基于遙感數據的作物澇災識別技術研究

摘要：澇災導致農作物生長受阻，產量減少。及時獲取澇災信息在作物估損、保險理賠等方面具有重要意義。以作物澇災遙感研究數據源、作物澇災識別特征、澇災識別方法及識別精度評價指標為研究對象，對作物澇災識別技術研究現狀進行分析，指出遙感數據在作物澇災識別領域的應用特點和方向，從而為作物澇災識別的深入研究提供參考。

關鍵詞：遙感； 光譜； 澇災識別； 植被指數； 機器學習

中圖分類號：S127 文獻標識碼：A 文章編號：1674-1161（2024）04-0064-04

洪澇災害是導致農作物減產的一大自然災害，對糧食安全構成嚴重威脅[1-2]。傳統澇災判定依賴人工目視，存在效率低、時效性差、主觀性強等問題。遙感技術以其快速、宏觀、客觀等優勢，在農業領域應用日益廣泛[3-5]，能夠快速精準獲取作物生產信息。收集整理基于遙感技術的澇災識別研究結果，系統梳理澇災識別的數據源、方法、評價指標等，旨在為遙感數據在作物澇災識別中的實踐應用提供參考。

1 研究數據和方法

1.1 研究數據

以中國知網數據庫為數據源，以作物澇災、遙感識別、澇漬為關鍵詞進行檢索，檢索時間跨度為1997—2023年，針對有效文獻進行分類歸納，篩選該主題方向的期刊、碩博士論文38 篇，作為最終研究數據。

1.2 研究方法

采用文獻研究法和內容分析法對獲取的研究數據進行系統分析。文獻研究法是指在收集和整理某一研究主題的相關文獻的基礎上，對文獻進行研究，形成新的理解，進而形成對事實科學認識的一種研究方法[6-7]。內容分析法是一種對傳播信息內容進行系統、客觀和量化描述的研究方法[8]。

2 研究分析結果

2.1 作物澇災識別數據源分析

2.1.1 遙感數據源和數據預處理分析 當前研究所使用的澇災識別遙感數據主要有多光譜遙感數據[9-10]、高光譜遙感數據[10-12]、激光雷達數據[13-14]。其中，多光譜和高光譜數據使用最多。與高光譜數據相比，多光譜數據具有時效性好、數據來源多、實時處理速度快、光譜波段較少、處理方便等特點，但是無法提供詳細的特性、組成和結構信息。近年來，也有研究使用合成孔徑雷達SAR用于提取澇災影像[15-16]。

作物澇災識別使用的遙感數據一般通過衛星和無人機獲取。衛星遙感數據主要通過GF-1 衛星、Planetlabs 遙感衛星群、Landsat 衛星、HJ 衛星、Sentinel-2A 衛星及Sentinel-1 衛星獲取。無人機遙感數據主要通過無人機搭載可見光、多光譜、高光譜成像儀對受澇地塊進行數據采集獲取。與衛星相比，無人機數據采集具有快速高效、獲取靈活、分辨率高、處理速度快和運行成本低的優勢[9]。因此，無人機被廣泛應用于小區域目標影像獲取[17]。國內現有澇災識別研究采用的數據覆蓋東北三省、江西省、安徽省、內蒙古自治區等地，研究對象主要包括玉米、大豆、水稻等作物[18-31]。

獲取作物澇災識別所需遙感圖像的過程中可能會產生數據失真、幾何畸變等情況，因此需要對數據進行預處理，包括去噪聲、旋轉、幾何糾正、鑲嵌、增強等操作，以提高圖像質量。對遙感影像數據中存在未知區域的情況，可采用克里金插值法等插值方法對遙感影像進行插值處理。對不可避免的噪聲或因飛行高度過高產生的遙感影像失真現象，可進行大氣校正、輻射定標和正射校正等處理。對因環境光線、溫度改變造成的光譜數據噪聲情況，可將光譜數據進行微分處理，能在一定程度上削弱噪聲，一般采用一階微分導數處理。除對遙感影像進行微分預處理外，還可以對遙感影像進行對數、歸一化、倒數變換、相鄰平均法、SG濾波、主成分分析、核主成分分析[32]等預處理。

2.1.2 地面監測數據分析 研究涉及的地面監測數據包括葉綠素含量、葉面積指數、株高和禿尖長度等表征作物長勢的地面數據。葉綠素含量是指單位面積內葉片中所含葉綠素的質量，用來反映植物的生長狀況、光合作用效率和營養狀態。SPAD值可以用來反映葉綠素含量，一般使用ASD公司的SPAD-502測定儀測量。葉面積指數是指單位地表面積上植被覆蓋物的一側所擁有的葉片表面積總和，是衡量植被覆蓋程度、評價生態系統功能、估算生產力等方面的重要參數。獲取葉面積指數一般采用比葉重法或使用LAI2000C設備進行測量[19，26，30-31]。株高、禿尖長度、棒長、根部直徑可使用卷尺進行測量[18]。

2.2 作物澇災識別方法

作物澇災遙感識別方法是指通過對無人機遙感影像或衛星遙感影像進行處理，找到能較好地反映作物是否受澇的特征并基于此建立精度較高的澇災識別模型的構建方法。研究涉及的作物澇災識別方法主要可歸納為兩類：基于光譜、紋理特征的澇災識別方法和基于植被指數的澇災識別方法。

2.2.1 基于光譜、紋理特征的澇災識別方法 獲取作物的光譜和紋理特征對作物澇災識別具有重要意義。有研究發現，作物光譜反射特征與葉綠素含量。葉面積指數等能反映作物農情特征，并有著較高的相關性[18-19，26-27，30，33]。例如，葉綠素低反射形成的綠峰一般出現在550 nm 波段，葉綠素吸收紅光形成的紅谷一般出現在650 nm 波段，葉綠素對紅光的強吸收和對近紅外光的強反射形成的紅邊一般出現在680～750 nm 波段。也有研究表明，作物光譜反射特征與葉綠素含量、葉面積指數等能反映作物受災情況，這主要是因為干旱、洪水、沙塵暴等氣候災害能在短時間內造成作物生理生化信息驟變，而確定上述驟變敏感的光譜波段是澇災識別的關鍵。

最簡單的方法是通過控制變量法監測作物，比較作物受澇前后光譜反射率的差異，選取變化較大的波段作為敏感波段進行進一步分析。有學者引入光譜距離判別某一波段范圍識別能力，并采用核主成分分析、光譜敏感度法對獲取的敏感波段進行特征提取，能夠縮小敏感波段范圍[23，27，31]。近年來，還有研究人員在對光譜數據一階導數變換后，采用連續統去除法消除不相關背景信息、增強感興趣吸收特征，來篩選敏感波段[24]。

紋理作為物體表面的一種基本屬性，能夠很好地表征圖像的信息[34]。有研究表明，利用紋理特征能夠有效降低椒鹽現象，解決光譜相似性目標的識別問題；但單一的紋理特征容易受到遙感影像空間分辨率的影響，不具有普適性，需與光譜信息或其他作物長勢信息相結合，才能在澇災識別中獲得較好的效果。有研究發現，紋理特征和光譜特征結合可以提高分類精度，相比于僅使用原始光譜特征的分類結果，紋理特征的加入使分類精度獲得不同程度的提高[17，24，35-37]。

2.2.2 基于植被指數的澇災識別方法 植被指數是指通過遙感技術獲取的反映植被生長、覆蓋和生物量等狀況的指標。比起單一波段，植被指數能更好地表達植物的活力[38]。植被指數的變化可以預測和監測自然災害的發生，也可以評估旱災、水澇、風災等災害對農業生產的影響。植被指數還能夠反映作物受澇時的健康狀態。近年來，許多學者基于植被指數在作物澇災識別領域展開了相關研究，較為常見的是利用植被指數和產量的關系建立澇災識別模型。例如，任楓荻[18]通過線性回歸方程、二次曲線方程、指數函數回歸方程擬合作物植被指數與產量的關系，選擇決定系數較高的植被指數做標準化處理，劃定受澇閾值，判斷區域作物的受澇情況。馮琳[19]基于植被指數，采用線性、冪乘、指數回歸方程建立玉米產量、葉綠素模型，根據植被指數標準化劃定閾值，對受澇漬玉米的損失程度進行評價。也有研究利用植被指數和環境參數相結合建立澇災識別模型。例如，劉聰[20]在植被指數的基礎上提出一種利用溫度—植被指數（LST-VI）特征空間，構建溫度植被干旱指數（TVDI）建模識別澇災的模型，也取得了不錯的效果。還有學者利用植被指數和時間序列法相結合建立澇災識別模型，通過計算研究區每個時相的植被指數中值，采用SG濾波法對植被指數時間序列去噪，得到研究區作物標準長勢植被指數時間序列曲線，通過對比不同時相下受澇和未受澇作物的歸一化植被指數，判斷該地作物是否受澇，識別精度達到86.74%[21]。

對調研文獻進行分析可知，歸一化植被指數是目前廣泛使用的植被指數，同時也有學者采用差值植被指數、比值植被指數、結構獨立色素指數、光化學植被指數、增強型植被指數等指數進行作物澇災識別研究。應用于澇災識別中的植被指數見表1[16，18-28，30，39-40]。

2.3 作物澇災識別模型精度評價

作物澇災識別模型的準確性通常使用評價指標來進行判斷。研究涉及的作物澇災識別模型中常用的評價指標有決定系數（R2）、均方根誤差（RMSE）、Kappa 系數和混淆矩陣。評價指標及公式見表2。其中，機器學習方法對應的評價指標一般為R2 和RMSE。R2表示實測值與模擬值的擬合程度，取值范圍是0～1.0，數值越接近1.0，模型擬合越好，即自變量解釋因變量的能力越強。一般認為當R2gt;0.7時，所建立的模型擬合效果較好；而當R2lt;0.3時，認為模型的擬合效果較差。RMSE 表示實測值與模擬值偏離的程度，RMSE 越趨近于0，表明模型精度越高。Kappa系數是一種統計量，用于衡量兩個分類器之間的一致性。兩個分類器完全一致時，Kappa 系數=1；當Kappa 系數=0時，表示兩個分類器的分類結果等同于隨機分類，兩個分類器的分類結果相互矛盾時，Kappa 系數lt;0。Kappa 系數可以配合總體精度、生產者精度、用戶精度一同使用[24，26-27]。

3 結論

聚焦作物澇災識別技術研究，從作物澇災遙感數據源、作物澇災識別方法、澇災識別模型精度評價3 個方面，對已經開展的該領域研究工作進行系統分析，得出如下結論：第一，作物澇災遙感數據源以多光譜和高光譜數據為主。隨著遙感影像分辨率越來越高，遙感技術在澇災識別領域應用前景廣闊。第二，光譜特征、紋理特征、植被指數能夠較好地表征作物在受澇條件下生理生化信息的變化，可以作為作物是否受澇的判斷依據。第三，現有的作物澇災識別方法大多基于光譜特征和植被指數建立回歸模型，對澇災的識別精度均在85.00% 以上。

隨著遙感技術和人工智能技術的發展，未來可以探索基于遙感數據，結合深度學習方法，建立普適性更強的澇災識別模型，并根據遙感數據，結合植被指數等作物生理生化特征，設定澇災閾值，劃分作物受澇等級。

參考文獻

[1] 趙光麗，張玉書，紀瑞鵬，等.主要農業災害對遼寧農業生產的影響[J].中國農學通報，2013，29（20）：119-123.

[2] 王春乙.重大農業氣象災害研究進展[M].北京：氣象出版社，2007.

[3] 史舟，梁宗正，楊媛媛，等.農業遙感研究現狀與展望[J].農業機械學報，2015，46（2）：247-260.

[4] 周國乾.遙感技術應用領域綜述[J].內蒙古科技與經濟，2018（4）：86-88.

[5] 聶巖，張珂，張錚豪.遙感技術在農業信息化中的應用[J].數字通信世界，2020（12）：168-169.

[6] 杜曉利.富有生命力的文獻研究法[J].上海教育科研，2013，317（10）：1.

[7] 黃李輝，阮永平.文獻分析法在我國管理會計研究中的應用——基于33篇樣本文獻的分析[J].財會通訊，2017（4）：39-43.

[8] 鄒菲.內容分析法的理論與實踐研究[D].武漢：武漢大學，2004.

[9] 陳成.多光譜無人機農業遙感應用[J].現代化農業，2021（10）：61-62.

[10] 師艷子，李云松，鄭毓軒.國內外衛星遙感數據源綜述[J].衛星與網絡，2018（4）：54-58.

[11] 張兵.高光譜圖像處理與信息提取前沿[J].遙感學報，2016，20（5）：1062-1090.

[12] 王海軍.高光譜技術在農業遙感中的應用研究進展[J].農業開發與裝備，2023（2）：124-125.

[13] 劉斌，張軍，魯敏，等.激光雷達應用技術研究進展[J].激光與紅外，2015，45（2）：117-122.

[14] 趙一鳴，李艷華，商雅楠，等.激光雷達的應用及發展趨勢[J].遙測遙控，2014，35（5）：4-22.

[15] KUMAR H，KARWARIYA S K，KUMAR R.Google earth engine-based identification of flood extent and flood-affected paddy rice fields using Sentinel-2 MSI and Sentinel-1 SAR data in Bihar state， india[J].Journal of the Indian Society of Remote Sensing，2022，50（5）：791-803.

[16] PROFETI G，MACINTOSH H.Flood management through Landsat TM and ERS SAR data： A case study[J].Hydrological Processes，1997，11（10）：1397-1408.

[17] 劉吉凱，鐘仕全，徐雅，等.基于多時相GF-1WFV數據的南方丘陵地區甘蔗種植面積提取[J].廣東農業科學，2014，41（18）：149-154.

[18] 任楓荻.作物澇害光譜監測方法研究[D].長春：吉林大學，2021.

[19] 馮琳.基于遙感的玉米澇漬監測與評價技術研究[D].長春：吉林大學，2020.

[20] 劉聰.基于多源數據的東北地區春玉米澇漬災害監測研究[D].南昌：東華理工大學，2020.

[21] 張展騫.基于植被指數時間序列的洪澇災害遙感監測模型[D].哈爾濱：東北農業大學，2019.

[22] 陳振.基于遙感數據的玉米澇災監測與評估技術研究[D].徐州：中國礦業大學，2016.

[23] 徐鵬.洪澇脅迫的水稻長勢光譜響應與災情遙感評估[D].西安：西安科技大學，2014.

[24] 邵逸群.友誼農場洪澇災害遙感監測及時空特征研究[D].哈爾濱：東北農業大學，2021.

[25] 黃詩峰，馬建威，孫亞勇.我國洪澇災害遙感監測現狀與展望[J].中國水利，2021（15）：15-17.

[26] 甘平.基于遙感技術的玉米澇災表型信息解析及災情評估方法研究[D].青島：山東科技大學，2018.

[27] 楊菲菲.冬小麥澇漬脅迫程度高光譜遙感監測研究[D].北京：中國農業科學院，2020.

[28] 高小梅.漬害脅迫下冬小麥SPAD值遙感監測研究[D].武漢：長江大學，2022.

[29] 王利民，劉佳，楊玲波，等.基于無人機影像的農情遙感監測應用[J].農業工程學報，2013，29（18）：136-145.

[30] 王帥.澇漬脅迫條件下抽雄期夏玉米生理生化參數的高光譜反演[D].合肥：安徽農業大學，2021.

[31] 曾風玲.拔節期弱光澇漬脅迫下夏玉米生理特性及高光譜響應研究[D].合肥：安徽農業大學，2022.

[32] YU H，XU Z，WANG Y，et al.The use of KPCA over subspaces for cross-scale superpixel based hyperspectral image classification[J].Remote Sensing Letters，2021，12（5）：470-477.

[33] 秦占飛.西北地區水稻長勢遙感監測研究[D].楊凌：西北農林科技大學，2016.

[34] 王龍.圖像紋理特征提取及分類研究[D].青島：中國海洋大學，2014.

[35] 張超，喬敏，劉哲，等.基于無人機和衛星遙感影像的制種玉米田識別紋理特征尺度優選[J].農業工程學報，2017，33（17）：98-104.

[36] SHABAN M A，DIKSHIT O.Improvement of classification in urban areas by the use of textural features：The case study of Lucknow city， Uttar Pradesh[J].International Journal of Remote Sensing，2001，22（4）：565-593.

[37] 陳君穎，田慶久.高分辨率遙感植被分類研究[J].遙感學報，2007，11（2）：221-227.

[38] 敖登，楊佳慧，丁維婷，等.54種植被指數研究進展綜述[J].安徽農業科學，2023，51（1）：13-21+28.

[39] 張琍，羅文庭，張皓寰，等.時序Sentinel-1和Sentinel-2數據支持下的鄱陽湖濕地草本植物群落制圖分類[J].遙感學報，2023，27（6）：1362-1375.

[40] 崔賓閣，吳景，李心慧，等.結合深度學習和植被指數的濱海濕地高分二號遙感影像信息提取[J].遙感學報，2023，27（6）：1376-1386.