CN105389559A - 基于高分辨率遥感影像的农业灾害范围识别系统及方法 - Google Patents

Abstract

本发明提供了一种基于高分辨率遥感影像的农业灾害范围识别系统及方法，所述系统包括：影像预处理模块，特征反演模块，灾害识别模块，所述方法包括获取高分辨率的遥感影像，进行影像预处理；通过灾害特征参数反演，获得表征灾害特征的特征参数；根据所述特征参数对预处理后的高分辨率的遥感影像进行边界识别提取，识别受灾范围，获取受灾范围信息。应用本发明可针对农业保险承保理赔遥感查勘环节农业保险标的物进行识别提取，可以进一步基于农业保险标的物分类的土地类型分类与边界识别提取算法，获取准确的受灾范围。

Description

基于高分辨率遥感影像的农业灾害范围识别系统及方法

技术领域

本发明涉及卫星遥感技术领域，尤其涉及一种基于高分辨率遥感影像的农业灾害范围识别系统及方法。

背景技术

遥感技术是20世纪中后期发展起来的新兴学科，遥感技术揭开了人类从外层空间观测地球、探索宇宙的序幕，为认识国土、开发资源、研究环境、分析全球变化找到了新的途径。近年来，在卫星遥感分辨率(空间、光谱、时间)、辐射精度、卫星运行模式、载荷形式、数据处理以及遥感应用等方面都有了全新的进展。

遥感技术应用广泛，在测绘领域，可以用来制作卫星影像地图、陆地地形图、浅水区地形图、南极冰貌信息专题图等；在环境和灾害监测中，遥感技术可用来快速监测洪涝灾情、沙尘暴、森林火灾、南极冰川流速，还可以对臭氧层、海洋赤潮进行观测；在地质调查及资源评价中，遥感技术可用于地质构造的解译，对地层岩性进行识别分类，提取与成矿有关的蚀变信息等；在农林牧等方面，遥感技术可用于农作物估产、土壤类型、结构及侵蚀作用调查，还可以对草场资源进行分类和评价，通过对森林生态环境的研究，探索出环境因素对林木生长影响的规律性。

每年都会发生很多自然灾害，在灾害发生后，尤其农业灾害中，会造成农作物减产甚至绝收，而农业保险则是一种减少农业灾害损失的有效手段。但在灾害发生后，要在短时间内确定农业灾害中每一地块的受灾程度和受灾面积，存在查勘滞后，核损手段落后，灾害等级不一，受灾面积失实、劳动强度大，理赔过程长，赔付误差大等一系列问题。因此，如何科学、准确、及时、合理的核定农业灾害造成的损失，是农业保险中的一大难题。

随着卫星遥感技术的应用，遥感数据在多种自然灾害的调查、监测、预警、决策和评估中发挥了极其重要的作用，展示了其他技术不能取代的优势。因此，如何应用卫星遥感技术快速准确识别农业灾害范围成为需要解决的问题。

发明内容

本发明旨在解决上面描述的问题。本发明的一个目的是提供一种解决以上问题中的任何一个的基于高分辨率遥感影像的农业灾害范围识别系统及方法。具体地，本发明提供能够应用卫星遥感技术快速准确识别农业灾害范围。

根据本发明的第一方面，提供了一种基于高分辨率遥感影像的农业灾害范围识别系统，包括：

影像预处理模块，用于对获取的高分辨率的遥感影像，进行影像预处理；

特征反演模块，用于灾害特征参数反演，获得表征灾害特征的特征参数；

灾害识别模块，用于根据所述表征灾害特征的特征参数对预处理后的高分辨率的遥感影像进行边界识别提取，识别出受灾范围，输出受灾范围信息。

所述影像预处理模块进行的影像预处理，包括下列处理中的任一种或它们的组合：配准校正处理、图像融合处理、图像增强处理、拼接调色处理。

所述表征灾害特征的特征参数包括但不限于植被指数、水体指数、干旱指数。

所述灾害识别模块是根据反演的地表特征参数及不同遥感影像的波段特征，采用监督分类的方法对研究区地表类型进行分类，获得农作物标的物空间分布范围，并提取矢量边界，通过对灾害特征信息进行识别提取，实现受灾范围估算和灾情评估。

所述灾害识别模块进一步又可分为水灾识别模块和旱灾识别模块，其中：

水灾识别模块，用于采用水体指数法，或者面向对象法，或者阈值法对水体范围进行识别，基于表征灾害特征的特征参数的水体指数，确定出水体范围，通过空间分析确定水灾时洪涝范围，输出洪涝范围信息；进一步地，还可根据所述表征灾害特征的特征参数的植被指数，确定出标的物植被受灾程度及不同程度灾害对应的受灾范围；

旱灾识别模块，用于基于表征灾害特征的特征参数的干旱指数，结合植被指数，冠层温度，旱情级别确定出旱灾的空间分布，进一步确定旱灾范围，通过空间分析，最终确定旱灾时受灾范围，输出旱灾范围信息；进一步地，还可根据所述表征灾害特征的特征参数的植被指数，确定出标的物植被受灾程度及不同程度灾害对应的受灾范围。

根据本发明的第二方面，提供了一种基于高分辨率遥感影像的农业灾害范围识别方法，包括如下步骤：

步骤S101，获取高分辨率的遥感影像，进行影像预处理；

步骤S102，通过灾害特征参数反演，获得表征灾害特征的特征参数；

步骤S103，根据所述特征参数对预处理后的高分辨率的遥感影像进行边界识别提取，识别出受灾范围，获取受灾范围信息。

进一步地，所述步骤S101中的影像预处理包括下列处理中的任一种或它们的组合：配准校正处理、图像融合处理、图像增强处理、拼接调色处理。

进一步地，所述表征灾害特征的特征参数包括但不限于：植被指数、水体指数、干旱指数。

进一步地，所述步骤S103中，具体是根据反演的地表特征参数及不同遥感影像的波段特征，采用监督分类的方法对研究区地表类型进行分类，获得农作物标的物空间分布范围，并提取矢量边界，通过对灾害特征信息进行识别提取，实现受灾范围估算和灾情评估。

进一步地，所述的灾害识别包括水灾识别模式和旱灾识别模式，其中：

水灾识别模式，采用水体指数法，或者面向对象法，或者阈值法对水体范围进行识别，基于表征灾害特征的特征参数的水体指数，确定出水体范围，通过空间分析确定水灾时洪涝范围，输出洪涝范围信息；进一步地，还可根据所述表征灾害特征的特征参数的植被指数，确定出标的物植被受灾程度及不同程度灾害对应的受灾范围；

旱灾识别模式，基于表征灾害特征的特征参数的干旱指数，结合植被指数，冠层温度，旱情级别确定出旱灾的空间分布，通过空间分析最终确定旱灾时受灾范围，输出旱灾范围信息；进一步地，还可根据所述表征灾害特征的特征参数的植被指数，确定出标的物植被受灾程度及不同程度灾害对应的受灾范围。

应用本发明的基于高分辨率遥感影像的农业灾害范围识别系统及方法，通过反演特征参数，即植被指数、水体指数、干旱指数三种典型遥感指数进行反演，可以准确获知农业保险标的物的识别提取以及受灾范围边界。本发明通过引入卫星技术，可以有效解决信息不对称、理赔成本和效率难题，推动农业保险经营模式转变，把人力物力从劳动密集型模式中解放出来，提高承保和理赔精度和效率。

参照附图来阅读对于示例性实施例的以下描述，本发明的其他特性特征和优点将变得清晰。

附图说明

并入到说明书中并且构成说明书的一部分的附图示出了本发明的实施例，并且与描述一起用于解释本发明的原理。在这些附图中，类似的附图标记用于表示类似的要素。下面描述中的附图是本发明的一些实施例，而不是全部实施例。对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。

图1示例性地示出了基于高分辨率遥感影像的农业灾害范围识别方法流程图；

图2示例性地示出了基于高分辨率遥感影像的农业灾害范围识别系统示意图；

图3示例性地示出了基于高分辨率可见光遥感卫星的水体指数流程图；

图4示例性地示出了改进型归一化水体指数的水体范围识别提取方法流程图；

图5示例性地示出了基于面向对象方法的水体范围识别提取方法的流程图；

图6示例性地示出了典型地物在各波段的光谱响应曲线图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互任意组合。

本发明的主要内容包括获取遥感高分辨率数据，通过灾害特征参数反演，获得各种表征灾害特征的参数，如植被指数、水体指数、干旱指数等。对灾害特征信息进行识别提取，实现受灾范围估算和灾情评估。本发明通过引入卫星技术，可以有效解决信息不对称、理赔成本和效率难题，推动农业保险经营模式转变，把人力物力从劳动密集型模式中解放出来，提高承保和理赔精度和效率。

如图1所示，本发明的基于高分辨率遥感影像的农业灾害范围识别方法，包括如下步骤：

步骤S101，获取高分辨率的遥感影像，进行影像预处理；其中，所述影像预处理包括配准校正处理、图像融合处理、图像增强处理、拼接调色处理等。

步骤S102，通过灾害特征参数反演，获得表征灾害特征的特征参数；其中，所述表征灾害特征的特征参数包括但不限于植被指数、水体指数、干旱指数等。

步骤S103，根据所述特征参数对预处理后的高分辨率的遥感影像进行边界识别提取，识别出受灾范围，获取受灾范围信息。

如图2所示，所述基于高分辨率遥感影像的农业灾害范围识别系统包括：

影像预处理模块201，用于对获取的高分辨率的遥感影像，进行影像预处理；

其中，所述影像预处理模块201进行影像预处理包括配准校正处理、图像融合处理、图像增强处理、拼接调色处理等。

特征反演模块202，用于灾害特征参数反演，获得表征灾害特征的特征参数；

其中，所述表征灾害特征的特征参数包括但不限于植被指数、水体指数、干旱指数等。

灾害识别模块203，用于根据所述表征灾害特征的特征参数对预处理后的高分辨率的遥感影像进行边界识别提取，识别出受灾范围，输出受灾范围信息。

其中，灾害识别模块203是根据反演的地表特征参数及不同遥感影像的波段特征，采用监督分类的方法对研究区地表类型进行分类，获得农作物标的物空间分布范围，并提取矢量边界。最终通过对灾害特征信息进行识别提取，实现受灾范围估算和灾情评估。

所述灾害识别模块203进一步又可分为水灾识别模块203A和旱灾识别模块203B，

其中，水灾识别模块203A，可以采用水体指数法，或者面向对象法，或者阈值法对水体范围进行识别，基于表征灾害特征的特征参数的水体指数，确定出水体范围，进一步确定洪涝淹没范围，通过空间分析(例如，采用栅格转矢量及空间叠加分析方法)，最终确定水灾时洪涝范围，输出洪涝范围信息。进一步地，还可根据所述表征灾害特征的特征参数的植被指数，确定出标的物植被受灾程度及不同程度灾害对应的受灾范围。该信息可以作为农业保险快速准确理赔的依据。

其中，旱灾识别模块203B，可以基于表征灾害特征的特征参数的干旱指数，结合植被指数，冠层温度，旱情级别确定出旱灾的空间分布，进一步确定旱灾范围，通过空间分析(例如，采用栅格转矢量及空间叠加分析方法)，最终确定旱灾时受灾范围，输出旱灾范围信息。进一步地，还可根据所述表征灾害特征的特征参数的植被指数，确定出标的物植被受灾程度及不同程度灾害对应的受灾范围。该信息可以作为农业保险快速准确理赔的依据。

在上述系统及方法中，所述植被指数、水体指数和干旱指数做进一步详细阐述如下。

进一步地，所述植被指数NDVI，可由公式1来定义如下：

NDVI＝(R_NIR-R_Red)/(R_NIR+R_Red)(公式1)

其中，R_NIR代表近红外波段的反射率，R_Red代表红光波段的反射率，植被指数NDVI是通过先计算近红外波段与红波段反射率之差,再除以两个波段的反射率之和根据公式1计算得到。对绿色植物(叶绿素引起的)强吸收的可见光红波段(0.6至0.7微米)和对绿色植物(叶内组织引起的)高反射和高透射的近红外波段(0.7至1.1微米)的光谱响应截然相反，形成的明显反差，这种反差随着叶冠结构、植被覆盖度而变化，因此可以对它们用比值、差分、线性组合等多种组合来增强或提示隐含的植物信息。NDVI是植被生长状态及植被覆盖度的最佳指示因子，是监测地区植被和生态环境变化的有效指标，其与叶面积指数、绿色生物量、植被覆盖度、光合作用等植被参数有关。

进一步地，所述水体指数NDWI可由下述的公式2进行定义：

NDWI＝(R_Green-R_NIR)/(R_Green+R_NIR)(公式2)

其中，R_Green代表绿光波段的反射率，R_NIR代表近红外波段的反射率。水体反射从可见光到近红外逐渐减弱，在近红外和中红外波段吸收很强、反射极弱，选用可见光中的绿光波段及近红外波段组合构成归一化水体指数(NDWI)达到抑制植被信息、突出水体信息的目的。水体指数可以较好地区分水体，常被用来研究水陆分界、圈定水体范围。归一化水体指数是农业保险遥感查勘的重要参数。

进一步地，所述干旱指数TVDI可由下述公式3进行定义

$TVDI=\frac{Ts-Tsmin}{a+b*NDVI-Tsmin}$ (公式3)

公式3中，a、b为系数，同时假设Tsmin所表示的冠层温度最小值不随植被覆盖度变化。认为干旱指数TVDI可用于大范围的土壤水分监测，但同时也指出该指数对半干旱区的地表覆盖类型不敏感。

植被指数NDVI和地表温度Ts为纵横坐标的散点分布图呈梯形或三角形。通过NDVI和Ts的散点图呈现三角形分布特征的研究，发现Ts和NDVI之间的关系主要是由于植被覆盖度和土壤湿度的变化关系由一组组土壤湿度等值线构成的，两者之间的斜率与作物水分指数呈负相关，因此可以从温度--植被信息的关系构建的干旱指数来反应农业干旱情况。

以遥感资料反演的归一化植被指数(NDVI)和地表温度(Ts)参数所构成的温度植被干旱指数(TVDI)与表层土壤水分之间显著相关，可以用来评价干旱情况。TVDI同土壤水分表现为负相关关系，即TVDI越高，土壤含水量越低，农业旱情越严重。

通过TVDI干旱指数的计算，获得研究区域的干旱指数空间分布情况。同时根据国家土壤湿度办公室干旱的标准对研究区的干湿善进行分级，如下的表1所示，分别为：极湿润(0≤TVDI<0.4)，湿润(0.4≤TVDI<0.6)，正常(0.6≤TVDI<0.8)，干旱(0.8≤TVDI<0.9)，极干旱(0.9≤TVDI<1)。

表1干旱等级划分

序号	干旱指数	干旱等级
			1	[0，0.4)	极湿润
2	[0.4，0.6)	湿润
			3	[0.6，0.8)	正常
4	[0.8，0.9)	干旱
			5	[0.9，1)	极干旱

根据上述表1的干旱指数的分级划分，即可获得研究区的旱情等级分布图。

关于洪涝灾害范围的识别和提取，可以采用基于归一化差异水体指数的水体范围识别提取方法，或者基于改进型归一化水体指数的水体范围识别提取方法，或者基于面向对象方法的水体范围识别提取方法。下面进一步针对三种方法做进一步阐述。

方法1：基于归一化差异水体指数的水体范围识别提取方法

基于归一化差异水体指数(NormalizedDifferenceWaterIndex，简称归一化水指数NDWI)的洪涝灾害范围识别提取，其公式如下的公式2:

NDWI＝(R_Green-R_NIR)/(R_Green+R_NIR)(公式2)

其中，R_Green代表绿光波段的反射率，R_NIR代表近红外波段的反射率。由于水体的反射从可见光到中红外波段逐渐减弱，在近红外和中红外波长范围内吸收性最强，几乎无反射。因此用可见光波段和近红外波段的反差构成的NDWI可以突出影像中的水体信息(水体的NDWI值大)。另外由于植被在近红外波段的反射率一般最强，因此采用绿光波段与近红外波段的比值可以最大程度地抑制植被的信息，从而达到突出水体信息的目的。

如图3所示，给出了基于高分辨率可见光遥感卫星的水体指数流程图，包括如下步骤：

分别获取高分辨率(GF)遥感影像在绿光波段和近红外波段的地表反射率数据；

判断影像分辨率是否一致，若不一致则进行空间分辨率差值处理，使得分辨率一致

对分辨率一致的，则进一步判断影像区域范围是否一致，若不一致则以两幅图像中较小区域为准；

若影像区域范围一致，则基于水体指数反演模型，计算导出归一化水体指数产品。所述产品即识别范围，从而实现了水体范围识别提取。

方法2：基于改进型归一化水体指数的水体范围识别提取方法

Mcfeeters模型考虑到植被的影响，后来很多学者又将土壤、建筑物等因素考虑进去，提出一些改进型的归一化水指数MNDWI：

MNDWI＝(R_Green-R_MIR)/(R_Green+R_MIR)(公式4)

其中，R_Green代表绿光波段的反射率，R_MIR代表中红外波段的反射率。实验证明MNDWI比NDWI更能够揭示水体微细特征，如悬浮沉积物的分布、水质的变化。另外MNDWI可以很容易地区分阴影和水体，解决了水体提取中难于消除阴影的难题。

如图4所示，给出了改进型归一化水体指数的水体范围识别提取方法流程图，包括如下步骤：

分别获取高分辨率(GF)遥感影像在绿光波段和中红外波段的地表反射率数据；

判断影像分辨率是否一致，若不一致则进行空间分辨率插值处理，使得分辨率一致

对分辨率一致的，则进一步判断影像区域范围是否一致，若不一致则以两幅图像中较小区域为准；

若影像区域范围一致，则基于水体指数反演模型，计算导出改进型的归一化水体指数产品。所述产品即识别范围，从而实现了水体范围识别提取。

方法3：基于面向对象方法的水体范围识别提取方法

利用面向对象方法对高分辨率遥感影像的水体进行提取，首先对高空间分辨率卫星影像进行分辨率融合，然后充分利用影像的光谱信息、拓扑关系、形状特征、大小信息等构建知识库进行分类。实验表明，该分类方法消除单纯利用光谱信息的缺陷，提高了分类精度。高分辨率遥感影像，目标物的形状清晰可见，图像上地物景观的结构、形状、纹理和细节信息等非常突出，而光谱分辨率不高，光谱特征不如空间特征丰富。因此，针对高分辨率影像，在分类时不能仅依靠其光谱特征，更多的是要利用其几何信息和结构信息。

对于高分辨率影像数据的处理，面向对象提取的步骤有两个：影像分割和信息提取。其中，影像分割是采用影像分割技术生成不同的影像对象的过程，针对不同的地物采取不同的分割尺度，构建尺度网对影像进行分割。

其中，信息提取则是基于模糊逻辑的分类系统给出某个对象隶属于的类别，主要有最邻近分类和隶属度函数分类两种方法。

如图5所示，给出了基于面向对象方法的水体范围识别提取方法的流程图，包括如下步骤：

数据预处理：首先，对高分辨率卫星影像进行几何校正，然后将多光谱波段和全色波段用HSV方法进行融合，得到融合后的多光谱影像。

影像分割：由于在图像分析时，非常重要的语义信息并不是通过单个像元表达的，而是通过分割出的图像对象(一组像元)反映的，所以，面向对象法首先将图像分割成具有一定意义的均值图像，然后用一组特征来描述对象，最后通过建立对象与类结构之间的关系和判读规则，将对象分配到相应的类中。

由上所述，分割是面向对象分类的基础。分割过程考虑因素包括尺度、色调、形状、紧密度及平滑度等。遥感影像分割采用自底向上的区域合并算法，合并过程中遵循两个原则：一是设置可能较大的光谱权值；二是对于边界不光滑，但聚集程度较高的影像使用必要的形状因子。根据研究区水体的具体情况分割如下表2所示：

表2分割尺度表

分类方法选择：主要的分类方法包括：基于训练样本的最邻近距离法和基于知识规则定义分类的成员函数法。最邻近分类方法类似监督分类法，需要选取样本，通过样本信息帮助决定这个对象是否包含类的新信息或者它是否属于其他类。隶属度函数可以精确定义对象属于某一类的标准，可以利用对象特征和类间相关特征。隶属度函数是一个以[0-1]的范围来表达任意特征范围的简单方法。隶属度函数可以利用对象特征和类间相关特征精确定义对象属于某一类的标准，因此主要采用隶属度函数方法进行水体信息提取。

水体知识库构造：在知识库构建过程中，主要考虑以下四个方面的因素：

(1)光谱特征分析。根据实际情况，假若将研究区分为建筑物、道路、水体、阴影、植被与裸地六种基本土地覆盖类型，对上述每种典型地物进行灰度值采样，得出各典型地物在各波段的光谱响应曲线，如图6所示。在地物波谱曲线中，水体与阴影具有极其类似的波谱曲线，因此也构成了水体解译的难点，建筑物与道路有类似特征的曲线，而植被具有在红外波段反射率高的特点。

(2)拓扑特征分析。在影像中地物阴影主要是由于建筑物造成的，我们主要利用的是拓扑关系(邻接关系)，可以区别建筑物造成的阴影。

(3)大小特征。

(4)形状特征。利用面向对象中的形状指数，线状地物具有很小的形状指数，而接近于长方形或方形的城市地物，形状指数相对线形较大。形状指数能够较好识别外形不同的地物类型。建筑物对象与道路特征相似，形状指数差别明显，可以根据形状信息区分。

关于干旱灾害范围的识别和提取，可以从温度植被信息构建的干旱指数TVDI来反应农业干旱情况。通过干旱指数TVDI的计算，获得研究区域的干旱指数空间分布情况。

以植被指数NDVI和地表温度Ts为纵横坐标的散点分布图呈梯形或三角形。通过NDVI和Ts的散点图呈现三角形分布特征的研究，发现NDVI和Ts之间的关系主要是由于植被覆盖度和土壤湿度的变化关系由一组组土壤湿度等值线构成的，两者之间的斜率与作物水分指数呈负相关，因此可以从温度植被信息构建的干旱指数来反应农业干旱情况。干旱指数TVDI由公式3进行定义如下：

$TVDI=\frac{Ts-Tsmin}{a+b*NDVI-Tsmin}$ (公式3)

式中，a、b为系数，同时假设层温度最小值Tsmin冠不随植被覆盖度变化。认为TVDI可用于大范围的土壤水分监测，但同时也指出该指数对半干旱区的地表覆盖类型不敏感。

以遥感资料反演的归一化植被指数(NDVI)和地表温度(Ts)参数所构成的温度植被干旱指数(TVDI)与表层土壤水分之间显著相关，可以用来评价干旱情况。TVDI同土壤水分表现为负相关关系，即TVDI越高，土壤含水量越低，农业旱情越严重。

通过TVDI干旱指数的计算，获得研究区域的干旱指数空间分布情况。同时根据国家土壤湿度办公室干旱的标准对研究区的干湿善进行分级。分别为：极湿润(0≤TVDI<0.4)，湿润(0.4≤TVDI<0.6)，正常(0.6≤TVDI<0.8)，干旱(0.8≤TVDI<0.9)，极干旱(0.9≤TVDI<1)。根据干旱指数的分级划分，即可获得研究区的旱情等级分布图。

卫星遥感为快速、准确、大范围地获取农作物种植面积信息，监测农作物的空间分布状况提供了重要的技术手段。关于农作物标的物的空间分布范围的识别提取方法，可以先根据特征参数识别受灾范围，根据反演的地表特征参数及不同遥感影像的波段特征，采用监督分类的方法对研究区地表类型进行分类，获得农作物标的物空间分布范围，并提取矢量边界。具体而言可以包括如下步骤：

(1)数据预处理

对获取的高分辨率卫星影像分别进行辐射校正、几何精校正。

(2)地物光谱特征识别

提取研究区地物对应的各波段光谱反射率及特征向量值，进行最大值、最小值、均值和均方差统计。利用地物在各波段均值构建地物光谱曲线，各类地物的分布概况与光谱特征。

(3)种植面积提取

利用不同地物在不同波段、不同时相与其他地物明显的差异，设定决策树节点阈值，建立分层决策树判别模型进行农作物标的物信息自动提取。

决策树分类器是以分层分类思想作为指导原则，利用树结构按一定的分割原则把数据分为特征更为均质的子集。决策树方法进行遥感影像分类，首先利用训练样本生成判别函数，其次根据不同取值建立树的分支，在每个分支子集中重复建立下层结点和分支，最后形成分类树。决策树算法具有计算效率高、无需统计假设、可以处理不同空间尺度数据等优点。

应用本发明的基于高分辨率遥感影像的农业灾害范围识别系统及方法，针对农业保险承保理赔遥感查勘环节农业保险标的物的识别提取，可以进一步基于农业保险标的物分类的土地类型分类与边界识别提取算法，获取准确的受灾范围。

应用本发明的基于高分辨率遥感影像的农业灾害范围识别系统及方法，针对洪涝、旱灾等两种农业保险灾害，基于边界识别提取算法可以准确判定农作物洪涝灾害受灾范围边界、旱灾受灾范围。

应用本发明的基于高分辨率遥感影像的农业灾害范围识别系统及方法，通过反演特征参数，即植被指数、水体指数、干旱指数三种典型遥感指数进行反演，可以准确获知农业保险标的物的识别提取以及受灾范围边界。

本发明研究的主要内容包括获取遥感高分辨率数据，通过灾害特征参数反演，获得各种表征灾害特征的参数，如植被指数、水体指数、干旱指数等。对灾害特征信息进行识别提取，实现受灾范围估算和灾情评估。本发明通过引入卫星技术，可以有效解决信息不对称、理赔成本和效率难题，推动农业保险经营模式转变，把人力物力从劳动密集型模式中解放出来，提高承保和理赔精度和效率。

上面描述的内容可以单独地或者以各种方式组合起来实施，而这些变型方式都在本发明的保护范围之内。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基于高分辨率遥感影像的农业灾害范围识别系统，其特征在于，包括：

影像预处理模块，用于对获取的高分辨率的遥感影像，进行影像预处理；

特征反演模块，用于灾害特征参数反演，获得表征灾害特征的特征参数；

灾害识别模块，用于根据所述表征灾害特征的特征参数对预处理后的高分辨率的遥感影像进行边界识别提取，识别出受灾范围，输出受灾范围信息。

2.如权利要求1所述的农业灾害范围识别系统，其特征在于，

所述影像预处理模块进行的影像预处理，包括下列处理中的任一种或它们的组合：配准校正处理、图像融合处理、图像增强处理、拼接调色处理。

3.如权利要求1所述的农业灾害范围识别系统，其特征在于，

所述表征灾害特征的特征参数包括但不限于植被指数、水体指数、干旱指数。

4.如权利要求1所述的农业灾害范围识别系统，其特征在于，

所述灾害识别模块是根据反演的地表特征参数及不同遥感影像的波段特征，采用监督分类的方法对研究区地表类型进行分类，获得农作物标的物空间分布范围，并提取矢量边界，通过对灾害特征信息进行识别提取，实现受灾范围估算和灾情评估。

5.如权利要求1或4所述的农业灾害范围识别系统，其特征在于，所述灾害识别模块进一步又可分为水灾识别模块和旱灾识别模块，其中：

水灾识别模块，用于采用水体指数法，或者面向对象法，或者阈值法对水体范围进行识别，基于表征灾害特征的特征参数的水体指数，确定出水体范围，通过空间分析确定水灾时洪涝范围，输出洪涝范围信息；进一步地，还可根据所述表征灾害特征的特征参数的植被指数，确定出标的物植被受灾程度及不同程度灾害对应的受灾范围；

旱灾识别模块，用于基于表征灾害特征的特征参数的干旱指数，结合植被指数，冠层温度，旱情级别确定出旱灾的空间分布，进一步确定旱灾范围，通过空间分析，最终确定旱灾时受灾范围，输出旱灾范围信息；进一步地，还可根据所述表征灾害特征的特征参数的植被指数，确定出标的物植被受灾程度及不同程度灾害对应的受灾范围。

6.一种基于高分辨率遥感影像的农业灾害范围识别方法，其特征在于，包括如下步骤：

步骤S101，获取高分辨率的遥感影像，进行影像预处理；

步骤S102，通过灾害特征参数反演，获得表征灾害特征的特征参数；

步骤S103，根据所述特征参数对预处理后的高分辨率的遥感影像进行边界识别提取，识别出受灾范围，获取受灾范围信息。

7.如权利要求6所述的农业灾害范围识别方法，其特征在于，

所述步骤S101中的影像预处理包括下列处理中的任一种或它们的组合：配准校正处理、图像融合处理、图像增强处理、拼接调色处理。

8.如权利要求6所述的农业灾害范围识别方法，其特征在于，

所述表征灾害特征的特征参数包括但不限于：植被指数、水体指数、干旱指数。

9.如权利要求6所述的农业灾害范围识别方法，其特征在于，

所述步骤S103中，具体是根据反演的地表特征参数及不同遥感影像的波段特征，采用监督分类的方法对研究区地表类型进行分类，获得农作物标的物空间分布范围，并提取矢量边界，通过对灾害特征信息进行识别提取，实现受灾范围估算和灾情评估。

10.如权利要求6或9所述的农业灾害范围识别方法，其特征在于，所述的灾害识别包括水灾识别模式和旱灾识别模式，其中：

水灾识别模式，采用水体指数法，或者面向对象法，或者阈值法对水体范围进行识别，基于表征灾害特征的特征参数的水体指数，确定出水体范围，通过空间分析确定水灾时洪涝范围，输出洪涝范围信息；进一步地，还可根据所述表征灾害特征的特征参数的植被指数，确定出标的物植被受灾程度及不同程度灾害对应的受灾范围；

旱灾识别模式，基于表征灾害特征的特征参数的干旱指数，结合植被指数，冠层温度，旱情级别确定出旱灾的空间分布，通过空间分析最终确定旱灾时受灾范围，输出旱灾范围信息；进一步地，还可根据所述表征灾害特征的特征参数的植被指数，确定出标的物植被受灾程度及不同程度灾害对应的受灾范围。