基于svm 光谱特征的茶园提取.docxVIP

基于svm 光谱特征的茶园提取 摘要：福建省作为中国的产茶大省，快速准确获取茶园的空间分布对福建省农业经济发展和生态环境保护具有重要的决策意义，然而，传统的方法难以保证大范围准确地获取茶园空间分布。本文基于GEE云平台，快速获取覆盖福建省的Sentinel-1雷达影像、Sentinel-2光学影像及地形数据，从中提取光谱特征、纹理特征、地形特征等98个特征，利用递归消除支持向量机算法（SVM＿RFE）对特征变量进行筛选，通过支持向量机分类器（SVM）进行茶园提取，首次得到福建省2019年10 m分辨率茶园种植区空间分布图。结果表明：(1)光谱特征在茶园信息提取中占据重要地位，纹理特征和地形特征次之；(2)利用SVM＿RFE可以有效筛选出最有利于茶园提取的特征子集，有效提高提取精度，总体精度为94.65%,Kappa系数为0.93，茶园的生产者精度为91.64%，用户精度为92.91%；(3)基于Sentinel-1及Sentinel-2影像获取的福建省2019年茶园种植面积为1913 km2，主要分布在安溪县、福鼎市、福安市、武夷山市和寿宁县，其茶园总面积达910 km2，约占据全省茶园面积的48%。利用云计算技术可以克服大尺度茶园监测运算能力不足的问题，结合Sentinel-1和Sentinel-2影像能够较准确地提取福建省茶园分布，对南方丘陵山区茶园及其他作物提取具有参考价值，并为政府及有关部门进行茶园管理提供支持。 1 引言福建省作为我国的产茶大省，拥有1600多年的产茶史，茶文化源远流长，据国家统计局近10年统计，福建省茶园面积及茶叶产量居于全国第五传统的茶园监测方法主要是通过统计上报和野外实测完成的，这种方法效率低、精度差、成本高，且无法做到持续性的监测多源特征结合使用为茶园提取提供思路，但随着高维特征的引入，分类效率和分类精度均受到不同程度的影响，不同特征选择算法的引入成为研究重点之一。如王娜等目前国内外研究主要使用Landsat中等分辨率本研究借助于GEE云平台，结合Sentinel-1和Sentinel-2影像首次获得了10 m分辨率的福建省茶园空间分布信息，综合多源特征构建分类方案结合递归消除支持向量机（SVM＿RFE）特征选择算法，使用支持向量机分类器进行福建省茶园分布制图。克服了大尺度茶园监测运算能力不足等问题，在准确提取茶园信息的同时提高了运算效率、降低成本，为福建省茶叶产业发展和预测，为生态环境的评价可提供重要的决策支持。2 研究区概况与数据源2.1 研究区概况福建省地处中国东南部（115°50′E—120°40′E,23°33′N—28°20′N），下辖福州、厦门、泉州、漳州、莆田、龙岩、三明、南平、宁德9个地级市（图1）。福建省山地、丘陵占全省总面积的80%以上，森林资源丰富，森林覆盖率居于全国首位。福建省属于亚热带海洋性季风气候，温暖湿润，雨水充沛，光照充足，其独特的气候条件和地形十分适合茶树生长，2019年全省茶园面积达到2100 km2.2 数据源与预处理2.2.1 遥感数据在本研究中，所有遥感数据均通过GEE平台在线编写代码实现调用、处理，包括：Sentinel-1(S1）雷达数据和Sentinel-2(S2）多光谱数据。S1数据为干涉模式（IW）影像产品，极化方式为VV+VH双极化，该数据集已经使用Sentinel-1工具箱完成预处理，即标定轨道参数、边界噪音去除、去除热噪声、辐射定标、地形校正等2.2.2 地形数据本文使用的是航天飞机雷达地形任务（The Shuttle Radar Topography Mission,SRTM2.2.3 样本数据本研究根据实际的地类分布情况，将研究区土地覆盖类型分为人工地表（建筑物、道路、裸地等）、耕地、林地、茶园和水体（水体、湖泊、水库等）5类。基于福建省矢量边界随机生成样本点数据7046个，将选择的样本点数据导入到Google Earth平台，根据S1和S2影像数据的获取时间，在对应的Google Earth历史影像中对所获得的样本点逐点进行目视判读。此外，通过野外GPS实地采集2018—2019年的武夷山市、福安市和安溪县的样本点数据1062个。以上，共获得样本点数8108个，其中人工地表1120个（包含134个实地样点）、耕地1030个（包含157个实地样点）、林地3509个（包含315个实地样点）、茶园1953个（包含406个实地样点）、水体496个（包含47个实地样点）。具体各类样本数据及分布如图2所示。本文将样本点数据按照70%的训练样本和30%的验证样本参与分类。3 研究方法本文通过GEE云平台，快速获取并处理了覆盖福建省的S1、S2数据和地形数据，在此基础上提