近年来，随着以高分系列卫星和吉林一号等为代表的我国高分辨率遥感卫星的相继发射，亚米级分辨率影像由于具有可观测到更为细致的地表覆盖结构，反映真实的地物类型等特点，越来越被广泛用于农业调查，尤其是第三次农业普查首次将遥感数据应用于农作物面积普查中，大量人工实地测量工作被遥感测量替代。
基于西湖龙井茶产区范围较小，茶园主要分布于坡地、谷地以及洼地，种植历史悠久，缺乏统一规划布局，分布零散等问题，研究以吉林一号 JL01 高分辨率遥感卫星为主，辅以中低分辨率多光谱遥感影像高分6号(GF-6)、sentinel-2以及美国陆地卫星(Landsat8)(相关卫星参数见表1)，对茶叶种植区的提取采用不同季节的多期影像。结合杭州西湖龙井茶种植区的综合特征，使用实例分割法和基于改进的HRNetV2基础深度学习模型，在此基础上结合人工解译，对自动提取结果进行一定程度的修正，进一步获取茶园精细的空间分布和面积统计。
HRNetV2基础深度学习模型(High- resolution net)是 2019 年微软亚洲研究院提出的一种全新的用于机器学习的卷积神经网络架构，其特点是多种分辨率遥感数据融合，在图像检测分割方面表现优异。1. 西湖龙井的样本集本研究采用4种方式采集和优化800多个样本，其中茶叶样本 200 个，其他样本 600 多个。2. 新HRNetV2模型训练并进行优化改进HRNetV2模型首先在大规模公开数据集(ImageNet)上进行模型预训练，而后在研究人员自己标注的样本数据集上进行模型精调。优化过程中采用交叉熵作为损失函数，并使用分割精度和分割速度等评价指标对算法检测性能进行评价。
3. 结果与分析
西湖龙井茶园新 HRNetV2 模型遥感识别结果见图1，识别结果再通过人工判图的方式对自动提取结果进行一定程度的修正，达到单个斑块准确率、覆盖准确率等要求。对自动提取结果中存疑的斑块，再次实地核查，将核查的结果补充为样本，丰富样本类型，提高识别精准度。
(1)实地考察
实地考察的主要目的是对人工核查出颜色和纹理特征类似茶树种植区的疑似斑块的实地查证。核查主要发现：一是呈现颗粒状、梯田状或者稀疏植被的疑似斑块，这类斑块通过实地察看发现往往是稀疏林地;二是与茶叶斑块紧邻的质地均匀接近裸土的疑似斑块，这类斑块在图像中绿色与土色夹杂混合，纹理比较匀称，有明显的条横，经实地勘察发现主要为幼龄茶树;三是纹理特征类似茶树，但颜色呈现黑褐色的疑似斑块，这类斑块往往是黑色的茶园遮阳网。
(2)识别精度
通过新HRNetV2模型识别出的西湖龙井茶园边界与居住区以及山上林木边界清晰，纹理细腻丰富，识别面积为1400.63公顷，与2022年杭州市统计局统计年鉴中西湖区茶园面积相比，遥感识别茶园面积偏少123.65公顷，识别准确率接近92%。
西湖风景名胜区识别茶园最小面积约40平方米，位于杨梅岭;最大约356390平方米，位于翁家山。西湖区范围内最小茶园面积约55平方米，位于沈家弄社区;最大约555055平方米，位于桐坞(表2)。
该研究弥补了中低分辨率遥感影像由于空间分辨率不足、地物空间细节信息有限且受混合像元的影响、单独依靠光谱特征不足以满足业务上对于作物精准分布识别的要求，实现优势互补，提高作物识别精度。对西湖龙井品牌保护、数字化管理、精细化气象服务，以及茶树生长环境小气候研究具有重要意义。
本文节选自《中国茶叶》2023年第9期，P32--36，《西湖龙井茶园卫星遥感识别研究》，作者：杨军，范辽生。
来源：中国茶叶
如有侵权请联系删除
