茶园受干旱高温复合灾害危害卫星遥感定量监测方法

本发明涉及光学卫星遥感数据处理、机器学习、园艺、自然灾害监测交叉领域，具体涉及茶园受干旱高温复合灾害危害卫星遥感定量监测方法。

背景技术：

1、卫星遥感已经广泛应用于农作物面积提取和农业灾害遥感监测。与水稻、玉米、小麦等大宗粮食作物相比，利用卫星遥感技术提取茶园信息提取的研究起步较晚。在作物温度胁迫遥感监测方面研究比较少，尤其是前高温胁迫研究依旧限制在大田实验和室内实验，卫星遥感研究很少。但到目前为止，还没有利用卫星遥感技术对茶园在干旱高温复合胁迫下的受害情况进行监测的报道。

2、总体而言，对于农业灾害卫星遥感监测，等大宗农作物的灾害遥感监测研究较多，对茶园等研究较少；采用的卫星遥感数据以改进型甚高分辨率扫描辐射计(advanced veryhigh resolution radiometer，avhrr)、中分辨率成像光谱仪(moderate-resolutionimaging spectroradiometer，modis)、热带降雨测量任务(tropical rainfall measuringmission，trmm)、高级微波扫描辐射计(the advanced microwave scanning radiometer，amsr)、土壤水分主动/被动卫星任务(soil moisture active passive，smap)、土壤湿度与海水盐度(soil moisture and ocean salinity，smos)卫星等较多，这些卫星的优势是时间分辨率较高，但空间分辨率较低，不能满足农业生产需求，随着卫星遥感技术发展，美国陆地卫星(landsat)、欧空局哨兵(sentinel)系列卫星和我国高分、资源、环境减灾等中高分辨率卫星数据越来越丰富，需要进一步挖掘其在茶园灾害遥感监测中的潜力；

3、传统的灾情实况数据采用野外人工调查，费时、费力、劳动强度大、效率低下，而无人机技术的发展，为地面灾情调查提供了可靠的技术手段。因此，急需利用无人机、中高空间分辨率卫星遥感技术的优势，发展茶园干旱高温复合灾害胁迫危害卫星遥感定量监测技术，以满足茶园灾害损失评估与田间管理需要。

技术实现思路

1、干旱高温复合胁迫是全球气候变化背景下愈发严重的一种自然灾害，本发明的目的是针对在干旱高温复合胁迫下，茶园遭受危害缺乏区域定量监测与评估产品问题，通过充分利用无人机、机器学习、卫星遥感的优势，提出了茶园受干旱高温复合灾害危害卫星遥感定量监测方法，干旱高温复合灾害胁迫下茶园受害程度指数参考数据获取技术、茶园受害程度指数卫星遥感定量估算技术和茶园受害程度指数卫星遥感定量制图技术，形成茶园受干旱高温复合灾害危害卫星遥感定量监测技术体系，实现对干旱高温复合灾害胁迫下茶园受害严重程度的卫星遥感定量监测。

2、茶园受干旱高温复合(compound drought–heatwave,cdh)灾害卫星遥感定量监测方法，包括以下步骤：

3、步骤1、获取茶园cdh受害区域的sentinel-2遥感影像和无人机数据，并进行预处理。

4、步骤2、利用预处理后的遥感影像，构建特征空间，结合xgboost算法提取茶园种植面积。

5、步骤3、根据预处理后的无人机数据，计算基于无人机数据的茶园cdh受害程度指数(cdh damage severity index，cdh_dsi)参考数据；

6、步骤4、基于茶园种植区域的sentinel-2遥感影像及其特征空间计算茶园遭受cdh胁迫前后植被指数变化(δvi)。

7、步骤5、利用茶树cdh_dsi受害程度指数参考数据和δvi，构建茶园cdh_dsi估算模型。

8、步骤6、基于茶园cdh_dsi估算模型及全域sentine-2遥感影像，完成基于卫星遥感的茶园cdh_dsi定量制图。

9、以下作为本发明的优选技术方案：

10、步骤1中，对获取到的sentinel-2遥感影像和无人机数据进行预处理，具体包括以下步骤：

11、对遥感影像数据进行拼接、裁剪、去云和重采样至10米等预处理步骤。

12、对无人机照片数据采用专业软件进行拼接，获得区域无人机影像。

13、步骤2中，首先构建包括原始光谱波段和植被指数的茶园提取特征空间，原始光谱波段包括：蓝光波段(msi2)、绿光波段(msi3)、红光波段(msi4)、红边波段1(msi5)、红边波段2(msi6)、红边波段3(msi7)、近红外波段1(msi8)、近红外波段2(msi8a)、短波红外波段1(msi11)、短波红外波段2(msi12)。

14、植被指数包括归一化差植被指数(normalized difference vegetation index,ndvi)、绿色归一化差植被指数(green normalized difference vegetation index,gndvi)、比值植被指数(ration vegetation index，rvi)、增强型植被指数(enhancedvegetation index，evi)，其计算公式如下；

15、

16、

17、

18、

19、其中，ρmsi2、ρmsi3、ρmsi4、ρmsi8分别指蓝、绿、红和近红外波段。

20、然后基于xgboost算法提取茶园种植面积。

21、步骤3计算基于无人机数据的茶树cdh受害程度指数(cdh damage severityindex，cdh_dsi)参考数据，包括以下步骤：

22、首先基于无人机高空间分辨率影像识别出受害茶叶。

23、其次根据sentinel-2像元大小(10米)，计算一个sentinel-2像元内的茶叶受害比例，

24、作为茶园cdh受害程度指数参考数据。

25、步骤4中，首先计算茶园遭受干旱高温复合灾害前后植被指数变化δvi，

26、

27、其中，vibefore代表受害前的植被指数，viafter代表受害后的植被指数；

28、步骤5，以茶树cdh_dsi参考数据为因变量，以δvi(％)为自变量，采用xgboost算法构建茶园cdh_dsi遥感估算模型。

29、步骤6中，利用步骤5构建的cdh_dsi遥感估算模型，计算研究区所有茶园像元的cdh_dsi，实现县域尺度的茶园cdh_dsi空间分布制图。

30、与现有技术相比，本发明的优点在于：

31、1、将机器学习引入茶园受干旱高温复合灾害危害卫星遥感监测，提高监测精度；2、将无人机引入受干旱高温复合灾害危害的茶园受灾情况调查，作为卫星遥感建模和验证的地面真实数据，样本数量更多，精度更高，数据更可靠；3、传统的卫星遥感灾害监测都是针对干旱、高温、低温、洪涝等单一灾种，本发明首次利用卫星遥感技术对干旱高温复合胁迫下茶园受害程度进行监测；4、提出的灾害严重度指数与受灾前后植被指数变化相关性强，物理意义明确，实现对茶园受害程度指数卫星遥感定量估算和卫星遥感定量制图；5、该方法适用于所有进行干旱高温复合灾害危害的茶园受害严重度卫星遥感监测，其思路也适用于受干旱、洪涝、高温、低温危害的茶园卫星遥感监测，对于其它作物的灾害遥感监测也有借鉴意义。