文献类型： 中文期刊

作者： 陈盼盼 ¹ ; 任艳敏 ¹ ; 赵春江 ¹ ; 李存军 ¹ ; 刘玉 ¹ ;

作者机构： 1.北京市农林科学院信息技术研究中心

关键词： 茶园;Sentinel-2;时序特征;机器学习;分类

期刊名称： 光谱学与光谱分析

ISSN： 1000-0593

年卷期： 2024 年 44 卷 004 期

页码： 1136-1143

收录情况： EI ; SCI ; 北大核心 ; CSCD

摘要： 茶叶是一种高附加值的经济作物,是我国南方山区乡村振兴的主要抓手.由于毁林种茶等破坏行为,导致森林资源破坏并引发水土流失等生态环境问题.快速准确获取茶园的空间分布对于政府监管和茶叶产业的规划发展至关重要.由于研究区天气多阴雨,茶园分布较为分散,与森林等植被光谱较为接近等原因,导致基于卫星影像提取茶园挑战性较大.为了摸清英德市的茶园空间分布,系统分析了中高分辨率的多光谱Sentinel-2影像数据,结合多时序多特征信息在茶园提取中的应用潜力.以英德市全境为研究区,选用2019年—2021年的9期Sentinel-2影像数据,详细分析了茶树生长的物候特征,进一步探究了茶园和其他地类在多时序中的特征变化,采用Relief算法对所有特征进行重要性排序.根据特征排序结果,选取特征权重值加权90%的特征因子,即7个植被指数特征和2个纹理特征,通过不同的组合排序构建了 9种茶园分类场景,采用RF算法对所有分类场景进行精度评价,选取最佳分类场景,进一步探讨了 RF分类算法和SVM分类算法对茶园提取的可行性.结果表明:(1)在进行英德市茶园提取时,2月和10月是采用多时相构造茶园多特征的最佳组合,可能因2月茶树处于萌芽期长出部分嫩绿的新叶易于和森林植被区分且在10月前后由于茶园进行了修剪其特征也较明显,因此两时相特征融合易于区分茶园.(2)RF分类方法与SVM分类方法相比,后者的精度较高,其总体精度达到91.56%,Kappa系数为0.89,生产者精度和用户精度分别为80.22%和84.56%.该研究为快速高效获取英德市茶园空间分布信息提供了一种高效的方法,同时为政府在进行茶叶产业规划、管理提供了数据支持.