无人机遥感技术在茶园监测中的应用——以杭州市龙井村为例

陈朝晖，荆长伟，2*，凌在盈，2

(1.杭州师范大学 信息科学与技术学院，浙江 杭州 311121；2.浙江省城市湿地与区域变化研究重点实验室，浙江 杭州 311121)

茶作为中国特有的经济作物，其中龙井茶具有巨大的市场需求量，刺激了龙井茶茶园的增多。茶园的扩张虽然可以创造可观的经济价值，但是不合理的种植以及无序的管理，会改变地表植被组成、破坏地表覆盖，减少当地物种多样性，导致水土流失、土壤营养成分下降，给当地环境造成负面影响[1]。对茶园进行监测，了解地区内茶园种植具体信息、茶园内部及其周边生态环境情况、茶园资源变化情况就显得非常重要[2]。

无人机技术，是近年来发展最为迅猛的遥感测绘技术，无人机因其灵活快捷、效率高、受天气影响小等优势，在农业领域获得了广泛应用并取得不错的效果。廖凯涛等[3]利用无人机遥感技术监测获取果园生态信息，地力夏提·依马木[4]利用无人机多光谱技术对棉花地进行监测任务有效提取到虫害区域，近年来针对茶园遥感监测应用方面也有所进展，张世超[5]应用高分辨率遥感图像采用新型算法在茶种植区自动提取方面取得较好的效果，陈祖豪[6]应用多源数据实现对安吉白茶的常量估计，娄伟平[7]应用遥感数据结合模型实现茶叶霜冻风险分析，张新盈[8]利用无人机遥感技术获取了高精度的茶园地形。传统的茶园监测方法一般为卫星遥感监测以及人工实地探查。这两种方法均有一定的局限性，卫星遥感数据一般时空分辨率较低，并且易受天气情况所影响；人工实地探查方式效率较低，尤其在分布较广或者面积较大的区域。利用无人机技术进行茶园遥感监测，可以在小范围内快速起飞，其飞行高度较低，受到云雾的影响较小，数据质量高于一般的卫星遥感数据。

本研究利用无人机搭载多光谱传感器对西湖景区的茶园进行监测，获取了该区域的多光谱数据，利用面向对象分类方法完成了茶园分类，利用地形数据分析了茶园分布，借助遥感指数评估了茶树长势。

1 研究区域

1.1 研究区

本研究以浙江省杭州市龙井村作为研究区。龙井村整体呈条带状，村落总面积3.54 km2。拥有近0.53 km2的龙井茶茶园。龙井村周边山脉众多，坡度为25°左右，四周被山所隔可以阻隔冬季的寒流。龙井村的南面为九溪，幽然静谧，直通钱塘江，春夏季的东南风易从山谷进入内部，得天独厚的地理位置为龙井茶优异品质创造了必要条件[9](图1)。

图1 研究区

龙井村主要种植的茶种为龙井43和群体种，其中群体种主要从龙井古树种培育繁衍而来，种系历史较为悠久，最长可达上千年，是龙井村特色茶种[10]。群体种由于保留古树种的主要特性，其茶树叶片较大且表面较粗糙，叶芽略显摊开状，采摘时间较迟。龙井43是中国农业科学院茶叶研究所在1987年从龙井群体中选育出来的品种，分布较广。其叶形呈椭圆状，叶身较平，芽头挺拔[11]。

1.2 采集设备

本研究组利用垂直起降固定翼无人机为飞行平台并搭载Altum多光谱相机，对研究区域进行数据采集工作。无人机采用型号为CW-007，其具有较好的续航能力，可适用于中等面积区域作业。Altum相机可同时收集5个不连续的光谱波段以及11 μm热成像。龙井村区域规划无人机航线15条，预设航高为680 m，共获取有效多光谱照片2 568张，采集波段数为6个(蓝波段、绿波段、红波段、近红外波段、红边波段及热波段)(表1)。

表1 多光谱传感器

2 研究方法

2.1 影像预处理

2.1.1 影像拼接

本研究流程如图2所示。

图2 研究流程图

利用Pix4D进行无人机影像处理，拼接生成各个波段单波段影像。在外作业期间，本研究组采用反射率校正板采集了传感器反射率数据，在内业处理中需要借助反射率校正数据对影像进行反射率校正，之后在软件中根据特征点匹配生成各个波段的正射影像(图3)。

a—蓝波段；b—绿波段；c—红波段；d—近红外波段；e—红边波段；f—热波段。图3 单波段影像

2.1.2 影像合成

本研究利用遥感图像处理平台(ENVI)软件，将5个波段的反射率正射影像合成为多光谱数据(图4)。通过多光谱数据可以更好地分析获得研究区的茶园生态情况。

图4 龙井村多光谱影像(RGB)

2.2 影像分类

研究区内主要地物类型为植被，研究中首要任务就是在植被中区分茶树以及其他地物包括其他植被。茶树与其他地物的光谱具有一定差异，茶树在红波段附近具有较强的反射峰，在近红外波段存在明显的上升趋势，形成特有的“红边”，在红外波段呈现高反射率[12]。而茶树与其他植被相比光谱具有较高的相似度，但是在图斑上有较大的差异，这一特点是区分茶树与其他植被类型的关键。对研究区内群体种、龙井43分布区的图斑进行对比，群体种与龙井43茶树的种植排列具有一定的不同，群体种茶树之间间隔较大，总体呈现点状分布；而龙井43茶树之间间隔较小，总体呈现线状分布(图5)。因此，本研究在ENVI软件中结合多光谱数据利用面向对象分类方法，对茶树与其他植被进行分类。

a—群体种；b—龙井43。图5 不同茶种图斑对比

面向对象是一种基于影像分类方法，其分析重点是由邻近像元组成的图斑而非单个像素，使其可以更好地获取到图斑的纹理、形状、面积、大小等信息，实现高层次的遥感图像分类以及目标地物提取，提高分类的准确性以及可靠性[13]。

2.3 指数计算

本研究利用遥感指数方法，主要包括归一化差异植被指数(NDVI)、归一化差异红色边缘指数(NDRE)(表2)。

表2 指数计算对比

NDVI指数的数据范围为-1～+1，NDVI指数越接近1，则说明该地物类型为植被长势以及营养度更高。NDRE对于植被含水量更加敏感，对分析从多光谱图像传感器获得的图像中的植被长势优良与否具有较高的适用性[14]。本研究利用先期实地采集的群体种以及龙井43茶种的光谱，对茶地进行茶种分类获取茶树NDVI以及NDRE指数数据。

2.4 地形数据处理

本研究利用无人机数据处理中得到的数字高程模型(图6)，在ArcGIS中生成了研究区的坡度、坡向图(图7)。

图6 龙井村数字高程模型

a—研究区坡度；b—研究区坡向图。图7 龙井坡度坡向图

3 结果与讨论

本研究根据多光谱影像和高程数据，分析获得了研究区的茶树分布、茶种分类、植被指数等。

3.1 影像结果

本研究利用多光谱数据以及RGB数据生成了龙井村的多光谱影像以及RGB影像。影像整体质量尚佳，但是由于拍摄期间测区存在云雾(图8)，导致部分区域影像质量下降，除此之外，影像部分区域出现因影像拼接时产生的条纹。

图8 影像云雾现象

对于传统遥感影像的云雾去除方法已经得到十足的发展，具有较为成熟的体系。但是对于无人机影像云雾处理方法的研究还处于初级阶段。在本研究中虽然选择了晴天进行无人机作业，但是由于目标测区地形的特殊性，在测区内还是会存在云雾现象。由于无人机获取的单个像片获取时间不一，受到太阳高度角、气候等影响，各个像片的光照条件均不相同，在持续时间较长的作业中，不同像片光照条件相差较大，导致合成之后影像会有条纹噪声(图9)。

图9 影像条纹噪声现象

3.2 分类结果

本研究采取面向对象的方法获得了研究区的茶园分类结果(图10)，分类结果中研究区被分为茶园、其他植被、建设用地3种类型。研究区总面积为3.54 hm2，建筑面积约占0.16 hm2，主要集中于研究区中部，整体呈现“Y”形；植被面积约占2.51 hm2，广泛地分布在研究区内，南部比较集中；茶树分散地分布在研究区内，其中大部分集中在西部，依附在龙井村附近，总面积大约为0.87 hm2。

图10 龙井村分类结果

在茶园资源调查中进行茶种调查是非常重要的一个环节，通过调查不同茶种的分布和生长环境，以制定不同的方案更好地进行茶园管理活动。研究区内主要有龙井43和群体种两大茶种，通过茶种分类获得研究区内龙井43以及群体种分布(图10)，群体种的分布范围更广，总面积约为0.65 hm2，主要分布在中部以及北部，有部分零散分布在南部；龙井43主要分布在研究区东部，总面积约为0.22 hm2。

3.3 茶园长势和分布情况分析

在茶园监测当中茶园现状情况分析是一项非常重要的内容，通过茶园现状情况分析可以获得茶园中茶树的长势以及茶园管理情况，为茶园之后的管理提供方案与建议。茶园现状情况主要有茶树长势、茶园动态变化等。茶树长势是茶园管理基础内容，通过分析茶园内茶树整体的长势情况，可对茶园进行估产工作。研究表明，叶面积指数可用来进行长势分析，叶面积指数反映了一定面积上植物叶面积总和与土地面积之比，是植被冠层特征中最为显著的一项指标。在研究中发现叶面积指数与植被指数NDRE和NDVI具有非常高的相关性，具有一定的正相关关系，因此，本研究采用NDRE、NDVI来分析茶园长势。茶园动态变化主要是通过将时间作为衡量尺度来对茶园的面积变化进行分析研究，进而判断研究区内茶园开发管理情况。

本研究利用分类的矢量数据提取研究区内的茶园多光谱数据，利用指数计算公式获得了研究区的植被指数图(图11)。以NDRE、NDVI为指标，利用茶园分类结果裁剪获得茶园长势指数图，获得茶地的长势值最大为0.969，最小为-0.242，将0.25、0.40、0.70和0.85作为极差、差、正常、好和极好的分割点。两种指数所反映的长势结果中可以发现，整体而言长势为好的区域占茶园面积的主体，但是NDVI结果中长势为好的区域面积占比为49.21%，大于NDRE中42.85%的结果；NDRE的极好区域占比为24.33%，大于NDVI的16.56%；对于正常长势区域，NDRE和NDVI的结果比较接近分别为32.62%以及34.03%；差长势、极差长势区域面积较小(表3)。从指数结果可以了解到有部分茶园长势值可以达0.9以上，但是也存在与林地混杂的区域长势值也偏高。整体来说，研究区内茶地长势良好，经过研究不合格区域主要是因为茶地与建筑道路出现了混合像元。

表3 龙井村茶树长势面积比 单位：%

a—NDRE；b—NDVI。图11 植被长势指数图

茶树是一种亚热带植物，喜温、喜湿、喜阴，对于气候、地形有着特殊的要求，一般来说茶树适宜温度在15～23 ℃，茶树比较耐阴，可在低强度光下生长。茶树蓄水量较大，但是水分过多会导致茶树受到侵害，因此，茶树喜好排水良好的多水地区，多在具有一定坡度的地区。为了更好地分析研究区内茶树管理情况，本研究将茶树分类结果与根据研究区地形生成的坡度、坡向结果结合分析。从茶树与坡度的结果来看，研究区内茶树一般种植在15°～<25°、25°～<35°的山坡上，种植在15°～<35°山坡的茶树面积约占总种植面积的60.3%，其次为坡度为5°～<15°的山坡，约占总种植面积的18.9%，种植在坡度较缓的平地以及坡度较陡的山坡的茶树较少。茶树与坡向的结果表明，研究区内的茶树主要种植在北坡以及东坡，种植在北坡的茶树总面积占总种植面积的34.16%，而东坡为27.57%，其余依次为南坡和西坡，分别为21.64%和16.63%(表4)。

表4 龙井村茶树各型生长条件面积比 单位：%

根据茶种分类结果，对研究区内各个茶种的种植现状进行了分析。龙井43以及群体种最主要都种植在坡度为5°～<35°的山坡上，种植比例分别为85.6%、79.0%，其中龙井43种植在缓坡(5°～<15°)以及陡坡(25°～<35°)比例比较接近，而群体种种植在陡坡的比例达到了30.4%，远高于缓坡。茶种坡向上，龙井43与群体种具有一定的不同，龙井43种植在北坡的比例最高，但是东坡、南坡、西坡种植比例比较接近，而群体种中，北坡和东坡的种植面积比较高，分别为34.8%、32.9%，而西坡种植面积较小，仅占总种植面积的11.1%。可见两个茶种主要种植条件比较接近，但是在部分条件上具有一定的区别，体现了差异化管理(图12)。

上行为龙井43；下行为群体种图12 龙井43及群体种坡度、坡向图

4 展望

本研究利用无人机遥感技术获得了研究区的多光谱数据，结合实地获取的茶种光谱曲线以及地物图斑，处理获得了茶树分类、茶种分类以及茶树长势结果，对茶树分布、茶种分类情况以及研究区内茶树长势情况进行了分析。通过分析研究结果，可见龙井村茶树具有较好的长势，周边环境也得到了较好的保护。但是本研究仍有一些问题，需要进行进一步的探讨，总结如下：

茶种之间的光谱特征较为相似，如果单一地借助多光谱数据，其分类效果不佳，需要借助面向对象技术来对影像进行分类。本研究在后续将考虑使用高光谱传感器进行数据采集，提取关键波段辅助分类，以期获得更为准确的分类结果。

无人机遥感技术虽然适应于大多气候条件下的作业，但在山区等易出现低空云雾的区域内，其区域内的云雾会大大影响影像光谱质量。无人机影像云雾去除技术方面有待进一步研究。

本研究通过遥感指数分析了茶树长势，引入更加综合的评价方法，并且结合多季节、多时段采集数据进行对比，才能实现对茶园的动态监测。