農(nóng)作物遙感災(zāi)損評(píng)估研究進(jìn)展

陳 岳， 寇衛(wèi)利，李 瑩， 尹 雄， 張雨果，費(fèi)建國， 岳彩榮

(1.西南林業(yè)大學(xué)機(jī)械與交通學(xué)院，云南昆明 650224； 2.西南林業(yè)大學(xué)大數(shù)據(jù)與智能工程學(xué)院，云南昆明 650224；3.中國航天科工信息技術(shù)研究院，北京 100000； 4.西南林業(yè)大學(xué)林學(xué)院，云南昆明 650224)

農(nóng)業(yè)是提供支撐國民經(jīng)濟(jì)建設(shè)和發(fā)展的基礎(chǔ)產(chǎn)業(yè)，農(nóng)作物的生產(chǎn)與氣候變化和生物侵染緊密相關(guān)。但由于全球極端天氣和生物侵害頻發(fā)，氣象災(zāi)害(澇災(zāi)、旱災(zāi)、風(fēng)災(zāi)、凍災(zāi))和病蟲害(蟲害、病害、草害)嚴(yán)重威脅了作物的生長，致使作物減產(chǎn)、農(nóng)戶經(jīng)濟(jì)收入下降。對(duì)受災(zāi)的農(nóng)作物進(jìn)行災(zāi)損評(píng)估，不僅有利于準(zhǔn)確開展救災(zāi)工作，減少損失，還有利于對(duì)農(nóng)作物的災(zāi)害進(jìn)行預(yù)防。遙感技術(shù)具有數(shù)據(jù)量大、覆蓋面廣、獲取迅速等優(yōu)勢，能夠及時(shí)預(yù)測氣象信息、監(jiān)測農(nóng)作物長勢、判讀自然災(zāi)害發(fā)生等，是開展農(nóng)作物災(zāi)損評(píng)估的可靠手段。本文基于遙感技術(shù)從農(nóng)作物災(zāi)損評(píng)估數(shù)據(jù)源、農(nóng)作物受災(zāi)面積及其受損產(chǎn)量估算、農(nóng)作物長勢監(jiān)測、農(nóng)作物災(zāi)害風(fēng)險(xiǎn)評(píng)估等對(duì)農(nóng)作物災(zāi)損評(píng)估進(jìn)行梳理、總結(jié)，以期為有效利用遙感技術(shù)評(píng)估農(nóng)作物災(zāi)損提供參考。

1 農(nóng)作物災(zāi)損評(píng)估數(shù)據(jù)源

1.1 基于航天遙感平臺(tái)的農(nóng)作物災(zāi)損評(píng)估數(shù)據(jù)源

在農(nóng)作物災(zāi)損評(píng)估中，衛(wèi)星是航天遙感平臺(tái)的主要設(shè)備。美國的Terra和Aqua合成觀測可得到中分辨率MODIS影像數(shù)據(jù)。合成觀測的2顆衛(wèi)星1～2 d 可重復(fù)觀測整個(gè)地球表面，時(shí)間分辨率精度較好，但MODIS影像的空間分辨率精度較差，對(duì)作物監(jiān)測的最高精度為250 m，所以較適合進(jìn)行大尺度范圍的農(nóng)作物監(jiān)測，不太適合較小尺度范圍的精細(xì)監(jiān)測。目前在農(nóng)作物災(zāi)損評(píng)估中對(duì)農(nóng)作物進(jìn)行長勢評(píng)估，各國大多將MODIS數(shù)據(jù)作為主要的遙感數(shù)據(jù)源。國產(chǎn)的HJ-1A、HJ-1B衛(wèi)星上搭載了CCD相機(jī)、超光譜成像儀和紅外線攝像機(jī)。2顆衛(wèi)星上的CCD相機(jī)組網(wǎng)連接后重訪周期為2 d，時(shí)間分辨率精度較好，實(shí)際定位精度達(dá)到30 m，是高分辨率的影像數(shù)據(jù)源。目前，HJ-1A及HJ-1B衛(wèi)星多用于農(nóng)作物災(zāi)損評(píng)估中對(duì)受災(zāi)作物種植面積提取和產(chǎn)量估算。定位用于農(nóng)業(yè)減災(zāi)的國產(chǎn)高分六號(hào)衛(wèi)星于2019年投入進(jìn)行服役，且可以同之前發(fā)射的高分一號(hào)衛(wèi)星組成星座，合成觀測，其影像精度為2 m，這是國內(nèi)分辨率精度最高的農(nóng)業(yè)衛(wèi)星。其在軌測試期間就對(duì)安徽、河南等受災(zāi)地區(qū)進(jìn)行農(nóng)作物災(zāi)損評(píng)估，效果良好。

常用在農(nóng)作物災(zāi)損評(píng)估中的遙感數(shù)據(jù)還有多應(yīng)用在對(duì)受災(zāi)作物面積的識(shí)別的Landsat 8衛(wèi)星數(shù)據(jù)、多應(yīng)用在對(duì)受災(zāi)作物進(jìn)行長勢分析、產(chǎn)量估算的Sentinel 2A哨兵衛(wèi)星數(shù)據(jù)以及在氣象災(zāi)害評(píng)估中應(yīng)用到的氣象衛(wèi)星，如美國的NOAA系列衛(wèi)星及國產(chǎn)的風(fēng)云系列衛(wèi)星。目前主要用于農(nóng)作物災(zāi)損評(píng)估的衛(wèi)星遙感數(shù)據(jù)源逐漸向星座化和高分化發(fā)展。

1.2 基于航空遙感平臺(tái)的農(nóng)作物災(zāi)損評(píng)估數(shù)據(jù)源

在農(nóng)作物災(zāi)損評(píng)估中，無人機(jī)是當(dāng)前航空遙感平臺(tái)的主要設(shè)備。無人機(jī)可以根據(jù)需要，搭載高分相機(jī)、多光譜成像儀或高光譜成像儀等傳感器。無人機(jī)靈活、機(jī)動(dòng)，相比衛(wèi)星具有更高的時(shí)間分辨率，且搭載高光譜儀的無人機(jī)空間分辨率表現(xiàn)較好，在局部范圍內(nèi)的農(nóng)作物災(zāi)損評(píng)估中，已經(jīng)成為當(dāng)下應(yīng)用頻率較高的遙感數(shù)據(jù)源，如在2015年新疆維吾爾自治區(qū)哈密地區(qū)的紅山農(nóng)場發(fā)生了小麥倒伏災(zāi)害，中華聯(lián)合保險(xiǎn)集團(tuán)股份有限公司使用無人機(jī)查勘受災(zāi)狀況，歷時(shí)3 d就完成了查勘定損和給予投保農(nóng)戶賠付的全過程。

2 農(nóng)作物受災(zāi)面積估算

2.1 基于光譜特征的農(nóng)作物受災(zāi)面積估算模型

農(nóng)作物光譜特征通常是通過圖像的明亮來反映的，不同農(nóng)作物在相同波段的亮度不同，不同農(nóng)作物在不同波段反映的亮度規(guī)律也不同。因此，利用農(nóng)作物的光譜特征可以區(qū)分農(nóng)作物與其他地類和區(qū)分不同農(nóng)作物。光譜特征通常由光譜數(shù)據(jù)經(jīng)過基本運(yùn)算等線性或非線性組合得到不同植被指數(shù)，各植被指數(shù)靈敏度不同，識(shí)別農(nóng)作物的精度也不相同。

目視解譯法是技術(shù)人員憑借光譜規(guī)律、地學(xué)規(guī)律和解譯經(jīng)驗(yàn)直接觀察或借助判讀儀器依據(jù)遙感圖像的亮度、色調(diào)、位置、時(shí)間、紋理和結(jié)構(gòu)等特征獲取農(nóng)作物信息的過程。目視解譯法是傳統(tǒng)的遙感識(shí)別方法，主要應(yīng)用在早期農(nóng)作物遙感面積估算中，但圖像解譯對(duì)從業(yè)人員要求較高，需要具備專業(yè)的業(yè)務(wù)能力，且解譯全過程需要依靠人工進(jìn)行，耗時(shí)長，不能滿足對(duì)數(shù)據(jù)時(shí)效性的要求，近年來，多結(jié)合其他計(jì)算機(jī)自動(dòng)分類綜合方法進(jìn)行識(shí)別，可減少遙感影像中“同譜異物”和“同物異譜”現(xiàn)象，精度結(jié)果明顯得到了提高。監(jiān)督分類法是用已知類別的樣本像元識(shí)別其他未知類別像元的過程。當(dāng)農(nóng)作物光譜特征差異性較小時(shí)，監(jiān)督分類可充分利用已知類別像元，預(yù)先判斷進(jìn)行分類，并通過反復(fù)訓(xùn)練提高分類精度。在實(shí)際應(yīng)用過程中使用監(jiān)督分類法，對(duì)掌握在災(zāi)害發(fā)生前的農(nóng)作物情況具有良好的效果。非監(jiān)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(yù)，當(dāng)作物光譜特征差異較大時(shí)，非監(jiān)督分類可以快速自動(dòng)分類，且分類精度很高。在實(shí)際應(yīng)用過程中，農(nóng)作物在受災(zāi)前后光譜特征差異較大，需要快速識(shí)別，在該環(huán)節(jié)使用非監(jiān)督分類具有更好的效果。決策樹法是通過對(duì)訓(xùn)練樣本進(jìn)行歸納學(xué)習(xí)，形成決策規(guī)律，再利用決策規(guī)律對(duì)數(shù)據(jù)進(jìn)行分類的一種數(shù)學(xué)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(duì)受災(zāi)農(nóng)作物進(jìn)行估算時(shí)，存在部分地塊分散和種植結(jié)構(gòu)復(fù)雜的情況，決策樹法可有效解決這類農(nóng)作物地塊破碎導(dǎo)致提取精度下降的問題?；旌舷裨纸夥稍谝欢ǔ潭壬咸岣咦魑锓N植面積估算的精度，使遙感識(shí)別作物種植面積更接近于實(shí)際。混合像元分解法可以解決混合像元的存在對(duì)分類精度產(chǎn)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(shù)量比例所估算的“數(shù)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(jié)合應(yīng)用于農(nóng)作物遙感識(shí)別。面向?qū)ο蠓诸惙ㄊ且环N快速有效提取農(nóng)作物面積的方法，它突破了以往僅以光譜信息或植被指數(shù)為分類因素的局限，綜合考慮農(nóng)作物的光譜特征、統(tǒng)計(jì)特征、相鄰與拓?fù)潢P(guān)系等因素，將像元合并成具有相似特征同質(zhì)對(duì)象，在對(duì)象層面上提取屬性特征，建立模糊判別規(guī)則，進(jìn)而對(duì)同質(zhì)性對(duì)象進(jìn)行類別判別(表1、表2)。

表1 受災(zāi)農(nóng)作物分類和面積估算常用光譜指數(shù)及特征

2.2 基于物候特征的農(nóng)作物受災(zāi)面積估算模型

農(nóng)作物的生長周期呈現(xiàn)出季相節(jié)律，在物候的不同階段，農(nóng)作物的特征會(huì)發(fā)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(nóng)作物之間的物候信息存在差異，通過植被指數(shù)時(shí)間變化曲線，可利用植被指數(shù)的時(shí)相變化規(guī)律對(duì)農(nóng)作物進(jìn)行識(shí)別及面積估算。

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

2.3 基于紋理特征的農(nóng)作物受災(zāi)面積估算模型

農(nóng)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(duì)于區(qū)分光譜相近的農(nóng)作物效果明顯。紋理特征是細(xì)小物體在遙感影像上大量重復(fù)出現(xiàn)所形成的規(guī)律和特征，它是大量個(gè)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(nóng)作物分類應(yīng)用最廣泛的是灰度共生矩陣(GLCM)。

GLCM 的基本原理是計(jì)算局域范圍內(nèi)像元灰度級(jí)共同出現(xiàn)的頻率，不同空間關(guān)系和紋理會(huì)產(chǎn)生不同的共生矩陣，以此來區(qū)分不同的紋理和結(jié)構(gòu)性。常用的統(tǒng)計(jì)測度有平均值、方差、熵、角二矩陣、同質(zhì)性、對(duì)比、不相似性、相關(guān)性等(表2)。

表2 受災(zāi)農(nóng)作物分類和面積估算模型

3 農(nóng)作物長勢監(jiān)測

大面積作物長勢遙感監(jiān)測模型是利用衛(wèi)星遙感數(shù)據(jù)對(duì)地面植被光譜信息和實(shí)際情況進(jìn)行分析得出的，它是一種對(duì)作物長勢空間分布變化的宏觀監(jiān)測模型。根據(jù)功能不同，劃分為逐年比較模型和等級(jí)模型2種。

3.1 逐年比較模型

(1)

3.2 等級(jí)模型

逐年比較模型不能對(duì)作物長勢劃分等級(jí)，建立等級(jí)模型就可以解決這個(gè)問題。依據(jù)計(jì)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(shí)，那么距離模型就不能獲得較好的等級(jí)區(qū)分結(jié)果。利用NDVI極值建立等級(jí)模型，則能夠解決其區(qū)分等級(jí)結(jié)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(dāng)年同期同一像元取值。

逐年比較模型和等級(jí)模型在具體應(yīng)用中的數(shù)據(jù)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(shù)據(jù)作為基礎(chǔ)，但是由于遙感在農(nóng)作物災(zāi)損評(píng)估中的應(yīng)用發(fā)展時(shí)間有限，無法收集到距離時(shí)間較遠(yuǎn)的數(shù)據(jù)。馮美臣等分別對(duì)監(jiān)測區(qū)內(nèi)的冬小麥和棉花進(jìn)行等級(jí)劃分，取得了較好的應(yīng)用結(jié)果。等級(jí)模型能直觀、定量地表現(xiàn)作物的長勢情況，對(duì)農(nóng)作物災(zāi)損評(píng)估能提供有效幫助。

4 農(nóng)作物受損產(chǎn)量估算

農(nóng)作物產(chǎn)量估算模型的構(gòu)建是為了在災(zāi)害發(fā)生后對(duì)農(nóng)作物產(chǎn)量損失給予估計(jì)定量，以及于農(nóng)作物生長初期，對(duì)農(nóng)作物進(jìn)行監(jiān)測并預(yù)估當(dāng)年產(chǎn)量。從遙感應(yīng)用的角度，將模型分為遙感波段經(jīng)驗(yàn)統(tǒng)計(jì)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(jīng)驗(yàn)統(tǒng)計(jì)模型主要利用遙感單一波段或多波段構(gòu)建經(jīng)驗(yàn)統(tǒng)計(jì)模型估算產(chǎn)量，其主要實(shí)現(xiàn)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(tǒng)計(jì)模型；另一種是利用優(yōu)先建立起來的植被指數(shù)建立估產(chǎn)模型。目前較流行的用于計(jì)算作物產(chǎn)量的植被指數(shù)主要有NDVI、垂直植被指數(shù)(PVI)、比值植被指數(shù)(RVI)、差值環(huán)境植被指數(shù)(DVI)、植被狀態(tài)指數(shù)(VCI)、溫度狀態(tài)指數(shù)(TCI)、增強(qiáng)型植被指數(shù)(EVI)、綠度植被指數(shù)(GVI)、土壤調(diào)節(jié)植被指數(shù)(SAVI)、紅邊三角植被指數(shù)(RTVI)等。遙感波段經(jīng)驗(yàn)統(tǒng)計(jì)模型的優(yōu)勢在于可以體現(xiàn)遙感時(shí)間分辨率、空間分辨率。在未來的發(fā)展中，在探究單波段估產(chǎn)、多波段估產(chǎn)、多波段運(yùn)算估產(chǎn)中，發(fā)揮其簡單、快速的特點(diǎn)，具有很強(qiáng)的發(fā)展前景。

農(nóng)作物產(chǎn)量主要是通過光合作用對(duì)光能利用的結(jié)果，而作為光合作用物質(zhì)來源產(chǎn)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(duì)干物質(zhì)的積累過程進(jìn)行模型構(gòu)建，以反映農(nóng)作物的產(chǎn)量。光能利用率模型(LUE model)在當(dāng)前應(yīng)用非常廣泛，植被第一凈生產(chǎn)力(NPP)估算是光能利用率的集中體現(xiàn)，其公式為

--=××-。

(4)

式中：GPP表示總初級(jí)生產(chǎn)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(nèi)基-埃姆斯-斯坦福方法(CASA)、渦流協(xié)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(diǎn)就是對(duì)遙感數(shù)據(jù)的充分利用，利用遙感反演得到的葉面積指數(shù)(LAI)、NDVI等指數(shù)數(shù)據(jù)，直接參與到模型中各參數(shù)的計(jì)算，在光能利用率模型中遙感數(shù)據(jù)得到大量應(yīng)用，進(jìn)而形成遙感光能利用模型。

遙感作物模型根據(jù)土壤條件、氣象條件、種植條件等因素條件對(duì)農(nóng)作物的生長過程進(jìn)行模擬，從而得到農(nóng)作物預(yù)估模擬產(chǎn)量，以此來對(duì)農(nóng)作物的產(chǎn)量進(jìn)行估算。所以根據(jù)不同農(nóng)作物生長環(huán)境影響因素的差異，可構(gòu)建不同且更加適合的模型，以模擬不同災(zāi)害條件(澇災(zāi)、旱災(zāi)、風(fēng)災(zāi)、凍災(zāi)、蟲災(zāi)、病災(zāi)、草災(zāi)等)下農(nóng)作物的產(chǎn)量。土壤條件中當(dāng)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(dāng)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(qiáng)的機(jī)理性特點(diǎn)，對(duì)于不同農(nóng)作物種類可以進(jìn)行精準(zhǔn)預(yù)測。隨著遙感技術(shù)、作物模型的不斷完善成熟，遙感數(shù)據(jù)將會(huì)在作物模型中發(fā)揮更大的作用。

遙感耦合模型是將多種不同類型的模型結(jié)合起來，利用模型彼此的優(yōu)點(diǎn)增強(qiáng)耦合模型的穩(wěn)定性，提高估產(chǎn)精度，降低運(yùn)行成本。在災(zāi)損估產(chǎn)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(jìn)行估產(chǎn)，在區(qū)域地塊尺度上具有較高精度。

5 農(nóng)作物災(zāi)害風(fēng)險(xiǎn)評(píng)估

由于對(duì)農(nóng)作物受到災(zāi)害風(fēng)險(xiǎn)形成機(jī)理的理解不同，科研人員隨著認(rèn)知的不斷完善建立了各種各樣的災(zāi)害風(fēng)險(xiǎn)評(píng)估體系(表3)。

表3 農(nóng)作物災(zāi)害風(fēng)險(xiǎn)評(píng)估模型進(jìn)展

農(nóng)作物災(zāi)害風(fēng)險(xiǎn)評(píng)估模型是對(duì)農(nóng)作物在災(zāi)害中受損情況進(jìn)行分析評(píng)估。根據(jù)要素以及前人的研究成果，將農(nóng)作物災(zāi)害風(fēng)險(xiǎn)評(píng)估模型概括為孕災(zāi)環(huán)境敏感性、致災(zāi)因子危險(xiǎn)性、承災(zāi)體脆弱性以及抗災(zāi)減災(zāi)能力。

孕災(zāi)環(huán)境敏感性是承災(zāi)體所處的外部環(huán)境，目前在風(fēng)險(xiǎn)評(píng)估研究中孕災(zāi)環(huán)境基本都是考慮自然環(huán)境，而考慮社會(huì)環(huán)境的相對(duì)較少。將孕災(zāi)環(huán)境敏感性模型定義為

(5)

式中：表示孕災(zāi)環(huán)境敏感性指數(shù)；的5個(gè)指標(biāo)分別是經(jīng)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(quán)重。

致災(zāi)因子危險(xiǎn)性一般由災(zāi)害的強(qiáng)度和頻率決定，強(qiáng)度越大，頻次越高，致災(zāi)因子所造成的損失越嚴(yán)重。將致災(zāi)因子危險(xiǎn)性模型定義為

=+=。

(6)

式中：表示致災(zāi)因子危險(xiǎn)指數(shù)；表示氣象災(zāi)害發(fā)生頻率權(quán)重；表示氣象災(zāi)害發(fā)生頻率；表示氣象災(zāi)害發(fā)生的強(qiáng)度權(quán)重；表示氣象災(zāi)害發(fā)生強(qiáng)度；表示氣象災(zāi)害持續(xù)時(shí)間權(quán)重；表示氣象災(zāi)害持續(xù)時(shí)間。

承災(zāi)體脆弱性反映區(qū)域?qū)?zāi)害損失的敏感程度，一般承災(zāi)體脆弱性越弱，災(zāi)害損失越小。承災(zāi)體脆弱性的強(qiáng)度，既與其物質(zhì)的成分結(jié)構(gòu)有關(guān)，也與防災(zāi)力度有關(guān)。將承災(zāi)體的脆弱性模型定義為

=++。

(7)

式中：表示承災(zāi)體脆弱性指數(shù)；表示作物面積權(quán)重；表示作物面積；表示作物產(chǎn)量權(quán)重；表示作物產(chǎn)量；表示人口密度權(quán)重；表示人口密度。

抗災(zāi)減災(zāi)能力是指受災(zāi)地區(qū)在一定時(shí)期內(nèi)能夠從災(zāi)害中恢復(fù)的程度，包括減災(zāi)投入資源準(zhǔn)備等防災(zāi)減災(zāi)能力與災(zāi)害風(fēng)險(xiǎn)損失度緊密相關(guān)。將抗災(zāi)減災(zāi)能力模型定義為

=+。

(8)

式中：表示抗災(zāi)減災(zāi)能力指數(shù)；表示農(nóng)業(yè)機(jī)械生產(chǎn)總動(dòng)力權(quán)重；表示農(nóng)業(yè)機(jī)械生產(chǎn)總動(dòng)力；表示農(nóng)民人均純收入權(quán)重；表示農(nóng)民人均收入。

綜合3個(gè)災(zāi)害的風(fēng)險(xiǎn)要素，構(gòu)建綜合農(nóng)作物災(zāi)害風(fēng)險(xiǎn)指數(shù)

=+++。

(9)

式中：表示作物災(zāi)害風(fēng)險(xiǎn)指數(shù)；表示致災(zāi)因子危險(xiǎn)性；表示致災(zāi)因子危險(xiǎn)性權(quán)重；表示成災(zāi)體脆弱性；表示成災(zāi)體脆弱性權(quán)重；表示抗災(zāi)減災(zāi)能力；表示抗災(zāi)減災(zāi)能力權(quán)重。

孕災(zāi)環(huán)境敏感性模型、致災(zāi)因子危險(xiǎn)性模型、承災(zāi)體脆弱性模型、抗災(zāi)減災(zāi)能力模型以及災(zāi)害風(fēng)險(xiǎn)模型所對(duì)應(yīng)的權(quán)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(jìn)行農(nóng)作物遙感災(zāi)損評(píng)估中存在樣本數(shù)據(jù)不全的情況，多使用層次分析法得出的權(quán)重結(jié)果更好。

6 農(nóng)作物遙感災(zāi)損評(píng)估研究展望

6.1 構(gòu)建多源多尺度長時(shí)間序列農(nóng)作物災(zāi)損評(píng)估遙感數(shù)據(jù)集

農(nóng)作物遙感災(zāi)損評(píng)估使用的數(shù)據(jù)除了遙感數(shù)據(jù)外，還需要有氣象等輔助數(shù)據(jù)，它們是確保農(nóng)作物災(zāi)損評(píng)估遙感技術(shù)有效應(yīng)用的基礎(chǔ)和前提。首先，當(dāng)前農(nóng)作物災(zāi)損評(píng)估存在受災(zāi)地塊數(shù)據(jù)信息大量缺失的情況，影響農(nóng)作物災(zāi)損評(píng)估遙感技術(shù)應(yīng)用的精度；其次，研究區(qū)災(zāi)害風(fēng)險(xiǎn)評(píng)估尺度存在多樣性，需要多尺度農(nóng)作物災(zāi)損評(píng)估遙感數(shù)據(jù)集的建立；再次，在遙感數(shù)據(jù)的獲取與分析方面，當(dāng)前主要是通過數(shù)據(jù)傳輸?shù)降孛嬖龠M(jìn)行分析，實(shí)時(shí)性較低。研究基于大數(shù)據(jù)和人工智能的農(nóng)作物災(zāi)損評(píng)估實(shí)時(shí)數(shù)據(jù)獲取與處理平臺(tái)非常關(guān)鍵，這將大幅度提升傳統(tǒng)遙感數(shù)據(jù)處理分析的效率；最后，構(gòu)建氣象、氣候、地形等輔助大數(shù)據(jù)是提高種植業(yè)農(nóng)險(xiǎn)遙感應(yīng)用的重要基礎(chǔ)。

6.2 發(fā)展多因子協(xié)同的農(nóng)作物災(zāi)損評(píng)估遙感綜合模型

當(dāng)前農(nóng)作物遙感災(zāi)損評(píng)估模型主要以單因素或簡單復(fù)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(jiān)測中，NDVI是常用的作物長勢監(jiān)測指標(biāo)，但Potdar發(fā)現(xiàn)NDVI在不同植被覆蓋率下靈敏度會(huì)發(fā)生變化，當(dāng)植被覆蓋率為25%～80%時(shí)，NDVI的靈敏度較高，這時(shí)作物長勢監(jiān)測結(jié)果精度較好；但當(dāng)植被覆蓋率大于80%時(shí)，NDVI的靈敏度會(huì)下降，這時(shí)作物長勢監(jiān)測結(jié)果精度會(huì)隨NDVI的靈敏度下降而降低?？梢?，作物長勢監(jiān)測結(jié)果會(huì)隨NDVI靈敏度的改變而改變，出現(xiàn)監(jiān)測結(jié)果精度不穩(wěn)定。

同時(shí)，作物受災(zāi)的致災(zāi)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(guān)。在今后的災(zāi)害風(fēng)險(xiǎn)評(píng)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(jìn)行多因素協(xié)同監(jiān)測模型的研究。并對(duì)災(zāi)害類型進(jìn)行區(qū)分，將一些指數(shù)指標(biāo)引入災(zāi)害風(fēng)險(xiǎn)評(píng)估模型，增加該類模型的普適性。Chen等發(fā)現(xiàn)一種日光誘導(dǎo)葉綠素?zé)晒獗?NDVI 在干旱氣候下指數(shù)靈敏度更敏感。因此，找到一種更好的監(jiān)測指標(biāo)或是將多種監(jiān)測指標(biāo)綜合應(yīng)用以提高不同環(huán)境下種植業(yè)農(nóng)險(xiǎn)監(jiān)測精度，是未來研究的一個(gè)思路。

6.3 研究智能化農(nóng)作物災(zāi)損評(píng)估遙感算法和技術(shù)

隨著信息技術(shù)的不斷發(fā)展，在農(nóng)作物遙感災(zāi)損評(píng)估中，受災(zāi)農(nóng)作物識(shí)別及面積估算開始采用計(jì)算機(jī)自動(dòng)計(jì)算完成。但當(dāng)前的方法需要大量的特征標(biāo)簽數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，這些標(biāo)簽數(shù)據(jù)的獲取需要大量的人力、財(cái)力和時(shí)間成本投入。且標(biāo)簽數(shù)據(jù)的準(zhǔn)確性對(duì)農(nóng)作物受災(zāi)面積、產(chǎn)量等的估算精度會(huì)造成一定的不穩(wěn)定性。由于作物在不同生長時(shí)期遙感圖像的光譜、紋理等特征都不一致，在進(jìn)行多尺度分割時(shí)，無法固化分割參數(shù)，需要人為進(jìn)行試驗(yàn)比對(duì)結(jié)合自身經(jīng)驗(yàn)，優(yōu)化具體分割參數(shù)，具有自適應(yīng)作物地塊遙感圖像分割參數(shù)的自動(dòng)分割算法還有待研究。當(dāng)前，大數(shù)據(jù)與人工智能技術(shù)廣泛應(yīng)用于遙感領(lǐng)域，基于大數(shù)據(jù)和人工智能的先進(jìn)算法和模型具有強(qiáng)大的智能化和泛化性，將能夠優(yōu)化農(nóng)作物遙感災(zāi)損評(píng)估的精度與效率。

7 總結(jié)

加強(qiáng)農(nóng)作物災(zāi)損遙感評(píng)估研究應(yīng)用是農(nóng)業(yè)科學(xué)發(fā)展的必然趨勢，當(dāng)前的研究應(yīng)用呈現(xiàn)多元化，將不同原理、不同類型的技術(shù)方法、模型耦合進(jìn)行研究并得到實(shí)施。梳理農(nóng)作物災(zāi)損遙感評(píng)估的數(shù)據(jù)源，可得出農(nóng)作物遙感災(zāi)損評(píng)估的發(fā)展重點(diǎn)逐漸向星座化和高分化發(fā)展，機(jī)動(dòng)性強(qiáng)的高光譜無人機(jī)遙感影像已經(jīng)成為當(dāng)前應(yīng)用最廣泛的農(nóng)業(yè)監(jiān)測設(shè)備之一。農(nóng)作物遙感災(zāi)損評(píng)估模型主要有農(nóng)作物受災(zāi)面積估算模型、農(nóng)作物長勢監(jiān)測模型、農(nóng)作物受損產(chǎn)量估算模型、農(nóng)作物災(zāi)害風(fēng)險(xiǎn)評(píng)估模型?，F(xiàn)階段，我國在農(nóng)作物遙感災(zāi)損評(píng)估中的應(yīng)用仍然不能滿足對(duì)農(nóng)作物災(zāi)損評(píng)估的需求，存在精度不穩(wěn)定、效率低的問題。未來農(nóng)作物遙感災(zāi)損評(píng)估研究的發(fā)展方向主要是將自適應(yīng)農(nóng)作物地塊優(yōu)化自動(dòng)分類、考慮多因素協(xié)同監(jiān)測模型的構(gòu)建、尋找優(yōu)質(zhì)的監(jiān)測指標(biāo)以及將人工智能更深入地應(yīng)用于農(nóng)作物遙感災(zāi)損評(píng)估中，并基于此凝練出構(gòu)建多源多尺度長時(shí)間序列農(nóng)作物遙感災(zāi)損評(píng)估數(shù)據(jù)集、發(fā)展多因子協(xié)同的農(nóng)作物遙感災(zāi)損評(píng)估綜合模型、研究智能化農(nóng)作物遙感災(zāi)損評(píng)估算法和技術(shù)3個(gè)重點(diǎn)方面。遙感技術(shù)在農(nóng)作物災(zāi)損評(píng)估中應(yīng)用方法多，沒有固定的思維模式。農(nóng)作物遙感災(zāi)損評(píng)估的研究仍需進(jìn)一步探究。