農作物遙感災損評估研究進展

陳 岳， 寇衛利，李 瑩， 尹 雄， 張雨果，費建國， 岳彩榮

(1.西南林業大學機械與交通學院，云南昆明 650224； 2.西南林業大學大數據與智能工程學院，云南昆明 650224；3.中國航天科工信息技術研究院，北京 100000； 4.西南林業大學林學院，云南昆明 650224)

農業是提供支撐國民經濟建設和發展的基礎產業，農作物的生產與氣候變化和生物侵染緊密相關。但由于全球極端天氣和生物侵害頻發，氣象災害(澇災、旱災、風災、凍災)和病蟲害(蟲害、病害、草害)嚴重威脅了作物的生長，致使作物減產、農戶經濟收入下降。對受災的農作物進行災損評估，不僅有利于準確開展救災工作，減少損失，還有利于對農作物的災害進行預防。遙感技術具有數據量大、覆蓋面廣、獲取迅速等優勢，能夠及時預測氣象信息、監測農作物長勢、判讀自然災害發生等，是開展農作物災損評估的可靠手段。本文基于遙感技術從農作物災損評估數據源、農作物受災面積及其受損產量估算、農作物長勢監測、農作物災害風險評估等對農作物災損評估進行梳理、總結，以期為有效利用遙感技術評估農作物災損提供參考。

1 農作物災損評估數據源

1.1 基于航天遙感平臺的農作物災損評估數據源

在農作物災損評估中，衛星是航天遙感平臺的主要設備。美國的Terra和Aqua合成觀測可得到中分辨率MODIS影像數據。合成觀測的2顆衛星1～2 d 可重復觀測整個地球表面，時間分辨率精度較好，但MODIS影像的空間分辨率精度較差，對作物監測的最高精度為250 m，所以較適合進行大尺度范圍的農作物監測，不太適合較小尺度范圍的精細監測。目前在農作物災損評估中對農作物進行長勢評估，各國大多將MODIS數據作為主要的遙感數據源。國產的HJ-1A、HJ-1B衛星上搭載了CCD相機、超光譜成像儀和紅外線攝像機。2顆衛星上的CCD相機組網連接后重訪周期為2 d，時間分辨率精度較好，實際定位精度達到30 m，是高分辨率的影像數據源。目前，HJ-1A及HJ-1B衛星多用于農作物災損評估中對受災作物種植面積提取和產量估算。定位用于農業減災的國產高分六號衛星于2019年投入進行服役，且可以同之前發射的高分一號衛星組成星座，合成觀測，其影像精度為2 m，這是國內分辨率精度最高的農業衛星。其在軌測試期間就對安徽、河南等受災地區進行農作物災損評估，效果良好。

常用在農作物災損評估中的遙感數據還有多應用在對受災作物面積的識別的Landsat 8衛星數據、多應用在對受災作物進行長勢分析、產量估算的Sentinel 2A哨兵衛星數據以及在氣象災害評估中應用到的氣象衛星，如美國的NOAA系列衛星及國產的風云系列衛星。目前主要用于農作物災損評估的衛星遙感數據源逐漸向星座化和高分化發展。

1.2 基于航空遙感平臺的農作物災損評估數據源

在農作物災損評估中，無人機是當前航空遙感平臺的主要設備。無人機可以根據需要，搭載高分相機、多光譜成像儀或高光譜成像儀等傳感器。無人機靈活、機動，相比衛星具有更高的時間分辨率，且搭載高光譜儀的無人機空間分辨率表現較好，在局部范圍內的農作物災損評估中，已經成為當下應用頻率較高的遙感數據源，如在2015年新疆維吾爾自治區哈密地區的紅山農場發生了小麥倒伏災害，中華聯合保險集團股份有限公司使用無人機查勘受災狀況，歷時3 d就完成了查勘定損和給予投保農戶賠付的全過程。

2 農作物受災面積估算

2.1 基于光譜特征的農作物受災面積估算模型

農作物光譜特征通常是通過圖像的明亮來反映的，不同農作物在相同波段的亮度不同，不同農作物在不同波段反映的亮度規律也不同。因此，利用農作物的光譜特征可以區分農作物與其他地類和區分不同農作物。光譜特征通常由光譜數據經過基本運算等線性或非線性組合得到不同植被指數，各植被指數靈敏度不同，識別農作物的精度也不相同。

目視解譯法是技術人員憑借光譜規律、地學規律和解譯經驗直接觀察或借助判讀儀器依據遙感圖像的亮度、色調、位置、時間、紋理和結構等特征獲取農作物信息的過程。目視解譯法是傳統的遙感識別方法，主要應用在早期農作物遙感面積估算中，但圖像解譯對從業人員要求較高，需要具備專業的業務能力，且解譯全過程需要依靠人工進行，耗時長，不能滿足對數據時效性的要求，近年來，多結合其他計算機自動分類綜合方法進行識別，可減少遙感影像中“同譜異物”和“同物異譜”現象，精度結果明顯得到了提高。監督分類法是用已知類別的樣本像元識別其他未知類別像元的過程。當農作物光譜特征差異性較小時，監督分類可充分利用已知類別像元，預先判斷進行分類，并通過反復訓練提高分類精度。在實際應用過程中使用監督分類法，對掌握在災害發生前的農作物情況具有良好的效果。非監督分類法具有自然聚類特性，無需已知樣本像元，在分類過程中無需過多人工干預，當作物光譜特征差異較大時，非監督分類可以快速自動分類，且分類精度很高。在實際應用過程中，農作物在受災前后光譜特征差異較大，需要快速識別，在該環節使用非監督分類具有更好的效果。決策樹法是通過對訓練樣本進行歸納學習，形成決策規律，再利用決策規律對數據進行分類的一種數學方法。決策樹法能有效解決遙感影像噪聲和屬性缺失問題，所以決策樹分類方法相比其他方法可以解決由于噪聲使得分類精度降低的情況。在對受災農作物進行估算時，存在部分地塊分散和種植結構復雜的情況，決策樹法可有效解決這類農作物地塊破碎導致提取精度下降的問題。混合像元分解法可在一定程度上提高作物種植面積估算的精度，使遙感識別作物種植面積更接近于實際。混合像元分解法可以解決混合像元的存在對分類精度產生的影響，適用于中低分辨率影像的作物分類。但混合像元分解是基于各類別數量比例所估算的“數量精度”，無法獲取作物位置的有效精度。因此，混合像元分解法常與其他方法結合應用于農作物遙感識別。面向對象分類法是一種快速有效提取農作物面積的方法，它突破了以往僅以光譜信息或植被指數為分類因素的局限，綜合考慮農作物的光譜特征、統計特征、相鄰與拓撲關系等因素，將像元合并成具有相似特征同質對象，在對象層面上提取屬性特征，建立模糊判別規則，進而對同質性對象進行類別判別(表1、表2)。

表1 受災農作物分類和面積估算常用光譜指數及特征

2.2 基于物候特征的農作物受災面積估算模型

農作物的生長周期呈現出季相節律，在物候的不同階段，農作物的特征會發生明顯變化，利用該特征變化，可以通過光譜遙感獲得其特征信息。由于不同農作物之間的物候信息存在差異，通過植被指數時間變化曲線，可利用植被指數的時相變化規律對農作物進行識別及面積估算。

單時相遙感影像很難區分農作物的變化差異，而通過多時相遙感影像可獲得季相節律信息，彌補單時相的缺陷，但符合多時相遙感監測的一般為中低分辨率影像，導致農作物遙感識別精度不高，該方法主要適用于大空間尺度及季相規律明顯的農作物分類研究(表2)。

2.3 基于紋理特征的農作物受災面積估算模型

農作物在種植方式等方面不同，使其在高分辨率遙感影像上存在紋理差異，對于區分光譜相近的農作物效果明顯。紋理特征是細小物體在遙感影像上大量重復出現所形成的規律和特征，它是大量個體的大小、形狀和色彩的綜合反映，描述了像元亮度的空間變化特征。目前，農作物分類應用最廣泛的是灰度共生矩陣(GLCM)。

GLCM 的基本原理是計算局域范圍內像元灰度級共同出現的頻率，不同空間關系和紋理會產生不同的共生矩陣，以此來區分不同的紋理和結構性。常用的統計測度有平均值、方差、熵、角二矩陣、同質性、對比、不相似性、相關性等(表2)。

表2 受災農作物分類和面積估算模型

3 農作物長勢監測

大面積作物長勢遙感監測模型是利用衛星遙感數據對地面植被光譜信息和實際情況進行分析得出的，它是一種對作物長勢空間分布變化的宏觀監測模型。根據功能不同，劃分為逐年比較模型和等級模型2種。

3.1 逐年比較模型

(1)

3.2 等級模型

逐年比較模型不能對作物長勢劃分等級，建立等級模型就可以解決這個問題。依據計算方式，劃分為距平模型和極值模型。

(2)

3.2.2 極值模型 如果NDVI值無較大變化時，那么距離模型就不能獲得較好的等級區分結果。利用NDVI極值建立等級模型，則能夠解決其區分等級結果不足的問題，定義為

(3)

式中：、分別表示同一像元多年NDVI極大值和極小值；NDVI表示當年同期同一像元取值。

逐年比較模型和等級模型在具體應用中的數據獲取方面存在一些無法解決的客觀因素，NDVI的平均值和極值的獲得都要以歷史數據作為基礎，但是由于遙感在農作物災損評估中的應用發展時間有限，無法收集到距離時間較遠的數據。馮美臣等分別對監測區內的冬小麥和棉花進行等級劃分，取得了較好的應用結果。等級模型能直觀、定量地表現作物的長勢情況，對農作物災損評估能提供有效幫助。

4 農作物受損產量估算

農作物產量估算模型的構建是為了在災害發生后對農作物產量損失給予估計定量，以及于農作物生長初期，對農作物進行監測并預估當年產量。從遙感應用的角度，將模型分為遙感波段經驗統計模型、遙感光能利用率模型、遙感作物模型、遙感耦合模型。

遙感波段經驗統計模型主要利用遙感單一波段或多波段構建經驗統計模型估算產量，其主要實現方式有2種，一種是直接以遙感波段作為自變量，使用單波段或多波段建立統計模型；另一種是利用優先建立起來的植被指數建立估產模型。目前較流行的用于計算作物產量的植被指數主要有NDVI、垂直植被指數(PVI)、比值植被指數(RVI)、差值環境植被指數(DVI)、植被狀態指數(VCI)、溫度狀態指數(TCI)、增強型植被指數(EVI)、綠度植被指數(GVI)、土壤調節植被指數(SAVI)、紅邊三角植被指數(RTVI)等。遙感波段經驗統計模型的優勢在于可以體現遙感時間分辨率、空間分辨率。在未來的發展中，在探究單波段估產、多波段估產、多波段運算估產中，發揮其簡單、快速的特點，具有很強的發展前景。

農作物產量主要是通過光合作用對光能利用的結果，而作為光合作用物質來源產生糖類所需的能量大多來自光能。遙感光能利用率模型就是從光能利用的角度對干物質的積累過程進行模型構建，以反映農作物的產量。光能利用率模型(LUE model)在當前應用非常廣泛，植被第一凈生產力(NPP)估算是光能利用率的集中體現，其公式為

--=××-。

(4)

式中：GPP表示總初級生產力；表示呼吸消耗；PAR表示光合有效輻射；FPAR表示光合有效輻射吸收比率；表示光能利用率。這類模型的代表有卡內基-埃姆斯-斯坦福方法(CASA)、渦流協方差-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。遙感光能利用率模型主要特點就是對遙感數據的充分利用，利用遙感反演得到的葉面積指數(LAI)、NDVI等指數數據，直接參與到模型中各參數的計算，在光能利用率模型中遙感數據得到大量應用，進而形成遙感光能利用模型。

遙感作物模型根據土壤條件、氣象條件、種植條件等因素條件對農作物的生長過程進行模擬，從而得到農作物預估模擬產量，以此來對農作物的產量進行估算。所以根據不同農作物生長環境影響因素的差異，可構建不同且更加適合的模型，以模擬不同災害條件(澇災、旱災、風災、凍災、蟲災、病災、草災等)下農作物的產量。土壤條件中當前較典型的模型有AquaCrop作物模型、SWAP模型、CROPSYST模型、DAISY模型。氣象條件中當前的代表模型有SUROS模型、WOFOST模型。種植條件中目前較成熟的模型有CERES-Maize、CERES-Millet、CERES-Rice、CERES-Sorghum、CERES-Wheat、CERES-Barley等。作物模型具有很強的機理性特點，對于不同農作物種類可以進行精準預測。隨著遙感技術、作物模型的不斷完善成熟，遙感數據將會在作物模型中發揮更大的作用。

遙感耦合模型是將多種不同類型的模型結合起來，利用模型彼此的優點增強耦合模型的穩定性，提高估產精度，降低運行成本。在災損估產模型中，主要以生化模型、水文模型與遙感模型耦合等形式為主。目前使用較多的是將作物模型和遙感光能利用率模型耦合進行估產，在區域地塊尺度上具有較高精度。

5 農作物災害風險評估

由于對農作物受到災害風險形成機理的理解不同，科研人員隨著認知的不斷完善建立了各種各樣的災害風險評估體系(表3)。

表3 農作物災害風險評估模型進展

農作物災害風險評估模型是對農作物在災害中受損情況進行分析評估。根據要素以及前人的研究成果，將農作物災害風險評估模型概括為孕災環境敏感性、致災因子危險性、承災體脆弱性以及抗災減災能力。

孕災環境敏感性是承災體所處的外部環境，目前在風險評估研究中孕災環境基本都是考慮自然環境，而考慮社會環境的相對較少。將孕災環境敏感性模型定義為

(5)

式中：表示孕災環境敏感性指數；的5個指標分別是經度、緯度、海拔、坡度、坡向地理因子的歸一值；表示地理因子的敏感性程度權重。

致災因子危險性一般由災害的強度和頻率決定，強度越大，頻次越高，致災因子所造成的損失越嚴重。將致災因子危險性模型定義為

=+=。

(6)

式中：表示致災因子危險指數；表示氣象災害發生頻率權重；表示氣象災害發生頻率；表示氣象災害發生的強度權重；表示氣象災害發生強度；表示氣象災害持續時間權重；表示氣象災害持續時間。

承災體脆弱性反映區域對災害損失的敏感程度，一般承災體脆弱性越弱，災害損失越小。承災體脆弱性的強度，既與其物質的成分結構有關，也與防災力度有關。將承災體的脆弱性模型定義為

=++。

(7)

式中：表示承災體脆弱性指數；表示作物面積權重；表示作物面積；表示作物產量權重；表示作物產量；表示人口密度權重；表示人口密度。

抗災減災能力是指受災地區在一定時期內能夠從災害中恢復的程度，包括減災投入資源準備等防災減災能力與災害風險損失度緊密相關。將抗災減災能力模型定義為

=+。

(8)

式中：表示抗災減災能力指數；表示農業機械生產總動力權重；表示農業機械生產總動力；表示農民人均純收入權重；表示農民人均收入。

綜合3個災害的風險要素，構建綜合農作物災害風險指數

=+++。

(9)

式中：表示作物災害風險指數；表示致災因子危險性；表示致災因子危險性權重；表示成災體脆弱性；表示成災體脆弱性權重；表示抗災減災能力；表示抗災減災能力權重。

孕災環境敏感性模型、致災因子危險性模型、承災體脆弱性模型、抗災減災能力模型以及災害風險模型所對應的權重使用層次分析法、模糊聚類分析法、以及德爾菲法得出，但進行農作物遙感災損評估中存在樣本數據不全的情況，多使用層次分析法得出的權重結果更好。

6 農作物遙感災損評估研究展望

6.1 構建多源多尺度長時間序列農作物災損評估遙感數據集

農作物遙感災損評估使用的數據除了遙感數據外，還需要有氣象等輔助數據，它們是確保農作物災損評估遙感技術有效應用的基礎和前提。首先，當前農作物災損評估存在受災地塊數據信息大量缺失的情況，影響農作物災損評估遙感技術應用的精度；其次，研究區災害風險評估尺度存在多樣性，需要多尺度農作物災損評估遙感數據集的建立；再次，在遙感數據的獲取與分析方面，當前主要是通過數據傳輸到地面再進行分析，實時性較低。研究基于大數據和人工智能的農作物災損評估實時數據獲取與處理平臺非常關鍵，這將大幅度提升傳統遙感數據處理分析的效率；最后，構建氣象、氣候、地形等輔助大數據是提高種植業農險遙感應用的重要基礎。

6.2 發展多因子協同的農作物災損評估遙感綜合模型

當前農作物遙感災損評估模型主要以單因素或簡單復合模型為主，但單因素模型在靈敏度、精泛化性等方面都存在限制。如在作物長勢監測中，NDVI是常用的作物長勢監測指標，但Potdar發現NDVI在不同植被覆蓋率下靈敏度會發生變化，當植被覆蓋率為25%～80%時，NDVI的靈敏度較高，這時作物長勢監測結果精度較好；但當植被覆蓋率大于80%時，NDVI的靈敏度會下降，這時作物長勢監測結果精度會隨NDVI的靈敏度下降而降低。可見，作物長勢監測結果會隨NDVI靈敏度的改變而改變，出現監測結果精度不穩定。

同時，作物受災的致災因子除了氣象因素外，還與土壤、氣溫、日照以及作物需水等因素有關。在今后的災害風險評估中，將水文模型、土壤反演模型、作物生長模型等綜合起來，進行多因素協同監測模型的研究。并對災害類型進行區分，將一些指數指標引入災害風險評估模型，增加該類模型的普適性。Chen等發現一種日光誘導葉綠素熒光比 NDVI 在干旱氣候下指數靈敏度更敏感。因此，找到一種更好的監測指標或是將多種監測指標綜合應用以提高不同環境下種植業農險監測精度，是未來研究的一個思路。

6.3 研究智能化農作物災損評估遙感算法和技術

隨著信息技術的不斷發展，在農作物遙感災損評估中，受災農作物識別及面積估算開始采用計算機自動計算完成。但當前的方法需要大量的特征標簽數據作為訓練數據，這些標簽數據的獲取需要大量的人力、財力和時間成本投入。且標簽數據的準確性對農作物受災面積、產量等的估算精度會造成一定的不穩定性。由于作物在不同生長時期遙感圖像的光譜、紋理等特征都不一致，在進行多尺度分割時，無法固化分割參數，需要人為進行試驗比對結合自身經驗，優化具體分割參數，具有自適應作物地塊遙感圖像分割參數的自動分割算法還有待研究。當前，大數據與人工智能技術廣泛應用于遙感領域，基于大數據和人工智能的先進算法和模型具有強大的智能化和泛化性，將能夠優化農作物遙感災損評估的精度與效率。

7 總結

加強農作物災損遙感評估研究應用是農業科學發展的必然趨勢，當前的研究應用呈現多元化，將不同原理、不同類型的技術方法、模型耦合進行研究并得到實施。梳理農作物災損遙感評估的數據源，可得出農作物遙感災損評估的發展重點逐漸向星座化和高分化發展，機動性強的高光譜無人機遙感影像已經成為當前應用最廣泛的農業監測設備之一。農作物遙感災損評估模型主要有農作物受災面積估算模型、農作物長勢監測模型、農作物受損產量估算模型、農作物災害風險評估模型。現階段，我國在農作物遙感災損評估中的應用仍然不能滿足對農作物災損評估的需求，存在精度不穩定、效率低的問題。未來農作物遙感災損評估研究的發展方向主要是將自適應農作物地塊優化自動分類、考慮多因素協同監測模型的構建、尋找優質的監測指標以及將人工智能更深入地應用于農作物遙感災損評估中，并基于此凝練出構建多源多尺度長時間序列農作物遙感災損評估數據集、發展多因子協同的農作物遙感災損評估綜合模型、研究智能化農作物遙感災損評估算法和技術3個重點方面。遙感技術在農作物災損評估中應用方法多，沒有固定的思維模式。農作物遙感災損評估的研究仍需進一步探究。