CN108615105A - 基于遥感数据的农作物旱灾损失评估系统及方法 - Google Patents
基于遥感数据的农作物旱灾损失评估系统及方法 Download PDFInfo
- Publication number
- CN108615105A CN108615105A CN201810279458.3A CN201810279458A CN108615105A CN 108615105 A CN108615105 A CN 108615105A CN 201810279458 A CN201810279458 A CN 201810279458A CN 108615105 A CN108615105 A CN 108615105A
- Authority
- CN
- China
- Prior art keywords
- drought
- crops
- crop
- data
- loss
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 125
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000009826 distribution Methods 0.000 claims description 32
- 238000002310 reflectometry Methods 0.000 claims description 16
- 239000002689 soil Substances 0.000 claims description 15
- 238000009313 farming Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000002708 enhancing effect Effects 0.000 claims description 7
- 230000003595 spectral effect Effects 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 239000004744 fabric Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 241000894007 species Species 0.000 claims description 2
- XQDQRCRASHAZBA-UHFFFAOYSA-N 2,4-dinitro-1-thiocyanatobenzene Chemical compound [O-][N+](=O)C1=CC=C(SC#N)C([N+]([O-])=O)=C1 XQDQRCRASHAZBA-UHFFFAOYSA-N 0.000 claims 1
- 238000004364 calculation method Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于遥感数据的农作物旱灾损失评估系统及方法,该系统包括:农作物受旱数据计算模块,用于计算农作物分布数据、农作物种植面积和农作物受旱面积;农作物生长状况监测指标计算模块,用于农作物分布数据计算农作物生长状况监测指标;农作物损失评估模块,用于根据农作物种植面积、农作物受旱面积和农作物生长状况监测指标计算农作物损失量;旱灾影响人口数量计算模块,用于根据监测区域的总人口数量、农作物种植面积、农作物受旱面积计算旱灾影响人口数量;损失数据库建立模块,用于根据农作物损失量和旱灾影响人口数量建立损失数据库。本发明的系统及方法能够实时、准确、全面地掌握旱灾损失程度。
Description
技术领域
本发明涉及农作物灾害损失评估技术领域,尤其涉及基于遥感数据的农作物旱灾损失评估系统及方法。
背景技术
由于传统的干旱监测和评估更多的依赖于地面观测点的降水量、农气站点的土壤墒情等资料诊断旱情的发生,站点的数量和布局从数据代表性和时效性上存在不足,而且站点测量方法的一致性给数据的使用带来了一定困难。因而,很难实时、准确、全面地掌握旱灾变化和损失程度。
植被活性叶片中的叶肉组织在近红外波段有较高的反射率,而叶绿素在红光波段有较强的吸收,使得植被在近红外波段的反射率较高,而在红光波段的反射率较低。裸地反射率从红光到近红外变化都很小。水体对红光和近红外波段吸收极强,土壤水分是影响土壤反射率的主要因素,土壤含水量越多反射率越低,反之亦然。因此,可见光、近红外波段一定形式的组合不仅可以用来监测植被覆盖、作物长势、水体等状况,还可以估算土壤水分,进行快速旱情监测。
随着遥感空间信息技术的快速发展,遥感技术在旱灾监测评估中的作用将越来越受到重视。可以根据多源遥感数据反演农作物不同阶段受旱程度和分布范围,提出的基于网格的旱灾监测损失计算模型,在网格内,可以叠加社会属性信息、干旱发生时间、频次、历时和土地分类等遥感信息,较精确地评估旱情;也可以利用遥感和未来降雨、气温等信息,实现预测预警以及风险评估等,为抗灾减灾提供实时数据和信息。还可以结合经济和社会人口数据,估算不同区域农作物旱灾造成的产量、经济损失,以及影响人口评估。
然而,因为旱灾受灾面积和损失涉及的范围广、受旱程度在时间尺度上有变化,传统的地面站点数据插值、抽样调查汇总方法不精确,并且,目前还没有精确的监测评估模型来进行大范围的旱灾监测损失评估标准,不能自动根据遥感数据来确定农作物的受旱情况。
因此,需要一种基于遥感数据的农作物旱灾损失评估系统及方法。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的基于遥感数据的农作物旱灾损失评估系统及方法,能够实时、准确、全面地掌握旱灾变化和损失程度并能够自动地根据遥感数据来确定农作物的受旱情况,以解决由于受旱面积和损失范围广、受旱程度在时间尺度上有变化而引起的评估不精确的问题。
本发明的一个方面,提供了一种基于遥感数据的农作物旱灾损失评估系统,包括:
农作物受旱数据计算模块,用于接收遥感标准波段数据,根据遥感标准波段数据和监测区域边界数据计算监测区域受旱空间分布数据和农作物分布数据,并根据监测区域受旱空间分布数据和农作物分布数据计算农作物种植面积和农作物受旱面积,将农作物种植面积和农作物受旱面积分别发送至旱灾影响人口评估模块和农作物损失评估模块,并将农作物分布数据发送至农作物生长状况监测指标计算模块;农作物生长状况监测指标计算模块,用于接收遥感标准波段数据和农作物分布数据,根据遥感标准波段数据和农作物分布数据计算农作物生长状况监测指标;农作物损失评估模块,用于根据农作物种植面积和农作物生长状况监测指标计算农作物损失量,并将农作物损失量发送至损失数据库建立模块;旱灾影响人口数量计算模块,用于根据监测区域的总人口数量、农作物种植面积和农作物受旱面积计算旱灾影响人口数量,并将旱灾影响人口数量发送至损失数据库建立模块;损失数据库建立模块,用于根据农作物损失量和旱灾影响人口数量建立损失数据库。
农作物受旱数据计算模块包括:
旱情监测单元,用于接收遥感标准波段数据,根据该遥感标准波段数据和监测区域边界数据计算监测区域受旱空间分布数据并发送至农作物受旱数据提取单元;农作物识别单元,用于接收遥感标准波段数据,根据该遥感标准波段数据获取农作物分布数据分别发送至农作物受旱数据提取单元和农作物生长状况监测指标计算模块;农作物受旱数据提取单元,用于根据监测区域受旱空间分布数据和农作物分布数据提取农作物种植面积和农作物受旱面积,分别发送至旱灾影响人口评估模块和农作物损失评估模块。
所述基于遥感数据的农作物旱灾损失评估系统,还包括:遥感数据预处理模块,用于接收卫星发送的遥感影像,对遥感影像进行预处理,获取遥感标准波段数据并发送至农作物受旱数据计算模块和农作物生长状况监测指标计算模块。
在遥感数据预处理模块中,对遥感影像的预处理包括:遥感影像的拼接、投影转换、裁剪、重采样、云掩膜、几何精纠正、大气纠正和辐射定标。
农作物受旱数据提取单元还用于根据监测区域受旱空间分布数据、农作物分布数据和旱情分级标准数据计算农作物受旱程度,以生成农作物受旱等级分布图。
在旱情监测单元中,通过以下公式计算监测区域受旱空间分布数据:
其中,MPDI为修正垂直干旱指数,RRED和RNIR分别为红光和近红外波段的反射率,M为所有落在土壤线附近的土壤点通过一元线性回归得到的土壤线斜率,Rv,RED和Rv,NIR分别为红光和近红外波段的全植被覆盖时的反射率,fv为植被覆盖度,
NDVI为归一化植被指数,NDVImax和NDVImin分别表示植被完全覆盖和裸地的NDVI值,
其中,ρNIR和ρR分别为近红外和红光波段的反射率。
在农作物生长状况监测指标计算模块中,农作物生长状况监测指标为归一化植被指数和增强植被指数。
农作物损失评估模块包括农作物单产损失量计算单元、农作物产量损失量计算单元和农作物经济损失量计算单元。
在农作物损失评估模块中,农作物损失量包括农作物单产损失量、农作物产量损失量、农作物经济损失量和旱灾影响人口数量,
通过以下公式计算农作物单产损失量:
ΔY=YR*(ΔNDVI+ΔEVI)/2,
其中,ΔY为当年单产损失量,YR为参考年单产,ΔNDVI和ΔEVI分别为相对于参考年的归一化植被指数变幅和增强植被指数变幅;
通过以下公式计算农作物产量损失量:
ΔPr(m)=A(m)*Y(m),
其中,m为农作物种类,ΔPr(m)为农作物m的当年产量损失量,ΔA(m)为农作物m的种植面积变化量,ΔY(m)为农作物m的当年单产损失量;
通过以下公式计算农作物经济损失量:
ΔE(m)=P(m)*ΔPr(m),
其中,ΔE(m)为农作物m的当年经济损失量,P(m)为农作物m的当年单价,ΔPr(m)为农作物m的当年产量损失量;
通过以下公式计算旱灾影响人口数量:
AP(n)=TP(n)*DA(n)/CA(n),
其中,n为监测区域,AP(n)为监测区域n的旱灾影响人口数量,TP(n)为监测区域n的总人口数量,DA(n)为监测区域n的农作物受旱面积,CA(n)为监测区域n的农作物种植面积。
本发明的一个方面,提供了一种基于遥感数据的农作物旱灾损失评估方法,包括以下步骤:
利用农作物受旱数据计算模块接收遥感标准波段数据,根据遥感标准波段数据和监测区域边界数据计算监测区域受旱空间分布数据和农作物分布数据,并根据监测区域受旱空间分布数据和农作物分布数据计算农作物种植面积和农作物受旱面积,将农作物种植面积和农作物受旱面积分别发送至旱灾影响人口评估模块和农作物损失评估模块,并将农作物分布数据发送至农作物生长状况监测指标计算模块;利用农作物生长状况监测指标计算模块接收遥感标准波段数据和农作物分布数据,根据遥感标准波段数据和农作物分布数据计算农作物生长状况监测指标;利用农作物损失评估模块根据农作物种植面积、农作物受旱面积和农作物生长状况监测指标计算农作物损失量,并将农作物损失量发送至损失数据库建立模块;利用旱灾影响人口数量计算模块根据监测区域的总人口数量、农作物种植面积和农作物受旱面积计算旱灾影响人口数量,并将旱灾影响人口数量发送至损失数据库建立模块;利用损失数据库建立模块根据农作物损失量和旱灾影响人口数量建立损失数据库。
与现有技术相比,具有以下优点:
1.本发明的系统和方法通过遥感数据预处理模块、农作物受旱数据计算模块、农作物生长状况监测指标计算模块、农作物损失评估模块、旱灾影响人口数量计算模块和损失数据库建立模块的配合,能够实时、准确、全面地获取遥感影像,并进行对该遥感影像进行预处理、旱情监测、农作物识别、农作物受旱数据提取、农作物生长状况监测指标计算和农作物损失评估,实现了能够实时、准确、全面地掌握旱灾变化和损失程度并能够自动地根据遥感数据来确定农作物的受旱情况,以解决由于受旱面积和损失范围广、受旱程度在时间尺度上有变化而引起的评估不精确的问题;
2.本发明的系统和方法实时获取高分辨率遥感影像并利用其进行农作物旱灾损失评估,充分发挥多时相、高空间分辨率的数据特点,能够及时获取农作物受灾范围、程度以及损失评估结果,可以获取小区域或大地块内精细农作物受旱及损失信息,具有客观、高效、精细、实时监测和评估的特点,为防灾减灾相关部门提供可靠数据支撑和基础。
3.本发明的农作物受旱数据提取单元根据监测区域中受旱空间分布数据计算农作物受旱程度,以生成农作物受旱等级分布图,以提供农作物受旱精细的空间分布和受旱等级信息。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1为本发明实施例的基于遥感数据的农作物旱灾损失评估系统连接框图。
图2为本发明实施例的基于遥感数据的农作物旱灾损失评估方法的步骤图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非被特定定义,否则不会用理想化或过于正式的含义来解释。
图1为本发明实施例的基于遥感数据的农作物旱灾损失评估系统连接框图,参见图1,本发明提供的基于遥感数据的农作物旱灾损失评估系统,包括:
农作物受旱数据计算模块,用于接收遥感标准波段数据,根据遥感标准波段数据和监测区域边界数据计算监测区域受旱空间分布数据和农作物分布数据,并根据监测区域受旱空间分布数据和农作物分布数据计算农作物种植面积和农作物受旱面积、程度,将农作物种植面积和农作物受旱面积分别发送至旱灾影响人口评估模块和农作物损失评估模块,并将农作物分布数据发送至农作物生长状况监测指标计算模块;农作物生长状况监测指标计算模块,用于接收遥感标准波段数据和农作物分布数据,根据遥感标准波段数据和农作物分布数据计算农作物生长状况监测指标;农作物损失评估模块,用于根据农作物种植面积、农作物受旱面积和农作物生长状况监测指标计算农作物损失量,并将农作物损失量发送至损失数据库建立模块;旱灾影响人口数量计算模块,用于根据监测区域的总人口数量、农作物种植面积和农作物受旱面积计算旱灾影响人口数量,并将旱灾影响人口数量发送至损失数据库建立模块;损失数据库建立模块,用于根据农作物损失量和旱灾影响人口数量建立损失数据库。
参见图1,农作物受旱数据计算模块包括:旱情监测单元,用于接收遥感标准波段数据,根据该遥感标准波段数据和监测区域边界数据计算监测区域受旱空间分布数据并发送至农作物受旱数据提取单元;农作物识别单元,用于接收遥感标准波段数据,根据该遥感标准波段数据获取农作物分布数据分别发送至农作物受旱数据提取单元和农作物生长状况监测指标计算模块;农作物受旱数据提取单元,用于根据监测区域受旱空间分布数据和农作物分布数据提取农作物种植面积和农作物受旱面积分别发送至旱灾影响人口评估模块和农作物损失评估模块。
参见图1,所述基于遥感数据的农作物旱灾损失评估系统,还包括:遥感数据预处理模块,用于接收卫星发送的遥感影像,对遥感影像进行预处理,获取遥感标准波段数据并发送至农作物受旱数据计算模块和农作物生长状况监测指标计算模块。例如,遥感数据预处理模块接收高分一号遥感影像,对该高分一号遥感影像进行预处理,以得到监测区域的遥感影像包括各象元多波段的数据。在遥感数据预处理模块中,对遥感影像的预处理包括:遥感影像的拼接、投影转换、裁剪、重采样、云掩膜、几何精纠正、大气纠正和辐射定标。具体地,当监测区域超过一景影像覆盖范围时,需要多个遥感影像进行拼接。投影转换是将遥感影像根据不同投影需求转换成所需的投影。由于监测区域不同,需要裁剪出感兴趣区域。重采样用于调整像元中心位置。云掩膜用于在像元被云覆盖的情况,云掩膜算法为可见光和近红外等波段联合判定。几何精纠正利用更高分辨率底图和ARCGIS几何纠正模块来处理。大气纠正采用ENVI(The Environment for Visualizing Images,完整的遥感图像处理平台)的FLAASH大气校正模块处理。辐射定标用于通过以下公式将GF-1卫星各载荷的通道观测的DN值(DN值是遥感影像像元灰度值,记录的地物的不同波段反射信息)转换为卫星载荷入瞳处等效表观辐亮度Lε和表观反射率数据λε:
Lε(λε)=Gain·DN+Bias
其中,Gain为定标斜率;DN为卫星载荷观测值;Bias为定标截距。
农作物受旱数据提取单元还用于根据监测区域受旱空间分布数据、农作物分布数据和旱情分级标准数据计算农作物受旱程度,以生成农作物受旱等级分布图。
例如,表1为农作物受旱程度分级标准。
表1
在旱情监测单元中,通过以下公式计算监测区域受旱空间分布数据:
其中,MPDI为修正垂直干旱指数,RRED和RNIR分别为红光和近红外波段的反射率,M为所有落在土壤线附近的土壤点通过一元线性回归得到的土壤线斜率,Rv,RED和Rv,NIR分别为红光和近红外波段的全植被覆盖时的反射率,fv为植被覆盖度,
NDVI为归一化植被指数,NDVImax和NDVImin分别表示植被完全覆盖和裸地的NDVI值,通过以下计算模型计算NDVI:
其中,ρNIR和ρR分别为近红外和红光波段的反射率。
在农作物生长状况监测指标计算模块中,农作物生长状况监测指标为归一化植被指数和增强植被指数。
农作物损失评估模块包括农作物单产损失量计算单元、农作物产量损失量计算单元和农作物经济损失量计算单元。
在农作物损失评估模块中,农作物损失量包括农作物单产损失量、农作物产量损失量、农作物经济损失量和旱灾影响人口数量,
通过以下公式计算农作物单产损失量:
ΔY=YR*(ΔNDVI+ΔEVI)/2,
其中,ΔY为当年单产损失量,YR为参考年单产,ΔNDVI和ΔEVI分别为相对于参考年的归一化植被指数变幅和增强植被指数变幅。
EVI为增强植被指数,通过以下计算模型计算EVI:
其中,ρNIR为近红外波段反射率,ρRED为红光波段反射率,ρBLUE为蓝光波段反射率。
通过以下公式计算农作物产量损失量:
ΔPr(m)=A(m)*Y(m),
其中,m为农作物种类,ΔPr(m)为农作物m的当年产量损失量,ΔA(m)为农作物m的种植面积变化量,ΔY(m)为农作物m的当年单产损失量,在这里,由于同一监测区域内往往有不同种类的农作物,因此,m表示不同种类的农作物,例如,小麦、水稻、玉米、大豆等等;
通过以下公式计算农作物经济损失量:
ΔE(m)=P(m)*Pr(m),
其中,ΔE(m)为农作物m的当年经济损失量,P(m)为农作物m的当年单价,ΔPr(m)为农作物m的当年产量损失量,在这里,ΔE(m)只是表示一种农作物的当年经济损失量,如需计算农作物的当年总经济损失量,则把每一种农作物的当年经济损失量进行加和即可;
通过以下公式计算旱灾影响人口数量:
AP(n)=TP(n)*DA(n)/CA(n),
其中,n为监测区域,AP(n)为监测区域n的旱灾影响人口数量,TP(n)为监测区域n的总人口数量,DA(n)为监测区域n的农作物受旱面积,CA(n)为监测区域n的农作物种植面积,在这里,由于本发明的系统可以同时监测多个监测区域,n只是表示多个监测区域中的一个监测区域,以上计算旱灾影响人口数量的公式适合计算所有监测区域的旱灾影响人口数量。另外,监测区域可以根据需求自定义,因此,监测区域可以是小区域例如乡镇、县等,也可以是大地块例如市、省等。本发明的系统通过遥感数据预处理模块、农作物受旱数据计算模块、农作物生长状况监测指标计算模块、农作物损失评估模块、旱灾影响人口数量计算模块和损失数据库建立模块的配合,能够实时、准确、全面地获取遥感影像,并进行对该遥感影像进行预处理、旱情监测、农作物识别、农作物受旱数据提取、农作物生长状况监测指标计算和农作物损失评估,实现了能够实时、准确、全面地掌握旱灾变化和损失程度并能够自动地根据遥感数据来确定农作物的受旱情况,以解决由于受旱面积和损失范围广、受旱程度在时间尺度上有变化而引起的评估不精确的问题。
本发明的系统实时获取遥感影像并利用其进行农作物旱灾损失评估,充分发挥多时相、高空间分辨率的数据特点,能够及时获取农作物受灾范围、程度以及损失评估结果,可以获取小区域或大地块内精细农作物受旱及损失信息,具有客观、高效、精细、实时监测和评估的特点,为防灾减灾相关部门提供可靠数据支撑和基础。
本发明的农作物受旱数据提取单元根据监测区域中受旱空间分布数据计算农作物受旱程度,以生成农作物受旱等级分布图,以提供农作物受旱精细的空间分布和受旱等级信息。
图2为本发明实施例的基于遥感数据的农作物旱灾损失评估方法的步骤图,参见图2,本发明提供的基于遥感数据的农作物旱灾损失评估方法,包括以下步骤:
利用农作物受旱数据计算模块接收遥感标准波段数据,根据遥感标准波段数据和监测区域边界数据计算监测区域受旱空间分布数据和农作物分布数据,并根据监测区域受旱空间分布数据和农作物分布数据计算农作物种植面积和农作物受旱面积,将农作物种植面积和农作物受旱面积分别发送至旱灾影响人口评估模块和农作物损失评估模块,并将农作物分布数据发送至农作物生长状况监测指标计算模块;利用农作物生长状况监测指标计算模块接收遥感标准波段数据和农作物分布数据,根据遥感标准波段数据和农作物分布数据计算农作物生长状况监测指标;利用农作物损失评估模块根据农作物种植面积、农作物受旱面积和农作物生长状况监测指标计算农作物损失量,并将农作物损失量发送至损失数据库建立模块;利用旱灾影响人口数量计算模块根据监测区域的总人口数量、农作物种植面积和农作物受旱面积计算旱灾影响人口数量,并将旱灾影响人口数量发送至损失数据库建立模块;利用损失数据库建立模块根据农作物损失量和旱灾影响人口数量建立损失数据库。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。另外,由于方法实施例与系统实施例基本相似,所以描述的比较简单,相关之处参见系统实施例的部分说明即可。
本发明的方法通过遥感数据预处理模块、农作物受旱数据计算模块、农作物生长状况监测指标计算模块、农作物损失评估模块、旱灾影响人口数量计算模块和损失数据库建立模块的配合,能够实时、准确、全面地获取遥感影像,并进行对该遥感影像进行预处理、旱情监测、农作物识别、农作物受旱数据提取、农作物生长状况监测指标计算、农作物损失评估和旱灾影响人口数量评估,实现了能够实时、准确、全面地掌握旱灾变化和损失程度并能够自动地根据遥感数据来确定农作物的受旱情况,以解决由于受旱面积和损失范围广、受旱程度在时间尺度上有变化而引起的评估不精确的问题。
本发明的方法实时获取遥感影像并利用其进行农作物旱灾损失评估,充分发挥多时相、高空间分辨率的数据特点,能够及时获取农作物受灾范围、程度以及损失评估结果,可以获取小区域或大地块内精细农作物受旱及损失信息,具有客观、高效、精细、实时监测和评估的特点,为防灾减灾相关部门提供可靠数据支撑和基础。
如上所述,本发明的方法和系统均针对不同的监测区域和不同的农作物进行旱灾损失评估,因此,农作物损失评估模块计算的农作物损失量以及旱灾影响人口数量计算模块计算的旱灾影响人口数量为指定区域且指定农作物的旱灾评估结果。同时,本发明的方法和系统能够同时对不同监测区域和不同的农作物进行旱灾损失评估。
以上所描述的系统实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
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)
1.一种基于遥感数据的农作物旱灾损失评估系统,其特征在于,包括:
农作物受旱数据计算模块,用于接收遥感标准波段数据,根据遥感标准波段数据和监测区域边界数据计算监测区域受旱空间分布数据和农作物分布数据,并根据监测区域受旱空间分布数据和农作物分布数据计算农作物种植面积和农作物受旱面积,将农作物种植面积和农作物受旱面积发送至旱灾影响人口评估模块和农作物损失评估模块,并将农作物分布数据发送至农作物生长状况监测指标计算模块;
农作物生长状况监测指标计算模块,用于接收遥感标准波段数据和农作物分布数据,根据遥感标准波段数据和农作物分布数据计算农作物生长状况监测指标;
农作物损失评估模块,用于根据农作物种植面积、农作物受旱面积和农作物生长状况监测指标计算农作物损失量,并将农作物损失量发送至损失数据库建立模块;
旱灾影响人口数量计算模块,用于根据监测区域的总人口数量、农作物种植面积和农作物受旱面积计算旱灾影响人口数量,并将旱灾影响人口数量发送至损失数据库建立模块;
损失数据库建立模块,用于根据农作物损失量和旱灾影响人口数量建立损失数据库。
2.根据权利要求1所述的基于遥感数据的农作物旱灾损失评估系统,其特征在于,农作物受旱数据计算模块包括:
旱情监测单元,用于接收遥感标准波段数据,根据该遥感标准波段数据和监测区域边界数据计算监测区域受旱空间分布数据并发送至农作物受旱数据提取单元;
农作物识别单元,用于接收遥感标准波段数据,根据该遥感标准波段数据获取农作物分布数据分别发送至农作物受旱数据提取单元和农作物生长状况监测指标计算模块;
农作物受旱数据提取单元,用于根据监测区域受旱空间分布数据和农作物分布数据提取农作物种植面积和农作物受旱面积分别发送至旱灾影响人口评估模块和农作物损失评估模块。
3.根据权利要求2所述的基于遥感数据的农作物旱灾损失评估系统,其特征在于,还包括:遥感数据预处理模块,用于接收卫星发送的遥感影像,对遥感影像进行预处理,获取遥感标准波段数据并发送至农作物受旱数据计算模块和农作物生长状况监测指标计算模块。
4.根据权利要求3所述的基于遥感数据的农作物旱灾损失评估系统,其特征在于,在遥感数据预处理模块中,对遥感影像的预处理包括:遥感影像的拼接、投影转换、裁剪、重采样、云掩膜、几何精纠正、大气纠正和辐射定标。
5.根据权利要求4所述的基于遥感数据的农作物旱灾损失评估系统,其特征在于,农作物受旱数据提取单元还用于根据监测区域受旱空间分布数据、农作物分布数据和旱情分级标准数据计算农作物受旱程度,以生成农作物受旱等级分布图。
6.根据权利要求5所述的基于遥感数据的农作物旱灾损失评估系统,其特征在于,在旱情监测单元中,通过以下公式计算监测区域中受旱空间分布数据:
其中,MPDI为修正垂直干旱指数,RRED和RNIR分别为红光和近红外波段的反射率,M为所有落在土壤线附近的土壤点通过一元线性回归得到的土壤线斜率,Rv,RED和Rv,NIR分别为红光和近红外波段的全植被覆盖的反射率,fv为植被覆盖度,
NDVI为归一化植被指数,NDVImax和NDVImin分别表示植被完全覆盖和裸地的NDVI值,
其中,ρNIR和ρR分别为近红外和红光波段的反射率。
7.根据权利要求6所述的基于遥感数据的农作物旱灾损失评估系统,其特征在于,
在农作物生长状况监测指标计算模块中,农作物生长状况监测指标为归一化植被指数和增强植被指数。
8.根据权利要求7所述的基于遥感数据的农作物旱灾损失评估系统,其特征在于,农作物损失评估模块包括农作物单产损失量计算单元、农作物产量损失量计算单元和农作物经济损失量计算单元。
9.根据权利要求8所述的基于遥感数据的农作物旱灾损失评估系统,其特征在于,
在农作物损失评估模块中,农作物损失量包括农作物单产损失量、农作物产量损失量、农作物经济损失量和旱灾影响人口数量,
通过以下公式计算农作物单产损失量:
ΔY=YR*(ΔNDVI+ΔEVI)/2,
其中,ΔY为当年单产损失量,YR为参考年单产,ΔNDVI和ΔEVI分别为相对于参考年的归一化植被指数变幅和增强植被指数变幅;
通过以下公式计算农作物产量损失量:
ΔPr(m)=ΔA(m)*ΔY(m),
其中,m为农作物种类,ΔPr(m)为农作物m的当年产量损失量,ΔA(m)为农作物m的种植面积变化量,ΔY(m)为农作物m的当年单产损失量;
通过以下公式计算农作物经济损失量:
ΔE(m)=P(m)*ΔPr(m),
其中,ΔE(m)为农作物m的当年经济损失量,P(m)为农作物m的当年单价,ΔPr(m)为农作物m的当年产量损失量;
通过以下公式计算旱灾影响人口数量:
AP(n)=TP(n)*DA(n)/CA(n),
其中,n为监测区域,AP(n)为监测区域n的旱灾影响人口数量,TP(n)为监测区域n的总人口数量,DA(n)为监测区域n的农作物受旱面积,CA(n)为监测区域n的农作物种植面积。
10.一种基于遥感数据的农作物旱灾损失评估方法,其特征在于,包括以下步骤:
利用农作物受旱数据计算模块接收遥感标准波段数据,根据遥感标准波段数据和监测区域边界数据计算监测区域受旱空间分布数据和农作物分布数据,并根据监测区域受旱空间分布数据和农作物分布数据计算农作物种植面积和农作物受旱面积,将农作物种植面积和农作物受旱面积分别发送至旱灾影响人口评估模块和农作物损失评估模块,并将农作物分布数据发送至农作物生长状况监测指标计算模块;
利用农作物生长状况监测指标计算模块接收遥感标准波段数据和农作物分布数据,根据遥感标准波段数据和农作物分布数据计算农作物生长状况监测指标;
利用农作物损失评估模块根据农作物种植面积、农作物受旱面积和农作物生长状况监测指标计算农作物损失量,并将农作物损失量发送至损失数据库建立模块;
利用旱灾影响人口数量计算模块根据监测区域的总人口数量、农作物种植面积和农作物受旱面积计算旱灾影响人口数量,并将旱灾影响人口数量发送至损失数据库建立模块;
利用损失数据库建立模块根据农作物损失量和旱灾影响人口数量建立损失数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810279458.3A CN108615105A (zh) | 2018-03-30 | 2018-03-30 | 基于遥感数据的农作物旱灾损失评估系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810279458.3A CN108615105A (zh) | 2018-03-30 | 2018-03-30 | 基于遥感数据的农作物旱灾损失评估系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108615105A true CN108615105A (zh) | 2018-10-02 |
Family
ID=63659286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810279458.3A Pending CN108615105A (zh) | 2018-03-30 | 2018-03-30 | 基于遥感数据的农作物旱灾损失评估系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108615105A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458357A (zh) * | 2019-08-12 | 2019-11-15 | 中国水利水电科学研究院 | 工业旱灾损失预测及评估方法 |
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 |
WO2022001817A1 (zh) * | 2020-06-30 | 2022-01-06 | 浙江网商银行股份有限公司 | 数据处理方法及装置 |
CN116433030A (zh) * | 2023-04-26 | 2023-07-14 | 中国农业科学院农业环境与可持续发展研究所 | 旱情损失量的快速评估方法、系统、介质及设备 |
CN117540934A (zh) * | 2024-01-08 | 2024-02-09 | 山东科翔智能科技有限公司 | 基于数据分析的小麦生长周期智能监管系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424405A (zh) * | 2013-08-27 | 2013-12-04 | 华南农业大学 | 一种基于hj-1a/1b ccd数据的干旱监测方法 |
CN107607474A (zh) * | 2017-08-31 | 2018-01-19 | 北京航天绘景科技有限公司 | 一种自适应农业干旱的高精度遥感监测方法 |
CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
-
2018
- 2018-03-30 CN CN201810279458.3A patent/CN108615105A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424405A (zh) * | 2013-08-27 | 2013-12-04 | 华南农业大学 | 一种基于hj-1a/1b ccd数据的干旱监测方法 |
CN107607474A (zh) * | 2017-08-31 | 2018-01-19 | 北京航天绘景科技有限公司 | 一种自适应农业干旱的高精度遥感监测方法 |
CN107782701A (zh) * | 2017-09-20 | 2018-03-09 | 北京师范大学 | 一种多源遥感数据的农业干旱监测方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458357A (zh) * | 2019-08-12 | 2019-11-15 | 中国水利水电科学研究院 | 工业旱灾损失预测及评估方法 |
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 |
WO2022001817A1 (zh) * | 2020-06-30 | 2022-01-06 | 浙江网商银行股份有限公司 | 数据处理方法及装置 |
CN116433030A (zh) * | 2023-04-26 | 2023-07-14 | 中国农业科学院农业环境与可持续发展研究所 | 旱情损失量的快速评估方法、系统、介质及设备 |
CN117540934A (zh) * | 2024-01-08 | 2024-02-09 | 山东科翔智能科技有限公司 | 基于数据分析的小麦生长周期智能监管系统 |
CN117540934B (zh) * | 2024-01-08 | 2024-04-05 | 山东科翔智能科技有限公司 | 基于数据分析的小麦生长周期智能监管系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108615105A (zh) | 基于遥感数据的农作物旱灾损失评估系统及方法 | |
Nasrallah et al. | Sentinel-1 data for winter wheat phenology monitoring and mapping | |
Liu et al. | Estimation of potato above-ground biomass based on unmanned aerial vehicle red-green-blue images with different texture features and crop height | |
EP4245126A2 (en) | Method for mapping temporal and spatial sustainability of a cropping system | |
JP6682710B2 (ja) | 評価情報生成システム、評価情報生成方法、およびプログラム | |
Zhong et al. | Phenology-based crop classification algorithm and its implications on agricultural water use assessments in California’s Central Valley | |
Gallego et al. | Accuracy, objectivity and efficiency of remote sensing for agricultural statistics | |
US20140025305A1 (en) | System and Method for Forest Management Using Stand Development Performance as Measured by Leaf Area Index | |
Eugenio et al. | Estimation of soybean yield from machine learning techniques and multispectral RPAS imagery | |
Tiwari et al. | Wheat area mapping in Afghanistan based on optical and SAR time-series images in google earth engine cloud environment | |
CN114863369B (zh) | 激光雷达监测玉米倒伏的方法、装置、设备及介质 | |
Panda et al. | Distinguishing blueberry bushes from mixed vegetation land use using high resolution satellite imagery and geospatial techniques | |
CN104933699B (zh) | 基于高斯函数拟合方差自动提取地表植被物候信息的方法 | |
Lu et al. | Rice height monitoring between different estimation models using UAV photogrammetry and multispectral technology | |
Sabzchi-Dehkharghani et al. | Recognition of different yield potentials among rain-fed wheat fields before harvest using remote sensing | |
Santos et al. | Using UAV and multispectral images to estimate peanut maturity variability on irrigated and rainfed fields applying linear models and artificial neural networks | |
Kumar et al. | Development of spectral signature of land cover and feature extraction using artificial neural network model | |
Bao et al. | Forecasting spring maize yield using vegetation indices and crop phenology metrics from UAV observations | |
Kustiyo et al. | Annual Forest Monitoring as part of Indonesia's National Carbon Accounting System | |
Lin et al. | Stratified burn severity assessment by integrating spaceborne spectral and waveform attributes in Great Xing'an Mountain | |
Xu et al. | Estimating growth height of winter wheat with remote sensing | |
Jacygrad et al. | Comparison between field measured and UAV-derived pistachio tree crown characteristics throughout a growing season | |
Giordano et al. | Temporal structured classification of Sentinel 1 and 2 time series for crop type mapping | |
Ashapure et al. | Combining UAS and Sentinel-2 Data to Estimate Canopy Parameters of a Cotton Crop Using Machine Learning | |
Pareek | Assesing Hailstorm Damages in Crops Using Multi-Temporal Remote Sensing Data and Machine Learning Solutions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181002 |