一种农作物雹灾评估方法技术

本发明专利技术涉及自然灾害评估技术领域，特别涉及一种农作物雹灾评估方法。通过获取农作物雹灾前灾后多期遥感数据，构建归一化植被指数(NDVI)、比值植被指数(RVI)、增强植被指数(EVI)、差值植被指数(DVI)、归一化红边指数(NDRE)等多种植被指数，计算多个灾前灾后植被指数差值来选取最优时相，结合实地调查样本数据，利用逻辑回归、决策树、随机森林、梯度提升决策树四种机器学习模型，训练得到最优评估模型，进而对农作物雹灾进行评估。本发明专利技术充分考虑了不同生育期下灾后农作物自我修复能力，可以客观的对雹灾影响的范围及程度进行评价，大大提高了遥感雹灾评估的精度。大提高了遥感雹灾评估的精度。大提高了遥感雹灾评估的精度。

【技术实现步骤摘要】
一种农作物雹灾评估方法


[0001]本专利技术涉及自然灾害评估
，具体地说，涉及一种农作物雹灾评估方法。

技术介绍

[0002]雹灾对农业生产造成巨大的经济损失，因此灾害发生后如何快速掌握灾害发生的程度及范围是政府部门以及金融保险机构关注的重点信息，将为下一步防灾减损、保险理赔提供科学依据。传统雹灾评估主要依靠人工田间调查的方式进行，这种调查方式的局限性是调查点的数量有限，调查点代表性不足，且开展大范围田间灾情调查需要耗费大量的人力物力。卫星遥感技术具有监测范围广、时效性强、监测结果客观等优点，可以用于快速对大范围受灾区域进行科学监测评估。常规的遥感评估均是以雹灾前后两期遥感影像为数据源，通过构建归一化植被指数(Normalized Difference Vegetation Index，NDVI)或其他植被指数差值来监测农作物雹灾灾情，这种方式忽略了作物自身的灾后恢复能力，对于灾情监测具有一定的干扰。

技术实现思路

[0003]本专利技术通过获取雹灾后多期遥感影像多个时段的灾前灾后差值，构建归一化植被指数(NormalizedDifference Vegetation Index，NDVI)、比值植被指数(Ratio Vegetation Index，RVI)、增强植被指数(Enhanced Vegetation Index，EVI)、差值植被指数(Difference Vegetation Index，DVI)、归一化红边指数(Normalized Difference Red Edge Index，NDRE)等多种植被指数，结合实地调查样本数据，利用逻辑回归、决策树、随机森林、梯度提升决策树等机器学习模型，训练得到最优评估模型。本专利技术充分考虑了作物本身灾后自我恢复能力，可以客观的对雹灾进行评价，大大提高了遥感雹灾评估的精度。
[0004]本专利技术的内容如下：
[0005]本专利技术提出一种农作物雹灾评估方法，包括以下步骤：
[0006]获取农作物雹灾前n期遥感数据，以及雹灾后m期遥感数据；实地调查采样地块数量为k，并根据受灾程度划分等级，作为雹灾评估的训练样本及验证数据；结合实地调查数据以及农作物生长物候信息，选取农作物的样本特征，利用关键期影像特征，提取农作物的空间分布；选取距离雹灾前最近时相；根据遥感数据获取的能力，最大限度选取雹灾后时相数量；选取雹灾评估指标VI，所述VI为植被指数，计算：
[0007]ΔVI＝VI
灾前
‑
VI
灾后
；
[0008]训练不同机器学习模型，将ΔVI作为模型输入，得到最优评估模型，并使用该最优评估模型评估评估农作物灾情。
[0009]进一步地，雹灾前遥感数据期数n≥1，雹灾后遥感数据期数m≥2。
[0010]进一步地，实地调查采样地块数量k>100。
[0011]进一步地，所述VI为NDVI、EVI、DVI、RVI、NDRE五种植被指数，计算公式如下：
[0012][0013][0014]DVI＝ρ
842
‑
ρ
665
[0015][0016][0017]其中，ρ
490
是蓝光波段，ρ
665
是红光波段，ρ
705
是红边1波段，ρ
842
是近红外波段；然后分别计算灾前灾后植被指数差值ΔVI。
[0018]进一步地，所述遥感数据来自欧空局哨兵2号(Sentinel 2)卫星。
[0019]进一步地，所述提取所述农作物的空间分布的方法为监督分类方法。
[0020]进一步地，机器学习模型包括逻辑回归(LR)、决策树(DTC)、随机森林(RFC)、梯度提升决策树(GBDT)。
[0021]进一步地，训练机器学习模型方法为：采用多次有放回抽样方法，选取50％样本进行训练，50％样本进行精度验证；评价指标选择总体分类精度Acc和Kappa系数两个指标；将每个植被指数以及对应的多个ΔVI作为所述模型的输入，分别计算单个植被指数、全部植被指数叠加、单个ΔVI以及多个ΔVI叠加对应的模型精度指标，最终得到最优评估模型。
[0022]进一步地，所述有放回抽样方法次数大于100。
[0023]本专利技术引入灾后多时相影像，通过计算多个灾前灾后植被指数差值来选取最优时相，对比常规遥感作物雹灾监测，本专利技术充分考虑了不同生育期下灾后作物自我修复能力，因此得到的雹灾评估结果更加科学合理，对雹灾评估类工程具有一定的普适性。此方法成本相对较低，从实用性角度分析此操作没有过多增加业务成本，因此可以满足实际业务化应用。
附图说明
[0024]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0025]图1本专利技术实施例中农作物雹灾评估方法流程图；
[0026]图2本专利技术实施例中农作物雹灾评估结果示意图。
具体实施方式
[0027]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于
本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0028]根据本专利技术的实施例，提供了一种农作物雹灾评估方法，图1为农作物雹灾评估方法流程图，包括以下步骤：获取农作物雹灾前n期遥感数据，以及雹灾后m期遥感数据；实地调查采样地块数量为k，并根据受灾程度划分等级，作为雹灾评估的训练样本及验证数据；结合实地调查数据以及农作物生长物候信息，选取农作物的样本特征，利用关键期影像特征，提取农作物的空间分布；选取距离雹灾前最近时相；根据遥感数据获取的能力，最大限度选取雹灾后时相数量；选取雹灾评估指标VI，所述VI为植被指数，计算：
[0029]ΔVI＝VI
灾前
‑
VI
灾后
；
[0030]训练不同机器学习模型，将ΔVI作为模型输入，得到最优评估模型，并使用该最优评估模型评估灾情。
[0031]通过上述方法，计算了多个灾前灾后植被指数差值来选取最优时相，较常规遥感作物雹灾监测充分考虑了不同生育期下灾后作物自我修复能力，因此得到的雹灾评估结果更加科学合理。
[0032]本专利技术的一优选实施例中，所述遥感数据来自欧空局哨兵2号(Sentinel 2)卫星，雹灾前遥感数据期数n≥1，雹灾后遥感数据期数m≥2，实地调查采样地块数量k>100。所述VI为NDVI、EVI、DVI、RVI、NDRE五种植被指数，计算公式如下：
[0033][0034][0035]DVI＝ρ...

【技术保护点】

【技术特征摘要】
1.一种农作物雹灾评估方法，其特征在于，包括以下步骤：获取所述农作物雹灾前n期遥感数据，以及所述雹灾后m期遥感数据；实地调查采样地块数量为k，并根据受灾程度划分等级，作为雹灾评估的训练样本及验证数据；结合所述实地调查数据以及所述农作物生长物候信息，选取所述农作物的样本特征，利用关键期影像特征，提取所述农作物的空间分布；选取距离所述雹灾前最近时相；根据遥感数据获取的能力，最大限度选取所述雹灾后时相数量；选取所述雹灾评估指标VI，所述VI为植被指数，计算：ΔVI＝VI
灾前
‑
VI
灾后
；训练不同机器学习模型，将所述ΔVI作为模型输入，得到最优评估模型；利用所述最优评估模型，评估所述农作物雹灾的灾情。2.根据权利要求1所述的农作物雹灾评估方法，其特征在于，所述雹灾前遥感数据期数n≥1，所述雹灾后遥感数据期数m≥2。3.根据权利要求1所述的农作物雹灾评估方法，其特征在于，所述实地调查采样地块数量k>100。4.根据权利要求1所述的农作物雹灾评估方法，其特征在于，所述VI为NDVI、EVI、DVI、RVI、NDRE五种植被指数，计算公式如下：RVI、NDRE五种植被指数，计算公式如下：DVI＝ρ
842
‑
ρ
665...

【专利技术属性】
技术研发人员：齐文栋，卢珍，高翔，杨晨铭，杨云静，黄甫觉，
申请(专利权)人：北京尚德智汇科技有限公司，
类型：发明
国别省市：