農作物災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，也是對學術真理的探索，歡迎閱讀由發表云整理的1篇農作物災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。

摘要:風災、雹災和澇災等自然災害會導致農作物產量減產。遙感技術可以快速、方便、實時地獲取作物的生長狀態。利用遙感技術進行農作物的災害檢測與損失程度評定對于農業等政府部門具有重要的作用。其中，農作物分類的準確性和災害遙感檢測方法是2個關鍵的問題。針對這2個問題，本文開展了以下研究:利用多時相數據對2020年吉林省主要農作物進行監督分類;利用光譜指數法(歸一化植被指數)對各類農作物進行風災和澇災災害檢測以及損失程度評定;根據實際調查數據進行精度評定。經統計，各鎮的準確性均達到80%以上，說明準確性較好。研究成果對農作物的災害檢測具有一定的參考價值。

關鍵詞:農作物;多時相;光譜指數;災害檢測

引言

我國作為世界農業起源地之一，遭受的自然災害也位于世界前幾列。現在，我國遭受的自然災害主要包括干旱、洪澇、臺風、冰雹。這些災害的共同特點就是具有普遍性、難防范性、區域性和對生命財產的損害性。據統計，僅2020年我國就有19957.7千hm2的農田受到了自然災害的侵襲，其中絕收2706.1千hm2;造成的直接經濟損失總額多達3701.5億元［1］。2020年的3場臺風更是對東北地區的農作物造成了很嚴重的影響。傳統的地面調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。為此遙感監測法應時而生，遙感監測具有大面積同步觀察、時效性、數據的可壓縮性、可比性和經濟性等優勢，在災害損失評定中作用巨大，為減災相關政策提供了客觀依據。近年來，國內外研究學者針對利用遙感技術進行農作物的分類以及災害評定等方面作了大量的研究。從數據來源方面分析發現，數據來源主要分為2大類:多光譜數據和高光譜數據。多光譜影像具有以下優點:數據量適中，處理時間短，便于下載和處理;分辨率較高，可以達到米級，對于東北地區大范圍農作物都可以很好的識別和區分;數據周期較短，同一地面點每個月衛星至少過境一次。高光譜衛星影像雖然分辨率較高，但數據量較大，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、數據周期較短、數據量較小、分辨率較高的Landsat8衛星影像為數據源。從遙感分類方法方面發現，學者們大多采用監督分類的方法，或者結合隨機森林(randomforestalgorithms.ＲFa)、人工人工神經網絡(artificialneuralnetwork，ANN)等［2］算法實現對農作物的精準分類。在作物災害評定方面，學者們構建了大量的光譜指數來監測作物的長勢情況，從而判斷作物的生長狀況。最常見的光譜指數為歸一化植被指數(NDVI)。同一農作物在不同的生長時期NDVI指數值都不相同。本文針對2020年東北三省的農作物受災情況，通過監督分類方法結合多時相數據組合法，對各類農作物進行精準分類;利用NDVI指數檢測作物的受災區域以及受災程度，實現利用遙感方法進行農作物的災害評定。

1農作物遙感分類方法研究

目視解譯、監督分類及非監督分類是傳統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果對提高生產效率起到了至關重要的作用。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慣對影像信息進行分類，具有主觀性，精度較差;非監督分類僅依靠像元的光譜信息相似度進行分類，和空間關系、空間位置、形狀、紋理等附加信息是無關緊要的，其分類結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生變化，所以分類結果的準確性需要考量;監督分類主要是一種統計決策分類的方法也是一種模式識別方法，通過研究人員的經驗和學識，從訓練中選取樣本，并根據已知訓練區域中選取的樣本，借助特征選擇參數，計算出函數參數，執行判別函數，對要分類的圖像進行分類建立。是模式識別的一種方法，此種方法結合了人工和計算機各自的優勢，王國芳［4］對昔陽縣耕地面積遙感提取進行監督分類，得到高達93.3%的分類精度，可見其分類結果可信度之高，所以監督分類依然是目前使用最廣泛的遙感分類方法。根據上述分類方法的優缺點，本次研究主要采用監督分類的方法對影像中的農作物信息進行分類。同一種農作物在整個生長過程中，其內部結構和外部形態會發生季節周期性變化，這稱之為植物季相節律［5］。不同作物由于葉片結構和色素不同而具有不同的光譜特性，作物基因組學的差異也是分類的重要依據。如，北方水稻在5月插秧之前要進行注水工作，這是區分水稻最重要的物候特征。但是在7—8月，各類農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作物分類，很有可能存在錯分現象。由于植物的季相節律性，可以采用多時相數據組合的方式進行作物的分類。

2農作物災害檢測遙感方法研究

作物的生長狀況決定作物的產量。當農作物受到風災、澇災等自然災害時，生長狀況會受到很大的影響，進而導致作物的減產。遙感技術具有宏觀特性、數據采集實用性強、實時性強等特點，被廣泛應用于作物監測。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，從而可以直觀地區分作物的類別以及判斷作物的生長狀況。近年來，眾多學者已經研究出大量的光譜指數，如比值植被指數(ＲVI)、差值植被指數(DVI)、歸一化植被指數(NDVI)。其中，歸一化植被指數(NDVI)被廣泛的應用，(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，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，可作為植被指數來描述植被狀況。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。植物的轉化、陽光的截留、光合作用和地表的純基本生產力都與NDVI有關。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應用實例

2020年8—10月，巴威、美莎克、海神3個臺風依次登陸，導致吉林省發生風災和澇災。災害涉及農作物主要包括水稻、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，因此導致玉米，水稻等農作物一年內一熟。研究一區位于較為熟悉的，有實際踏勘條件的白城市西北部的那金鎮。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，區域中心部分為黑土，西區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，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作物能一年一熟。研究二區選用位于長春北部的華家鎮。影像選取2020年5月、8月2期Landsat8衛星影像，其分辨率為30m，可以滿足農作物分類及災害評定需要，見圖1。影像預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。研究區內主要農作物為水稻、玉米和大豆。其中，水稻在5月需要注水，此時是區分水稻和其他農作物的最佳時期，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，然后結合8月影像對玉米和大豆進行分類。由于兩研究區農作物類型、氣候條件等均相似，因此，本文僅以農安縣為例詳細介紹研究過程，白城市研究區處理過程與農安縣均一致。利用多實現數據組合法對農作物進行精準分類，其操作流程如下。利用軟件ENVI對5月影像進行監督分類，選取訓練樣本分別為耕地、居民地、水體和植被。計算訓練樣本的可分離度，計算出來的可分離度用Jeffries－Matusita，TransformedDivergence參數［8］表示，范圍為0≤參數≤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設計清晰、與先前知識融合簡單、算法簡單等優點，故利用最大似然法進行監督分類，見圖2a。將耕地及水體2個分類結果進行保留。對8月遙感影像進行監督分類，見圖2b，監督分類前首先根據5月影像排除林地、居民地的干擾。其監督分類的訓練樣本分別為玉米、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。結合實際踏勘情況將各農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作物的災害損失評定，其評定方法主要采用第2章中提到的歸一化植被指數法，根據歸一化指數(NDVI)值大小來判斷各類農作物得受災程度。具體操作流程如下。在ENVI中計算臺風過后的遙感影像(2020年8月16日)的NDVI值;在ArcGIS中利用各類農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;結合實際探勘情況確定各災害級別(30%以下、輕災、中災、重災和絕產)的NDVI值閾值;對研究區內所有農作物進行災害損失評定，見圖3。將研究結果與政府相關部門統計數據對比，計算研究結果的準確度。結果發現，在分類時，華家鎮8月中有部分玉米被分成大豆，其錯判像元數約占8.7%，分析原因發現其錯判像元處的玉米均為受風災區域，刮倒后其影響特征與大豆很相似;那金鎮有小部分玉米未被識別，其漏判率為12.1%，分析原因發現其漏判處大多為鹽堿地，其影像特征與裸土很相似;對比災害損失程度評定結果與實際受災結果發現，華家鎮的災害損失程度評定的閾值較為準確，只有少部分絕產區域比實際情況評定不符(準確率為84.7%)，即研究結果評定災害程度偏重。分析原因是即使臺風過后玉米收澇災嚴重，但其產量并未達到絕產地步;那金鎮的花生災害損失程度評定也偏重(準確度為85.1%)，其原因與華家鎮玉米相似，風災并未對花生的果實產量產生巨大損失。綜合計算各災害損失程度的評定準確率(實驗結果各災害程度面積與實際該災害程度面積比)，發現其準確度均達到80%以上，說明實驗結果可信，準確度較好。

4結語

研究通過利用多時相數據組合法對2020年吉林省農安縣華家鎮和白城市那金鎮主要農作物進行監督分類，然后利用歸一化植被指數法對玉米、花生、大豆進行臺風過后災害區域檢測以及損失程度評定，結果發現，兩研究區的農作物分類和災害損失程度評定準確性均達到80%以上，成功地實現了利用遙感方法對農作物進行災害評定。研究成果對農作物的災害檢測具有一定的參考價值。

參考文獻

［1］應急管理部發布2020年全國自然災害基本情況［J］．中國減災，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用研究［D］．昆明:昆明理工大學，2015．

［4］王國芳．基于TM數據耕地面積提取方法研究［J］．山西農業科學，2011，39(04):374－375，378．

［5］班松濤．縣域農作物分類類型遙感識別與提取［D］．楊凌:西北農林科技大學，2014．

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

［7］許林書．土壤地理學［M］．長春:東北師范大學出版社，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］．浙江農業學報，2017，29(10):1749－1758．

作者:許鶴 單位:長春建筑學院