基于多源遥感数据的茶叶种植面积时空变化研究

doi:10.13304/j.nykjdb.2023.0243

摘要/Abstract

摘要：

茶叶是重要的经济树种之一，分析茶叶种植面积的时空演变规律可为优化河南茶叶布局提供科学依据。基于2000—2020年Landsat和Sentinel-2卫星数据，结合实地调查数据，采用随机森林分类方法获得河南省信阳市浉河区茶叶种植面积空间分布信息，采用趋势分析、重心迁移等方法对浉河区茶叶生产空间布局与时空变化趋势进行分析。结果表明：光谱+植被指数+纹理特征组合对茶叶分类精度最高，总体精度可达89.02%，Kappa系数为0.90；从时序变化来看，2000—2020年浉河区茶叶种植面积总体上呈现快速增长到稳步上升趋势。从空间变化来看，浉河区茶叶种植空间分布相对集中，主要分布于北部乡镇的丘陵地区和浅层山区。从重心变化来看，近20年浉河区茶叶种植面积重心呈现出由东向西转移的趋势，重心迁移总距离为5.47 km，迁移速度为0.273 5 km·a^-1。研究结果为茶叶科学种植提供了数据支撑。

关键词: 茶叶, 面积, 多源, 遥感, 时空变化

Abstract:

Tea is one of the important economic tree species. Studying the spatial and temporal changes of tea production is of great significance for optimizing the tea layout in Henan Province. Based on Landsat and Sentinel-2 satellite data from 2000 to 2020， combining with field survey data， the random forest classification method was used to obtain the spatial distribution information of tea area in Shihe District， Xinyang city of Henan province. Trend analysis， center of gravity migration and other methods were used to analyze the spatial distribution and temporal and spatial trends of tea production in Shihe District. The results showed that the combination of spectrum， vegetation index and texture feature had the highest classification accuracy of tea， with the overall accuracy of 89.02% and Kappa coefficient of 0.90. In terms of temporal changes， tea production in Shihe District from 2000 to 2020 generally showed a trend of rapid growth to steady rise. In terms of spatial change， the distribution of tea in Shihe District was relatively concentrated， mainly distributed in hilly areas and shallow mountainous areas in northern towns. From 2000 to 2020， the gravity center migration direction of tea area in Shihe District showed a trend from east to west. The total distance of gravity center migration was 5.47 km， and the migration speed was 0.273 5 km·a^-1. This study provides scientific data support and theoretical basis for the scientific planting of tea in Shihe District.

Key words: tea, area, multi-source, remote sensing, temporal and spatial changes

中图分类号:

S126

张彦, 王来刚, 贺佳, 郭燕, 杨秀忠, 张红利, 刘婷. 基于多源遥感数据的茶叶种植面积时空变化研究[J]. 中国农业科技导报, 2024, 26(12): 107-114.

Yan ZHANG, Laigang WANG, Jia HE, Yan GUO, Xiuzhong YANG, Hongli ZHANG, Ting LIU. Study on the Spatio-Temporal Changes of Tea Planting Area Based on Multi-Source Remote Sensing[J]. Journal of Agricultural Science and Technology, 2024, 26(12): 107-114.

图/表 6

参考文献 19

1	吴芹瑶,杨江帆,林程,等.中国茶叶生产布局变迁研究[J].茶叶科学,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	黄邵东,徐伟恒,吴超,等.遥感在茶园监测中的应用研究进展[J].西部林业科学,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	徐伟燕,孙睿,金志凤.基于资源三号卫星影像的茶树种植区提取[J].农业工程学报,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	马超,杨飞,王学成.基于中尺度光谱和时序物候特征提取南方丘陵山区茶园[J].国土资源遥感,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	杨艳魁,陈芸芝,吴波,等.基于高分二号影像结合纹理信息的茶园提取[J].江苏农业科学, 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	张世超,王常颖,李劲华,等.一种面向对象结合变差函数的高分辨率遥感影像茶种植区自动提取方法[J].遥感信息, 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 pattern-based accuracy assessment technique [J]. Int. J. Remote Sens., 2013, 34(23):8549-8565.
8	孟浩然,李存军,郑翔宇,等.综合光谱纹理和时序信息的油茶遥感提取研究[J].光谱学与光谱分析,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	刁亚芹,韩莹,李兆富.2000年以来天目湖流域茶园分布变化及趋势模拟[J].湖泊科学,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	郑鹏,林海荣,占昕,等.基于CA-Markov模型的安溪县茶叶种植区动态变化[J].生态学杂志, 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	陈慧,江洪,蒋世豪.面向对象最优分割尺度下的茶园提取[J].测绘与空间地理信息,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	张清改.新中国成立70年来信阳茶发展的基本历程与主要经验[J].农业考古, 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	杨晨曦.基于随机森林算法的信阳茶叶种植区提取及其时空变化分析[D].信阳:信阳师范学院,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,陈飞燕,林爱文,等.基于随机森林回归的茶园扩张驱动机制分析[J].生态与农村环境学报,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.环境减灾二号A/B卫星在森林树种识别中的应用[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	董灵波,梁凯富,张一帆,等.基于Landsat 8时间序列数据的翠岗林场森林类型划分[J].应用生态学报,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,王伟,王斌.基于随机森林和Landsat8 OLI影像的脐橙果园种植信息提取[J].地理空间信息,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, 刘彦随. 1990年至2005年中国粮食产量重心演进格局及其驱动机制[J].资源科学,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 multi-temporal and multi-feature tea plantation identification method using Sentinel-2 imagery [J/OL]. Sensors, 2019, 19(9):2087 [2024-03-04]. .

影像类型 Image type	空间分辨率 spatial resolution/m	影像数量 Number of images	采集年份 Collecting years	用途描述 Directions for use
Landsat5	30	11	2000—2010	识别2000年、2005年、2010年茶叶种植区 Identify tea area in 2000， 2005 and 2010
Landsat7	30	3	2000	配合landsat5识别2000年茶叶种植区 Identify tea area in 2000 with landsat5
Landsat8	15	6	2015—2020	识别2015年和2020年茶叶种植区 Identify tea area in 2015 and 2020
Sentinel-2	10	3	2015—2020	配合landsat8识别2015年和2020年茶叶种植区，并对结果进行精度验证 Identify tea area in 2015 and 2020 with landsat8， and verify accuracy of results

影像类型 Image type	空间分辨率 spatial resolution/m	影像数量 Number of images	采集年份 Collecting years	用途描述 Directions for use
Landsat5	30	11	2000—2010	识别2000年、2005年、2010年茶叶种植区 Identify tea area in 2000， 2005 and 2010
Landsat7	30	3	2000	配合landsat5识别2000年茶叶种植区 Identify tea area in 2000 with landsat5
Landsat8	15	6	2015—2020	识别2015年和2020年茶叶种植区 Identify tea area in 2015 and 2020
Sentinel-2	10	3	2015—2020	配合landsat8识别2015年和2020年茶叶种植区，并对结果进行精度验证 Identify tea area in 2015 and 2020 with landsat8， and verify accuracy of results

特征组合 Feature combination	总体精度 Total precision/%	Kappa系数 Kappa coefficient
光谱特征 Spectral feature	82.66	0.72
纹理特征 Texture feature	80.41	0.69
植被指数特征 Vegetable index feature	81.25	0.76
光谱+植被指数 Spectrum + vegetable index	86.76	0.83
纹理+植被指数 Texture + vegetable index	86.39	0.83
光谱+纹理 Spectrum + texture	86.02	0.82
光谱+纹理+植被指数 Spectrum+texture+vegetable index	89.02	0.90

特征组合 Feature combination	总体精度 Total precision/%	Kappa系数 Kappa coefficient
光谱特征 Spectral feature	82.66	0.72
纹理特征 Texture feature	80.41	0.69
植被指数特征 Vegetable index feature	81.25	0.76
光谱+植被指数 Spectrum + vegetable index	86.76	0.83
纹理+植被指数 Texture + vegetable index	86.39	0.83
光谱+纹理 Spectrum + texture	86.02	0.82
光谱+纹理+植被指数 Spectrum+texture+vegetable index	89.02	0.90

[1]	刘遐龄, 崔兆岩, 叶航, 王晓强, 郑礼. 基于多源时空点云融合技术的高标准农田建设规划[J]. 中国农业科技导报, 2024, 26(7): 80-92.
[2]	蒋沛含, 杨晓楠, 杨晨旭, 张爱军. 基于偏最小二乘回归的谷子冠层氮素含量高光谱估测研究[J]. 中国农业科技导报, 2024, 26(6): 91-101.
[3]	张宏, 李卫国, 张晓东, 卢必慧, 张琤琤, 李伟, 马廷淮. 基于HJ-1星和GF-1号影像融合特征提取冬小麦种植面积[J]. 中国农业科技导报, 2024, 26(2): 109-119.
[4]	唐天君, 陈洋, 胡军, 江浩田. 基于无人机影像数据的烟草精准识别方法研究[J]. 中国农业科技导报, 2024, 26(10): 145-157.
[5]	郝需婷, 黄雅茹, 马迎宾, 张帅, 韩春霞, 庞嘉诚, 徐光甫, 郝惠忠, 刘雅婧. 乌兰布和沙漠固沙梭梭林生长季土壤水分动态研究[J]. 中国农业科技导报, 2023, 25(7): 187-196.
[6]	赵苇康, 井长青, 陈宸. 新疆天然草地时空变化及其对气候因子的响应[J]. 中国农业科技导报, 2023, 25(7): 197-206.
[7]	侯志雄, 井长青, 王公鑫, 郭文章, 赵苇康. 1998—2018年北疆天然草地植被覆盖度时空变化及其与气象因子的关系[J]. 中国农业科技导报, 2023, 25(2): 140-151.
[8]	李浩辉, 刘彩月, 张海文, 王旭静, 唐巧玲, 王友华. 2022年度全球转基因作物产业化发展现状及趋势分析[J]. 中国农业科技导报, 2023, 25(12): 6-16.
[9]	杨小虎, 张曼玉, 杨海昌, 张凤华, 江宜霖, 易小兰. 基于组合模型的玛纳斯河流域农田土壤盐分反演[J]. 中国农业科技导报, 2023, 25(1): 134-141.
[10]	胡灵炆, 周忠发, 尹林江, 朱孟, 黄登红. 基于无人机RGB影像的苗期油菜识别[J]. 中国农业科技导报, 2022, 24(9): 116-128.
[11]	赵晨光, 牛司耘, 陈勋, 方丽, 李海涛, 王佩星, 沈镔镔, 石元值. 复合肥料对茶叶产量、品质及茶园土壤肥力的影响[J]. 中国农业科技导报, 2022, 24(6): 206-217.
[12]	赵管乐, 刘勤, 彭培好. 基于Sentinel⁃2影像与MaxEnt模型识别云南华坪县芒果种植区[J]. 中国农业科技导报, 2022, 24(3): 111-119.
[13]	樊鸿叶, , 李姚姚, 卢宪菊, 顾生浩, 郭新宇, 刘玉华. 基于无人机多光谱遥感的春玉米叶面积指数和地上部生物量估算模型比较研究[J]. 中国农业科技导报, 2021, 23(9): 112-120.
[14]	张冠宏, 王新军, 徐晓龙, 闫立男, 常梦迪, 李永康, . 基于面向对象的无人机遥感影像荒漠植被分类[J]. 中国农业科技导报, 2021, 23(5): 69-77.
[15]	陈思萌1,2,于新洋2,姜广辉1,陈为峰2. 基于Landsat TM/OLI影像的寿光市盐田信息提取与动态变化分析[J]. 中国农业科技导报, 2021, 23(1): 82-88.