基于mdla方法的灾害损失评估与制图.docxVIP

基于mdla方法的灾害损失评估与制图 摘要：大范围、及时、准确的灾害损失评估与制图对防灾减灾、农业保险和粮食安全等至关重要。针对传统灾害损失评估方法空间尺度单一、泛化能力差、时效性低，可操作性弱等问题，本文建立了一种遥感产品耦合作物模型的多尺度的灾害损失评估方法 MDLA （a Multiscale Disaster Loss Assessment）。该方法利用作物模型的多情景模拟产生大量的灾害样本，结合对应日期的遥感指标构建灾害脆弱性模型，依托Google Earth Engine （GEE）平台将其应用到高分辨率遥感影像和格点灾害指标进行逐象元评估。以鄂伦春自治旗玉米为例，基于精细校准的CERES-Maize模型的模拟，利用两个生长季窗口的LAI和冷积温（CDD）建立统计模型来刻画低温对最终产量的影响，结合Sentinel-2数据逐格点计算完成高精度损失制图。结果显示，校准后的CERES-Maize模拟物候和产量的NRMSE分别为3.3%和8.9%。冷害情景模拟结果表明不同类型和生育期的低温冷害对玉米产量的影响不尽相同，其中生长峰值期（出苗—吐丝和吐丝—灌浆）最为敏感。回代检验显示，MDLA方法估算精度为11.4%，与历史冷害年份的实际损失相吻合。经评估，鄂伦春2018-08-09的冷害导致玉米减产23.7%，受灾面积1.86×10 1 引言随着人口增长和生物燃料消耗的增加，预计到2050年，全球粮食需求将翻一番（北方地区是中国重要的粮食产区和商品粮供应基地，玉米播种面积约60万ha，占粮豆总面积的50%，产量占全国的30%（全球变暖虽然使中国北方增温显著，延迟型冷害相对减少，但是由于极端气候事件趋于频繁，高纬地区温度波动幅度加大，短期极端低温造成的障碍型冷害具有频繁且加重的趋势（近年来，冷害损失评估备受关注，常用的方法有：（1）利用地面气象观测数据构建气象灾害指标和产量损失之间关系的统计模型（GEE (Google Earth Engine）免费提供了大量全球的多源、多尺度遥感数据，支持并行云端计算、存档和分析海量遥感数据（综上，为了改进遥感数据耦合作物模型的灾损评估方法，探索GEE环境对多尺度作物冷害灾损评估的支持能力，本文的主要目的如下：（1）建立了作物冷害灾损模型耦合遥感的评估方法；（2）以鄂伦春玉米为例开展了作物冷害多尺度快速评估实验，并分析了GEE环境的支持能力。2 研究区及数据2.1 研究区概况鄂伦春自治旗位于内蒙古自治区呼伦贝尔市东北部嫩江西岸（图1），地处121°55E—126°10E,48°50N—51°25N之间，全旗总面积54657.8 km2.2 数据获取与处理2.2.1 遥感数据覆盖鄂伦春全境的影像有4景，行列号分别为第120列25行和26行，121列25行和26行，本文所使用的遥感数据的来源及其日期如表1所示。各影像首先通过GEE平台自带的FLAASH模型进行大气校正，然后基于陆地卫星生态系统干扰自适应处理模型LEDAPS (Landsat Ecosystem Disturbance Adaptive Processing System）将辐射值转化为反射率。最后利用云得分（Simple Cloud Score）算法基于亮度值、温度和归一化雪盖指数（NDSI）计算每个象元的云概率，剔除10%的象元，并且掩膜近红外波段20%的栅格，去除云覆盖和云阴影的影响。云概率（式中，b2.2.2 气象和土壤数据1980年—2018年的日平均、最高、最低气温（℃）、降雨量（mm）和日照时数（h）来自于国家气象信息中心（http：///[2019-05-14]），太阳辐射参照2.2.3 作物田块和农气站点记录数据用于作物种植区提取的3种田块（图1）由保险公司提供，主要分布在地势较为平坦的东部，其中玉米田块18个，大豆20个，小麦14个。校准作物模型所需的2011年—2017年的玉米生产数据来自于全国农业气象站点的观测数据集。农气数据包含了站点基本信息表（站点编号、站点名称、站点地址、经纬度、海拔等）、玉米生长基本数据记录表（品种、类型、熟制、发育期状况、生长状况、产量状况、产量结构）以及田间管理数据表（翻耕、施肥、灌溉、除草等）。在输入模型时，灌溉量换算为灌溉水深（cm），施肥量统一转换为氮肥施用量（kg/ha）。由于无法获得田块的产量数据，用于评估精度评价的县级产量从中国种植业网（http：///[2019-05-14]）和内蒙古统计年鉴整理得到。3 研究方法本文提出的玉米多尺度灾害损失评估方法MDLA (Multiscale Disaster Loss Assessment）主要包括以下6个步骤（图2):(1）基于回归树算法（