近年來，隨著以高分系列衛(wèi)星和吉林一號等為代表的我國高分辨率遙感衛(wèi)星的相繼發(fā)射，亞米級分辨率影像由于具有可觀測到更為細致的地表覆蓋結(jié)構(gòu)，反映真實的地物類型等特點，越來越被廣泛用于農(nóng)業(yè)調(diào)查，尤其是第三次農(nóng)業(yè)普查首次將遙感數(shù)據(jù)應(yīng)用于農(nóng)作物面積普查中，大量人工實地測量工作被遙感測量替代。
基于西湖龍井茶產(chǎn)區(qū)范圍較小，茶園主要分布于坡地、谷地以及洼地，種植歷史悠久，缺乏統(tǒng)一規(guī)劃布局，分布零散等問題，研究以吉林一號 JL01 高分辨率遙感衛(wèi)星為主，輔以中低分辨率多光譜遙感影像高分6號(GF-6)、sentinel-2以及美國陸地衛(wèi)星(Landsat8)(相關(guān)衛(wèi)星參數(shù)見表1)，對茶葉種植區(qū)的提取采用不同季節(jié)的多期影像。結(jié)合杭州西湖龍井茶種植區(qū)的綜合特征，使用實例分割法和基于改進的HRNetV2基礎(chǔ)深度學習模型，在此基礎(chǔ)上結(jié)合人工解譯，對自動提取結(jié)果進行一定程度的修正，進一步獲取茶園精細的空間分布和面積統(tǒng)計。
HRNetV2基礎(chǔ)深度學習模型(High- resolution net)是 2019 年微軟亞洲研究院提出的一種全新的用于機器學習的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，其特點是多種分辨率遙感數(shù)據(jù)融合，在圖像檢測分割方面表現(xiàn)優(yōu)異。1. 西湖龍井的樣本集本研究采用4種方式采集和優(yōu)化800多個樣本，其中茶葉樣本 200 個，其他樣本 600 多個。2. 新HRNetV2模型訓(xùn)練并進行優(yōu)化改進HRNetV2模型首先在大規(guī)模公開數(shù)據(jù)集(ImageNet)上進行模型預(yù)訓(xùn)練，而后在研究人員自己標注的樣本數(shù)據(jù)集上進行模型精調(diào)。優(yōu)化過程中采用交叉熵作為損失函數(shù)，并使用分割精度和分割速度等評價指標對算法檢測性能進行評價。
3. 結(jié)果與分析
西湖龍井茶園新 HRNetV2 模型遙感識別結(jié)果見圖1，識別結(jié)果再通過人工判圖的方式對自動提取結(jié)果進行一定程度的修正，達到單個斑塊準確率、覆蓋準確率等要求。對自動提取結(jié)果中存疑的斑塊，再次實地核查，將核查的結(jié)果補充為樣本，豐富樣本類型，提高識別精準度。
(1)實地考察
實地考察的主要目的是對人工核查出顏色和紋理特征類似茶樹種植區(qū)的疑似斑塊的實地查證。核查主要發(fā)現(xiàn)：一是呈現(xiàn)顆粒狀、梯田狀或者稀疏植被的疑似斑塊，這類斑塊通過實地察看發(fā)現(xiàn)往往是稀疏林地;二是與茶葉斑塊緊鄰的質(zhì)地均勻接近裸土的疑似斑塊，這類斑塊在圖像中綠色與土色夾雜混合，紋理比較勻稱，有明顯的條橫，經(jīng)實地勘察發(fā)現(xiàn)主要為幼齡茶樹;三是紋理特征類似茶樹，但顏色呈現(xiàn)黑褐色的疑似斑塊，這類斑塊往往是黑色的茶園遮陽網(wǎng)。
(2)識別精度
通過新HRNetV2模型識別出的西湖龍井茶園邊界與居住區(qū)以及山上林木邊界清晰，紋理細膩豐富，識別面積為1400.63公頃，與2022年杭州市統(tǒng)計局統(tǒng)計年鑒中西湖區(qū)茶園面積相比，遙感識別茶園面積偏少123.65公頃，識別準確率接近92%。
西湖風景名勝區(qū)識別茶園最小面積約40平方米，位于楊梅嶺;最大約356390平方米，位于翁家山。西湖區(qū)范圍內(nèi)最小茶園面積約55平方米，位于沈家弄社區(qū);最大約555055平方米，位于桐塢(表2)。
該研究彌補了中低分辨率遙感影像由于空間分辨率不足、地物空間細節(jié)信息有限且受混合像元的影響、單獨依靠光譜特征不足以滿足業(yè)務(wù)上對于作物精準分布識別的要求，實現(xiàn)優(yōu)勢互補，提高作物識別精度。對西湖龍井品牌保護、數(shù)字化管理、精細化氣象服務(wù)，以及茶樹生長環(huán)境小氣候研究具有重要意義。
本文節(jié)選自《中國茶葉》2023年第9期，P32--36，《西湖龍井茶園衛(wèi)星遙感識別研究》，作者：楊軍，范遼生。
來源：中國茶葉
如有侵權(quán)請聯(lián)系刪除
