[发明专利]一种基于遥感抽样的农作物灾情损失评估方法

说明书

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。