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(xué)計(jì)算機(jī)與信息學(xué)院，福州350002；2.中國(guó)農(nóng)業(yè)科學(xué)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(xué)資源環(huán)境學(xué)院，長(zhǎng)沙410128；4.國(guó)家氣象衛(wèi)星中心，北京100081）

0 引言

農(nóng)業(yè)是一項(xiàng)基礎(chǔ)產(chǎn)業(yè)，它保障了群眾的基礎(chǔ)生活。然而隨著全球氣候的惡化，自然災(zāi)害的發(fā)生也愈加頻繁，不管是由臺(tái)風(fēng)引起的海嘯、洪澇災(zāi)害，還是由于氣候干旱引起的森林火災(zāi)、農(nóng)作物旱災(zāi)等都給人們的生活、生產(chǎn)帶來(lái)了嚴(yán)重的經(jīng)濟(jì)損失［1-2］。自然災(zāi)害嚴(yán)重威脅了農(nóng)作物生長(zhǎng)，致使農(nóng)作物受損嚴(yán)重，產(chǎn)量下降。因此對(duì)農(nóng)作物進(jìn)行災(zāi)后評(píng)估，有利于及時(shí)進(jìn)行救災(zāi)工作，減少損失［3-6］。

災(zāi)損評(píng)估指對(duì)受災(zāi)后的各種損失進(jìn)行評(píng)價(jià)與估計(jì)，為后續(xù)的災(zāi)后重建工作提供資料輔助。農(nóng)作物災(zāi)后損失評(píng)估是農(nóng)業(yè)遙感的重要部分，對(duì)災(zāi)后農(nóng)作物產(chǎn)量、受損程度定量與定性估算以及災(zāi)后政策制定、經(jīng)濟(jì)補(bǔ)助、災(zāi)害預(yù)防方面都具有重大意義。傳統(tǒng)農(nóng)業(yè)災(zāi)后損失評(píng)估手段效率低、費(fèi)用高，已不能滿足當(dāng)今社會(huì)需求。隨著數(shù)字農(nóng)業(yè)的興起，借助遙感監(jiān)測(cè)手段對(duì)其進(jìn)行實(shí)時(shí)監(jiān)測(cè)，及時(shí)反饋農(nóng)作物的生長(zhǎng)信息，已成為數(shù)字農(nóng)業(yè)中的一項(xiàng)關(guān)鍵技術(shù)［7-10］。

2016 年7 月初，我國(guó)大部分地區(qū)尤其是長(zhǎng)江中下游沿江區(qū)域及江淮、西南東部等地出現(xiàn)強(qiáng)降雨，給該區(qū)域帶來(lái)嚴(yán)重洪澇災(zāi)害，造成600 多萬(wàn)人受災(zāi)，農(nóng)作物受損面積達(dá)數(shù)百萬(wàn)公頃，帶來(lái)了巨大經(jīng)濟(jì)損失。荊州市和荊門(mén)市位于湖北省的中南部和中部，且長(zhǎng)江流經(jīng)荊州市部分地區(qū)，受此次洪澇災(zāi)害影響，荊州市和荊門(mén)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(mén)市部分區(qū)域?yàn)檠芯繀^(qū)，監(jiān)測(cè)該地區(qū)洪澇災(zāi)害后農(nóng)作物生長(zhǎng)狀態(tài)，統(tǒng)計(jì)研究區(qū)以水稻為主的農(nóng)作物減產(chǎn)量和受災(zāi)程度，為該地區(qū)農(nóng)作物災(zāi)損評(píng)估提供災(zāi)后工作的數(shù)據(jù)支持，以便進(jìn)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(mén)市分別位于湖北省的中南部和中部，地處長(zhǎng)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(shì)平坦，屬亞熱帶季風(fēng)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(zhǎng)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(jiàn)光的幾個(gè)波段［14-18］。Landsat-8 上攜帶有兩個(gè)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(gè)波段，空間分辨率 為30 m，其中包括一個(gè)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(méi)有出現(xiàn)大的變動(dòng)。2015 年該地區(qū)未受到自然災(zāi)害和人為災(zāi)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(zāi)害，所以選取2016 年7月30 日影像作為災(zāi)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(zāi)害影響，水稻無(wú)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(shí)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(zhǎng)周期基本相同，故選取2015 年7 月23 日的遙感影像作為災(zāi)前遙感影像數(shù)據(jù)。

首先對(duì)研究區(qū)影像進(jìn)行輻射定標(biāo)、大氣校正、幾何校正等預(yù)處理，然后利用面向?qū)ο蠓诸惙椒ǖ玫椒诸悎D，獲取受災(zāi)面積，再用分層抽樣方法對(duì)受災(zāi)面積進(jìn)行校正。最后利用分類圖的災(zāi)前災(zāi)后農(nóng)作物NDVI 差值，進(jìn)行受災(zāi)等級(jí)劃分，得到農(nóng)作物（以水稻為主）受災(zāi)程度［22-24］。主要實(shí)驗(yàn)數(shù)據(jù)見(jiàn)表1。

表1 主要實(shí)驗(yàn)數(shù)據(jù)Table 1 The main study data

2 研究方法

2.1 評(píng)估流程

主要流程步驟包括：（1）研究區(qū)數(shù)據(jù)預(yù)處理，（2）基于面向?qū)ο蟮倪b感影像分類，（3）受災(zāi)等級(jí)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▽?duì)研究區(qū)圖像進(jìn)行分類，然后用災(zāi)前災(zāi)后研究區(qū)分類圖求NDVI 值，再將兩幅圖的NDVI 圖進(jìn)行差值運(yùn)算，根據(jù)蔡毅等［25］提出的基于遙感抽樣對(duì)農(nóng)作物進(jìn)行災(zāi)損評(píng)估的方法對(duì)研究區(qū)農(nóng)作物進(jìn)行受災(zāi)程度等級(jí)劃分，統(tǒng)計(jì)各受災(zāi)等級(jí)的面積，得到農(nóng)作物受災(zāi)程度等級(jí)分布圖［11，13］。

利用災(zāi)后分類圖確定農(nóng)作物受災(zāi)范圍，統(tǒng)計(jì)農(nóng)作物的受災(zāi)面積，然后基于分層抽樣方法對(duì)農(nóng)作物受災(zāi)面積總量進(jìn)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(duì)于有相似的光譜反射率地物來(lái)說(shuō)可能會(huì)出現(xiàn)錯(cuò)分現(xiàn)象。而且此類分類方法基于同一個(gè)尺度因子層，所以不能很好地對(duì)影像信息進(jìn)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(gè)個(gè)像元構(gòu)成的對(duì)象。在分類時(shí)，除了考慮光譜信息，還會(huì)考慮相鄰像元之間的紋理信息、拓?fù)湫畔⒁约皟?nèi)部語(yǔ)義信息［26］。該文選取面向?qū)ο蠓诸惙椒ǎ瑢?duì)研究區(qū)影像進(jìn)行多尺度分割，得到多個(gè)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(duì)農(nóng)田進(jìn)行信息提取。

2.3 受災(zāi)程度劃分

對(duì)于受災(zāi)程度等級(jí)的劃分，雖然得不到真實(shí)的減少比率，但是根據(jù)災(zāi)前災(zāi)后遙感影像的NDVI 差值大小可以看出農(nóng)作物長(zhǎng)勢(shì)的變化情況，且差值越大，說(shuō)明受災(zāi)越嚴(yán)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(rèn)為差值大于0.5 為3 級(jí)受災(zāi)，進(jìn)一步得到實(shí)驗(yàn)區(qū)災(zāi)后分類圖。這個(gè)方法為災(zāi)后的救災(zāi)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(jī)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(jī)選取部分樣本進(jìn)行整體評(píng)估。該文需要調(diào)查的是農(nóng)作物受災(zāi)情況，需注意的是不能完全集中在洪澇災(zāi)害最嚴(yán)重的區(qū)域進(jìn)行調(diào)查，也不能選擇災(zāi)情輕微的地方進(jìn)行調(diào)查，缺乏全面性［28］。所以選擇分層抽樣方法進(jìn)行調(diào)研，既代表了研究區(qū)的整體受災(zāi)概況，也避免了全面調(diào)查。但需注意的是樣本應(yīng)均勻隨機(jī)選取，確保數(shù)據(jù)準(zhǔn)確性。

將受災(zāi)區(qū)根據(jù)NDVI 差值圖的變化程度分成7 個(gè)層次，3 級(jí)受災(zāi)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(zāi)比較嚴(yán)重。楊家灣由于低地勢(shì)以及不完善的農(nóng)田災(zāi)情預(yù)防措施，也造成大量農(nóng)作物被淹沒(méi)，甚至出現(xiàn)了絕收現(xiàn)象。2 級(jí)受災(zāi)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(mén)市由于地勢(shì)較高，所以農(nóng)作物受災(zāi)程度較輕。

3 結(jié)果與分析

3.1 分類精度評(píng)定與面積統(tǒng)計(jì)

該文選取混淆矩陣進(jìn)行精度評(píng)定，得到災(zāi)后影像分類的Kappa 系數(shù)為0.8495?；煜仃嚨腒appa 系數(shù)可以體現(xiàn)分類精度，精度越高說(shuō)明分類效果越好。

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

圖2 實(shí)驗(yàn)區(qū)災(zāi)后分類圖Fig.2 Post-disaster classification picture of the experimental area

3.2 受災(zāi)等級(jí)程度圖

將研究區(qū)農(nóng)作物災(zāi)前災(zāi)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(fù)說(shuō)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(shuō)明變化越小，受災(zāi)程度越小。但未受災(zāi)植被的NDVI 值也會(huì)有小范圍波動(dòng)，由蔡毅等［25，27］相關(guān)可知，在農(nóng)作物品種相對(duì)穩(wěn)定時(shí)，若NDVI 值波動(dòng)在0.1 之內(nèi)，可認(rèn)為植被的覆蓋類型未發(fā)生變動(dòng)，即未受災(zāi)。若NDVI 差值大于0.1，差值越大，受災(zāi)也就越嚴(yán)重。將災(zāi)前災(zāi)后農(nóng)作物NDVI 差值進(jìn)行閾值等級(jí)分割，根據(jù)NDVI 閾值評(píng)定農(nóng)作物受災(zāi)等級(jí)，得到實(shí)驗(yàn)區(qū)農(nóng)作物的受災(zāi)等級(jí)分布圖（圖3）。由受災(zāi)等級(jí)程度分布圖，統(tǒng)計(jì)出受災(zāi)等級(jí)的面積，如表2 所示。

圖3 受災(zāi)程度等級(jí)分布Fig.3 Disaster level distribution picture

表2 農(nóng)作物受災(zāi)等級(jí)程度面積統(tǒng)計(jì)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(jì)

該文分層目標(biāo)是通過(guò)隨機(jī)分層抽樣得到農(nóng)作物的受災(zāi)面積，所以分層采用災(zāi)后分類圖的農(nóng)作物受災(zāi)面積作為分層標(biāo)識(shí)較好［25］。

依據(jù)農(nóng)作物受災(zāi)程度不同，參考相關(guān)文獻(xiàn)進(jìn)行多次實(shí)驗(yàn)表明，將抽樣層次定為7 層較為合理。每一層統(tǒng)計(jì)樣本的面積情況如表3 所示。從抽樣樣本統(tǒng)計(jì)結(jié)果可以看出，受災(zāi)較嚴(yán)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(guān)于實(shí)驗(yàn)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(zāi)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(zāi)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(jì)算出各層受災(zāi)面積，公式為：各層受災(zāi)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(zāi)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(guò)面向?qū)ο蠓诸惙椒ê头謱映闃臃椒ǚ謩e對(duì)受災(zāi)面積的范圍與面積進(jìn)行真值模擬及抽樣面積統(tǒng)計(jì)?；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(jì)的受災(zāi)面積總量是407.101 km2。依據(jù)陳仲新等［29］、張錦水等［30］實(shí)踐表明，認(rèn)為將分層抽樣方法得出的農(nóng)作物受災(zāi)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(zāi)面積，得出受災(zāi)面積總量為567.218 km2。

3.3.3 面積總量校正精度

為驗(yàn)證分層抽樣方法面積校正的精度，該文采用了比率估計(jì)法來(lái)計(jì)算精度。比率估計(jì)用校正后面積總量與Landsat-8 分類圖面積模擬真值的比值來(lái)表示。經(jīng)計(jì)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(mén)市的部分受災(zāi)區(qū)域作為此次的研究區(qū)域。通過(guò)研究，得出的主要結(jié)論如下。

（1）利用分層抽樣方法對(duì)農(nóng)作物受災(zāi)面積總量進(jìn)行校正的實(shí)驗(yàn)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(dá)到90%。與僅利用面向?qū)ο蠓诸惙椒ǖ玫降氖転?zāi)面積總量精度而言，精度有了較大提高。所以可以將分層抽樣的方法應(yīng)用到農(nóng)作物的受災(zāi)面積評(píng)估。

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