发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:提供一种农作物雹灾受灾面积遥感评估方法,能够有效提高农作物雹灾评估的准确性与精度。
(二)技术方案
为解决上述技术问题,本发明的技术方案提供了一种农作物雹灾受灾面积遥感评估方法,包括:
S1:获取目标区域雹灾前和雹灾后的多光谱卫星遥感影像,并对所述获取的多光谱卫星遥感影像进行预处理;
S2:基于经过所述预处理后的所述目标区域雹灾前的多光谱卫星遥感影像,提取农作物种植空间分布区域;
S3:在所述农作物种植空间分布区域中选取样本区域,并基于经过所述预处理后的所述目标区域雹灾前的多光谱卫星遥感影像和雹灾后的多光谱卫星遥感影像,确定所述样本区域每一个农作物像元雹灾前后的NDVI差值ΔNDVI,统计所述样本区域所有农作物像元的ΔNDVI的平均值和标准差σ;
S4:根据所述平均值和标准差σ确定所述农作物的最优雹灾受灾阈值;
S5:根据所述农作物的最优雹灾受灾阈值确定所述目标区域所述农作物的受灾面积。
优选地,所述预处理至少包括以下一种:辐射定标、大气校正、几何精校正、裁剪。
优选地,步骤S2包括:
将经过所述预处理后的所述目标区域雹灾前的多光谱卫星遥感影像数据和所述目标区域雹灾前的全色影像进行融合;
采用最大似然法在所述融合得到的影像中提取所述农作物种植空间分布区域。
优选地,步骤S4包括:
数字化所述样本区域,得到所述样本区域的真实面积;
将所述样本区域的真实面积作为受灾阈值精度评价的准真值,在范围内采用窗口变步长法确定所述农作物的最优雹灾受灾阈值。
优选地,还包括:
S6:在所述农作物种植空间分布区域中选取验证点,野外实地采集所述验证点的受灾状况,根据所述野外实地采集的所述验证点的受灾状况评价所述最优雹灾受灾阈值。
(三)有益效果
本发明能够实现对农作物快速、准确的雹灾受灾面积评估,在提高评估时效性的同时,还能够有效的提高农作物雹灾评估的准确性与精度,对于短时间获取农作物雹灾受灾面积具有重要意义。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
参见图1,图1是本发明实施方式提供的一种农作物雹灾受灾面积遥感评估方法的流程图,包括:
S1:获取目标区域雹灾前和雹灾后的多光谱卫星遥感影像,并对所述获取的多光谱卫星遥感影像进行预处理;
S2:基于经过所述预处理后的所述目标区域雹灾前的多光谱卫星遥感影像,提取农作物种植空间分布区域;
S3:在所述农作物种植空间分布区域中选取样本区域,并基于经过所述预处理后的所述目标区域雹灾前的多光谱卫星遥感影像和雹灾后的多光谱卫星遥感影像,确定所述样本区域每一个农作物像元雹灾前后的NDVI差值ΔNDVI,统计所述样本区域所有农作物像元的ΔNDVI的平均值和标准差σ;
S4:根据所述平均值和标准差σ确定所述农作物的最优雹灾受灾阈值;
S5:根据所述农作物的最优雹灾受灾阈值确定所述目标区域所述农作物的受灾面积。
其中,在步骤S1中,可以获取目标区域雹灾灾前灾后的多光谱高分辨率卫星遥感数据,并进行影像预处理,可以包括:辐射定标、大气校正、几何精校正、裁剪等,其中,几何精校正要求控制误差在0.5个像元以内。
优选地,上述步骤S2可以包括:
将经过所述预处理后的所述目标区域雹灾前的多光谱卫星遥感影像数据和所述目标区域雹灾前的全色影像进行融合;
采用最大似然法在所述融合得到的影像中提取所述农作物种植空间分布区域。
例如,在步骤S2中,可以结合采集的地面样本点及其先验知识,在灾前遥感影像中选取感兴趣区域,对影像进行最大似然法监督分类,得到农作物的种植空间分布,具体地,农作物种植分布遥感提取可以是基于灾前空间分变率为2m的GF-1融合影像进行监督分类。具体过程为:先利用灾前GF-1全色和多光谱进行Gram-Schmidt融合,得到2米分辨率的高分辨率融合影像;然后采集的地面样本点,选取感兴趣区域,最后对影像进行最大似然法监督分类,得到农作物种植地块空间分布;
农作物在经过冰雹后,经第二天的阳光照射,会造成果实、叶片内叶绿素、水分含量的变化,从而造成光谱发生变化,通过计算遥感影像的NDVI进行变化检测,从而可以对整个区域农作物雹灾受灾面积进行监测和评价,其中,受灾前后遥感影像每一个像元的NDVI差值的计算方式如下:
ΔNDVI=NDVIbefor-NDVIafter
其中,NDVIbefor为像元灾前多光谱影像计算的NDVI值,NDVIafter为像元灾后多光谱影像计算的NDVI值,ΔNDVI为两者的差值,其中,NDVI的公式为:
其中,NIR和RED分别为光学遥感数据的近红外波段和红波波段。
在步骤S3中,可以针对农作物种植数量较少、中等、偏多的3个地方,在农作物种植空间分布区域中选取多个样本区域(如在遥感影像上人工选取多个样框),将样框中的样本作为典型变化训练样区,数字化样框内的受灾农作物地块作为受灾阈值精度评价的准真值,并且统计样框内受灾西瓜ΔNDVI平均值和标准差σ。
其中,步骤S4包括:
数字化所述样本区域,得到所述样本区域的真实面积;
将所述样本区域的真实面积作为受灾阈值精度评价的准真值,在范围内采用窗口变步长法确定所述农作物的最优雹灾受灾阈值。
随着阈值的不断变化,分类Kappa系数也会随之变化,分类一般都选择Kappa系数最高时的阈值作为最优阈值。在步骤S4中,可以采用“窗口变步长”的方法确定最优雹灾受灾阈值,只分受灾农作物和非受灾农作物2类,像元的ΔNDVI大于等于阈值则认为该像元所对应的位置为受灾区域,像元的ΔNDVI小于阈值则认为该像元所对应的位置为非受灾区域,故认为根据选取的阈值所提取的样本区域的面积除以数字化准真值的受灾西瓜面积(即样本区域的真实面积),其值PA%最接近100%时的阈值为最优雹灾受灾阈值。具体操作方法是:在的范围内,以变化的步长使选取的阈值不断变化,逼近最优阈值,并计算每次步长变化时的PA%,当PA%最接近1时,且和样本区域的真实面积的误差小于1%时,确定最优的雹灾受灾阈值。
在步骤S5中,根据S4计算的农作物的最优雹灾受灾阈值可以得到整个区域受灾农作物空间分布面积,遥感评估结果将农作物种植空间分布区域中的像元分为未受灾和受灾二类,像元的ΔNDVI大于等于最优雹灾受灾阈值则认为该像元所对应的位置为受灾区域,像元的ΔNDVI小于最优雹灾受灾阈值则认为该像元所对应的位置为非受灾区域,之后可通过像元数目得到农作物的受灾面积。
优选地,上述方法还包括:
S6:在所述农作物种植空间分布区域中选取验证点,野外实地采集所述验证点的受灾状况,根据所述野外实地采集的所述验证点的受灾状况评价所述最优雹灾受灾阈值。例如,利用地面采集的GPS点进行精度评价,评价指标可以为总体精度和Kappa系数。
本发明能够实现对农作物快速、准确的雹灾受灾面积评估,在提高评估时效性的同时,还能够有效的提高农作物雹灾评估的准确性与精度,对于短时间获取农作物雹灾受灾面积具有重要意义。
本发明提供的农作物雹灾受灾面积遥感评估方法可用于西瓜雹灾评估,以北京大兴区中西部的庞各庄和魏善庄镇的西瓜雹灾为例,基于遥感数据评估西瓜雹灾的受灾面积。该区域于2014年6月10日下午2时遭受冰雹,造成95%以上的西瓜全部开裂,即将成熟的西瓜大面积绝产,经济损失巨大,其评估方法包括:
1、遥感数据预处理
获取的灾前灾后影像数据分别为:2014年6月7日上午11时获取的PMS相机8m分辨率的多光谱影像,2014年6月23日11时获取的WFV相机16m分辨率的多光谱影像,对GF-1的影像进行预处理,包括辐射定标、FLAASH大气校正、几何精校正等,其中,几何精校正以2m分辨率的航片为基准影像,利用二次多项式校正并控制误差在0.5个像元以内。
2、西瓜种植分布遥感提取
西瓜种植分布遥感提取是基于灾前空间分变率为2m的GF-1融合影像进行监督分类。具体过程为:先利用灾前GF-1全色和多光谱进行Gram-Schmidt融合,得到2米分辨率的高分辨率融合影像;然后结合6月10日采集的地面点,选取感兴趣区域;最后对影像进行最大似然法监督分类,并进行目视修正,得到西瓜种植空间分布区域。
3、遥感变化检测
通过检测遥感影像的NDVI变化,从而对整个区域西瓜雹灾受灾面积进行监测和评价,受灾前后遥感影像每一个农作物像元的NDVI差值的计算方式如下:
ΔNDVI=NDVI0607-NDVI0623
其中,NDVI0607为灾前6月7日PMS多光谱影像重采样后计算的NDVI值,NDVI0623为灾后6月23日WFV相机多光谱影像计算的NDVI值,ΔNDVI为两者的差值,用于西瓜雹灾受灾变化检测。
4、选择典型变化训练样区
针对西瓜种植数量较少、中等、偏多的3个地方,在影像上可以人工选取3个1km×1km的样框,使样框中的样本作为典型变化训练样区,数字化样框内的受灾西瓜地块得到样框对应区域的真实面积,作为精度评价的准真值,统计样框内所有像元的ΔNDVI的平均值和标准差σ。
5、确定雹灾受灾阈值
经统计,3个1km×1km样框内的人工数字化受灾西瓜的ΔNDVI的均值和标准差为0.3±0.15,故在样框内ΔNDVI为0.15~0.45的范围内进行阈值选择,首先,用0.1的步长搜寻最优的阈值,发现PA%最接近100%的最优阈值在0.25~0.35内。其次,调整步长为0.05,发现最优阈值在0.3~0.35内。再次,缩小步长为0.01,最终发现ΔNDIV等于0.31时,且|PA%-100%<1%|,故此时寻得的阈值为最优的雹灾受灾阈值。具体阈值的搜寻和PA%的变化见表1。
表1窗口变步长最优阈值搜寻结果
6、受灾面积评估
根据窗口变步长法所确定的西瓜雹灾的最优雹灾受灾阈值为0.31,之后计算得到整个研究区受灾西瓜空间分布面积,计算得到最终研究区内西瓜总受灾面积为1296亩。
7、精度评价
利用野外实地采集的16个GPS点作为精度评价的验证点,总体精度(PC%)为93.75%,Kappa系数为0.875(表2)。
表2精度评价表
本实施例采用GF-1全色和多光谱融合影像进行西瓜种植面积的提取,充分利用了GF-1全色波段高空间分辨率特性,运用窗口变步长进行雹灾最优阈值的选择,避免了目视解译过于主观的缺陷,能够实现西瓜雹灾受灾地块的快速、准确的定量评估,在提高评估时效性的同时,还能够有效的提高雹灾评估的准确性与精度,对于短时间西瓜雹灾查勘定损具有重要意义,同时,也可以为其他农作物雹灾及其他灾害监测的遥感数据选择、灾害阈值确定等方面提供理论与技术依据。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。