農(nóng)作物災(zāi)害損失評(píng)定遙感評(píng)估方法研究

緒論：寫(xiě)作既是個(gè)人情感的抒發(fā)，也是對(duì)學(xué)術(shù)真理的探索，歡迎閱讀由發(fā)表云整理的1篇農(nóng)作物災(zāi)害損失評(píng)定遙感評(píng)估方法研究范文，希望它們能為您的寫(xiě)作提供參考和啟發(fā)。

摘要:風(fēng)災(zāi)、雹災(zāi)和澇災(zāi)等自然災(zāi)害會(huì)導(dǎo)致農(nóng)作物產(chǎn)量減產(chǎn)。遙感技術(shù)可以快速、方便、實(shí)時(shí)地獲取作物的生長(zhǎng)狀態(tài)。利用遙感技術(shù)進(jìn)行農(nóng)作物的災(zāi)害檢測(cè)與損失程度評(píng)定對(duì)于農(nóng)業(yè)等政府部門(mén)具有重要的作用。其中，農(nóng)作物分類(lèi)的準(zhǔn)確性和災(zāi)害遙感檢測(cè)方法是2個(gè)關(guān)鍵的問(wèn)題。針對(duì)這2個(gè)問(wèn)題，本文開(kāi)展了以下研究:利用多時(shí)相數(shù)據(jù)對(duì)2020年吉林省主要農(nóng)作物進(jìn)行監(jiān)督分類(lèi);利用光譜指數(shù)法(歸一化植被指數(shù))對(duì)各類(lèi)農(nóng)作物進(jìn)行風(fēng)災(zāi)和澇災(zāi)災(zāi)害檢測(cè)以及損失程度評(píng)定;根據(jù)實(shí)際調(diào)查數(shù)據(jù)進(jìn)行精度評(píng)定。經(jīng)統(tǒng)計(jì)，各鎮(zhèn)的準(zhǔn)確性均達(dá)到80%以上，說(shuō)明準(zhǔn)確性較好。研究成果對(duì)農(nóng)作物的災(zāi)害檢測(cè)具有一定的參考價(jià)值。

關(guān)鍵詞:農(nóng)作物;多時(shí)相;光譜指數(shù);災(zāi)害檢測(cè)

引言

我國(guó)作為世界農(nóng)業(yè)起源地之一，遭受的自然災(zāi)害也位于世界前幾列。現(xiàn)在，我國(guó)遭受的自然災(zāi)害主要包括干旱、洪澇、臺(tái)風(fēng)、冰雹。這些災(zāi)害的共同特點(diǎn)就是具有普遍性、難防范性、區(qū)域性和對(duì)生命財(cái)產(chǎn)的損害性。據(jù)統(tǒng)計(jì)，僅2020年我國(guó)就有19957.7千hm2的農(nóng)田受到了自然災(zāi)害的侵襲，其中絕收2706.1千hm2;造成的直接經(jīng)濟(jì)損失總額多達(dá)3701.5億元［1］。2020年的3場(chǎng)臺(tái)風(fēng)更是對(duì)東北地區(qū)的農(nóng)作物造成了很?chē)?yán)重的影響。傳統(tǒng)的地面調(diào)查法實(shí)施起來(lái)具有耗時(shí)大，范圍小，耗費(fèi)人力物力，效果差等特點(diǎn)，故在評(píng)定時(shí)略顯不足。為此遙感監(jiān)測(cè)法應(yīng)時(shí)而生，遙感監(jiān)測(cè)具有大面積同步觀(guān)察、時(shí)效性、數(shù)據(jù)的可壓縮性、可比性和經(jīng)濟(jì)性等優(yōu)勢(shì)，在災(zāi)害損失評(píng)定中作用巨大，為減災(zāi)相關(guān)政策提供了客觀(guān)依據(jù)。近年來(lái)，國(guó)內(nèi)外研究學(xué)者針對(duì)利用遙感技術(shù)進(jìn)行農(nóng)作物的分類(lèi)以及災(zāi)害評(píng)定等方面作了大量的研究。從數(shù)據(jù)來(lái)源方面分析發(fā)現(xiàn)，數(shù)據(jù)來(lái)源主要分為2大類(lèi):多光譜數(shù)據(jù)和高光譜數(shù)據(jù)。多光譜影像具有以下優(yōu)點(diǎn):數(shù)據(jù)量適中，處理時(shí)間短，便于下載和處理;分辨率較高，可以達(dá)到米級(jí)，對(duì)于東北地區(qū)大范圍農(nóng)作物都可以很好的識(shí)別和區(qū)分;數(shù)據(jù)周期較短，同一地面點(diǎn)每個(gè)月衛(wèi)星至少過(guò)境一次。高光譜衛(wèi)星影像雖然分辨率較高，但數(shù)據(jù)量較大，影像的覆蓋面積較小，處理費(fèi)時(shí)費(fèi)力。因此，研究選用影像免費(fèi)獲取、數(shù)據(jù)周期較短、數(shù)據(jù)量較小、分辨率較高的Landsat8衛(wèi)星影像為數(shù)據(jù)源。從遙感分類(lèi)方法方面發(fā)現(xiàn)，學(xué)者們大多采用監(jiān)督分類(lèi)的方法，或者結(jié)合隨機(jī)森林(randomforestalgorithms.ＲFa)、人工人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork，ANN)等［2］算法實(shí)現(xiàn)對(duì)農(nóng)作物的精準(zhǔn)分類(lèi)。在作物災(zāi)害評(píng)定方面，學(xué)者們構(gòu)建了大量的光譜指數(shù)來(lái)監(jiān)測(cè)作物的長(zhǎng)勢(shì)情況，從而判斷作物的生長(zhǎng)狀況。最常見(jiàn)的光譜指數(shù)為歸一化植被指數(shù)(NDVI)。同一農(nóng)作物在不同的生長(zhǎng)時(shí)期NDVI指數(shù)值都不相同。本文針對(duì)2020年?yáng)|北三省的農(nóng)作物受災(zāi)情況，通過(guò)監(jiān)督分類(lèi)方法結(jié)合多時(shí)相數(shù)據(jù)組合法，對(duì)各類(lèi)農(nóng)作物進(jìn)行精準(zhǔn)分類(lèi);利用NDVI指數(shù)檢測(cè)作物的受災(zāi)區(qū)域以及受災(zāi)程度，實(shí)現(xiàn)利用遙感方法進(jìn)行農(nóng)作物的災(zāi)害評(píng)定。

1農(nóng)作物遙感分類(lèi)方法研究

目視解譯、監(jiān)督分類(lèi)及非監(jiān)督分類(lèi)是傳統(tǒng)的遙感分類(lèi)方法中最常見(jiàn)的3種。韓俊等［3］分別采用3種解釋方法提取土地覆蓋分類(lèi)信息。通過(guò)對(duì)比分析，證明了計(jì)算機(jī)自動(dòng)判讀結(jié)果對(duì)提高生產(chǎn)效率起到了至關(guān)重要的作用。其中，目視解譯主要依靠解譯人員所了解的知識(shí)以及個(gè)人所形成的解析習(xí)慣對(duì)影像信息進(jìn)行分類(lèi)，具有主觀(guān)性，精度較差;非監(jiān)督分類(lèi)僅依靠像元的光譜信息相似度進(jìn)行分類(lèi)，和空間關(guān)系、空間位置、形狀、紋理等附加信息是無(wú)關(guān)緊要的，其分類(lèi)結(jié)果只是將圖像信息分成不同的類(lèi)別，而無(wú)法確定各類(lèi)別地物的屬性信息，人工干預(yù)較少，然而因?yàn)檫b感影像中的一些地物的光譜特征受地形起伏與土壤特性等影響發(fā)生變化，所以分類(lèi)結(jié)果的準(zhǔn)確性需要考量;監(jiān)督分類(lèi)主要是一種統(tǒng)計(jì)決策分類(lèi)的方法也是一種模式識(shí)別方法，通過(guò)研究人員的經(jīng)驗(yàn)和學(xué)識(shí)，從訓(xùn)練中選取樣本，并根據(jù)已知訓(xùn)練區(qū)域中選取的樣本，借助特征選擇參數(shù)，計(jì)算出函數(shù)參數(shù)，執(zhí)行判別函數(shù)，對(duì)要分類(lèi)的圖像進(jìn)行分類(lèi)建立。是模式識(shí)別的一種方法，此種方法結(jié)合了人工和計(jì)算機(jī)各自的優(yōu)勢(shì)，王國(guó)芳［4］對(duì)昔陽(yáng)縣耕地面積遙感提取進(jìn)行監(jiān)督分類(lèi)，得到高達(dá)93.3%的分類(lèi)精度，可見(jiàn)其分類(lèi)結(jié)果可信度之高，所以監(jiān)督分類(lèi)依然是目前使用最廣泛的遙感分類(lèi)方法。根據(jù)上述分類(lèi)方法的優(yōu)缺點(diǎn)，本次研究主要采用監(jiān)督分類(lèi)的方法對(duì)影像中的農(nóng)作物信息進(jìn)行分類(lèi)。同一種農(nóng)作物在整個(gè)生長(zhǎng)過(guò)程中，其內(nèi)部結(jié)構(gòu)和外部形態(tài)會(huì)發(fā)生季節(jié)周期性變化，這稱(chēng)之為植物季相節(jié)律［5］。不同作物由于葉片結(jié)構(gòu)和色素不同而具有不同的光譜特性，作物基因組學(xué)的差異也是分類(lèi)的重要依據(jù)。如，北方水稻在5月插秧之前要進(jìn)行注水工作，這是區(qū)分水稻最重要的物候特征。但是在7—8月，各類(lèi)農(nóng)作物都處于生長(zhǎng)最旺盛的時(shí)期，在遙感影像上的特征很相似。因此，如果僅用單一時(shí)相影像進(jìn)行農(nóng)作物分類(lèi)，很有可能存在錯(cuò)分現(xiàn)象。由于植物的季相節(jié)律性，可以采用多時(shí)相數(shù)據(jù)組合的方式進(jìn)行作物的分類(lèi)。

2農(nóng)作物災(zāi)害檢測(cè)遙感方法研究

作物的生長(zhǎng)狀況決定作物的產(chǎn)量。當(dāng)農(nóng)作物受到風(fēng)災(zāi)、澇災(zāi)等自然災(zāi)害時(shí)，生長(zhǎng)狀況會(huì)受到很大的影響，進(jìn)而導(dǎo)致作物的減產(chǎn)。遙感技術(shù)具有宏觀(guān)特性、數(shù)據(jù)采集實(shí)用性強(qiáng)、實(shí)時(shí)性強(qiáng)等特點(diǎn)，被廣泛應(yīng)用于作物監(jiān)測(cè)。由遙感知識(shí)可知，每一種作物都有其獨(dú)特的光譜特征，且同一作物在不同的生長(zhǎng)時(shí)期其光譜特征也不同。根據(jù)這一特點(diǎn)，可以將作物的光譜特征用某一種形式進(jìn)行定量表達(dá)———光譜指數(shù)，從而可以直觀(guān)地區(qū)分作物的類(lèi)別以及判斷作物的生長(zhǎng)狀況。近年來(lái)，眾多學(xué)者已經(jīng)研究出大量的光譜指數(shù)，如比值植被指數(shù)(ＲVI)、差值植被指數(shù)(DVI)、歸一化植被指數(shù)(NDVI)。其中，歸一化植被指數(shù)(NDVI)被廣泛的應(yīng)用，(NormalizedDiffernceVegetationIndex，NDVI)是由Ｒouse等［6］對(duì)ＲVI非線(xiàn)性歸一化處理后得到的植被指數(shù)，其基本原理是植物葉片吸收藍(lán)光(470nm)反射綠光和吸收紅光(650nm)反射紅外光。葉子中間的真菌組織和葉子背面的組織反射強(qiáng)紅外輻射(NIＲ，700～1000nm)，但增加較小。植被的表面積與紅光反射成反比，與紅外光放射成正比，植被越大對(duì)紅光的捕獲越容易達(dá)到飽和狀態(tài)，可作為植被指數(shù)來(lái)描述植被狀況。公式:NDVI=［(NIＲ－Ｒ)/(NIＲ+Ｒ)］式中，NIＲ值代表近紅外波段;Ｒ代表紅光波段NDVI的表示范圍為－1～1。植物的轉(zhuǎn)化、陽(yáng)光的截留、光合作用和地表的純基本生產(chǎn)力都與NDVI有關(guān)。各類(lèi)地物NDVI值(土壤值＜1)。－1≤NDVI≤0表示地面被霧、水、云層等覆蓋，對(duì)可見(jiàn)光的反射強(qiáng)度較高;0表示石礫或沙丘，NIＲ和Ｒ基本相等;0≤ND-VI≤1表示有植被覆蓋隨著植被的增多，NDVI值越趨向于1。

3應(yīng)用實(shí)例

2020年8—10月，巴威、美莎克、海神3個(gè)臺(tái)風(fēng)依次登陸，導(dǎo)致吉林省發(fā)生風(fēng)災(zāi)和澇災(zāi)。災(zāi)害涉及農(nóng)作物主要包括水稻、玉米和大豆3種。吉林省白城市位于E121°38'～124°22'，N44°13'～46°18'，所屬區(qū)域達(dá)2.6萬(wàn)km2，地勢(shì)由西北向東南逐漸變緩，由于太陽(yáng)輻射強(qiáng)度的原因，導(dǎo)致該地日照時(shí)間長(zhǎng)，雨量變化不定，時(shí)常干旱，地下水資源少等特點(diǎn)，故該地有很多大小不一的沙丘和沙壟的地理環(huán)境，又因過(guò)度放牧和富含碳酸鹽的土壤造成了大面積的鹽堿地。典型的溫帶大陸性氣候使該地的降水主要集中在夏季，冬季則較為干燥，年平均氣溫較低，因此導(dǎo)致玉米，水稻等農(nóng)作物一年內(nèi)一熟。研究一區(qū)位于較為熟悉的，有實(shí)際踏勘條件的白城市西北部的那金鎮(zhèn)。吉林省長(zhǎng)春市在北半球中緯度，中國(guó)東北平原中心地帶，歐亞大陸東岸，處于E124°18'～127°02'，N43°05'～45°15'［7］。所屬區(qū)域達(dá)1.8萬(wàn)km2，東北同黑龍江省相連，東南與吉林市相鄰，西北緊挨白城市，西南與四平市相接。該市東部為深棕壤，區(qū)域中心部分為黑土，西區(qū)為肥力很高的黑鈣土地;臺(tái)地為白色漿液水、河谷草甸土和低洼沼澤土;與白城市一樣，長(zhǎng)春市也屬于溫帶大陸性氣候，這樣的氣候造就了長(zhǎng)春市春季短暫且多風(fēng)，夏季降雨較為集中，秋季涼爽溫度極佳，冬季長(zhǎng)時(shí)間氣溫較低，據(jù)記錄顯示，最低溫度可達(dá)－30℃。這樣的氣候使肥沃的黑土地上的農(nóng)作物能一年一熟。研究二區(qū)選用位于長(zhǎng)春北部的華家鎮(zhèn)。影像選取2020年5月、8月2期Landsat8衛(wèi)星影像，其分辨率為30m，可以滿(mǎn)足農(nóng)作物分類(lèi)及災(zāi)害評(píng)定需要，見(jiàn)圖1。影像預(yù)處理過(guò)程包括影像下載、輻射校準(zhǔn)、大氣校正、圖像融合及裁剪。研究區(qū)內(nèi)主要農(nóng)作物為水稻、玉米和大豆。其中，水稻在5月需要注水，此時(shí)是區(qū)分水稻和其他農(nóng)作物的最佳時(shí)期，但此時(shí)的水稻與水體很容易混淆，因此可利用8月影像提取水體，然后與5月提取的水體作擦除處理，便可提取出水稻;大豆和玉米在8月的影像上其光譜反射率有很大差異，且在圖像上顏色有明顯差異。利用5月影像去除水體、草被、林地的干擾，并提取水田，然后結(jié)合8月影像對(duì)玉米和大豆進(jìn)行分類(lèi)。由于兩研究區(qū)農(nóng)作物類(lèi)型、氣候條件等均相似，因此，本文僅以農(nóng)安縣為例詳細(xì)介紹研究過(guò)程，白城市研究區(qū)處理過(guò)程與農(nóng)安縣均一致。利用多實(shí)現(xiàn)數(shù)據(jù)組合法對(duì)農(nóng)作物進(jìn)行精準(zhǔn)分類(lèi)，其操作流程如下。利用軟件ENVI對(duì)5月影像進(jìn)行監(jiān)督分類(lèi)，選取訓(xùn)練樣本分別為耕地、居民地、水體和植被。計(jì)算訓(xùn)練樣本的可分離度，計(jì)算出來(lái)的可分離度用Jeffries－Matusita，TransformedDivergence參數(shù)［8］表示，范圍為0≤參數(shù)≤2.0，大于1.9，說(shuō)明樣本分離較完整，為合格樣本;若樣本小于1.8，則必須編輯或重新選擇;如果小于1，則應(yīng)將2種樣本合并為一種。研究樣本可分離度均大于1.9。由于最似然法具有參數(shù)設(shè)計(jì)清晰、與先前知識(shí)融合簡(jiǎn)單、算法簡(jiǎn)單等優(yōu)點(diǎn)，故利用最大似然法進(jìn)行監(jiān)督分類(lèi)，見(jiàn)圖2a。將耕地及水體2個(gè)分類(lèi)結(jié)果進(jìn)行保留。對(duì)8月遙感影像進(jìn)行監(jiān)督分類(lèi)，見(jiàn)圖2b，監(jiān)督分類(lèi)前首先根據(jù)5月影像排除林地、居民地的干擾。其監(jiān)督分類(lèi)的訓(xùn)練樣本分別為玉米、大豆、其他作物和水體。在ArcGIS中用8月水體地類(lèi)擦除5月水體地類(lèi)，得到的便為水稻。結(jié)合實(shí)際踏勘情況將各農(nóng)作物的圖斑進(jìn)行修剪、修改錯(cuò)判和漏判后便得到精準(zhǔn)的玉米、大豆和水稻的地類(lèi)信息。在分類(lèi)之后便進(jìn)行農(nóng)作物的災(zāi)害損失評(píng)定，其評(píng)定方法主要采用第2章中提到的歸一化植被指數(shù)法，根據(jù)歸一化指數(shù)(NDVI)值大小來(lái)判斷各類(lèi)農(nóng)作物得受災(zāi)程度。具體操作流程如下。在ENVI中計(jì)算臺(tái)風(fēng)過(guò)后的遙感影像(2020年8月16日)的NDVI值;在ArcGIS中利用各類(lèi)農(nóng)作物的圖斑矢量進(jìn)行裁剪，得到玉米、大豆和水稻的ND-VI圖像;結(jié)合實(shí)際探勘情況確定各災(zāi)害級(jí)別(30%以下、輕災(zāi)、中災(zāi)、重災(zāi)和絕產(chǎn))的NDVI值閾值;對(duì)研究區(qū)內(nèi)所有農(nóng)作物進(jìn)行災(zāi)害損失評(píng)定，見(jiàn)圖3。將研究結(jié)果與政府相關(guān)部門(mén)統(tǒng)計(jì)數(shù)據(jù)對(duì)比，計(jì)算研究結(jié)果的準(zhǔn)確度。結(jié)果發(fā)現(xiàn)，在分類(lèi)時(shí)，華家鎮(zhèn)8月中有部分玉米被分成大豆，其錯(cuò)判像元數(shù)約占8.7%，分析原因發(fā)現(xiàn)其錯(cuò)判像元處的玉米均為受風(fēng)災(zāi)區(qū)域，刮倒后其影響特征與大豆很相似;那金鎮(zhèn)有小部分玉米未被識(shí)別，其漏判率為12.1%，分析原因發(fā)現(xiàn)其漏判處大多為鹽堿地，其影像特征與裸土很相似;對(duì)比災(zāi)害損失程度評(píng)定結(jié)果與實(shí)際受災(zāi)結(jié)果發(fā)現(xiàn)，華家鎮(zhèn)的災(zāi)害損失程度評(píng)定的閾值較為準(zhǔn)確，只有少部分絕產(chǎn)區(qū)域比實(shí)際情況評(píng)定不符(準(zhǔn)確率為84.7%)，即研究結(jié)果評(píng)定災(zāi)害程度偏重。分析原因是即使臺(tái)風(fēng)過(guò)后玉米收澇災(zāi)嚴(yán)重，但其產(chǎn)量并未達(dá)到絕產(chǎn)地步;那金鎮(zhèn)的花生災(zāi)害損失程度評(píng)定也偏重(準(zhǔn)確度為85.1%)，其原因與華家鎮(zhèn)玉米相似，風(fēng)災(zāi)并未對(duì)花生的果實(shí)產(chǎn)量產(chǎn)生巨大損失。綜合計(jì)算各災(zāi)害損失程度的評(píng)定準(zhǔn)確率(實(shí)驗(yàn)結(jié)果各災(zāi)害程度面積與實(shí)際該災(zāi)害程度面積比)，發(fā)現(xiàn)其準(zhǔn)確度均達(dá)到80%以上，說(shuō)明實(shí)驗(yàn)結(jié)果可信，準(zhǔn)確度較好。

4結(jié)語(yǔ)

研究通過(guò)利用多時(shí)相數(shù)據(jù)組合法對(duì)2020年吉林省農(nóng)安縣華家鎮(zhèn)和白城市那金鎮(zhèn)主要農(nóng)作物進(jìn)行監(jiān)督分類(lèi)，然后利用歸一化植被指數(shù)法對(duì)玉米、花生、大豆進(jìn)行臺(tái)風(fēng)過(guò)后災(zāi)害區(qū)域檢測(cè)以及損失程度評(píng)定，結(jié)果發(fā)現(xiàn)，兩研究區(qū)的農(nóng)作物分類(lèi)和災(zāi)害損失程度評(píng)定準(zhǔn)確性均達(dá)到80%以上，成功地實(shí)現(xiàn)了利用遙感方法對(duì)農(nóng)作物進(jìn)行災(zāi)害評(píng)定。研究成果對(duì)農(nóng)作物的災(zāi)害檢測(cè)具有一定的參考價(jià)值。

參考文獻(xiàn)

［1］應(yīng)急管理部發(fā)布2020年全國(guó)自然災(zāi)害基本情況［J］．中國(guó)減災(zāi)，2021(03):60．

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

［3］韓俊．不同的遙感解譯方法在地表覆蓋分類(lèi)信息提取中的應(yīng)用研究［D］．昆明:昆明理工大學(xué)，2015．

［4］王國(guó)芳．基于TM數(shù)據(jù)耕地面積提取方法研究［J］．山西農(nóng)業(yè)科學(xué)，2011，39(04):374－375，378．

［5］班松濤．縣域農(nóng)作物分類(lèi)類(lèi)型遙感識(shí)別與提取［D］．楊凌:西北農(nóng)林科技大學(xué)，2014．

［6］羅亞，徐建華，岳文澤．基于遙感影像的植被指數(shù)研究方法述評(píng)［J］．生態(tài)科學(xué)，2005(01):75－79．

［7］許林書(shū)．土壤地理學(xué)［M］．長(zhǎng)春:東北師范大學(xué)出版社，2006．

［8］鄭璐悅，許童羽，周云成，杜文．基于Landsat8OLI遙感影像的沈陽(yáng)市水稻種植面積提取方法［J］．浙江農(nóng)業(yè)學(xué)報(bào)，2017，29(10):1749－1758．

作者:許鶴 單位:長(zhǎng)春建筑學(xué)院