楊軍 范遼生

摘要：文章基于吉林一號(hào)高分辨率衛(wèi)星以及中低分辨率衛(wèi)星資料，利用實(shí)例分割法和改進(jìn)的HRNetV2模型，對(duì)西湖龍井茶園進(jìn)行初步自動(dòng)提取，在此基礎(chǔ)上結(jié)合人工解譯，進(jìn)一步獲取精細(xì)空間分布和面積統(tǒng)計(jì)。通過新HRNetV2模型識(shí)別出的茶園邊界與居住區(qū)以及山上林木邊界清晰，紋理細(xì)膩豐富，茶園面積識(shí)別準(zhǔn)確率接近92%。研究對(duì)西湖龍井品牌保護(hù)、數(shù)字化管理、精細(xì)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。

關(guān)鍵詞：西湖龍井；茶園；吉林一號(hào)；新HRNetV2模型

中圖分類號(hào)：S571.1；S771.8? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文章編號(hào)：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(jīng)》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(chǎn)區(qū)包括西湖區(qū)、西湖風(fēng)景名勝區(qū)所轄區(qū)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(chǎn)區(qū)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?yàn)橹鳎吓R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(wèi)星和吉林一號(hào)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(jí)分辨率影像上因其可以觀測到更為細(xì)致的地表覆蓋結(jié)構(gòu)，反映真實(shí)的地物類型特點(diǎn)，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[2]，大量人工實(shí)地測量工作被遙感測量替代。范澤琳等[3]分析了吉林一號(hào)視頻04 星推掃數(shù)據(jù)、高分一號(hào)以及哨兵二號(hào)（Sentinel-2）提取廣西甘蔗種植區(qū)空間分布，認(rèn)為基于高分一號(hào)數(shù)據(jù)和Sentinel-2數(shù)據(jù)的甘蔗種植區(qū)提取精度分別為87.76%和84.04%，均低于吉林一號(hào)94.06%的提取精度。王長青等[4]基于吉林一號(hào)光學(xué)A 星和哨兵一號(hào)（Sentinel-1）數(shù)據(jù)，利用SVM支持向量機(jī)方法對(duì)長春市凈月潭國家森林公園進(jìn)行了分類研究，認(rèn)為吉林一號(hào)光學(xué)影像結(jié)合Sentinel-1強(qiáng)度數(shù)據(jù)和有效相干性數(shù)據(jù)能夠提高通過遙感技術(shù)獲得森林分類產(chǎn)品的精度，為森林保護(hù)提供更精確的數(shù)據(jù)信息。韓睿等[5]使用吉林一號(hào)衛(wèi)星數(shù)據(jù)結(jié)合了深度學(xué)習(xí)等研究方法，提高了江蘇省昆山市重點(diǎn)水體監(jiān)測精度，為相關(guān)部門開展精細(xì)監(jiān)測提供了科技支撐。朱瑞飛等[6]應(yīng)用多層感知卷積神經(jīng)網(wǎng)絡(luò)多光譜影像分類方法，對(duì)印度納西克研究區(qū)地表分類進(jìn)行研究，結(jié)果表明吉林一號(hào)光譜衛(wèi)星影像上的總體分類精度可達(dá)94%以上。

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，又因其種植歷史悠久，缺乏統(tǒng)一規(guī)劃布局，分布較為零散，本研究使用吉林一號(hào)（JL01）衛(wèi)星0.75 m分辨率融合影像，結(jié)合高分6號(hào)（GF-6）、sentinel-2以及美國陸地衛(wèi)星（Landsat8）等衛(wèi)星資料，彌補(bǔ)中低分辨率遙感影像由于空間分辨率不足、地物空間細(xì)節(jié)信息有限且受混合像元的影響、單獨(dú)依靠光譜特征不足以滿足業(yè)務(wù)上對(duì)于作物精準(zhǔn)分布識(shí)別的需求，實(shí)現(xiàn)優(yōu)勢互補(bǔ)，提高作物識(shí)別精度。

1? 數(shù)據(jù)與方法

1.1 數(shù)據(jù)

研究使用JL01、GF-6、sentinel-2、Landsat8等衛(wèi)星資料，相關(guān)衛(wèi)星參數(shù)見表1。杭州行政區(qū)和水系以及數(shù)字高程等基礎(chǔ)地理數(shù)據(jù)由相關(guān)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(duì)茶葉種植區(qū)的提取采用不同季節(jié)的多期影像。

本研究主要研究范圍為119.92—120.22E，30.00—30.30N內(nèi)，遙感影像時(shí)間從2019年秋季到2020年夏季，包括JL01、GF-6、Sentinel-2和Landsat8等衛(wèi)星在西湖區(qū)質(zhì)量好、云量小的覆蓋的影像數(shù)據(jù)。

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

GF-6號(hào)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(shù)方法

本研究以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，結(jié)合杭州西湖龍井茶種植區(qū)的綜合特征，使用實(shí)例分割法和基于改進(jìn)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(jī)器學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，其特點(diǎn)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）基礎(chǔ)深度學(xué)習(xí)模型（以下簡稱新HRNetV2模型），對(duì)西湖龍井茶園進(jìn)行初步自動(dòng)提取，在此基礎(chǔ)上結(jié)合人工解譯，進(jìn)一步獲取茶園精細(xì)的空間分布和面積統(tǒng)計(jì)。

1.2.1? 西湖龍井的樣本集

新HRNetV2模型關(guān)鍵點(diǎn)在于樣本的種類、質(zhì)量和數(shù)量，本研究采用4種方式采集和優(yōu)化800多個(gè)樣本，其中茶葉樣本200個(gè)，其他樣本600多個(gè)。一是根據(jù)杭州市已有龍井茶地物的分布成果數(shù)據(jù)，從中選取樣本；二是對(duì)特征簡單地物，采用人工目視解譯選擇樣本；對(duì)特征復(fù)雜、難以確定的地物進(jìn)行實(shí)地人工考察；三是利用多光譜地物分類技術(shù)，結(jié)合中低分辨率影像豐富的光譜信息提取茶葉柵格產(chǎn)品；四是利用訓(xùn)練好的新HRNetV2模型，對(duì)影像進(jìn)行分割提取，獲取西湖龍井地物自動(dòng)分割結(jié)果。

1.2.2? 新HRNetV2模型訓(xùn)練并進(jìn)行優(yōu)化改進(jìn)

新HRNetV2模型主體為4個(gè)并行的子網(wǎng)絡(luò)（第一到第四階段），每個(gè)子網(wǎng)絡(luò)基于ResNet-50進(jìn)行設(shè)計(jì)。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(shù)逐漸增加1倍。第一階段為主網(wǎng)絡(luò)，其逐漸并行加入低分辨率的子網(wǎng)絡(luò)以建立第二、第三、第四階段，各子網(wǎng)絡(luò)之間通過交換單元進(jìn)行信息交換，從而實(shí)現(xiàn)多尺度特征融合與提取。HRNetV2共有8個(gè)交換單元，即進(jìn)行8次多尺度特征融合，最終的特征提取結(jié)果在高分辨率的主網(wǎng)絡(luò)輸出。新HRNetV2模型的特點(diǎn)是在整個(gè)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(jié)果。

新HRNetV2模型首先在大規(guī)模公開數(shù)據(jù)集（ImageNet）上進(jìn)行模型預(yù)訓(xùn)練，而后在研究人員自己標(biāo)注的樣本數(shù)據(jù)集上進(jìn)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(píng)價(jià)指標(biāo)對(duì)算法檢測性能進(jìn)行評(píng)價(jià)。

2? 結(jié)果與分析

西湖龍井茶園新HRNetV2模型遙感識(shí)別結(jié)果見圖1，而后通過人工判圖的方式對(duì)自動(dòng)提取結(jié)果進(jìn)行一定程度的修正，已達(dá)到單個(gè)斑塊準(zhǔn)確率、覆蓋準(zhǔn)確率等要求。對(duì)自動(dòng)提取結(jié)果中存疑的斑塊，再次實(shí)地核查，將核查的結(jié)果補(bǔ)充為樣本，豐富樣本類型，提高識(shí)別精準(zhǔn)度。

2.1? 實(shí)地考察

實(shí)地考察的主要目的是對(duì)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(shí)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(shí)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(shí)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)。

2.2? 識(shí)別精度

基于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，通過新HRNetV2模型識(shí)別出的茶園邊界與居住區(qū)以及山上的林木邊界清晰，紋理細(xì)膩豐富。衛(wèi)星遙感識(shí)別出西湖龍井茶園面積1 400.63 hm2，與2022年杭州市統(tǒng)計(jì)局統(tǒng)計(jì)年鑒中西湖區(qū)茶園面積1 524.2 hm2相比，遙感識(shí)別茶園面積偏少123.65 hm2，識(shí)別準(zhǔn)確率接近92%。遙感識(shí)別的誤差，一方面受衛(wèi)星數(shù)據(jù)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?zé)o法進(jìn)行識(shí)別；二是受衛(wèi)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(duì)疑似茶園的判斷上仍存在不確定性，雖然通過實(shí)地調(diào)查的方式對(duì)疑似斑塊進(jìn)行確認(rèn)，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?yàn)橹?，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(shí)別茶園總計(jì)約1 540個(gè)，其中西湖風(fēng)景名勝區(qū)范圍內(nèi)444個(gè)，西湖區(qū)范圍內(nèi)1 096個(gè)，不同面積茶園分布情況見表2。西湖風(fēng)景名勝區(qū)識(shí)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(qū)范圍內(nèi)最小茶園面積約55 m2，位于沈家弄社區(qū)；最大約555 055 m2，位于桐塢。在識(shí)別過程中，也對(duì)茶園的季節(jié)差異進(jìn)行了分析，由于茶樹為常綠植物，大多春季采摘，其他季節(jié)以灌溉、修剪、施肥等田間管理為主，對(duì)秋冬季的識(shí)別結(jié)果比對(duì)后發(fā)現(xiàn)，主要差別在茶園的邊緣范圍，對(duì)于新開墾的茶園，特別是兩三年以內(nèi)的植株稀疏，冬季和其他季節(jié)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(jié)與討論

遙感技術(shù)是氣象信息獲取的重要技術(shù)手段，為氣象信息的全面性、及時(shí)性和準(zhǔn)確性奠定了重要基礎(chǔ)。近幾年來，國內(nèi)發(fā)射大量高分辨遙感衛(wèi)星并進(jìn)行星座組網(wǎng)，高分辨率遙感技術(shù)的快速發(fā)展，為精細(xì)化的農(nóng)業(yè)監(jiān)測帶來了質(zhì)的飛躍。本研究使用“亞米級(jí)”分辨率的光學(xué)遙感衛(wèi)星影像包含地物豐富的紋理、形狀、結(jié)構(gòu)、鄰域關(guān)系等信息，結(jié)合中低分辨率的遙感衛(wèi)星資料，以新HRNetV2模型提取西湖龍井茶園的空間分布信息，對(duì)于西湖龍井茶的精細(xì)氣象服務(wù)提供了技術(shù)支持。

數(shù)字化西湖龍井茶園分布信息對(duì)于龍井茶品牌的保護(hù)、產(chǎn)量估算以及田間管理有重要的意義。農(nóng)業(yè)等監(jiān)管部門可以把更多的資源和注意力放在較大面積的重點(diǎn)區(qū)域茶園的保護(hù)及監(jiān)管，還可以對(duì)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(shù)字化龍井茶園的分布信息，對(duì)于農(nóng)業(yè)信息的普查和常規(guī)統(tǒng)計(jì)，也是一種有益的補(bǔ)充。

參考文獻(xiàn)

[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(nóng)業(yè)普查中的應(yīng)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(hào)在廣西甘蔗種植區(qū)提取中的應(yīng)用[J]. 衛(wèi)星應(yīng)用， 2020（3）： 34-37， 46.

[4] 王長青， 李貝貝， 朱瑞飛， 等. 哨兵一號(hào)協(xié)同吉林一號(hào)影像的樹種識(shí)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(hào)在地表水遙感監(jiān)測中的應(yīng)用[J]. 衛(wèi)星應(yīng)用， 2020（3）： 47-53.

[6] 朱瑞飛， 馬經(jīng)宇， 李竺強(qiáng)， 等. 多層感知卷積神經(jīng)網(wǎng)絡(luò)的國產(chǎn)多光譜影像分類[J]. 光學(xué)學(xué)報(bào)， 2020， 40（15）： 200-212.