CN104881727A - 一种基于遥感抽样的农作物灾情损失评估方法 - Google Patents
一种基于遥感抽样的农作物灾情损失评估方法 Download PDFInfo
- Publication number
- CN104881727A CN104881727A CN201510014785.2A CN201510014785A CN104881727A CN 104881727 A CN104881727 A CN 104881727A CN 201510014785 A CN201510014785 A CN 201510014785A CN 104881727 A CN104881727 A CN 104881727A
- Authority
- CN
- China
- Prior art keywords
- disaster
- sampling
- area
- sample
- stricken
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于遥感抽样的农作物灾情损失评估方法,包括如下步骤:(1)获取遥感数据和预处理;(2)遥感抽样方案设计;(3)抽样样方灾情调查;(4)受灾作物总面积、各等级受灾作物面积估算及精度分析和评价。该发明一种基于遥感抽样的农作物灾情损失评估方法,对于灾情损失评估的调查成本低效率高,可以为不同灾种、不同地区间的灾情程度的比较提供依据。
Description
技术领域
本发明涉及一种以灾前灾后现势遥感影像为基础建立入样总体和抽样框,设计分层系统抽样辅助变量来实现农作物灾情评估的高效的抽样方法,具体为一种基于遥感抽样的农作物灾情损失评估方法。
背景技术
我国是一个农业大国,农业是我国国民经济的基础,事关国家安全和社会安定。我国的自然灾害尤其是农业灾害发生频繁且灾情严重,农业保险作为农业风险管理和国家农业支持保护体系的重要手段,对提高农业抗风险能力、促进农业产业化、保障粮食生产安全具有重要意义。
作物灾损评估是当前自然灾害研究的一个重要课题,也是农业保险理赔的主要依据。传统查勘定损的方法,受查勘环境恶劣的影响,工作难度大、成本高、效率低、报损情况的准确性难以核实。近年来,卫星导航、通讯与遥感技术迅猛发展,卫星产业不断壮大,利用空间信息技术进行自然灾害综合风险分析与费率厘定、农作物面积准确估算与精确承保、农业灾害监测/预警/危险性评价与保险防灾防损、农业灾情快速与准确评估与保险理赔已经逐渐纳入卫星技术业务应用的领域。利用卫星技术科学客观地对农作物灾害损失进行估计,不仅可以为地方政府抗灾减灾投入和种植效益分析提供数据支持、也可以为保险公司节约理赔成本,提高查勘定损精度,提升农业保险的业务。
种植业保险中,尽管面临的灾种和被保险的作物不同,但查勘定损的主要内容是损失面积和损失程度的调查。将遥感技术融入查勘定损的过程就是要通过遥感技术帮助实现受灾范围,受灾面积和受灾程度的快速精确评估。以遥感数据为主要数据源的作物受灾面积测量方法是像元统计方法(Pixel Counting)。该方法利用遥感分类结果中受灾作物像元的数量和遥感数据的空间分辨率求取受灾作物的面积。这种方法简便易行,但对遥感分类精度的依赖性很强,分类精度的高低会直接影响遥感面积测量结果的准确性。通常,类型交界处往往存在大量混合像元,无论遥感影像的空间分辨率如何提高,混合像元的问题始终无法避免,而且“异物同谱”“同物异谱”现象普遍存在,大范围或复杂景观下的遥感分类精度难以达到90%以上。另外,随着遥感技术的发展,遥感数据日渐丰富,其各自的空间分辨率、光谱分辨率、辐射分辨率并不相同,依托于遥感分类结果的面积测量方法会受到尺度效应的影响,这为大范围的面积测量带来了困难。因此,像元统计的方法难以满足受灾作物面积测量的精度要求。
遥感影像虽然难以直接给出准确的面积测量结果,但提供了大范围的受灾作物的概要信息;传统地面调查所得的样本数据是受灾范围的真实反映,但由于成本高、周期长而难以大量获取。因此,将覆盖范围广但精度欠佳的遥感数据与覆盖范围有限但精准的地面样本数据相结合,不失为一种行之有效的手段。目前国际上已经发展出了一些遥感数据分类结果和抽样设计相结合的精确面积估计方法,主要包括两大类:(1)基于概率的估计方法(Probability-based Approaches)、(2)基于模型的估计方法(Model-based Approaches)。基于概率的估计方法,也称为基于设计的估计方法(Design-based Approaches),是以概率统计理论为基础,利用与目标变量高度相关的先验信息进行抽样设计,通过对抽取的样本进行调查及目标变量的总体特征估计,得到总体特征的估计值及估计精度。常用的基于概率的估计方法包括:简单随机抽样、系统抽样、整群抽样、分层抽样和基于混淆矩阵的方法。基于模型的估计方法,是将总体的先验信息充分应用在估算过程中的一类方法。区别于基于概率的估计方法,这类方法不仅在设计过程中会应用有关的先验信息,在估计过程中还会将样本调查结果和总体的先验信息进行综合分析,建立相关的估算模型,进行估算。
遥感数据分类结果和抽样设计相结合的精确面积估计方法已经在农作物面积调查和森林面积调查中得到了广泛应用,但是目前尚未应用于有关受灾面积的调查中。
受灾程度指的是因灾减产或者绝收的程度。根据农作物减产的程度通常可以将农作物受灾程度分为三个等级:1级为轻度受灾农作物,减产比率为10%-30%;2级为重度受灾农作物,减产比率为30%-80%;3级为特重度受灾农作物,减产比率大于80%。在利用遥感数据进行作物受灾程度的调查中,目前最常用的手段是根据遥感反演的能够反映作物产量或长势信息的参数在灾前和灾后的变化程度来指示受灾的程度。其中用到最多的参数是归一化植被指数NDVI。NDVI是近红外波段的反射值与红光波段的反射值之差比上两者之和,它能较好地反映绿色植物生长状况和分布,可以宏观地反映地面绿色植物的生物量和覆盖度等植被定量特征。
以往研究往往只是注重了NDVI灾前灾后变化程度自身的大小,并根据NDVI灾前灾后变化程度自身的大小来划分灾害级别,没有和实际的农作物减产的程度联系起来,这种做法对于了解受灾的相对严重程度有一定的帮助,但是在不同研究区、针对不同的作物之间很难进行一致性的比较。因此,有必要建立一套标准流程,通过该流程可以建立起遥感反演的参数的变化与作物实际产量变化间的关系表达式,进而实现受灾程度的等级化分,不同地区建立的关系表达式可能不一样,但最终都对应于农作物减产程度的三个等级,从而可以实现不同地区、不同灾种、不同作物间受灾程度的一致性比较。
发明内容
本发明同时考虑受灾程度与受灾面积,把遥感辅助空间抽样的估算方法应用到受灾面积评估中来,以灾前灾后现势遥感影像为基础建立入样总体和抽样框,设计分层系统抽样辅助变量来进行农作物灾情评估,以期提高作物受灾面积的调查精度与效率。
为实现上述目的本发明采用如下技术方案:一种基于遥感抽样的农作物灾情损失评估方法,包括如下步骤:
(1)获取遥感数据和预处理;
分析灾区作物种植结构包括主要作物品种、种植规模、地块破碎程度,主要作物的物候历特征,以及同期光谱易混淆的其它作物的物候历特征,综合考虑灾情发生的时间,选取最佳监测时间段内符合研究区调查所需分辨率的遥感数据,并对其进行预处理工作。
(2)遥感抽样方案设计;
包括入样总体的确定与抽样框的制作、样本总量计算与各层样本量分配、样本抽选;
(3)抽样样方灾情调查;
对抽样出的样本单元内的受灾作物的面积和受灾作物等灾情等级进行调查;
(4)受灾作物总面积、各等级受灾作物面积估算及精度分析和评价;
采用分别回归估计和分别比估计的方法对受灾作物面积总量进行估计,统计得到总量和精度。
作为本发明进一步的方案,所述步骤(1)的预处理工作包括辐射校正、几何纠正和配准。
作为本发明进一步的方案,所述步骤(2)入样总体的确定与抽样框的制作,包括利用灾前灾后遥感影像,通过遥感分类技术进行受灾目标作物分布范围提取,以此作为入样总体;在入样总体上制作规则正方形格网覆盖所有入样总体,格网大小由遥感影像分辨率和实际调查能力决定,以此正方形格网作为抽样单元。
作为本发明进一步的方案,所述步骤(2)样本总量计算及各层样本量分配,包括利用戴伦纽斯(Dalenius)与霍捷斯(Hodges)提出的累计平方根法来确定分层界限,其具体做法是利用分层变量分布的累计平方等分来获取最优分层。
作为本发明进一步的方案,所述步骤(2)样本抽选,包括得到每层抽样的样本数后,再独立地在各层内进行系统抽样,通过分层系统抽样得到目标作物受灾面积,采用面积规模作为分层抽样的分层标识,分层抽样层数设为6;层内采用系统抽样,系统抽样中各抽样单元按照抽样单元内灾前灾后归一化差值植被指数差值的平均值进行排序,抽选出最终的样本。
作为本发明进一步的方案,所述的样本总量计算公式如下:
其中N代表抽样单元总量,L为层数,Wh为每层权重,d为绝对误差,zα/2表示标准正态分布的右α/2分位数,代表每层方差。
作为本发明进一步的方案,所述归一化差值植被指数计算公式如下所示:
NDVI=(Bnir-Bred)/(Bnir+Bred)
其中,NDVI为归一化植被指数Bred和Bnir分别为遥感图像红波波段和近红外波段的反射率。
作为本发明进一步的方案,所述的系统抽样的步骤主要包括:
计算抽样间隔k=N/n;对所有抽样单元按某种顺序排列并编号;从1~k编号中随机抽取一个编号r;等间隔抽取n个样本。
作为本发明进一步的方案,所述步骤(3)的灾情等级分为三个等级:1级为轻度受灾农作物,减产比率为10%-30%,2级为重度受灾农作物,减产比率为30%-80%,3级为特重度受灾农作物,减产比率大于80%。
作为本发明进一步的方案,所述步骤(4)分别回归估计公式如下:
其中回归估计面积反推总量,为回归估计量受灾面积均值,为各层野外样本玉米面积均值,为各层玉米总分类面积均值,为各层玉米样本分类面积均值,βh为各层回归系数,Wh为各层权重,L为层数,N为入样总量。
作为本发明进一步的方案,所述步骤(4)分别比估计公式如下:
其中为比率估计面积反推总量,为比率估计量受灾面积均值,为各层野外样本玉米受灾面积均值,为各层玉米总分类面积均值,为各层玉米样本分类面积均值,Wh代表各层权重,L代表层数,N为入样总量。
作为本发明进一步的方案,所述步骤(4)各等级受灾作物面积估算,具体计算公式如下:
i为受灾等级,i=1…n,n=3,分别对应轻度受灾、重度受灾和绝收,m为分层抽样层数、且m=6,j表示第j层,Sj为抽样反推得到的第j层的受灾作物总面积。rij为受灾等级为i的作物面积占第j层的作物总面积的比例,Ai为受灾等级为i的受灾作物面积,A为抽样反推得到的受灾作物总面积。
与现有技术相比,本发明的优点:该发明一种基于遥感抽样的农作物灾情损失评估方法,对于灾情损失评估的调查成本低效率高,可以为不同灾种、不同地区间的灾情程度的比较提供依据。
附图说明
图1是根据本发明实施例的一种基于遥感抽样的农作物灾情损失评估方法的流程图;
图2为试验区的地理位置图;
图3为试验区的玉米受灾情况调查图;
具体实施方式
下面结合附图和具体实施例对本发明作进一步阐述。
本发明的研究区为河南省许昌市,河南省位于中原腹地,处于暖温带和亚热带气候交错的边缘地区,季风气候明显,旱涝、沙尘暴、冰雹以及霜冻等多种自然灾害频繁发。2014年7月-8月河南省发生严重旱情,通过对河南省许昌市2014年8月NDVI距平指数和2014年8月20日与2014年7月26日的NDVI差值综合分析,选取许昌市襄城县大赵庄和北孙庄为研究区。研究区的选取主要考虑了以下两个原因:第一,为尽可能保证实证研究的验证精度,本文欲对农作物的受灾情况进行普查,考虑工作量和可行性,故选择村级尺度作为研究区域;第二,该区两个村庄的农作物生长状况受此次旱灾的影响较为适中,既存在极严重的受灾地块,也有受灾轻微的地块,满足本次研究的需求。研究区数据及地理位置如图2所示。
本发明所使用的数据包括县乡镇行政区划、Google影像、一景高分一号8米影像(时间为2014年8月20日),和两景高分一号16米影像(具体时间为2014年7月26日和2014年8月20日)。Google影像与高分一号8米影像作为耕地地块矢量化的基础数据;两期高分一号16米影像作为受灾面积与等级预评估数据。
本发明主要流程包括:获取遥感数据和预处理,遥感抽样方案设计,抽样样方灾情调查,受灾作物总面积、各等级受灾作物面积估算及精度分析和评价。流程如图1所示。
数据预处理主要包括遥感图像的几何精校正、辐射校正,并将投影转换为Albers Conical Equal Area,WGS-84。利用ArcGIS进行耕地地块的数字化。
本研究采用分层系统抽样的方式进行外业样本的抽选。具体步骤包括:1)对分辨率为16米的高分一号影像进行ISODATA非监督分类,得到玉米种植范围图;2)将整个玉米种植范围作为入样总体,并对其进行格网化,格网大小设置为3×3(48米×48米),以每个格网作为抽样单元;3)以格网中玉米分类的面积为分层抽样标识进行分层抽样。设置层数为6,置信度为95%,绝对误差为5%,根据确定的样本量分配公式计算得抽样样本量为266个。利用戴伦纽斯-霍捷斯法(Dalenius-Hodges)确定分层界限。各层像元总数,各层样本数、层权如表3所示;4)在每层内按照格网内玉米所对应像元NDVI差值的均值进行系统排序,在层内按照计算出的各层的样本量进行系统抽样,抽选出最终的样本。
表1分层统计表
为了更加准确的验证本发明提出的方法的灾情评估精度,本研究采取全面普查的方法,对研究区玉米面积与产量进行了调查,利用GPS对玉米种植面积进行调查;采用垄测法对玉米单产进行调查,采样、脱粒、烘干、称重,最终得到每块耕地单产。减产率可以通过对比往年平均单产值或当年未受灾地块单产值得到,本次研究调查了临近河流且土质较好的地块单产为1203斤/亩,参考往年数据,判定该地块为未受灾区域。按减产比率为10%-30%定义为轻度受灾,减产比率为30%-80%定义为重度受灾,减产比率大于80%定义为特重度受灾(绝收)的原则,以该未受灾地块为基准,将其他地块进行受灾分级。研究区玉米种植范围与受灾等级普查情况如图3所示。
本研究采用分别回归估计式1和分别比估计式2的方法对受灾面积总量进行估计。
式1:
其中回归估计面积反推总量,为回归估计量受灾面积均值,为各层野外样本玉米面积均值,为各层玉米总分类面积均值,为各层玉米样本分类面积均值,βh为各层回归系数,Wh为各层权重,L为层数,N为入样总量。
式2:
其中为比率估计面积反推总量,为比率估计量受灾面积均值,为各层野外样本玉米受灾面积均值,为各层玉米总分类面积均值,为各层玉米样本分类面积均值,Wh代表各层权重,L代表层数,N为入样总量。
利用样本数据进行面积总量校正之后,校正后的总面积与各受灾等级面积以及各层面积与各受灾等级面积分别满足式3和式4:
式3:
式4:
i为受灾等级,i=1…n,n=3,分别对应轻度受灾、重度受灾和绝收。m为分层抽样层数(本研究中m=6),j表示第j层,Sj为抽样反推得到的第j层的受灾作物总面积。rij为受灾等级为i的作物面积占第j层的作物总面积的比例,Ai为受灾等级为i的受灾作物面积,A为抽样反推得到的受灾作物总面积。
以遥感影像上样本的受灾面积为辅助变量,基于野外样本玉米受灾真实面积,对研究区玉米受灾总面积分别采用分别回归估计和分别比估计进行面积反推,统计得到总量和精度如下表2所示,各受灾等级的面积估算结果和精度如表3所示。
表2受灾面积总量与精度统计表(单位:平方米/m2)
表3各等级受灾作物面积统计表(单位:平方米/m2)
本发明以河南2014年旱灾为例,选取了河南襄城大赵庄与北孙庄进行了玉米受灾面积和减产率的全面调查,在此基础之上对本发明提出的基于分层系统抽样进行作物受灾面积估算的方法进行了实证研究。研究结果显示玉米总的受灾总面积和各等级受灾面积估算精度均很高,总面积反推精度约为90%,未受灾、轻度受灾、重度受灾、绝收的精度分别为92.01%、82.03%、84.43%、88.40%,该精度能够满足农业灾情的评估要求。同时该方法在一次野外调查中同时评估了受灾面积和各等级面积,提高了调查的效率,降低了成本;另外,该方法的等级划分基于实际减产率,即所有的受灾等级评估最终都归为对减产率的比较,这使得不同地区、不同的灾种、不同农作物的受灾等级评估具有了可比较性。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。
Claims (12)
1.一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,包括如下步骤:
(1)获取遥感数据和预处理;
分析灾区作物种植结构包括主要作物品种、种植规模、地块破碎程度,主要作物的物候历特征,以及同期光谱易混淆的其它作物的物候历特征,综合考虑灾情发生的时间,选取最佳监测时间段内符合研究区调查所需分辨率的遥感数据,并对其进行预处理工作。
(2)遥感抽样方案设计;
包括入样总体的确定与抽样框的制作、样本总量计算与各层样本量分配、样本抽选;
(3)抽样样方灾情调查;
对抽样出的样本单元内的受灾作物的面积和受灾作物等灾情等级进行调查;
(4)受灾作物总面积、各等级受灾作物面积估算及精度分析和评价;
采用分别回归估计和分别比估计的方法对受灾作物面积总量进行估计,统计得到总量和精度。
2.根据权利要求1所述的一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,所述步骤(1)的预处理工作包括辐射校正、几何纠正和配准。
3.根据权利要求1所述的一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,所述步骤(2)入样总体的确定与抽样框的制作,包括利用灾前灾后遥感影像,通过遥感分类技术进行受灾目标作物分布范围提取,以此作为入样总体;在入样总体上制作规则正方形格网覆盖所有入样总体,格网大小由遥感影像分辨率和实际调查能力决定,以此正方形格网作为抽样单元。
4.根据权利要求1所述的一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,所述步骤(2)样本总量计算与各层样本量分配,包括利用戴伦纽斯(Dalenius)与霍捷斯(Hodges)提出的累计平方根法来确定分层界限,其具体做法是利用分层变量分布的累计平方等分来获取最优分层。
5.根据权利要求1所述的一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,所述步骤(2)样本抽选,包括得到每层抽样的样本数后,再独立地在各层内进行系统抽样,通过分层系统抽样得到目标作物受灾面积,采用面积规模作为分层抽样的分层标识,分层抽样层数设为6;层内采用系统抽样,系统抽样中各抽样单元按照抽样单元内灾前灾后归一化差值植被指数差值的平均值进行排序,抽选出最终的样本。
6.根据权利要求4所述的一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,所述的样本总量计算公式如下:
其中N代表抽样单元总量,L为层数,Wh为每层权重,d为绝对误差,zα/2表示标准正态分布的右α/2分位数,代表每层方差。
7.根据权利要求5所述的一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,所述归一化差值植被指数计算公式如下所示:
NDVI=(Bnir-Bred)/(Bnir+Bred)
其中,NDVI为归一化植被指数Bred和Bnir分别为遥感图像红波波段和近红外波段的反射率。
8.根据权利要求5所述的一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,所述的系统抽样的步骤主要包括:
计算抽样间隔k=N/n;对所有抽样单元按某种顺序排列并编号;从1~k编号中随机抽取一个编号r;等间隔抽取n个样本。
9.根据权利要求1所述的一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,所述步骤(3)的灾情等级分为三个等级:1级为轻度受灾农作物,减产比率为10%-30%,2级为重度受灾农作物,减产比率为30%-80%,3级为特重度受灾农作物,减产比率大于80%。
10.根据权利要求1所述的一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,所述步骤(4)分别回归估计公式如下:
其中回归估计面积反推总量,为回归估计量受灾面积均值,为各层野外样本玉米面积均值,为各层玉米总分类面积均值,为各层玉米样本分类面积均值,βh为各层回归系数,Wh为各层权重,L为层数,N为入样总量。
11.根据权利要求1所述的一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,所述步骤(4)分别比估计公式如下:
其中为比率估计面积反推总量,为比率估计量受灾面积均值,为各层野外样本玉米受灾面积均值,为各层玉米总分类面积均值,为各层玉米样本分类面积均值,Wh代表各层权重,L代表层数,N为入样总量。
12.根据权利要求1所述的一种基于遥感抽样的农作物灾情损失评估方法,其特征在于,所述步骤(4)各等级受灾作物面积估算,具体计算公式如下:
i为受灾等级,i=1…n,n=3,分别对应轻度受灾、重度受灾和绝收,m为分层抽样层数、且m=6,j表示第j层,Sj为抽样反推得到的第j层的受灾作物总面积。rij为受灾等级为i的作物面积占第j层的作物总面积的比例,Ai为受灾等级为i的受灾作物面积,A为抽样反推得到的受灾作物总面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510014785.2A CN104881727A (zh) | 2015-01-13 | 2015-01-13 | 一种基于遥感抽样的农作物灾情损失评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510014785.2A CN104881727A (zh) | 2015-01-13 | 2015-01-13 | 一种基于遥感抽样的农作物灾情损失评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104881727A true CN104881727A (zh) | 2015-09-02 |
Family
ID=53949214
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510014785.2A Pending CN104881727A (zh) | 2015-01-13 | 2015-01-13 | 一种基于遥感抽样的农作物灾情损失评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104881727A (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913361A (zh) * | 2016-04-08 | 2016-08-31 | 民政部国家减灾中心 | 一种洪涝灾害评估系统和方法 |
CN105957115A (zh) * | 2016-05-18 | 2016-09-21 | 河北工程大学 | 广义dem思想下的农作物种植结构遥感提取方法 |
CN107609687A (zh) * | 2017-08-25 | 2018-01-19 | 中国农业大学 | 一种农作物品种测试站点布局方法及装置 |
CN108052558A (zh) * | 2017-11-30 | 2018-05-18 | 河南云保遥感科技有限公司 | 一种基于遥感技术的自然灾害提取解译方法 |
CN108053325A (zh) * | 2017-11-30 | 2018-05-18 | 河南云保遥感科技有限公司 | 一种基于农作物遥感技术的农业保险定损方法 |
CN108573199A (zh) * | 2017-03-14 | 2018-09-25 | 北京林业大学 | 一种油松受灾等级判定方法及其判定系统 |
CN108805440A (zh) * | 2018-06-05 | 2018-11-13 | 北京佳格天地科技有限公司 | 连阴雨灾害损失确定方法、装置、存储介质及交互装置 |
CN108960575A (zh) * | 2018-06-05 | 2018-12-07 | 北京佳格天地科技有限公司 | 干热风损失确定方法、装置、存储介质及人机交互装置 |
CN109816542A (zh) * | 2019-01-28 | 2019-05-28 | 中国平安财产保险股份有限公司四川分公司 | 一种农作物减产理赔方法及系统 |
CN110210990A (zh) * | 2019-05-30 | 2019-09-06 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
CN110533544A (zh) * | 2019-08-28 | 2019-12-03 | 中国科学院遥感与数字地球研究所 | 农作物冷冻害定损理赔方法及系统 |
CN110827158A (zh) * | 2019-11-07 | 2020-02-21 | 航天信德智图(北京)科技有限公司 | 一种基于ndvi时间序列变化的损失评估方法 |
CN113035297A (zh) * | 2021-03-04 | 2021-06-25 | 中国动物卫生与流行病学中心 | 一种兽医流行病学调查分析系统及应用方法 |
CN114429467A (zh) * | 2022-01-26 | 2022-05-03 | 自然资源部第一航测遥感院(陕西省第五测绘工程院) | 一种基于遥感技术的玉米损害程度判别方法 |
CN115049313A (zh) * | 2022-07-20 | 2022-09-13 | 江苏省水利科学研究院 | 湿润地区历史数据缺失情况下历史农业因旱受灾折算方法 |
WO2022198744A1 (zh) * | 2021-03-23 | 2022-09-29 | 平安科技(深圳)有限公司 | 农业险情数据评估方法、装置、计算机设备及存储介质 |
US12087052B2 (en) | 2020-03-26 | 2024-09-10 | Tata Consultancy Services Limited | Method and system for crop loss estimation |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1651859A (zh) * | 2004-06-08 | 2005-08-10 | 赵彦云 | 用于作物单产和森林单位蓄积量估计的分层回归遥感抽样技术 |
CN101799561A (zh) * | 2010-02-05 | 2010-08-11 | 民政部国家减灾中心 | 一种基于减灾小卫星的雪灾遥感监测模拟评估方法 |
CN102175209A (zh) * | 2010-12-07 | 2011-09-07 | 北京师范大学 | 历史遥感产品数据支持下的作物种植面积测量高效抽样方法 |
CN101950497B (zh) * | 2010-10-08 | 2014-03-26 | 王东明 | 一种地震现场灾害评估虚拟仿真培训系统 |
CN104050513A (zh) * | 2014-04-15 | 2014-09-17 | 中国科学院遥感与数字地球研究所 | 农作物种植面积监测空间抽样方案优化方法 |
CN104266982A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种大面积虫害量化监测系统 |
-
2015
- 2015-01-13 CN CN201510014785.2A patent/CN104881727A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1651859A (zh) * | 2004-06-08 | 2005-08-10 | 赵彦云 | 用于作物单产和森林单位蓄积量估计的分层回归遥感抽样技术 |
CN101799561A (zh) * | 2010-02-05 | 2010-08-11 | 民政部国家减灾中心 | 一种基于减灾小卫星的雪灾遥感监测模拟评估方法 |
CN101950497B (zh) * | 2010-10-08 | 2014-03-26 | 王东明 | 一种地震现场灾害评估虚拟仿真培训系统 |
CN102175209A (zh) * | 2010-12-07 | 2011-09-07 | 北京师范大学 | 历史遥感产品数据支持下的作物种植面积测量高效抽样方法 |
CN104050513A (zh) * | 2014-04-15 | 2014-09-17 | 中国科学院遥感与数字地球研究所 | 农作物种植面积监测空间抽样方案优化方法 |
CN104266982A (zh) * | 2014-09-04 | 2015-01-07 | 浙江托普仪器有限公司 | 一种大面积虫害量化监测系统 |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913361A (zh) * | 2016-04-08 | 2016-08-31 | 民政部国家减灾中心 | 一种洪涝灾害评估系统和方法 |
CN105957115A (zh) * | 2016-05-18 | 2016-09-21 | 河北工程大学 | 广义dem思想下的农作物种植结构遥感提取方法 |
CN105957115B (zh) * | 2016-05-18 | 2018-06-08 | 河北工程大学 | 广义dem思想下的农作物种植结构遥感提取方法 |
CN108573199A (zh) * | 2017-03-14 | 2018-09-25 | 北京林业大学 | 一种油松受灾等级判定方法及其判定系统 |
CN107609687A (zh) * | 2017-08-25 | 2018-01-19 | 中国农业大学 | 一种农作物品种测试站点布局方法及装置 |
CN108052558A (zh) * | 2017-11-30 | 2018-05-18 | 河南云保遥感科技有限公司 | 一种基于遥感技术的自然灾害提取解译方法 |
CN108053325A (zh) * | 2017-11-30 | 2018-05-18 | 河南云保遥感科技有限公司 | 一种基于农作物遥感技术的农业保险定损方法 |
CN108805440A (zh) * | 2018-06-05 | 2018-11-13 | 北京佳格天地科技有限公司 | 连阴雨灾害损失确定方法、装置、存储介质及交互装置 |
CN108960575A (zh) * | 2018-06-05 | 2018-12-07 | 北京佳格天地科技有限公司 | 干热风损失确定方法、装置、存储介质及人机交互装置 |
CN109816542A (zh) * | 2019-01-28 | 2019-05-28 | 中国平安财产保险股份有限公司四川分公司 | 一种农作物减产理赔方法及系统 |
CN110210990A (zh) * | 2019-05-30 | 2019-09-06 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
CN110210990B (zh) * | 2019-05-30 | 2021-06-01 | 河南省农业科学院农业经济与信息研究所 | 基于高分卫星遥感数据的冬小麦冻害监测方法 |
CN110533544A (zh) * | 2019-08-28 | 2019-12-03 | 中国科学院遥感与数字地球研究所 | 农作物冷冻害定损理赔方法及系统 |
CN110827158A (zh) * | 2019-11-07 | 2020-02-21 | 航天信德智图(北京)科技有限公司 | 一种基于ndvi时间序列变化的损失评估方法 |
US12087052B2 (en) | 2020-03-26 | 2024-09-10 | Tata Consultancy Services Limited | Method and system for crop loss estimation |
CN113035297A (zh) * | 2021-03-04 | 2021-06-25 | 中国动物卫生与流行病学中心 | 一种兽医流行病学调查分析系统及应用方法 |
WO2022198744A1 (zh) * | 2021-03-23 | 2022-09-29 | 平安科技(深圳)有限公司 | 农业险情数据评估方法、装置、计算机设备及存储介质 |
CN114429467A (zh) * | 2022-01-26 | 2022-05-03 | 自然资源部第一航测遥感院(陕西省第五测绘工程院) | 一种基于遥感技术的玉米损害程度判别方法 |
CN115049313A (zh) * | 2022-07-20 | 2022-09-13 | 江苏省水利科学研究院 | 湿润地区历史数据缺失情况下历史农业因旱受灾折算方法 |
CN115049313B (zh) * | 2022-07-20 | 2023-12-26 | 江苏省水利科学研究院 | 湿润地区历史数据缺失情况下历史农业因旱受灾折算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104881727A (zh) | 一种基于遥感抽样的农作物灾情损失评估方法 | |
Gallego et al. | Using CORINE land cover and the point survey LUCAS for area estimation | |
CN108760643B (zh) | 一种适宜于高海拔地区的干旱遥感监测方法 | |
Grigera et al. | Monitoring forage production for farmers’ decision making | |
Jia et al. | Estimation and uncertainty analyses of grassland biomass in Northern China: Comparison of multiple remote sensing data sources and modeling approaches | |
Lyu et al. | A new method for grassland degradation monitoring by vegetation species composition using hyperspectral remote sensing | |
Zhao et al. | A drought rarity and evapotranspiration-based index as a suitable agricultural drought indicator | |
Yang et al. | Remote sensing estimation of the soil erosion cover‐management factor for China's Loess Plateau | |
CN104089647A (zh) | 一种作物病害发生范围监测方法及系统 | |
CN105761155A (zh) | 一种基于历史案例的农业旱灾灾情快速评估方法 | |
CN109615166A (zh) | 一种草原植被退化遥感监测方法和装置 | |
Roumiguié et al. | Insuring forage through satellites: testing alternative indices against grassland production estimates for France | |
Moral et al. | Estimating and mapping pasture soil fertility in a portuguese montado based on a objective model and geostatistical techniques | |
Zhao et al. | Use of local climate zones to assess the spatiotemporal variations of urban vegetation phenology in Austin, Texas, USA | |
Zhang et al. | Drought monitoring and agricultural drought loss risk assessment based on multisource information fusion | |
Rimal et al. | Crop cycles and crop land classification in Nepal using MODIS NDVI | |
Zhang et al. | Quantitatively identify the factors driving loess erodibility variations after ecological restoration | |
CN115860487B (zh) | 基于植被稳定性风险指数评估当地植被变化风险的方法 | |
Luo et al. | Modeling soil erosion between 1985 and 2014 in three watersheds on the carbonate-rock dominated Guizhou Plateau, SW China, using WaTEM/SEDEM | |
Laughlin et al. | Drought science and drought policy in Australia: a risk management perspective | |
Bitew et al. | Effect of land use land cover change on stream flow in Azuari watershed of the Upper Blue Nile Basin, Ethiopia | |
Neri et al. | Comparison of RUSLE model and UAV-GIS methodology to assess the effectiveness of temporary ditches in reducing soil erosion | |
Nejadrekabi et al. | Using spatial statistics to identify drought-prone regions (A case study of Khuzestan Province, Iran) | |
Gao et al. | Drought Monitoring Using Reservoir Data Collected via Satellite Remote Sensing | |
Alturk | Shape Analysis of Agricultural Parcels for Land Consolidation Priorities in Tekirdag Province, Turkey |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150902 |
|
RJ01 | Rejection of invention patent application after publication |