多時(shí)相Sentinel-2影像在浙西北茶園信息提取中的應(yīng)用

李龍偉， 李 楠， 陸燈盛

（1.浙江農(nóng)林大學(xué) 浙江省森林生態(tài)系統(tǒng)碳循環(huán)與固碳減排重點(diǎn)實(shí)驗(yàn)室，浙江 杭州311300；2.浙江農(nóng)林大學(xué) 環(huán)境與資源學(xué)院，浙江 杭州311300；3.南京林業(yè)大學(xué) 生物與環(huán)境學(xué)院，江蘇 南京 210037；4.福建師范大學(xué) 地理科學(xué)學(xué)院，福建 福州350007）

隨著茶葉價(jià)格飄升，茶農(nóng)積極性高漲，大面積的山地被開發(fā)成茶園。茶葉大面積栽培，促進(jìn)當(dāng)?shù)亟?jīng)濟(jì)發(fā)展的同時(shí)引發(fā)了一系列生態(tài)環(huán)境問題。茶園面積過度擴(kuò)張，種植面積明顯超過理想面積，導(dǎo)致森林資源破壞，水土流失嚴(yán)重［1］。茶園除草、施肥等經(jīng)營措施，又導(dǎo)致土壤肥力下降、生物多樣性降低、土地退化等系列問題。明確茶園的空間分布和栽培面積，是政府部門管理決策的關(guān)鍵。但茶園分布廣泛，面積增加迅速，實(shí)地調(diào)查準(zhǔn)確的茶園面積及空間信息需耗費(fèi)大量人力物力。遙感技術(shù)可有效地獲取地表信息，既可以大面積、周期性的重復(fù)觀測，也可以節(jié)省大量的人力、物力和時(shí)間［2］。過去的幾十年中，有學(xué)者利用遙感技術(shù)進(jìn)行經(jīng)濟(jì)林專題信息提取等相關(guān)研究［3-4］。梁守真等［5］以MODIS和Landsat數(shù)據(jù)為基礎(chǔ)構(gòu)建分類模型，開展橡膠Hevea brasiliensis林提取研究。XI等［6］基于多時(shí)相Landsat影像使用混合像元分解方法提取山核桃Carya cathayensis分布范圍，并檢測其受干旱干擾程度。用傳統(tǒng)Landsat等中等分辨率影像進(jìn)行經(jīng)濟(jì)林信息提取，受空間分辨率限制，精度不高。隨著遙感影像空間分辨率不斷提高，高分辨率影像越來越多被應(yīng)用于林業(yè)遙感中［7］。WANG等［8］利用GF-1和ZY-3高分辨率影像，使用專家規(guī)則方法提取了香榧Torreya grandis‘Merrillii’在浙江的分布信息。梁文海等［9］基于面向?qū)ο蠓椒ㄊ褂肎F-2影像提取廣西橫縣桉樹經(jīng)濟(jì)林的分布。隨著影像空間分辨率的提高，地物的空間信息更加豐富，但 “同物異譜”現(xiàn)象也更加嚴(yán)重。由于高分辨率影像一般僅含紅、綠、藍(lán)、近紅外等4個(gè)波段，受光譜分辨率限制，在區(qū)分植被類型時(shí)有一定的局限性。2015年12月發(fā)射的Sentinel-2衛(wèi)星包含3個(gè)紅邊波段，是綠色植物生長狀況的敏感性波段。如IMMITZER等［10］使用Sentinel-2數(shù)據(jù)對中歐農(nóng)作物及樹木進(jìn)行分類，表明紅邊及短波紅外波段可提取植被信息。茶園主要分布在景觀復(fù)雜的丘陵山區(qū)，且茶園與灌叢等木本植被的光譜特征相似［11］，這些因素為茶園遙感提取帶來一定困難，僅見個(gè)別學(xué)者應(yīng)用遙感技術(shù)提取茶園信息［11-13］，尚無利用Sentinel-2數(shù)據(jù)提取茶園分布的研究。鑒于此，本研究以浙江西北部地區(qū)為研究區(qū)，基于Sentinel-2多光譜影像，結(jié)合茶園物候信息和經(jīng)營管理模式，分析不同時(shí)間下茶園與其他地類的光譜特征，以紅邊波段構(gòu)建歸一化茶園指數(shù)，使用決策樹方法對茶園信息進(jìn)行提取，為Sentinel-2數(shù)據(jù)應(yīng)用于植被提取及監(jiān)測提供參考。

1 研究區(qū)概況

研究區(qū)位于浙江省西北部（30°39′～30°52′N， 119°30′～119°58′E）（圖 1）， 東西距離為 46.43 km， 南北距離為28.77 km，總面積為1335.79 km2。研究區(qū)地形以山地丘陵為主，海拔為0～700 m。該地屬于亞熱帶季風(fēng)氣候區(qū)，光照充足、氣候溫和、雨水充沛、四季分明，適宜茶樹生長。該地年降水量為1512.4 mm，年日照時(shí)數(shù)為1961.5 h，年平均氣溫為16.9℃。研究區(qū)內(nèi)的茶園類型主要為白茶Koilodepas hainanense樹，屬灌木型，中葉類，主干明顯，為安吉縣所特有［14］。根據(jù)安吉縣森林資源規(guī)劃設(shè)計(jì)調(diào)查成果報(bào)告，2016年安吉縣有白茶12058 hm2，占經(jīng)濟(jì)林面積的60.13%，主要分布在梅溪、溪龍、遞鋪、天子湖、孝源、孝豐、杭垓鎮(zhèn)等鄉(xiāng)鎮(zhèn)（街道）。白茶在1998年不足100 hm2，2007年增加到5958 hm2，2016年增加到12058 hm2，增長迅速。

2 數(shù)據(jù)收集及預(yù)處理

2.1 數(shù)據(jù)收集

本研究使用的遙感數(shù)據(jù)是從歐洲太空局的Copernicus Open Access Hub網(wǎng)站上獲取Sentinel-2衛(wèi)星數(shù)據(jù)，是大氣表觀反射率一級產(chǎn)品（L1C），共4景無云數(shù)據(jù)，時(shí)間分別為2017年10月31日，2018年2月13日，2018年5月4日和2018年7月18日。Sentinel-2衛(wèi)星搭載多光譜影像儀（multi-spectral instrument,MSI），拍攝影像包含13個(gè)波段，其中藍(lán)、綠、紅和近紅外波段空間分辨率為10 m，3個(gè)紅邊波段、窄波近紅外波段、2個(gè)短波紅外波段空間分辨率為20 m，沿海氣溶膠波段、水蒸氣波段和卷云波段的空間分辨率為60 m。本研究選用分辨率為10和20 m共10個(gè)多光譜波段。數(shù)字高程模型（DEM）下載于美國航空航天局（NASA）官網(wǎng)，空間分辨率為12.5 m。

圖1 研究區(qū)位置及驗(yàn)證樣點(diǎn)分布示意圖Figure 1 Location of study area and validation points

2016-2018年通過野外調(diào)查收集了研究區(qū)內(nèi)主要綠色植被類型的地面數(shù)據(jù)，如茶園、毛竹Phyllostachys edulis林、闊葉林和針葉林等，其中的毛竹林被分為大年和小年分別調(diào)查。通過佳能D7000 GPSCAMERA，獲取了帶有坐標(biāo)信息的地類照片300張。同時(shí)，通過野外調(diào)查和室內(nèi)勾繪的方法在奧維互動地圖上標(biāo)定了517個(gè)不規(guī)則多邊形地塊，將調(diào)研獲取的真實(shí)地塊信息轉(zhuǎn)化為矢量格式，以此作為本研究使用的樣本數(shù)據(jù)。

2.2 數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理主要包括投影系統(tǒng)轉(zhuǎn)換、大氣校正、幾何校正、地形校正4部分。首先將本研究的空間數(shù)據(jù)統(tǒng)一轉(zhuǎn)換為UTM 50N投影坐標(biāo)系統(tǒng)，大地基準(zhǔn)為WGS 1984。使用歐洲太空局的SNAP軟件中的Sen2Cor插件對原始數(shù)據(jù)進(jìn)行大氣校正，獲取地表反射率數(shù)據(jù)［15］?；陔p3次卷積插值法，將校正后的10個(gè)波段重采樣到10 m。在Sentinel-2影像和DEM上選取均勻分布的30個(gè)控制點(diǎn)，采用3次卷積多項(xiàng)式模型進(jìn)行幾何校正，均方根誤差控制在0.5個(gè)像元之內(nèi)。

為了減少地形對分類的影響，基于DEM數(shù)據(jù)，采用分坡度的C校正模型［16］對Sentinel-2影像進(jìn)行地形校正。C校正模型是基于影像像元值與太陽入射角余弦值構(gòu)建線性關(guān)系，并加入經(jīng)驗(yàn)參數(shù)對影像進(jìn)行校正。其計(jì)算公式如下：

式（1）～（2）中：ρm為校正后像元值；ρ為校正前像元值；c為校正系數(shù)；i為太陽入射角；β為太陽天頂角；λ為太陽方位角；θ為坡度；ω為坡向。

從影像頭文件中獲取太陽天頂角和高度角，基于DEM計(jì)算坡度和坡向。將坡度分為4個(gè)等級，分別對影像的像元值和太陽入射角余弦值進(jìn)行擬合，獲取校正系數(shù)c。結(jié)果顯示：各波段的校正系數(shù)均小于1，校正后的影像凹凸立體感明顯消除并趨于扁平（圖2），陰坡和陽坡亮度值差異得到改善，同時(shí)對比校正前后影像的均值和標(biāo)準(zhǔn)差（表1），校正后各波段均值增加，標(biāo)準(zhǔn)差減小，地形校正效果較好。

3 研究方法

茶樹屬于灌木，四季常綠，與灌叢等植被的光譜特征相似。但研究區(qū)內(nèi)茶樹有其特殊性，3-4月是茶葉采摘期，4月下旬和5月初進(jìn)行修剪，受人為經(jīng)營管理影響，茶園結(jié)構(gòu)單一，林下無植被。這些特征為區(qū)分茶樹與其他植被提供了可能。本研究分別對不同地類的光譜特征、季節(jié)特征、茶園指數(shù)構(gòu)建和茶園信息提取與精度驗(yàn)證進(jìn)行分析。

表1 地形校正前后影像反射率的均值和標(biāo)準(zhǔn)差Table 1 Mean and standard of image reflectivity before and after topographic

3.1 光譜特征分析

綜合考慮茶園的物候特征、人為干擾和遙感數(shù)據(jù)的可獲取性，本研究選擇了茶園生長減緩期（12月）、休眠期（2月）、修剪期（5月）和生長旺盛期（7月）4個(gè)時(shí)期的Sentinel-2數(shù)據(jù)的地表反射率圖像，分別進(jìn)行地物光譜特征分析。基于野外調(diào)查的樣本數(shù)據(jù)，從Sentinel-2影像上選擇2017-2018年沒有變化的6類典型植被樣本。其中毛竹林選取了小年830個(gè)像元，大年960個(gè)像元，闊葉林940個(gè)像元，針葉林800個(gè)像元，茶園680個(gè)像元，農(nóng)田780個(gè)像元，每個(gè)像元大小為10 m×10 m。從影像上提取每個(gè)地類在不同光譜波段上的光譜反射率，繪制不同季節(jié)不同地類的光譜曲線圖（圖3），對比分析茶園的物候特征，以及茶園與其他地類在光譜曲線上的差異。

圖2 地形校正前后對比示意圖Figure 2 Images comparison before and after terrain correction

在茶園生長減緩期（12月），茶園和其他植被類型均表現(xiàn)出健康植被的光譜特征，針葉林在各個(gè)波段上反射率均低于其他地類，茶園僅在第3個(gè)紅邊波段和2個(gè)近紅外波段的反射率比其他植被略高，但差異不明顯。在冬末春初的2月，針葉林和闊葉林在各個(gè)波段的反射率低于其他地類，而農(nóng)田還未種植作物，呈現(xiàn)裸地光譜特征，即農(nóng)田在紅邊和近紅外的反射率明顯降低，而在短波紅外波段上的反射率則明顯高于其他地類，而茶園和竹林在冬季常綠，光譜特征接近，這個(gè)時(shí)期的茶園與竹林易混淆。在春末夏初的5月，闊葉林、小年竹林開始換葉，它們在紅邊和近紅外的反射率明顯升高，而茶園由于統(tǒng)一修剪，枝葉減少，裸地露出，此時(shí)所表現(xiàn)出的光譜特征與冬季的農(nóng)田類似，即茶園在紅邊和近紅外波段的反射率明顯下降。除此之外，茶園在紅邊3波段上的反射率低于其他所有植被地類，而在短波紅外2波段上的反射率則高于其他所有植被。在7月，各個(gè)植被類型都表現(xiàn)出生長旺盛期的植被光譜特征，各個(gè)地類之間的光譜反射率差異較小。

總體上，研究區(qū)內(nèi)的植被在不同時(shí)期表現(xiàn)出明顯的季節(jié)特征和光譜差異，茶園和其他典型植被在12月、2月和7月表現(xiàn)的光譜特征較一致，區(qū)分性不大，而5月茶園與其他植被類型光譜曲線特征明顯不一致，因此可確定茶園提取的最佳時(shí)間在5月。由于農(nóng)田存在休耕期，因此在5月茶園最容易混淆的地類為農(nóng)田和裸地。

3.2 季節(jié)指數(shù)構(gòu)建與對比

歸一化植被指數(shù)NDVI（normalized difference vegetation index）是反映植被生長狀態(tài)的指示因子［17］。本研究首先計(jì)算了各個(gè)月的歸一化植被指數(shù)。計(jì)算公式為：

圖3 研究區(qū)內(nèi)Sentinel-2影像真彩色組合圖及主要植被類型光譜曲線示意圖Figure 3 True color combination of Sentinel-2 images and reflectance curves of vegetation

式（3）中：m表示月份，如NDVI_5表示5月的歸一化植被指數(shù)；ρnir和ρred分別為Sentinel-2數(shù)據(jù)的近紅外波段（中心波長842 nm）和紅波段（中心波長665 nm）的反射率。

根據(jù)多時(shí)相Sentinel-2數(shù)據(jù)的光譜特征曲線分析結(jié)果，在2和5月，茶園和農(nóng)田在紅邊波段、近紅外以及短波紅外波段與其他地類的明顯差異。計(jì)算短波紅外2和紅邊波段3的歸一化指數(shù)時(shí)可以突出茶園和農(nóng)田在2個(gè)波段上的差異，因此構(gòu)建歸一化茶園指數(shù)NDTI（normalized difference tea garden index）。表達(dá)式如下：

式（4）中：m表示月份，如NDTI_5表示5月的歸一化茶園指數(shù)，ρswir2和ρred-edge3分別為Sentinel-2數(shù)據(jù)的短波紅外波段（中心波長2190 nm）和紅邊波段（中心波長783 nm）的反射率。根據(jù)式（3）和式（4），分別計(jì)算不同月份的歸一化植被指數(shù)和歸一化茶園指數(shù)，統(tǒng)計(jì)分析研究區(qū)內(nèi)主要地類的歸一化植被指數(shù)和歸一化茶園指數(shù)值，對比分析茶園與其他地類的可區(qū)分性。如圖4所示：不透水地表和水體的歸一化植被指數(shù)和歸一化茶園指數(shù)表現(xiàn)出完全相反的指數(shù)值，2個(gè)指數(shù)都可以將不透水地表和水體與其他植被區(qū)分，其中NDVI_2對這2個(gè)地類的區(qū)分性更好，而且合適的取值還可以將與茶園最易混淆的農(nóng)田信息剔除。茶園與其他典型的植被在10，2和7月的歸一化茶園指數(shù)值比較接近，區(qū)分度很低，這是由于它們光譜特征接近，而在5月，茶園歸一化茶園指數(shù)值明顯大于其他植被，因此NDTI_5是區(qū)分茶園與其他植被的最優(yōu)指數(shù)。

3.3 茶園信息提取與精度驗(yàn)證

本研究基于光譜特征分析和建立的歸一化茶園指數(shù)，計(jì)算了4個(gè)不同季節(jié)的歸一化植被指數(shù)和歸一化茶園指數(shù)，對比了研究區(qū)內(nèi)主要地類在不同季節(jié)指數(shù)上的特征，最大程度地提高了茶園與其他地類的可分離度。最終基于歸一化植被指數(shù)NDVI_2和歸一化茶園指數(shù)NDTI_5構(gòu)建決策樹，進(jìn)行茶園信息的提取。

本研究精度驗(yàn)證的方法是混淆矩陣法。分類數(shù)據(jù)是基于Sentinel-2影像的決策樹分類結(jié)果，參考數(shù)據(jù)是空間分辨率為0.6 m的2018年谷歌地球數(shù)據(jù)和后續(xù)實(shí)地調(diào)查的真實(shí)地塊數(shù)據(jù)。分類結(jié)果為2類：一類是茶園；另一類是其他地類，主要有農(nóng)田、不透水地表、植被和裸土等。為保證精度驗(yàn)證點(diǎn)的客觀性，從分類結(jié)果中分層隨機(jī)選取600個(gè)驗(yàn)證點(diǎn)，即茶園和其他地類各300個(gè)驗(yàn)證點(diǎn)，結(jié)合谷歌地球影像數(shù)據(jù)和實(shí)地調(diào)查數(shù)據(jù)進(jìn)行精度評價(jià)，利用混淆矩陣和Kappa系數(shù)方法，對茶園提取結(jié)果進(jìn)行精度評價(jià)。

圖4 研究區(qū)內(nèi)主要地表類型的歸一化植被指數(shù)（NDVI）與歸一化茶園指數(shù)（NDTI）Figure 4 Normalized difference vegetation index（NDVI） and normalized tea garden index（NDTI） of typical land cover

4 結(jié)果與分析

4.1 各地類在植被指數(shù)上的特征

從圖5可以看出：各個(gè)地類在不同季節(jié)的指數(shù)上反映的特征不同。在2月歸一化植被指數(shù)圖（圖5A）上，水體呈現(xiàn)黑色，裸土、農(nóng)田和不透水地表呈灰黑色，而茶園和植被呈亮白色。在2月歸一化茶園指數(shù)圖（圖5B）上，茶園、部分植被和水體的值最低，呈黑色，裸土、農(nóng)田、部分植被呈淺灰色，部分不透水地表呈白色。在5月歸一化植被指數(shù)圖（圖5C）上，水體值最低，呈黑色，農(nóng)田、茶園、裸地和不透水地表呈灰色，而植被呈亮白色。在5月歸一化茶園指數(shù)圖（圖5D）中，水體和部分不透水地表的值最高，呈亮白色，茶園、部分不透水地表、裸地的值較低，呈灰色，而農(nóng)田和植被類型呈黑色。

圖5 各地類在指數(shù)上的特征示意圖Figure 5 Characteristic graphs of main land cover in index

4.2 茶園信息提取的指數(shù)選擇

結(jié)合研究區(qū)植被類型和其他地類在2個(gè)歸一化指數(shù)上的表現(xiàn)，茶園信息提取的關(guān)鍵在與找到它與其他植被類型的區(qū)別，因此本研究選取了冬季的歸一化植被指數(shù)和5月的歸一化茶園指數(shù)2個(gè)最優(yōu)變量進(jìn)行茶園信息的提取。首先，選用了冬季的歸一化植被指數(shù)NDVI_2區(qū)分植被和非植被地類，在決策樹中選取閾值0.3，將植被和非植被區(qū)分開來，即當(dāng)NDVI_2＞0.3的像元為植被地類，而NDVI_2＜0.3的像元則為其他地類，如裸土、不透水地表、水體等。結(jié)合圖4和圖5可知：5月歸一化植被指數(shù)和茶園指數(shù)區(qū)分茶園與其他植被的效果較好，且5月歸一化茶園指數(shù)優(yōu)于5月歸一化植被指數(shù)。因此，本研究選擇基于歸一化茶園指數(shù)對茶園與其他植被類型進(jìn)行區(qū)分，選取閾值0.4，當(dāng)NDTI_5＞0.4的像元皆為茶園信息，最終將決策樹分類結(jié)果匯總為茶園和非茶園2個(gè)大類，并獲取研究區(qū)的茶園空間分布數(shù)據(jù)。

4.3 茶園空間分布

圖6可知：研究區(qū)內(nèi)茶園主要分布在研究區(qū)的中下部，總體呈西南—東北方向，片狀分布。結(jié)合研究區(qū)的地形圖可以發(fā)現(xiàn)：茶園主要分布在山地與平原交界處的緩坡丘陵地帶，坡度主要集中在5°～25°，這與茶園的生長環(huán)境要求相符。利用空間自相關(guān)分析發(fā)現(xiàn)：茶園的空間范圍與人類居住范圍空間相關(guān)性較強(qiáng)，這是由于大多數(shù)茶園需要人工養(yǎng)護(hù)，適當(dāng)?shù)木嚯x可以節(jié)約成本。研究區(qū)內(nèi)茶園總面積99.9 km2，約占研究區(qū)總面積的7.7%，按行政區(qū)劃統(tǒng)計(jì)，和平鎮(zhèn)的茶園分布最廣，達(dá)31.32 km2，其次為遞鋪鎮(zhèn)和梅溪鎮(zhèn)，分別為18.48和16.34 km2。按照茶園分布面積占行政區(qū)劃面積的比例來看，溪龍鄉(xiāng)最高，茶園比例接近33.0%，和平鎮(zhèn)次之，接近25.0%，梅溪鎮(zhèn)和皈山鄉(xiāng)的茶園比例在10.0%左右，遞鋪鎮(zhèn)和天子湖鎮(zhèn)則僅為6.0%。

分別隨機(jī)選取了研究區(qū)內(nèi)茶園和其他地類各300個(gè)驗(yàn)證點(diǎn)，在谷歌地球中確認(rèn)其位置的正確性，對茶園提取結(jié)果進(jìn)行精度驗(yàn)證。經(jīng)統(tǒng)計(jì)，在茶園的300個(gè)驗(yàn)證點(diǎn)中，276個(gè)為茶園，24個(gè)為其他地類；而在其他地類的300個(gè)驗(yàn)證點(diǎn)中，287個(gè)為其他地類，13個(gè)為茶園地類?；贜DTI_5提取的茶園生產(chǎn)者精度為95.50%，用戶精度為92.00%；其他地類的生產(chǎn)者精度為92.28%，用戶精度為95.67%?？傮w分類精度達(dá)93.83%，Kappa系數(shù)為0.917。

圖6 基于歸一化茶園指數(shù)的茶園空間分布示意圖Figure 6 Spatial distribution of tea garden in study area by normalized tea garden index

5 結(jié)論與討論

本研究以Sentinel-2數(shù)據(jù)為基礎(chǔ)，分析探討了基于物候特征構(gòu)建指數(shù)提取茶園的方法。由于茶園常綠，容易和其他綠色植被混淆，因此本研究根據(jù)茶園生長及經(jīng)營管理特征，分析了茶園和主要綠色植被在不同季節(jié)的光譜特征與差異，確定了提取茶園的最佳時(shí)間在5月，分別計(jì)算了歸一化植被指數(shù)和構(gòu)建了歸一化茶園指數(shù)，對比分析了這2個(gè)指數(shù)在不同季節(jié)上茶園與其他植被的可分離性，確定了茶園指數(shù)提取的2個(gè)最優(yōu)指數(shù)組合為冬季的歸一化植被指數(shù)和5月的歸一化茶園指數(shù)，利用決策樹分類實(shí)現(xiàn)了研究區(qū)內(nèi)茶園信息的準(zhǔn)確提取。結(jié)果表明：基于Sentinle-2紅邊波段構(gòu)建的歸一化茶園指數(shù)能夠?qū)⒉鑸@與易混淆的綠色植被區(qū)分開，分類總精度達(dá)93.83%，Kappa系數(shù)為0.917。

有研究表明：基于高分辨率數(shù)據(jù)使用面向?qū)ο?、最大似然、支持向量機(jī)、隨機(jī)森林4種方法提取茶園，其中面向?qū)ο蠓诸惙椒ň茸罡?，?8.07%［11］。高分辨率影像分割的最佳尺度難確定，獲取對象高維特征后再優(yōu)化，分類過程較繁瑣。研究表明：結(jié)合非監(jiān)督分類和卷積神經(jīng)網(wǎng)絡(luò)方法提取茶園，精度在88%以上［13］。但卷積神經(jīng)網(wǎng)絡(luò)參數(shù)較復(fù)雜，需要編寫算法調(diào)整參數(shù)，解釋性較差。本研究根據(jù)植被物候特征，基于Sentinel-2紅邊波段構(gòu)建茶園指數(shù)來提取茶園，易于理解和實(shí)現(xiàn)，為其他地區(qū)茶園提供借鑒，具有較高的推廣價(jià)值。

據(jù)安吉縣二類調(diào)查統(tǒng)計(jì)報(bào)告顯示：茶園在2006-2016年面積增加了1倍，大量森林被開發(fā)成茶園。由于茶園內(nèi)植被覆蓋低，水土流失風(fēng)險(xiǎn)高，森林轉(zhuǎn)化成茶園，不僅增大了水土流失的風(fēng)險(xiǎn)，還間接造成了森林碳儲量的減少。由Sentinel-2紅邊波段構(gòu)建的茶園指數(shù)能夠很好地區(qū)分出茶園與其他地類，但是Sentinel-2缺乏歷史數(shù)據(jù)，研究近幾十年的茶園動態(tài)變化，Landsat數(shù)據(jù)是主要選擇，因此如何用Landsat數(shù)據(jù)更準(zhǔn)確地提取茶園、監(jiān)測茶園變化是下一步研究重點(diǎn)。本研究表明：5月的歸一化植被指數(shù)也可以區(qū)分茶園與其他地類，但茶園和休耕農(nóng)田存在一定程度的混淆，由于農(nóng)田主要分布在平原地區(qū)，坡度較緩，而茶園主要分布在坡度小于25°以下的地區(qū)，后續(xù)可以加入坡度數(shù)據(jù)來剔除農(nóng)田，進(jìn)一步提高茶園的提取精度。