基于多源遥感数据的茶叶种植面积时空变化研究

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doi：10.13304/j.nykjdb.2023.0243

中图分类号：S126；TS272 文献标志码：A 文章编号：10080864（2024）12010708

茶起源于中国，是非常受欢迎的饮料原料。茶产业是河南省信阳市的优势产业和特色产业，也是农村经济的特色支柱产业和农民致富的主导产业，对农业经济和农村发展具有重要作用。精准掌握茶叶种植面积及其扩张趋势，对农业部门规划茶叶产业发展布局具有重要的指导意义[1]。

传统的茶叶种植面积是通过人工野外调查后估算得到的，需要大量的人力、物力，且时效性差、精度低。遥感技术在获取信息方面具有快速、准确的优势，利用遥感技术实现茶叶种植区的自动提取是可行的[2]。徐伟燕等[3]使用ZY-3影像数据，结合光谱特征、植被指数特征和纹理特征，使用决策树分类器提取了茶叶种植区；马超等[4]提取中尺度光谱和时序物候特征，并结合决策树模型提取茶叶种植区；杨艳魁等[5]采用支持向量机方法对茶叶进行分类和识别。张世超等[6]利用空间分辨率为0.5 m 的航空影像，在分析茶区与其他植被区在变差函数纹理特征差异的基础上，构建了决策树分类模型提取茶种植区，精度可达83.69%。Dihkan等[7]使用支持向量机算法对茶叶多维纹理和光谱特征组合进行分类，获得高精度的茶叶信息，总体精度达97.40%。孟浩然等[8]利用春、夏、秋3季的高分数据进行油茶遥感提取，精度可达94.06%。上述茶叶种植区提取通过提前设计特征，然后使用机器学习分类器进行分类识别，取得了较好的精度结果。相比传统手段，遥感监测获取的茶叶种植面积更具客观性和空间可视性[9-11]。21 世纪以来，在社会经济发展和政策刺激下，河南省信阳市浉河区茶叶产业进入快速发展阶段[12]。据《2021 年浉河区国民经济和社会发展统计公报》，浉河区茶叶种植面积4.144 万hm2，约占全省茶叶种植面积的1/4，是河南省茶叶种植的主要产区。因此，本研究利用Landsat、Sentinel-2等中、高分辨率遥感影像数据精准提取茶叶种植面积，剔除了茶园中的道路、附属设施等干扰信息，得到了浉河区近20年来茶叶种植面积，打破以行政区划为单元的限制，采用重心迁移模型，从时间和空间上对茶叶种植区的变化特征进行多维度分析，为调整优化茶叶种植结构，推动信阳茶叶产业发展提供决策支持。

1 材料与方法

1.1 研究区概况

信阳市浉河区位于河南省南部（113°42′36″—114°08′34″E，31°24′06″—32°33′00″N），地处淮河上游、大别山北麓。地形由西南向东北缓倾，西部和南部分别是桐柏山和大别山，东部和北部是淮河冲积平原，最高海拔906 m，最低海拔54 m。气候属亚热带向暖温带过渡的大陆性季风气候，年平均气温15.1 ℃，年平均降水量1 109.11 mm，年平均相对湿度76%，年平均无霜期221 d，自然条件和气候有利于茶叶的生长。

1.2 数据来源及处理

1.2.1 最佳监测时间 每年10月上旬至次年2月中旬为茶叶越冬休眠期，茶树为常年青植物，落叶树处于落叶期，落叶后更易区分茶叶。因此，12月上旬至次年2月下旬是茶叶种植面积的最佳监测时间。

1.2.2 遥感数据及处理 本研究采用的遥感数据为Sentinel-2、Landsat系列卫星等长时间序列的遥感影像。其中，Landsat 系列卫星包括Landsat5、Landsat7、Landsat8，数据来源于中国科学院空天信息创新研究院对地观测共享计划系统（http：//ids.ceode.ac.cn/index.aspx），30 m 空间分辨率，重访周期16 d。Sentinel-2 卫星数据来源于欧空局哥白尼数据中心（https：//scihub.copernicus.eu/），是欧洲航天局“全球环境与安全监测”计划的第二颗卫星，于2015年6月23日发射，搭载多光谱成像仪（MSI），由2颗卫星组成，能够获取13个波段信息，幅宽达290 km，10 m 空间分辨率，重访周期10 d。

由于茶树生长缓慢，从种植到获得采茶收益需要3年至4年时间，结合浉河区茶叶种植的发展概况，选取2000、2005、2010、2015和2020年的卫星影像，遥感数据如表1所示。数据预处理利用ENVI5.3软件，参照文献[13]的数据处理流程对获取的遥感数据进行云量筛选、辐射定标、大气校正、几何校正，并对Landsat影像进行重采样为10 m后再裁剪镶嵌，实现与Sentinel-2数据的重合。通过上述预处理得到研究区各年份遥感影像。

1.2.3 样本数据 为了提高遥感影像选取样本的准确性，于2019年3月上旬在研究区进行野外实地调查，结合遥感影像进行目视解译，确定研究区内地物分为茶叶、林地、其他作物、裸地、建筑、水体。对2019 年1 月23 日Sentinel-2 影像采用红边/近红外/红波段组合进行假彩色合成，依据不同地物类型影像的表现特征确定Landsat的假彩色合成波段组合，据此在2000年、2005年、2010年、2015 年和2020 年的遥感影像上选取样本数据，将样本数据随机选取30%作为验证样本，70%作为训练样本，提取茶叶种植区信息。

1.3 研究方法

1.3.1 随机森林分类 随机森林是一种基于Bagging框架的决策树模型，由于其具有准确性、简单性和灵活性特点，在遥感影像分类中应用较为广泛。构建随机森林模型主要包括以下4个步骤：①在原始样本中，以有放回抽样的方式随机抽取N 个样本组成训练样本集组建单个决策树；②根据不同特征，在M 个特征中随机选择m 个特征（m

茶叶种植面积识别过程中使用光谱特征、植被指数和纹理特征进行模型训练，筛选精度最高的特征组合用于研究区茶叶种植区遥感识别。参照已有研究[8，13-17]选取各特征参数，其中，光谱特征选取蓝、绿、红、近红外4个波段，植被指数选取归一化植被指数（normalized difference vegetationindex，NDVI）、增强型植被指数（enhancedvegetation index，EVI）、比值植被指数（relative"vegetation index，RVI）、归一化绿度差值指数（normalized difference green index，NDGI）4 个指数。纹理特征选取均值、方差、对比度、同质性、非相似性、信息熵、角二阶矩阵、相关性共8种纹理特征指标，从不同角度描述空间纹理的变化信息。由于窗口大小是影响灰度共生矩阵复杂度和性能的主要因素，如果窗口选择过小，无法充分反映整个图像的纹理特征，窗口选择过大则会增大计算量，影响实际应用。最常用的确定最佳窗口大小方法是比较纹理特征变量与因变量之间的相关系数，或者比较不同窗口大小下的分类精度。本研究分别在3×3、5×5、7×7、9×9、11×11、13×13、15×15、17×17 共9 种不同窗口大小下提取Sentinel-2数据的纹理信息，利用随机森林分类算法对这9种窗口大小的纹理特征进行分类，通过分析不同窗口大小下的分类精度，发现窗口大小为5×5 时分类精度最高，总体精度为83.59%，因此选取5×5作为其他年份的纹理计算窗口。随机森林分类中的n Feature的值设置为4，树的棵树nTree设置为100，其他参数采用默认值。

1.3.2 重心迁移模型 利用重心迁移模型计算茶叶种植区的重心经纬度坐标，并通过重心迁移的方向、速度和距离解释研究区内茶叶种植区重心的变化趋势和空间分布[18]。重心迁移模型中的重心经纬度计算公式如下。

1.3.3 分类精度评估 精度评估采用混淆矩阵比较茶叶种植面积识别结果和实际测量值之间的混淆程度。本研究选择总体精度和Kappa系数对各个方案进行精度评估。

2 结果与分析

2.1 不同地物假彩色合成影像特征分析

采用红边/近红外/红波段组合对图像进行假彩色合成，图1为不同地物类型的影像特征：茶叶假彩色影像颜色呈亮绿色，纹理细腻，边界明显；常绿林地假彩色影像颜色呈深绿色，纹理粗糙；落叶林地假彩色影像颜色呈暗粉色，纹理粗糙；其他作物假彩色影像颜色呈深绿色，纹理细腻均匀，边界明显，易与常绿林地混淆；建筑用地假彩色影像颜色呈灰彩色，形状不规整，整体外围界线较清晰；水域假彩色影像颜色呈淡蓝或深蓝色，纹理细腻均匀，边界圆滑。因此，确定Landsat的假彩色合成波段组合为短波红外/近红外/红。

2.2 精度分析

采用混淆矩阵法评价不同特征组合的分类精度，结果如表2所示。单一特征组合中，光谱特征的精度最好，总体精度为82.66%，Kappa 系数为0.72，其次是植被指数特征，纹理特征最低，2种特征组合的分类效果基本相同。3种特征组合中，光谱+植被指数+纹理特征组合精度最高，总体精度达89.02%，Kappa系数为0.90。与分类效果最差的纹理特征相比，光谱+植被指数+纹理特征组合总体精度提高了8.61个百分点，Kappa系数值增加了0.21；与包含光谱、纹理和植被指数在内的两种交叉特征组合相比，光谱+植被指数+纹理特征组合总体精度可提高3%，Kappa 系数可增加0.08。结合分类结果表明，多种特征组合的分类效果优于单一特征，光谱+植被指数+纹理特征的组合方式为茶叶种植区提取最佳分类方法。

2.3 茶叶面积空间变化分析

基于遥感数据识别的茶叶种植区面积结果，通过ArcGIS空间制图功能，得到2000—2020年浉河区茶叶面积遥感监测空间分布。由图2可以看出，浉河区茶叶种植区集中在东南部和中北部地区，地形以丘陵和浅层山区为主。从2000—2005年，浉河区的茶叶种植区主要向西北和东南方向发展，并以原茶叶种植区为中心向周边地区扩展。2005—2015年，浉河区东南部的茶叶种植区扩展速度快于西部，中部和东部茶叶种植区向水库、河流等水源地扩张，西部和南部茶叶种植区沿公路扩张。2015—2020年，浉河区茶叶种植区空间扩张不明显，主要是在原有茶叶种植区的基础上小幅增加。

2.4 茶叶面积时间变化分析

基于随机森林算法，采用光谱+植被指数+纹理特征组合的方式提取浉河区2000年、2005年、2010 年、2015 年和2020 年5 个年份的茶叶种植区，总体精度可达85%以上，可较好反映浉河区茶叶种植区的变化情况。对每个年份的茶叶种植区遥感监测得到的面积进行统计（图3），可以看出，2000—2020年浉河区茶叶面积由8 800 hm2迅速增长到3.71万hm2，增加了2.83万hm2，增长率达321.18%。其中，2000—2005年茶叶面积增加1.13 万hm2，增长率为130%；2005—2010 年面积增加3 000 hm2，增长率为20%；2010—2015年面积增加6 666.67 hm2，增长率为29%；2015—2020年面积增加5 733.33 hm2，增长率为18%。从总体变化趋势来看，浉河区茶叶面积增长呈现先快后慢，再趋于平稳的发展态势。

2.5 茶叶种植区的重心迁移

2000—2020 年浉河区茶叶种植区重心迁移方向总体呈现出由东向西的趋势（图4），重心迁移总距离为5.47 km，迁移速度为0.273 5 km·a-1，其中2000—2005 年迁移距离最大，为2.87 km，2010—2015年迁移距离最小，为0.63 km。

3 讨论

对茶叶种植区空间分布的精准提取可以探索茶叶种植区的空间规律，对远期茶叶种植区的建立和茶叶的种植具有一定的参考价值。茶树作为一种常绿灌木，其光谱特征很容易与其他木本植物混淆[19]。然而，茶树独特的栽培方式使其具有独特的纹理特征，可以将茶叶与其他植被区分开来。本研究采用多种特征分类精度优于单一特征分类精度，光谱+植被指数+纹理特征组合是茶叶种植区分类的最佳方式，提高了茶叶种植区面积识别精度，总体精度达89.02%，Kappa系数为0.90。此外，在分析茶叶种植面积时空格局演变规律中，数据基础采用更为客观的遥感识别结果数据，通过趋势分析和重心迁移模型分析了2000—2020年浉河区茶叶种植区时空格局演变特征，分析结果也更具客观性和真实性。本研究结果表明：从时间变化来看，2000—2020年浉河区茶叶种植规模总体呈现快速增长到稳步上升的趋势；从空间变化来看，浉河区茶叶种植区相对集中，主要分布在东南部和中北部地区，地形以丘陵和浅层山区为主。2000—2020年，浉河区茶叶种植区重心迁移方向呈现出由东向西的趋势，重心迁移总距离5.47 km，迁移速度0.273 5 km·a-1。通过前人研究结果[12]结合现场调研可知，浉河区茶叶发展历程分为2个阶段，2000—2009年为茶叶规模快速发展阶段，受政府和市场的引导，农民将水稻田改种茶叶；2010—2020年为茶叶规模发展缓慢阶段，不同乡镇茶叶面积有增有减，减少部分主要是经济原因，造成部分茶园荒废或改种果树、油茶等其他经济效益更好的树种，新增部分多为企业行为，上述变化趋势与本研究得出的结果基本一致。

利用遥感数据得到的茶叶种植面积结果相比于传统统计方法更具科学性和客观性，为茶叶科学种植提供了科学数据支撑。然而，由于茶叶种植区主要位于丘陵和山地地区，土地表面起伏地形的坡度和曲率会对面积结果产生一定的误差，后续研究可以结合高程数据实现茶叶种植区表面积的精准量算。

参考文献

［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 patternbased 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 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.