農(nóng)作物災(zāi)害損失評定遙感評估方法研究

緒論：寫作既是個人情感的抒發(fā)，也是對學(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)害損失評定遙感評估方法研究范文，希望它們能為您的寫作提供參考和啟發(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、實時地獲取作物的生長狀態(tài)。利用遙感技術(shù)進行農(nóng)作物的災(zāi)害檢測與損失程度評定對于農(nóng)業(yè)等政府部門具有重要的作用。其中，農(nóng)作物分類的準確性和災(zāi)害遙感檢測方法是2個關(guān)鍵的問題。針對這2個問題，本文開展了以下研究:利用多時相數(shù)據(jù)對2020年吉林省主要農(nóng)作物進行監(jiān)督分類;利用光譜指數(shù)法(歸一化植被指數(shù))對各類農(nóng)作物進行風(fēng)災(zāi)和澇災(zāi)災(zāi)害檢測以及損失程度評定;根據(jù)實際調(diào)查數(shù)據(jù)進行精度評定。經(jīng)統(tǒng)計，各鎮(zhèn)的準確性均達到80%以上，說明準確性較好。研究成果對農(nóng)作物的災(zāi)害檢測具有一定的參考價值。

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

引言

我國作為世界農(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，我國遭受的自然災(zāi)害主要包括干旱、洪澇、臺風(fēng)、冰雹。這些災(zāi)害的共同特點就是具有普遍性、難防范性、區(qū)域性和對生命財產(chǎn)的損害性。據(jù)統(tǒng)計，僅2020年我國就有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)濟損失總額多達3701.5億元［1］。2020年的3場臺風(fēng)更是對東北地區(qū)的農(nóng)作物造成了很嚴重的影響。傳統(tǒng)的地面調(diào)查法實施起來具有耗時大，范圍小，耗費人力物力，效果差等特點，故在評定時略顯不足。為此遙感監(jiān)測法應(yīng)時而生，遙感監(jiān)測具有大面積同步觀察、時效性、數(shù)據(jù)的可壓縮性、可比性和經(jīng)濟性等優(yōu)勢，在災(zāi)害損失評定中作用巨大，為減災(zāi)相關(guān)政策提供了客觀依據(jù)。近年來，國內(nèi)外研究學(xué)者針對利用遙感技術(shù)進行農(nóng)作物的分類以及災(zāi)害評定等方面作了大量的研究。從數(shù)據(jù)來源方面分析發(fā)現(xiàn)，數(shù)據(jù)來源主要分為2大類: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:數(shù)據(jù)量適中，處理時間短，便于下載和處理;分辨率較高，可以達到米級，對于東北地區(qū)大范圍農(nóng)作物都可以很好的識別和區(qū)分;數(shù)據(jù)周期較短，同一地面點每個月衛(wèi)星至少過境一次。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，處理費時費力。因此，研究選用影像免費獲取、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。從遙感分類方法方面發(fā)現(xiàn)，學(xué)者們大多采用監(jiān)督分類的方法，或者結(jié)合隨機森林(randomforestalgorithms.ＲFa)、人工人工神經(jīng)網(wǎng)絡(luò)(artificialneuralnetwork，ANN)等［2］算法實現(xiàn)對農(nóng)作物的精準分類。在作物災(zāi)害評定方面，學(xué)者們構(gòu)建了大量的光譜指數(shù)來監(jiān)測作物的長勢情況，從而判斷作物的生長狀況。最常見的光譜指數(shù)為歸一化植被指數(shù)(NDVI)。同一農(nóng)作物在不同的生長時期NDVI指數(shù)值都不相同。本文針對2020年東北三省的農(nóng)作物受災(zāi)情況，通過監(jiān)督分類方法結(jié)合多時相數(shù)據(jù)組合法，對各類農(nóng)作物進行精準分類;利用NDVI指數(shù)檢測作物的受災(zāi)區(qū)域以及受災(zāi)程度，實現(xiàn)利用遙感方法進行農(nóng)作物的災(zāi)害評定。

1農(nóng)作物遙感分類方法研究

目視解譯、監(jiān)督分類及非監(jiān)督分類是傳統(tǒng)的遙感分類方法中最常見的3種。韓俊等［3］分別采用3種解釋方法提取土地覆蓋分類信息。通過對比分析，證明了計算機自動判讀結(jié)果對提高生產(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以及個人所形成的解析習(xí)慣對影像信息進行分類，具有主觀性，精度較差;非監(jiān)督分類僅依靠像元的光譜信息相似度進行分類，和空間關(guān)系、空間位置、形狀、紋理等附加信息是無關(guān)緊要的，其分類結(jié)果只是將圖像信息分成不同的類別，而無法確定各類別地物的屬性信息，人工干預(yù)較少，然而因為遙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，所以分類結(jié)果的準確性需要考量;監(jiān)督分類主要是一種統(tǒng)計決策分類的方法也是一種模式識別方法，通過研究人員的經(jīng)驗和學(xué)識，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)，計算出函數(shù)參數(shù)，執(zhí)行判別函數(shù)，對要分類的圖像進行分類建立。是模式識別的一種方法，此種方法結(jié)合了人工和計算機各自的優(yōu)勢，王國芳［4］對昔陽縣耕地面積遙感提取進行監(jiān)督分類，得到高達93.3%的分類精度，可見其分類結(jié)果可信度之高，所以監(jiān)督分類依然是目前使用最廣泛的遙感分類方法。根據(jù)上述分類方法的優(yōu)缺點，本次研究主要采用監(jiān)督分類的方法對影像中的農(nóng)作物信息進行分類。同一種農(nóng)作物在整個生長過程中，其內(nèi)部結(jié)構(gòu)和外部形態(tài)會發(fā)生季節(jié)周期性變化，這稱之為植物季相節(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)的差異也是分類的重要依據(jù)。如，北方水稻在5月插秧之前要進行注水工作，這是區(qū)分水稻最重要的物候特征。但是在7—8月，各類農(nóng)作物都處于生長最旺盛的時期，在遙感影像上的特征很相似。因此，如果僅用單一時相影像進行農(nóng)作物分類，很有可能存在錯分現(xiàn)象。由于植物的季相節(jié)律性，可以采用多時相數(shù)據(jù)組合的方式進行作物的分類。

2農(nóng)作物災(zāi)害檢測遙感方法研究

作物的生長狀況決定作物的產(chǎn)量。當(dāng)農(nóng)作物受到風(fēng)災(zāi)、澇災(zāi)等自然災(zāi)害時，生長狀況會受到很大的影響，進而導(dǎo)致作物的減產(chǎn)。遙感技術(shù)具有宏觀特性、數(shù)據(jù)采集實用性強、實時性強等特點，被廣泛應(yīng)用于作物監(jiān)測。由遙感知識可知，每一種作物都有其獨特的光譜特征，且同一作物在不同的生長時期其光譜特征也不同。根據(jù)這一特點，可以將作物的光譜特征用某一種形式進行定量表達———光譜指數(shù)，從而可以直觀地區(qū)分作物的類別以及判斷作物的生長狀況。近年來，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ＲVI非線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，植被越大對紅光的捕獲越容易達到飽和狀態(tài)，可作為植被指數(shù)來描述植被狀況。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)。各類地物NDVI值(土壤值＜1)。－1≤NDVI≤0表示地面被霧、水、云層等覆蓋，對可見光的反射強度較高;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)用實例

2020年8—10月，巴威、美莎克、海神3個臺風(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2.6萬km2，地勢由西北向東南逐漸變緩，由于太陽輻射強度的原因，導(dǎo)致該地日照時間長，雨量變化不定，時常干旱，地下水資源少等特點，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，有實際踏勘條件的白城市西北部的那金鎮(zhèn)。吉林省長春市在北半球中緯度，中國東北平原中心地帶，歐亞大陸東岸，處于E124°18'～127°02'，N43°05'～45°15'［7］。所屬區(qū)域達1.8萬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，長春市也屬于溫帶大陸性氣候，這樣的氣候造就了長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，冬季長時間氣溫較低，據(jù)記錄顯示，最低溫度可達－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，可以滿足農(nóng)作物分類及災(zāi)害評定需要，見圖1。影像預(yù)處理過程包括影像下載、輻射校準、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，此時是區(qū)分水稻和其他農(nóng)作物的最佳時期，但此時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月影像對玉米和大豆進行分類。由于兩研究區(qū)農(nóng)作物類型、氣候條件等均相似，因此，本文僅以農(nóng)安縣為例詳細介紹研究過程，白城市研究區(qū)處理過程與農(nóng)安縣均一致。利用多實現(xiàn)數(shù)據(jù)組合法對農(nóng)作物進行精準分類，其操作流程如下。利用軟件ENVI對5月影像進行監(jiān)督分類，選取訓(xùn)練樣本分別為耕地、居民地、水體和植被。計算訓(xùn)練樣本的可分離度，計算出來的可分離度用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)計清晰、與先前知識融合簡單、算法簡單等優(yōu)點，故利用最大似然法進行監(jiān)督分類，見圖2a。將耕地及水體2個分類結(jié)果進行保留。對8月遙感影像進行監(jiān)督分類，見圖2b，監(jiān)督分類前首先根據(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月水體地類擦除5月水體地類，得到的便為水稻。結(jié)合實際踏勘情況將各農(nóng)作物的圖斑進行修剪、修改錯判和漏判后便得到精準的玉米、大豆和水稻的地類信息。在分類之后便進行農(nóng)作物的災(zāi)害損失評定，其評定方法主要采用第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)值大小來判斷各類農(nóng)作物得受災(zāi)程度。具體操作流程如下。在ENVI中計算臺風(fēng)過后的遙感影像(2020年8月16日)的NDVI值;在ArcGIS中利用各類農(nóng)作物的圖斑矢量進行裁剪，得到玉米、大豆和水稻的ND-VI圖像;結(jié)合實際探勘情況確定各災(zāi)害級別(30%以下、輕災(zāi)、中災(zāi)、重災(zāi)和絕產(chǎn))的NDVI值閾值;對研究區(qū)內(nèi)所有農(nóng)作物進行災(zāi)害損失評定，見圖3。將研究結(jié)果與政府相關(guān)部門統(tǒng)計數(shù)據(jù)對比，計算研究結(jié)果的準確度。結(jié)果發(fā)現(xiàn)，在分類時，華家鎮(zhèn)8月中有部分玉米被分成大豆，其錯判像元數(shù)約占8.7%，分析原因發(fā)現(xiàn)其錯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;對比災(zāi)害損失程度評定結(jié)果與實際受災(zāi)結(jié)果發(fā)現(xiàn)，華家鎮(zhèn)的災(zāi)害損失程度評定的閾值較為準確，只有少部分絕產(chǎn)區(qū)域比實際情況評定不符(準確率為84.7%)，即研究結(jié)果評定災(zāi)害程度偏重。分析原因是即使臺風(fēng)過后玉米收澇災(zāi)嚴重，但其產(chǎn)量并未達到絕產(chǎn)地步;那金鎮(zhèn)的花生災(zāi)害損失程度評定也偏重(準確度為85.1%)，其原因與華家鎮(zhèn)玉米相似，風(fēng)災(zāi)并未對花生的果實產(chǎn)量產(chǎn)生巨大損失。綜合計算各災(zāi)害損失程度的評定準確率(實驗結(jié)果各災(zāi)害程度面積與實際該災(zāi)害程度面積比)，發(fā)現(xiàn)其準確度均達到80%以上，說明實驗結(jié)果可信，準確度較好。

4結(jié)語

研究通過利用多時相數(shù)據(jù)組合法對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)作物進行監(jiān)督分類，然后利用歸一化植被指數(shù)法對玉米、花生、大豆進行臺風(fēng)過后災(zāi)害區(qū)域檢測以及損失程度評定，結(jié)果發(fā)現(xiàn)，兩研究區(qū)的農(nóng)作物分類和災(zāi)害損失程度評定準確性均達到80%以上，成功地實現(xiàn)了利用遙感方法對農(nóng)作物進行災(zāi)害評定。研究成果對農(nóng)作物的災(zāi)害檢測具有一定的參考價值。

參考文獻

［1］應(yīng)急管理部發(fā)布2020年全國自然災(zāi)害基本情況［J］．中國減災(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)作物分類類型遙感識別與提取［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［J］．生態(tài)科學(xué)，2005(01):75－79．

［7］許林書．土壤地理學(xué)［M］．長春: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遙感影像的沈陽市水稻種植面積提取方法［J］．浙江農(nóng)業(yè)學(xué)報，2017，29(10):1749－1758．

作者:許鶴 單位:長春建筑學(xué)院