水旱灾害遥感监测主要卫星数据源、无人机常用传感器参数、干旱遥感监测指标计算方法、水旱灾害监测统计表样

附录A

（资料性）

水旱灾害遥感监测主要卫星数据源表A.1常用光学卫星源及其相关参数表卫星型号国家发射时间空间分辨率重访周期高分一号（GF-1）中国2013年全色2m，多光谱8m和宽幅多光谱16m4天高分一号B、C、D星（GF-1B、GF-1C、GF-1D）中国2018年全色2m，多光谱8m2天高分二号（GF-2）中国2014年全色0.8m，多光谱3.2m5天高分四号（GF-4）中国2015年可见光50m，中波红外400m全天时高分六号（GF-6）中国2018年全色2m，多光谱8m和宽幅多光谱16m2天（GF-1组网）高分七号（GF-7）中国2019年全色0.65m，多光谱2.5m≤60天资源一号02C星（ZY02C）中国2011年全色2.36m，多光谱10m3天资源一号02D星（ZY102D）中国2019年全色2.5m，多光谱10m2天（联网02E）资源一号02E星（ZY02E）中国2021年全色2.5m，多光谱10m，长波红外15m2天（联网02D）资源三号01星、02星、03星（ZY3-01、ZY3-02、ZY3-03）中国2012年2016年2020年全色2.1m，多光谱5.8m1天（组网）可持续发展科学卫星1号（SDGSAT-1）中国2021年全色10m，多光谱40m，热红外30m11天环境减灾2号A、B星（HJ-2A、HJ-2B）中国2020年多光谱16m，红外96m2天（组网）北京三号A、B星（BJ-3A、BJ-3B）中国2021年2022年全色0.5m，多光谱2m3-5天吉林一号系列中国2015年-2023年全色0.72m、多光谱2.88m<12小时（组网）高景一号01/02、03/04星（SuperView-1/2、SuperView-3/4）中国2016年2018年全色0.5m，多光谱2m4天（单星）1天（四星组网）GeoEye-1美国2008年全色0.41m，多光谱1.65m3天WordView-4美国2016年全色0.31m，多光谱1.24m3天Landsat-8、Landsat-9美国2013年2021年全色15m，多光谱30m，热红外100m16天（单星）Pleiades-1A、Pleiades-1B法国2011年2012年全色0.5m，多光谱2m1天（双星协同）SPOT6、SPOT7法国2012年2014年全色1.5m，多光谱6m3天（单星）1天（组网）Sentinel-2A、B、C星（Sentinel-2A、Sentinel-2B、Sentinel-2C）欧洲空间局2015年2017年2024年多光谱10m/20m/60m10天（单星）5天（组网）Aqua、TerraMODIS传感器美国1999年2002年可见光250m，短波红外500m，热红外1000m<1天风云三号（FY-3D、E、F、G）MERSI-II、III传感器中国2017年2021年2023年可见光250m<1天表A.2常用雷达卫星源及其相关参数表平台国家发射时间频段极化方式最高空间分辨率/m测绘带幅宽/km重访周期（天）高分三号01、02、03星（GF-3、GF-3B、GF-3C）中国2016年2021年2022年C单极化、双极化、四极化110~650<1.5（组网）陆探一号A、B星（LT-1A、LT-1B）中国2021年L单极化、双极化、四极化350~4008（单星）4（双星）环境减灾2号E星（HJ-2E）中国2022年S单极化、双极化525~1002.5（80%区域）海丝一号（BC-1）中国2020年CVV极化15~1003巢湖一号（BC-2）中国2022年CVV极化17~1502~3涪城一号（BC-3）中国2023年CVV极化17~15011TerraSAR-X德国2007年X单极化、双极化、四极化110~10011TanDEM-X德国2010年X单极化、双极化、四极化110~15011RADARSAT-2加拿大2007年C单极化、双极化、四极化310~50024RADARSAT星座（

RCM）加拿大2019年C单极化、双极化、四极化15~5004(星座）COSMO-SkyMed意大利2007年X单极化、双极化110~20016COSMO-SkyMed二代卫星（CSG）意大利2019年X单极化、双极化、四极化0.33~20016ALOS-2日本2014年L单极化、双极化、四极化125~49014Sentinel-1A星（Sentinel-1A）欧洲空间局2014年C双极化580~40012

附录B

（资料性）

无人机常用传感器参数表B.1无人机热红外相机参数热红外相机参数详情基本参数热像仪非致冷VOx微测辐射计传感器分辨率640*512光谱带7.5um~13.5um全帧速度30Hz（NTSC），25Hz（PAL）可导出帧速度7.5Hz（NTSC），8.3Hz（PAL）测量精度+/-5°C或读数的5%物理参数大小2.26"x1.75"（包括镜头）重量101.0g~124.5g（与配置有关）图像处理与显示控制SUAS图像优化是场景预置&图像处理是--可通过应用程序调整调色板是--可通过应用程序或PWM调整放大是--可通过应用程序或PWM调整接口输入电压4.8VDC~6.0VDC功率消耗（峰值）2.1W（3.9W）环境工作温度范围-20℃~+50℃工作高度+12.192km表B.2无人机多光谱相机参数多光谱相机基本参数详情重量170g（包括DLS）体积9.4cm*6.3cm*4.6cm（3.7″*2.5″*1.8″）功耗4.2V~15.8V，正常4W，最高8W光谱通道蓝波段、绿波段、红波段、红边波段、近红外波段GSD地面样品距离在120mAGL处为8.2cm/像素（每波段）最大捕获速度每秒捕获1次（所有波段），12位RAW

附录C

（规范性）

干旱遥感监测指标计算方法C.1归一化差异水体指数法归一化差异水体指数NDWI（NormalizedDifferentialWaterIndex）按公式（C.1）计算：NDWI=RG-RNirR式中：NDWI——归一化差异水体指数，取值范围为[-1，1]；RG、RNir——分别代表遥感影像的绿光波段和近红外波段的地表反射率。C.2热惯量法C.2.1土壤热惯量是土壤的一种热特性，它是引起土壤表层温度变化的内在因素，与土壤含水量有密切的相关关系，同时又控制着土壤温度日较差的大小。为简化计算，可使用热红外遥感影像反演的温度日较差代替热惯量。C.2.2土壤相对湿度宜通过建立热惯量与土壤相对湿度之间的线性或非线性关系模型估算，按公式（C.2）计算：………………（C.2）式中：W——0cm~20cm以内土层的土壤相对含水量，%；ΔT——温度日较差，可由昼夜地表温度的差值得到，单位为摄氏度（℃）。C.2.3应用热惯量法估算土壤相对湿度涉及两个时次的卫星资料，要求如下：a）白天和夜间过境时，研究区应是晴空无云，以获得最高和最低地表温度；b）昼夜两幅影像应经过严格配准后得到昼夜温差；c）可用于被测土壤是裸露的或植被覆盖度较低的区域。C.3特征空间法基于植被指数和地表温度构成的二维空间散点图呈三角形的区域分布特征，得到温度植被干旱指数TVDI(TemperatureVegetationDrynessIndex），可通过TVDI与土壤相对湿度的关系，建立基于地表温度与植被指数的土壤含水量反演模型，可用于植被盖度和土壤相对湿度变化较大区域的干旱状况监测。TVDI按公式（C.3）~公式（C.6）计算：……………（C.3）NDVI=RNir-RRedR………（C.5）………（C.6）式中：Ts——给定像元对应的地表温度，利用热红外遥感影像反演得到，单位为摄氏度（℃）；NDVI——归一化差值植被指数，%，取值范围为[-1，1]；RRed——代表遥感影像红波段的表观反射率或地表反射率；Tsmax——给定NDVI对应的最高地表温度，单位为摄氏度（℃），通过线性回归分析提取湿边获得；Tsmin——给定NDVI对应的最低地表温度，单位为摄氏度（℃），通过线性回归分析提取干边获得；a1,b1,a2,b2——为待定系数，最高地表温度和NDVI拟合方程的系数，通过对NDVI和Ts散点图的分析获得。C.4植被状态指数法植被状态指数VCI（VegetationConditionIndex）反应植被状态程度，可用于植被覆盖较好区域的干旱状况监测，其中NDVI的最大值与最小值应采用同期的多年长时间序列确定。按公式（C.7）计算：……（C.7）式中：VCIj——第j时段的植被状态指数，%，以像元为计算单元，取值范围为[0，100]，0代表植被条件最差，100代表植被条件最佳；NDVIj——第j时段的NDVI值，%，时间段可根据监测需要设定为日、旬、月等；NDVImax——多年同期影像中NDVI的最大值，%；NDVImin——多年同期影像中NDVI的最小值，%。注：植被状态指数表达了与多年历史同期相比植被长势的好坏，间接说明了土壤水分状态。VCI值越大，说明植被与历史同期相比长势越好，水分充足；相反地，值越小，与历史同期相比植被长势差，说明植被受旱。C.5最大温度植被条件指数最大温度植被条件指数MTVI(MaximumofTemperatureVegetationConditionIndex)按公式（C.8）和公式（C.9）计算：………………（C.8）………………（C.9）式中：MTVIi——第i时段TCI和VCI中的最大值，%；TCIi——第i时段的温度条件指数，%，以像元为计算单元，取值范围为[0，100]，0代表温度条件最差，100代表温度条件最佳；LSTi——第i时段的地表温度值，单位为摄氏度（℃）；LSTmax——多年同期地表温度的最大值，单位为摄氏度（℃）；LSTmin——多年同期地表温度的最小值，单位为摄氏度（℃）；VCIi——第i时段的植被状态指数，%，计算公式参见（C.7），时间段可根据监测需要设定为日、旬、月等。C.6植被健康指数法植被健康指数VHI（VegetationHealthIndex）按公式（C.10）计算：……（C.10）VCI和TCI宜分别采用同期的多年长时间植被指数序列和地表温度序列确定。C.7距平植被指数法距平植被指数AVI（AverageVegetationIndex）宜采用同期的多年长时间植被指数序列确定，按公式（C.11）计算：……（C.11）式中：AVIj——第j时段的距平植被指数，%；——多年同期植被指数的平均值，%。C.8温度距平异常指数温度距平异常指数LSTI(LandSurfaceTemperatureIndex)按公式（C.12）计算：LSTIi=LSTi-式中：LSTIi——第i时段的温度距平异常指数；LST——同时期平均地表温度；δ(LST)——范围内同地物的平均地表温度。C.9水体面积距平百分率水体面积距平百分率指某时段内的水体面积与历史同期平均水体面积之间的差异程度，按公式（C.13）计算：Sw=S-SS式中：Sw——水体面积距平百分率，%；S——某时段水体面积，km2；S——计算时段同期平均水体面积，km2。C.10像元尺度光谱匹配法增强型光谱相似度（EnhancedSpectralSimilarity，ESS）按公式（C.14）计算：QUOTE（C.14）式中：A——标准光谱中第i个日期的植被指数；B——待测光谱中第i个日期的植被指数；——标准光谱的平均值；——目标光谱的平均值；——标准光谱的方差；——目标光谱的方差；n——时间序列的影像数量；EDS——欧式距离；m——欧氏距离的最小值；M——欧氏距离的最大值；SCS——光谱相关系数。注：ESS指标综合了光谱曲线形状和光谱几何空间距离的优点，在像元尺度上量化不同对象间的相似度，能够识别出与标准光谱相似度高的像元。通过野外调研获取主要作物真实样点，以作物整个生育期的NDVI时间序列为输入数据，以作物真实样点的NDVI时序曲线平均值作为该类作物的标准光谱，利用ESS量化各像元与标准光谱的相似度，再通过阈值实现各类作物的遥感提取。ESS的有效范围为[0,1]，ESS越大，说明待测光谱与标准光谱的形状越相似，在进行作物种植结构遥感识别时宜利用地面真实样点率定阈值，根据经验阈值一般可取0.7。C.11基于随机森林的作物种植结构遥感提取法随机森林算法（RF）利用自助抽样技术通过有放回地抽取样本集的一部分创建回归树集群，并通过投票的方式得到最终分类结果。随机森林基本过程是：a）使用bootstrap抽样方法从原始样本中随机选择K个训练样本，K宜不少于50个，且样本在研究区均匀分布；b）为K个训练样本中的每一个构建K个决策树模型，并获得K个分类结果。每个决策树的输入变量是从N个特征中随机提取M个特征；c）根据K个分类结果，通过投票确定最终分类结构。基于随机森林的作物种植结构遥感提取流程包括以下内容：a）分类特征，根据作物类型识别目标特征，一般选用光谱反射率、光谱指数和地形特征构成分类特征集，作为随机森林分类器的输入数据。地形特征包括通过数字高程数据获取的海拔高度和坡度；光谱反射率应包括红光、绿光、蓝光和近红外反射率。光谱指数宜包括NDWI、NDVI、和陆表水分指数（LSWI），分别按公式（C.1）、（C.4）和（C.15）计算：LSWI=RNir-RSWIRRNir+RSWIRQUOTE式中：RSWIR——短波红外反射率，LSWI取值范围为（-1，1）。b）样本数据，在时目视解译结合野外调研样点选择样点，根据随机、均匀的原则进行采集，保证样点涵盖目标作物类型，将样点按7:3的比例进行随机分配，70%样本用于分类器训练，30%样本用于精度评价；c）精度评价，通过验证样本计算目标年份作物种植范围提取结果的混淆矩阵，通过混淆矩阵评估分类结果的总体精度（OverallAccuracy,OA）、KAPPA系数，评估作物种植范围提取结果的精度。OA和KAPPA系数分别按公式（C.16）和（C.17）计算：OA=TP+TNTP+FN+FP+TN或OA=1Ni=1rKappa=Ni=1rΣxii式中：TP——被模型分类正确的正样本；FN——被模型分类错误的正样本；FP——被模型分类错误的负样本；TN——被模型分类正确的负样本；Xii——混淆矩阵第i行第i列值，即对角线值。C.12基于地表温度日较差的灌溉面积遥感监测法基于MODIS的地表温度日较差计算公式如下：LST=LSTday-LSTnight式中：LSTday为MODIS第一波段白天地表温度数据（K）；LSTnight为MODIS第五波段夜间地表温度数据（K）。通过确定一个地表温度日较差的阈值（△Ts）判断该耕地是否发生灌溉，即当地表温度日较差小于△Ts时则认为发生了灌溉。LSTDt-1-LSTDt>∆L式中：LSTDt-1——前一时段的地表温度日较差；LSTDt——后一时段的地表温度日较差；∆L——利用地表温度日较差监测灌溉的阈值；进行灌溉判定时应剔除降水的影响，剔除降水影响方法如图C.1所示。根据目标地区情况，在利用地表温度日较差监测灌溉面积时，宜分时段通过实测土壤相对湿度数据/灌溉记录/地面样点划分阈值。图C.1剔除受降水影响数据的决策树分类C.13基于遥感指标变化的灌溉面积遥感监测法宜通过植被供水指数（VSWI）和修正垂直干旱指数（MPDI）的变化监测灌溉面积，MPDI可用于裸土或低植被覆盖区域的灌溉面积识别，VSWI可用于高植被覆盖区域的灌溉面积识别。MPDI和VSWI分别按公式（C.20）、（C.21）和（C.22）计算：（C.20）式中：B——增强系数。MPDI=RRed+MRNir-（C.22）式中：M——土壤基线的斜率；fv——植被覆盖度；Rred,v——植被在红光波段的反射率，通常情况下取0.05；RNir,v——植被在近红外波段的反射率，通常情况下取0.5；NDVImax——植被完全覆盖（fv=1）时对应的NDVI值；NDVImin——裸土（fv=0）时对应的NDVI值。通过实测土壤相对湿度数据/灌溉记录/地面样点，率定反演灌溉面积的MPDI/VSWI变化阈值，实现灌溉面积遥感监测，可按公式（C.23）和（C.24）计算：VSWIt-VSWIt-1>∆IMPDIt-1-MPDIt>∆M式中：VSWIt-1——前一时段的VSWI；VSWIt——后一时段的VSWI；∆I——利用VSWI监测灌溉的阈值；MPDIt-1——前一时段的MPDI；MPDIt——后一时段的MPDI；∆M——利用MPDI监测灌溉的阈值。C.14基于无人机影像的叶面积指数基于无人机影像的叶面积指数（LeafAreaIndex，LAI）计算方法如下：数据采集，通过无人机多载荷低空遥感技术获取多光谱影像数据，采集叶面指数地面实测数据，并通过多光谱影像数据计算植被指数NDVI、增强型植被指数（EVI）、土壤调整植被指数（SAVI）、优化三角形植被指数（TVI）、差值环境植被指数（DVI）、比值植被指数（RVI）、优化土壤调节植被指数（OSAVI）和转化叶绿素吸收反射指数（TCARI），可按公式C.4、C.25~C.31计算；EVI=2.5(RNir-RRed)RSAVI=1.5(RNir-RRed)/(RNir+RRed+0.5)（TVI=60(RNir-RG)-100(RRed-RG)（C.2DVI=RNir-RRedRVI=RNirRRed（OSAVI=1+0.16RNir-RRedTCARI=3[(RRE-RRed)-0.2(R式中：RB、RRE——分别代表蓝波段和红边波段的地表反射率。b）夏玉米各生长阶段不同干旱程度叶面积指数（LAI）反演模型构建：使用协同配准NDVI-OTSU方法进行土壤背景剔除，提取夏玉米冠层纯植被指数像元值，选取NDVI、EVI、SAVI和TVI植被指数分别与实测的叶面积指数在不同生育期构建3种类型的回归方程，并从中选择每个生育期中与叶面积指数（LAI）相关性最高的回归方程作为该生育期的最优模型方程；所述不同生育期指玉米的拔节期、抽穗期、吐丝期、成熟期；所述3种类型的回归方程为线性方程、指数方程及对数方程；c）冬小麦各生长阶段不同干旱程度叶面积指数（LAI）反演模型构建：使用NDVI-Otsu方法（计算NDVI后，使用OTSU方法确定小麦与土壤背景二值化分割阈值）进行土壤背景剔除，提取冬小麦冠层纯植被指数像元值，选取NDVI、DVI、RVI、EVI、OSAVI和TCARI植被指数分别与实测的叶面积指数在不同生育期构建4种类型的回归方程，并从中选择每个生育期中与叶面积指数（LAI）相关性最高的回归方程作为该生育时期的最优模型方程；所述不同生育时期指冬小麦的拔节－抽穗期、抽穗－灌浆期、灌浆－成熟期；所述4种类型的回归方程为一元线性方程、一元多项式方程、指数方程及对数方程；d）基于叶面积指数的冬小麦旱情等级划分见表C.1；表C.1冬小麦旱情等级划分表旱情等级正常轻旱中旱重旱拔节–抽穗期>2.82.3~2.81.7~2.3<1.7抽穗-灌浆期>4.23.6~4.23.2~3.6<3.2灌浆-成熟期>5.174.74~5.174.3~4.74<4.3e）基于叶面积指数的夏玉米旱情等级划分见表C.2。表C.2夏玉米旱情等级划分表旱情等级正常轻旱中旱重旱拔节期＞3.53.0～3.52.3～3.0＜2.3抽穗期＞3.12.8～3.12.5～2.8＜2.5吐丝期＞3.72.9～3.72.2～2.9＜2.2成熟期＞2.82.5～3.82.2～2.5＜2.2C.15基于无人机影像的叶绿素含量基于无人机影像的叶绿素含量（SoilandPlantAnalyzerDevelotrnent，SPAD）计算方法如下：数据采集，通过无人机低空遥感技术获取多光谱影像数据，采集叶绿素含量地面实测数据，并基于无人机多光谱影像数据计算植被指数NDVI、EVI、SAVI、DVI、RVI、OSAVI、TCARI和红边归一化植被指数（RENDVI），按公式C.4、C.25~C.26、C.28~C.32计算；RENDVI=(RNIR-RRE)/(RNIR+RRE)（C.32）b）夏玉米各生长阶段不同干旱程度叶绿素含量反演模型构建：使用NDVI-OTSU方法进行土壤背景剔除，提取夏玉米冠层纯植被指数像元值，选取植被指数NDVI、RENDVI和SAVI分别与实测的叶绿素含量数据在不同生育期构建3种类型的回归方程，并从中选择每个生育期中与叶绿素含量相关性最高的回归方程作为该生育期的最优模型方程；所述不同生育期指玉米的拔节期、抽穗期、吐丝期、成熟期；所述3种类型的回归方程为线性方程、指数方程及对数方程；c）冬小麦各生长阶段