陳愛蓮，朱玉霞，孫偉，趙思健，張峭

(1.中國農業(yè)科學院農業(yè)信息研究所，北京 100081；2.農業(yè)部農業(yè)信息服務技術重點實驗室，北京 100081)

0 引言

農業(yè)保險可以有效避免農戶過度損失，保護農戶生產積極性，從而保障農村的穩(wěn)定、農業(yè)的發(fā)展以及國家糧食的安全，是農業(yè)生產風險管理重要工具。我國自2007年開始實施政策性農業(yè)保險，農業(yè)保險發(fā)展迅速，至2019年農業(yè)保險的簽單保費已達到671.68億元，保費規(guī)模位居世界第二，僅次于美國。農業(yè)保險已經成為國家支持農業(yè)發(fā)展、保障糧食安全的一大政策，并逐年進行修正和完善。2007年中央一號文件開始提出“建立農業(yè)風險防范機制”，其中提到”積極發(fā)展農業(yè)保險”，至今已經有了十多年的發(fā)展經驗，到2020年中央一號文件對于農業(yè)保險的指導意見已經轉變成具體落實中的問題，如抓好農業(yè)保險保費補貼政策落實、督促保險機構及時足額理賠，以及優(yōu)化“保險+期貨”試點模式、繼續(xù)推進農產品期貨期權品種上市”等。2021年中央一號文件明確提出“健全產糧大縣支持政策體系，擴大稻谷、小麥、玉米三大糧食作物完全成本保險和收入保險試點范圍”，體現了連續(xù)多年，農業(yè)保險及相關政策一直在推進和完善，也體現了農業(yè)保險的重要性。然而，農業(yè)保險因其體量大，保險各方信息不對稱等緣故，一直面臨著驗標驗險難、保險實施過程中逆選擇、騙保等問題，這也成為阻礙農業(yè)保險健康有序發(fā)展的絆腳石。遙感技術的逐漸引入為解決農業(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]。

國際上將遙感應用于農業(yè)保險主要體現在指數保險上，指數包括氣象指數[2-3]、牧草指數[4-6]、草地災害估損相關指數等[7]。國內的保險行業(yè)，除了發(fā)展指數保險[8]外，在種植業(yè)保險的整個業(yè)務流程中，都滲透了遙感。2013年中國人保財險聯合北京師范大學等單位開展了《國家發(fā)改委衛(wèi)星及應用產業(yè)發(fā)展專項項目——基于遙感技術的農業(yè)保險精確承保和快速理賠綜合服務平臺與應用示范》研究[9]，是農業(yè)保險與遙感結合的里程碑。項目圍繞“精確承?！焙汀翱焖倮碣r”兩個核心環(huán)節(jié)展開。目前遙感技術在農業(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，已經可以滿足應用需求，解決保險的“驗標”問題[10]。但是在“快速理賠”方面，遙感技術的應用卻發(fā)展得較為緩慢?？焖倮碣r涉及到的災損信息和產量信息是農業(yè)信息不對稱的源頭。農業(yè)受損原因多樣，災害種類繁多，影響產量的因素繁多，這給農業(yè)保險“驗險”帶來了很多困難。遙感在農業(yè)保險“快速理賠”方面的應用基本是一災一例、一地一技。

國內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數據建立的垂直植被指數TVI和歸一化植被指數與稻瘟病感染率擬合結果較好，袁建清[12]通過分析實測光譜和無人機成像光譜發(fā)現EVI、mSR705、RVSI和PRI四個植被指數特征因子組合對稻瘟病的識別率很高，達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]，對于稻瘟病受災前和受災后的影像，利用歸一化植被指數可以實現一定程度的識別。這些研究尚未形成明確統(tǒng)一的稻瘟病指示指數。從這些研究案例中可以發(fā)現，最常用的植被指數——歸一化植被指數辨別稻瘟病災情的效果并不好。與許多災損研究相同，利用災前災后的歸一化植被指數可以較好地提取受災范圍[15]。然而，在不確定發(fā)生災害的時間或者災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情評估，利用實地調查災損程度，找到關鍵特征參數，再上推至衛(wèi)星數據的方法是進行估損的最有效方法。本研究也是遙感技術在一個地方的一個案例探討，主要采用實測光譜與光學衛(wèi)星數據相結合的方法，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年在雙河農場當地生產隊向承保保險公司上報了稻瘟病災情。據上報，當地在2017年7月底發(fā)現了稻瘟病，并開始預防，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，雖然當地采取了噴灑農藥等措施，但是仍然出現了受災嚴重的區(qū)域，災情發(fā)生較輕的區(qū)域，也產生了一定程度的減產。雙河農場的生產隊于9月2日向保險公司上報了災情，保險公司聯合農業(yè)保險研究部門、農業(yè)測產專家開始實地調查研究區(qū)，并開展了實地光譜測量和衛(wèi)星數據收集，以及損失率測量與調查。

研究區(qū)甘南縣雙河農場，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，是作為加強首都治安、承擔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，0.27×104ha在梅里斯境內。雙河農場距北京1 060 km，境內有音河、阿倫河流過，因此稱雙河，占地面積380 km2，其中耕地2×104ha。該農場土地連片，土質肥沃，日照充足，水資源豐富，適于大豆、小麥、水稻、玉米、油菜籽、蕓豆等農作物生長和大機械化規(guī)模經營，是首都一個重要的綠色產品生產基地。

甘南地處高緯度的松嫩平原，屬寒溫帶大陸季風氣候，四季冷暖干濕分明。該地區(qū)夏季高溫多雨，天氣多變，日照強烈，晝夜溫差大。平原上農地、草地在夏季晴朗炎熱的上午，受強烈蒸發(fā)作用影響，在10點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，對光學衛(wèi)星遙感非常不利。

研究區(qū)有21個生產大隊，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 研究數據與方法

2.1 研究數據

研究數據包括實測光譜數據、產量損失率數據和衛(wèi)星影像數據。

1)實測光譜數據。實測光譜數據采用 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，垂直對地物進行測量，測量時間為9月12—13日，測量方法為每個樣本重復三次。由于天氣原因，很難保證所有的點都在午間11—14點進行觀測。個別的測量點只能在上午10點左右，或者下午3點左右測量。因此只能取實測光譜的相對值進行后續(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個數據異常的樣本，剩余36個樣本。每個點采集光譜的同時，同行的產量專家估算其損失率，并與光譜測量點一起記錄。

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，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)產量損失率數據。水稻產量的損失率數據是在水稻光譜采集時，同行的保險公司人員、農戶以及農學專家做出的經驗估算，經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)星影像數據。經過多渠道搜索7月下旬至9月中下旬的衛(wèi)星遙感數據，包括哨兵2號(Sentinel-2)衛(wèi)星數據、Landsat-8 衛(wèi)星數據，和高分1號、2號衛(wèi)星數據，最后從中國資源衛(wèi)星應用中心(http：//www.cresda.com/CN/) 找到一景2017年6月5日高分2號衛(wèi)星數據，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，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)光譜參數計算。根據光譜測量結果(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，而受災水稻的這兩個特征都不太明顯，對應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行稻瘟病光譜參數計算。

根據野外實測的光譜曲線特征，結合Sentinel-2數據的B3綠光波段和B4紅光波段，一共計算了三個稻瘟病指數，分別是：綠光紅光比值稻瘟病指數(ratio rice blast index，RRBI)、綠光紅光歸一化稻瘟病指數(normalized difference rice blast，NDRBI)、綠光紅光差值標準化稻瘟病指數(normalized rice blast index，NRBI)。

綠光紅光比值稻瘟病指數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。

綠光紅光差值標準化稻瘟病指數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，根據圖2的實測光譜曲線可知，受災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，因此計算上述指數的同時，也計算了多個波段參與的植被生理參數，包括葉面積指數(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。這五個生理參數由Snap軟件直接生成。

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

回歸分析中將所有樣點根據其經緯度在GIS 數據庫中生成點文件(shapefile)，這樣每個點要素對應一個唯一編號Feature ID(FID)。對FID用求余函數分兩組，一組為除以5余0的點，約占所有點的1/5，將其作為驗證，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集為29個，用于驗證的點個數為7個。

3 研究結果

3.1 光譜指數與損失率相關性

Pearson相關分析結果見表1。由表1可知，五個作物生理參數與三個新建稻瘟病指示指數都與產量損失呈顯著的負相關，其中相關性最高的是光合有效輻射分量FaPAR。

表1 光譜參數及生理參數與水稻產量損失率之間的相關系數表

相關系數(絕對值)高低順序為：FaPAR>Fcover>LAI>Cw>NRBI>NDRBI>RRBI。生理參數因為除了綜合了上述實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的中波紅外波段B11、B12，因此他們與產量損失率的相關性更高。五個生理參數中，除了葉綠素a和b總含量(Cab)、葉面水分含量(Cw)之外，其他三個生理參數與產量損失率的相關系數都超過0.71。相較之下，新建的三個稻瘟病指數與產量損失的相關性相差不多，都接近0.55，且皆為顯著負相關。新建的三個稻瘟病指數中，與產量損失關系最高的為綠光紅光差值標準化稻瘟病指數NRBI，相關系數為-0.559。

3.2 光譜指數與產量回歸模型

進一步用逐步回歸方法將新建的三個稻瘟病指數與產量損失率進行回歸分析，得到回歸系數為0.596的線性回歸模型，自變量因子為NBI。模型系數概述如表2所示。

表2 稻瘟病指數與產量損失率的回歸模型概述

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

表3 稻瘟病指數、作物生理參數與產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%的產量損失率，估算的標準誤在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行驗證，得到估算的損失率與實測損失率直接的擬合系數達0.801(圖3)。

圖3 回歸模型估算損失率與實測損失率散點圖

3.3 產量損失率分級圖

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

圖4 產量損失率分布圖

4 結束語

2017年雙河農場發(fā)生了稻瘟病，雙河農場的生產隊于9月2日向保險公司上報了災情，作者所在研究室9月9日收到保險公司的邀請，并進行了應急研究。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試圖進行稻瘟病識別，然而在沒有受災樣點的情況下，未能識別出受災區(qū)域。于是和保險公司商議，一同去現場收集樣點，并帶上地物光譜儀進行光譜采樣。然后，分析實測光譜曲線中受災水稻與未受災水稻的差異，并找出特征波段，結合衛(wèi)星遙感數據，進行相關參數構建，并對所建參數與樣點損失率進行相關分析和回歸分析，最后建立了基于衛(wèi)星遙感數據的稻瘟病損失率估算模型，快速地完成整個區(qū)域的災害定損。根據研究過程，可以得到以下啟示。

1)實測光譜對于利用哪顆衛(wèi)星、哪些波段、哪些光譜參數很有幫助。

2)利用綠光和紅光所建立的綠光紅光比值稻瘟病指數RRBI、綠光紅光歸一化稻瘟病指數NDRBI、綠光紅光差值標準化稻瘟病指數NRBI，以及常用生理指數葉面積指數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)結合實測光譜、地面損失率和衛(wèi)星遙感數據可以在報案或者野外采樣一周內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)星數據是完成大面積災害估算的前提條件。若缺乏與光譜采樣相對應的最佳時期影像，大范圍的估算就難以進行。其中，影像的獲取時間又是篩選影像的關鍵因子；越接近災害發(fā)展的最高點，對于災害識別而言，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)生的條件多是數日陰雨連綿，即使用農藥防治也無濟于事。這樣的天氣下，獲取多光譜衛(wèi)星數據是很困難的，利用無人機來補充數據或利用雷達來反演稻瘟病的可能性也是需要探討的方向。其次，是否具有實地樣本是災害估算模型建模的重要條件。采樣的內容通常包括不同受災情況樣點的地理位置、作物損失率、實測理論產量、光譜樣本等。這幾個內容中，受災區(qū)域的地理位置、作物損失率或產量是必須的，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)務而言，野外采樣的工作做多少，由誰來做，并達到節(jié)約成本提高效率的功效，是一個需要長期實驗和討論的話題。

總之，從行業(yè)應用層面看，遙感技術可以輔助農業(yè)保險快速理賠，但其充分應用并形成標準規(guī)范還有待進一步實踐與探索。對此本文作者也有三點建議：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；二是梳理總結遙感技術應用的成本構成，為不同的應用要求設立不同的成本核算體系，為保險公司不同的應用需求提供客觀、合理的成本核算；三是加大農業(yè)保險遙感研究的投入，通過不斷試點打通遙感應用到保險實務的“最后一千米”。通過不斷的行業(yè)應用，最終逐步完善應用流程和模式，形成行業(yè)標準規(guī)范。