高分辨率遥感在农作物灾害损失评估中的应用——以黑龙江省五常市水稻灾害损失评估为例

文 | 马天舒 邵靖净 郭翠翠 于川

航天恒星科技有限公司

一、引言

我国是世界上最主要的农业国家，用占世界7%的耕地解决了世界22%人口的温饱问题。但是人口增长和土地资源减少的矛盾不可逆转，为了保持农业的可持续发展，精准农业技术的发展需求迫切，急需寻求高效农业应用的有效方法。遥感技术具有获取信息量大、多平台和多分辨率(时间和空间)、快速、覆盖面积大的优势，是及时掌握农业资源、作物长势、农业灾害等信息的最佳手段。农业遥感也一直是遥感领域中最活跃，也是迄今为止遥感应用最成功的领域之一。随着卫星遥感技术的发展，优于1m高分辨率卫星影像的应用，能够更加清晰准确地表达农作物几何结构与纹理信息，能识别出更加精细化的作物光谱信息。使用分辨率优于1m的全色与多光谱融合影像，应用于农作物灾害损失评估实践中，能够及时、准确地识别农作物的种植范围、长势态势、灾害损失情况，结合抽样产量测量，进而能够实现农作物的精准灾害的反演和评估，为农业生产、农村经济发展提供可靠的技术保障。

本文以黑龙江省五常市水稻灾害损失评估为例，利用高分二号卫星遥感数据，结合现场抽样采样测量，针对高分辨率卫星遥感监测技术在农作物灾害损失评估中的应用方法及应用效能进行描述。

二、卫星遥感农业灾害损失评估方法

遥感农作物灾害损失评估是根据生物学原理，在收集、分析各种作物不同光谱特征的基础上，通过卫星传感器记录地表信息、辨别作物类型、监测作物长势，并进行灾前灾后遥感参数反演对比分析来获取作物灾害损失程度，预测产量，主要包括三项重要内容：农作物分类分布面积提取、长势监测与灾害损失评估。作物在生长期内，受环境因素影响（如干旱、洪涝、病虫害等），其光谱特征会发生变化，通过监测作物光谱变化可以实现长势监测并估算产量变化。本文采用的是植被指数统计模型，基于高分辨率影像归一化差值光谱植被指数（NDVI），利用作物生长全过程或部分时期的植被指数累加值或某一时期的植被指数与田间定点实验测量的产量建立统计关系，从而统计作物的产量损失情况。

首先利用目标监测区域的土地确权数据和高分辨率遥感数据，完成对目标区域的精确定位和信息采集，同时开展数据处理，进行作物分类和种植面积提取。再按照目标作物的生长模型开展目标区域的农作物多期长势监测，结合气象和灾害监测信息开展目标区域作物的灾害监测分析，评估目标区域的灾害损失等级，根据分级结果开展现场采样点选取，获取现场采样测量产量数据，利用作物产量公式计算作物总产量，利用采样数据修正数据精度，与作物历史标准产量对比分析，实现精准减产程度评价。具体流程如图1所示。

图1 高分辨率遥感农作物灾害损失评估方法

三、黑龙江省五常市水稻灾害损失评估案例

黑龙江省是我国的粮食大省，五常市作为水稻的重点产区，2017年五常市因为黑龙江省部分流域夏季泄洪，部分处于河流下游的乡镇耕地受泄洪影响出现涝灾，本文选取了五常市卫国乡作为试验区域，开展高分辨率遥感农作物灾害损失评估应用验证。采用高分二号卫星数据，进行数据预处理、作物分布分类提取、长势监测和灾害损失评估，利用实地勘测采样数据对计算结果进行校正，进而分析五常市卫国乡水稻产量减损情况，为五常市卫国乡农业部门的防灾减灾、增产保收、政策性农险理赔等业务提供有效的数据支持。

1. 数据选取

五常市卫国乡数据分析使用的影像数据源为高分二号卫星数据，主要使用了高分二号卫星多光谱2m分辨率4波段，全色分辨率优于1m。获取影像时间从2017年5月至9月，如图2所示。

图2 五常市卫国乡2017年5月至9月遥感影像

2. 水稻面积提取

对目标区域影像进行预处理后，利用主成分分析增强之后的遥感影像数据，根据各农作物之间的光谱特征差异，对农作物（水稻、玉米、大豆、小麦等）进行分类（图3）。这里主要采用监督分类方法，选择精度、效率均较高的最大似然法进行本次试验的作物分类。基于分类结果，对五常市卫国乡的主要粮食作物水稻的面积进行了提取，经过分类结果和面积提取分析，卫国乡水稻种植面积为1110837.04亩，占比85.62%。

图3 五常市卫国乡作物分类分布图

3. 基于遥感的农作物实勘采样点选取

利用2017年7月的高分二号数据提取的NDVI数据与2015年同期NDVI数据（2015年卫国乡无自然灾害，水稻产量基本稳定）进行差值计算，根据不同数据的数值范围对结果进行分级，然后进行统计分析，计算不同长势等级百分比，即得到了作物的长势实时监测结果。根据作物监测结果，结合目标区域实际地理分布情况，在每个长势等级选取3～5个采样点，进行现场采样产量测量。长势监测结果及采样点分布如图4、图5所示。

4. 水稻灾害监测及产量评估

通过对比卫国乡灾前灾后的遥感影像，利用归一化植被指数提取和分析计算灾前的植被归一化指数，根据长势监测结果分析出未受损失的地块位置，并通过对比灾前灾后的植被归一化指数，确定该地块的变化值，在受灾期间未受损失的植被一直处于生长状态，植被归一化指数也会一直变化，通过确定未受损地块，初步判定该示范区未损失水稻的变化值范围，对比灾前灾后示范区内的植被归一化指数，其变化范围不在正常作物的变化范围内的，初步判定为受灾范围。再根据采样点外业采集的实地勘察样本对比分析，按照定义好的灾害等级（可根据实际业务需要划分4-12级，本文划分为4级）确定绝产、重度灾害、中度灾害、轻度灾害的指数变化值，计算出灾后各灾害等级的指数范围，将受灾区域划分出受灾等级（图6）。

图5 现场采样点选取结果

图6 五常市卫国乡水田受灾情况分布图

一般情况下做到灾害等级划分后，即可判断目标区域的灾害损失整体趋势，但是距离真正能够精准指导农业生产、为农业灾害指挥决策提供更有效的数据支撑还远远不够。因此本文利用高分辨率遥感特点结合初级生产力产量模型，对水稻进行产量分析来定量化开展灾害损失评估，精细化的量化分析农作物损失情况。为了提升产量评估精度，基于经典统计抽样原理，结合空间统计学理论，根据现场统计数据与水稻单产之间建立的相互关系，采用逐步回归关系来建立估产模型。同时结合农学标准的作物现场测产方法，通过实地查勘测产数据对遥感技术处理的灾害分析专题数据初步分析结果进行核实校验，按照以点带面、点面结合的原则进行校正处理，再与历史标准产量进行比对分析，以获得最终的灾害损失程度及面积数据。将灾害分析最终数据的损失程度及范围面积与实地查勘的测产结果进行综合验证，以获得量化的最终作物的灾害损失程度（图7）。

图7 五常市卫国乡水稻减产成数分布图

利用以上方法统计结果，卫国乡共6个村，减产超过3成的区域面积占比14.06%，对卫国乡2017年水稻整体产量影响较轻微，但通过定量分析可以看到流域沿线低洼区域出现了部分绝产（减产8成以上）的地块。基于本方法的高分二号遥感影像处理和反演基本上对2017年卫国乡夏季泄洪对水稻种植区域的影响反应比较清晰准确，与实地勘测情况相符。

四、结语

本文主要以黑龙江省五常市水稻灾害损失评估为例，探讨了利用高分辨率遥感卫星对农作物灾害损失评估的应用技术，利用高分二号全色、多光谱数据精确提取作物面积，结合基于NDVI的长势监测和灾情评估，与人工少量现场回传的勘验信息有机结合，提升了农作物灾害损失评估精度，能够对农作物受灾情况进行精准的、量化的分析，在小范围地块级的遥感作物损失评估过程中也得到了很好的应用。本次应用试验结果也为当地的农业部门、政策性农险理赔提供了非常有效的数据支持，为农作物全生命周期监测提供了重要的技术参考。