SL/T 750.5-2025 卫星遥感水利监测技术要求 第5部分：水旱灾害

　　中华人民共和国水利行业标准

　　SL/T 750.5—2025

　　替代sl 750—2017

　　卫星遥感水利监测技术要求 第5部分：水旱灾害

　　Technical specifications for satellite remote sensing in water resources monitoring—Part 5:Flood and drought disasters

　　2025-08-26发布 2025-11-26实施

　　中华人民共和国水利部 发 布

　　中华人民共和国水利部

　　关于批准发布《水资源保护规划编制规程》 等4项水利行业标准的公告

　　2025年第25号

　　中华人民共和国水利部批准发布《水资源保护规划编制规程》 (SL/T 613—2025) 等4项水利行 业标准，现予以公告。

　　序号 标 准 名 称 标准编号 替代标准号 发布日期 实施日期 1 水资源保护规划编制规程 SL/T 613—2025 SL613—2013 2025.8.26 2025.11.26 2 泵站现场测试与安全检测 规程 SL/T 548—2025 SL 548—2012 2025.8.26 2025.11.26 3 水利水电工程移民安置监督 评估规程 SL/T 716—2025 SL716—2015 2025.8.26 2025.11.26 4 卫星遥感水利监测技术要求 第5部分：水旱灾害 SL/T 750.5—2025 SL 750—2017 2025.8.26 2025.11.26

　　水利部

　　2025年8月26日

　　I

　　SL/ T 750.5—2025

　　目 次

　　前 言 V

　　引 言 V

　　1 范 围 1

　　2 规 范 性 引 用 标 准 1

　　3 术 语 和 定 义 1

　　4 缩 略 语 2

　　5 洪 涝 灾 害 遥 感 监 测 2

　　5.1 技术流程 2

　　5.2 数据获取 2

　　5.3 数据处理 4

　　5.4 灾情识别 4

　　5.5 结果分析 4

　　5.6 产品制作 5

　　5.7 质量控制 5

　　6 干 旱 灾 害 遥 感 监 测 5

　　6.1 技术流程 5

　　6.2 数据获取 5

　　6.3 数据处理 5

　　6.4 灾情识别 6

　　6.5 结果分析 8

　　6.6 产品制作 8

　　6.7 质量控制 8

　　附 录 A ( 资 料 性 ) 水 旱 灾 害 遥 感 监 测 常 用 卫 星 遥 感 数 据 源 9

　　附 录 B ( 规 范 性 ) 水 旱 灾 害 遥 感 监 测 指 标 计 算 方 法 12

　　B.1 归一化差异水体指数法 12

　　B.2 归一化积雪指数法 12

　　B.3 热惯量法 12

　　B.4 特征空间法 12

　　B.5 植被状态指数法 13

　　B.6 植被健康指数法 13

　　B.7 距平植被指数法 13

　　B.8 温度距平异常指数 14

　　B.9 水体面积距平百分率 14

　　B.10 像元尺度光谱匹配法 14

　　B.11 基于随机森林的作物种植结构遥感提取法 15

　　B.12 基于地表温度日较差的灌溉面积遥感监测法 16

　　B.13 基于遥感指标变化的灌溉面积遥感监测法 16

　　B.14 基于叶面积指数的早情无人机快速监测判别方法 17

　　Ⅲ

　　SL/ T 750.5—2025

　　B.15 基于叶绿素相对含量的旱情无人机快速监测判别方法 18

　　附录C (资料性) 水旱灾害遥感监测统计表样 20

　　参考文献 21

　　标准历次版本编写者信息 22

　　IV

　　SL/T 750.5—2025

　　前 言

　　根据水利技术标准制修订计划安排，按照GB/T 1.1—2020《标准化工作导则 第1部分：标准 化文件的结构和起草规则》的要求，对 SL750—2017《 水旱灾害遥感监测评估技术规范》进行修订， 并更名为《卫星遥感水利监测技术要求 第5部分：水旱灾害》。

　　本标准是SL/T 750《卫星遥感水利监测技术要求》的第5部分。 SL/T 750 已经发布了以下

　　部 分 ：

　　——第5部分：水早灾害

　　本标准共6章和3个附录，主要技术内容有：

　　——洪涝灾害遥感监测;

　　——干旱灾害遥感监测。

　　本次修订的主要内容有：

　　——更新补充了规范性引用文件(见第2章，2017版见第2章);

　　——调整了术语和定义(见3.1、3.2和3.3,2017版见3.1、3.3、3.5);

　　——补充了卫星遥感数据源、航空遥感技术应用、监测方法等(见5.2、5.4、6.2和6.4);

　　——对应正文修改补充细化了附录(见附录A 和 B)。

　　请注意本标准的某些内容可能涉及专利。本标准的发布机构不承担识别专利的责任。

　　本标准所替代标准的历次版本为：

　　——SL 750—2017

　　本标准批准部门：中华人民共和国水利部

　　本标准主持机构：水利部水旱灾害防御司

　　本标准解释单位：水利部水旱灾害防御司

　　本标准主编单位：中国水利水电科学研究院

　　本标准出版、发行单位：中国水利水电出版社

　　本标准主要起草人：宋文龙 吴泽斌 卢奕竹 马建威 孙亚勇 李小涛 付俊娥 孙 涛 李琛亮 曲 伟 杨永民 李志平 孙营伟 李兴东 方昊然

　　本标准审查会议技术负责人：路京选

　　本标准体例格式审查人：万金红

　　本标准在执行过程中，请各单位注意总结经验，积累资料，随时将有关意见和建议反馈给水利部 国际合作与科技司(通信地址：北京市西城区白广路二条2号;邮政编码：100053;电话：010- 63204533;电子邮箱： bzh@mwr.gov.cn; 网址：http://gjkj.mwr.gov.cn/jsjd1/bzcx/)。

　　V

　　SL/T750.5—2025

　　引 言

　　SL750—2017《 水旱灾害遥感监测评估技术规范》的颁布，为我国水旱灾害防御提供了重要技术 指导和业务支撑。近年来，国内外卫星遥感和航空遥感技术迅猛发展，遥感资源极大丰富，人工智能 与遥感技术不断融合，为水旱灾害监测提供了更为有力的算据、算法支持。

　　SL/T 750《卫星遥感水利监测技术要求》拟由5个部分构成：

　　——第1部分：总则;

　　——第2部分：水文;

　　——第3部分：水资源;

　　——第4部分：河湖管理;

　　——第5部分：水早灾害。

　　为进一步支撑水早灾害防御工作，使该标准更具科学性和操作性，按照水利部数字孪生水利“天 空地水工”一体化监测感知体系要求，本次对 SL750—2017 进行修订，以卫星遥感为主，重点更新 了卫星遥感数据源和监测方法，并补充增加了航空遥感技术应用等内容。

　　V

　　SL/T 750.5—2025

　　卫星遥感水利监测技术要求 第5部分：水旱灾害

　　1 范围

　　本标准规定了水旱灾害卫星遥感监测的技术流程、数据获取、数据处理、灾情识别、结果分析、 产品制作和质量控制等技术要求。

　　本标准适用于水旱灾害卫星遥感监测。

　　2 规范性引用标准

　　下列标准中的内容通过文中的规范性引用而构成本标准必不可少的条款。其中，注日期的引用标 准，仅该日期对应的版本适用于本标准;不注日期的引用标准，其最新版本(包括所有的修改单)适 用于本标准。

　　GB/T 15968 遥感影像平面图制作规范

　　GB/T 20481 气象干旱等级

　　GB/T 28923.1 自然灾害遥感专题图产品制作要求 第1部分：分类、编码与制图

　　GB/T 28923.2 自然灾害遥感专题图产品制作要求 第2部分：监测专题图产品

　　GB/T 32135—2015 区域旱情等级

　　GB/T 32136 农业干旱等级

　　GB/T 39612 低空数字航摄与数据处理规范

　　SI.73.7 防汛抗旱用图图式

　　SL277 水土保持监测技术规范

　　SI.579 洪涝灾情评估标准

　　SL 663 干旱灾害等级标准

　　3 术语和定义

　　GB/T 32135—2015 、SL579和 SL663 界定的以及下列术语和定义适用于本标准。

　　3. 1

　　水旱灾害 flood and drought disasters

　　洪涝灾害与干旱灾害的统称。洪涝灾害是指因降水、融雪、冰凌、溃坝(堤)、风暴潮和热带气 旋产生的江河洪水、溃涝、山洪等，从而淹没农田、村庄、城镇并造成人员伤亡和财产损失的事件; 干旱灾害是指因降水少、水资源短缺对生活、生产和生态造成危害的事件，本标准只针对干旱对农业 生产造成危害的事件。

　　3.2

　　洪涝灾害遥感监测 remote sensing monitoring of flood disasters

　　针对流域洪水、山洪、城市内涝、凌汛和冰湖、堰塞湖、堤坝溃决导致的洪涝灾害，以及蓄滞洪 区运用等场景，利用遥感数据结合基础地理信息数据和地面观测数据等，开展淹没范围、溃口宽度以 及承灾体受淹情况等要素的监测和分析。

　　3.3

　　干旱灾害遥感监测 remote sensing monitoring of drought disasters

　　针对农业干旱灾害，利用逼感数据结合基础地理信息数据和地面观测数据等，通过获取与识别土 壤相对湿度、植被指数、降水变化率、作物种植结构和灌溉面积等要素，开展农业干旱范围、受旱程

　　1

　　SL/T 750.5—2025

　　度和受旱与受灾耕地面积的监测和分析。

　　4 缩略语

　　下列缩略语适用于本标准。

　　AVI: 距平植被指数 (Average Vegetation Index)

　　DVI: 差值环境植被指数 (Difference Vegetation Index)

　　EDS: 欧式距离 (Euclidean Distance Similarity)

　　ESS: 增强型光谱相似度 (Enhanced Spectral Similarity)

　　EVI: 增强型植被指数 (Enhanced Vegetation Index)

　　LAI: 叶面积指数 (Leaf Area Index)

　　LST: 地表温度 (Land Surface Temperature)

　　LSTAI: 温度距平异常指数 (Land Surface Temperature Anomaly Index)

　　LSWI: 陆表水分指数 (Land Surface Water Index)

　　MPDI: 修正垂直干旱指数 (Modified Perpendicular Drought Index)

　　NDSI: 归一化积雪指数法 (Normalized Differential Snow Index)

　　NDVI: 归一化植被指数 (Normalized Differential Vegetation Index)

　　NDWI: 归一化差异水体指数 (Normalized Difference Water Index)

　　OA: 总体精度 (Overall Accuracy)

　　OSAVI: 优化土壤调节植被指数 (Optimized Soil Adjusted Vegetation Index)

　　OTSU: 最大类间方差法

　　RENDVI: 红边归一化植被指数 (Red Edge Normalized Differential Vegetation Index)

　　RF: 随机森林算法 (Random Forest)

　　RVI: 比值植被指数 (Relative Vegetation Index)

　　SAVI: 土壤调节植被指数 (Soil Adjusted Vegetation Index)

　　SCS: 光谱相关系数 (Spectral Correlation Similarity)

　　SPAD: 叶绿素相对含量的土壤与作物分析开发指数 (Soil and Plant Analyzer Development)

　　TCARI: 转化叶绿素吸收反射率指数 (Transformed Chlorophyll Absorption Ratio Index)

　　TVDI: 温度植被干旱指数(Temperature Vegetation Dryness Index)

　　TVI: 优化三角形植被指数 (Triangle Vegetation Index)

　　VCI: 植被状态指数 (Vegetation Condition Index)

　　VHI: 植被健康指数 (Vegetation Health Index)

　　VSWI: 植被供水指数 (Vegetation Supply Water Index)

　　5 洪涝灾害遥感监测

　　5.1 技术流程

　　洪涝灾害遥感监测包括数据获取、数据处理、灾情识别、结果分析、产品制作、质量控制共6个 环节，技术流程见图1。

　　5.2 数据获取

　　5.2.1 应根据现有国内外卫星遥感数据源，获取灾害发生区域相关数据，宜包括灾前/灾中/灾后卫 星遥感影像、航空遥感影像、基础地理信息数据、地面观测数据等。常用的光学和雷达卫星遥感数据 源见附录 A。

　　2

　　SL/T 750.5—2025

　　重大灾害/重点区域/重大

　　工程以及山洪灾害

　　航空遥感影像

　　拼接

　　辐射定标

　　水体提取

　　灾前水体 灾中/灾后水体

　　洪涝淹没分析

　　受淹面积 受淹历时 溃口宽度 受淹耕地面积

　　受淹房屋数量 受淹道路长度 其他指标

　　灾情统计分析

　　洪涝灾害遇感 监测专题图

　　图表分析

　　洪涝灾害

　　遥感监测报告

　　结果复核与验证 质量审查

　　数 据 处 理 灾情识别 结果分析

　　正射校正

　　正射校正

　　洪涝灾害遥感 监测统计表

　　三维建模

　　镶嵌

　　灾前/灾中/灾后 卫星遥感影像

　　洪涝灾害逐感 监测影像图

　　基础地理 信息数据

　　受淹居民地面积

　　质量控制

　　数据获取

　　产品制作

　　裁剪

　　...

　　图 1 洪涝灾害遥感监测技术流程图

　　5.2.2 灾前卫星遥感影像获取要求如下：

　　a) 成像时间临近灾害发生时间、受灾区域云量<5%的卫星遥感影像;

　　b) 应优先选择优于2m 空间分辨率的光学卫星遥感影像。

　　5.2.3 灾中/灾后卫星遥感影像获取要求如下：

　　a) 综合考虑传感器类型、空间分辨率、时间分辨率、影像幅宽范围以及数据获取难易度和处理 所需时间等因素，确定卫星遥感数据源;

　　b) 根据监测需求，提前定制灾区卫星遥感影像;

　　c) 晴好天气应优先选择光学卫星遥感影像，夜间和阴雨天气条件下应选择雷达卫星遥感影像;

　　d) 对于流域洪水灾害监测，宜选择10 m～30 m 空间分辨率的卫星遥感影像;对于中小河流、 堤坝溃决或冰湖、堰塞湖等洪涝灾害监测，宜选择优于2 m 空间分辨率的卫星遥感影像。

　　5.2.4 对于重大灾害、重点区域、重大工程以及山洪灾害监测，宜选择航空遥感高分辨率的影像、 激光点云等数据。

　　3

　　SL/T750.5—2025

　　5.2.5 基础地理信息数据宜包括行政区划、流域边界、河流水系、土地利用、居民点、道路、安全 区、水利工程、重要基础设施等，每年汛前利用遥感等技术对数据进行校核更新。

　　5.2.6 地面观测数据宜包括水文站点数据、内涝水深监测数据、闸坝工情监测数据、冰川监测数据、 视频、照片、站点降水量、测雨雷达数据等。

　　5.3 数据处理

　　5.3.1 应对光学卫星遥感数据开展辐射定标、正射校正、镶嵌和裁剪等预处理和多源融合，可参照 GB/T 15968的规定。

　　5.3.2 应对雷达卫星遥感数据开展辐射定标、噪声去除、正射校正等预处理和多源融合。

　　5.3.3 宜对航空遥感数据开展拼接、正射校正、三维建模等处理，可参照GB/T 39612的规定。

　　5.4 灾情识别

　　5.4.1 监测指标包括基本指标和扩展指标：

　　a) 基本指标：洪涝灾害淹没范围。

　　b) 扩展指标：可根据具体场景，选择监测淹没范围内的耕地、城市村镇、工矿企业、水利设施、 交通设施、通信设施等承灾体，以及溃口宽度、淹没面积变化等其他遥感直接监测或间接分 析得到的洪涝灾害要素。

　　5.4.2 淹没范围监测指标提取方法如下：

　　a) 水体自动提取方法宜采用阈值法、谱间关系法或人工智能算法等：

　　1)阈值法宜优先选取对水体敏感的单一波段(或极化方式),阈值宜根据遥感影像范围内的典 型水体样本点确定;

　　2)谱间关系法宜使用归一化差异水体指数法或归一化积雪指数法，计算方法按照附录B.1 和 附录 B.2 执行;

　　3)人工智能算法宜采用经过大量样本训练后的高精度提取模型。

　　b) 水体目视解译方法宜根据水体在遥感影像上的颜色、形状和纹理等特征，结合多时相影像对 比，勾绘水体边界。

　　c) 根据提取得到的灾前、灾中/灾后水体，结合堤(坝)等地物分布辅助数据开展空间分析，获 取洪涝灾害淹没范围。

　　5.4.3 扩展指标提取宜采用人工智能算法结合目视解译方法。

　　5.5 结果分析

　　5.5.1 针对具体场景监测需求，监测结果宜包括受淹面积、受淹历时、溃口宽度、受淹耕地面积、 受淹居民地面积、受淹房屋数量、受淹道路长度以及其他指标等。

　　5.5.2 监测结果分析包括下列内容：

　　a) 受淹面积：统计遥感监测得到的洪涝灾害淹没范围，分析得到洪水淹没面积。

　　b) 受淹历时：对比多时相的灾前与灾中/灾后遥感影像，计算受淹历时。

　　c) 受淹耕地面积：将洪涝灾害淹没范围与耕地矢量数据空间叠加，统计得到受淹耕地面积。

　　d) 受淹居民地面积：将洪涝淹没范围与居民地矢量数据空间叠加，统计得到受淹居民地面积。

　　e) 受淹房屋数量：对比灾前与灾中/灾后遥感影像，统计得到受淹房屋数量。

　　f) 受淹道路长度：对比灾前与灾中/灾后遥感影像，统计得到受淹道路长度。

　　g) 溃口宽度：对比灾前与灾中/灾后遥感影像，计算溃口宽度。

　　h) 其他指标：可根据基础背景数据和监测结果情况，采用空间叠加等方法，对凌汛封河/开河长 度、冰湖面积变化、堰塞湖回水范围、堰塞体分布等其他扩展指标进行分析。

　　4

　　SL/T 750.5—2025

　　5.6 产品制作

　　监测产品应包括洪涝灾害遥感监测影像图、洪涝灾害遥感监测专题图、洪涝灾害遥感监测统计表 和洪涝灾害遥感监测报告。

　　a) 洪涝灾害遥感监测影像图，应包括洪涝灾害灾前、灾中/灾后卫星遥感影像或航空遥感影像。

　　b) 洪涝灾害遥感监测专题图，应包括受淹面积、受淹历时、溃口宽度、受淹耕地面积、受淹居 民地面积、受淹房屋数量、受淹道路长度以及其他监测指标等专题图，符号图式及注记应执 行 SL 73.7,制图规范应按照GB/T 28923.1及 GB/T 28923.2的规定执行。

　　c) 洪涝灾害遥感监测统计表，根据实际需求可列出分行政区划、分流域的受淹面积等指标统计， 表样见附录C 表 C.1。

　　d) 洪涝灾害遥感监测报告，内容应包括监测背景、数据与方法、结果分析、结论和建议等。

　　5.7 质量控制

　　5.7.1 在数据获取、数据处理、灾情识别、结果分析、产品制作等各环节，应通过现场调查、抽样 分析、地面监测比对等方式进行验证、复核，保障监测结果的准确性与可靠性。

　　5.7.2 遥感影像处理及质量要求应按照GB/T 15968 和 SL 277 的规定执行，遥感影像经精细纠正 后，误差控制在1个像元内。

　　5.7.3 获取遥感影像后应在6 h 内提供监测结果;特别紧急状况下，获取遥感影像后宜在2h 内 提 供监测结果。

　　6 干旱灾害遥感监测

　　6.1 技术流程

　　干早灾害遥感监测包括数据获取、数据处理、灾情识别、结果分析、产品制作、质量控制共6个 环节，技术流程见图2。

　　6.2 数据获取

　　6.2.1 应根据现有国内外卫星遥感数据源，获取灾害发生区域相关数据，宜包括卫星遥感影像、航 空遥感影像、基础地理信息数据、地面观测数据等。常用的光学和雷达卫星遥感数据源见附录A。

　　6.2.2 卫星遥感影像获取要求如下：

　　a) 应综合考虑监测范围、监测频次、数据获取处理难易度确定卫星遥感数据源;

　　b) 对于全国、流域、省(自治区、直辖市)等大范围旱情监测，宜选择空间分辨率优于1 km 的卫星遥感影像;对于市县范围的旱情监测，宜在保证时间监测频度基础上，选择空间分辨 率优于30 m 的卫星遥感影像;对于灌区田块尺度监测或精细农业应用，宜优先选用空间分 辨率优于10 m 的卫星遥感影像;

　　c) 应根据日、旬、月等监测频次要求选择卫星遥感影像。

　　6.2.3 对于重点区域或田间尺度旱情监测验证，宜选择航空遥感高分辨率的可见光、热红外以及多 光谱等影像数据。

　　6.2.4 基础地理信息数据宜包括行政区划、河流水系、水库等水利工程、土地利用、灌区范围、渠 道、取水口、机电井、贮水池、塘坝水堰、抗旱物资仓库等。

　　6.2.5 地面观测数据宜包括土壤相对湿度、站点降水量、测雨雷达数据、农作物分布等。

　　6.3 数据处理

　　6.3.1 卫星遥感影像处理应按照5.3的要求执行。

　　5

　　数据获取 数据处理 灾情识别

　　结果分析

　　SL/T 750.5—2025

　　6

　　

　　基础地理 信息数据

　　航空遥感 影像

　　地面观测 数据

　　光学卫星 遥感影像

　　三维建模

　　镶嵌 裁剪

　　拼接 正射校正

　　辐射定标 大气校正 正射校正

　　监测指标选取

　　模型参数率定

　　模型计算

　　旱情等级 划分标准

　　早情等级划分

　　

　　受早耕地面积和 受灾耕地面积

　　

　　受早作物面积和 受灾作物面积

　　灾情统计分析

　　产品制作

　　干旱灾害遥感 监测专题图

　　

　　干早灾害遥感 监测统计表

　　图表分析

　　干旱灾害通感 监测报告

　　质 量 控 制

　　I 结果复核与验证 质量审查

　　图2 干旱灾害遥感监测技术流程图

　　6.3.2 航空遥感热红外影像经过处理后应反演得到温度信息。

　　6.4 灾情识别

　　6.4.1 监测指标包括基本指标和扩展指标：

　　a) 基本指标：土壤相对湿度、植被指数、降水变化率、温度指数、水体面积变化;

　　b) 扩展指标：作物种植结构、灌溉面积等。

　　6.4.2 旱情等级可参照GB/T 32136, 指标计算如下：

　　a) 土壤相对湿度计算方法如下：

　　1)土壤相对湿度指标反演宜采用热惯量法、特征空间法等，获取土壤0～20 cm 深度的土壤 相对湿度计算方法按照附录B.3 、 附录 B.4 和 GB/T 32136—2015中6.2执行，其中热惯 量法宜用于地表覆盖类型单一、干旱半干旱地区且太阳辐射条件稳定的区域;特征空间法 宜用于植被覆盖度差异显著、地表温度与土壤相对湿度关系明确的区域;

　　2)土壤相对湿度旱情等级划分按照GB/T 32136—2015中5.2执行。

　　SL/T 750.5—2025

　　b) 植被指数计算方法如下：

　　1)植被指数指标宜用于中高植被覆盖区域，宜采用植被状态指数法、植被健康指数法、距平 植被指数法，计算方法按照附录B.5～ 附录B.7 执行;

　　2)植被指数旱情等级划分见表1,实际应用中应根据当地主要作物类型、生育期及实测土壤 相对湿度等资料，对各等级阈值进行本地化调整和验证。

　　表I 植被指数旱情等级划分表 %

　　旱情等级 正常 轻度干旱 中度干早 严重干早 特大干早 植被状态指数VCI 40

　　1)对于缺乏实测降水资料农业区的早情监测，宜采用降水距平百分率指标进行，其计算方法 及旱情等级划分应按照GB/T 20481的规定执行;

　　2)降水量数据可选用卫星遥感降水产品或多源数据融合的降水产品;

　　3)有同期实测降水量数据时，应对遥感反演降水量进行验证和修正。

　　d) 温度指数计算方法如下：

　　1)宜采用温度距平异常指数监测地表温度异常特征;

　　2)计算方法按照附录B.8 执行，温度指数旱情等级划分见表2。实际应用中应根据当地主要 作物类型、生育期及实测土壤相对湿度等资料，对各等级阈值进行本地化调整和验证。

　　表 2 温度指数旱情等级划分表 %

　　早情等级 正常 轻度干早 中度干早 严重干早 特大干早 温度距平异常指数

　　LSTAI LSTAI≤0 0

　　1)宜采用水体指数监测水库、湖泊、河流、塘等主要水源地的水体面积，计算方法按照附录 B.1 执行;

　　2)水体面积变化指标宜采用水体面积距平百分率，按照附录 B.9 执行。

　　f) 作物种植结构遥感监测方法如下：

　　1)宜基于NDVI 时序数据，采用像元尺度光谱匹配法或随机森林等机器学习方法，监测方法 按照附录B.10 、 附录B.11 执行;

　　2)NDVI 时序数据的时间分辨率宜不少于每月1期，对重点关注地区宜不少于每月2期;

　　3)应在监测区选取标准光谱/训练样本率定模型，并利用样点进行精度验证;

　　4)启动抗旱应急响应情况下可选用作物种植结构遥感监测产品。

　　g) 灌溉面积遥感监测方法如下：

　　1)基于卫星遥感影像采用地表温度日较差、反映土壤相对湿度或作物水分的遥感指标，监测 方法按照附录B.12 、 附录B.13 执行;

　　2)应去除降水事件造成的影响;

　　7

　　SL/T750.5—2025

　　3)灌溉阈值应进行本地化校准和实测验证。

　　h) 其他指标，可利用无人机获取叶面积指数和叶绿素相对含量等指标，部分作物监测方法按照 附录B.14 、 附录B.15 执行。

　　i) 根据数据获取和监测区实际情况，在地面土壤相对湿度监测数据基础上，采用多种监测指标 开展旱情监测，进行综合研判。

　　6.5 结果分析

　　6.5.1 监测结果宜包括受旱耕地面积、受灾耕地面积、受旱作物面积、受灾作物面积等。

　　6.5.2 分析计算方法如下：

　　a) 受早耕地面积：将旱情监测等级图中所有识别为轻度干旱以上的范围与耕地范围进行空间叠 加分析，计算得到受早耕地面积，计算公式见公式(1):

　　……………………………………………(1)

　　式中：

　　Ad— —受旱耕地面积，hm²;

　　i——旱情等级 (i=1 、2 、3 、4, 依次代表轻度干早、中度干早、严重干早和特大干旱);

　　A;—— 某一旱情等级的受早耕地面积，hm²。

　　b) 受灾耕地面积：将早情监测等级图中所有识别为严重干早以上的范围与耕地范围进行空间叠 加分析，计算得到受灾耕地面积，计算公式见公式(2):

　　A.=As+A₄ …………………………………………(2)

　　式中：

　　A—— 受灾耕地面积，hm²。

　　c) 可视作物种植结构、实际灌溉面积等扩展指标数据获取情况，采用空间叠加等方法，进一步 分析受旱作物面积、受灾作物面积等监测结果。

　　6.6 产品制作

　　监测产品应包括干旱灾害遥感监测专题图、干旱灾害遥感监测统计表和干旱灾害遥感监测报告。

　　a) 干旱灾害遥感监测专题图，宜包括受旱耕地、受灾耕地、受旱作物、受灾作物，符号图式及 注记应执行 SL73.7 的规定，专题图的制图规范可参照GB/T 28923.1和 GB/T 28923.2 的 规定。针对灌区管理、农业技术推广的需要，可利用灌区作物种植结构、灌溉面积和农作物 旱情分布等，通过叠加分析生产相应专题图。

　　b) 干旱灾害遥感监测统计表，根据实际需求可列出分行政区划的农业受旱面积、受灾面积等， 表样见附录C 表 C.2。

　　c) 干旱灾害遥感监测报告，内容应包括背景情况、数据与方法、结果分析、结论和建议等。

　　6.7 质量控制

　　6.7.1 在数据获取、数据处理、灾情识别、结果分析、产品制作等各环节，应通过现场调查、抽样 分析、地面监测比对等方式进行验证、复核，保障监测结果的准确性与可靠性。

　　6.7.2 遥感影像处理前应对数据质量进行检查，影像的预处理及质量要求应按照5.7.2执行。

　　6.7.3 应按旬、月尺度在3d 内完成，启动抗早应急响应时按日尺度加密监测。

　　8

　　SL/T 750.5—2025

　　附 录 A

　　(资料性)

　　水旱灾害遥感监测常用卫星遥感数据源

　　表A.1 和表A.2 分别给出了常用光学卫星遥感数据源和常用雷达卫星遥感数据源及其相关参数。

　　表 A.1 常用光学卫星遥感数据源及其相关参数表

　　卫 星 名 称 国家和 组织 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,多光谐8m和 宽幅多光谱16m 4d 高分一号B、C、D星

　　(GF-1B、GF-1C、GF-1D) 中国 2018年 全色2m,多光谱8m 2 d 高分二号(GF-2) 中国 2014年 全色0.8m,多光谱3.2m 5d 高分四号(GF-4) 中国 2015年 可见光50 m,中波红外400 m 15 min 高分六号(GF-6) 中国 2018年 全色2m,多光谱8m 和宽幅多光谱16m 2 d

　　(GF-1组网) 高分七号(GF-7) 中国 2019年 全色0.65m,多光谱2.5m ≤60 d 资源一号02C星(ZY02C) 中国 2011年 全色2.36m,多光谱10 m 3 d 资源一号02D星(ZY102D) 中国 2019年 全色2.5m,多光谱10m 2d

　　(联网02E) 资源一号02E星(ZY02E) 中国 2021年 全色2.5m,多光谱10 m, 长波红外15m 2 d

　　(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5.8m

　　1d(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30 m 11 d 环境减灾2号A、B星

　　(HJ-2A、HJ-2B) 中国 2020年 多光谱16m,红外96 m 2d(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2m 3～5d 吉林一号系列 中国 2015年至今 全色0.72 m、多光谱2.88 m <12h(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0.5 m、0.75 m, 多光谱2m、3m 4 d(单星) 1d(四星组网) 中巴资源卫星 中国 2014年 全色5m,多光谱10 m 26d GeoEye-1 美国 2008年 全色0.41m,多光谱1.65m 3 d WordView-4 美国 2016年 全色0.31m,多光谱1.24 m 3 d

　　9

　　SL/T 750.5—2025

　　表 A.I 常用光学卫星遥感数据源及其相关参数表(续)

　　卫 星 名 称 国家和 组织 发射时间 空间分辨率 重访周期 Landsat-8、Landsat-9 美国 2013年、

　　2021年 全色15m,多光谱30m, 热红外100 m 16d(单星) Plciades-1A、Pleiades-1B 法国 2011年、

　　2012年 全色0.5m,多光谱2m 1d

　　(双星协同) SPOT6、SPOT7 法国 2012年、

　　2014年 全色1.5m,多光谱6m 3d(单星)

　　1d(组网) Sentinel-2 A、B、C星

　　(Sentinel-2A、Sentinel-2B、

　　Sentinel-2C) 欧洲 空间局 2015年、

　　2017年、

　　2024年

　　多光谱10m/20 m 10 d(单星) 5d(组网) Aqua、Terra MODIS传感器 美国 1999年、

　　2002年 可见光250 m,短波红外

　　500 m,热红外1000 m <1d 风云三号(FY-3D、E、F、G) MERS I-Ⅱ、Ⅲ传感器

　　中国 2017年、

　　2021年、

　　2023年

　　可见光250 m

　　<1d 表 A.2 常用雷达卫星遥感数据源及其相关参数表

　　卫星名称 国家和 组织 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 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

　　1

　　10～650 <1.5d

　　(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

　　3

　　50～400 8d

　　(单星)、

　　4 d

　　(双星) 环境减灾2号E星F星

　　(HJ-2E、HJ-2F) 中国 2022年、

　　2023年

　　S 多极化 5

　　25～100 2d

　　(80%区域) 海丝一号(BC-1) 中国 2020年 C V V 极 化 1 5～100 3 d 巢湖一号(BC-2) 中国 2022年 C V V 极 化 1 7～150 2～3d 涪城一号(BC-3) 中国 2023年 C VV极化 1 7～150 11 d 水利一号 中国 2024年 X H H 极 化 0.3～12 5～100 8d TerraSAR-X 德国 2007年 X 单极化、双极化、 四极化 1 10～100 11 d TanDEM-X 德国 2010年 X 单极化、双极化、 四极化 1

　　10～150 11 d RADARSAT-2 加拿大 2007年

　　C 单极化、双极化、 四极化 3

　　10～500 24 d

　　10

　　SL/T 750.5—2025

　　表A.2 常用雷达卫星遥感数据源及其相关参数表(续)

　　卫星名称 国家和 组织 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 RADAR SAT星座

　　(RCM) 加拿大 2019年

　　C 单极化、双极化、 四极化 1

　　5～500 4 d

　　(星座) COSMO-SkyMed 意大利 2007年 X 单极化、双极化 1 10～200 16d COSMO-SkyMed 二代卫星(CSG) 意大利 2019年

　　X 单极化、双极化、 四极化 0.3

　　3～200 16d ALOS-2 日本 2014年

　　L 单极化、双极化、 四极化 1

　　25～490 14 d Sentinel-1 A星

　　(Sentinel-IA) 欧洲 空间局 2014年

　　C 双极化 5

　　80～400 12 d

　　11

　　SL/T750.5—2025

　　附 录 B

　　(规范性)

　　水旱灾害遥感监测指标计算方法

　　B.1 归一化差异水体指数法

　　归一化差异水体指数按公式 (B.1) 计算：

　　式中：

　　NDWI—— 归一化差异水体指数，取值范围为[- 1,1];

　　RGron 、Rxi——遥感影像的绿光波段和近红外波段的地表反射率。

　　B.2 归一化积雪指数法

　　12

　　归一化积雪指数法按公式 (B.2) 计算：

　　式中：

　　NDSI—— 归 一化积雪指数，取值范围为[- 1,1]; RswIR——遥感影像的短波红外反射率。

　　

　　…………………………………(B.2)

　　B.3 热惯量法

　　B.3.1 土壤热惯量是土壤的一种热特性，它是影响土壤表层温度变化的内在因素，与土壤相对湿度 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。

　　B.3.2 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 (B.3) 计算：

　　W=f(△T)…………………………………………(B.3)

　　式中：

　　W——0～20 cm 以内土层的土壤相对湿度，%;

　　△T—— 温度日较差，可由昼夜地表温度的差值得到，℃。

　　B.3.3 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。

　　B.4 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, 可 通 过 TVDI 与土壤相对湿度(0～20 cm 的土壤相对湿度实测值)的关系，建立基于地 表温度与植被指数的土壤相对湿度反演模型，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，可按公式 (B.4)～ 公 式 (B.8) 计算：

　　W=f(TVDI)………………………………………(B.4)

　　TVDI=-_-T… … …… ………(B.5)

　　SL/T 750.5—2025

　　(B.6)

　　Tsmin=a₁+b₁NDVI (B.7)

　　Txmax =a₂+b₂NDVI (B.8)

　　式中：

　　W——0～20 cm以内土层的土壤相对湿度，%;

　　T.—— 给定像元对应的地表温度，利用热红外遥感影像反演得到，℃;

　　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;

　　Tamn——给定NDVI 对应的最高地表温度，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，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T, 散点

　　图的分析获得。

　　B.5 植被状态指数法

　　植被状态指数可用于中高植被覆盖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。植被状态指数按公式 (B.9) 计算：

　　… …(B.9)

　　式中：

　　VCI;—— 第 i 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;

　　NDVI,—— 第i 时段的NDVI 值，时间段可根据监测需要设定为日、旬、月等; NDVIma—— 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，VCI 值越小，与历史同期相比植被长势差，说明植被受早。

　　B.6 植被健康指数法

　　植被健康指数按公式 (B.10) 计算：

　　VHI;=0.5×VCI;+0.5×TCI; …………………………(B.10)

　　其中

　　式中：

　　VHI;—— 第i 时段的植被状态指数，%;

　　TCI,—— 第i 时段的温度状态指数，采用同期的多年长时间地表温度序列确定;

　　LST,—— 第i 时段的地表温度，℃;

　　LSTmx—— 多年同期地表温度的最大值，℃;

　　LSTnin—---多年同期地表温度的最小值，℃。

　　B.7 距平植被指数法

　　距平植被指数宜采用同期的多年长时间植被指数序列确定，按公式 (B.11) 计算：

　　AVI;=100×(NDVI:—NDVI)……………………………(B.11)

　　13

　　SL/T750.5—2025

　　式中：

　　AVI;—— 第i 时段的距平植被指数，%; NDVI—— 多年同期植被指数的平均值。

　　B.8 温度距平异常指数

　　温度距平异常指数按公式 (B.12) 计算：

　　14

　　式中：

　　LSTAI,—— 第 i 时段的温度距平异常指数，%;

　　LST,—— 第 i 时段的同时期平均地表温度，℃; δ(LST)—— 范围内同地物的平均地表温度，℃。

　　B.9 水体面积距平百分率

　　

　　……………………………(B.12)

　　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 (B.13) 计算：

　　……………………………………(B.13)

　　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, 同期时间范围宜10年以上。

　　B.10 像元尺度光谱匹配法

　　增强型光谱相似度按公式 (B.14) 计算：

　　…………………………(B.14)

　　其 中

　　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; PA—— 标准光谱的平均值;

　　μB——目标光谱的平均值; aA—— 标准光谱的方差;

　　ag——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;

　　SL/T 750.5—2025

　　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， 说明待测光谐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。

　　B.11 基于随机森林的作物种植结构遥感提取法

　　B.11.1 随机森林算法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，其基本流程如下：

　　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 人变量是从 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。

　　B.11.2 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) 特征分类：根据作物类型识别目标特征，宜选用光谱反射率、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高程和坡 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LSWI, 分别按公式 (B.1) 、 公 式 (B.6) 和公式 (B.15) 计算：

　　…………………………………(B.15)

　　式中：

　　LSWI—— 陆表水分指数，取值范围为(- 1,1)。

　　b) 样本采集：结合野外调研选择样本点，根据随机、均匀的原则进行采集，保证样本点涵盖目 标作物类型，将样本点按7:3的比例进行随机分配，70%样本点用于分类器训练，30%样本 点用于精度评价。

　　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OA 、KAPPA 系数，评估作物种植范围提取结果的精度，分别按公式 (B.16) 和公式 (B.17) 计算：

　　15

　　或

　　

　　

　　………………(B.16)

　　式中：

　　TP——

　　FN——

　　FP——

　　TN——

　　X;——

　　

　　被模型分类正确的正样本;

　　被模型分类错误的正样本;

　　被模型分类错误的负样本;

　　被模型分类正确的负样本;

　　混淆矩阵第i 行 第i 列值，即对角线值。

　　

　　…………(B.17)

　　SL/T 750.5—2025

　　B.12 基于地表温度日较差的灌溉面积遥感监测法

　　基 于MODIS 的地表温度日较差按公式 (B.18) 计 算 ：

　　△LST=LSTuy —LSTnight (B.18)

　　式 中 ：

　　LSTday——MODIS 第 一 波段白天地表温度数据， K;

　　LSTnight— —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(△L) 判断该耕地是否发生灌溉，即当地表温度日较差小 于 △L 时则认为发生了灌溉，按公式 (B.19) 计 算 ：

　　△LST<△L (B. 19) 式 中 ：

　　△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，剔除方法如图 B.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。

　　地表温度日较差数据

　　否 是否降水

　　剔除

　　否

　　否

　　是 是否是降水 后第三至五天?

　　保留

　　较差从雨后(地表)第(温)度一 天(日)明显 否

　　逐渐变大

　　刷除 保留

　　是 是否是降水 后第二天

　　是否是降水 后第一天

　　是否前一天 显示灌溉

　　是

　　剔除

　　刷除

　　保留

　　否

　　是

　　是

　　是

　　否

　　图 B.1 剔除受降水影响数据的决策树分类

　　B.13 基于遥感指标变化的灌溉面积遥感监测法

　　宜 通 过 VSWI 和 MPDI 的变化监测灌溉面积， MPDI 可用于裸土或低植被覆盖区域 (NDVI<

　　0 . 4 ) 的 灌 溉 面 积 识 别 ，VSWI 可用于高植被覆盖区域 (NDVI≥0.4) 的灌溉面积识别，分别可按公 式 (B.20)～ 公 式 (B.22) 计 算 ：

　　……………………………………(B.20)

　　…………………(B.21)

　　…………………………(B.22) 式 中 ：

　　16

　　SL/T 750.5—2025

　　M——土壤基线的斜率;

　　f、——植被覆盖度;

　　RRei.———植被在红光波段的反射率，通常情况下取0.05;

　　RNicv——植被在近红外波段的反射率，通常情况下取0.5;

　　NDVImx—— 植被完全覆盖 (f↓=1) 时对应的 NDVI 值;

　　NDVImin——裸土 (f、=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 (B.23) 和公式 (B.24) 计算：

　　VSWI,-VSWI-1>△I (B.23)

　　MPDI₁-1—MPDI,>△M………………………………(B.24)

　　式中：

　　VSWI-1—— 时间t 前一时刻的VSWI;

　　VSWI,—— 时间t 的 VSWI;

　　△I—— 利用VSWI 监测灌溉的阈值; MPDI,-1—— 时间t 前一时刻的MPDI;

　　MPDI,—— 时间t 的 MPDI;

　　△M——利用MPDI 监测灌溉的阈值。

　　B.14 基于叶面积指数的旱情无人机快速监测判别方法

　　基于无人机影像的叶面积指数计算方法如下：

　　a) 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，采集叶面积指数地面实测 数据，并通过多光谱影像数据计算 NDVI 、EVI 、SAVI 、TVI 、DVI 、RVI 、OSAVI 和 TCARI, 可按公式 (B.6) 、 公 式 (B.25)～ 公 式 (B.31) 计算：

　　……………………………(B.25)

　　………………………………(B.26) TVI=60(RNic—RGnen)-100(RRad—RGrcn)……………………(B.27)

　　DVI=RNir—RRd……………………………………(B.28)

　　………………………………………(B.29)

　　…………………………(B.30) TCARI=3[(RRE:-RRa)-0.2(RgE-Rc)(RRE/RRa)]………………(B.31)

　　式中：

　　Rlue 、RRE——蓝波段和红边波段的地表反射率。

　　b) 冬小麦各生长阶段不同干旱程度叶面积指数反演模型构建：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 冬小麦冠层纯植被像元值;选取NDVI、DVI、RVI、EVI、OSAVI 和 TCARI, 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;不同生育时期指冬小麦的拔节一抽穗 期、抽穗—灌浆期、灌浆—成熟期，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。

　　17

　　SL/T 750.5—2025

　　c) 夏玉米各生长阶段不同干旱程度叶面积指数反演模型构建：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像元值，选取 NDVI 、EVI 、SAVI 和 TVI, 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 LAI 相关性最高的回归方程作为该生育期的最优模型方程;不同生育期指玉米的拔节期、 抽穗期、吐丝期、成熟期，3种类型的回归方程为线性方程、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 B.1, 实际应用中应根据当地冬小麦生育期及实 测数据等资料，对各等级阈值进行本地化调整和验证。

　　表 B.1 基于叶面积指数的冬小麦旱情等级划分表

　　早情等级 正常 轻早 中早 重早 拔节一抽穗期 2.8

　　表 B.2 基于叶面积指数的夏玉米旱情等级划分表

　　早情等级 正常 轻早 中早 重早 拔节期 3.5

　　B.15 基于叶绿素相对含量的旱情无人机快速监测判别方法

　　基于无人机影像的叶绿素相对含量SPAD 指数计算方法如下：

　　a) 数据采集：通过无人机低空遥感技术获取多光谱影像数据，采集叶绿素相对含量地面实测数据 (SPAD), 并基于无人机多光谱影像数据计算 NDVI 、EVI 、SAVI 、DVI 、RVI 、OSAVI、

　　TCARI 和RENDVI, 按公式 (B.6) 、 公 式 (B.25)～ 公 式 (B.26) 、 公 式 (B.28)～ 公式 (B.32) 计算：

　　(B.32)

　　b) 冬小麦各生长阶段不同干旱程度叶绿素相对含量SPAD 指数反演模型构建：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像元，选取 NDVI、DVI、RVI、EVI、OSAVI 和 TCARI; 分别与实测叶绿素相对含量 SPAD 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绿素相对含量SPAD 相关性最高的回归方程作为该生育时期的最优 模型方程;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，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。

　　c) 夏玉米各生长阶段不同干旱程度叶绿素相对含量SPAD 反演模型构建：使用NDVI-OTSU

　　18

　　SL/T 750.5—2025

　　方法进行土壤背景剔除，提取夏玉米冠层纯植被像元值，选取 NDVI 、RENDVI 和 SAVI; 分别与实测叶绿素相对含量SPAD 在不同生育期构建3种类型的回归方程，并从中选择每个 生育期中与叶绿素相对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;不同生育 期指玉米的拔节期、抽穗期、吐丝期、成熟期，3种类型的回归方程为线性方程、指数方程 及对数方程。

　　d) 基于叶绿素相对含量SPAD 的冬小麦旱情等级划分见表B.3, 表内等级范围为通用参考，实

　　际应用中应根据当地冬小麦生育期及实测数据等资料，对各等级阈值进行本地化调整和验证。

　　表 B.3 基于叶绿素相对含量SPAD 指数的冬小麦旱情等级划分表

　　早情等级 正常 轻早 中早 重早 拔节一抽穗期 49.8

　　际应用中应根据当地夏玉米生育期及实测数据等资料，对各等级阈值进行本地化调整和验证。

　　表 B.4 基于叶绿素相对含量SPAD 指数的夏玉米旱情等级划分表

　　早情等级 正常 轻早 中早 重早 拔节期 54.9

　　19

　　SL/T 750.5—2025

　　附 录 C

　　(资料性)

　　水旱灾害遥感监测统计表样

　　表 C.1 和表C.2 分别给出了洪涝灾害遥感监测统计表和干旱灾害遥感监测统计表的样例。

　　表 C.1 监测日期十监测区域+洪涝灾害遥感监测统计表

　　填报单位： 监测日期： 地区 受淹面积/长度 受淹耕地/hm² 受淹居民地/hm² 受淹道路/km …… 审核人： 填表人： 填表日期： 年 月 日 表 C.2 监测时段+监测区域+干旱灾害遥感监测统计表

　　填报单位： 监测日期：

　　地区 耕地总面积 /hm² 受早耕地面积 受灾耕地

　　面积 /hm² 合计 /hm² 轻度干早 /hm² 中度干早 /hm² 严重干早 /hm² 特大干早 /hm² 审核人： 填表人： 填表日期： 年 月 日

　　20

　　SL/T 750.5—2025

　　参 考 文 献

　　[1] GB/T 32135—2015区域旱情等级

　　[2] SL 579 洪涝灾情评估标准

　　[3] SL 663 干旱灾害等级标准

　　[4] 中华人民共和国水利部.2020中国水旱灾害防御公报 [R]. 北京：中国水利水电出版社，2021.

　　21

　　SL/T750.5—2025

　　标准历次版本编写者信息

　　SL 750—2017

　　本标准主编单位：中国水利水电科学研究院

　　本标准主要起草人：路京选 付俊娥 孙 涛 宋文龙 曲 伟 柴 福 鑫 吕 行 韩 琳 庞治国 李 琳 吴冬平 喻丰华 张晔萍 姚艳敏

　　22