剧，草海保护区总体景观生态安全令人担忧，生态安全有进一步恶化趋势，需引起有关部门注意及时调整土地利用策略[13]。

由图5看出，2000—2020年间，草海主水域区形状存在不同程度的差异，这可能与影像成像时间及影像质量有关。2018年之后，主水域空间位置变化趋势平稳，这与近年来草海生态保护力度加大有关。

3  结论与讨论

本研究结合GEE遥感云计算平台和GIS技术，选用2000—2020年间Landsat系列卫星影像，通过OTSU算法提取水体边界，实现了贵州威宁草海的水域提取和面积估算，并对水体区域的变化情况展开了分析，为威宁草海湿地的管理与保护提供了技术参考。

1）本研究使用Landsat系列卫星影像作为数据源，在保证影像质量的同时满足了较长时序监测的需要，使用大津法（OTSU）提取了影像的水域边界线，通过ENVI软件将提取结果转换为矢量数据，得出2000—2020年草海水域矢量数据。

2）本研究大部分影像数据处理工作在GEE遥感云计算平台完成，自动化程度高，对数据量较大的时序监测研究非常友好，通过ArcGIS空间数据处理工具，计算水域地理中心位置，定量反映草海水域中心迁移趋势。

3）本研究发现威宁草海水域面积基本保持在2 100～2 600 hm2，2013年面积最小，为2 061.72 hm2，2018年面积最大，为2 752.36 hm2。草海水域空间变化趋势是由东向西再向南迁移的趋势，累计迁移距离为387.7 m，总迁移距离为105.7 m；西移发生在2000—2010年，距离分别为220.8 m，速度为22.08 m·a-1；东移发生在2010年后，迁移距离为166.9 m，速度为16.69 m·a-1。

4）结合已有研究，本研究同样认为草海水域面积总体增加的原因是各级对湿地区域保护力度加大，生态环境变好。随着国家对生态环境特别是湿地资源保护政策相继出台和保护力度加大，草海湿地将保持稳定向好的发展态势。

由于本研究使用的遥感影像存在“云量”“条带”等因素制约，加上本次研究未开展实地验证，水体提取结果与实际情况可能存在偏差。在下一步的研究中可结合Sentinel、国产GF等系列卫星数据，开展多源数据监测分析，同时，研究改进提取算法及结果精度验证方法，开展星地数据匹配，从而实现更高精度的水域提取和变化监测。

参考文献：

[1]   毛梦祺.区域土地景观生态安全评价与格局优化研究[D].徐州：中国矿业大学， 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，李矿明，黎育成，等.贵州草海湿地现状与生态恢复对策[J].中南林业调查规划，2012（2）：39-40.

[9]   夏品华，薛飞，孔祥亮，等.贵州草海湿地农田渠系水质空间分异特征及影响分析[J].环境化学，2012（8）：1201-1207.

[10] 周晨.草海湿地水质富营养化与生物多样性风险预警研究[D].贵阳：贵州大学，2016.

[11] 高悦.贵州威宁草海地区早更新世晚期湖相地层ESR定年及环境意义[D].上海：华东师范大学，2015.

[12] 莫世江，任金铜.威宁草海湿地区域生态服务功能价值评估[J].安徽农业科学，2013，41（19）：8263-8264，8267.

[13] 任金铜，杨可明，陈群利，等.贵州草海湿地区域土地利用景观生态安全评价[J].环境科学与技术，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，吴保生，陈博伟，等.基于卫星遥感的水体信息提取研究进展与展望[J].清华大学学报（自然科学版），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] 盧鹏.基于图像分析的海冰几何参数和拖曳系数参数化研究[D].大连：大连理工大学，2007.

[19] 许凯，秦昆，黄伯和，等.基于云模型的图像区域分割方法[J].中国图象图形学报，2010，15（5）：757-763.

[20] 卢鹏，李志军，董西路，等.基于遥感影像的北极海冰厚度和密集度分析方法[J].极地研究，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] 孙亚勇，黄诗峰，李纪人，等. Sentinel-1A SAR数据在缅甸伊洛瓦底江下游区洪水监测中的应用[J].遥感技术与应用，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] 殷苏民，朱锦萍，王祖声，等.基于顶帽变换和最大类间方差法的图像分割方法研究[J].科学技术与工程，2014，14（7）：60-64.

（责任编辑：易  婧）