基于SE增强的U-Net框架:基于多时相卫星嵌入的茶园制图

《Advances in Space Research》:SE-Enhanced U-Net Framework for Tea Plantation Mapping from Multi-Temporal Satellite Embeddings

【字体: 大 中 小 】 时间:2026年09月24日 来源:Advances in Space Research 3.2

编辑推荐:

   ## 摘要 茶树是印度一种具有重要经济价值的种植园作物,其可持续管理与生产需要可靠的监测手段来支撑。在复杂的高海拔地形中,茶园的精确空间划定对于农业规划、土地管理和茶园面积估算至关重要。然而,由于茶园、树木与草地在光谱特征上具有相似性,利用光学卫星数据对茶园进行制图面临巨大

  

## 摘要

茶树是印度一种具有重要经济价值的种植园作物,其可持续管理与生产需要可靠的监测手段来支撑。在复杂的高海拔地形中,茶园的精确空间划定对于农业规划、土地管理和茶园面积估算至关重要。然而,由于茶园、树木与草地在光谱特征上具有相似性,利用光学卫星数据对茶园进行制图面临巨大挑战。许多现有研究依赖于从光学卫星影像中手动提取光谱、空间或物候特征,其性能受到云覆盖、数据可用性不规则以及中分辨率影像中有限的空间和纹理信息的显著影响。在该空间分辨率下,茶树行和与树木混杂的茶园往往呈现为均匀的绿色斑块,难以与茂密的自然植被区分开来。这些局限性降低了此类方法在大面积茶园制图中的可靠性。本研究提出了一种结合Google卫星嵌入(Google Satellite Embeddings, GSE)与基于压缩-激发(Squeeze-and-Excitation)注意力机制的U-Net(SE-U-Net)的新型框架,用于茶园制图。GSE提供的紧凑光谱、空间和时序表征使模型能够更有效地学习茶园的判别性特征。此外,本研究还纳入了基于茶园感知样块过滤、选择性过采样、空间增强和混合损失函数的茶园导向不平衡处理策略,以提升模型训练效果。作为对比,本研究还使用单日期Sentinel-2影像和Sentinel-2 NDVI时序数据进行了实验。基于多边形参考数据集的实验结果表明,基于GSE的SE-U-Net取得了最优性能,总体准确率达到98.50%,优于其他输入数据类型和分类模型。跨区评估进一步展示了该框架良好的迁移性,在两个独立的茶叶种植区域分别取得了93.75%和83.48%的总体准确率,表明所提框架在大面积茶园制图方面具有潜力。

## 引言

茶树是印度最重要的多年生种植园作物之一,在该国农业经济中发挥着重要作用。印度被公认为世界主要茶叶生产国之一,在产量和种植面积方面均位居前列(IBEF, 2025)。茶叶作为非酒精饮料在全球范围内被广泛消费,全球相当大比例的人口将其纳入日常饮食(Yang and Landau, 2000, Siddiqui et al., 2004)。茶产业对区域发展、农村生计和国民经济产出做出了重要贡献(Hajra, 2021, Islam et al., 2022)。在印度,茶树主要种植在潮湿、多雨的地区,如阿萨姆邦、西孟加拉邦、泰米尔纳德邦和喀拉拉邦,茶园在当地提供了大量就业机会,并对出口收入做出了重大贡献(Duncan et al., 2016)。

喀拉拉邦的茶树种植主要局限于高降雨量的海拔较高地区,而非连片的农业平原。在这些地区,茶园与森林、遮荫树、草地和人类聚落混合分布,导致土地覆盖模式高度破碎化(Wu et al., 2023)。这些茶园的空间分布受到当地地形条件和种植实践的高度影响,导致空间不连续性和茶园边界不规则。此外,季风驱动的降雨和持续的云覆盖等气候因素,加之茶园与周边常绿植被之间的光谱相似性,使得大面积制图尤为困难(Kumar et al., 2021)。精确的茶园面积制图对于监测数十年间茶园范围的变化、将变化趋势与产量关联,并服务于农业规划、资源配置和政策制定至关重要(Huang et al., 2018, Maitra, 2025)。除生产导向目标外,种植园尺度的地图还为评估土地利用可持续性、理解生态相互作用以及在多种生态系统中管理多年生作物体系提供了基础(Prokop, 2018, Zhang et al., 2017)。

传统上,茶园面积的估算主要依赖于农业普查记录和田野调查。虽然这些来源提供了官方报告数据,但通常需要大量的人工投入,且提供的空间细节有限。此外,这些信息通常以较粗的时间间隔更新,并可能受到观察者的主观判断影响。这些局限性降低了它们对于监测空间破碎化且随时间演变的景观的有效性,特别是在茶园与聚落、森林斑块及其他植被类型共存的山丘地区。

卫星遥感技术的进步重塑了植被制图与监测的方法(Xie et al., 2008, Feng et al., 2015)。与地面调查不同,卫星观测能够实现对大面积区域的重复覆盖,并允许以空间连续的方式考察景观格局(Meru, 2018)。这些特征对于茶树等多年生作物尤为相关,因为其空间结构和季节行为在不同地形和管理实践之间存在差异。因此,卫星制图越来越多地与传统的统计方法结合使用,以生成更详细、更及时的茶种植区代表,并支持印度可持续农业发展相关的规划活动(Mahato et al., 2024, Shah and Pate, 2016)。多空间分辨率和时间频率的地球观测数据的日益丰富,使得能够以改进的空间和时间覆盖对种植园作物进行一致的大面积评估(Neyns and Canters, 2022, Rogan et al., 2002)。来自MODIS和Landsat等传感器的卫星时序数据已被广泛用于分析森林和种植园系统中的植被动态和物候行为(Zhou et al., 2024, Chen et al., 2018)。

早期对茶园制图的调查通常基于单日期光学卫星影像并结合传统机器学习方法,如随机森林(Random Forest, RF)和支持向量机(Support Vector Machine, SVM)(Wang et al., 2019)。这些方法主要利用从单张影像观测中推导出的光谱特征和手动提取的空间特征来识别茶园。尽管在某些情况下具有较好的可分性,但利用单日期特征工程方法在茶园与常绿植被之间进行明确的光谱划分仍然具有挑战性。其性能高度依赖于所选输入特征,而这些特征通常局限于特定研究区域,可能不具有良好的泛化能力(Dihkan et al., 2013)。

为解决上述问题,多项研究提出了基于多时相卫星数据的茶园制图算法,使用了Sentinel-2、Landsat和VENμS等传感器的观测数据(Li et al., 2019, Xia et al., 2023)。通过引入时序信息,这些研究报告了在茶园与林地之间获得了更好的区分能力,特别是在修剪和采摘等管理相关阶段。例如,从植被指数(包括归一化植被指数(NDVI)和红绿比指数(RGRI))中导出的时序模式已被用于描述茶树的生长周期并提高分类精度(Li et al., 2019)。然而,基于物候学方法的成败与密集且无云的时序数据的可用性密切相关。在潮湿的山地环境中,频繁的云覆盖会中断光学观测,导致时序记录不规则且不完整。同时,当地管理实践的差异和不同的生长阶段引入了额外的变异性,这可能降低基于物候学方法的分类可靠性。这些限制条件制约了纯物候学方法在大面积茶园制图中的适用性。

许多现有研究探索了多特征与多源数据融合,在Google Earth Engine(GEE)平台上将光谱波段、植被指数、纹理、地形和雷达数据整合到随机森林或决策树框架中,用于大面积制图(Zhu et al., 2019, Qu et al., 2022)。Zhu等人(Zhu et al., 2019)利用了Jeffries-Matusita距离(J-M距离)模型和基于渐进式随机森林的方法来选择茶园分类的最优特征,并以GEE作为分类平台。Qu等人(Qu et al., 2022)提出了一种基于多时相光谱特征的茶园制图算法,使用了协调的Landsat 7/8和Sentinel-2光学影像。尽管这些方法捕捉到了精细的上下文信息,但它们仍然依赖于手工特征工程和有限的数据集成。许多现有的多源制图框架仅结合有限数量的卫星数据集,这限制了所能捕捉的上下文信息的丰富程度(Huang et al., 2019)。此外,大面积茶园制图本质上存在类别不平衡问题,即茶树像元仅占总样本的一小部分(Xiao et al., 2024)。即使在大规模研究中(Peng et al., 2024),茶树样本数量仍远低于其他作物和非植被类别(Xu et al., 2018, Kang et al., 2023a)。这种不平衡的数据分布可能使学习算法偏向于多数类别,从而导致总体准确率过于乐观,同时低估了茶树类别的误分类。尽管基于集成的分类器(Mellor et al., 2015)可能通过内部采样策略部分缓解不平衡问题,但显式的不平衡处理机制如类别重加权、采样调整等在现有茶园制图研究中很少被讨论。

随着深度学习的发展,一些语义分割模型已被应用于高分辨率影像,以更有效地表征空间格局和种植园几何形态(Yao et al., 2022, Zhou et al., 2024)。Yao等人(Yao et al., 2022)提出了一种名为R-CNN的混合模型,从多时相Sentinel-2数据中提取空间和时序信息。与依赖个体光谱观测不同,这些模型从相邻区域提取空间上下文,从而改进了破碎化景观中不规则种植园边界的划定。然而,深度学习框架通常需要大量的多时相堆叠和仔细的数据准备,并且可能仍然易受云相关数据缺失和异质地形条件的影响。

近期,Google和Google DeepMind在Google Earth Engine(GEE)上发布了Google卫星嵌入(Google Satellite Embedding, GSE)数据集,提供了一套全球可用的10米年嵌入场(Google Earth Engine, 2025)。这些嵌入编码了从大规模卫星观测中学习到的光谱、空间和时序信息,目前仅在有限的遥感应用中被探索,如城市空气质量制图(Alvarez et al., 2025)和农业植被生化参数反演(Alam and Simic Milas, 2025)。

几项近期的茶园制图研究报告了令人鼓舞的定量结果。Qu等人(Qu et al., 2022)使用协调的Landsat-7/8和Sentinel-2影像衍生的多时相光谱特征和半自动决策树分类器,报道了92.71%的总体准确率和90.75%的F1分数。Kang等人(Kang et al., 2023b)在随机森林分类器中集成了光谱、SAR、地形和纹理特征,在中国杭州的茶园制图任务中达到了96.1%的总体准确率。Yao等人(Yao et al., 2022)使用多时相Sentinel-2影像和CNN-RNN(R-CNN)深度学习模型,达到了95.30%的总体准确率和88.50%的F1分数。最近,Wang等人(Wang et al., 2026)使用Alpha Earth基础模型嵌入和随机森林分类器,在五类茶园制图任务中达到了92.69%的总体准确率。这些研究表明,近期的茶园制图方法取得了令人鼓舞的进展。

综上所述,这些研究展示了茶园制图从手工光谱和物候特征到深度学习方法,再到近期基础模型嵌入的演进历程。尽管取得了这些进展,许多现有方法仍然依赖于手动提取的特征、多源影像融合或传统逐像元分类器,这些方法可能无法完全捕捉茶园的b空间特征。虽然基础模型卫星嵌入已在大规模农业制图方面展现出令人瞩目的潜力,但将其与基于注意力的语义分割框架结合用于茶园制图的研究尚有限。

为解决传统光谱、物候学和多源方法的局限性,本研究探讨了Google卫星嵌入作为统一特征表征在茶园制图中的潜力。在混合植被景观中,对邻域上下文的建模对于保持种植园边界和几何形态至关重要,基于逐像元的方法通常会产生产生碎片化的预测结果。此外,在模型训练期间解决类别不平衡问题对于减少向多数非茶类别的偏见和提高含茶区域的表征也至关重要。在本文中,茶园制图被构建为一种基于样块的二分类语义分割问题,以Google卫星嵌入(GSE)作为主要输入表征,并结合茶园导向的训练策略以改善模型训练期间含茶样块的表征。

本研究的主要贡献如下:
• 探索 Google 卫星嵌入(GSE)在茶园测绘中的潜力,并将其性能与 NDVI 合成和单日 Sentinel-2 图像等传统光谱方法进行比较。
• 采用基于块的分割框架进行有效的茶园测绘,其中使用压缩 - 激励注意力增强型 U-Net(SE-U-Net)在训练期间执行通道级特征加权,并将其性能与传统的基于像素的分类方法进行比较。
• 为解决 SE-U-Net 训练期间的块级类别不平衡问题,开发了一种茶园重点训练策略,使用茶园感知块过滤、选择性过采样包含茶园的块以及空间数据增强。此外,采用混合二元交叉熵和 Dice 损失来优化像素级分类准确性和区域级分割一致性。

本文其余部分组织如下。第 2 节描述了本研究区域和数据。第 3 节详细介绍了我们提出的方法论。第 4 节和第 5 节详细描述了实施过程和结果。

章节片段 研究区域
喀拉拉邦最大的茶叶种植区是伊杜基区,其特点是景观复杂且降雨量大。伊杜基区(9°15′–10°02′ N, 76°37′–77°25′ E),位于喀拉拉邦东部高原地区,是该邦面积最大的区,覆盖面积约为 4,479 平方公里。该地区海拔从约 300 米到平均海平面以上 2600 多米不等。伊杜基经历潮湿的热带季风气候,年平均温度范围为 15 °

提出的茶园测绘方法论
在本研究中,茶园测绘被表述为一个二元语义分割问题。使用基于块的 SE-U-Net 框架分析特征丰富的 GSE 输入,使模型能够捕捉茶园区域内的局部空间依赖性和上下文变化。SE-U-Net 将 U-Net 的编码器 - 解码器架构与压缩 - 激励(SE)注意力相结合,自适应地重新校准通道级特征响应。完整架构如图所示

实施
本节描述了我们就使用 GSE 和 SE-U-Net 框架进行茶园测绘所进行的实验。

分类图生成与所提方法的验证
训练好的 SE 注意力增强型 U-Net 以块推断模式应用,以生成完整的茶园地图。嵌入镶嵌被划分为固定大小的块 ????∈?64×64×64,每个块由网络独立处理以产生像素级茶园概率图 ?????∈[0,1]64×64。为了重建全场景预测,单个概率块在空间上进行拼接。在块重叠区域,采用逐像素平均以确保空间

结论
茶园测绘是农业规划和长期种植园监测的一项重要任务。大多数现有研究依赖于 SDSI 和 STNDVI 图像,其性能可能会受到云覆盖、混合植被和异质景观的影响。最近发布的 Google 卫星嵌入(GSE)通过整合大规模地球观测的空间、光谱和时间信息,提供了一种紧凑的年度表示。通过将 GSE 与 SE 注意力增强型 U-Net 相结合

利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系,这些关系可能被认为会影响本文报告的工作。

Sreedevi Sreedharan|Anand S. Sahadevan|K. Manjusha
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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