农作物遥感灾损评估研究进展

陈 岳， 寇卫利，李 莹， 尹 雄， 张雨果，费建国， 岳彩荣

(1.西南林业大学机械与交通学院，云南昆明 650224； 2.西南林业大学大数据与智能工程学院，云南昆明 650224；3.中国航天科工信息技术研究院，北京 100000； 4.西南林业大学林学院，云南昆明 650224)

农业是提供支撑国民经济建设和发展的基础产业，农作物的生产与气候变化和生物侵染紧密相关。但由于全球极端天气和生物侵害频发，气象灾害(涝灾、旱灾、风灾、冻灾)和病虫害(虫害、病害、草害)严重威胁了作物的生长，致使作物减产、农户经济收入下降。对受灾的农作物进行灾损评估，不仅有利于准确开展救灾工作，减少损失，还有利于对农作物的灾害进行预防。遥感技术具有数据量大、覆盖面广、获取迅速等优势，能够及时预测气象信息、监测农作物长势、判读自然灾害发生等，是开展农作物灾损评估的可靠手段。本文基于遥感技术从农作物灾损评估数据源、农作物受灾面积及其受损产量估算、农作物长势监测、农作物灾害风险评估等对农作物灾损评估进行梳理、总结，以期为有效利用遥感技术评估农作物灾损提供参考。

1 农作物灾损评估数据源

1.1 基于航天遥感平台的农作物灾损评估数据源

在农作物灾损评估中，卫星是航天遥感平台的主要设备。美国的Terra和Aqua合成观测可得到中分辨率MODIS影像数据。合成观测的2颗卫星1～2 d 可重复观测整个地球表面，时间分辨率精度较好，但MODIS影像的空间分辨率精度较差，对作物监测的最高精度为250 m，所以较适合进行大尺度范围的农作物监测，不太适合较小尺度范围的精细监测。目前在农作物灾损评估中对农作物进行长势评估，各国大多将MODIS数据作为主要的遥感数据源。国产的HJ-1A、HJ-1B卫星上搭载了CCD相机、超光谱成像仪和红外线摄像机。2颗卫星上的CCD相机组网连接后重访周期为2 d，时间分辨率精度较好，实际定位精度达到30 m，是高分辨率的影像数据源。目前，HJ-1A及HJ-1B卫星多用于农作物灾损评估中对受灾作物种植面积提取和产量估算。定位用于农业减灾的国产高分六号卫星于2019年投入进行服役，且可以同之前发射的高分一号卫星组成星座，合成观测，其影像精度为2 m，这是国内分辨率精度最高的农业卫星。其在轨测试期间就对安徽、河南等受灾地区进行农作物灾损评估，效果良好。

常用在农作物灾损评估中的遥感数据还有多应用在对受灾作物面积的识别的Landsat 8卫星数据、多应用在对受灾作物进行长势分析、产量估算的Sentinel 2A哨兵卫星数据以及在气象灾害评估中应用到的气象卫星，如美国的NOAA系列卫星及国产的风云系列卫星。目前主要用于农作物灾损评估的卫星遥感数据源逐渐向星座化和高分化发展。

1.2 基于航空遥感平台的农作物灾损评估数据源

在农作物灾损评估中，无人机是当前航空遥感平台的主要设备。无人机可以根据需要，搭载高分相机、多光谱成像仪或高光谱成像仪等传感器。无人机灵活、机动，相比卫星具有更高的时间分辨率，且搭载高光谱仪的无人机空间分辨率表现较好，在局部范围内的农作物灾损评估中，已经成为当下应用频率较高的遥感数据源，如在2015年新疆维吾尔自治区哈密地区的红山农场发生了小麦倒伏灾害，中华联合保险集团股份有限公司使用无人机查勘受灾状况，历时3 d就完成了查勘定损和给予投保农户赔付的全过程。

2 农作物受灾面积估算

2.1 基于光谱特征的农作物受灾面积估算模型

农作物光谱特征通常是通过图像的明亮来反映的，不同农作物在相同波段的亮度不同，不同农作物在不同波段反映的亮度规律也不同。因此，利用农作物的光谱特征可以区分农作物与其他地类和区分不同农作物。光谱特征通常由光谱数据经过基本运算等线性或非线性组合得到不同植被指数，各植被指数灵敏度不同，识别农作物的精度也不相同。

目视解译法是技术人员凭借光谱规律、地学规律和解译经验直接观察或借助判读仪器依据遥感图像的亮度、色调、位置、时间、纹理和结构等特征获取农作物信息的过程。目视解译法是传统的遥感识别方法，主要应用在早期农作物遥感面积估算中，但图像解译对从业人员要求较高，需要具备专业的业务能力，且解译全过程需要依靠人工进行，耗时长，不能满足对数据时效性的要求，近年来，多结合其他计算机自动分类综合方法进行识别，可减少遥感影像中“同谱异物”和“同物异谱”现象，精度结果明显得到了提高。监督分类法是用已知类别的样本像元识别其他未知类别像元的过程。当农作物光谱特征差异性较小时，监督分类可充分利用已知类别像元，预先判断进行分类，并通过反复训练提高分类精度。在实际应用过程中使用监督分类法，对掌握在灾害发生前的农作物情况具有良好的效果。非监督分类法具有自然聚类特性，无需已知样本像元，在分类过程中无需过多人工干预，当作物光谱特征差异较大时，非监督分类可以快速自动分类，且分类精度很高。在实际应用过程中，农作物在受灾前后光谱特征差异较大，需要快速识别，在该环节使用非监督分类具有更好的效果。决策树法是通过对训练样本进行归纳学习，形成决策规律，再利用决策规律对数据进行分类的一种数学方法。决策树法能有效解决遥感影像噪声和属性缺失问题，所以决策树分类方法相比其他方法可以解决由于噪声使得分类精度降低的情况。在对受灾农作物进行估算时，存在部分地块分散和种植结构复杂的情况，决策树法可有效解决这类农作物地块破碎导致提取精度下降的问题。混合像元分解法可在一定程度上提高作物种植面积估算的精度，使遥感识别作物种植面积更接近于实际。混合像元分解法可以解决混合像元的存在对分类精度产生的影响，适用于中低分辨率影像的作物分类。但混合像元分解是基于各类别数量比例所估算的“数量精度”，无法获取作物位置的有效精度。因此，混合像元分解法常与其他方法结合应用于农作物遥感识别。面向对象分类法是一种快速有效提取农作物面积的方法，它突破了以往仅以光谱信息或植被指数为分类因素的局限，综合考虑农作物的光谱特征、统计特征、相邻与拓扑关系等因素，将像元合并成具有相似特征同质对象，在对象层面上提取属性特征，建立模糊判别规则，进而对同质性对象进行类别判别(表1、表2)。

表1 受灾农作物分类和面积估算常用光谱指数及特征

2.2 基于物候特征的农作物受灾面积估算模型

农作物的生长周期呈现出季相节律，在物候的不同阶段，农作物的特征会发生明显变化，利用该特征变化，可以通过光谱遥感获得其特征信息。由于不同农作物之间的物候信息存在差异，通过植被指数时间变化曲线，可利用植被指数的时相变化规律对农作物进行识别及面积估算。

单时相遥感影像很难区分农作物的变化差异，而通过多时相遥感影像可获得季相节律信息，弥补单时相的缺陷，但符合多时相遥感监测的一般为中低分辨率影像，导致农作物遥感识别精度不高，该方法主要适用于大空间尺度及季相规律明显的农作物分类研究(表2)。

2.3 基于纹理特征的农作物受灾面积估算模型

农作物在种植方式等方面不同，使其在高分辨率遥感影像上存在纹理差异，对于区分光谱相近的农作物效果明显。纹理特征是细小物体在遥感影像上大量重复出现所形成的规律和特征，它是大量个体的大小、形状和色彩的综合反映，描述了像元亮度的空间变化特征。目前，农作物分类应用最广泛的是灰度共生矩阵(GLCM)。

GLCM 的基本原理是计算局域范围内像元灰度级共同出现的频率，不同空间关系和纹理会产生不同的共生矩阵，以此来区分不同的纹理和结构性。常用的统计测度有平均值、方差、熵、角二矩阵、同质性、对比、不相似性、相关性等(表2)。

表2 受灾农作物分类和面积估算模型

3 农作物长势监测

大面积作物长势遥感监测模型是利用卫星遥感数据对地面植被光谱信息和实际情况进行分析得出的，它是一种对作物长势空间分布变化的宏观监测模型。根据功能不同，划分为逐年比较模型和等级模型2种。

3.1 逐年比较模型

(1)

3.2 等级模型

逐年比较模型不能对作物长势划分等级，建立等级模型就可以解决这个问题。依据计算方式，划分为距平模型和极值模型。

(2)

3.2.2 极值模型 如果NDVI值无较大变化时，那么距离模型就不能获得较好的等级区分结果。利用NDVI极值建立等级模型，则能够解决其区分等级结果不足的问题，定义为

(3)

式中：、分别表示同一像元多年NDVI极大值和极小值；NDVI表示当年同期同一像元取值。

逐年比较模型和等级模型在具体应用中的数据获取方面存在一些无法解决的客观因素，NDVI的平均值和极值的获得都要以历史数据作为基础，但是由于遥感在农作物灾损评估中的应用发展时间有限，无法收集到距离时间较远的数据。冯美臣等分别对监测区内的冬小麦和棉花进行等级划分，取得了较好的应用结果。等级模型能直观、定量地表现作物的长势情况，对农作物灾损评估能提供有效帮助。

4 农作物受损产量估算

农作物产量估算模型的构建是为了在灾害发生后对农作物产量损失给予估计定量，以及于农作物生长初期，对农作物进行监测并预估当年产量。从遥感应用的角度，将模型分为遥感波段经验统计模型、遥感光能利用率模型、遥感作物模型、遥感耦合模型。

遥感波段经验统计模型主要利用遥感单一波段或多波段构建经验统计模型估算产量，其主要实现方式有2种，一种是直接以遥感波段作为自变量，使用单波段或多波段建立统计模型；另一种是利用优先建立起来的植被指数建立估产模型。目前较流行的用于计算作物产量的植被指数主要有NDVI、垂直植被指数(PVI)、比值植被指数(RVI)、差值环境植被指数(DVI)、植被状态指数(VCI)、温度状态指数(TCI)、增强型植被指数(EVI)、绿度植被指数(GVI)、土壤调节植被指数(SAVI)、红边三角植被指数(RTVI)等。遥感波段经验统计模型的优势在于可以体现遥感时间分辨率、空间分辨率。在未来的发展中，在探究单波段估产、多波段估产、多波段运算估产中，发挥其简单、快速的特点，具有很强的发展前景。

农作物产量主要是通过光合作用对光能利用的结果，而作为光合作用物质来源产生糖类所需的能量大多来自光能。遥感光能利用率模型就是从光能利用的角度对干物质的积累过程进行模型构建，以反映农作物的产量。光能利用率模型(LUE model)在当前应用非常广泛，植被第一净生产力(NPP)估算是光能利用率的集中体现，其公式为

--=××-。

(4)

式中：GPP表示总初级生产力；表示呼吸消耗；PAR表示光合有效辐射；FPAR表示光合有效辐射吸收比率；表示光能利用率。这类模型的代表有卡内基-埃姆斯-斯坦福方法(CASA)、涡流协方差-光能利用率模型(EC-LUE)、植被光合作用模型(VPM)、植被光合呼吸模型(VPRM)等。遥感光能利用率模型主要特点就是对遥感数据的充分利用，利用遥感反演得到的叶面积指数(LAI)、NDVI等指数数据，直接参与到模型中各参数的计算，在光能利用率模型中遥感数据得到大量应用，进而形成遥感光能利用模型。

遥感作物模型根据土壤条件、气象条件、种植条件等因素条件对农作物的生长过程进行模拟，从而得到农作物预估模拟产量，以此来对农作物的产量进行估算。所以根据不同农作物生长环境影响因素的差异，可构建不同且更加适合的模型，以模拟不同灾害条件(涝灾、旱灾、风灾、冻灾、虫灾、病灾、草灾等)下农作物的产量。土壤条件中当前较典型的模型有AquaCrop作物模型、SWAP模型、CROPSYST模型、DAISY模型。气象条件中当前的代表模型有SUROS模型、WOFOST模型。种植条件中目前较成熟的模型有CERES-Maize、CERES-Millet、CERES-Rice、CERES-Sorghum、CERES-Wheat、CERES-Barley等。作物模型具有很强的机理性特点，对于不同农作物种类可以进行精准预测。随着遥感技术、作物模型的不断完善成熟，遥感数据将会在作物模型中发挥更大的作用。

遥感耦合模型是将多种不同类型的模型结合起来，利用模型彼此的优点增强耦合模型的稳定性，提高估产精度，降低运行成本。在灾损估产模型中，主要以生化模型、水文模型与遥感模型耦合等形式为主。目前使用较多的是将作物模型和遥感光能利用率模型耦合进行估产，在区域地块尺度上具有较高精度。

5 农作物灾害风险评估

由于对农作物受到灾害风险形成机理的理解不同，科研人员随着认知的不断完善建立了各种各样的灾害风险评估体系(表3)。

表3 农作物灾害风险评估模型进展

农作物灾害风险评估模型是对农作物在灾害中受损情况进行分析评估。根据要素以及前人的研究成果，将农作物灾害风险评估模型概括为孕灾环境敏感性、致灾因子危险性、承灾体脆弱性以及抗灾减灾能力。

孕灾环境敏感性是承灾体所处的外部环境，目前在风险评估研究中孕灾环境基本都是考虑自然环境，而考虑社会环境的相对较少。将孕灾环境敏感性模型定义为

(5)

式中：表示孕灾环境敏感性指数；的5个指标分别是经度、纬度、海拔、坡度、坡向地理因子的归一值；表示地理因子的敏感性程度权重。

致灾因子危险性一般由灾害的强度和频率决定，强度越大，频次越高，致灾因子所造成的损失越严重。将致灾因子危险性模型定义为

=+=。

(6)

式中：表示致灾因子危险指数；表示气象灾害发生频率权重；表示气象灾害发生频率；表示气象灾害发生的强度权重；表示气象灾害发生强度；表示气象灾害持续时间权重；表示气象灾害持续时间。

承灾体脆弱性反映区域对灾害损失的敏感程度，一般承灾体脆弱性越弱，灾害损失越小。承灾体脆弱性的强度，既与其物质的成分结构有关，也与防灾力度有关。将承灾体的脆弱性模型定义为

=++。

(7)

式中：表示承灾体脆弱性指数；表示作物面积权重；表示作物面积；表示作物产量权重；表示作物产量；表示人口密度权重；表示人口密度。

抗灾减灾能力是指受灾地区在一定时期内能够从灾害中恢复的程度，包括减灾投入资源准备等防灾减灾能力与灾害风险损失度紧密相关。将抗灾减灾能力模型定义为

=+。

(8)

式中：表示抗灾减灾能力指数；表示农业机械生产总动力权重；表示农业机械生产总动力；表示农民人均纯收入权重；表示农民人均收入。

综合3个灾害的风险要素，构建综合农作物灾害风险指数

=+++。

(9)

式中：表示作物灾害风险指数；表示致灾因子危险性；表示致灾因子危险性权重；表示成灾体脆弱性；表示成灾体脆弱性权重；表示抗灾减灾能力；表示抗灾减灾能力权重。

孕灾环境敏感性模型、致灾因子危险性模型、承灾体脆弱性模型、抗灾减灾能力模型以及灾害风险模型所对应的权重使用层次分析法、模糊聚类分析法、以及德尔菲法得出，但进行农作物遥感灾损评估中存在样本数据不全的情况，多使用层次分析法得出的权重结果更好。

6 农作物遥感灾损评估研究展望

6.1 构建多源多尺度长时间序列农作物灾损评估遥感数据集

农作物遥感灾损评估使用的数据除了遥感数据外，还需要有气象等辅助数据，它们是确保农作物灾损评估遥感技术有效应用的基础和前提。首先，当前农作物灾损评估存在受灾地块数据信息大量缺失的情况，影响农作物灾损评估遥感技术应用的精度；其次，研究区灾害风险评估尺度存在多样性，需要多尺度农作物灾损评估遥感数据集的建立；再次，在遥感数据的获取与分析方面，当前主要是通过数据传输到地面再进行分析，实时性较低。研究基于大数据和人工智能的农作物灾损评估实时数据获取与处理平台非常关键，这将大幅度提升传统遥感数据处理分析的效率；最后，构建气象、气候、地形等辅助大数据是提高种植业农险遥感应用的重要基础。

6.2 发展多因子协同的农作物灾损评估遥感综合模型

当前农作物遥感灾损评估模型主要以单因素或简单复合模型为主，但单因素模型在灵敏度、精泛化性等方面都存在限制。如在作物长势监测中，NDVI是常用的作物长势监测指标，但Potdar发现NDVI在不同植被覆盖率下灵敏度会发生变化，当植被覆盖率为25%～80%时，NDVI的灵敏度较高，这时作物长势监测结果精度较好；但当植被覆盖率大于80%时，NDVI的灵敏度会下降，这时作物长势监测结果精度会随NDVI的灵敏度下降而降低。可见，作物长势监测结果会随NDVI灵敏度的改变而改变，出现监测结果精度不稳定。

同时，作物受灾的致灾因子除了气象因素外，还与土壤、气温、日照以及作物需水等因素有关。在今后的灾害风险评估中，将水文模型、土壤反演模型、作物生长模型等综合起来，进行多因素协同监测模型的研究。并对灾害类型进行区分，将一些指数指标引入灾害风险评估模型，增加该类模型的普适性。Chen等发现一种日光诱导叶绿素荧光比 NDVI 在干旱气候下指数灵敏度更敏感。因此，找到一种更好的监测指标或是将多种监测指标综合应用以提高不同环境下种植业农险监测精度，是未来研究的一个思路。

6.3 研究智能化农作物灾损评估遥感算法和技术

随着信息技术的不断发展，在农作物遥感灾损评估中，受灾农作物识别及面积估算开始采用计算机自动计算完成。但当前的方法需要大量的特征标签数据作为训练数据，这些标签数据的获取需要大量的人力、财力和时间成本投入。且标签数据的准确性对农作物受灾面积、产量等的估算精度会造成一定的不稳定性。由于作物在不同生长时期遥感图像的光谱、纹理等特征都不一致，在进行多尺度分割时，无法固化分割参数，需要人为进行试验比对结合自身经验，优化具体分割参数，具有自适应作物地块遥感图像分割参数的自动分割算法还有待研究。当前，大数据与人工智能技术广泛应用于遥感领域，基于大数据和人工智能的先进算法和模型具有强大的智能化和泛化性，将能够优化农作物遥感灾损评估的精度与效率。

7 总结

加强农作物灾损遥感评估研究应用是农业科学发展的必然趋势，当前的研究应用呈现多元化，将不同原理、不同类型的技术方法、模型耦合进行研究并得到实施。梳理农作物灾损遥感评估的数据源，可得出农作物遥感灾损评估的发展重点逐渐向星座化和高分化发展，机动性强的高光谱无人机遥感影像已经成为当前应用最广泛的农业监测设备之一。农作物遥感灾损评估模型主要有农作物受灾面积估算模型、农作物长势监测模型、农作物受损产量估算模型、农作物灾害风险评估模型。现阶段，我国在农作物遥感灾损评估中的应用仍然不能满足对农作物灾损评估的需求，存在精度不稳定、效率低的问题。未来农作物遥感灾损评估研究的发展方向主要是将自适应农作物地块优化自动分类、考虑多因素协同监测模型的构建、寻找优质的监测指标以及将人工智能更深入地应用于农作物遥感灾损评估中，并基于此凝练出构建多源多尺度长时间序列农作物遥感灾损评估数据集、发展多因子协同的农作物遥感灾损评估综合模型、研究智能化农作物遥感灾损评估算法和技术3个重点方面。遥感技术在农作物灾损评估中应用方法多，没有固定的思维模式。农作物遥感灾损评估的研究仍需进一步探究。