西湖龍井茶園衛星遙感識別研究

楊軍 范遼生

摘要：文章基于吉林一號高分辨率衛星以及中低分辨率衛星資料，利用實例分割法和改進的HRNetV2模型，對西湖龍井茶園進行初步自動提取，在此基礎上結合人工解譯，進一步獲取精細空間分布和面積統計。通過新HRNetV2模型識別出的茶園邊界與居住區以及山上林木邊界清晰，紋理細膩豐富，茶園面積識別準確率接近92%。研究對西湖龍井品牌保護、數字化管理、精細化氣象服務，以及茶樹生長環境小氣候研究具有重要意義。

關鍵詞：西湖龍井；茶園；吉林一號；新HRNetV2模型

中圖分類號：S571.1；S771.8? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1000－3150（2023）09-32-5

Research on Satellite Remote Sensing Identification of

Xihu Longjing Tea Plantation

YANG Jun， FAN Liaosheng

Hangzhou Meteorological Information Center， Hangzhou 310051， china

Abstract： The article was based on the high-resolution satellite data of Jilin-1 and the medium to low resolution satellite data. Using the instance segmentation method and the improved new HRNetV2 model， a preliminary automatic extraction of the Xihu Longjing tea gardens were carried out. On this basis， combined with manual interpretation， accurate spatial distribution and area statistics were further obtained. The boundaries of tea gardens， residential areas， and trees on the mountains identified by the new HRNetV2 model were clear， with delicate and rich textures. The accuracy of tea garden area recognition was close to 92%. The research was of great significance for the protection of the Xihu Longjing brand， digital management， refined meteorological services， and microclimate research in the growth environment.

Keywords： Xihu Longjing， tea plantation， Jilin-1， new HRNetV2 model

龍井茶種植歷史悠久，唐代陸羽《茶經》中有靈隱和天竺寺廟僧人栽種茶樹的記載。“西湖龍井”之名始于宋，盛于清。目前西湖龍井茶產區包括西湖區、西湖風景名勝區所轄區域，茶樹總種植面積約1 440 hm2，土壤以黃筋泥、黃泥土、黃泥沙土為多，少部分潮紅土和油黃泥等類型。主產區地形以丘陵山地為主，北高峰和南高峰是浙江杭州兩座最高的山峰，海拔分別為314 m和256 m；山地以東北—西南走向為主，南臨錢塘江，東北部接西湖，西北部臨近西溪和五常濕地。西湖龍井茶茶樹品種有龍井群體種、龍井43、龍井長葉等[1]。

近年來，隨著以高分系列衛星和吉林一號等為代表的我國高分辨率遙感衛星的相繼發射，亞米級分辨率影像上因其可以觀測到更為細致的地表覆蓋結構，反映真實的地物類型特點，越來越被廣泛用于農業調查，尤其是第三次農業普查首次將遙感數據應用于農作物面積普查中[2]，大量人工實地測量工作被遙感測量替代。范澤琳等[3]分析了吉林一號視頻04 星推掃數據、高分一號以及哨兵二號（Sentinel-2）提取廣西甘蔗種植區空間分布，認為基于高分一號數據和Sentinel-2數據的甘蔗種植區提取精度分別為87.76%和84.04%，均低于吉林一號94.06%的提取精度。王長青等[4]基于吉林一號光學A 星和哨兵一號（Sentinel-1）數據，利用SVM支持向量機方法對長春市凈月潭國家森林公園進行了分類研究，認為吉林一號光學影像結合Sentinel-1強度數據和有效相干性數據能夠提高通過遙感技術獲得森林分類產品的精度，為森林保護提供更精確的數據信息。韓睿等[5]使用吉林一號衛星數據結合了深度學習等研究方法，提高了江蘇省昆山市重點水體監測精度，為相關部門開展精細監測提供了科技支撐。朱瑞飛等[6]應用多層感知卷積神經網絡多光譜影像分類方法，對印度納西克研究區地表分類進行研究，結果表明吉林一號光譜衛星影像上的總體分類精度可達94%以上。

基于西湖龍井茶產區范圍較小，茶園主要分布于坡地、谷地以及洼地，又因其種植歷史悠久，缺乏統一規劃布局，分布較為零散，本研究使用吉林一號（JL01）衛星0.75 m分辨率融合影像，結合高分6號（GF-6）、sentinel-2以及美國陸地衛星（Landsat8）等衛星資料，彌補中低分辨率遙感影像由于空間分辨率不足、地物空間細節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務上對于作物精準分布識別的需求，實現優勢互補，提高作物識別精度。

1? 數據與方法

1.1 數據

研究使用JL01、GF-6、sentinel-2、Landsat8等衛星資料，相關衛星參數見表1。杭州行政區和水系以及數字高程等基礎地理數據由相關單位提供。本文以高分辨率遙感影像為主，以中低分辨率多光譜影像為輔，對茶葉種植區的提取采用不同季節的多期影像。

本研究主要研究范圍為119.92—120.22E，30.00—30.30N內，遙感影像時間從2019年秋季到2020年夏季，包括JL01、GF-6、Sentinel-2和Landsat8等衛星在西湖區質量好、云量小的覆蓋的影像數據。

JL01有20191111、20191029、20191020、20200819共4期。

GF-6號有20200819、20200801、20200524、20200512、20200503、20200429、20200425、20200409、20200320、20200315、20200220、20191208、20191122、20190925共14期。

Sentinel-2有20200816、2020811、20200801、2020722、20200617、20200513、20200503、20200428、20200413、20200408、20200319、20200218、20191215、20191210、20191120、20191115、20191110、20191031共18期。

Landsat8有20200823、20200722、20200519、20200503、20200316、20191211、20191109、20191024共8期。

1.2? 技術方法

本研究以JL01高分辨率遙感衛星為主，輔以中低分辨率多光譜遙感影像，結合杭州西湖龍井茶種植區的綜合特征，使用實例分割法和基于改進的HRNetV2（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網絡架構，其特點是多種分辨率遙感數據融合，在圖像檢測分割方面表現優異）基礎深度學習模型（以下簡稱新HRNetV2模型），對西湖龍井茶園進行初步自動提取，在此基礎上結合人工解譯，進一步獲取茶園精細的空間分布和面積統計。

1.2.1? 西湖龍井的樣本集

新HRNetV2模型關鍵點在于樣本的種類、質量和數量，本研究采用4種方式采集和優化800多個樣本，其中茶葉樣本200個，其他樣本600多個。一是根據杭州市已有龍井茶地物的分布成果數據，從中選取樣本；二是對特征簡單地物，采用人工目視解譯選擇樣本；對特征復雜、難以確定的地物進行實地人工考察；三是利用多光譜地物分類技術，結合中低分辨率影像豐富的光譜信息提取茶葉柵格產品；四是利用訓練好的新HRNetV2模型，對影像進行分割提取，獲取西湖龍井地物自動分割結果。

1.2.2? 新HRNetV2模型訓練并進行優化改進

新HRNetV2模型主體為4個并行的子網絡（第一到第四階段），每個子網絡基于ResNet-50進行設計。從第一到第四階段，特征圖的分辨率逐漸降低一半，而通道數逐漸增加1倍。第一階段為主網絡，其逐漸并行加入低分辨率的子網絡以建立第二、第三、第四階段，各子網絡之間通過交換單元進行信息交換，從而實現多尺度特征融合與提取。HRNetV2共有8個交換單元，即進行8次多尺度特征融合，最終的特征提取結果在高分辨率的主網絡輸出。新HRNetV2模型的特點是在整個特征提取過程中特征圖始終保持高分辨率，從而得到更高精度的分割結果。

新HRNetV2模型首先在大規模公開數據集（ImageNet）上進行模型預訓練，而后在研究人員自己標注的樣本數據集上進行模型精調。優化過程中采用交叉熵作為損失函數，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。

2? 結果與分析

西湖龍井茶園新HRNetV2模型遙感識別結果見圖1，而后通過人工判圖的方式對自動提取結果進行一定程度的修正，已達到單個斑塊準確率、覆蓋準確率等要求。對自動提取結果中存疑的斑塊，再次實地核查，將核查的結果補充為樣本，豐富樣本類型，提高識別精準度。

2.1? 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的疑似斑塊的實地查證。核查主要發現：一是呈現顆粒狀、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現往往是稀疏林地；二是與茶葉斑塊緊鄰的質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，經實地勘察發現主要為幼齡茶樹；三是紋理特征類似茶樹，但顏色呈現黑褐色的疑似斑塊，這類斑塊往往是黑色的茶園遮陽網。

2.2? 識別精度

基于JL01高分辨率遙感衛星為主，輔以中低分辨率多光譜遙感影像，通過新HRNetV2模型識別出的茶園邊界與居住區以及山上的林木邊界清晰，紋理細膩豐富。衛星遙感識別出西湖龍井茶園面積1 400.63 hm2，與2022年杭州市統計局統計年鑒中西湖區茶園面積1 524.2 hm2相比，遙感識別茶園面積偏少123.65 hm2，識別準確率接近92%。遙感識別的誤差，一方面受衛星數據分辨率制約，存在零散微小茶園圖斑的遺漏情況，還有某些在高大樹木下的茶地無法進行識別；二是受衛星影像“同物異譜，同譜異物”的影響，同一類地物具有不相似的色彩和紋理，或者不同地物具有相似的色彩和紋理；三是對疑似茶園的判斷上仍存在不確定性，雖然通過實地調查的方式對疑似斑塊進行確認，但仍不能避免某些斑塊的誤判。

2.3? 茶園地塊分布

西湖龍井茶園分布較為集中，茶園所在的山地以東南—西南、南—北走向為主，面積在0.067 hm2以上的茶園多分布在海拔30～260 m以及坡度在5°～20°的谷地、坡地和洼地。

遙感反演識別茶園總計約1 540個，其中西湖風景名勝區范圍內444個，西湖區范圍內1 096個，不同面積茶園分布情況見表2。西湖風景名勝區識別茶園最小面積約40 m2，位于楊梅嶺；最大約356 390 m2，位于翁家山。西湖區范圍內最小茶園面積約55 m2，位于沈家弄社區；最大約555 055 m2，位于桐塢。在識別過程中，也對茶園的季節差異進行了分析，由于茶樹為常綠植物，大多春季采摘，其他季節以灌溉、修剪、施肥等田間管理為主，對秋冬季的識別結果比對后發現，主要差別在茶園的邊緣范圍，對于新開墾的茶園，特別是兩三年以內的植株稀疏，冬季和其他季節相比植被覆蓋度差別較大；春夏和秋季相比主要是由于茶園修剪造成的植被覆蓋特征差異。

3? 小結與討論

遙感技術是氣象信息獲取的重要技術手段，為氣象信息的全面性、及時性和準確性奠定了重要基礎。近幾年來，國內發射大量高分辨遙感衛星并進行星座組網，高分辨率遙感技術的快速發展，為精細化的農業監測帶來了質的飛躍。本研究使用“亞米級”分辨率的光學遙感衛星影像包含地物豐富的紋理、形狀、結構、鄰域關系等信息，結合中低分辨率的遙感衛星資料，以新HRNetV2模型提取西湖龍井茶園的空間分布信息，對于西湖龍井茶的精細氣象服務提供了技術支持。

數字化西湖龍井茶園分布信息對于龍井茶品牌的保護、產量估算以及田間管理有重要的意義。農業等監管部門可以把更多的資源和注意力放在較大面積的重點區域茶園的保護及監管，還可以對不同面積大小、坡度以及海拔的茶園采用不同的田間管理模式，提高茶園管理的效率。數字化龍井茶園的分布信息，對于農業信息的普查和常規統計，也是一種有益的補充。

參考文獻

[1] 中華全國供銷合作總社. 西湖龍井茶： GH/T 1115—2015[S/OL]. 2015. [2023-08-17]. http：//down.foodmate.net/standard/yulan.php？itemid=49227.

[2] 高園園， 孫暢， 袁如金. 地理國情普查成果在第三次農業普查中的應用研究[J]. 測繪與空間地理信息， 2019， 42（1）： 102-105.

[3] 范澤琳， 曲春梅， 朱瑞飛， 等. 吉林一號在廣西甘蔗種植區提取中的應用[J]. 衛星應用， 2020（3）： 34-37， 46.

[4] 王長青， 李貝貝， 朱瑞飛， 等. 哨兵一號協同吉林一號影像的樹種識別研究[J]. 森林工程， 2020， 36（2）： 40-48.

[5] 韓睿， 黃鵬，? 蘆楠， 等. 吉林一號在地表水遙感監測中的應用[J]. 衛星應用， 2020（3）： 47-53.

[6] 朱瑞飛， 馬經宇， 李竺強， 等. 多層感知卷積神經網絡的國產多光譜影像分類[J]. 光學學報， 2020， 40（15）： 200-212.