高分辨率遙感在農(nóng)作物災(zāi)害損失評(píng)估中的應(yīng)用
——以黑龍江省五常市水稻災(zāi)害損失評(píng)估為例

文 | 馬天舒 邵靖凈 郭翠翠 于川

航天恒星科技有限公司

一、引言

我國(guó)是世界上最主要的農(nóng)業(yè)國(guó)家，用占世界7%的耕地解決了世界22%人口的溫飽問(wèn)題。但是人口增長(zhǎng)和土地資源減少的矛盾不可逆轉(zhuǎn)，為了保持農(nóng)業(yè)的可持續(xù)發(fā)展，精準(zhǔn)農(nóng)業(yè)技術(shù)的發(fā)展需求迫切，急需尋求高效農(nóng)業(yè)應(yīng)用的有效方法。遙感技術(shù)具有獲取信息量大、多平臺(tái)和多分辨率(時(shí)間和空間)、快速、覆蓋面積大的優(yōu)勢(shì)，是及時(shí)掌握農(nóng)業(yè)資源、作物長(zhǎng)勢(shì)、農(nóng)業(yè)災(zāi)害等信息的最佳手段。農(nóng)業(yè)遙感也一直是遙感領(lǐng)域中最活躍，也是迄今為止遙感應(yīng)用最成功的領(lǐng)域之一。隨著衛(wèi)星遙感技術(shù)的發(fā)展，優(yōu)于1m高分辨率衛(wèi)星影像的應(yīng)用，能夠更加清晰準(zhǔn)確地表達(dá)農(nóng)作物幾何結(jié)構(gòu)與紋理信息，能識(shí)別出更加精細(xì)化的作物光譜信息。使用分辨率優(yōu)于1m的全色與多光譜融合影像，應(yīng)用于農(nóng)作物災(zāi)害損失評(píng)估實(shí)踐中，能夠及時(shí)、準(zhǔn)確地識(shí)別農(nóng)作物的種植范圍、長(zhǎng)勢(shì)態(tài)勢(shì)、災(zāi)害損失情況，結(jié)合抽樣產(chǎn)量測(cè)量，進(jìn)而能夠?qū)崿F(xiàn)農(nóng)作物的精準(zhǔn)災(zāi)害的反演和評(píng)估，為農(nóng)業(yè)生產(chǎn)、農(nóng)村經(jīng)濟(jì)發(fā)展提供可靠的技術(shù)保障。

本文以黑龍江省五常市水稻災(zāi)害損失評(píng)估為例，利用高分二號(hào)衛(wèi)星遙感數(shù)據(jù)，結(jié)合現(xiàn)場(chǎng)抽樣采樣測(cè)量，針對(duì)高分辨率衛(wèi)星遙感監(jiān)測(cè)技術(shù)在農(nóng)作物災(zāi)害損失評(píng)估中的應(yīng)用方法及應(yīng)用效能進(jìn)行描述。

二、衛(wèi)星遙感農(nóng)業(yè)災(zāi)害損失評(píng)估方法

遙感農(nóng)作物災(zāi)害損失評(píng)估是根據(jù)生物學(xué)原理，在收集、分析各種作物不同光譜特征的基礎(chǔ)上，通過(guò)衛(wèi)星傳感器記錄地表信息、辨別作物類(lèi)型、監(jiān)測(cè)作物長(zhǎng)勢(shì)，并進(jìn)行災(zāi)前災(zāi)后遙感參數(shù)反演對(duì)比分析來(lái)獲取作物災(zāi)害損失程度，預(yù)測(cè)產(chǎn)量，主要包括三項(xiàng)重要內(nèi)容：農(nóng)作物分類(lèi)分布面積提取、長(zhǎng)勢(shì)監(jiān)測(cè)與災(zāi)害損失評(píng)估。作物在生長(zhǎng)期內(nèi)，受環(huán)境因素影響（如干旱、洪澇、病蟲(chóng)害等），其光譜特征會(huì)發(fā)生變化，通過(guò)監(jiān)測(cè)作物光譜變化可以實(shí)現(xiàn)長(zhǎng)勢(shì)監(jiān)測(cè)并估算產(chǎn)量變化。本文采用的是植被指數(shù)統(tǒng)計(jì)模型，基于高分辨率影像歸一化差值光譜植被指數(shù)（NDVI），利用作物生長(zhǎng)全過(guò)程或部分時(shí)期的植被指數(shù)累加值或某一時(shí)期的植被指數(shù)與田間定點(diǎn)實(shí)驗(yàn)測(cè)量的產(chǎn)量建立統(tǒng)計(jì)關(guān)系，從而統(tǒng)計(jì)作物的產(chǎn)量損失情況。

首先利用目標(biāo)監(jiān)測(cè)區(qū)域的土地確權(quán)數(shù)據(jù)和高分辨率遙感數(shù)據(jù)，完成對(duì)目標(biāo)區(qū)域的精確定位和信息采集，同時(shí)開(kāi)展數(shù)據(jù)處理，進(jìn)行作物分類(lèi)和種植面積提取。再按照目標(biāo)作物的生長(zhǎng)模型開(kāi)展目標(biāo)區(qū)域的農(nóng)作物多期長(zhǎng)勢(shì)監(jiān)測(cè)，結(jié)合氣象和災(zāi)害監(jiān)測(cè)信息開(kāi)展目標(biāo)區(qū)域作物的災(zāi)害監(jiān)測(cè)分析，評(píng)估目標(biāo)區(qū)域的災(zāi)害損失等級(jí)，根據(jù)分級(jí)結(jié)果開(kāi)展現(xiàn)場(chǎng)采樣點(diǎn)選取，獲取現(xiàn)場(chǎng)采樣測(cè)量產(chǎn)量數(shù)據(jù)，利用作物產(chǎn)量公式計(jì)算作物總產(chǎn)量，利用采樣數(shù)據(jù)修正數(shù)據(jù)精度，與作物歷史標(biāo)準(zhǔn)產(chǎn)量對(duì)比分析，實(shí)現(xiàn)精準(zhǔn)減產(chǎn)程度評(píng)價(jià)。具體流程如圖1所示。

圖1 高分辨率遙感農(nóng)作物災(zāi)害損失評(píng)估方法

三、黑龍江省五常市水稻災(zāi)害損失評(píng)估案例

黑龍江省是我國(guó)的糧食大省，五常市作為水稻的重點(diǎn)產(chǎn)區(qū)，2017年五常市因?yàn)楹邶埥〔糠至饔蛳募拘购?，部分處于河流下游的鄉(xiāng)鎮(zhèn)耕地受泄洪影響出現(xiàn)澇災(zāi)，本文選取了五常市衛(wèi)國(guó)鄉(xiāng)作為試驗(yàn)區(qū)域，開(kāi)展高分辨率遙感農(nóng)作物災(zāi)害損失評(píng)估應(yīng)用驗(yàn)證。采用高分二號(hào)衛(wèi)星數(shù)據(jù)，進(jìn)行數(shù)據(jù)預(yù)處理、作物分布分類(lèi)提取、長(zhǎng)勢(shì)監(jiān)測(cè)和災(zāi)害損失評(píng)估，利用實(shí)地勘測(cè)采樣數(shù)據(jù)對(duì)計(jì)算結(jié)果進(jìn)行校正，進(jìn)而分析五常市衛(wèi)國(guó)鄉(xiāng)水稻產(chǎn)量減損情況，為五常市衛(wèi)國(guó)鄉(xiāng)農(nóng)業(yè)部門(mén)的防災(zāi)減災(zāi)、增產(chǎn)保收、政策性農(nóng)險(xiǎn)理賠等業(yè)務(wù)提供有效的數(shù)據(jù)支持。

1. 數(shù)據(jù)選取

五常市衛(wèi)國(guó)鄉(xiāng)數(shù)據(jù)分析使用的影像數(shù)據(jù)源為高分二號(hào)衛(wèi)星數(shù)據(jù)，主要使用了高分二號(hào)衛(wèi)星多光譜2m分辨率4波段，全色分辨率優(yōu)于1m。獲取影像時(shí)間從2017年5月至9月，如圖2所示。

圖2 五常市衛(wèi)國(guó)鄉(xiāng)2017年5月至9月遙感影像

2. 水稻面積提取

對(duì)目標(biāo)區(qū)域影像進(jìn)行預(yù)處理后，利用主成分分析增強(qiáng)之后的遙感影像數(shù)據(jù)，根據(jù)各農(nóng)作物之間的光譜特征差異，對(duì)農(nóng)作物（水稻、玉米、大豆、小麥等）進(jìn)行分類(lèi)（圖3）。這里主要采用監(jiān)督分類(lèi)方法，選擇精度、效率均較高的最大似然法進(jìn)行本次試驗(yàn)的作物分類(lèi)?；诜诸?lèi)結(jié)果，對(duì)五常市衛(wèi)國(guó)鄉(xiāng)的主要糧食作物水稻的面積進(jìn)行了提取，經(jīng)過(guò)分類(lèi)結(jié)果和面積提取分析，衛(wèi)國(guó)鄉(xiāng)水稻種植面積為1110837.04畝，占比85.62%。

圖3 五常市衛(wèi)國(guó)鄉(xiāng)作物分類(lèi)分布圖

3. 基于遙感的農(nóng)作物實(shí)勘采樣點(diǎn)選取

利用2017年7月的高分二號(hào)數(shù)據(jù)提取的NDVI數(shù)據(jù)與2015年同期NDVI數(shù)據(jù)（2015年衛(wèi)國(guó)鄉(xiāng)無(wú)自然災(zāi)害，水稻產(chǎn)量基本穩(wěn)定）進(jìn)行差值計(jì)算，根據(jù)不同數(shù)據(jù)的數(shù)值范圍對(duì)結(jié)果進(jìn)行分級(jí)，然后進(jìn)行統(tǒng)計(jì)分析，計(jì)算不同長(zhǎng)勢(shì)等級(jí)百分比，即得到了作物的長(zhǎng)勢(shì)實(shí)時(shí)監(jiān)測(cè)結(jié)果。根據(jù)作物監(jiān)測(cè)結(jié)果，結(jié)合目標(biāo)區(qū)域?qū)嶋H地理分布情況，在每個(gè)長(zhǎng)勢(shì)等級(jí)選取3～5個(gè)采樣點(diǎn)，進(jìn)行現(xiàn)場(chǎng)采樣產(chǎn)量測(cè)量。長(zhǎng)勢(shì)監(jiān)測(cè)結(jié)果及采樣點(diǎn)分布如圖4、圖5所示。

4. 水稻災(zāi)害監(jiān)測(cè)及產(chǎn)量評(píng)估

通過(guò)對(duì)比衛(wèi)國(guó)鄉(xiāng)災(zāi)前災(zāi)后的遙感影像，利用歸一化植被指數(shù)提取和分析計(jì)算災(zāi)前的植被歸一化指數(shù)，根據(jù)長(zhǎng)勢(shì)監(jiān)測(cè)結(jié)果分析出未受損失的地塊位置，并通過(guò)對(duì)比災(zāi)前災(zāi)后的植被歸一化指數(shù)，確定該地塊的變化值，在受災(zāi)期間未受損失的植被一直處于生長(zhǎng)狀態(tài)，植被歸一化指數(shù)也會(huì)一直變化，通過(guò)確定未受損地塊，初步判定該示范區(qū)未損失水稻的變化值范圍，對(duì)比災(zāi)前災(zāi)后示范區(qū)內(nèi)的植被歸一化指數(shù)，其變化范圍不在正常作物的變化范圍內(nèi)的，初步判定為受災(zāi)范圍。再根據(jù)采樣點(diǎn)外業(yè)采集的實(shí)地勘察樣本對(duì)比分析，按照定義好的災(zāi)害等級(jí)（可根據(jù)實(shí)際業(yè)務(wù)需要?jiǎng)澐?-12級(jí)，本文劃分為4級(jí)）確定絕產(chǎn)、重度災(zāi)害、中度災(zāi)害、輕度災(zāi)害的指數(shù)變化值，計(jì)算出災(zāi)后各災(zāi)害等級(jí)的指數(shù)范圍，將受災(zāi)區(qū)域劃分出受災(zāi)等級(jí)（圖6）。

圖5 現(xiàn)場(chǎng)采樣點(diǎn)選取結(jié)果

圖6 五常市衛(wèi)國(guó)鄉(xiāng)水田受災(zāi)情況分布圖

一般情況下做到災(zāi)害等級(jí)劃分后，即可判斷目標(biāo)區(qū)域的災(zāi)害損失整體趨勢(shì)，但是距離真正能夠精準(zhǔn)指導(dǎo)農(nóng)業(yè)生產(chǎn)、為農(nóng)業(yè)災(zāi)害指揮決策提供更有效的數(shù)據(jù)支撐還遠(yuǎn)遠(yuǎn)不夠。因此本文利用高分辨率遙感特點(diǎn)結(jié)合初級(jí)生產(chǎn)力產(chǎn)量模型，對(duì)水稻進(jìn)行產(chǎn)量分析來(lái)定量化開(kāi)展災(zāi)害損失評(píng)估，精細(xì)化的量化分析農(nóng)作物損失情況。為了提升產(chǎn)量評(píng)估精度，基于經(jīng)典統(tǒng)計(jì)抽樣原理，結(jié)合空間統(tǒng)計(jì)學(xué)理論，根據(jù)現(xiàn)場(chǎng)統(tǒng)計(jì)數(shù)據(jù)與水稻單產(chǎn)之間建立的相互關(guān)系，采用逐步回歸關(guān)系來(lái)建立估產(chǎn)模型。同時(shí)結(jié)合農(nóng)學(xué)標(biāo)準(zhǔn)的作物現(xiàn)場(chǎng)測(cè)產(chǎn)方法，通過(guò)實(shí)地查勘測(cè)產(chǎn)數(shù)據(jù)對(duì)遙感技術(shù)處理的災(zāi)害分析專(zhuān)題數(shù)據(jù)初步分析結(jié)果進(jìn)行核實(shí)校驗(yàn)，按照以點(diǎn)帶面、點(diǎn)面結(jié)合的原則進(jìn)行校正處理，再與歷史標(biāo)準(zhǔn)產(chǎn)量進(jìn)行比對(duì)分析，以獲得最終的災(zāi)害損失程度及面積數(shù)據(jù)。將災(zāi)害分析最終數(shù)據(jù)的損失程度及范圍面積與實(shí)地查勘的測(cè)產(chǎn)結(jié)果進(jìn)行綜合驗(yàn)證，以獲得量化的最終作物的災(zāi)害損失程度（圖7）。

圖7 五常市衛(wèi)國(guó)鄉(xiāng)水稻減產(chǎn)成數(shù)分布圖

利用以上方法統(tǒng)計(jì)結(jié)果，衛(wèi)國(guó)鄉(xiāng)共6個(gè)村，減產(chǎn)超過(guò)3成的區(qū)域面積占比14.06%，對(duì)衛(wèi)國(guó)鄉(xiāng)2017年水稻整體產(chǎn)量影響較輕微，但通過(guò)定量分析可以看到流域沿線低洼區(qū)域出現(xiàn)了部分絕產(chǎn)（減產(chǎn)8成以上）的地塊?；诒痉椒ǖ母叻侄?hào)遙感影像處理和反演基本上對(duì)2017年衛(wèi)國(guó)鄉(xiāng)夏季泄洪對(duì)水稻種植區(qū)域的影響反應(yīng)比較清晰準(zhǔn)確，與實(shí)地勘測(cè)情況相符。

四、結(jié)語(yǔ)

本文主要以黑龍江省五常市水稻災(zāi)害損失評(píng)估為例，探討了利用高分辨率遙感衛(wèi)星對(duì)農(nóng)作物災(zāi)害損失評(píng)估的應(yīng)用技術(shù)，利用高分二號(hào)全色、多光譜數(shù)據(jù)精確提取作物面積，結(jié)合基于NDVI的長(zhǎng)勢(shì)監(jiān)測(cè)和災(zāi)情評(píng)估，與人工少量現(xiàn)場(chǎng)回傳的勘驗(yàn)信息有機(jī)結(jié)合，提升了農(nóng)作物災(zāi)害損失評(píng)估精度，能夠?qū)r(nóng)作物受災(zāi)情況進(jìn)行精準(zhǔn)的、量化的分析，在小范圍地塊級(jí)的遙感作物損失評(píng)估過(guò)程中也得到了很好的應(yīng)用。本次應(yīng)用試驗(yàn)結(jié)果也為當(dāng)?shù)氐霓r(nóng)業(yè)部門(mén)、政策性農(nóng)險(xiǎn)理賠提供了非常有效的數(shù)據(jù)支持，為農(nóng)作物全生命周期監(jiān)測(cè)提供了重要的技術(shù)參考。