农作物灾害损失评定遥感评估方法研究

绪论：写作既是个人情感的抒发，也是对学术真理的探索，欢迎阅读由发表云整理的1篇农作物灾害损失评定遥感评估方法研究范文，希望它们能为您的写作提供参考和启发。

摘要:风灾、雹灾和涝灾等自然灾害会导致农作物产量减产。遥感技术可以快速、方便、实时地获取作物的生长状态。利用遥感技术进行农作物的灾害检测与损失程度评定对于农业等政府部门具有重要的作用。其中，农作物分类的准确性和灾害遥感检测方法是2个关键的问题。针对这2个问题，本文开展了以下研究:利用多时相数据对2020年吉林省主要农作物进行监督分类;利用光谱指数法(归一化植被指数)对各类农作物进行风灾和涝灾灾害检测以及损失程度评定;根据实际调查数据进行精度评定。经统计，各镇的准确性均达到80%以上，说明准确性较好。研究成果对农作物的灾害检测具有一定的参考价值。

关键词:农作物;多时相;光谱指数;灾害检测

引言

我国作为世界农业起源地之一，遭受的自然灾害也位于世界前几列。现在，我国遭受的自然灾害主要包括干旱、洪涝、台风、冰雹。这些灾害的共同特点就是具有普遍性、难防范性、区域性和对生命财产的损害性。据统计，仅2020年我国就有19957.7千hm2的农田受到了自然灾害的侵袭，其中绝收2706.1千hm2;造成的直接经济损失总额多达3701.5亿元［1］。2020年的3场台风更是对东北地区的农作物造成了很严重的影响。传统的地面调查法实施起来具有耗时大，范围小，耗费人力物力，效果差等特点，故在评定时略显不足。为此遥感监测法应时而生，遥感监测具有大面积同步观察、时效性、数据的可压缩性、可比性和经济性等优势，在灾害损失评定中作用巨大，为减灾相关政策提供了客观依据。近年来，国内外研究学者针对利用遥感技术进行农作物的分类以及灾害评定等方面作了大量的研究。从数据来源方面分析发现，数据来源主要分为2大类:多光谱数据和高光谱数据。多光谱影像具有以下优点:数据量适中，处理时间短，便于下载和处理;分辨率较高，可以达到米级，对于东北地区大范围农作物都可以很好的识别和区分;数据周期较短，同一地面点每个月卫星至少过境一次。高光谱卫星影像虽然分辨率较高，但数据量较大，影像的覆盖面积较小，处理费时费力。因此，研究选用影像免费获取、数据周期较短、数据量较小、分辨率较高的Landsat8卫星影像为数据源。从遥感分类方法方面发现，学者们大多采用监督分类的方法，或者结合随机森林(randomforestalgorithms.ＲFa)、人工人工神经网络(artificialneuralnetwork，ANN)等［2］算法实现对农作物的精准分类。在作物灾害评定方面，学者们构建了大量的光谱指数来监测作物的长势情况，从而判断作物的生长状况。最常见的光谱指数为归一化植被指数(NDVI)。同一农作物在不同的生长时期NDVI指数值都不相同。本文针对2020年东北三省的农作物受灾情况，通过监督分类方法结合多时相数据组合法，对各类农作物进行精准分类;利用NDVI指数检测作物的受灾区域以及受灾程度，实现利用遥感方法进行农作物的灾害评定。

1农作物遥感分类方法研究

目视解译、监督分类及非监督分类是传统的遥感分类方法中最常见的3种。韩俊等［3］分别采用3种解释方法提取土地覆盖分类信息。通过对比分析，证明了计算机自动判读结果对提高生产效率起到了至关重要的作用。其中，目视解译主要依靠解译人员所了解的知识以及个人所形成的解析习惯对影像信息进行分类，具有主观性，精度较差;非监督分类仅依靠像元的光谱信息相似度进行分类，和空间关系、空间位置、形状、纹理等附加信息是无关紧要的，其分类结果只是将图像信息分成不同的类别，而无法确定各类别地物的属性信息，人工干预较少，然而因为遥感影像中的一些地物的光谱特征受地形起伏与土壤特性等影响发生变化，所以分类结果的准确性需要考量;监督分类主要是一种统计决策分类的方法也是一种模式识别方法，通过研究人员的经验和学识，从训练中选取样本，并根据已知训练区域中选取的样本，借助特征选择参数，计算出函数参数，执行判别函数，对要分类的图像进行分类建立。是模式识别的一种方法，此种方法结合了人工和计算机各自的优势，王国芳［4］对昔阳县耕地面积遥感提取进行监督分类，得到高达93.3%的分类精度，可见其分类结果可信度之高，所以监督分类依然是目前使用最广泛的遥感分类方法。根据上述分类方法的优缺点，本次研究主要采用监督分类的方法对影像中的农作物信息进行分类。同一种农作物在整个生长过程中，其内部结构和外部形态会发生季节周期性变化，这称之为植物季相节律［5］。不同作物由于叶片结构和色素不同而具有不同的光谱特性，作物基因组学的差异也是分类的重要依据。如，北方水稻在5月插秧之前要进行注水工作，这是区分水稻最重要的物候特征。但是在7—8月，各类农作物都处于生长最旺盛的时期，在遥感影像上的特征很相似。因此，如果仅用单一时相影像进行农作物分类，很有可能存在错分现象。由于植物的季相节律性，可以采用多时相数据组合的方式进行作物的分类。

2农作物灾害检测遥感方法研究

作物的生长状况决定作物的产量。当农作物受到风灾、涝灾等自然灾害时，生长状况会受到很大的影响，进而导致作物的减产。遥感技术具有宏观特性、数据采集实用性强、实时性强等特点，被广泛应用于作物监测。由遥感知识可知，每一种作物都有其独特的光谱特征，且同一作物在不同的生长时期其光谱特征也不同。根据这一特点，可以将作物的光谱特征用某一种形式进行定量表达———光谱指数，从而可以直观地区分作物的类别以及判断作物的生长状况。近年来，众多学者已经研究出大量的光谱指数，如比值植被指数(ＲVI)、差值植被指数(DVI)、归一化植被指数(NDVI)。其中，归一化植被指数(NDVI)被广泛的应用，(NormalizedDiffernceVegetationIndex，NDVI)是由Ｒouse等［6］对ＲVI非线性归一化处理后得到的植被指数，其基本原理是植物叶片吸收蓝光(470nm)反射绿光和吸收红光(650nm)反射红外光。叶子中间的真菌组织和叶子背面的组织反射强红外辐射(NIＲ，700～1000nm)，但增加较小。植被的表面积与红光反射成反比，与红外光放射成正比，植被越大对红光的捕获越容易达到饱和状态，可作为植被指数来描述植被状况。公式:NDVI=［(NIＲ－Ｒ)/(NIＲ+Ｒ)］式中，NIＲ值代表近红外波段;Ｒ代表红光波段NDVI的表示范围为－1～1。植物的转化、阳光的截留、光合作用和地表的纯基本生产力都与NDVI有关。各类地物NDVI值(土壤值＜1)。－1≤NDVI≤0表示地面被雾、水、云层等覆盖，对可见光的反射强度较高;0表示石砾或沙丘，NIＲ和Ｒ基本相等;0≤ND-VI≤1表示有植被覆盖随着植被的增多，NDVI值越趋向于1。

3应用实例

2020年8—10月，巴威、美莎克、海神3个台风依次登陆，导致吉林省发生风灾和涝灾。灾害涉及农作物主要包括水稻、玉米和大豆3种。吉林省白城市位于E121°38'～124°22'，N44°13'～46°18'，所属区域达2.6万km2，地势由西北向东南逐渐变缓，由于太阳辐射强度的原因，导致该地日照时间长，雨量变化不定，时常干旱，地下水资源少等特点，故该地有很多大小不一的沙丘和沙垄的地理环境，又因过度放牧和富含碳酸盐的土壤造成了大面积的盐碱地。典型的温带大陆性气候使该地的降水主要集中在夏季，冬季则较为干燥，年平均气温较低，因此导致玉米，水稻等农作物一年内一熟。研究一区位于较为熟悉的，有实际踏勘条件的白城市西北部的那金镇。吉林省长春市在北半球中纬度，中国东北平原中心地带，欧亚大陆东岸，处于E124°18'～127°02'，N43°05'～45°15'［7］。所属区域达1.8万km2，东北同黑龙江省相连，东南与吉林市相邻，西北紧挨白城市，西南与四平市相接。该市东部为深棕壤，区域中心部分为黑土，西区为肥力很高的黑钙土地;台地为白色浆液水、河谷草甸土和低洼沼泽土;与白城市一样，长春市也属于温带大陆性气候，这样的气候造就了长春市春季短暂且多风，夏季降雨较为集中，秋季凉爽温度极佳，冬季长时间气温较低，据记录显示，最低温度可达－30℃。这样的气候使肥沃的黑土地上的农作物能一年一熟。研究二区选用位于长春北部的华家镇。影像选取2020年5月、8月2期Landsat8卫星影像，其分辨率为30m，可以满足农作物分类及灾害评定需要，见图1。影像预处理过程包括影像下载、辐射校准、大气校正、图像融合及裁剪。研究区内主要农作物为水稻、玉米和大豆。其中，水稻在5月需要注水，此时是区分水稻和其他农作物的最佳时期，但此时的水稻与水体很容易混淆，因此可利用8月影像提取水体，然后与5月提取的水体作擦除处理，便可提取出水稻;大豆和玉米在8月的影像上其光谱反射率有很大差异，且在图像上颜色有明显差异。利用5月影像去除水体、草被、林地的干扰，并提取水田，然后结合8月影像对玉米和大豆进行分类。由于两研究区农作物类型、气候条件等均相似，因此，本文仅以农安县为例详细介绍研究过程，白城市研究区处理过程与农安县均一致。利用多实现数据组合法对农作物进行精准分类，其操作流程如下。利用软件ENVI对5月影像进行监督分类，选取训练样本分别为耕地、居民地、水体和植被。计算训练样本的可分离度，计算出来的可分离度用Jeffries－Matusita，TransformedDivergence参数［8］表示，范围为0≤参数≤2.0，大于1.9，说明样本分离较完整，为合格样本;若样本小于1.8，则必须编辑或重新选择;如果小于1，则应将2种样本合并为一种。研究样本可分离度均大于1.9。由于最似然法具有参数设计清晰、与先前知识融合简单、算法简单等优点，故利用最大似然法进行监督分类，见图2a。将耕地及水体2个分类结果进行保留。对8月遥感影像进行监督分类，见图2b，监督分类前首先根据5月影像排除林地、居民地的干扰。其监督分类的训练样本分别为玉米、大豆、其他作物和水体。在ArcGIS中用8月水体地类擦除5月水体地类，得到的便为水稻。结合实际踏勘情况将各农作物的图斑进行修剪、修改错判和漏判后便得到精准的玉米、大豆和水稻的地类信息。在分类之后便进行农作物的灾害损失评定，其评定方法主要采用第2章中提到的归一化植被指数法，根据归一化指数(NDVI)值大小来判断各类农作物得受灾程度。具体操作流程如下。在ENVI中计算台风过后的遥感影像(2020年8月16日)的NDVI值;在ArcGIS中利用各类农作物的图斑矢量进行裁剪，得到玉米、大豆和水稻的ND-VI图像;结合实际探勘情况确定各灾害级别(30%以下、轻灾、中灾、重灾和绝产)的NDVI值阈值;对研究区内所有农作物进行灾害损失评定，见图3。将研究结果与政府相关部门统计数据对比，计算研究结果的准确度。结果发现，在分类时，华家镇8月中有部分玉米被分成大豆，其错判像元数约占8.7%，分析原因发现其错判像元处的玉米均为受风灾区域，刮倒后其影响特征与大豆很相似;那金镇有小部分玉米未被识别，其漏判率为12.1%，分析原因发现其漏判处大多为盐碱地，其影像特征与裸土很相似;对比灾害损失程度评定结果与实际受灾结果发现，华家镇的灾害损失程度评定的阈值较为准确，只有少部分绝产区域比实际情况评定不符(准确率为84.7%)，即研究结果评定灾害程度偏重。分析原因是即使台风过后玉米收涝灾严重，但其产量并未达到绝产地步;那金镇的花生灾害损失程度评定也偏重(准确度为85.1%)，其原因与华家镇玉米相似，风灾并未对花生的果实产量产生巨大损失。综合计算各灾害损失程度的评定准确率(实验结果各灾害程度面积与实际该灾害程度面积比)，发现其准确度均达到80%以上，说明实验结果可信，准确度较好。

4结语

研究通过利用多时相数据组合法对2020年吉林省农安县华家镇和白城市那金镇主要农作物进行监督分类，然后利用归一化植被指数法对玉米、花生、大豆进行台风过后灾害区域检测以及损失程度评定，结果发现，两研究区的农作物分类和灾害损失程度评定准确性均达到80%以上，成功地实现了利用遥感方法对农作物进行灾害评定。研究成果对农作物的灾害检测具有一定的参考价值。

参考文献

［1］应急管理部发布2020年全国自然灾害基本情况［J］．中国减灾，2021(03):60．

［2］DudleyKL，DennisonPE，ＲothKL，etal．Amulti－temporalspectrallibraryapproachformappingvegetationspeciesacrossspatialandtemporalphenologicalgradients［J］．ＲemoteSensingofEnvi-ronment，2015，167:121－134．

［3］韩俊．不同的遥感解译方法在地表覆盖分类信息提取中的应用研究［D］．昆明:昆明理工大学，2015．

［4］王国芳．基于TM数据耕地面积提取方法研究［J］．山西农业科学，2011，39(04):374－375，378．

［5］班松涛．县域农作物分类类型遥感识别与提取［D］．杨凌:西北农林科技大学，2014．

［6］罗亚，徐建华，岳文泽．基于遥感影像的植被指数研究方法述评［J］．生态科学，2005(01):75－79．

［7］许林书．土壤地理学［M］．长春:东北师范大学出版社，2006．

［8］郑璐悦，许童羽，周云成，杜文．基于Landsat8OLI遥感影像的沈阳市水稻种植面积提取方法［J］．浙江农业学报，2017，29(10):1749－1758．

作者:许鹤 单位:长春建筑学院