摘要
农作物灾害损失评估是农业防灾减灾和农业保险理赔的核心环节，传统评估方法效率低、精度差、争议多，难以满足现代农业发展的需求。遥感技术以其宏观性、客观性和可重复性的独特优势，为农作物灾害损失评估提供了科学可靠的技术手段。本文系统研究了基于遥感技术的农作物灾害损失评估方法，详细阐述了洪涝、干旱、台风、病虫害等主要灾害类型的遥感监测方法与损失评估模型，深入分析了NDVI时序分析、作物生长模型、产量估算模型等核心技术在灾害损失评估中的应用，并结合时维遥感在多个省份农业灾害评估项目中的实践经验，提出了可操作的灾害损失遥感评估技术方案与实施建议，为农业管理部门和保险机构开展灾害损失评估提供了方法参考。
引言
农业灾害是威胁粮食安全和农民收入的重要因素。 据应急管理部统计，2023年我国各类自然灾害共造成农作物受灾面积2.3亿亩，其中绝收面积近3000万亩，直接农业经济损失超过1500亿元。准确、及时、客观的灾害损失评估，对于指导救灾救援、保险理赔、灾后恢复重建具有重要意义。
传统的农作物灾害损失评估主要依靠人工田间调查和统计上报，存在"三难"问题：
1. 发现难：人工调查效率低，大量偏远区域难以到达
2. 评估难：主观判断差异大，评估结果争议多
3. 追溯难：历史数据缺失，难以进行长期趋势分析
遥感技术的发展为解决这些问题提供了有效途径。 卫星遥感可以快速获取大范围农田的灾害信息，无人机遥感可以提供高精度的局部细节信息，物联网传感器可以实时监测环境参数变化。通过多源遥感数据的综合分析，可以实现对农作物灾害损失的全覆盖、高精度、客观化评估。
时维遥感长期从事农作物灾害遥感评估技术研发与服务，在小麦涝灾、水稻干旱、玉米台风等多种灾害类型评估中积累了丰富经验。本文将从灾害类型、评估方法、模型构建、实施流程等维度，系统介绍农作物灾害损失遥感评估方法。
---
一、主要农业灾害类型与特征
1.1 气象灾害
# 1.1.1 洪涝灾害
洪涝灾害是我国农业生产面临的最主要气象灾害。
| 灾害类型 | 成因 | 发生区域 | 危害特点 |
|----------|------|----------|----------|
| 洪涝淹没 | 暴雨、河流决堤 | 沿江沿河地区 | 积水深、浸泡久 |
| 内涝积水 | 连续降雨、排水不畅 | 低洼平原 | 积水浅、持续长 |
| 风暴潮 | 台风+高潮位 | 沿海地区 | 海水倒灌 |
洪涝灾害对农作物的危害程度与淹没水深、浸泡时长、水温等因素相关：
| 浸泡时长 | 水稻受害程度 | 减产幅度 |
|----------|--------------|----------|
| <1天 | 轻微影响 | 5-15% |
| 1-3天 | 中度影响 | 20-40% |
| 3-5天 | 严重受损 | 50-80% |
| >5天 | 绝收 | 100% |
# 1.1.2 干旱灾害
干旱是影响范围最广、持续时间最长的农业气象灾害。
| 干旱类型 | 成因 | 影响指标 | 危害特点 |
|----------|------|----------|----------|
| 土壤干旱 | 长期无雨、蒸散量大 | 土壤含水量 | 影响根系吸水 |
| 大气干旱 | 高温、低湿、强风 | 作物蒸腾 | 水分失调 |
| 综合干旱 | 上述双重作用 | 作物受害 | 危害最重 |
干旱对作物的影响表现为阶段性特征：
| 作物生育期 | 干旱敏感度 | 减产系数 |
|------------|------------|----------|
| 苗期 | 中 | 0.2-0.4 |
| 营养生长旺盛期 | 高 | 0.4-0.6 |
| 生殖生长期 | 最高 | 0.6-0.8 |
| 成熟期 | 中低 | 0.2-0.4 |
# 1.1.3 台风灾害
台风带来的狂风和暴雨对农业生产造成复合危害。
| 危害类型 | 主要表现 | 遥感识别特征 |
|----------|----------|--------------|
| 作物倒伏 | 茎秆折断、植株倒伏 | 高分辨影像纹理分析 |
| 机械损伤 | 叶片撕裂、茎秆折断 | NDVI下降 |
| 洪涝淹没 | 暴雨引发的积水 | 水体提取 |
| 风暴潮 | 海水倒灌盐渍化 | 植被退化 |
1.2 生物灾害
# 1.2.1 病害
主要作物病害及其遥感监测指标：
| 病害名称 | 危害作物 | 典型症状 | 监测指标 |
|----------|----------|----------|----------|
| 条锈病 | 小麦 | 黄色条状孢子堆 | NDVI↓、红边蓝移 |
| 白粉病 | 小麦 | 白色粉状物 | NDVI↓ |
| 稻瘟病 | 水稻 | 叶片病斑 | NDRE↓、NDVI↓ |
| 纹枯病 | 水稻、玉米 | 云纹状病斑 | NDVI↓ |
| 玉米大斑病 | 玉米 | 大斑块 | NDVI↓ |
# 1.2.2 虫害
| 虫害名称 | 危害作物 | 危害特点 | 监测特征 |
|----------|----------|----------|----------|
| 草地贪夜蛾 | 玉米 | 暴食性 | 叶片缺刻、NDVI↓ |
| 稻飞虱 | 水稻 | 刺吸危害 | 黄矮症状、NDVI↓ |
| 粘虫 | 玉米、小麦 | 暴食性 | 叶片啃食、NDVI↓↓ |
| 蚜虫 | 麦类 | 刺吸危害 | 卷叶、褪绿 |
1.3 遥感响应特征对比
| 灾害类型 | NDVI响应 | 近红外响应 | 可见光响应 |
|----------|-----------|-------------|-------------|
| 洪涝 | 急剧下降 | 急剧下降 | 水体特征 |
| 干旱 | 缓慢下降 | 下降 | 颜色变淡 |
| 倒伏 | 明显下降 | 明显下降 | 纹理变化 |
| 病害 | 逐渐下降 | 下降 | 颜色异常 |
| 虫害 | 局部下降 | 局部下降 | 缺刻/卷曲 |
---
二、遥感损失评估技术体系
2.1 评估技术框架
农作物灾害损失遥感评估技术框架包括四个核心环节：
# 2.1.1 数据获取与预处理
| 数据类型 | 获取内容 | 时效要求 |
|----------|----------|----------|
| 灾前影像 | 灾害发生前最近影像 | 灾害前1个月内 |
| 灾后影像 | 灾害发生后应急获取 | 灾害后72小时内 |
| 气象数据 | 降雨、温度等 | 实时 |
| 农业数据 | 作物类型、播种面积 | 年度 |
# 2.1.2 灾害信息提取
| 提取内容 | 技术方法 | 精度要求 |
|----------|----------|----------|
| 灾害范围 | 变化检测、水体提取 | >90% |
| 灾害类型 | 光谱特征分析 | >85% |
| 发生时间 | 时序分析 | 与实际相符 |
| 演变过程 | 多时相分析 | 连续跟踪 |
# 2.1.3 损失程度评估
| 评估内容 | 评估方法 | 精度要求 |
|----------|----------|----------|
| 面积损失 | 地块统计 | >95% |
| 产量损失 | 模型估算 | >85% |
| 经济损失 | 产量×价格 | 与实际相符 |
# 2.1.4 结果验证与应用
| 应用场景 | 输出内容 | 交付形式 |
|----------|----------|----------|
| 救灾决策 | 灾情报告 | 专题图+报告 |
| 保险理赔 | 核查报告 | GIS数据+报告 |
| 统计分析 | 统计报表 | 图表 |
2.2 评估指标体系
# 2.2.1 灾害强度指标
| 指标名称 | 定义 | 计算方法 |
|----------|------|----------|
| 受灾面积 | 实际发生灾害的面积 | 遥感提取 |
| 成灾面积 | 造成明显减产的面积 | 减产>10% |
| 绝收面积 | 基本无收成的面积 | 减产>80% |
| 灾害指数 | 综合灾害程度 | 多因子加权 |
# 2.2.2 损失评估指标
| 指标名称 | 定义 | 计算方法 |
|----------|------|----------|
| NDVI损失率 | (NDVI前-NDVI后)/NDVI前 | 遥感计算 |
| 减产系数 | 灾害导致的产量损失比例 | 经验模型 |
| 损失面积 | 受灾面积×减产系数 | 综合计算 |
| 经济损失 | 损失产量×单位价格 | 统计计算 |
---
三、核心评估方法
3.1 NDVI时序分析法
# 3.1.1 方法原理
NDVI时序分析是灾害损失评估最常用的遥感方法。 通过对比灾前灾后NDVI值的变化，结合历史NDVI数据建立基准线，可以评估灾害对作物生长的影响程度。
NDVI损失率计算：
```
NDVI损失率 = (NDVI_灾前 - NDVI_灾后) / NDVI_灾前 × 100%
```
# 3.1.2 分析流程
NDVI时序分析的技术流程：
```
历史NDVI数据 → 建立基准曲线 → 灾前NDVI
↓
灾后NDVI获取
↓
对比分析计算 → 损失评估
```
# 3.1.3 应用条件
| 适用条件 | 说明 |
|----------|------|
| 有灾前影像 | 灾害前1个月内清晰影像 |
| 云层遮挡少 | 分析区域云覆盖率<20% |
| 同质区域 | 作物类型、生长阶段一致 |
| 基准数据 | 有多年历史NDVI数据 |
3.2 作物生长模型法
# 3.2.1 模型原理
作物生长模型基于作物生理生态过程，模拟作物生长发育和产量形成过程。 在灾害条件下，通过调整模型输入参数（水分、养分、病虫害），可以模拟灾害对作物生长的影响，进而评估产量损失。
代表性模型：
| 模型名称 | 研发机构 | 主要特点 |
|----------|----------|----------|
| APSIM | 澳大利亚 | 适用性强、模块化 |
| WOFOST | 荷兰 | 机理清晰、参数化 |
| DSSAT | 美国 | 应用广泛 |
| CropSyst | 美国 | 简单易用 |
# 3.2.2 模型参数化
灾害条件下模型参数调整：
| 灾害类型 | 调整参数 | 调整方法 |
|----------|----------|----------|
| 干旱 | 土壤水分 | 遥感土壤水分反演 |
| 洪涝 | 根系氧气 | 浸泡时长估算 |
| 病虫害 | 光合效率 | NDVI损失率反推 |
| 冻害 | 最低温度 | 气象站数据 |
3.3 产量估算模型法
# 3.3.1 统计模型
基于历史数据建立NDVI与产量的统计关系：
```
Yield = a × NDVI_max + b × NDVI_mean + c
```
模型建立流程：
1. 收集多年NDVI数据与产量数据
2. 选择关键生育期NDVI指标
3. 建立回归方程
4. 验证模型精度
5. 应用于灾害损失评估
# 3.3.2 机器学习模型
利用机器学习算法建立NDVI与产量关系：
| 算法类型 | 适用场景 | 优缺点 |
|----------|----------|--------|
| 随机森林 | 大样本、复杂关系 | 精度高、可解释性差 |
| SVM | 小样本、高维数据 | 泛化能力强 |
| XGBoost | 工程应用 | 精度高、速度快 |
| 神经网络 | 高度非线性 | 需要大量数据 |
3.4 分类后比较法
# 3.4.1 方法原理
分类后比较法通过对灾前灾后遥感影像分别进行作物分类，然后比较分类结果获取变化信息。
# 3.4.2 技术流程
```
灾前影像 → 预处理 → 作物分类 → 灾前分类图
↓
灾后影像 → 预处理 → 作物分类 → 灾后分类图
↓
叠加比较 → 变化统计
```
# 3.4.3 适用场景
| 适用场景 | 说明 |
|----------|------|
| 种植结构变化 | 改种、弃耕等情况 |
| 绝收区域识别 | 作物死亡区域 |
| 新增建设用地 | 违法占地情况 |
---
四、分灾害类型评估方法
4.1 洪涝灾害损失评估
# 4.1.1 技术流程
洪涝灾害损失遥感评估流程：
1. 水体提取：利用MNDWI提取灾后水体范围
2. 农田叠加：与农田边界数据叠加
3. 淹没分析：结合地形分析淹没水深
4. 损失评估：根据淹没程度估算损失
# 4.1.2 淹没分析模型
淹没损失评估模型：
| 淹没程度 | 判定条件 | 减产系数 |
|----------|----------|----------|
| 轻度 | 水深<20cm或时长<2天 | 10-20% |
| 中度 | 水深20-50cm或时长2-5天 | 30-50% |
| 重度 | 水深>50cm或时长>5天 | 60-90% |
| 绝收 | 全淹或浸泡>7天 | 100% |
# 4.1.3 时序监测
洪涝灾害需进行退水过程监测：
- 监测水体消退过程
- 评估作物恢复可能性
- 补充评估灾后损失
4.2 干旱灾害损失评估
# 4.2.1 干旱监测指标
| 指标类型 | 指标名称 | 数据来源 |
|----------|----------|----------|
| 气象干旱 | SPI、PDSI | 气象站数据 |
| 农业干旱 | VTCI、SWDI | 遥感数据 |
| 遥感干旱 | NDVI异常 | 遥感数据 |
# 4.2.2 VTCI计算方法
植被温度条件指数（VTCI）：
```
VTCI = (LSTmax - LST) / (LSTmax - LSTmin)
```
其中：
- LST为地表温度
- LSTmax为NDVI某等级的最大温度
- LSTmin为NDVI某等级的最小温度
# 4.2.3 干旱损失评估
基于VTCI的干旱损失评估：
| VTCI值 | 干旱等级 | 减产系数 |
|--------|----------|----------|
| >0.4 | 正常 | <10% |
| 0.2-0.4 | 轻度干旱 | 10-20% |
| 0.1-0.2 | 中度干旱 | 25-40% |
| <0.1 | 重度干旱 | >50% |
4.3 台风灾害损失评估
# 4.3.1 倒伏监测
作物倒伏是台风灾害的主要表现：
| 倒伏程度 | 影像特征 | 减产系数 |
|----------|----------|----------|
| 轻微倒伏 | 倾斜<30° | 10-20% |
| 中度倒伏 | 倾斜30-60° | 30-50% |
| 严重倒伏 | 倾斜>60° | 60-80% |
| 平铺倒伏 | 贴近地面 | >80% |
# 4.3.2 倒伏识别方法
基于高分辨率影像的倒伏识别：
1. 纹理方向分析：计算影像纹理主方向
2. 形态学处理：增强或抑制特定方向特征
3. 面向对象分析：识别具有倒伏特征的对象
4.4 病虫害损失评估
# 4.4.1 监测指标
病虫害遥感监测的核心指标：
| 指标类型 | 指标名称 | 病虫害响应 |
|----------|----------|------------|
| 植被指数 | NDVI、NDRE | 下降 |
| 红边参数 | REP、RES | 蓝移/降低 |
| 温度指标 | Tc-Ta | 升高 |
| 纹理指标 | 均质性 | 下降 |
# 4.4.2 损失评估
病虫害损失评估需要考虑：
1. 发生面积：遥感监测发病面积
2. 危害程度：基于NDVI变化评估
3. 生育期影响：敏感期危害更大
4. 防治效果：是否采取防控措施
---
五、评估模型构建
5.1 模型构建流程
灾害损失评估模型构建流程：
```
数据收集 → 特征选择 → 模型训练 → 模型验证 → 模型应用
```
5.2 数据要求
| 数据类型 | 具体内容 | 数据要求 |
|----------|----------|----------|
| 遥感数据 | 多期NDVI、气象数据 | 时间序列完整 |
| 验证数据 | 实地调查产量 | 分布均匀、数量充足 |
| 辅助数据 | 土壤、地形、作物类型 | 空间覆盖完整 |
5.3 模型验证
| 验证指标 | 计算方法 | 合格标准 |
|----------|----------|----------|
| R² | 决定系数 | >0.7 |
| RMSE | 均方根误差 | <15% |
| MAE | 平均绝对误差 | <10% |
| 准确率 | 分类准确度 | >85% |
---
六、实施案例
6.1 某省小麦涝灾损失评估
# 6.1.1 项目背景
2023年6月，某省连续遭遇强降雨，造成大面积小麦田积水受灾。省农业农村厅委托时维遥感开展灾害损失遥感评估。
# 6.1.2 技术方案
| 阶段 | 工作内容 | 技术方法 |
|------|----------|----------|
| 数据获取 | 灾前GF-1、灾后Sentinel-1 | 多源数据融合 |
| 水体提取 | MNDWI指数法 | 自动化提取 |
| 农田叠加 | GIS空间分析 | 地块级统计 |
| 损失评估 | 淹没时长模型 | 分级估算 |
# 6.1.3 评估结果
| 统计指标 | 评估结果 |
|----------|----------|
| 受灾面积 | 856万亩 |
| 成灾面积 | 423万亩 |
| 绝收面积 | 78万亩 |
| 产量损失 | 185万吨 |
| 经济损失 | 52亿元 |
# 6.1.4 精度验证
与省统计局数据对比：
| 对比指标 | 遥感评估 | 统计上报 | 偏差 |
|----------|----------|----------|------|
| 受灾面积 | 856万亩 | 892万亩 | -4.0% |
| 成灾面积 | 423万亩 | 445万亩 | -4.9% |
6.2 某县水稻干旱损失评估
# 6.2.1 项目背景
2022年7-9月，某县遭遇严重伏旱，水稻生产受到严重影响。保险公司委托时维遥感评估干旱损失。
# 6.2.2 技术方案
1. 干旱监测：基于Sentinel-2计算VTCI
2. 生育期分析：结合物候历确定敏感期
3. 损失评估：VTCI与减产系数关系模型
4. 精度验证：与实测产量对比
# 6.2.3 评估结果
| VTCI等级 | 面积(万亩) | 平均减产系数 | 损失产量(万吨) |
|----------|------------|--------------|----------------|
| 轻度干旱 | 4.2 | 15% | 0.8 |
| 中度干旱 | 6.8 | 32% | 2.9 |
| 重度干旱 | 2.3 | 55% | 1.7 |
| 合计 | 13.3 | - | 5.4 |
---
七、质量控制与保障
7.1 质量控制措施
| 控制环节 | 控制内容 | 控制方法 |
|----------|----------|----------|
| 数据质量 | 影像质量、时相 | 目视检查+自动检测 |
| 处理质量 | 几何纠正、辐射校正 | 精度检查 |
| 解译质量 | 分类精度、边界精度 | 抽样验证 |
| 结果质量 | 数据一致性、逻辑性 | 交叉验证 |
7.2 精度保障
| 精度指标 | 一级要求 | 二级要求 |
|----------|----------|----------|
| 面积精度 | >95% | >90% |
| 损失精度 | >90% | >85% |
| 时效性 | 7日内 | 15日内 |
---
总结
农作物灾害损失遥感评估方法是提高灾害评估效率、精度和公正性的重要技术手段。 本文系统阐述了洪涝、干旱、台风、病虫害等主要灾害类型的遥感监测方法与损失评估模型。
时维遥感的实践经验表明，基于NDVI时序分析、作物生长模型和机器学习方法的遥感评估技术，可以实现对农作物灾害损失的科学、客观、精准评估。
随着遥感技术的进步和应用的深入，遥感评估将成为农业灾害损失评估的标准方法，为农业防灾减灾和保险理赔提供更加有力的技术支撑。
