云南省阿拉比卡咖啡分布高分辨率数据集

《Remote Sensing》:A High-Resolution Dataset for Arabica Coffee Distribution in Yunnan, Southwestern China Hongyu Shan, Tao Ye, Zhe Chen, Wenzhi Zhao, Xuehong Chen and Hao Sun

【字体: 大 中 小 】 时间:2026年03月20日 来源:Remote Sensing 4.3

编辑推荐:

  咖啡作为一种多年生商品作物,在全球农产品市场、区域生计以及减贫过程中发挥着关键作用。中国云南省(21°8′–29°15′N)是全球最北缘的咖啡种植区,其产量近年来在国际市场上受到越来越多关注。然而,在这一亚热带且属边缘适生区的种植区域内,缺乏具有空间显式性和高

  
咖啡作为一种多年生商品作物,在全球农产品市场、区域生计以及减贫过程中发挥着关键作用。中国云南省(21°8′–29°15′N)是全球最北缘的咖啡种植区,其产量近年来在国际市场上受到越来越多关注。然而,在这一亚热带且属边缘适生区的种植区域内,缺乏具有空间显式性和高分辨率的咖啡分布数据集,制约了环境评估、土地利用分析与政策制定。该研究基于Google Earth Engine(GEE)平台,利用Sentinel-2光学影像与航天飞机雷达地形测绘任务(SRTM)地形数据,构建了2023年云南省首个10 m分辨率阿拉比卡咖啡分布数据集。研究人员采用面向对象工作流程生成空间一致的制图单元,随后通过监督分类识别咖啡种植园。最终得到的分布图总体精度(OA)为0.87;针对咖啡类别的用户精度(UA)、生产者精度(PA)和F1评分分别达到0.90、0.96和0.93,表明该数据集可可靠应用于区域尺度研究。特征贡献分析表明,短波红外(SWIR)与红边信息,尤其是在旱季期间,对于咖啡识别具有重要作用。上述结果提升了对该制图框架生态学相关性与稳定性的信心。所提出的工作流程为复杂山地环境中的多年生作物制图提供了一种实用且可迁移的方法。更为重要的是,所生成的高分辨率咖啡分布数据集建立了一个空间基线,可用于监测土地利用动态、评估生态影响,并支持中国西南地区咖啡产业的可持续发展。
该文发表于《Remote Sensing》,研究聚焦于中国云南省阿拉比卡咖啡空间分布数据长期缺失的问题。研究背景在于,作物精细空间分布信息是产量估算、生长监测、灾害评估、农业资源配置和种植结构调整的重要基础,而咖啡作为全球重要经济作物,其高分辨率分布图对于理解毁林、生物多样性变化、供应链透明化及气候变化影响具有重要意义。现有主要咖啡产区普遍缺乏优于30 m的公开高分辨率分布数据;同时,咖啡多种植于地形陡峭、地块破碎、云覆盖频繁的山区,导致地面样本采集困难、遥感识别误差较大,像元级分类结果还易产生“椒盐噪声”。因此,有必要建立一种适用于复杂山地环境、具备较高可迁移性和操作性的咖啡制图流程。

研究人员围绕云南这一全球最北缘咖啡种植区开展研究。云南贡献了中国约98%的咖啡产量,具有典型的山地垂直气候特征,咖啡种植主要集中在德宏、保山、临沧、普洱和西双版纳等地区。该区域的生态与农业条件赋予云南咖啡独特品质,但也使其面临霜冻、干旱等环境风险。由于长期缺乏可靠的高分辨率空间数据,政府部门和研究机构在开展产量估计、环境监测和政策制定时受到明显限制。基于此,研究人员构建了一个融合多源遥感数据的面向对象制图流程,目标是形成云南省2023年首个10 m分辨率阿拉比卡咖啡分布数据集,并验证其在复杂山地景观下的适用性与稳定性。

在技术方法方面,研究主要采用4类关键方法。首先,基于Google Earth Engine(GEE)平台整合2023年4月至2024年3月的Sentinel-2地表反射率影像及SRTM 30 m数字高程模型(DEM)数据,构建多时相光谱与地形特征。其次,依据咖啡物候过程,将影像划分为3月、4–10月、11月、12月至1月、2月五个时期,并采用Simple Non-Iterative Clustering(SNIC,简单非迭代聚类)进行面向对象分割。第三,研究人员在2023年5月与8月两次实地调查中采集3695个地面真值样地多边形,并辅以Google Earth高分辨率影像开展样本补充。第四,利用深度神经网络(DNN)进行监督分类,并通过混淆矩阵、县域统计年鉴面积对比、决定系数R2及SHapley Additive exPlanations(SHAP)分析进行精度评估与模型解释。

研究结果部分可概括如下。

3.1. Coffee Distribution Map
研究人员首先生成了云南省咖啡分布图,并将10 m分辨率结果聚合至1 km网格以增强区域可视化表达。结果表明,咖啡种植在研究区内并非均匀分布,而是高度集中于干热河谷区域。该结果说明云南咖啡空间格局具有明显的区域集聚性,为后续分析咖啡扩张、土地利用变化和生态影响提供了直接的空间基底。

3.2. Validation
研究人员从三个层面对制图结果进行了验证:测试集分类精度、制图面积与县级统计年鉴数据一致性,以及与高分辨率影像和地面控制多边形的对照。结果显示,在采用超像素大小为8的SNIC分割及DNN分类后,模型总体精度(OA)达到0.87,咖啡类别的用户精度(UA)为0.90,生产者精度(PA)为0.96,F1评分为0.93,受试者工作特征曲线下面积(AUC)为0.96,表明模型具有较高识别能力。与随机森林(RF)相比,DNN在精度上表现更优,且对分类类别数量变化不那么敏感,显示出更稳定的泛化性能。

在县域尺度上,研究人员将年度制图面积与2023年统计年鉴记录进行比较,得到决定系数R2=0.841,说明制图结果与官方统计数据具有较好一致性。不过,多数县的制图面积低于年鉴记录,提示仍存在部分咖啡地块漏提取现象。原文指出,这主要与小而分散地块的光谱特征易与周边植被混淆、天然遮荫树较密导致咖啡光谱信号被遮蔽、以及低密度种植或与其他作物间作削弱咖啡光谱特征等因素有关。该结果说明该数据集虽具较高可靠性,但在复杂混作与高遮荫条件下仍存在一定不确定性。

3.3. Feature Importance Analysis Result
研究人员进一步利用SHAP分析解释模型判别机制。全局特征重要性结果表明,云南咖啡分布识别最关键的变量主要由Sentinel-2短波红外(SWIR)和红边波段构成,并呈现显著季节性差异。排名前8位的重要特征依次包括swir1_Nov、re1_Feb、swir1_Feb、re2_AprToOct、swir2_Nov、re2_Nov、swir2_Feb和re3_Nov。其中,SWIR相关变量占据多数,说明与水分状态相关的光谱信息在咖啡识别中具有主导作用,尤其11月和2月的SWIR1特征贡献最高,反映旱季冠层与土壤水分条件对咖啡判别尤为关键。

红边特征同样表现出较强的重要性,说明植被结构与叶绿素相关信息对咖啡种植园与其他地类的区分具有重要意义。季节分析显示,旱季合成影像(11月与2月)相较雨季合成影像贡献更突出,表明旱季期间咖啡与周边植被在物候和含水状况上的差异更容易被遥感捕获。进一步的SHAP依赖关系分析显示,多个关键特征呈现U形非线性响应,即较低和较高的特征值均可能对咖啡预测产生正向贡献,而中间值贡献相对较低。这表明云南咖啡地块在水分条件、冠层结构及经营管理方面具有较强异质性,也从模型解释层面支持了多时相、多光谱联合识别策略的必要性。

在讨论部分,研究人员首先强调了该数据集的潜在价值。通过整合Sentinel-2多光谱影像与DEM衍生地形数据,研究首次形成了覆盖云南全省的高精度咖啡分布图,填补了中国咖啡主产区精细空间数据的关键空白,也为全球咖啡分布研究补充了东亚热带—亚热带边缘种植区案例。该数据集可服务于农业监测、气候变化研究和景观生态学分析,支持对种植扩张、适生区变化、环境影响以及咖啡农林复合生态系统与自然生境相互作用的研究。在实践层面,该成果也为云南咖啡产业向精品化、标准化和精细化管理转型提供空间基础。

其次,作者讨论了面向对象深度学习方法的优势。研究指出,SNIC分割可将光谱相近、空间连续的像元聚合为对象,从而更好表征云南咖啡种植园不规则边界、混合冠层和地形引起的光照差异,减少传统像元分类中的类内噪声和“椒盐效应”。同时,DNN较RF更擅长建模多季节光谱与地形变量之间的高维非线性交互关系,因此更适于多年生作物、管理模式复杂且类内差异较大的咖啡种植园识别。研究结果表明,即使不引入雷达或气候数据,该框架仍可在复杂地形环境下取得较高精度,具有较好的可扩展性和数据效率。

再次,关于SHAP分析揭示的重要特征,作者认为11月SWIR1、2月re1、2月SWIR1及4–10月re2等变量的重要性,反映了云南咖啡识别对旱季水分状态、叶绿素含量和冠层生理特征的高度敏感。SWIR波段能够有效捕捉叶片含水量与冠层内部结构差异,而红边波段则对植被健康状况和生物量变化敏感。这些结果不仅与其他国家咖啡制图研究中关于SWIR和红边重要性的发现相一致,也进一步说明云南地区在雨旱季转换和生长高峰期的物候差异对于阿拉比卡咖啡识别具有实际意义。

最后,作者指出了研究局限性。虽然模型精度高于已有多数咖啡遥感制图研究,但受限于遥感影像分辨率、云污染及山区复杂地物混合,模型在识别地块边界不清、混合种植、破碎化严重或被遮蔽的咖啡地块方面仍存在困难,尤其是宽度小于10 m的地块。另一方面,全连接神经网络在针对特定时序数据结构的信息挖掘上仍有限。作者同时指出,经济作物统计数据在欠发达山区也可能存在粗尺度、滞后、采集不一致与透明度不足等问题,因此遥感制图结果应与统计数据形成互补,而非简单替代。

研究结论部分可译述如下:该研究基于Google Earth Engine平台中的Sentinel-2影像与SRTM地形数据,构建了中国云南省2023年首个区域尺度10 m分辨率咖啡种植园分布数据集。通过实施面向对象制图流程与监督分类,研究人员生成了具有空间显式性的咖啡分布图,并完成内部验证;该图总体精度为0.87,咖啡类别F1评分为0.93,表明该数据集足以支撑复杂山地景观中的区域尺度农业与环境应用。特征贡献分析表明,短波红外和红边信息,尤其是旱季信息,在咖啡识别中发挥重要作用,这一发现增强了对制图结果生态学相关性与稳定性的信心,并为未来多年生作物监测提供了参考。除2023年静态结果外,该研究建立的工作流程具有业务化与可重复性,可支持未来更新和多年序列产品开发。最终形成的高分辨率咖啡分布数据集为监测种植园扩张、评估土地利用与生态影响以及支持云南咖啡可持续发展提供了基础性的空间基线,并可为中国西南地区从事农业规划与环境管理的研究人员、土地管理者、政策制定者和产业相关方提供实用工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号