基于多源遙感數據的茶葉種植面積時空變化研究

摘要：茶葉是重要的經濟樹種之一，分析茶葉種植面積的時空演變規律可為優化河南茶葉布局提供科學依據。基于2000—2020年Landsat和Sentinel-2衛星數據，結合實地調查數據，采用隨機森林分類方法獲得河南省信陽市浉河區茶葉種植面積空間分布信息，采用趨勢分析、重心遷移等方法對浉河區茶葉生產空間布局與時空變化趨勢進行分析。結果表明：光譜+植被指數+紋理特征組合對茶葉分類精度最高，總體精度可達89.02%，Kappa系數為0.90；從時序變化來看，2000—2020年浉河區茶葉種植面積總體上呈現快速增長到穩步上升趨勢。從空間變化來看，浉河區茶葉種植空間分布相對集中，主要分布于北部鄉鎮的丘陵地區和淺層山區。從重心變化來看，近20年浉河區茶葉種植面積重心呈現出由東向西轉移的趨勢，重心遷移總距離為5.47 km，遷移速度為0.273 5 km·a-1。研究結果為茶葉科學種植提供了數據支撐。

關鍵詞：茶葉；面積；多源；遙感；時空變化doi：10.13304/j.nykjdb.2023.0243

中圖分類號：S126；TS272 文獻標志碼：A 文章編號：10080864（2024）12010708

茶起源于中國，是非常受歡迎的飲料原料。茶產業是河南省信陽市的優勢產業和特色產業，也是農村經濟的特色支柱產業和農民致富的主導產業，對農業經濟和農村發展具有重要作用。精準掌握茶葉種植面積及其擴張趨勢，對農業部門規劃茶葉產業發展布局具有重要的指導意義[1]。

傳統的茶葉種植面積是通過人工野外調查后估算得到的，需要大量的人力、物力，且時效性差、精度低。遙感技術在獲取信息方面具有快速、準確的優勢，利用遙感技術實現茶葉種植區的自動提取是可行的[2]。徐偉燕等[3]使用ZY-3影像數據，結合光譜特征、植被指數特征和紋理特征，使用決策樹分類器提取了茶葉種植區；馬超等[4]提取中尺度光譜和時序物候特征，并結合決策樹模型提取茶葉種植區；楊艷魁等[5]采用支持向量機方法對茶葉進行分類和識別。張世超等[6]利用空間分辨率為0.5 m 的航空影像，在分析茶區與其他植被區在變差函數紋理特征差異的基礎上，構建了決策樹分類模型提取茶種植區，精度可達83.69%。Dihkan等[7]使用支持向量機算法對茶葉多維紋理和光譜特征組合進行分類，獲得高精度的茶葉信息，總體精度達97.40%。孟浩然等[8]利用春、夏、秋3季的高分數據進行油茶遙感提取，精度可達94.06%。上述茶葉種植區提取通過提前設計特征，然后使用機器學習分類器進行分類識別，取得了較好的精度結果。相比傳統手段，遙感監測獲取的茶葉種植面積更具客觀性和空間可視性[9-11]。21 世紀以來，在社會經濟發展和政策刺激下，河南省信陽市浉河區茶葉產業進入快速發展階段[12]。據《2021 年浉河區國民經濟和社會發展統計公報》，浉河區茶葉種植面積4.144 萬hm2，約占全省茶葉種植面積的1/4，是河南省茶葉種植的主要產區。因此，本研究利用Landsat、Sentinel-2等中、高分辨率遙感影像數據精準提取茶葉種植面積，剔除了茶園中的道路、附屬設施等干擾信息，得到了浉河區近20年來茶葉種植面積，打破以行政區劃為單元的限制，采用重心遷移模型，從時間和空間上對茶葉種植區的變化特征進行多維度分析，為調整優化茶葉種植結構，推動信陽茶葉產業發展提供決策支持。

1 材料與方法

1.1 研究區概況

信陽市浉河區位于河南省南部（113°42′36″—114°08′34″E，31°24′06″—32°33′00″N），地處淮河上游、大別山北麓。地形由西南向東北緩傾，西部和南部分別是桐柏山和大別山，東部和北部是淮河沖積平原，最高海拔906 m，最低海拔54 m。氣候屬亞熱帶向暖溫帶過渡的大陸性季風氣候，年平均氣溫15.1 ℃，年平均降水量1 109.11 mm，年平均相對濕度76%，年平均無霜期221 d，自然條件和氣候有利于茶葉的生長。

1.2 數據來源及處理

1.2.1 最佳監測時間 每年10月上旬至次年2月中旬為茶葉越冬休眠期，茶樹為常年青植物，落葉樹處于落葉期，落葉后更易區分茶葉。因此，12月上旬至次年2月下旬是茶葉種植面積的最佳監測時間。

1.2.2 遙感數據及處理 本研究采用的遙感數據為Sentinel-2、Landsat系列衛星等長時間序列的遙感影像。其中，Landsat 系列衛星包括Landsat5、Landsat7、Landsat8，數據來源于中國科學院空天信息創新研究院對地觀測共享計劃系統（http：//ids.ceode.ac.cn/index.aspx），30 m 空間分辨率，重訪周期16 d。Sentinel-2 衛星數據來源于歐空局哥白尼數據中心（https：//scihub.copernicus.eu/），是歐洲航天局“全球環境與安全監測”計劃的第二顆衛星，于2015年6月23日發射，搭載多光譜成像儀（MSI），由2顆衛星組成，能夠獲取13個波段信息，幅寬達290 km，10 m 空間分辨率，重訪周期10 d。

由于茶樹生長緩慢，從種植到獲得采茶收益需要3年至4年時間，結合浉河區茶葉種植的發展概況，選取2000、2005、2010、2015和2020年的衛星影像，遙感數據如表1所示。數據預處理利用ENVI5.3軟件，參照文獻[13]的數據處理流程對獲取的遙感數據進行云量篩選、輻射定標、大氣校正、幾何校正，并對Landsat影像進行重采樣為10 m后再裁剪鑲嵌，實現與Sentinel-2數據的重合。通過上述預處理得到研究區各年份遙感影像。

1.2.3 樣本數據 為了提高遙感影像選取樣本的準確性，于2019年3月上旬在研究區進行野外實地調查，結合遙感影像進行目視解譯，確定研究區內地物分為茶葉、林地、其他作物、裸地、建筑、水體。對2019 年1 月23 日Sentinel-2 影像采用紅邊/近紅外/紅波段組合進行假彩色合成，依據不同地物類型影像的表現特征確定Landsat的假彩色合成波段組合，據此在2000年、2005年、2010年、2015 年和2020 年的遙感影像上選取樣本數據，將樣本數據隨機選取30%作為驗證樣本，70%作為訓練樣本，提取茶葉種植區信息。

1.3 研究方法

1.3.1 隨機森林分類 隨機森林是一種基于Bagging框架的決策樹模型，由于其具有準確性、簡單性和靈活性特點，在遙感影像分類中應用較為廣泛。構建隨機森林模型主要包括以下4個步驟：①在原始樣本中，以有放回抽樣的方式隨機抽取N 個樣本組成訓練樣本集組建單個決策樹；②根據不同特征，在M 個特征中隨機選擇m 個特征（m

茶葉種植面積識別過程中使用光譜特征、植被指數和紋理特征進行模型訓練，篩選精度最高的特征組合用于研究區茶葉種植區遙感識別。參照已有研究[8，13-17]選取各特征參數，其中，光譜特征選取藍、綠、紅、近紅外4個波段，植被指數選取歸一化植被指數（normalized difference vegetationindex，NDVI）、增強型植被指數（enhancedvegetation index，EVI）、比值植被指數（relative"vegetation index，RVI）、歸一化綠度差值指數（normalized difference green index，NDGI）4 個指數。紋理特征選取均值、方差、對比度、同質性、非相似性、信息熵、角二階矩陣、相關性共8種紋理特征指標，從不同角度描述空間紋理的變化信息。由于窗口大小是影響灰度共生矩陣復雜度和性能的主要因素，如果窗口選擇過小，無法充分反映整個圖像的紋理特征，窗口選擇過大則會增大計算量，影響實際應用。最常用的確定最佳窗口大小方法是比較紋理特征變量與因變量之間的相關系數，或者比較不同窗口大小下的分類精度。本研究分別在3×3、5×5、7×7、9×9、11×11、13×13、15×15、17×17 共9 種不同窗口大小下提取Sentinel-2數據的紋理信息，利用隨機森林分類算法對這9種窗口大小的紋理特征進行分類，通過分析不同窗口大小下的分類精度，發現窗口大小為5×5 時分類精度最高，總體精度為83.59%，因此選取5×5作為其他年份的紋理計算窗口。隨機森林分類中的n Feature的值設置為4，樹的棵樹nTree設置為100，其他參數采用默認值。

1.3.2 重心遷移模型 利用重心遷移模型計算茶葉種植區的重心經緯度坐標，并通過重心遷移的方向、速度和距離解釋研究區內茶葉種植區重心的變化趨勢和空間分布[18]。重心遷移模型中的重心經緯度計算公式如下。

1.3.3 分類精度評估 精度評估采用混淆矩陣比較茶葉種植面積識別結果和實際測量值之間的混淆程度。本研究選擇總體精度和Kappa系數對各個方案進行精度評估。

2 結果與分析

2.1 不同地物假彩色合成影像特征分析

采用紅邊/近紅外/紅波段組合對圖像進行假彩色合成，圖1為不同地物類型的影像特征：茶葉假彩色影像顏色呈亮綠色，紋理細膩，邊界明顯；常綠林地假彩色影像顏色呈深綠色，紋理粗糙；落葉林地假彩色影像顏色呈暗粉色，紋理粗糙；其他作物假彩色影像顏色呈深綠色，紋理細膩均勻，邊界明顯，易與常綠林地混淆；建筑用地假彩色影像顏色呈灰彩色，形狀不規整，整體外圍界線較清晰；水域假彩色影像顏色呈淡藍或深藍色，紋理細膩均勻，邊界圓滑。因此，確定Landsat的假彩色合成波段組合為短波紅外/近紅外/紅。

2.2 精度分析

采用混淆矩陣法評價不同特征組合的分類精度，結果如表2所示。單一特征組合中，光譜特征的精度最好，總體精度為82.66%，Kappa 系數為0.72，其次是植被指數特征，紋理特征最低，2種特征組合的分類效果基本相同。3種特征組合中，光譜+植被指數+紋理特征組合精度最高，總體精度達89.02%，Kappa系數為0.90。與分類效果最差的紋理特征相比，光譜+植被指數+紋理特征組合總體精度提高了8.61個百分點，Kappa系數值增加了0.21；與包含光譜、紋理和植被指數在內的兩種交叉特征組合相比，光譜+植被指數+紋理特征組合總體精度可提高3%，Kappa 系數可增加0.08。結合分類結果表明，多種特征組合的分類效果優于單一特征，光譜+植被指數+紋理特征的組合方式為茶葉種植區提取最佳分類方法。

2.3 茶葉面積空間變化分析

基于遙感數據識別的茶葉種植區面積結果，通過ArcGIS空間制圖功能，得到2000—2020年浉河區茶葉面積遙感監測空間分布。由圖2可以看出，浉河區茶葉種植區集中在東南部和中北部地區，地形以丘陵和淺層山區為主。從2000—2005年，浉河區的茶葉種植區主要向西北和東南方向發展，并以原茶葉種植區為中心向周邊地區擴展。2005—2015年，浉河區東南部的茶葉種植區擴展速度快于西部，中部和東部茶葉種植區向水庫、河流等水源地擴張，西部和南部茶葉種植區沿公路擴張。2015—2020年，浉河區茶葉種植區空間擴張不明顯，主要是在原有茶葉種植區的基礎上小幅增加。

2.4 茶葉面積時間變化分析

基于隨機森林算法，采用光譜+植被指數+紋理特征組合的方式提取浉河區2000年、2005年、2010 年、2015 年和2020 年5 個年份的茶葉種植區，總體精度可達85%以上，可較好反映浉河區茶葉種植區的變化情況。對每個年份的茶葉種植區遙感監測得到的面積進行統計（圖3），可以看出，2000—2020年浉河區茶葉面積由8 800 hm2迅速增長到3.71萬hm2，增加了2.83萬hm2，增長率達321.18%。其中，2000—2005年茶葉面積增加1.13 萬hm2，增長率為130%；2005—2010 年面積增加3 000 hm2，增長率為20%；2010—2015年面積增加6 666.67 hm2，增長率為29%；2015—2020年面積增加5 733.33 hm2，增長率為18%。從總體變化趨勢來看，浉河區茶葉面積增長呈現先快后慢，再趨于平穩的發展態勢。

2.5 茶葉種植區的重心遷移

2000—2020 年浉河區茶葉種植區重心遷移方向總體呈現出由東向西的趨勢（圖4），重心遷移總距離為5.47 km，遷移速度為0.273 5 km·a-1，其中2000—2005 年遷移距離最大，為2.87 km，2010—2015年遷移距離最小，為0.63 km。

3 討論

對茶葉種植區空間分布的精準提取可以探索茶葉種植區的空間規律，對遠期茶葉種植區的建立和茶葉的種植具有一定的參考價值。茶樹作為一種常綠灌木，其光譜特征很容易與其他木本植物混淆[19]。然而，茶樹獨特的栽培方式使其具有獨特的紋理特征，可以將茶葉與其他植被區分開來。本研究采用多種特征分類精度優于單一特征分類精度，光譜+植被指數+紋理特征組合是茶葉種植區分類的最佳方式，提高了茶葉種植區面積識別精度，總體精度達89.02%，Kappa系數為0.90。此外，在分析茶葉種植面積時空格局演變規律中，數據基礎采用更為客觀的遙感識別結果數據，通過趨勢分析和重心遷移模型分析了2000—2020年浉河區茶葉種植區時空格局演變特征，分析結果也更具客觀性和真實性。本研究結果表明：從時間變化來看，2000—2020年浉河區茶葉種植規模總體呈現快速增長到穩步上升的趨勢；從空間變化來看，浉河區茶葉種植區相對集中，主要分布在東南部和中北部地區，地形以丘陵和淺層山區為主。2000—2020年，浉河區茶葉種植區重心遷移方向呈現出由東向西的趨勢，重心遷移總距離5.47 km，遷移速度0.273 5 km·a-1。通過前人研究結果[12]結合現場調研可知，浉河區茶葉發展歷程分為2個階段，2000—2009年為茶葉規模快速發展階段，受政府和市場的引導，農民將水稻田改種茶葉；2010—2020年為茶葉規模發展緩慢階段，不同鄉鎮茶葉面積有增有減，減少部分主要是經濟原因，造成部分茶園荒廢或改種果樹、油茶等其他經濟效益更好的樹種，新增部分多為企業行為，上述變化趨勢與本研究得出的結果基本一致。

利用遙感數據得到的茶葉種植面積結果相比于傳統統計方法更具科學性和客觀性，為茶葉科學種植提供了科學數據支撐。然而，由于茶葉種植區主要位于丘陵和山地地區，土地表面起伏地形的坡度和曲率會對面積結果產生一定的誤差，后續研究可以結合高程數據實現茶葉種植區表面積的精準量算。

參考文獻

［1］ 吳芹瑤，楊江帆，林程，等.中國茶葉生產布局變遷研究[J].茶葉科學，2022，42（2）：290-300.

WU Q Y， YANG J F， LIN C， et al.. Research on the changes of China’s tea production layout [J]. J. Tea Sci.， 2022，42（2）：290-300.

［2］ 黃邵東，徐偉恒，吳超，等.遙感在茶園監測中的應用研究進展[J].西部林業科學，2020，49（2）：1-9，23.

HUANG S D， XU W H， WU C， et al .. Research progress of remote sensing on tea plantation monitoring [J]. J. West China Forestry Sci.， 2020，49（2）：1-9，23.

［3］ 徐偉燕，孫睿，金志鳳.基于資源三號衛星影像的茶樹種植區提取[J].農業工程學報，2015， 32（S1）：161-168.

XU W Y， SUN R， JIN Z F. Extracting tea plantations based on ZY-3 satellite data [J]. Trans. Chin. Soc. Agric. Eng.， 2015， 32（S1）：161-168.

［4］ 馬超，楊飛，王學成.基于中尺度光譜和時序物候特征提取南方丘陵山區茶園[J].國土資源遙感，2019， 31（1）：141-148.

MA C， YANG F， WANG X C. Extracting tea plantations in southern hilly and mountainous region based on mesoscale spectrum and temporal phenological features [J]. Remote Sens.Nat. Resour.， 2019 ，31（1）：141-148.

［5］ 楊艷魁，陳蕓芝，吳波，等.基于高分二號影像結合紋理信息的茶園提取[J].江蘇農業科學， 2019， 47（2）：210-214.

YANG Y K， CHEN Y Z， WU B， et al .. Tea extraction based on GF-2 image combined with texture information [J]. Jiangsu Agric. Sci.， 2019， 47（2）：210-214.

［6］ 張世超，王常穎，李勁華，等.一種面向對象結合變差函數的高分辨率遙感影像茶種植區自動提取方法[J]. 遙感信息，2020，36（1）：126-136.

ZHANG S C， WANG C Y， LI J H， et al .. An object-oriented and variogram based method for automatic extraction of tea planting area from high resolution remote sensing imagery [J].Remote Sens. Inform.， 2020，36（1）：126-136.

［7］ DIHKAN M， GUNEROGLU N， KARSLI F， et al .. Remote sensing of tea plantations using an SVM classifier and patternbased accuracy assessment technique [J]. Int. J. Remote Sens.，2013， 34（23）：8549-8565.

［8］ 孟浩然，李存軍，鄭翔宇，等.綜合光譜紋理和時序信息的油茶遙感提取研究[J].光譜學與光譜分析，2023，43（5）：1589-1597.

MENG H R， LI C J， ZHENG X Y， et al.. Research on extraction of camellia oleifera by integrating spectral， texture and time sequence remote sensing information [J]. Spectroscopy Spectral Anal.，2023，43（5）：1589-1597.

［9］ 刁亞芹，韓瑩，李兆富.2000年以來天目湖流域茶園分布變化及趨勢模擬[J].湖泊科學，2013，25（6）：799-808.

DIAO Y Q， HAN Y， LI Z F. Spatio-temporal change of tea plantation since 2000 and model-based prediction in the Tianmuhu reservoir watershed [J]. J. Lake Sci.， 2013， 25（6）：799-808.

［10］ 鄭鵬，林海榮，占昕，等.基于CA-Markov模型的安溪縣茶葉種植區動態變化[J].生態學雜志， 2018，37（9）：2776-2785.

ZHENG P， LIN H R， ZHAN X， et al .. Dynamics of tea planting areas in Anxi county based on CA-Markov model [J]. Chin. J.Ecol.， 2018，37（9）：2776-2785.

［11］ 陳慧，江洪，蔣世豪. 面向對象最優分割尺度下的茶園提取[J].測繪與空間地理信息，2020，43（12）：17-20.

CHEN H， JIANG H， JIANG S H. Tea plantation extraction under object-oriented optimal segmentation scale [J]. Geomatics Spatial Inform. Technol.， 2020，43（12）：17-20.

［12］ 張清改.新中國成立70年來信陽茶發展的基本歷程與主要經驗[J].農業考古， 2020（2）：247-253.

ZHANG Q G， The basic course and main experience of Xinyang tea development in the 70 years since the founding of new China [J]. Agric. Archaeol.， 2020（2）：247-253.

［13］ 楊晨曦.基于隨機森林算法的信陽茶葉種植區提取及其時空變化分析[D].信陽：信陽師范學院，2022.

YANG C X. Extraction of Xinyang tea planting area based on random forest algorithm and its temporal and spatial variation analysis [D]. Xinyang： Xinyang Normal University， 2022.

［14］ 李雪柔，陳飛燕，林愛文，等.基于隨機森林回歸的茶園擴張驅動機制分析[J].生態與農村環境學報，2020， 36（1） ：44-52.

LI X R， CHEN F Y， LIN A W， et al .. Driving mechanism of tea plantation expansion using a random forest regression model [J]. J.Ecol. Rural Environ.， 2020， 36（1）：44-52.

［15］ 高金萍，于慧娜，王月婷，等.環境減災二號A/B衛星在森林樹種識別中的應用[J].航天器工程，2022，31（3）：187-194.

GAO J P， YU H N， WANG Y T， et al .. Application of HJ-2A/B satellites in field of forest tree species identification [J].Spacecraft Eng.， 2022，31（3）：187-194.

［16］ 董靈波，梁凱富，張一帆，等.基于Landsat 8時間序列數據的翠崗林場森林類型劃分[J].應用生態學報，2022，33（9）：2339-2346.

DONG L B， LIANG K F， ZHANG Y F， et al .. Classification of forest types in Cuigang forest farm based on time series data of Landsat 8 [J]. Chin. J. Appl. Ecol.， 2022， 33（9）：2339-2346.

［17］ 林娜，王偉，王斌.基于隨機森林和Landsat8 OLI影像的臍橙果園種植信息提取[J].地理空間信息，2020，19（11）：96-100.

LIN N， WANG W， WANG B. Navel orange orchard plantation information extraction based on random forest and Landsat 8 OLI images [J]. Geospatial Inform.， 2020，19（11）：96-100.

［18］ 王介勇， 劉彥隨. 1990年至2005年中國糧食產量重心演進格局及其驅動機制[J].資源科學，2009，31（7）：1188-1194.

WANG J Y， LIU Y S. The changes of grain output center of gravity and its driving forces in China since 1990 [J]. Resour.Sci.， 2009，31（7）：1188-1194.

［19］ ZHU J， PAN Z W， WANG H， et al .. An improved multitemporal and multi-feature tea plantation identification method using Sentinel-2 imagery [J/OL]. Sensors， 2019， 19（9）： 2087[2024-03-04]. https：//doi.org/10.3390/s19092087.