陳愛蓮，朱玉霞，孫偉，趙思健，張峭

(1.中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，北京 100081；2.農(nóng)業(yè)部農(nóng)業(yè)信息服務(wù)技術(shù)重點(diǎn)實(shí)驗(yàn)室，北京 100081)

0 引言

農(nóng)業(yè)保險可以有效避免農(nóng)戶過度損失，保護(hù)農(nóng)戶生產(chǎn)積極性，從而保障農(nóng)村的穩(wěn)定、農(nóng)業(yè)的發(fā)展以及國家糧食的安全，是農(nóng)業(yè)生產(chǎn)風(fēng)險管理重要工具。我國自2007年開始實(shí)施政策性農(nóng)業(yè)保險，農(nóng)業(yè)保險發(fā)展迅速，至2019年農(nóng)業(yè)保險的簽單保費(fèi)已達(dá)到671.68億元，保費(fèi)規(guī)模位居世界第二，僅次于美國。農(nóng)業(yè)保險已經(jīng)成為國家支持農(nóng)業(yè)發(fā)展、保障糧食安全的一大政策，并逐年進(jìn)行修正和完善。2007年中央一號文件開始提出“建立農(nóng)業(yè)風(fēng)險防范機(jī)制”，其中提到”積極發(fā)展農(nóng)業(yè)保險”，至今已經(jīng)有了十多年的發(fā)展經(jīng)驗(yàn)，到2020年中央一號文件對于農(nóng)業(yè)保險的指導(dǎo)意見已經(jīng)轉(zhuǎn)變成具體落實(shí)中的問題，如抓好農(nóng)業(yè)保險保費(fèi)補(bǔ)貼政策落實(shí)、督促保險機(jī)構(gòu)及時足額理賠，以及優(yōu)化“保險+期貨”試點(diǎn)模式、繼續(xù)推進(jìn)農(nóng)產(chǎn)品期貨期權(quán)品種上市”等。2021年中央一號文件明確提出“健全產(chǎn)糧大縣支持政策體系，擴(kuò)大稻谷、小麥、玉米三大糧食作物完全成本保險和收入保險試點(diǎn)范圍”，體現(xiàn)了連續(xù)多年，農(nóng)業(yè)保險及相關(guān)政策一直在推進(jìn)和完善，也體現(xiàn)了農(nóng)業(yè)保險的重要性。然而，農(nóng)業(yè)保險因其體量大，保險各方信息不對稱等緣故，一直面臨著驗(yàn)標(biāo)驗(yàn)險難、保險實(shí)施過程中逆選擇、騙保等問題，這也成為阻礙農(nóng)業(yè)保險健康有序發(fā)展的絆腳石。遙感技術(shù)的逐漸引入為解決農(nóng)業(yè)保險尤其是種植業(yè)保險的疑難問題提供了一套新的思路[1]。

國際上將遙感應(yīng)用于農(nóng)業(yè)保險主要體現(xiàn)在指數(shù)保險上，指數(shù)包括氣象指數(shù)[2-3]、牧草指數(shù)[4-6]、草地災(zāi)害估損相關(guān)指數(shù)等[7]。國內(nèi)的保險行業(yè)，除了發(fā)展指數(shù)保險[8]外，在種植業(yè)保險的整個業(yè)務(wù)流程中，都滲透了遙感。2013年中國人保財險聯(lián)合北京師范大學(xué)等單位開展了《國家發(fā)改委衛(wèi)星及應(yīng)用產(chǎn)業(yè)發(fā)展專項(xiàng)項(xiàng)目——基于遙感技術(shù)的農(nóng)業(yè)保險精確承保和快速理賠綜合服務(wù)平臺與應(yīng)用示范》研究[9]，是農(nóng)業(yè)保險與遙感結(jié)合的里程碑。項(xiàng)目圍繞“精確承保”和“快速理賠”兩個核心環(huán)節(jié)展開。目前遙感技術(shù)在農(nóng)業(yè)保險“精確承保”方面，可以較為精確地識別出作物類型及其位置，已經(jīng)可以滿足應(yīng)用需求，解決保險的“驗(yàn)標(biāo)”問題[10]。但是在“快速理賠”方面，遙感技術(shù)的應(yīng)用卻發(fā)展得較為緩慢?？焖倮碣r涉及到的災(zāi)損信息和產(chǎn)量信息是農(nóng)業(yè)信息不對稱的源頭。農(nóng)業(yè)受損原因多樣，災(zāi)害種類繁多，影響產(chǎn)量的因素繁多，這給農(nóng)業(yè)保險“驗(yàn)險”帶來了很多困難。遙感在農(nóng)業(yè)保險“快速理賠”方面的應(yīng)用基本是一災(zāi)一例、一地一技。

國內(nèi)就稻瘟病的遙感研究而言，也有少量基于高光譜和多光譜的研究，如杜雅剛[11]利用HJ衛(wèi)星CCD數(shù)據(jù)建立的垂直植被指數(shù)TVI和歸一化植被指數(shù)與稻瘟病感染率擬合結(jié)果較好，袁建清[12]通過分析實(shí)測光譜和無人機(jī)成像光譜發(fā)現(xiàn)EVI、mSR705、RVSI和PRI四個植被指數(shù)特征因子組合對稻瘟病的識別率很高，達(dá)94%。吳曙雯等[13]專門針對稻葉瘟的高光譜分析顯示，稻瘟病會導(dǎo)致水稻冠層光譜在綠光區(qū)、紅光區(qū)和近紅外區(qū)發(fā)生較大變化。還有研究表明[14]，對于稻瘟病受災(zāi)前和受災(zāi)后的影像，利用歸一化植被指數(shù)可以實(shí)現(xiàn)一定程度的識別。這些研究尚未形成明確統(tǒng)一的稻瘟病指示指數(shù)。從這些研究案例中可以發(fā)現(xiàn)，最常用的植被指數(shù)——?dú)w一化植被指數(shù)辨別稻瘟病災(zāi)情的效果并不好。與許多災(zāi)損研究相同，利用災(zāi)前災(zāi)后的歸一化植被指數(shù)可以較好地提取受災(zāi)范圍[15]。然而，在不確定發(fā)生災(zāi)害的時間或者災(zāi)損程度可以用光譜表征的時間的情況下，該方法的效果并不佳。

稻瘟病不同感染程度對產(chǎn)量的影響到底如何，對于保險理賠來說非常重要。在不知道稻瘟病發(fā)生的確切時間的情況下，要在水稻收獲前快速做出大面積的災(zāi)情評估，利用實(shí)地調(diào)查災(zāi)損程度，找到關(guān)鍵特征參數(shù)，再上推至衛(wèi)星數(shù)據(jù)的方法是進(jìn)行估損的最有效方法。本研究也是遙感技術(shù)在一個地方的一個案例探討，主要采用實(shí)測光譜與光學(xué)衛(wèi)星數(shù)據(jù)相結(jié)合的方法，探討其對稻瘟病定損的流程和模式，分析遙感在農(nóng)業(yè)保險理賠查勘中的作用。

1 研究區(qū)與研究背景

2017年在雙河農(nóng)場當(dāng)?shù)厣a(chǎn)隊(duì)向承保保險公司上報了稻瘟病災(zāi)情。據(jù)上報，當(dāng)?shù)卦?017年7月底發(fā)現(xiàn)了稻瘟病，并開始預(yù)防，隨后碰上了連續(xù)近一個月的陰雨高熱的天氣，到8月份大面積爆發(fā)了稻瘟病，雖然當(dāng)?shù)夭扇×藝姙⑥r(nóng)藥等措施，但是仍然出現(xiàn)了受災(zāi)嚴(yán)重的區(qū)域，災(zāi)情發(fā)生較輕的區(qū)域，也產(chǎn)生了一定程度的減產(chǎn)。雙河農(nóng)場的生產(chǎn)隊(duì)于9月2日向保險公司上報了災(zāi)情，保險公司聯(lián)合農(nóng)業(yè)保險研究部門、農(nóng)業(yè)測產(chǎn)專家開始實(shí)地調(diào)查研究區(qū)，并開展了實(shí)地光譜測量和衛(wèi)星數(shù)據(jù)收集，以及損失率測量與調(diào)查。

研究區(qū)甘南縣雙河農(nóng)場，雖然位于黑龍江省齊齊哈爾市梅里斯區(qū)和甘南縣交界處，卻隸屬于北京市，是作為加強(qiáng)首都治安、承擔(dān)勞教職能的一塊特殊用地。土地面積3.8×104ha，其中約3.47×104ha在甘南境內(nèi)，0.27×104ha在梅里斯境內(nèi)。雙河農(nóng)場距北京1 060 km，境內(nèi)有音河、阿倫河流過，因此稱雙河，占地面積380 km2，其中耕地2×104ha。該農(nóng)場土地連片，土質(zhì)肥沃，日照充足，水資源豐富，適于大豆、小麥、水稻、玉米、油菜籽、蕓豆等農(nóng)作物生長和大機(jī)械化規(guī)模經(jīng)營，是首都一個重要的綠色產(chǎn)品生產(chǎn)基地。

甘南地處高緯度的松嫩平原，屬寒溫帶大陸季風(fēng)氣候，四季冷暖干濕分明。該地區(qū)夏季高溫多雨，天氣多變，日照強(qiáng)烈，晝夜溫差大。平原上農(nóng)地、草地在夏季晴朗炎熱的上午，受強(qiáng)烈蒸發(fā)作用影響，在10點(diǎn)之后就形成了大量的積雨云，溫度越高，積雨云越厚，常常在午后形成陣雨，對光學(xué)衛(wèi)星遙感非常不利。

研究區(qū)有21個生產(chǎn)大隊(duì)，其中東部和南部主要種植水稻，北部種植玉米、大豆等旱作作物。研究區(qū)水稻為一季稻，種植時間為4月中旬，出苗期為5月下旬，移栽時間為6月上旬，6月中旬返青，6月下旬至7月下旬分蘗、拔節(jié)和孕穗，7月下旬至8月中旬抽穗開花，8月中旬至9月中旬乳熟期，9月上旬至10月上旬成熟收獲期。

2 研究數(shù)據(jù)與方法

2.1 研究數(shù)據(jù)

研究數(shù)據(jù)包括實(shí)測光譜數(shù)據(jù)、產(chǎn)量損失率數(shù)據(jù)和衛(wèi)星影像數(shù)據(jù)。

1)實(shí)測光譜數(shù)據(jù)。實(shí)測光譜數(shù)據(jù)采用 ASD 公司的Field Spec Handheld2(HH2)手持光譜儀，波長范圍為325～1 075 nm，光譜分辨率<3.0 nm，視場角25°。在距離地物1 m左右的高度，垂直對地物進(jìn)行測量，測量時間為9月12—13日，測量方法為每個樣本重復(fù)三次。由于天氣原因，很難保證所有的點(diǎn)都在午間11—14點(diǎn)進(jìn)行觀測。個別的測量點(diǎn)只能在上午10點(diǎn)左右，或者下午3點(diǎn)左右測量。因此只能取實(shí)測光譜的相對值進(jìn)行后續(xù)研究。

圖1 手持式地物光譜儀HH2示意圖

受天氣影響一共測量了40個光譜樣本，其中受稻瘟病感染樣本19個，正常水稻樣本19個，收割的水稻地樣本2個，去掉2個數(shù)據(jù)異常的樣本，剩余36個樣本。每個點(diǎn)采集光譜的同時，同行的產(chǎn)量專家估算其損失率，并與光譜測量點(diǎn)一起記錄。

圖2是手持光譜儀HH2測得的受稻瘟病感染水稻和正常水稻的光譜曲線。手持光譜儀有效的波長范圍在400～900 nm之間。由于天氣原因，部分樣點(diǎn)不能在正午時間獲取，受光線、光照等的影響，光譜曲線上的反射率絕對值差別較大，但是受災(zāi)程度相似的水稻其光譜曲線的形狀相似，可以通過每條光譜曲線建立指數(shù)，消除因光照等差異帶來的影響。

圖2 典型受稻瘟病感染水稻(sick rice)與正常水稻(normal rice)光譜曲線，以及Sentinel-2 B3、B4波段所在位置示意圖

2)產(chǎn)量損失率數(shù)據(jù)。水稻產(chǎn)量的損失率數(shù)據(jù)是在水稻光譜采集時，同行的保險公司人員、農(nóng)戶以及農(nóng)學(xué)專家做出的經(jīng)驗(yàn)估算，經(jīng)過三方商榷得到的一個估算百分值，該值在測量光譜時，一起記錄。

3)衛(wèi)星影像數(shù)據(jù)。經(jīng)過多渠道搜索7月下旬至9月中下旬的衛(wèi)星遙感數(shù)據(jù)，包括哨兵2號(Sentinel-2)衛(wèi)星數(shù)據(jù)、Landsat-8 衛(wèi)星數(shù)據(jù)，和高分1號、2號衛(wèi)星數(shù)據(jù)，最后從中國資源衛(wèi)星應(yīng)用中心(http：//www.cresda.com/CN/) 找到一景2017年6月5日高分2號衛(wèi)星數(shù)據(jù)，用于水稻地塊的目視解譯，從歐空局(https：//scihub.copernicus.eu/)找到一景同年9月9日云量覆蓋極小(<5%)的Sentinel-2衛(wèi)星影像，用于建立稻瘟病指數(shù)，該影像的時間接近于野外光譜采集時間(9月12—13日)。圖2同時標(biāo)注了Sentinel-2衛(wèi)星第3和第4波段中心波長所處位置。

2.2 研究方法

1)光譜參數(shù)計算。根據(jù)光譜測量結(jié)果(圖2)可知，受稻瘟病感染的水稻與正常水稻差距明顯的波段為波長500、550、620、700、740 nm附近波段，其中，差距最明顯是550 nm附近和700 nm附近兩個波段，在這兩個波段處，正常生長的水稻在550 nm附近有反射峰，在700 nm附近(紅光附近)有吸收谷，而受災(zāi)水稻的這兩個特征都不太明顯，對應(yīng)Sentinel-2的B3和B4，或者B5。由于Sentinel-2的B3綠光和B4紅光波段的分辨率為10 m，B5分辨率為20 m，因此采用B3和B4這兩個分辨率相同的波段，即綠光和紅光兩個波段進(jìn)行稻瘟病光譜參數(shù)計算。

根據(jù)野外實(shí)測的光譜曲線特征，結(jié)合Sentinel-2數(shù)據(jù)的B3綠光波段和B4紅光波段，一共計算了三個稻瘟病指數(shù)，分別是：綠光紅光比值稻瘟病指數(shù)(ratio rice blast index，RRBI)、綠光紅光歸一化稻瘟病指數(shù)(normalized difference rice blast，NDRBI)、綠光紅光差值標(biāo)準(zhǔn)化稻瘟病指數(shù)(normalized rice blast index，NRBI)。

綠光紅光比值稻瘟病指數(shù)RRBI=B綠/B紅，該值越大，說明該像元的水稻受感染程度越低，接近正常，反之則受感染程度越高。

綠光紅光歸一化稻瘟病指數(shù)NDRBI=(B綠-B紅)/(B綠+B紅)，該值越大，說明該像元的水稻越正常，反之受感染。

綠光紅光差值標(biāo)準(zhǔn)化稻瘟病指數(shù)NRBI=(B綠-B紅)/B綠，NRBI=接近1，說明受害程度低，接近0，說明受害程度高。

此外，根據(jù)圖2的實(shí)測光譜曲線可知，受災(zāi)水稻與正常水稻在紅光之后的近紅外光波段也有明顯的反射率差別，因此計算上述指數(shù)的同時，也計算了多個波段參與的植被生理參數(shù)，包括葉面積指數(shù)(LAI)、葉綠素a和b總含量(Cab)、光合有效輻射分量(FaPAR)、植被蓋度分量(FCover)、和葉面水分含量(Cw)。這五個生理參數(shù)的輸入波段包括B3、B4、B5、B6、B7、B8a、B11、B12[16]，其中，B11和B12的中心波長分別為1 610 um和2 190 um，在本次光譜儀的有效工作波長之外。這五個生理參數(shù)由Snap軟件直接生成。

2)統(tǒng)計分析。對新建的三個指數(shù)(綠光紅光比值稻瘟病指數(shù)RRBI、綠光紅光歸一化稻瘟病指數(shù)NDRBI、綠光紅光差值比稻瘟病指數(shù)NBI)以及Snap軟件生成的五個生理參數(shù)，將他們與損失率進(jìn)行Pearson相關(guān)分析和逐步回歸分析。

回歸分析中將所有樣點(diǎn)根據(jù)其經(jīng)緯度在GIS 數(shù)據(jù)庫中生成點(diǎn)文件(shapefile)，這樣每個點(diǎn)要素對應(yīng)一個唯一編號Feature ID(FID)。對FID用求余函數(shù)分兩組，一組為除以5余0的點(diǎn)，約占所有點(diǎn)的1/5，將其作為驗(yàn)證，其余4/5為另外一組，參與回歸建模。最終參與建模的樣本點(diǎn)集為29個，用于驗(yàn)證的點(diǎn)個數(shù)為7個。

3 研究結(jié)果

3.1 光譜指數(shù)與損失率相關(guān)性

Pearson相關(guān)分析結(jié)果見表1。由表1可知，五個作物生理參數(shù)與三個新建稻瘟病指示指數(shù)都與產(chǎn)量損失呈顯著的負(fù)相關(guān)，其中相關(guān)性最高的是光合有效輻射分量FaPAR。

表1 光譜參數(shù)及生理參數(shù)與水稻產(chǎn)量損失率之間的相關(guān)系數(shù)表

相關(guān)系數(shù)(絕對值)高低順序?yàn)椋篎aPAR>Fcover>LAI>Cw>NRBI>NDRBI>RRBI。生理參數(shù)因?yàn)槌司C合了上述實(shí)測光譜曲線顯示的差別明顯的B3、B4 兩個之外，還利用了差異明顯的近紅外波段B5、B6、B7、B8a，以及光譜曲線沒有體現(xiàn)的中波紅外波段B11、B12，因此他們與產(chǎn)量損失率的相關(guān)性更高。五個生理參數(shù)中，除了葉綠素a和b總含量(Cab)、葉面水分含量(Cw)之外，其他三個生理參數(shù)與產(chǎn)量損失率的相關(guān)系數(shù)都超過0.71。相較之下，新建的三個稻瘟病指數(shù)與產(chǎn)量損失的相關(guān)性相差不多，都接近0.55，且皆為顯著負(fù)相關(guān)。新建的三個稻瘟病指數(shù)中，與產(chǎn)量損失關(guān)系最高的為綠光紅光差值標(biāo)準(zhǔn)化稻瘟病指數(shù)NRBI，相關(guān)系數(shù)為-0.559。

3.2 光譜指數(shù)與產(chǎn)量回歸模型

進(jìn)一步用逐步回歸方法將新建的三個稻瘟病指數(shù)與產(chǎn)量損失率進(jìn)行回歸分析，得到回歸系數(shù)為0.596的線性回歸模型，自變量因子為NBI。模型系數(shù)概述如表2所示。

表2 稻瘟病指數(shù)與產(chǎn)量損失率的回歸模型概述

用逐步回歸進(jìn)行新建的三個稻瘟病指數(shù)和五個作物生理參數(shù)共八個因子與產(chǎn)量損失率進(jìn)行回歸分析，得到回歸系數(shù)為0.691的線性回歸模型。逐步回歸模型挑選了相關(guān)系數(shù)最高的因子，即光合有效輻射分量(FaPAR)。模型估計的各參數(shù)概述如表3所示。

表3 稻瘟病指數(shù)、作物生理參數(shù)與產(chǎn)量損失率的回歸模型概述

從表3可知，兩個因子即可以解釋接近70%的產(chǎn)量損失率，估算的標(biāo)準(zhǔn)誤在0.2左右。最后選定用表3中模型3的方程(式(1))。

YYieldloss=2.224-4.121XFaPAR+0.012XCab

(1)

式中：YYieldloss為水稻產(chǎn)量損失率；XFaPAR為光合有效輻射分量；XCab為葉綠素a和b的總含量。用剩余的五分之一樣本進(jìn)行驗(yàn)證，得到估算的損失率與實(shí)測損失率直接的擬合系數(shù)達(dá)0.801(圖3)。

圖3 回歸模型估算損失率與實(shí)測損失率散點(diǎn)圖

3.3 產(chǎn)量損失率分級圖

采用式(1)進(jìn)行整個研究區(qū)水稻地塊的產(chǎn)量損失率估算和制圖，并進(jìn)行分級，得到結(jié)果如圖4所示。在保險公司沒有更好的選擇時，該結(jié)果得到了保險公司的肯定，并用作理賠參考的直接依據(jù)。

圖4 產(chǎn)量損失率分布圖

4 結(jié)束語

2017年雙河農(nóng)場發(fā)生了稻瘟病，雙河農(nóng)場的生產(chǎn)隊(duì)于9月2日向保險公司上報了災(zāi)情，作者所在研究室9月9日收到保險公司的邀請，并進(jìn)行了應(yīng)急研究。在接到邀請之后，我們首先收集了就近日期的衛(wèi)星遙感影像(8月份有云的Sentinel-2衛(wèi)星影像)，并采用常用的NDVI以及其他文章所述的一些指數(shù)試圖進(jìn)行稻瘟病識別，然而在沒有受災(zāi)樣點(diǎn)的情況下，未能識別出受災(zāi)區(qū)域。于是和保險公司商議，一同去現(xiàn)場收集樣點(diǎn)，并帶上地物光譜儀進(jìn)行光譜采樣。然后，分析實(shí)測光譜曲線中受災(zāi)水稻與未受災(zāi)水稻的差異，并找出特征波段，結(jié)合衛(wèi)星遙感數(shù)據(jù)，進(jìn)行相關(guān)參數(shù)構(gòu)建，并對所建參數(shù)與樣點(diǎn)損失率進(jìn)行相關(guān)分析和回歸分析，最后建立了基于衛(wèi)星遙感數(shù)據(jù)的稻瘟病損失率估算模型，快速地完成整個區(qū)域的災(zāi)害定損。根據(jù)研究過程，可以得到以下啟示。

1)實(shí)測光譜對于利用哪顆衛(wèi)星、哪些波段、哪些光譜參數(shù)很有幫助。

2)利用綠光和紅光所建立的綠光紅光比值稻瘟病指數(shù)RRBI、綠光紅光歸一化稻瘟病指數(shù)NDRBI、綠光紅光差值標(biāo)準(zhǔn)化稻瘟病指數(shù)NRBI，以及常用生理指數(shù)葉面積指數(shù)LAI、葉綠素a和b總含量Cab、光合有效輻射分量FaPAR、植被蓋度分量FCover和葉面水分含量Cw都可以用于稻瘟病的表征和識別。

3)生理指數(shù)由于其反演過程包含了近紅外波段等更多波段的信息，對稻瘟病造成的損失率的解釋度更高。

4)結(jié)合實(shí)測光譜、地面損失率和衛(wèi)星遙感數(shù)據(jù)可以在報案或者野外采樣一周內(nèi)完成大面積損失率的評估，較客觀地輔助保險公司的查勘定損，該流程可以為農(nóng)業(yè)保險快速理賠提供很大幫助。

然而該流程也存在一些不足和障礙。首先，是否具有較高分辨率的多光譜衛(wèi)星數(shù)據(jù)是完成大面積災(zāi)害估算的前提條件。若缺乏與光譜采樣相對應(yīng)的最佳時期影像，大范圍的估算就難以進(jìn)行。其中，影像的獲取時間又是篩選影像的關(guān)鍵因子；越接近災(zāi)害發(fā)展的最高點(diǎn)，對于災(zāi)害識別而言，則精度更高，反之精度將受到不同程度的影響。另外，稻瘟病發(fā)生的條件多是數(shù)日陰雨連綿，即使用農(nóng)藥防治也無濟(jì)于事。這樣的天氣下，獲取多光譜衛(wèi)星數(shù)據(jù)是很困難的，利用無人機(jī)來補(bǔ)充數(shù)據(jù)或利用雷達(dá)來反演稻瘟病的可能性也是需要探討的方向。其次，是否具有實(shí)地樣本是災(zāi)害估算模型建模的重要條件。采樣的內(nèi)容通常包括不同受災(zāi)情況樣點(diǎn)的地理位置、作物損失率、實(shí)測理論產(chǎn)量、光譜樣本等。這幾個內(nèi)容中，受災(zāi)區(qū)域的地理位置、作物損失率或產(chǎn)量是必須的，而光譜樣本的必要性則視情況而定。本研究中光譜樣本對建模有非常重要的啟示作用。但是對于保險業(yè)務(wù)而言，野外采樣的工作做多少，由誰來做，并達(dá)到節(jié)約成本提高效率的功效，是一個需要長期實(shí)驗(yàn)和討論的話題。

總之，從行業(yè)應(yīng)用層面看，遙感技術(shù)可以輔助農(nóng)業(yè)保險快速理賠，但其充分應(yīng)用并形成標(biāo)準(zhǔn)規(guī)范還有待進(jìn)一步實(shí)踐與探索。對此本文作者也有三點(diǎn)建議：一是加大對遙感知識的宣傳，可以向保險公司等行業(yè)主體傳授遙感知識并告知遙感技術(shù)的優(yōu)越性和局限性，切勿傳遞“遙感無所不能”的偽思想；二是梳理總結(jié)遙感技術(shù)應(yīng)用的成本構(gòu)成，為不同的應(yīng)用要求設(shè)立不同的成本核算體系，為保險公司不同的應(yīng)用需求提供客觀、合理的成本核算；三是加大農(nóng)業(yè)保險遙感研究的投入，通過不斷試點(diǎn)打通遙感應(yīng)用到保險實(shí)務(wù)的“最后一千米”。通過不斷的行業(yè)應(yīng)用，最終逐步完善應(yīng)用流程和模式，形成行業(yè)標(biāo)準(zhǔn)規(guī)范。