结合Sentinel-2卫星图像和实地数据对农作物洪灾损失进行评估：以2023年艾米利亚-罗马涅地区为例

《Remote Sensing Applications: Society and Environment》：Crop flood damage assessment integrating Sentinel-2 imagery and in situ data: The 2023 Emilia-Romagna case

随机森林模型结合Sentinel-2衍生指数、地形数据与洪水范围图，对意大利艾米利亚-罗马?2023年5月特大洪水引发的农业损失进行分类评估。研究基于412个农田实地数据，构建了无、中、高三级损伤分类体系，整体准确率达74%，但对轻微损伤区分不足。该方法创新性地将实地农损数据融入机器学习训练，为洪水频发区提供可复制的农业损失快速评估工具，有效支持灾后补偿决策。

　　

Filippo Bocchino|Valeria Belloni|Roberta Ravanelli|Camillo Zaccarini|Mattia Crespi|Roderik Lindenbergh

罗马智慧大学（Sapienza University of Rome）土木、建筑与环境工程系（DICEA）大地测量与地理信息学部门，意大利罗马，00184

摘要

洪水是气候变化最严重的后果之一，对包括农业在内的多个行业造成了巨大破坏。然而，对农业洪水损失的评估仍然有限，特别是在农业密集地区，及时的支持至关重要。本研究提出了一种基于数据的方法，通过应用于从地球观测（EO）数据中提取的特征的机器学习分类框架来评估作物洪水损失。具体来说，我们使用随机森林（Random Forest）模型，结合Sentinel-2生成的指数、地形信息以及洪水范围地图，将田地分为三个损失等级。分析重点关注2023年5月袭击意大利艾米利亚-罗马涅（Emilia-Romagna）地区的洪水事件，这是当年全球损失最严重的洪水之一。该模型在412块田地上进行了训练和测试，总体准确率为0.74，精确度、召回率和F1分数分别为0.75、0.74和0.74。该模型能够准确识别出高损失田地，这些田地的特点是洪水暴露程度更高、海拔更低，植被指数下降明显。然而，在区分无损失田地和中度损失田地时存在困难，尤其是对于永久性作物，因为损害通常发生在冠层下方，且被淹没的区域可能部分被遮挡。本研究的主要创新在于使用了实地作物损失评估数据，从而实现了基于数据的洪水影响估算。这些结果对政策制定者具有直接意义：该框架依赖于免费的EO数据，为洪水易发地区的灾后补偿和决策提供了工具。

引言

气候变化正在深刻影响地球系统，导致自然灾害的频率和强度增加。2023年，洪水是最常见的灾害类型，影响了全球约3240万人（Anon, 2024）。这些事件对城市和农业地区造成了广泛破坏，导致了巨大的经济损失。尽管有许多研究关注城市环境中的洪水影响评估，但针对农业部门的全面洪水损失评估框架仍然有限（Klaus et al., 2016, F?rster et al., 2008, Tapia-Silva et al., 2011）。然而，准确量化农业洪水损失（尤其是作物损失）对于制定有效的补偿机制以支持受影响的农民至关重要（Alam et al., 2020）。

传统上，作物洪水损失是通过经验性损失曲线（Dutta et al., 2003, Tapia-Silva et al., 2011, Brémond et al., 2013, Brémond and Grelot, 2010, Bubeck et al., 2011）和事后的实地调查来估算的。然而，这些方法受到过于简化的假设、与成本、时间和隐私相关的后勤限制以及数据可用性不一致的制约，尤其是在偏远或低收入地区（Wagenaar et al., 2016, Kellermann et al., 2020）。地球观测（EO）技术为克服这些挑战提供了有价值的替代方案（Shen et al., 2019），并已被广泛用于绘制洪水淹没的农业区域（Bangira et al., 2017, Tran et al., 2022, Nhangumbe et al., 2023, Konrad et al., 2025）。然而，大多数研究仅关注划定农业洪水的范围，而没有量化由此造成的损失程度。一些研究尝试通过将洪水范围地图与土地覆盖数据集进行交叉来估算间接损失（De Petris Samuele and Enrico, 2021, Khatun et al., 2022, Gord et al., 2022），但这些方法仅测量淹没的空间范围，而没有直接评估洪水造成的作物损失。其他研究利用EO数据通过植被指数来评估农田中的洪水损失（Rahman and Di, 2020）。这些方法主要依赖于归一化差异植被指数（NDVI）及其衍生指数（如植被状况指数VCI）来检测洪水前后的作物活力变化，以便快速评估损失。其中，Pantaleoni等人（2007）使用Landsat 5专题制图仪图像计算洪水前后的NDVI差异，以监测印第安纳州因洪水造成的作物状况变化。然而，Landsat 5相对较低的空间和光谱分辨率限制了其结果的适用性。最近，类似基于植被指数的方法已广泛采用，使用了中分辨率成像光谱辐射计（MODIS）和Sentinel-2（S2）图像。Di等人（2018）引入了灾害植被损失指数（DVDI），应用于2011年美国密苏里河洪水事件和2016年美国路易斯安那州洪水事件，而Wen等人（2025）提出了NDVI灾害等级，用于评估2023年中国河北省洪水期间的作物影响。这些方法通常通过预定义的指数阈值来估算损失程度。基于这些概念，Dang等人（2024）开发了作物洪水损失评估指数（CFAI），利用加权综合指标提高了分析的稳健性和敏感性。他们的工作应用于2019年美国密苏里河洪水和2021年中国河南省洪水。进一步的研究还强调了洪水影响的作物特异性，针对特定作物进行了研究，如甘蔗（Den Besten et al., 2023）和水稻（Kotera et al., 2015）。

最近，机器学习（ML）方法越来越多地被用于作物洪水损失评估。在这方面，Shrestha等人（2017）进行了线性回归分析，研究了美国中西部主要玉米生产州的NDVI动态与玉米产量之间的关系。Lateef等人（2025）使用S2光谱变量应用了随机森林（RF）分类器，训练和测试样本来自尼日利亚Hadejia地区的卫星图像视觉解释。然而，他们的方法侧重于绘制洪水后的作物恢复程度，而不是直接评估洪水造成的损失，且仅使用从农民调查中收集的地理参考参与式制图数据进行验证。相比之下，Miao等人（2023）将实地收集的样本直接整合到RF模型的训练和验证中，从而能够在2021年中国河南省洪水事件中直接按损失程度对农田进行分类。

深度学习（DL）方法也在这一领域得到了探索。Lazin等人（2021）使用卷积神经网络（CNN）估计美国中西部县级地区的农田洪水损失范围，而Yang和Cervone（2019）提出了一个结合DL和ML的框架，用于从航空图像自动进行灾害评估。然而，这些模型的可解释性往往有限，难以清晰理解驱动观察到的损失模式的因素。此外，大多数研究仅关注DL方法的性能，而没有提供关于案例研究或所用卫星数据的详细信息（Liu et al., 2024, Kumar, 2025）。尽管取得了这些进展，但明确针对使用ML或DL进行作物洪水损失定量评估的研究仍然有限，主要是由于实地损失数据的稀缺（Safonova et al., 2023）以及对农业系统中洪水损失机制的理解仍然碎片化。

在这项研究中，我们使用基于EO数据提取的特征和实地损失数据（专门针对农业洪水损失评估的地面真实数据集）训练和测试的ML分类模型，定量评估作物洪水损失。本研究的主要贡献在于将这些经过实地验证的记录整合到RF框架中，实现了与现实世界观测直接相关的数据驱动的洪水影响评估。具体来说，我们结合了来自S2图像的光谱指数的空间和时间变化以及额外的卫星衍生产品，应用RF模型将412块农田分为三个洪水损失等级：无损失、中度损失和高损失。分析重点关注2023年5月袭击意大利艾米利亚-罗马涅地区的洪水事件，这是当年全球损失最严重的洪水之一（Emilia-Romagna, 2025）。2024年9月和10月的后续洪水（Copernicus, 2024c）表明这些农业地区对极端事件的脆弱性持续存在，强调了使用稳健的、数据驱动的方法进行及时和客观的损失评估以支持有效补偿策略的必要性。

总结来说，本研究的主要贡献包括：

• 超越传统的洪水范围制图，实现基于作物损失的洪水引起的农业损失的直接定量评估；
• 在独特的实地损失数据集上训练和测试RF模型；
• 整合了多种特征，包括植被指数、洪水范围地图和来自数字高程模型（DEM）的田地海拔；
• 提供了一个决策支持工具，以应对洪水易发农业系统的特定监测挑战。

研究区域

我们在意大利的艾米利亚-罗马涅地区应用了所提出的方法，该地区是意大利农业和工业的重要基地。由于其地理和水文特征，该地区长期以来一直易受洪水影响，近年来发生了多次灾难性事件（Copernicus, 2024c, CIMA, 2024, Ferrari et al., 2025）。2023年5月，艾米利亚-罗马涅在两周内遭受了两次重大洪水事件（CEMS, 2024）。第一次事件发生在2023年5月2日，而主要洪水

方法论

本节描述了工作流程，包括两个步骤：数据预处理和ML模型的训练/测试（图2）。

特征提取

在本节中，我们展示了数据预处理后提取的特征分析结果，这些特征作为ML模型的输入。图4显示了4月和5月之间光谱指数的变化，突出了事件前后中值图像之间的主要变化。值得注意的是，三个指数在相同区域的差异值较高，与Copernicus洪水地图（图1）识别的淹没区域紧密匹配。

表3总结了

特征提取

表3中显示的各损失等级的平均特征值分析清晰地揭示了洪水影响的物理模式，证实所选变量对于有效区分不同损失等级是有意义且一致的。关注高损失等级，$\Delta NDI$和$\Delta LAI$特征在4月至5月期间为正，表明洪水前的月份（4月）光谱指数值较高，因此损失更严重

主要发现

通过整合来自S2图像的光谱指数的空间和时间变化、淹没区域地图、高程数据以及实地损失观测数据，所提出的框架超越了传统的洪水范围制图，能够通过基于实地数据训练和测试的RF分类模型详细和定量地评估作物损失程度。

分析重点关注2023年5月袭击意大利艾米利亚-罗马涅地区的严重洪水事件。我们应用了RF

CRediT作者贡献声明

Filippo Bocchino：写作 – 审稿与编辑，撰写初稿，可视化，验证，软件，方法论，调查，形式分析，数据管理，概念化。Valeria Belloni：写作 – 审稿与编辑，撰写初稿，验证，监督，方法论，形式分析，概念化。Roberta Ravanelli：写作 – 审稿与编辑，撰写初稿，验证，监督，方法论，形式分析，概念化。Camillo Zaccarini：

出版伦理声明

所有作者同意：

本研究准确描述了所完成的工作，所有呈现的数据都是准确的，方法论足够详细，允许他人复制该工作。

本手稿完全代表原创作品；如果使用了他人 的工作或文字，则已适当引用或引用了相关内容，并在必要时获得了许可。

本材料未在其他地方全部或部分发表。

本手稿目前

关于写作过程中生成式AI和AI辅助技术的声明

声明在写作过程中未使用生成式AI和AI辅助技术；如果使用了这些技术，则在手稿中披露了AI和AI辅助技术的使用情况，并将在已发表的作品中说明。

所有作者都亲自积极参与了导致本手稿的实质性工作，并将对内容共同和单独负责。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

Filippo Bocchino获得了罗马智慧大学（Sapienza University）提供的青年研究人员资助AR123188B3C1EB82和国际流动资助，以及ISMEA资助的国家地球观测博士项目奖学金。作者感谢Antonio Denaro和Laura Rosatelli（ISMEA）的宝贵合作与支持。