崔京路，毛克彪，陳日清，曹萌萌，袁紫晉，唐世浩

（1.福建農(nóng)林大學計算機與信息學院，福州350002；2.中國農(nóng)業(yè)科學院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所，北京100081；3.湖南農(nóng)業(yè)大學資源環(huán)境學院，長沙410128；4.國家氣象衛(wèi)星中心，北京100081）

0 引言

農(nóng)業(yè)是一項基礎產(chǎn)業(yè)，它保障了群眾的基礎生活。然而隨著全球氣候的惡化，自然災害的發(fā)生也愈加頻繁，不管是由臺風引起的海嘯、洪澇災害，還是由于氣候干旱引起的森林火災、農(nóng)作物旱災等都給人們的生活、生產(chǎn)帶來了嚴重的經(jīng)濟損失［1-2］。自然災害嚴重威脅了農(nóng)作物生長，致使農(nóng)作物受損嚴重，產(chǎn)量下降。因此對農(nóng)作物進行災后評估，有利于及時進行救災工作，減少損失［3-6］。

災損評估指對受災后的各種損失進行評價與估計，為后續(xù)的災后重建工作提供資料輔助。農(nóng)作物災后損失評估是農(nóng)業(yè)遙感的重要部分，對災后農(nóng)作物產(chǎn)量、受損程度定量與定性估算以及災后政策制定、經(jīng)濟補助、災害預防方面都具有重大意義。傳統(tǒng)農(nóng)業(yè)災后損失評估手段效率低、費用高，已不能滿足當今社會需求。隨著數(shù)字農(nóng)業(yè)的興起，借助遙感監(jiān)測手段對其進行實時監(jiān)測，及時反饋農(nóng)作物的生長信息，已成為數(shù)字農(nóng)業(yè)中的一項關鍵技術(shù)［7-10］。

2016 年7 月初，我國大部分地區(qū)尤其是長江中下游沿江區(qū)域及江淮、西南東部等地出現(xiàn)強降雨，給該區(qū)域帶來嚴重洪澇災害，造成600 多萬人受災，農(nóng)作物受損面積達數(shù)百萬公頃，帶來了巨大經(jīng)濟損失。荊州市和荊門市位于湖北省的中南部和中部，且長江流經(jīng)荊州市部分地區(qū)，受此次洪澇災害影響，荊州市和荊門市部分地區(qū)發(fā)生漬澇，農(nóng)作物受損，有些地區(qū)甚至出現(xiàn)絕收現(xiàn)象。

文章以荊州市和荊門市部分區(qū)域為研究區(qū)，監(jiān)測該地區(qū)洪澇災害后農(nóng)作物生長狀態(tài)，統(tǒng)計研究區(qū)以水稻為主的農(nóng)作物減產(chǎn)量和受災程度，為該地區(qū)農(nóng)作物災損評估提供災后工作的數(shù)據(jù)支持，以便進行后續(xù)工作安排，有利于降低人力、物力消耗［11-13］。

1 研究區(qū)域概況與數(shù)據(jù)

1.1 研究區(qū)域概況

荊州市與荊門市分別位于湖北省的中南部和中部，地處長江的支流流域，介于30°30′N～31°00′N，111°30′E～112°30′E 之間（圖1）。該地區(qū)多為平原地帶，地勢平坦，屬亞熱帶季風氣候。夏季雨水充沛，農(nóng)作物多分布在河流流域兩岸，水源充足，可滿足水稻等農(nóng)作物的生長需求。

1.2 數(shù)據(jù)及其處理

該文選用的數(shù)據(jù)是Landsat-8 OLI 傳感器上的NIR（近紅外波段）和可見光的幾個波段［14-18］。Landsat-8 上攜帶有兩個主要載荷：陸地成像儀（Operational Land Imager，OLI）和熱紅外傳感器（Thermal Infrared Sensor，TIRS）。OLI 包括9 個波段，空間分辨率 為30 m，其中包括一個15 m 的全色波段，成像寬幅為185km×185 km［19-21］。

圖1 研究區(qū)地理位置Fig.1 Location of the study area

由資料可知，該地區(qū)近幾年農(nóng)作物種植品種很穩(wěn)定，沒有出現(xiàn)大的變動。2015 年該地區(qū)未受到自然災害和人為災害影響，收成正常；2016 年7 月初該地區(qū)由于特大暴雨，致使農(nóng)作物遭受洪澇災害，所以選取2016 年7月30 日影像作為災后數(shù)據(jù)。7 月份為水稻的收割季節(jié)，但是由于此次洪澇災害影響，水稻無法正常收割，所以可以排除2016 年7 月份該地區(qū)遙感影像農(nóng)作物NDVI 值突變是由水稻的“雙搶”（水稻收割）時節(jié)造成的。由于近幾年該區(qū)域的農(nóng)作物類型未發(fā)生大的變化，且農(nóng)作物每年生長周期基本相同，故選取2015 年7 月23 日的遙感影像作為災前遙感影像數(shù)據(jù)。

首先對研究區(qū)影像進行輻射定標、大氣校正、幾何校正等預處理，然后利用面向?qū)ο蠓诸惙椒ǖ玫椒诸悎D，獲取受災面積，再用分層抽樣方法對受災面積進行校正。最后利用分類圖的災前災后農(nóng)作物NDVI 差值，進行受災等級劃分，得到農(nóng)作物（以水稻為主）受災程度［22-24］。主要實驗數(shù)據(jù)見表1。

表1 主要實驗數(shù)據(jù)Table 1 The main study data

2 研究方法

2.1 評估流程

主要流程步驟包括：（1）研究區(qū)數(shù)據(jù)預處理，（2）基于面向?qū)ο蟮倪b感影像分類，（3）受災等級程度劃分，（4）基于分層抽樣的面積總量校正。

該研究基于面向?qū)ο蟮姆诸惙椒▽ρ芯繀^(qū)圖像進行分類，然后用災前災后研究區(qū)分類圖求NDVI 值，再將兩幅圖的NDVI 圖進行差值運算，根據(jù)蔡毅等［25］提出的基于遙感抽樣對農(nóng)作物進行災損評估的方法對研究區(qū)農(nóng)作物進行受災程度等級劃分，統(tǒng)計各受災等級的面積，得到農(nóng)作物受災程度等級分布圖［11，13］。

利用災后分類圖確定農(nóng)作物受災范圍，統(tǒng)計農(nóng)作物的受災面積，然后基于分層抽樣方法對農(nóng)作物受災面積總量進行校正。

2.2 基于面向?qū)ο蠓诸惙椒ǖ牡匚锓诸?/h3>

傳統(tǒng)的基于像元分類方法最先使用在低空間分辨率的影像上，這種分類只憑借地物的光譜信息，考慮的特征類型太少，對于有相似的光譜反射率地物來說可能會出現(xiàn)錯分現(xiàn)象。而且此類分類方法基于同一個尺度因子層，所以不能很好地對影像信息進行充分提取。

Baatz M 和Schape A 發(fā)現(xiàn)高空間分辨率遙感影像的空間特征信息比光譜特征信息更加全面、豐富，因此他們提出了基于面向?qū)ο蟮挠跋穹诸惙椒?。這種方法異于傳統(tǒng)分類方法的最小處理單位是像元，它的最小處理單位是由一個個像元構(gòu)成的對象。在分類時，除了考慮光譜信息，還會考慮相鄰像元之間的紋理信息、拓撲信息以及內(nèi)部語義信息［26］。該文選取面向?qū)ο蠓诸惙椒?，對研究區(qū)影像進行多尺度分割，得到多個尺度下的樣本，然后結(jié)合農(nóng)田的紋理、位置、形狀信息，利用模糊分類的方法對農(nóng)田進行信息提取。

2.3 受災程度劃分

對于受災程度等級的劃分，雖然得不到真實的減少比率，但是根據(jù)災前災后遙感影像的NDVI 差值大小可以看出農(nóng)作物長勢的變化情況，且差值越大，說明受災越嚴重［27］。依據(jù)蔡毅等［25］提出的基于NDVI 差值劃分閾值的方法，認為差值大于0.5 為3 級受災，進一步得到實驗區(qū)災后分類圖。這個方法為災后的救災工作提供了更為精確的數(shù)據(jù)支持。

2.4 分層抽樣

分層隨機抽樣指的是先將樣本分為不同層次，然后在每一層次上隨機選取部分樣本進行整體評估。該文需要調(diào)查的是農(nóng)作物受災情況，需注意的是不能完全集中在洪澇災害最嚴重的區(qū)域進行調(diào)查，也不能選擇災情輕微的地方進行調(diào)查，缺乏全面性［28］。所以選擇分層抽樣方法進行調(diào)研，既代表了研究區(qū)的整體受災概況，也避免了全面調(diào)查。但需注意的是樣本應均勻隨機選取，確保數(shù)據(jù)準確性。

將受災區(qū)根據(jù)NDVI 差值圖的變化程度分成7 個層次，3 級受災農(nóng)作物主要是位于荊州市的彌市鎮(zhèn)和馬良鎮(zhèn)的楊家灣。彌市鎮(zhèn)靠近虎渡河附近，種植了大量農(nóng)作物，所以此次受災比較嚴重。楊家灣由于低地勢以及不完善的農(nóng)田災情預防措施，也造成大量農(nóng)作物被淹沒，甚至出現(xiàn)了絕收現(xiàn)象。2 級受災農(nóng)作物位于沮漳河附近的沿岸地區(qū)。與平原地帶的荊州市農(nóng)作物相比，地處山地丘陵地帶的荊門市由于地勢較高，所以農(nóng)作物受災程度較輕。

3 結(jié)果與分析

3.1 分類精度評定與面積統(tǒng)計

該文選取混淆矩陣進行精度評定，得到災后影像分類的Kappa 系數(shù)為0.8495。混淆矩陣的Kappa 系數(shù)可以體現(xiàn)分類精度，精度越高說明分類效果越好。

基于研究區(qū)災后分類（圖2），統(tǒng)計各類地物所占的像元數(shù)目可計算受災農(nóng)作物面積。由ArcMap 中像元統(tǒng)計工具，得到農(nóng)作物總面積為1 530.17 km2。未受災農(nóng)作物總面積為894.33 km2，受災農(nóng)作物總面積為635.838 km2。

圖2 實驗區(qū)災后分類圖Fig.2 Post-disaster classification picture of the experimental area

3.2 受災等級程度圖

將研究區(qū)農(nóng)作物災前災后分布圖的NDVI 值相減，得到NDVI 差值，NDVI 差值在-1～1 之間，差值為負說明此地表植被覆蓋度較去年相比有所下降，差值越接近0 說明變化越小，受災程度越小。但未受災植被的NDVI 值也會有小范圍波動，由蔡毅等［25，27］相關可知，在農(nóng)作物品種相對穩(wěn)定時，若NDVI 值波動在0.1 之內(nèi)，可認為植被的覆蓋類型未發(fā)生變動，即未受災。若NDVI 差值大于0.1，差值越大，受災也就越嚴重。將災前災后農(nóng)作物NDVI 差值進行閾值等級分割，根據(jù)NDVI 閾值評定農(nóng)作物受災等級，得到實驗區(qū)農(nóng)作物的受災等級分布圖（圖3）。由受災等級程度分布圖，統(tǒng)計出受災等級的面積，如表2 所示。

圖3 受災程度等級分布Fig.3 Disaster level distribution picture

表2 農(nóng)作物受災等級程度面積統(tǒng)計Table 2 Area statistics of crop disaster level

3.3 分層抽樣校正

3.3.1 分層抽樣面積統(tǒng)計

該文分層目標是通過隨機分層抽樣得到農(nóng)作物的受災面積，所以分層采用災后分類圖的農(nóng)作物受災面積作為分層標識較好［25］。

依據(jù)農(nóng)作物受災程度不同，參考相關文獻進行多次實驗表明，將抽樣層次定為7 層較為合理。每一層統(tǒng)計樣本的面積情況如表3 所示。從抽樣樣本統(tǒng)計結(jié)果可以看出，受災較嚴重的區(qū)域大多集中在第2 層、第3 層以及第6 層的樣本。關于實驗區(qū)各層農(nóng)作物面積劃分情況，如表4 所示。

表3 抽樣樣本受災農(nóng)作物減產(chǎn)率Table 3 Sampling samples of affected crops

表4 各層農(nóng)作物受災面積總量Table 4 Total area affected by crops in all layers

依據(jù)分層抽樣的方法計算出各層受災面積，公式為：各層受災農(nóng)作物面積=各層區(qū)域面積×各層抽樣樣本的減產(chǎn)率；由此得到受災農(nóng)作物面積總量為407.101 km2。

3.3.2 抽樣樣本面積校正

通過面向?qū)ο蠓诸惙椒ê头謱映闃臃椒ǚ謩e對受災面積的范圍與面積進行真值模擬及抽樣面積統(tǒng)計?；诿嫦?qū)ο蠓诸惙椒ǖ贸瞿M真值是635.84 km2，分層抽樣方法統(tǒng)計的受災面積總量是407.101 km2。依據(jù)陳仲新等［29］、張錦水等［30］實踐表明，認為將分層抽樣方法得出的農(nóng)作物受災面積模擬真值所占的權(quán)重定為30%是可行的。因此利用分層抽樣方法校正農(nóng)作物受災面積，得出受災面積總量為567.218 km2。

3.3.3 面積總量校正精度

為驗證分層抽樣方法面積校正的精度，該文采用了比率估計法來計算精度。比率估計用校正后面積總量與Landsat-8 分類圖面積模擬真值的比值來表示。經(jīng)計算，得出面積校正后的精度為89.21%。

4 結(jié)論

該文以湖北省荊州市和荊門市的部分受災區(qū)域作為此次的研究區(qū)域。通過研究，得出的主要結(jié)論如下。

（1）利用分層抽樣方法對農(nóng)作物受災面積總量進行校正的實驗發(fā)現(xiàn)，將分層抽樣與基于面向分類方法相結(jié)合得出的面積總量校正精度較高，幾乎達到90%。與僅利用面向?qū)ο蠓诸惙椒ǖ玫降氖転拿娣e總量精度而言，精度有了較大提高。所以可以將分層抽樣的方法應用到農(nóng)作物的受災面積評估。

（2）該文與之前研究相比，不僅求得了農(nóng)作物受災面積總量，還基于一種NDVI 差值方法，評定了農(nóng)作物的受災等級。在保證了高精度的前提下，同時得出了農(nóng)作物的受災面積與相應區(qū)域的受災等級，既減少了人力、物力，還縮短了災后評估的時間。