基于Sentinel-2 遙感影像的莓茶空間分布研究

陳彤羽 段良霞 謝紅霞 王瑩瑩 毛小蘭 周 清

（湖南農業大學資源學院，湖南 長沙 410128）

莓茶是葡萄科蛇葡萄屬的木質藤本，又被稱為藤茶、顯齒蛇葡萄，具有天然、綠色、富酮和回甘的特性，內含豐富的天然活性成分黃酮、氨基酸和一些人體所需的微量元素，具有較高的飲用與藥用價值，被譽為植物“黃酮之王”[1-2]。湖南湘西土家族苗族自治州M 地是莓茶的主要種植區之一，莓茶產業是當地的特色農作物產業之一。該地區莓茶主要種植在武陵山脈中段的旱坡地上。準確識別莓茶種植區域的空間分布情況，為莓茶產量與效益評估提供有效參考，對區域農作物種植結構調整升級、可持續發展具有重要意義。

相較于傳統的實地調查測量和統計匯總方法，遙感是一種新興的探測技術，其具有大面積同步觀測、時效性強且不受地面條件制約的優點，廣泛應用于農情調查檢測工作[3]。許多學者根據農作物的光譜特征[4]進行識別分類，因其分類效果不夠理想，又有學者引入最大似然法[5]、支持向量機[6]、神經網格[7]和隨機森林[8-9]等方法來提高分類精度。僅依靠農作物的光譜信息進行識別分類，會導致地物間“同物異譜”和“同譜異物”的現象出現。針對這一問題，有學者在識別分類的過程中又加入了植被指數[10-11]、紋理特征[12]與地形特征[13]等其他特征，從而提高分類精度，獲得更好的分類結果。與單一時相進行分類提取的方法相比，多時相分類方法可以根據農作物的物候信息，利用生長期內不同時間的遙感影像，構建時間序列曲線數據，對不同地類、不同農作物進行提取，使得分類結果更加精準。因此，可以從農作物生長發育期的光譜變化特征與植被指數時間序列數據曲線入手進行農作物種植面積的精準提取。張悅琦等[14]利用高分六號遙感影像，通過構建歸一化植被指數（NDVI）、歸一化水體指數、比值植被指數和歸一化差一紅邊指數，根據各地物類型進行時序分析，準確提取了遼寧盤錦水稻種植面積。喬樹亭等[15]利用Sentinel-1和Sentinel-2的遙感影像數據分別構建歸一化植被指數、歸一化水體指數組成完整的水稻生長曲線，分析水稻各生長期不同的光譜差異，通過閾值分割與組合不同生長時期的數據，來實現三江平原水稻在不同物候期種植面積的提取。闞志毅等[16]利用冬小麥物候期內的Landsat 8 OLI和高分一號數據，將研究區分為3 種不同類型的提取區域，根據空間分布特征的差異選取不同的方法進行冬小麥面積分類提取，為市域范圍提取冬小麥面積提供理論參考。

目前，農作物分類提取方面的研究大多是利用中分辨率成像先譜儀（MODIS）植被指數時間序列數據。如鄧剛等[17]以MODIS 為數據源，獲取LWSI 與EVI 的時序數據，并建立湖南水稻紙質面積決策樹模型，對模型精度進行評價，但其分類精度受到MODIS 影像范圍廣、空間分辨率低等的限制。對此，王建興等[18]利用空間分辨率更高的Landsat 8 OLI 影像作為數據源，運用NDVI 閾值分割法，結合決策樹，分類提取了研究區冬小麥種植區域數據，但仍存在混合像元。Sentinel-2 搭配具有13 個波段的高分辨率多光譜成像儀，其在同一軌道上有相距180° Sentile-2A 與Sentinel-2B 兩顆衛星，重訪周期為5 d[19]。該衛星影像較高的空間與時間分辨率可以更好地表現出農作物的生長發育特征，為更準確地分類提取農作物種植范圍提供幫助。因此，該研究有助于探究常年在植被茂盛條件下，高分辨率的Sentinel-2 影像結合植被指數時間序列特征在莓茶種植區域的提取。利用高空間分辨率、長時間序列遙感影像以及典型植被指數等數據開展農作物識別提取成為研究的主要方向。

本文以湖南湘西土家族苗族自治州M地為研究區，以Sentinel-2 遙感影像為主要數據源，通過構建當地典型地物時間序列影像數據集，依據莓茶與不同地物之間的物候特征，借助物候參數對莓茶進行分類提取，研究并探討植被指數特征結合決策樹分類方法在莓茶遙感識別中的應用潛力。

1 材料與方法

1.1 研究區基本情況

本研究選取M 地（28°22′～29°12′ N，109°50′～109°57′ E）為研究區，其是莓茶的重要產銷地之一，地處武陵山脈中段，南北狹長，東西短，地形以低山丘陵為主，海拔330～1 025 m，氣候類型為亞熱帶季風氣候，年平均降水量1 360 mm以上，4—10月降水占全年80%以上，年積溫5 196 ℃，主要土壤類型為黃砂土，pH值范圍為4.0～7.5，土層深厚肥沃。該自然環境有利于天然活性黃酮、氨基酸及其他維生素等有效成分的積累，從而使研究區具有獨特性。

莓茶是研究區主要農作物之一，在自然生長條件下，莓茶全年有3 次生長期與采摘期，即3 月上旬至4 月上旬第一次生長形成春梢，4月中旬至5月上旬第一次春茶采摘；6 月上中旬第二次生長形成夏梢，6月下旬至7月上旬第二次夏茶采摘；8月上中旬第三次生長形成秋梢，8 月下旬至10 月第三次秋茶采摘，11月果實成熟后進入休眠期。研究區主要農作物生長周期如表1所示。

表1 莓茶在研究區的物候期

1.2 數據來源及預處理

根據莓茶生長周期，選取了2022年3月至2023年1 月完全覆蓋研究區且質量較好的Sentinel-2 影像用于農作物識別（表2）。研究所需數據來源于某數據共享網站（https：//scihub.copernicus.eu/）。數據預處理流程主要分為重采樣、波段融合以及柵格輸出。首先，在SNAP 軟件上對影像數據進行重采樣加工，得到10 m 分辨率的13 個波段；其次，將重采樣得到的B2、B3、B4、B5、B6、B7、B8、B8A、B11 和B12 波段進行融合；最后，利用研究區邊界數據對影像數據進行裁剪，獲取研究區影像。

表2 Sentinel-2波段信息

通過野外實地調查與Google 影像圖目視解譯選取研究樣本數據，共獲得272 個樣本數據。其中，莓茶獲取了67 個樣本，水田獲取了55 個樣本，旱地獲取了50 個樣本，林地獲取了50 個樣本，水體獲取了25 個樣本，建筑用地獲取了25 個樣本。在研究中用于訓練和驗證的樣本點按照8∶2 的比例隨機選取，分別用于農作物識別分類及后期的精度驗證。

1.3 研究方法

本研究通過對Sentinel-2 影像數據的光譜特征與植被指數特征進行分析，獲取應用于莓茶分類提取的特征，分析其光譜曲線與植被系數的時間序列曲線，構建決策樹分類模型，對莓茶進行提取[20]，并與最大似然法和支持向量機進行分類精度對比。

1.3.1 分類指標本研究選擇藍（B）、綠（G）、紅（R）和近紅外（NIR）4 個光譜特征與歸一化植被指數[21-22]、增強型植被指數（EVI）[23]這兩個典型植被指數作為分類指標。地物的光譜反射值作為識別與分類的基礎，廣泛應用于遙感影像的分析工作中。基于野外調查與高空間分辨率的遙感影像獲取各地物的樣本點，進一步分析得到不同地物的光譜特征值，從而為各地物分類提供依據。植被指數是利用遙感影像不同波段組合而成的光譜特性，能夠反映不同植被類型的物候差異和光譜特征。研究區內的農作物有著不同的生長期，農作物的植被指數會隨著季節的變化而變化。通過構建不同地物的時間序列曲線，可以直接看出各地物在不同時期植被指數的變化，可以為劃分各類地物植被指數閾值提供參考，從而提高分類精度。NDVI 與EVI 兩種植被系數較為常見，其計算公式分別如下。

式中，ρNIR為近紅外波段反射率，ρRED為紅波段反射率，ρBLUE為藍波段反射率，L 為土壤調節系數，取值為1。

1.3.2 分類方法遙感影像分類的常用方法主要有3 種，即最大似然法、支持向量機和決策樹分類法。最大似然法是在兩類或多類判決中，用統計方法根據最大似然比貝葉斯判決準則法建立非線性判別數據，假定各類分布函數為正態分布，并選取感興趣區，計算各地物分類樣本的歸屬概率；支持向量機是一種基于統計學習理論的機器學習算法，從原始數據中提取最佳分類的超平面，再根據支持向量的距離來判斷類別，使分類效果盡可能獲得較高精度；決策樹分類方法通過設定一些條件對原始數據進行分層細化，其每個分叉點代表一個決策判斷條件，分叉點下的兩個支點代表滿足于不滿足條件的子集，按照一定的分割原則將數據依次分為多個子集，直至所有子集僅包含同一類別或子集包含的樣本數小于某閾值[24]。

綜上，采用最大似然法、支持向量機與決策樹分類法3種分類方法分別進行試驗，并對3種分類方法的試驗結果進行比對分析，最后選出分類精度最高的分類方法。

1.3.3 精度評價本文基于光譜特征分析結果，根據實地采樣與目視解譯獲取的樣本點，提取研究區的建筑、林地、水體、水田、旱地和莓茶共6 種主要地物在時間序列影像上的NDVI 和EVI 平均值，分別構建各時相的藍（B）、綠（G）、紅（R）和近紅外（NIR）4 個光譜特征曲線，以及NDVI 和EVI 兩種植被指數的時序曲線。通過反復測試，根據不同的地物類型選擇合適的光譜特征，選取分類閾值，構建決策樹分類模型，對研究區多時相Sentinel-2 影像進行分類提取，得到莓茶種植區域的空間分布狀況。最后，利用混淆矩陣計算總體精度（OA）和Kappa 系數，對分類結果進行評價。具體研究流程如圖1所示。

圖1 Sentinel-2影像研究流程

2 結果與分析

2.1 光譜特征曲線分析

本研究參照Google Earth影像和野外調查數據，選取研究區內水田、旱地、莓茶、林地、建筑和水體共6 種典型地物樣本進行光譜特征分析。分別計算各地物樣本在藍（B）、綠（G）、紅（R）和近紅外（NIR）4個波段的光譜均值，并繪制光譜特征曲線圖。

研究區6 種典型地物光譜曲線如圖2 所示，其中，2022年3月11日（圖2A）、4月10日（圖2B）、6月14 日（圖2C）、9 月12 日（圖2D）、10 月12 日（圖2E）和2023年1月30日（圖2F）影像中，藍（B）、綠（G）和紅（R）3個波段差異較小，莓茶與水田的亮度值重疊度較高；莓茶、旱地、水田和林地的亮度值都在紅（R）波段后迅速上升，在近紅外（NIR）波段處達到頂峰隨后逐漸降低；在圖2（C）中，林地亮度值高于其他地物，因為在這一時期，其他農作物還在生長期，而林地植被生長茂盛，因此可以通過該時期的近紅外（NIR）波段提取林地。

圖2 6時相各地物光譜特征曲線

2.2 時間序列曲線分析

圖3—4 分別為研究區6 種典型地物的NDVI 時間序列曲線和EVI 時間序列曲線。在莓茶生長期，建設用地和水體的NDVI和EVI指數變化較小；林地的NDVI 和EVI 指數一直高于其他地物且變化較為平緩；莓茶在3—4 月的NDVI 和EVI 系數因人工干預而有所下降，隨后在4—10月整體持續增長，最后在次年1月因處于休眠期而急劇下降；水田的NDVI和EVI 指數在3—4 月略有下降，在4—10 月整體呈上升趨勢，之后開始下降；旱地的NDVI 和EVI 指數在3—10月持續上升，之后開始下降。

圖3 主要地物類別NDVI時間序列特征曲線

圖4 主要地物類別EVI時間序列特征曲線

2.3 基于光譜特征的地物提取

在整個莓茶的生長發育期，有些時間段的光譜特征與其他地類相似，分類時會受到干擾。如低矮灌木和荒地的光譜特征與莓茶休眠期的特征類似，而在莓茶與水田的生長旺盛期，一些常綠林地和灌木的光譜特征與之類似，會干擾對莓茶的分類提取，從而需要對莓茶生長發育期內可能影響其分類提取地類的光譜特征進行分析。

從圖3—4 可知，建筑用地和水體的NDVI 值在整個時間序列中都處于較為穩定的狀態，且均小于0.25，尤其是在6 月、9 月和10 月這3 個時期與其他地物有明顯區別。經試驗得知，9 月的影像分類效果最好，因此首先利用9 月22 日NDVI0922＞0.22 將水體、建筑用地等非植被覆蓋區剔除。其次，研究區內的農作物在4—6月都處于幼苗期，莓茶在這一時期也受到除草、修剪和采摘等人工干預，農作物覆蓋率不高，而林地生長較為茂盛，與農作物光譜特征具有明顯區別，因此，對6 月14 日NDVI0614＞0.45 與近紅外（NIR）＞5 000 進行農作物和林地的提取分類，將林地與農作物區分出來。

從圖5 可以看出，NDVI 與EVI 在農作物主要生長發育時期差異較小。旱地作物在4月正處于生長期，EVI較高，此時莓茶與水田作物EVI較低，經過反復測試，EVI0410＜0.22，可以將旱地作物與莓茶和水田作物進行區分。水田作物在4 月正在灌水泡田，這種獨特的耕種方式使得該作物與莓茶呈現明顯差異，可以進行區分，以EVI0410＞0.09區分莓茶與水田。利用上述規則，得出研究區莓茶種植區域。

圖5 決策樹分類模型

2.4 分類結果分布

采用決策樹分類法對研究區莓茶種植區域進行分類提取，由結果可知，研究區莓茶種植較為破碎，主要沿南北方向狹長分布，且研究區均有種植。根據分類提取所得研究區莓茶分布面積如表3 所示。研究區莓茶種植面積為1 184.45 hm2，其中M地種植287.49 hm2，占總面積的24.27%；G地種植243.96 hm2，占總面積的20.60%；T地種植217.55 hm2，占總面積的18.37%；W 地種植189.21 hm2，占總面積的15.95%；D 地種植98.11 hm2，占總面積的8.25%；L 地種植90.82 hm2，占總面積的7.64%；Q 地種植58.41 hm2，占總面積的4.92%。可知，莓茶種植面積最大的是M地，種植面積最小的是Q地。

表3 各地莓茶分布面積

2.5 分類結果驗證

本研究利用決策樹分類方法確定的驗證樣本點對分類結果進行精度驗證。利用分類后的結果與地面驗證樣本建立混淆矩陣，如表4所示。其中，莓茶的用戶精度達到了94.1%，非莓茶種植區域的75 個像元中只有1個是漏分的。

表4 莓茶分類結果混淆矩陣

最大似然法、支持向量機與決策樹分類法3 種方法的分類精度與Kappa 系數如表5 所示。可知，3 種分類方法的分類精度均超過90%，其中，決策樹分類法效果最好，分類精度為97.2%，Kappa 系數為0.963；支持向量機分類效果次之，分類精度為92.9%，Kappa 系數為0.896；最大似然法分類效果最差，分類精度為91.7%，Kappa 系數為0.888。由于在分類過程中增加了對不同地類不同農作物類型的光譜比對分析，不同地類分類特征的針對性增強，因此，根據構建的分類規則，逐步進行分類識別提取，使得分類精度大幅提高。最大似然法與支持向量機只能根據訓練樣本進行分類提取，對于較為破碎的地塊和農作物混種的地塊很難進行劃分，從而導致這些方法的錯分概率較高，分類精度降低。

表5 3種方法分類精度和Kappa數

3 結論與討論

基于2022年3月至2023年1月涵蓋M地莓茶生長發育期的多時相Sentinel-2影像，通過對不同地物的典型植被指數NDVI和EVI進行時間序列分析，構建決策樹模型，對莓茶種植范圍進行提取，并與最大似然法和支持向量機提取結果相對比，得到以下結論。（1）研究區莓茶種植較為分散，種植地塊較為破碎。主要分布于中部與北部的T地、M地和G地，研究區東部與南部的D地和Q地分布較少。（2）根據實地驗證點對M 地莓茶種植范圍提取結果進行驗證，結果顯示，最大似然法的分類精度為91.7%，支持向量機分類方法的分類精度為92.9%，構建決策樹分類方法的分類精度為97.2%，對比可知，決策樹分類方法精度更高。

從分析地物的時間序列特征變化入手，利用地物自身的典型植被指數變化，從多時相Sentinel-2遙感影像數據提取莓茶種植信息，有助于了解農作物的空間分布和生長狀況，同時為農業監測提供技術支持。本文采用的決策樹分類方法需要較長時間來建立模型，且閾值選取難度較大，需要反復測試，以確定預制區間，導致效率較低，后續可以考慮使用隨機森林或深度學習等方法開展相關研究。另外，本研究基于Sentinel-2 遙感影像數據進行莓茶提取，但10 m 分辨率對細小破碎、分布零散和混種現象嚴重的區域難以做到精確分類，混合像元仍是影響分類精度的主要原因之一。下一步可以將Sentinel-2 影像與其他高分辨率遙感影像相結合，以解決在精確提取農作物種植數據時出現的分辨率較低的問題。