论文部分内容阅读
过去几十年,对茶叶的高需求推动了热带和亚热带地区茶园的扩张。茶树种植促进经济发展并创造就业机会,但茶树种植规模的扩大对生物多样性、碳和水循环以及生态系统服务具有重大影响。及时绘制茶园的空间分布,对于土地利用管理和政策制定至关重要。但是,由于热带和亚热带地区茶园物候特征不明显,茶园的提取及制图面临巨大挑战。因此,本文以美国陆地卫星（Landsat）ETM+/OLI及DEM为数据源,以云南省三大主要产茶区（临沧市、普洱市及西双版纳傣族自治州）为研究区,利用实地调研数据及在谷歌地球（Google earth,GE）上手动矢量化的各类典型地物样本,在谷歌地球引擎（Google Earth Engine,GEE）平台上分别绘制三种典型地物（茶园、自然林及农田）的各种植被指数的时间序列图,对比分析三种地物及不同植被指数在茶园物候期内茶园与其他地物的可分性。首先,应用便携式高光谱仪（Analytical Spectral Devices,ASD）对未修剪茶园以及修剪茶园样本进行光谱测量,发现茶园修剪前后的光谱在红波段、近红外波段以及短波红外波段有显著差异;通过Landsat对修剪及未修剪茶园样地进行光谱反演发现在上述三个波段上同样存在显著差异,且与光谱仪测量结果变化趋势一致,佐证了可以利用Landsat影像进行大区域茶园提取。本文结合实地调研、拍照拾取坐标、二调数据以及影像目视解译获取样本共3815块（训练样本:1125块;验证样本:2690块）,共2810891个像元,对每一种样本进行分层随机抽样,选择各样本数量的30%作为时间序列分析训练样本,基于该样本集合构建与上述三个波段相关的多种指数分析2015-2019年（共1508景影像）茶园时间序列变化,最终确定归一化植被指数（Normalized Difference Vegetations Index,NDVI）（300-345d）、陆地表面水分指数（Land Surface Water Index,LSWI）（30-90d）以及NDVI与LSWI的距离（Distance between NDVI and LSWI,DBNL）（60-120d）为茶园提取最佳指数及对应的时间窗口。此外,在基于时间序列分析确定的研究区茶园修剪物候期内,基于2018年Landsat数据合成一景高质量影像进行监督分类（分类回归树（Classification Regression Tree,CART）、随机森林（Random Forest,RF）及支持向量机（Support Vector Machine,SVM））。首先,对构建的18维光谱特征进行重要性评估,由于特征维度不高且各特征对茶园提取均有一定贡献,因此将18维特征全部用于监督分类。然后,调整训练和验证样本的比例,以西双版纳为测试区,用不同比例下的样本训练RF模型并对西双版纳茶园进行提取,通过对比不同比例下茶园提取的用户精度（User’s accuracy,UA）、制图精度（Producer Accuracy,PA）及F1分数以确定最佳训练样本及验证样本的比例。最后,绘制了研究区2018年的茶园分布图,利用混淆矩阵对时间序列阈值法与三种监督分类方法对茶园提取的多分类与二分类结果进行精度验证及对比。主要结论如下:（1）基于时间序列物候期方法提取茶园的PA:91.56%,比RF与SVM二分类的PA分别高3.62%和1.84%;UA:80.65%相比RF和SVM分别高20.31%和32.74%;Kappa系数（0.85）,分别比RF与SVM高0.14和0.23。（2）调整训练样本与测试样本的比例利用RF进行分类,通过对比不同比例下茶园提取的UA、制图精及F1分数,训练样本/验证样本为3:7时UA（73.51%）和PA（72.64%）最均衡,而不同比例下的F1分数也较为稳定,综合对比,确定训练/验证为3:7作为本文茶园提取的样本分配方案。（3）基于三种监督分类（RF、SVM及CART）的多分类对山区茶园提取中,RF对茶园提取的PA与SVM提取茶园PA差异甚小（PA:65.19%;66.80%）,Kappa系数相等（0.87）,但RF提取茶园的UA远大于SVM提取茶园的UA（UA:58.58%;43.24%）,且RF三个指标均大于CART提取茶园的精度。总体而言,RF对茶园的提取精度优于SVM及CART;（4）基于三种监督分类的二分类对山区茶园提取中,RF对茶园提取的PA略小于SVM（PA:87.94%;89.72%）;而RF对茶园提取的UA较SVM高12.43%,同时Kappa高0.09,且均高于CART对茶园提取的各项精度。综合考虑表现最为优异的仍为RF;且基于监督分类的二分类方法对茶园的提取的UA和PA均高于对应分类器的多分类对茶园提取的UA及PA。主要是将森林、水体、农田及不透水层四类地物合并为一类,平均了四种地物的类间差异,而增大了茶园同森林、农田的类间差异,因此二分类较多分类对茶园提取精度高。本文以云南三大主要产茶区为研究区,对自然物候极不明显的茶园进行长时间序列分析后,发现茶园修剪导致的“人为物候”这一区分于其他地物的重要特征,然后应用NDVI、LSWI以及DBNL对茶园进行了提取;此外,将时间序列分析得出的茶园物候期内的影像采用median函数合成1景,利用监督分类方法对茶园进行了提取,并对比了不同方法提取茶园的精度,得出基于时间序列物候期对茶园提取的精度高于传统监督分类对茶园提取精度的结论,本文提供了一种利用开源的Landsat数据仅在30m空间分辨率下高精度提取和绘制复杂热带景观山区茶园的新方法。