(1)
摘 要：太湖蓝藻数据是太湖水资源治理必不可少的重要数据。作者选取2019年太湖的高分六号卫星的红外、近红外、绿波段数据，采用基于多遥感因子（归一化植被指数和归一化水体指数）的随机森林算法对蓝藻信息进行提取，得到太湖西部蓝藻数据。采用总体分类精度、Kappa系数、生产者精度、用户精度、错分误差和漏分误差对数据集进行验证，验证结果表明，此数据集总体分类精度和Kappa系数的均值达到0.97和0.95。数据集内容包括：2019年5–12月6个时期的蓝藻分布数据。数据集的空间分辨率为20 m。数据集存储为.tif格式，由6个数据文件组成，数据量为0.98 MB（压缩为1个文件，601 KB）。
关键词：太湖；蓝藻；随机森林；2019年
DOI: https://doi.org/10.3974/geodp.2023.03.11
CSTR: https://cstr.escience.org.cn/CSTR:20146.14.2023.03.11
数据可用性声明：本文关联实体数据集已在《全球变化数据仓储电子杂志（中英文）》出版，可获取：
https://doi.org/10.3974/geodb.2023.12.01.V1 或 https://cstr.escience.org.cn/CSTR:20146.11.2023.12.01.V1.
太湖是我国第二大淡水湖，随着经济的快速发展和工业的扩张，太湖的浮游植物大量繁殖造成蓝藻爆发。这破坏了太湖的生态环境，影响了周边城市的生活用水。因此对太湖的蓝藻爆发监测具有重要意义[1,2]。
蓝藻传统的监测方法是实地采集水样，但这种方法对人力物力的需求高，且能够采集的样点数量有限。而遥感技术有着覆盖面积大，低成本，快速及时的特点，因此近年来基于遥感影像进行蓝藻监测是国内外学者关注的研究方向。高分六号是我国首颗具有红边波段的光学成像卫星，能够较好地监测植被，而蓝藻和植被具有相似的光谱信息，因此基于高分六号卫星数据生成太湖蓝藻数据集具有重要意义。
基于遥感数据提取蓝藻的方法主要有经验模型法、阈值法和机器学习法[3–7]。其中经验模型法主要是建立指数和实测叶绿素浓度的非线性或线性的模型，再通过叶绿素浓度来监测蓝藻，但此方法具有区域局限性[8, 9]。阈值法是通过设置单波段或者指数的阈值来对蓝藻进行提取，但阈值的准确选择是一个难点[10, 11]。机器学习方法是基于特征指标来对蓝藻进行分类提取，具有挖掘大数据的规律特点，其包括支持向量机和随机森林法等[12]。随机森林法是机器学习中较为流行的方法，已经成功应用于参数的反演。
因此基于高分六号数据采用随机森林的方法对蓝藻进行提取更能满足未来长时序、高精度地进行太湖蓝藻的动态监测。本数据集基于2019年高分六号影像质量较好的太湖影像，采用随机森林法实现了太湖蓝藻的提取，生成了2019年太湖蓝藻的数据产品。此数据集可以为后续应用提供相应的基础支撑。
《基于随机森林算法的卫星监测太湖蓝藻数据集（2019）》[13]的名称、作者、地理区域、数据年代、时间分辨率、空间分辨率、数据集组成、数据出版与共享服务平台、数据共享政策等信息见表1。
| 条目 | 描述 |
|---|---|
| 数据集名称 | 基于随机森林算法的卫星监测太湖蓝藻数据集（2019） |
| 数据集短名 | Taihu_Cyanobacteria |
| 作者信息 | 杨子，河海大学地球科学与工程学院，河海大学江苏省水资源环境遥感监测评估工程研究中心，18339161755@163.com 潘鑫，河海大学地理与遥感学院，河海大学江苏省水资源环境遥感监测评估工程研究中心，px1013@hhu.edu.cn 袁洁，河海大学地球科学与工程学院，河海大学江苏省水资源环境遥感监测评估工程研究中心，yj000801@163.com 许坤，河海大学地球科学与工程学院，河海大学江苏省水资源环境遥感监测评估工程研究中心，919505610@qq.com 吴宇航，河海大学地球科学与工程学院，河海大学江苏省水资源环境遥感监测评估工程研究中心，yuhangwu2022@163.com 杨英宝，河海大学地理与遥感学院，河海大学江苏省水资源环境遥感监测评估工程研究中心，yyb@hhu.edu.cn |
| 地理区域 | 太湖，地理范围包括30°55′40″N–31°32′58″N，119°52′32″E–120°36′10″E |
| 数据年代 | 2019年 |
| 时间分辨率 | 2天 |
| 空间分辨率 | 20 m |
| 数据格式 | 短整型格式（数值为0，1，Nodata;1代表蓝藻，0代表水体，Nodata为非研究区） |
| 数据量 | 0.98MB |
| 数据集组成 | 数据集包括6个文件，分别是2019年6期（5月5日、7月29日、9月13日、10月29日、11月5日、12月12日）的太湖蓝藻影像 |
| 基金项目 | 国家自然科学基金（41701487，42071346，42371397） |
| 数据计算环境 | ENVI、Matlab |
| 出版与共享服务平台 | 全球变化科学研究数据出版系统 http://www.geodoi.ac.cn |
| 地址 | 北京市朝阳区大屯路甲11号100101，中国科学院地理科学与资源研究所 |
| 数据共享政策 | （1）“数据”以最便利的方式通过互联网系统免费向全社会开放，用户免费浏览、免费下载；（2）最终用户使用“数据”需要按照引用格式在参考文献或适当的位置标注数据来源；（3）增值服务用户或以任何形式散发和传播（包括通过计算机服务器）“数据”的用户需要与《全球变化数据学报》（中英文）编辑部签署书面协议，获得许可；（4）摘取“数据”中的部分记录创作新数据的作者需要遵循10%引用原则，即从本数据集中摘取的数据记录少于新数据集总记录量的10%，同时需要对摘取的数据记录标注数据来源[14] |
| 数据和论文检索系统 | DOI，CSTR，Crossref，DCI，CSCD，CNKI，SciEngine，WDS/ISC，GEOSS |
数据集主要采用的是随机森林（Random Forest，RF）算法，是一种特殊的套袋算法，是由Leo[15]提出的一种可以进行分类或回归的算法。RF方法与原始的套袋算法的不同之处在于它使用决策树作为模型，本文采用的是RF的分类算法，通过决策树进行投票，获得投票最多的类为当前对象所属的类。RF模型的建立需要输入变量和分类结果隶属的代表数值，最后基于RF模型对结果进行预测[16]。
此数据集选取的输入变量是归一化植被指数和归一化水体指数，因为理想地认为太湖只存在水体和蓝藻两种地物，NDVI（Normalized Differential Vegetation Index，NDVI）和NDWI（Normalized Differential Water Index，NDWI）能够较好地分别识别植被和水体。因此将NDVI和NDWI作为RF的输入变量。
(1)
(2)
式中，
、
和
分别代表的是红、近红和绿波段的反射率。根据NDVI指数的波段要求，高分六号卫星选择第3波段和第4波段进行NDVI指数的计算。根据NDWI指数的波段要求，高分六号卫星选择第2波段和第4波段进行NDWI指数的计算。
此数据集的技术路线图如图1所示，主要分为三个步骤分别是数据准备、数据预处理和RF模型的建立和预测。其中数据准备主要是是筛选云量较少的2019年高质量的高分六号数据。数据预处理主要是对原始的高分六号数据进行辐射校正、大气校正和几何校正，因为原始的高分六号数据是卫星获取的DN值，需要通过预处理转化成地表的反射率值。RF模型的建立和预测过程主要是基于预处理后的高分六号数据计算NDVI和NDWI的值，将两个因子作为RF的训练数据建立模型，最后对太湖蓝藻进行预测得到太湖蓝藻数据集。
图1 卫星监测太湖蓝藻数据集研发技术路线图
下载《基于随机森林算法的卫星监测太湖蓝藻数据集（2019）》，共1个文件夹。文件夹中包含6期蓝藻数据，数据格式为标签图像文件格式（.tif）。
图2是2019年太湖蓝藻结果的空间分布图，其中蓝色和绿色分别代表水体和蓝藻。由于东太湖存在水生植被，因此东太湖的空间分布不予以展示。在2019年5月5日，太湖蓝藻主要集中在梅梁湖的南部和西北沿岸区。7月29日太湖蓝藻的爆发情况明显减弱，蓝藻爆发集中在竺山湖和梅梁湖，贡湖存在少许的蓝藻。相比于7月29日，9月13日太湖的西北、西南和南部沿岸区蓝藻开始爆发，并且梅梁湖蓝藻持续爆发。10月19日，太湖蓝藻全面爆发，主要集中在太湖的中部和梅梁湖。11月5日，太湖蓝藻爆发急速减弱，贡湖基本上没有蓝藻爆发，爆发的蓝藻主要在梅梁湖和西北沿海岸。12月12日，太湖几乎很少蓝藻，零星的蓝藻主要集中在西南沿岸区。这说明2019年太湖蓝藻主要在秋季爆发，春季和夏季蓝藻爆发情况一般，冬季蓝藻几乎没有爆发。
图2 2019年部分太湖蓝藻空间分布图
下载引入混淆矩阵来计算总体分类精度、Kappa系数、生产者精度、用户精度、错分误差和漏分误差[17]六种指标来对提取的结果进行评定。此数据集验证由近红、红和绿波段合成的假彩色影像作为参考，通过目视解译的方式均匀选取300个样本点（150个蓝藻样点和150个水体样点）作为验证。
本数据集的精度评定见表2所示，可以看出此数据集的总体分类精度均值达到0.97，Kappa系数均值也达到了0.95。这说明此数据集的精度较高。尤其是2019年12月12日的太湖蓝藻结果总体分类精度、生产者精度和用户精度都达到了0.99，2019年12月12日的太湖蓝藻结果精度是6期太湖影像中最高的。5月5日太湖蓝藻结果的精度相对略低，总体分类精度、Kappa系数和生产者精度分别达到了0.95、0.91和1.00，但5月5日太湖蓝藻结果有将水体错分为蓝藻的情况，这可能是由于5月5日的太湖影像有薄云的影响。总之，从表2可以看出基于高分六号数据采用NDVI和NDWI的RF方法能够较好地提取出太湖的蓝藻。
| 日期 | 总体分类精度(%) | Kappa | 生产者精度 | 用户精度 | 错分误差 | 漏分误差 |
|---|---|---|---|---|---|---|
| 5月5日 | 0.95 | 0.91 | 1.00 | 0.92 | 0.08 | 0.00 |
| 7月29日 | 0.98 | 0.97 | 1.00 | 0.97 | 0.03 | 0.00 |
| 9月13日 | 0.97 | 0.93 | 1.00 | 0.94 | 0.06 | 0.00 |
| 10月19日 | 0.96 | 0.98 | 1.00 | 0.96 | 0.04 | 0.00 |
| 11月5日 | 0.97 | 0.95 | 0.98 | 0.97 | 0.03 | 0.02 |
| 12月12日 | 0.99 | 0.98 | 0.99 | 0.99 | 0.01 | 0.01 |
| 均值 | 0.97 | 0.95 | 0.99 | 0.95 | 0.04 | 0.01 |
由于以往对太湖蓝藻提取的研究中，较少将国内高分系列卫星影像作为数据源，故本设计采用RF法基于高分六号数据得到高质量的2019年太湖蓝藻数据集。本数据集生产经过原始高分六号数据的辐射校正、大气校正、几何校正及RF训练和预测。该数据产品包含原始影像质量相对较好的2019年太湖蓝藻的结果，空间分辨率为20 m，数据格式为标签图像文件格式（.tif）。
本数据集对太湖的环境治理提供了数据支撑，对太湖的蓝藻动态监测具有重要意义。相比于传统的阈值法提取蓝藻，本产品的算法避免了阈值取值的不确定性，且省时省力。但本产品算法的精度与训练样本的数量和分布有较强的联系，且本产品的算法未来要考虑云对结果的影响。
作者分工：潘鑫和杨英宝对数据集的开发做了总体设计；杨子和袁洁采集和处理了高分六号的原始数据；杨子设计了模型和算法；宋昊、许坤和吴宇航做了数据验证；杨子撰写了数据论文。
利益冲突声明：本研究不存在研究者以及与公开研究成果有关的利益冲突。