基于多光谱遥感技术的农业气象灾害监测研究

摘 要：为了提高对农业气象灾害的监测效果，本研究提出基于多光谱遥感技术的监测方法。首先，利用Sisu CHEMA-SWIR光谱成像系统采集农业作业区的多光谱遥感数据，并利用黑白板校正的方式，对多光谱遥感图像进行校正处理；其次，通过收集地面观测数据，从预处理后的影像数据中提取与气象灾害相关的特征参数；最后，针对干旱、洪涝、冻害这3种农业气象灾害，利用上述提取的特征参数，结合地面观测数据展开监测。试验结果表明，该方法可以有效实现对光谱数据的处理，且检测结果的召回率较高，假警率较低。

关键词：多光谱遥感技术；农业气象灾害；气象监测；黑白板校正；特征参数

中图分类号：S 166" " " 文献标志码：A

极端天气事件和自然灾害对农业生产造成了巨大影响，通过加强气象监测技术研究和数据共享，可以提高对气象灾害的预警和防范能力，减少农业损失[1]。因此，农业气象灾害监测的研究具有重要的现实意义。随着农业现代化进程加快，精准农业越来越重要。通过利用先进的气象监测技术可以更精准地监测气象数据，提供更有效的农业生产指导[2]。文献[3]以GIS技术为基础，设计了农业气象灾害监测预警平台。该研究主要包括需求分析、数据获取与整合、空间数据分析与模型建立、预警信息发布与可视化、决策支持与应急响应以及系统优化与验证等方面工作。通过整合气象数据、利用GIS空间分析方法建立气象灾害监测模型。文献[4]以核主成分分析为基础，对农业气象的影响因子展开降维处理与分析，再将常规的BP神经网络与麻雀搜索算法等优化算法相结合，用于监测干旱灾受灾率。为此，本研究以干旱灾害和冻害为例，基于多光谱遥感技术设计了一种新的农业气象灾害监测方法。多光谱遥感技术能够获取目标物在不同光谱段的信息[5]，其可以透过云层和恶劣天气条件，获取地面灾害的详细信息，弥补了地面监测的不足。

1 数据获取与处理

1.1 多光谱遥感数据的获取与处理

本研究利用多光谱遥感成像系统采集农业作业区的多光谱遥感数据，为后续的农业气象灾害监测提高基础数据支持。多光谱遥感能够提供丰富的地物信息[6]，本研究选用Sisu CHEMA-SWIR光谱成像系统。该系统由光谱仪、控制主机、光谱控制器以及无人机平台等组成。其中，光谱仪采集范围为950nm～2575nm，光谱分辨率为3.45nm，共有288个波段，曝光时间在4000ms左右，帧率为32Hz。多光谱遥感成像系统的结构如图1所示。

为保证光源工作的稳定性，将光谱仪的输出电流控制在4.5A左右，锁相环频率控制在250Hz～300Hz的范围内。完成参数设定后，启动软件，对农业作业区环境样本进行透射光谱扫描。每个作业区域扫描次数为5次，并通过控制主机可视化呈现。遥感影像分辨率为1280pt×1024pt。由于成像系统的光源强度会发生变化，导致其发生明显的不均匀，且系统的暗电流会形成一定噪声，会影响采集的多光谱图像的质量[7]。针对这种情况，利用黑白板校正的方式对多光谱遥感图像实施处理，过程如下。

首先，在遥感图像中找到黑白参考板的像素位置，假设白板像素值为W，黑板像素值为B。白板通常具有接近100%的反射率，而黑板则具有接近0%的反射率。其次，针对每个光谱段计算校正系数。校正系数通常用于将图像的像素值DN（数字数）值转换为反射率值。假设白板和黑板在真实世界中的反射率分别为RW和RB（通常RW​=1，RB​=0），则校正系数K和偏移量d如公式（1）、公式（2）所示。

（1）

d=RB-K×B （2）

针对图像中的每个像素和每个光谱段，使用公式（3）进行校正。

μ=K×DN+d （3）

式中：μ为校正后的反射率值。

将每个像素和每个光谱段的DN值通过上述公式转换为反射率值，得到校正后的多光谱遥感图像。

1.2 收集地面观测数据

在采集农业作业区的多光谱遥感数据的基础上，为弥补多光谱遥感数据，同期收集地面观测数据，包括气象数据、土壤数据以及作物生长状况数据，这些气象数据可以直观地反映大气环境的状态和变化，对理解农业气象灾害的成因、发展以及影响至关重要。例如，在干旱监测中，降雨量数据可以帮助判断干旱的严重程度和持续时间；在冻害监测中，温度数据能够揭示低温对作物造成的损害程度。同时，气象数据可以作为遥感数据的校验和补充，提高灾害监测的准确性和可靠性。土壤是农作物生长的基础[8]，通过收集土壤数据可以获取土壤水分状况、肥力水平等信息，进而分析干旱、洪涝等灾害对土壤的影响。因此，这些数据与遥感数据相互验证，可以提高灾害监测的精度和可信度。

1.3 多光谱遥感特征提取

从预处理后的影像数据中提取与气象灾害相关的特征参数，本研究以波段反射率、光谱响应、土地温度变化、植被指数、水体指数、雪被覆盖率这6种特征为例，展开具体描述。

波段反射率是通过将遥感器接收到的辐射亮度值转换为反射率值，如公式（4）所示。

（4）

式中：rL为波段L的反射率；Lλ为辐射亮度；EL为在波段L上的太阳垂直入射到地表的辐照度；θ为太阳天顶角。

光谱响应是指不同波段的遥感传感器对地物表面不同波长光线的反射或辐射的响应情况，计算过程如公式（5）所示。

τ=（∂L1+∂L2+∂L3+∂L4）×σ （5）

式中：τ为核心光谱的光谱响应；∂L1、∂L2、∂L3和∂L4分别为波段的灰度矩阵；σ为波段系数。

土地温度变化的获取过程如下。1）辐射定标。辐射定标是将遥感器观测的原始DN（数字数）值转换为辐射亮度值，如公式（6）所示。2）大气校正。通过大气校正消除大气对热红外辐射的影响，可以获得实际的地表辐射亮度，如公式（7）所示。3）估算地表发射率。地表发射率是地表辐射特性的重要参数，其影响地表温度的反演精度，通常通过查找表来估算。4）地表温度反演。在得到地表真实的辐射亮度和发射率后，可以使用普朗克定律的反函数的反演得到地表温度，如公式（8）所示。

Lλ=DN×scale+offset （6）

式中：scale为增益系数；offset为偏移量。

（7）

式中：δγ为大气透过率；Ldown为大气下行辐射亮度；vλ为地表发射率。

（8）

式中：K1和K2分别为与热红外波段的中心波长有关的常数。

植被指数能够间接反映农作物的生长状况、覆盖度和健康状况，利用不同波段的反射率计算归一化植被指数，如公式（9）所示。

（9）

式中：NIR、R为近红外波段、红波段的反射率。

通过不同波段的反射率数据计算归一化水体指数（NDWI），如公式（10）所示。

（10）

式中：Green、MIR为绿光波段、中红外波段的反射率。

雪被覆盖率是指某一地区被雪覆盖的地表面积占该地区总面积的百分比，其可以反映降雪量、积雪分布和积雪融化等气象过程对地表环境的影响。

1.4 农业气象灾害监测

针对干旱、洪涝、冻害这3种农业气象灾害，利用上述提取的特征参数，结合地面观测数据展开监测。结合波段反射率rL、光谱响应τ、土地温度变化T、植被指数NDVI、水体指数NDWI对干旱灾害进行监测，监测指数如公式（11）所示。

Z1=ω1rL+ω2τ+ω3T+ω4NDVI+ω5NDWI （11）

式中：ω1、ω2、ω3、ω4、ω5为不同特征系数对应的权重。

干旱监测指数Z1的数值越高，表示潜在的干旱程度可能越严重。

结合波段反射率rL、光谱响应τ、水体指数NDWI以及同期收集的洪涝区域面积S、持续时间t、降雨量q对洪涝灾害进行监测，监测指数如公式（12）所示。

（12）

结合雪被覆盖率χ、植被指数NDVI以及表示地表温度T、降雪量C构建冻害指数，并设定阈值，将冻害程度划分为不同的等级。冻害指数如公式（13）所示。

Z3=ω3T+ω4NDVI+ω6χ+ω7C （13）

对冻害指数Z3的阈值范围进行划分：0～20为轻微冻害；21～40为中等冻害；41及以上为严重冻害。

2 试验与结果分析

为验证本文方法的实际应用性能，设计如下试验。试验以M农业作业区为研究范围，利用多光谱遥感针对该区域的农业气象灾害进行监测。试验设置多光谱遥感采集参数，见表1。

根据多光谱遥感技术获取M区域的地表数据，由于光谱数据中会存在干扰，因此采用本文方法进行光谱处理，获取处理前后的光谱结果，如图2所示。

分析图2可以看出，原始的光谱数据存在明显的基线漂移和不平滑问题，但在采用本文方法处理后，光谱基线漂移问题被有效处理，造成干扰导致的不平滑现象明显降低。因此，本文方法具有良好的光谱处理效果，可以为后续的农业气象灾害监测提供可靠的数据基础。在此基础上，将文献[3]、文献[4]中的检测方法作为对比，以预警结果的假警率和召回率为指标，与本文方法的应用性能进行对比，得到结果见表2。

分析表2可知，本文方法的假警率最高仅为0.11%，召回率的最大值达到99.05%。与其他2种方法相比，本文方法通过利用Sisu CHEMA-SWIR光谱成像系统采集农业作业区的多光谱遥感数据，并进行黑白板校正处理，能够提高数据质量和准确性，减少数据中的噪声和失真，从而减少假警率，增强结果可靠性，例如波段反射率、土地温度变化、植被指数等。利用这些特征参数，能够更全面、准确地描述目标区域的情况，提供更精确的监测指标，从而提高检测的准确性和召回率。

3 结语

本研究利用多光谱遥感技术提出一种农业气象灾害的监测方法。首先，采集农业作业区的多光谱遥感数据，并进行校正处理；同时收集地面观测数据作为校验和补充。其次，从预处理后的影像数据中提取与气象灾害相关的特征参数，包括波段反射率、光谱响应、土地温度变化、植被指数、水体指数、雪被覆盖率等。最后，利用提取的特征参数结合地面观测数据，对干旱、洪涝和冻害等农业气象灾害进行监测。通过这种方法，可以提高对农业气象灾害的监测效果，并为农业管理决策提供支持与指导。

参考文献

[1]佟钢，刘忠梅.农业气象灾害监测预测技术研究进展[J].农业灾害研究，2023，13（2）：55-57.

[2]朗杰次仁，红梅，李惠，等.气象灾害对农业生产造成的影响及防御对策[J].农业灾害研究，2022，12（4）：123-125.

[3]高雪.基于GIS技术的农业气象灾害监测预警系统研究[J].农业技术与装备，2021（11）：140-141.

[4]李思宇，李玥.基于KPCA-SSA-BP的农业气象灾害预测[J].江苏农业学报，2023，39（6）：1366-1371.

[5]陈治杰.浅谈农业气象预警现状及预警机制的完善措施——以“第八届全国农业与气象论坛”为例[J].核农学报，2023，37（11）：2315-2316.

[6]毛喜玲，殷淑燕，刘海红.面向极端气候事件的冀鲁豫地区农业气象灾害分析[J].水土保持研究，2023，30（4）：327-337.

[7]封伟祎，朱俊科，彭文宇，等.无人机多光谱遥感在农作物生长监测中的应用综述[J].农业与技术，2023，43（21）：42-46.

[8]刘琰琰，李佳星，代逸冰，等.基于GIS的四川盆周北部山区夏玉米农业气象灾害风险评估——以旺苍县为例[J].应用生态学报，2022，33（9）：2457-2465.