摘 要：為了提高對農業(yè)氣象災害的監(jiān)測效果，本研究提出基于多光譜遙感技術的監(jiān)測方法。首先，利用Sisu CHEMA-SWIR光譜成像系統采集農業(yè)作業(yè)區(qū)的多光譜遙感數據，并利用黑白板校正的方式，對多光譜遙感圖像進行校正處理；其次，通過收集地面觀測數據，從預處理后的影像數據中提取與氣象災害相關的特征參數；最后，針對干旱、洪澇、凍害這3種農業(yè)氣象災害，利用上述提取的特征參數，結合地面觀測數據展開監(jiān)測。試驗結果表明，該方法可以有效實現對光譜數據的處理，且檢測結果的召回率較高，假警率較低。

關鍵詞：多光譜遙感技術；農業(yè)氣象災害；氣象監(jiān)測；黑白板校正；特征參數

中圖分類號：S 166" " " 文獻標志碼：A

極端天氣事件和自然災害對農業(yè)生產造成了巨大影響，通過加強氣象監(jiān)測技術研究和數據共享，可以提高對氣象災害的預警和防范能力，減少農業(yè)損失[1]。因此，農業(yè)氣象災害監(jiān)測的研究具有重要的現實意義。隨著農業(yè)現代化進程加快，精準農業(yè)越來越重要。通過利用先進的氣象監(jiān)測技術可以更精準地監(jiān)測氣象數據，提供更有效的農業(yè)生產指導[2]。文獻[3]以GIS技術為基礎，設計了農業(yè)氣象災害監(jiān)測預警平臺。該研究主要包括需求分析、數據獲取與整合、空間數據分析與模型建立、預警信息發(fā)布與可視化、決策支持與應急響應以及系統優(yōu)化與驗證等方面工作。通過整合氣象數據、利用GIS空間分析方法建立氣象災害監(jiān)測模型。文獻[4]以核主成分分析為基礎，對農業(yè)氣象的影響因子展開降維處理與分析，再將常規(guī)的BP神經網絡與麻雀搜索算法等優(yōu)化算法相結合，用于監(jiān)測干旱災受災率。為此，本研究以干旱災害和凍害為例，基于多光譜遙感技術設計了一種新的農業(yè)氣象災害監(jiān)測方法。多光譜遙感技術能夠獲取目標物在不同光譜段的信息[5]，其可以透過云層和惡劣天氣條件，獲取地面災害的詳細信息，彌補了地面監(jiān)測的不足。

1 數據獲取與處理

1.1 多光譜遙感數據的獲取與處理

本研究利用多光譜遙感成像系統采集農業(yè)作業(yè)區(qū)的多光譜遙感數據，為后續(xù)的農業(yè)氣象災害監(jiān)測提高基礎數據支持。多光譜遙感能夠提供豐富的地物信息[6]，本研究選用Sisu CHEMA-SWIR光譜成像系統。該系統由光譜儀、控制主機、光譜控制器以及無人機平臺等組成。其中，光譜儀采集范圍為950nm～2575nm，光譜分辨率為3.45nm，共有288個波段，曝光時間在4000ms左右，幀率為32Hz。多光譜遙感成像系統的結構如圖1所示。

為保證光源工作的穩(wěn)定性，將光譜儀的輸出電流控制在4.5A左右，鎖相環(huán)頻率控制在250Hz～300Hz的范圍內。完成參數設定后，啟動軟件，對農業(yè)作業(yè)區(qū)環(huán)境樣本進行透射光譜掃描。每個作業(yè)區(qū)域掃描次數為5次，并通過控制主機可視化呈現。遙感影像分辨率為1280pt×1024pt。由于成像系統的光源強度會發(fā)生變化，導致其發(fā)生明顯的不均勻，且系統的暗電流會形成一定噪聲，會影響采集的多光譜圖像的質量[7]。針對這種情況，利用黑白板校正的方式對多光譜遙感圖像實施處理，過程如下。

首先，在遙感圖像中找到黑白參考板的像素位置，假設白板像素值為W，黑板像素值為B。白板通常具有接近100%的反射率，而黑板則具有接近0%的反射率。其次，針對每個光譜段計算校正系數。校正系數通常用于將圖像的像素值DN（數字數）值轉換為反射率值。假設白板和黑板在真實世界中的反射率分別為RW和RB（通常RW?=1，RB?=0），則校正系數K和偏移量d如公式（1）、公式（2）所示。

（1）

d=RB-K×B （2）

針對圖像中的每個像素和每個光譜段，使用公式（3）進行校正。

μ=K×DN+d （3）

式中：μ為校正后的反射率值。

將每個像素和每個光譜段的DN值通過上述公式轉換為反射率值，得到校正后的多光譜遙感圖像。

1.2 收集地面觀測數據

在采集農業(yè)作業(yè)區(qū)的多光譜遙感數據的基礎上，為彌補多光譜遙感數據，同期收集地面觀測數據，包括氣象數據、土壤數據以及作物生長狀況數據，這些氣象數據可以直觀地反映大氣環(huán)境的狀態(tài)和變化，對理解農業(yè)氣象災害的成因、發(fā)展以及影響至關重要。例如，在干旱監(jiān)測中，降雨量數據可以幫助判斷干旱的嚴重程度和持續(xù)時間；在凍害監(jiān)測中，溫度數據能夠揭示低溫對作物造成的損害程度。同時，氣象數據可以作為遙感數據的校驗和補充，提高災害監(jiān)測的準確性和可靠性。土壤是農作物生長的基礎[8]，通過收集土壤數據可以獲取土壤水分狀況、肥力水平等信息，進而分析干旱、洪澇等災害對土壤的影響。因此，這些數據與遙感數據相互驗證，可以提高災害監(jiān)測的精度和可信度。

1.3 多光譜遙感特征提取

從預處理后的影像數據中提取與氣象災害相關的特征參數，本研究以波段反射率、光譜響應、土地溫度變化、植被指數、水體指數、雪被覆蓋率這6種特征為例，展開具體描述。

波段反射率是通過將遙感器接收到的輻射亮度值轉換為反射率值，如公式（4）所示。

（4）

式中：rL為波段L的反射率；Lλ為輻射亮度；EL為在波段L上的太陽垂直入射到地表的輻照度；θ為太陽天頂角。

光譜響應是指不同波段的遙感傳感器對地物表面不同波長光線的反射或輻射的響應情況，計算過程如公式（5）所示。

τ=（?L1+?L2+?L3+?L4）×σ （5）

式中：τ為核心光譜的光譜響應；?L1、?L2、?L3和?L4分別為波段的灰度矩陣；σ為波段系數。

土地溫度變化的獲取過程如下。1）輻射定標。輻射定標是將遙感器觀測的原始DN（數字數）值轉換為輻射亮度值，如公式（6）所示。2）大氣校正。通過大氣校正消除大氣對熱紅外輻射的影響，可以獲得實際的地表輻射亮度，如公式（7）所示。3）估算地表發(fā)射率。地表發(fā)射率是地表輻射特性的重要參數，其影響地表溫度的反演精度，通常通過查找表來估算。4）地表溫度反演。在得到地表真實的輻射亮度和發(fā)射率后，可以使用普朗克定律的反函數的反演得到地表溫度，如公式（8）所示。

Lλ=DN×scale+offset （6）

式中：scale為增益系數；offset為偏移量。

（7）

式中：δγ為大氣透過率；Ldown為大氣下行輻射亮度；vλ為地表發(fā)射率。

（8）

式中：K1和K2分別為與熱紅外波段的中心波長有關的常數。

植被指數能夠間接反映農作物的生長狀況、覆蓋度和健康狀況，利用不同波段的反射率計算歸一化植被指數，如公式（9）所示。

（9）

式中：NIR、R為近紅外波段、紅波段的反射率。

通過不同波段的反射率數據計算歸一化水體指數（NDWI），如公式（10）所示。

（10）

式中：Green、MIR為綠光波段、中紅外波段的反射率。

雪被覆蓋率是指某一地區(qū)被雪覆蓋的地表面積占該地區(qū)總面積的百分比，其可以反映降雪量、積雪分布和積雪融化等氣象過程對地表環(huán)境的影響。

1.4 農業(yè)氣象災害監(jiān)測

針對干旱、洪澇、凍害這3種農業(yè)氣象災害，利用上述提取的特征參數，結合地面觀測數據展開監(jiān)測。結合波段反射率rL、光譜響應τ、土地溫度變化T、植被指數NDVI、水體指數NDWI對干旱災害進行監(jiān)測，監(jiān)測指數如公式（11）所示。

Z1=ω1rL+ω2τ+ω3T+ω4NDVI+ω5NDWI （11）

式中：ω1、ω2、ω3、ω4、ω5為不同特征系數對應的權重。

干旱監(jiān)測指數Z1的數值越高，表示潛在的干旱程度可能越嚴重。

結合波段反射率rL、光譜響應τ、水體指數NDWI以及同期收集的洪澇區(qū)域面積S、持續(xù)時間t、降雨量q對洪澇災害進行監(jiān)測，監(jiān)測指數如公式（12）所示。

（12）

結合雪被覆蓋率χ、植被指數NDVI以及表示地表溫度T、降雪量C構建凍害指數，并設定閾值，將凍害程度劃分為不同的等級。凍害指數如公式（13）所示。

Z3=ω3T+ω4NDVI+ω6χ+ω7C （13）

對凍害指數Z3的閾值范圍進行劃分：0～20為輕微凍害；21～40為中等凍害；41及以上為嚴重凍害。

2 試驗與結果分析

為驗證本文方法的實際應用性能，設計如下試驗。試驗以M農業(yè)作業(yè)區(qū)為研究范圍，利用多光譜遙感針對該區(qū)域的農業(yè)氣象災害進行監(jiān)測。試驗設置多光譜遙感采集參數，見表1。

根據多光譜遙感技術獲取M區(qū)域的地表數據，由于光譜數據中會存在干擾，因此采用本文方法進行光譜處理，獲取處理前后的光譜結果，如圖2所示。

分析圖2可以看出，原始的光譜數據存在明顯的基線漂移和不平滑問題，但在采用本文方法處理后，光譜基線漂移問題被有效處理，造成干擾導致的不平滑現象明顯降低。因此，本文方法具有良好的光譜處理效果，可以為后續(xù)的農業(yè)氣象災害監(jiān)測提供可靠的數據基礎。在此基礎上，將文獻[3]、文獻[4]中的檢測方法作為對比，以預警結果的假警率和召回率為指標，與本文方法的應用性能進行對比，得到結果見表2。

分析表2可知，本文方法的假警率最高僅為0.11%，召回率的最大值達到99.05%。與其他2種方法相比，本文方法通過利用Sisu CHEMA-SWIR光譜成像系統采集農業(yè)作業(yè)區(qū)的多光譜遙感數據，并進行黑白板校正處理，能夠提高數據質量和準確性，減少數據中的噪聲和失真，從而減少假警率，增強結果可靠性，例如波段反射率、土地溫度變化、植被指數等。利用這些特征參數，能夠更全面、準確地描述目標區(qū)域的情況，提供更精確的監(jiān)測指標，從而提高檢測的準確性和召回率。

3 結語

本研究利用多光譜遙感技術提出一種農業(yè)氣象災害的監(jiān)測方法。首先，采集農業(yè)作業(yè)區(qū)的多光譜遙感數據，并進行校正處理；同時收集地面觀測數據作為校驗和補充。其次，從預處理后的影像數據中提取與氣象災害相關的特征參數，包括波段反射率、光譜響應、土地溫度變化、植被指數、水體指數、雪被覆蓋率等。最后，利用提取的特征參數結合地面觀測數據，對干旱、洪澇和凍害等農業(yè)氣象災害進行監(jiān)測。通過這種方法，可以提高對農業(yè)氣象災害的監(jiān)測效果，并為農業(yè)管理決策提供支持與指導。

參考文獻

[1]佟鋼，劉忠梅.農業(yè)氣象災害監(jiān)測預測技術研究進展[J].農業(yè)災害研究，2023，13（2）：55-57.

[2]朗杰次仁，紅梅，李惠，等.氣象災害對農業(yè)生產造成的影響及防御對策[J].農業(yè)災害研究，2022，12（4）：123-125.

[3]高雪.基于GIS技術的農業(yè)氣象災害監(jiān)測預警系統研究[J].農業(yè)技術與裝備，2021（11）：140-141.

[4]李思宇，李玥.基于KPCA-SSA-BP的農業(yè)氣象災害預測[J].江蘇農業(yè)學報，2023，39（6）：1366-1371.

[5]陳治杰.淺談農業(yè)氣象預警現狀及預警機制的完善措施——以“第八屆全國農業(yè)與氣象論壇”為例[J].核農學報，2023，37（11）：2315-2316.

[6]毛喜玲，殷淑燕，劉海紅.面向極端氣候事件的冀魯豫地區(qū)農業(yè)氣象災害分析[J].水土保持研究，2023，30（4）：327-337.

[7]封偉祎，朱俊科，彭文宇，等.無人機多光譜遙感在農作物生長監(jiān)測中的應用綜述[J].農業(yè)與技術，2023，43（21）：42-46.

[8]劉琰琰，李佳星，代逸冰，等.基于GIS的四川盆周北部山區(qū)夏玉米農業(yè)氣象災害風險評估——以旺蒼縣為例[J].應用生態(tài)學報，2022，33（9）：2457-2465.