GEE环境下的玉米低温冷害损失快速评估
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× 104 ha,其中高海拔地区损失较重(减产率＞25％),低温冷害对该区玉米生产构成了严重的威胁.与现有的统计回归、作物模型模拟以及同化等技术相比,其优势在于:(1)结合遥感观测和作物模型模拟技术能更好地刻画了灾害对产量的影响过程;(2)利用GEE平台快速处理海量遥感数据,提高了灾害损失评估的时效性;(3)不受地面实测数据的限制,易操作,可实现动态、多尺度(象元、田块、村,县等)的损失评估,这为防灾减损、维持粮食丰产稳产提供了保障,也为农业保险的业务化运行提供了思路.
遥感、多尺度灾害损失评估(MDLA)、Google Earth Engine、作物模型、冷害指标、玉米
24
粮食丰产增效科技创新项目编号:2017YFD0300301
2020-11-10（万方平台首次上网日期，不代表论文的发表时间）
共15页
1206-1220
