基于G oogle Earth Engine 的天津市水稻提取研究

李 煜，王惠敏，金 航

（西安煤航遥感信息有限公司，陕西 西安 710199）

我国是世界上水稻生产和消费大国之一，粮食安全是国家安全的重要基础。为保障我国粮食安全，开展实时获取水稻种植信息工作，具有重要现实意义[1]。我国一直高度关注粮食安全保障，近年来陆续出台了多项政策，耕地保护政策相继完善出台，严格规定耕地保护红线，坚决遏制耕地“非农化”“非粮化”。全国开展高标准农田规划建设，强化耕地梳理、质量、生态三位一体的保护理念。在我国主要粮食作物中，水稻由于其高耗水的特性和独特的种植形式，能够进行水资源管理与评价[2-3]。目前，获取水稻种植面积主要依靠传统的农业统计方法，从地方开始进行统计上报，层层递进，全盘计量，这样的统计方法略显粗放，并且缺少空间分布信息，每次开展需耗费大量人力物力，难以实现长时间动态监测。近年来我国商业卫星遥感产业蓬勃发展，遥感技术可实现大范围地表信息的连续动态观测，在国土空间规划、土地利用和植被监测方面已经有了广泛应用，这也为开展耕地遥感监测，高效精确的提取水稻种植空间分布信息提供了可能。国内外在利用遥感技术进行水稻提取方面研究已经有相关研究。在河南省原阳县利用Landsat 8 OLI 影像数据获取了水稻田分布信息[4]；利用单时相Sentinel-1A 合成孔径雷达影像数据，提取广东省五华县的水稻空间分布[5];综合合成孔径雷达影像和SPOT-6光谱影像融合数据，得到四川省峨眉市水稻种植面积[6]。我国土地辽阔，受制于遥感卫星重访周期和影像数据获取质量，已有水稻提取研究主要集中在小区域范围的提取实验上[7-8]，大范围的水稻提取应用研究仍较为缺乏。本研究长时序的多光谱高分辨率遥感影像，使用随机森林算法进行水稻种植范围提取，研究结果可为天津市农业管理部门制定相关决策提供科学参考与数据支撑。

1 研究区、数据来源与研究方法

1.1 研究区概况

天津市 (38°34'N - 40°15'N，116°43'E -118°04'E)位于北部华北平原，其境界内陆地界线长为1 137 km，海岸线总长度为153 km，天津市地势由西北山区向东南逐渐降低。93%的区域为平原，属暖温带半湿润季风气候。主要农作物为小麦、玉米和水稻，天津市独有的地理位置、气候、土壤和灌溉水源等生态条件，使得它适宜生产优质稻米，其中小站稻最为著名。

1.2 数据来源与预处理

1.2.1 遥感影像

Sentinel-2 卫星携带一枚多光谱成像仪（MSI），高度为786 km，覆盖13 个光谱波段（表1），幅宽达290 km，有2A 和2B 两颗卫星。一颗卫星的重访周期为10 d，两颗互补，重访周期为5 d[9]。研究过程中，Sentinel-2 遥感影像均在GEE 云平台中调用、处理[10-11]。Sentinel-2 波段参数见表1。

表1 Sentinel-2 波段参数

1.2.2 地面调查数据

分类结果精度受到训练样本的数量和代表性影响较大，实地调查获取样本数据能够增加分类精度。野外调查时间为2021 年9 月，本研究参考相关资料及天津实际情况制定分类系统，各类别解译标准见表2，谷歌地球影像及哨兵2影像数据均为真彩色合成显示。

表2 天津市耕地遥感分类解译标志

2 水稻分类提取

2.1 水稻分类方法

基于遥感数据进行分类的基本理念是通过多时相遥感影像成像时间、光谱信息与地面实测样点的变化特征，完成特征地物提取。天津水稻为单季稻田，本研究使用了多时相Sentinel-2 遥感影像数据，全面覆盖了水稻田在收获后的保养期到种植水稻后的水稻全生长周期的影像数据，对天津水稻具有的变化特征进行提取，以期获得良好的水稻种植信息提取效果。此外，莲藕种植周期与水稻相似，本研究使用土地利用和地形数据作为辅助。将所有数据进行同一整理，用于随机森林算法分类[14]。需要大量运算、存储资源的操作，如数据预处理、特征检测在云端实现；结果判读、验证等工作在本地进行。

2.2 分类指标

对多时相遥感影像分布计算光谱特征、多种植被指数、水体指数、纹理特征。其中包括：如表3 所示的归一化植被指数（NDVI）、增强型植被指数（EVI）以及归一化水体指数（NDWI）。计算结果也在云端存放。Sentinel-2 的光学波段以及坡度、坡向等指标[12-13]。所有数据具有相同的空间分辨率与投影，整编成一个时间-空间-光谱的多维数组，进入分类器。

表3 遥感地表参数计算公式

2.3 精度评价方法

遥感影像分类精度评价常使用混淆矩阵（confusion matrix）。作为遥感分类精度评价的一种标准格式，表示为n 行n 列的矩阵形式[14]。具体评价指标包括总体精度、制图精度、用户精度等，这些指标从不同方面反映了遥感图像分类的精度。

3 水稻提取结果与分析

使用随机森林分类算法，将光谱特征优选结果、纹理特征优选结果作为输入数据，对天津市的水稻进行多次提取试验，精度验证采用交叉验证思想[15]，在GEE 上实现。

混淆矩阵中用于验证的水稻样点共2 198 个，其中错分26 个。用于其他地类验证的样点共951 个，错分80 个，总体精度为95.4%，Kappa 系数为0.886。结果表明：本研究能够有效区分水稻与水体、旱作农田等相似地类，快速准确提取天津市水稻种植空间分布信息；同时，分类特征提取无需人工干预，完全在云端计算分析，本方法满足工程化自动运行的条件。选取宝坻区与宁河区2 个典型水稻功能区域的水稻提取结果与政府规划的生产功能区水稻矢量和原始影像作对比，见图1，水稻生产功能区矢量数据虽然有明显的锯齿状纹理，但与10 m 分辨率Sentinel-2 数据相吻合；常规水稻面积统计更多依赖结合地籍数据的填图，地块分割的过程中可能包含部分田埂、防护林等，基于遥感数据的分类结果与地表实际状况符合程度更高。

图1 天津市水稻分类结果及局部结果对比

4 讨论与结论

本研究基于Google Earth Engine 平台，使用多时相Sentinel-2 影像数据，绘制天津市10 m 空间分辨率2021 年水稻种植区域分布图。采用多时相高分辨率遥感影像，基于光谱特征、四类不同指数、坡度坡向等多种特征因子，使用随机森林算法进行天津市水稻种植信息提取，相比较于传统单期影像的非监督学习方式，具备更高的科学性与精确性。遥感提取水稻的总体精度为95.4%，提取效果良好。空间精细度、准确性都能够满足实际生产需要，能够契合天津地区不规则的地块、地类边界，且对于光学影像易产生混淆的地类区分度较高。该分类策略能够有效提取农作物种植信息，且无需额外的人工干预，在少量样本的情况下也能够得到稳定的数据结果，云端-本地结合的方式也使其具备大规模推广的条件。总体上看，基于该方法得到的分类结果可以满足进一步应用的需求。