摘要 農田澇災遙感識別并非簡單的水域信息增強與提取，因“作物-水體”的復合而呈現特定的空間異質性和復雜性?；谶b感等空間信息技術手段，研究顧及多種農田澇災影像特征的澇災信息快速提取方法。2021年7月中下旬，河南省經歷了特大洪澇災害，以衛(wèi)輝市和?？h為研究區(qū)域，使用Sentinel-2影像數據，分析農田澇災的影像特征，基于歸一化植被指數，快速提取了衛(wèi)輝市和浚縣的農田澇災空間分布信息。經實地采集的信息驗證，2縣（市）提取精度均在90%以上。

關鍵詞 農田澇災；復合信息；影像特征；信息提取

中圖分類號 S 127 文獻標識碼 A 文章編號 0517-6611（2024）23-0211-05

doi：10.3969/j.issn.0517-6611.2024.23.046

Image Feature Analysis and Extraction Method Study of Farmland Waterlogging Based on Remote Sensing

CHEN Yuan-yuan1， JIAO Wei-jie1， WANG Lai-gang2 et al

（1. Big Data Development Center， Ministry of Agriculture and Rural Affairs， Beijing 100125;2. Henan Academy of Agricultural Sciences， Zhengzhou， Henan 450002）

Abstract The previous researches on the recognition of farmland waterlogging using remote sensing usually focus on the enhancement and extraction of waterbody information. In fact， the features of farmland waterlogging in remote sensing image are different from those of water， presenting specific heterogeneity and complexity due to the composite of crops and waterbody. The method of rapid extraction of farmland waterlogging based on spatial information technology was explored， which takes into account the complexity of farmland waterlogging. Mid to late July in 2021， catastrophic flood disaster occurred in Henan Province. Taking Weihui City and Junxian as the research areas and Sentinel 2 image as the main data， we analyzed the image characteristics of farmland flood disasters and the distribution information of farmland waterlogging in research areas was extracted by combining normalization difference vegetation index and visual interpretation. The accuracies of the two research areas were more than 90%， based on the in situ data.

Key words Farmland waterlogging;Composite information;Image characteristics;Information extraction

基金項目 國家重點研發(fā)計劃項目（2019YFE0115200，2023YFB3906-205）。

作者簡介 陳媛媛（1985—），女，河北衡水人，高級工程師，博士，從事農業(yè)災害遙感監(jiān)測研究。*通信作者，正高級工程師，碩士，從事農業(yè)遙感應用與信息化研究。

收稿日期 2023-11-27

洪澇災害是指由于降水過多或過于集中，特定區(qū)域無法承受或排出過量水體而被浸泡或完全淹沒的現象［1］，其發(fā)生往往具有突發(fā)性和不確定性。我國洪災災害發(fā)生頻率高，尤其是在每年的7和8月，東北、華北和江淮一帶時常發(fā)生洪澇災害，強降雨導致的農田積水、河道決堤給農業(yè)生產帶來不少損失［2］。準確、快速提取農田范圍內的洪澇災害信息，有助于各級農業(yè)管理部門第一時間掌握災情范圍和受災程度，快速制定合理的救災和減災方案，最大程度減少災害損失，同時也有利于農業(yè)保險部門制定精準的理賠方案，創(chuàng)新理賠模式［3-4］。洪澇發(fā)生后，往往造成多條道路積水嚴重，車輛無法通行，加之農業(yè)澇災多成片大面積發(fā)生，靠人力很難在短時間內全面勘察清楚。以遙感為主的空間信息技術具有觀測范圍大、表達信息客觀以及與地理信息系統(tǒng)結合使用強大的空間數據分析等優(yōu)勢，是洪澇災害信息提取和分析的有效手段［5］。

首次運用遙感技術進行洪澇災害監(jiān)測和制圖試驗的是美國學者Rango［6］，之后不少研究者開展了基于遙感影像的洪澇災害信息提取研究，創(chuàng)建了歸一化差異水體指數（normalized difference water index，NDWI）、基于Sentinel-1的雙極化水體指數等模型來突出水體與背景信息的差異，并將相關指數用在不用區(qū)域不同時間的災害監(jiān)測研究中。例如，周晗［7］用NDWI提取2017年斯里蘭卡特大洪災淹沒區(qū)；代輝等［8］用歸一化差異水體指數監(jiān)測了2012年內蒙古巴彥淖爾的特大暴雨。此外，蘇亞麗［9］利用MODIS時序數據采用歸一化植被指數（NDVI）關注澇災開始時間和持續(xù)時長；汪權方等［5］建立了洪災擴展動態(tài)度指數和區(qū)域災情比較指數，研究了2016年夏季鄱陽湖區(qū)域的農業(yè)澇災時空變化趨勢；眭海剛等［10］提出了多模態(tài)序列遙感影像的一體化配準和洪澇災損信息提取方法。隨著近年來雷達影像技術的發(fā)展，Sentinel-1、Gaofen 3等微波數據也被應用到洪澇災害監(jiān)測領域［11-14］，但是雷達影像中的相干斑噪聲往往導致水體提取結果中“椒鹽現象”比較明顯，提取精度和智能化水平往往較光學影像低［7，15］。分析既有研究不難發(fā)現，前人利用遙感技術提取洪澇區(qū)域的研究往往側重于水域信息的增強和提取［7，16-18］。實際上，就農田澇災而言，其影像特征不同于水域，會因“萎蔫或死亡作物-水體”復合程度的不同而呈現復雜的影像特征［1］，具有空間異質性。除了明顯的水體特征外，還存在因長時間水淹而萎蔫的作物以及淹沒區(qū)水體和作物共存的混合現象等，這也往往會導致澇災遙感識別的不確定性。以前研究往往“將洪災區(qū)域視為水域”來進行提?。?9］，對“農田洪澇災區(qū)的空間異質性與復雜性”問題關注不多，這也是快速提取澇災區(qū)域的難點所在。光學影像較雷達數據表達的地物信息更為豐富，適合用于關注和研究農田洪澇災區(qū)的空間異質性和復雜性問題。

面向農田澇災信息業(yè)務化監(jiān)測需求，筆者以2021年7月河南省歷史上罕見的特大澇災為關注點，研究農田澇災的空間異質性問題；利用第二次全國土地調查（以下簡稱“二調”）等基礎地理信息數據作為輔助，探索一種適合農田洪澇災區(qū)目標多樣化特征的農業(yè)澇災快速提取策略。該研究一方面為農業(yè)部門快速客觀掌握洪澇災損信息提供參考，另一方面也為因水淹而受損的農業(yè)災害精準理賠提供有價值的空間信息。

1 研究區(qū)域與數據源

1.1 研究區(qū)域

2021年7月17日開始，河南省多地持續(xù)出現暴雨甚至特大暴雨，本輪降雨基本在7月23日才停止。全省各地出現了不同程度的汛情，其中鄭州、新鄉(xiāng)、鶴壁等市災情嚴重。衛(wèi)輝市位于新鄉(xiāng)市北部，屬于全市海拔最低的地方；?？h位于鶴壁市東部，緊鄰衛(wèi)輝市。共產主義渠、衛(wèi)河、東孟姜女河等河流都在衛(wèi)輝、?？h境內交匯，是上游排水的必經之處。受連續(xù)強降雨影響，7月23日凌晨，共產主義渠開始漫堤溢洪，衛(wèi)河決堤，河流流經的衛(wèi)輝市和?？h較大范圍被洪水淹沒，成為受降雨和泄洪雙重因素影響的洪澇重災區(qū)。因此該研究以衛(wèi)輝市和?？h為研究區(qū)域（圖1），利用Sentinel-2光學影像分析2縣（市）耕地受災情況。

1.2 遙感影像

研究區(qū)域在7月17—30日間均有不同程

度的降水，該研究獲取了研究區(qū)域2021年7月31日的

Sentinel-2無云遙感影像。Sentinel-2衛(wèi)星于2015年發(fā)射成功，攜帶的多光譜成像儀幅寬290 km，具有從可見光至短波紅外的13個波段，空間分辨率為10、20和60 m。該研究使用的Sentinel-2數據是從Google Earth Engine平臺上下載的標準地表反射率產品，經裁剪后得到覆蓋衛(wèi)輝市和浚縣的遙感影像（圖2），用于分析澇災影像特征及信息提取方法研究。

1.3 其他地理信息數據

基礎地理信息數據對于業(yè)務化洪澇災害快速監(jiān)測是必要的。該研究重點關注農田澇災的空間分布范圍和信息，因此利用二調數據中旱地、水田、水澆地的矢量圖斑，合成耕地圖層。對二調數據中村級的土地利用類型進行合并，形成村級行政界線數據。

1.4 野外調查數據

7月下旬，研究區(qū)域道路和農田積水過多，野外調查于8月份進行，調查區(qū)域主要是人能到達或是視野能觸及的農田區(qū)域。調查重點在共產主義渠、東孟姜女等河流漫溢、決堤周邊重災區(qū)一帶開展。在高精度GPS的支持下，衛(wèi)輝市和?？h分別搜集了37、51個野外調查數據（圖3），記錄了每個調查點處的經緯度、作物淹沒情況，用于輔助澇災農田遙感影像特征分析及提取結果的驗證。

2 方法

研究按照災情目標信息分析—災情區(qū)域提取—災情信息統(tǒng)計與驗證的思路開展，具體流程見圖4。

2.1 災情目標信息分析

受降雨時長和河流決堤等主次生

因素疊加影響，截至7月底，研究區(qū)域內有的地方洪水仍未

消退，伴有嚴重積水、輕度積水等不同狀態(tài)，類似水體特征；有的地方水已消退，但作物因長時間浸泡呈現萎蔫或死亡態(tài)；有的地方呈現水體和作物的混合特征（圖5）。因此，該研究的災情目標信息涉及3類，分別為水體、萎蔫或死亡作物、由水體-萎蔫或接近死亡作物構成的混合承災體，單純提取農田內的水體不能完全提取出受災區(qū)域。利用遙感影像的紅和近紅外波段計算NDVI值，即（近紅外-紅）/（近紅外+紅），發(fā)現這3類承災體的共同特征是NDVI值較未受洪災影響而正常生長的作物區(qū)域明顯偏低，這也與前人研究結論相一致［20-21］。根據幾何形狀和沿一定方向延伸的特征判斷，研究區(qū)域內存在部分寬度較窄、在二調耕地圖層中并

未去除的道路信息，其光譜特征值與因長時間受淹而萎蔫或死亡的

作物光譜特征類似，其NDVI值與因長時間受淹而萎蔫或死亡的作物NDVI值接近，在災損信息圖層中去除這類信息難度較大。

2.2 災情區(qū)域提取

此次農田澇災提取的關鍵在于如何從遙感影像中快速提取出上述3類目標信息。針對受云雨天氣影響無法保障多時次光學影像的情況，該研究抓住3類目標信息具有NDVI值偏低這一共同特性，制定了農田澇災提取策略。具體過程如下：針對“2.1”中的發(fā)現，首先用NDVI圖像，通過設置閾值將原始影像二值化，提取出低于閾值的區(qū)域。衛(wèi)輝市和?？h的NDVI閾值分別為0.65、0.75。使用基于二調數據合成的耕地圖層對NDVI低閾值區(qū)域進行掩膜，得到農田澇災的初步提取結果；針對“2.1”中的發(fā)現并結合前人研究，人類視覺系統(tǒng)在感知外界環(huán)境時有極強的辨識力，即使對遙感影像的少數具有微弱光譜信號地物，也能憑借其亮度、顏色、形狀等的綜合性狀與周邊像元不同而快速處理，從而能夠分辨出這些目標對象［1］，這也是部分狹窄田間道路能夠被人眼識別出來但卻不能被計算機分類出來的原因。因此，該研究對初步結果進行柵格—矢量轉換，通過人機交互和目視判讀的方式進行修正，刪除混在初步提取結果中的狹窄道路信息，得到精確的農田澇災空間分布圖（圖6）。

2.3 災情信息統(tǒng)計與驗證

將所提農田澇災空間分布結果與村界矢量圖層進行疊加分析，統(tǒng)計各個村的農田澇災情況。以實地調查的樣點受災與否信息與遙感提取的農田澇災結果的符合情況評估本文結果的準確性，如公式（1）所示。

A=N1/N2×100%（1）

式中：A表示文本結果的準確率；N1和N2分別表示實地調查與遙感結果吻合的調查點數量、調查點總數。

3 結果及驗證

3.1 結果

衛(wèi)輝市7月31日農田澇災面積17 160.94 hm2，占全市耕地面積的38.40%，涉及340個行政村。其中，頓坊店鄉(xiāng)下馬營村農田受災面積居全市農田受災面積之首，為373.89 hm2，占全市農田受災面積的2.18%。緊鄰其后的是邵莊村、黃土崗村、東紙坊村、萬戶寨村，受災面積均超過300 hm2，占全市農田受災面積的7.37%。63個村的農田受災面積在100～300 hm2，占全市農田受災面積的58.84%；272個村的農田受災面積在100 hm2以下，占全市農田受災面積的31.60%?？？h7月31日農田澇災面積32 860.91 hm2，占全縣耕地面積的45.03%，涉及468個行政村。受災最為嚴重的是白寺鎮(zhèn)白寺村，農田受災面積731.71 hm2，占全縣農田受災面積的2.22%；其次是新鎮(zhèn)鎮(zhèn)新鎮(zhèn)村、刑固村、54854部隊、衛(wèi)賢鎮(zhèn)趙崗村、新鎮(zhèn)鎮(zhèn)牛村、申店村，農田受災面積在300～600 hm2，占全縣農田受災面積的7.17%。118個村的農田受災面積在100～300 hm2，占全縣農田受災面積的58.11%；343個村的農田受災面積在100 hm2以下，占全縣農田受災面積的32.49%。

從受災區(qū)域的空間分布來看，大部分受災區(qū)域位于共產主義渠及其衛(wèi)河沿線地帶，這些地方地勢偏低，洪水和泄洪引發(fā)的次生洪澇疊加使得過量水體無法外排，積水成災。

3.2 驗證

根據實地調查，GPS記錄的所有調查點均遭受了洪澇災害侵襲，大部分驗證點在調查時間積水還較多，少量驗證點處積水已褪去，但作物已經萎蔫，幾乎面臨絕產。衛(wèi)輝市的37個驗證點中，35個驗證點的實地調查情況與遙感提取結果吻合，準確率94.59%；浚縣的51個驗證點中，47個驗證點的實地調查情況與遙感提取結果吻合，準確率92.16%。

4 結論與討論

不同于已公開文獻中大多關注水體信息的強化與提取研究，該研究針對農田洪澇災害的空間異質性問題，以農田澇災業(yè)務化提取為導向，結合遙感和基礎空間地理信息數據，提出了農田澇災快速提取方法。所提方法使用一期遙感影像，避免了陰雨天氣多時次高質量遙感影像獲取困難的問題。將所提方法應用在2個縣（市）的耕地洪澇災害信息提取中，經基于實地采集點的驗證，所提方法精度均在90%以上。

由于農田澇災影像特征的復雜多樣性以及精準耕地圖層數據的缺失，為準確提取農田澇災信息，該研究對基于NDVI閾值提取的農田澇災圖層進行了目視修正，這屬于定性或半定量的研究范疇［22］。未來，繼續(xù)探索挖掘澇災農田的光譜特征信息，構建針對農田澇災復雜多樣性的特征指數和定量遙感識別方法是農業(yè)洪澇災害領域的一個發(fā)展方向。

受天氣及地形等因素影響，洪澇災情往往處于不斷的動態(tài)變化之中，需使用澇災發(fā)生之后多時序的影像數據進行災情變化趨勢和災損程度分析。實際應用中，獲取特定時間特定地點的多時次影像依然是一項客觀挑戰(zhàn)，大范圍洪澇災害空間信息獲取與災情評估也因此存在響應速度不夠及時的問題。加強國產大寬幅遙感影像數據及產品的服務能力，強化多源遙感數據、遙感與非遙感數據協同監(jiān)測，提升災區(qū)信息智能化提取水平，是快速進行農業(yè)洪澇災情評估需重視的方向之一。

參考文獻

［1］ 汪權方，張雨，汪倩倩，等.基于視覺注意機制的洪澇淹沒區(qū)遙感識別方法［J］.農業(yè)工程學報，2019，35（22）：296-304.

［2］ 張少春，高惠瑛.全國年度和場次洪澇災情評估研究［J］.人民長江，2020，51（6）：5-10.

［3］ 隋學艷，梁守真，張金盈，等.不同生育時期玉米洪澇脅迫遙感監(jiān)測與評估［J］.作物學報，2021，47（1）：177-184.

［4］ 劉振功.基于遙感技術的農業(yè)保險業(yè)務模式創(chuàng)新研究［D］.濟南：山東大學，2016.

［5］ 汪權方，孫佩，王新生，等.基于洪水過程的農業(yè)洪災變化遙感快速評估模型及其應用［J］.長江流域資源與環(huán)境，2017，26（11）：1831-1842.

［6］ RANGO A，ANDERSON A T.Flood hazard studies in the Mississippi River basin using remote sensing［J］.Journal of the American water resources association，1974，10（5）：1060-1081.

［7］ 周晗.基于Sentinel1/2的斯里蘭卡洪澇淹沒范圍提取研究［D］.北京：中國科學院大學（中國科學院遙感與數字地球研究所），2018.

［8］ 代輝，武文波，劉純波，等.洪澇災害天空地一體化災情查勘技術研究［J］.自然災害學報，2014，23（1）：1-6.

［9］ 蘇亞麗.耕地暴雨洪水災害多源衛(wèi)星遙感監(jiān)測方法研究［D］.西安：西安科技大學，2018.

［10］ 眭海剛，趙博飛，徐川，等.多模態(tài)序列遙感影像的洪澇災害應急信息快速提?。跩］.武漢大學學報（信息科學版），2021，46（10）：1441-1449.

［11］ ALEXANDRE C，JOHARY R，CATRY T，et al.A Sentinel-1 based processing chain for detection of Cyclonic flood Impacts［J］.Remote sensing，2020，12（2）：1-18.

［12］ 周琳.基于改進SLIC算法的融合影像水體提取研究：以GF-1與GF-3為例［D］.贛州：江西理工大學，2019.

［13］ ZHANG M M，CHEN F，LIANG D，et al.Use of Sentinel-1 GRD SAR images to delineate flood extent in Pakistan［J］.Sustainability，2020，12（14）：1-19.

［14］ 賈詩超，薛東劍，李成繞，等.基于Sentinel-1數據的水體信息提取方法研究［J］.人民長江，2019，50（2）：213-217.

［15］ 李丹，吳保生，陳博偉，等.基于衛(wèi)星遙感的水體信息提取研究進展與展望［J］.清華大學學報（自然科學版），2020，60（2）：147-161.

［16］ 唐德可，王峰，王宏琦.基于馬爾科夫分割的單極化SAR數據洪澇水體檢測方法［J］.電子與信息學報，2019，41（3）：619-625.

［17］ UDDIN K，MATIN M A，MEYER F J.Operational flood mapping using multi-temporal Sentinel-1 SAR images：A case study from Bangladesh［J］.Remote sensing，2019，11（13）：1-19.

［18］ AMITRANO D，DI MARTINO G，IODICE A，et al.Unsupervised rapid flood mapping using Sentinel-1 GRD SAR images［J］.IEEE transactions on geoscience and remote sensing，2018，56（6）：3290-3299.

［19］ 伍俊斌，劉雷震，田豐，等.面向重大洪澇災害應急響應的災情動態(tài)評估方法研究：以2018年8月山東壽光洪澇災害為例［J］.北京師范大學學報（自然科學版），2020，56（6）：846-855.

［20］ 畢京佳.基于遙感和GIS的洪水淹沒范圍估測與模擬研究［D］.青島：中國科學院研究生院（海洋研究所），2016.

［21］ 解文歡，張有智，劉述彬.農業(yè)洪澇災害研究進展［J］.中國農業(yè)資源與區(qū)劃，2020，41（1）：204-211.

［22］ 王大鵬，李長安，李輝.基于遙感的武漢植被覆蓋動態(tài)變化研究［J］.農機化研究，2009，31（7）：74-78.