陳愛蓮 趙思健 朱玉霞 孫偉 張晶 張峭

摘要：種植收入保險(xiǎn)已成為中國農(nóng)業(yè)保險(xiǎn)的一種重要形式，2022年將在13個(gè)糧食主產(chǎn)省的所有主產(chǎn)縣開展。本文首先回顧了遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的總體應(yīng)用歷程，其次，通過闡述現(xiàn)有種植收入保險(xiǎn)的業(yè)務(wù)模式，展現(xiàn)了目前遙感技術(shù)在該模式下的應(yīng)用場景，并對各種應(yīng)用場景下的關(guān)鍵技術(shù)的應(yīng)用研究進(jìn)展進(jìn)行了評述，包括耕地地塊提取、作物分類提取、作物災(zāi)情評估和作物產(chǎn)量估算。最后，列舉了目前種植收入保險(xiǎn)常用的遙感數(shù)據(jù)源。通過綜述，發(fā)現(xiàn)種植收入保險(xiǎn)應(yīng)用場景下最重要的兩個(gè)技術(shù)層面的問題，一是地塊提取和作物分類不夠自動化，二是產(chǎn)量估算機(jī)理性不強(qiáng)、準(zhǔn)確度不高。由此又延伸出兩個(gè)行業(yè)層面的問題，一是遙感行業(yè)自身局限性問題，二是保險(xiǎn)行業(yè)的現(xiàn)行業(yè)務(wù)與遙感技術(shù)結(jié)合的兼容性問題。對此，本文提出建立數(shù)據(jù)分發(fā)平臺解決數(shù)據(jù)獲取和與處理難和初始數(shù)據(jù)標(biāo)準(zhǔn)化的問題、完善耕地地塊和作物類型樣本庫以促進(jìn)地塊提取和作物分類自動化、多學(xué)科交叉研究實(shí)現(xiàn)更快更準(zhǔn)更科學(xué)地產(chǎn)量估算、農(nóng)業(yè)保險(xiǎn)遙感技術(shù)應(yīng)用標(biāo)準(zhǔn)化，以及遙感技術(shù)應(yīng)用合同化等五個(gè)具體建議。展望未來，種植收入保險(xiǎn)乃至所有農(nóng)業(yè)保險(xiǎn)中遙感技術(shù)的應(yīng)用模式應(yīng)該是一個(gè)有數(shù)據(jù)可用、技術(shù)上更自動化智能化、有標(biāo)準(zhǔn)可依、有合同背書的新型模式。關(guān)鍵詞：遙感技術(shù);農(nóng)業(yè)保險(xiǎn);種植收入保險(xiǎn);精確理賠;產(chǎn)量估算;耕地提取;災(zāi)情評估;遙感數(shù)據(jù)源

中圖分類號：TP7;S127????????????? 文獻(xiàn)標(biāo)志碼：A??????????????? 文章編號：SA202201011

引用格式：陳愛蓮， 趙思健， 朱玉霞， 孫偉， 張晶， 張峭.遙感技術(shù)在種植收入保險(xiǎn)中的應(yīng)用場景及研究進(jìn)展[J].智慧農(nóng)業(yè)（中英文）， 2022， 4（1）：57-70.

CHEN Ailian， ZHAO Sijian， ZHU Yuxia， SUN Wei， ZHANG jing， ZHANG Qiao. Application scenarios and re‐ search progress of remote sensing technology in plant income insurance[J]. Smart Agriculture， 2022， 4（1）：57-70.（in Chinese with English abstract）

1 引言

農(nóng)業(yè)是一項(xiàng)弱質(zhì)產(chǎn)業(yè)，面臨自然災(zāi)害帶來的生產(chǎn)風(fēng)險(xiǎn)和價(jià)格波動帶來的市場風(fēng)險(xiǎn)雙重風(fēng)險(xiǎn)。農(nóng)業(yè)保險(xiǎn)作為一種農(nóng)業(yè)風(fēng)險(xiǎn)管理的有效工具，在規(guī)避農(nóng)業(yè)風(fēng)險(xiǎn)、保障農(nóng)民收入穩(wěn)定和農(nóng)村社會穩(wěn)定方面發(fā)揮著重要的作用。自2007年實(shí)施政策性農(nóng)業(yè)保險(xiǎn)以來，中國農(nóng)業(yè)保險(xiǎn)發(fā)展速度迅猛，2020年農(nóng)業(yè)保險(xiǎn)的簽單保費(fèi)達(dá)到815億元人民幣[1]，保費(fèi)規(guī)模首次躍居世界第一，2021年保費(fèi)繼續(xù)增長至965億元人民幣[2]。

然而，中國目前實(shí)施的政策性農(nóng)業(yè)保險(xiǎn)絕大多數(shù)是物化成本保險(xiǎn)，主要用于彌補(bǔ)自然災(zāi)害導(dǎo)致的產(chǎn)量損失，并以物化成本的水平對農(nóng)戶因?yàn)?zāi)損失進(jìn)行補(bǔ)償。隨著經(jīng)濟(jì)的全球化，各國農(nóng)產(chǎn)品價(jià)格的關(guān)聯(lián)度越來越高，農(nóng)業(yè)市場風(fēng)險(xiǎn)的影響日益凸顯。農(nóng)產(chǎn)品價(jià)格的頻繁波動，嚴(yán)重影響了農(nóng)業(yè)收入的穩(wěn)定性。傳統(tǒng)的物化成本保險(xiǎn)或者稱產(chǎn)量保險(xiǎn)，已經(jīng)不能滿足農(nóng)業(yè)生產(chǎn)者的風(fēng)險(xiǎn)保障需求。國際經(jīng)驗(yàn)表明，農(nóng)業(yè)收入保險(xiǎn)是防范農(nóng)民生產(chǎn)和市場風(fēng)險(xiǎn)的重要手段，已經(jīng)成為美國、加拿大、日本等發(fā)達(dá)國家重點(diǎn)推行的農(nóng)業(yè)保險(xiǎn)產(chǎn)品[3]。與只保價(jià)格或者只保產(chǎn)量的保險(xiǎn)產(chǎn)品相比，農(nóng)業(yè)收入保險(xiǎn)是一種彌補(bǔ)農(nóng)業(yè)生產(chǎn)者因產(chǎn)量或價(jià)格雙重風(fēng)險(xiǎn)而引起收入損失的保險(xiǎn)，具有風(fēng)險(xiǎn)保障更加全面、承保風(fēng)險(xiǎn)更低、風(fēng)險(xiǎn)分散能力更強(qiáng)和準(zhǔn)入門檻更低等優(yōu)點(diǎn)，已經(jīng)成為中國農(nóng)業(yè)保險(xiǎn)高質(zhì)量發(fā)展的必然選擇。

中國自2016年起開始重視農(nóng)業(yè)收入保險(xiǎn)，尤其是種植收入保險(xiǎn)的實(shí)施與推進(jìn)。2016年以來發(fā)布的中央一號文件均提及了探索開展種植收入保險(xiǎn)的試點(diǎn)。在政策的指引下，中國多省市地區(qū)積極開展種植收入保險(xiǎn)試點(diǎn)，其中以區(qū)域收入保險(xiǎn)的試點(diǎn)居多。2021年6月，財(cái)政部、農(nóng)業(yè)農(nóng)村部和銀行保險(xiǎn)監(jiān)督管理委員會三部委聯(lián)合下發(fā)了《關(guān)于擴(kuò)大三大糧食作物完全成本保險(xiǎn)和種植收入保險(xiǎn)實(shí)施范圍的通知》（財(cái)金（2021）49號文）[4]，該通知明確2021年的種植收入保險(xiǎn)試點(diǎn)由2020年的6個(gè)糧食主產(chǎn)省各4個(gè)主產(chǎn)縣擴(kuò)大到所有13個(gè)糧食主產(chǎn)省份的500個(gè)產(chǎn)糧大縣，占產(chǎn)糧大縣的60%。而2022年的中央一號文件進(jìn)一步明確“實(shí)現(xiàn)三大糧食作物完全成本保險(xiǎn)和種植收入保險(xiǎn)主產(chǎn)省產(chǎn)糧大縣全覆蓋”，并增加了新的要求，即“探索開展糖料蔗完全成本保險(xiǎn)和種植收入保險(xiǎn)”。至此，在種植業(yè)保險(xiǎn)方面，收入保險(xiǎn)已成為目前及今后一段時(shí)期中國國家政策鼓勵開展的重要險(xiǎn)種。

在試點(diǎn)和大力發(fā)展種植收入保險(xiǎn)過程中，保險(xiǎn)各方在理賠時(shí)作物產(chǎn)量實(shí)時(shí)精確獲取、理賠區(qū)域劃分、基差風(fēng)險(xiǎn)識別等方面不斷遇到新的難題。其中，作物產(chǎn)量實(shí)時(shí)精確獲取是當(dāng)前最為突出的難題。遙感（Remote Sensing ，RS ）技術(shù)是20世紀(jì)60年代興起的一種探測技術(shù)，已經(jīng)在農(nóng)業(yè)領(lǐng)域中應(yīng)用了50多年，應(yīng)用領(lǐng)域涵蓋了農(nóng)業(yè)資源調(diào)查、農(nóng)情四要素（面積、長勢、災(zāi)害和產(chǎn)量）的監(jiān)測，以及農(nóng)業(yè)環(huán)境保護(hù)等多個(gè)領(lǐng)域[5-7]。遙感技術(shù)以其覆蓋面積廣、記錄方式客觀、重訪周期短等優(yōu)勢被引入到收入保險(xiǎn)的試點(diǎn)項(xiàng)目中，并積累了一定的試點(diǎn)經(jīng)驗(yàn)。然而，隨著保險(xiǎn)行業(yè)的快速發(fā)展，以及政府層面的政策引導(dǎo)，遙感技術(shù)應(yīng)用于農(nóng)業(yè)保險(xiǎn)迎來了新的機(jī)遇，同時(shí)也面臨了巨大挑戰(zhàn)。挑戰(zhàn)主要包括以下幾點(diǎn)：（1） 遙感技術(shù)在中國農(nóng)業(yè)保險(xiǎn)中的應(yīng)用歷史不長，經(jīng)驗(yàn)積累不足;（2）農(nóng)業(yè)保險(xiǎn)對遙感技術(shù)的服務(wù)需求因保險(xiǎn)產(chǎn)品的不同而不同，沒有統(tǒng)一的模式，沒有可遵照的標(biāo)準(zhǔn)規(guī)范;（3）引入遙感技術(shù)不是政府或監(jiān)管部門強(qiáng)制的行為，也沒有在保險(xiǎn)合同中明確相關(guān)條款，農(nóng)業(yè)保險(xiǎn)各方（提供保費(fèi)補(bǔ)貼的政府、作為保險(xiǎn)人的保險(xiǎn)公司以及作為被保險(xiǎn)人的農(nóng)戶）對遙感技術(shù)的認(rèn)可存在不確定性;（4）遙感技術(shù)與農(nóng)業(yè)保險(xiǎn)、尤其是種植業(yè)產(chǎn)量損失補(bǔ)償型保險(xiǎn)（與之相對應(yīng)的是指數(shù)型保險(xiǎn)）的結(jié)合還不夠成熟;（5）此外，遙感技術(shù)自身也存在很多局限性[8，9]。

因此，本文首先回顧了遙感技術(shù)應(yīng)用于農(nóng)業(yè)保險(xiǎn)的發(fā)展歷程，闡述了種植收入保險(xiǎn)中產(chǎn)量獲取存在的問題，并以種植業(yè)收入保險(xiǎn)這一險(xiǎn)種為重點(diǎn)，通過展示種植業(yè)收入保險(xiǎn)的業(yè)務(wù)流程以及遙感技術(shù)的介入場景，綜述與種植收入保險(xiǎn)業(yè)務(wù)相關(guān)的關(guān)鍵技術(shù)，最后對當(dāng)前遙感技術(shù)在種植收入保險(xiǎn)中的應(yīng)用現(xiàn)狀進(jìn)行討論，對未來遙感技術(shù)在種植收入保險(xiǎn)中的應(yīng)用模式進(jìn)行展望，以期推進(jìn)遙感技術(shù)在種植收入保險(xiǎn)中的深入應(yīng)用，促進(jìn)中國農(nóng)業(yè)保險(xiǎn)的高質(zhì)量發(fā)展。

2 遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的應(yīng)用發(fā)展歷程

2.1國際農(nóng)業(yè)保險(xiǎn)遙感的發(fā)展歷程

遙感技術(shù)應(yīng)用于農(nóng)業(yè)保險(xiǎn)的案例可追溯到1975年， 1980年 Towery 等[10， 11]使用航空紅外影像定性地評估雹災(zāi)等災(zāi)害對作物產(chǎn)量的影響，確定耕地受損面積和位置。而根據(jù) De Leeuw 等[12] 對遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的應(yīng)用潛力和實(shí)際采用情況的綜述，2014年之前的40年，遙感技術(shù)在損失補(bǔ)償型保險(xiǎn)方面的應(yīng)用非常有限，幾乎僅限于美國政府開展的幾個(gè)研究。De Leeuw等[12] 同時(shí)也發(fā)現(xiàn)遙感技術(shù)與指數(shù)型保險(xiǎn)的結(jié)合度更高，其結(jié)合成熟程度遠(yuǎn)大于與損失補(bǔ)償型保險(xiǎn)的結(jié)合，且主要用于牧草或畜牧業(yè)指數(shù)保險(xiǎn)。此后，2019年，Vroege等[13]綜述了遙感技術(shù)在牧草指數(shù)保險(xiǎn)方面的應(yīng)用，也指出遙感影像的應(yīng)用潛力很高，不同分辨率的遙感影像可用于不同類型的農(nóng)業(yè)保險(xiǎn)，其中高分辨率遙感影像用于損失賠償型保險(xiǎn)，中分辨率遙感影像用于區(qū)域產(chǎn)量保險(xiǎn)，而低分辨率的氣象參數(shù)相關(guān)的影像可用于氣象指數(shù)保險(xiǎn)。

在2014年前后，發(fā)展中國家尤其是中國的農(nóng)業(yè)保險(xiǎn)開始飛速發(fā)展。由于發(fā)展中國家農(nóng)業(yè)保險(xiǎn)起步晚，保險(xiǎn)雙方信息不對稱情況比較嚴(yán)重，遙感技術(shù)開始在很多國家的非指數(shù)類保險(xiǎn)中得以應(yīng)用，如印度水稻產(chǎn)量估算[14]，中國小麥干旱風(fēng)險(xiǎn)評估[15]，印度尼西亞水稻損失評估[16]等，這些研究一定程度上都以輔助保險(xiǎn)定損或產(chǎn)量估算為目的進(jìn)行遙感技術(shù)探索，都需要將遙感所得信息轉(zhuǎn)化成與產(chǎn)量損失相關(guān)的信息。

2.2中國農(nóng)業(yè)保險(xiǎn)遙感技術(shù)發(fā)展歷程

中國是農(nóng)業(yè)保險(xiǎn)新興市場。2007年，自中國政府開始提供保費(fèi)補(bǔ)貼以來，農(nóng)業(yè)保險(xiǎn)逐漸步入高速發(fā)展階段[3]，遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的應(yīng)用研究也始于這一時(shí)期。2013年，中國人民保險(xiǎn)財(cái)產(chǎn)股份有限公司（簡稱“人保財(cái)險(xiǎn)”）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(xiǎn)精確承保和快速理賠綜合服務(wù)平臺與應(yīng)用示范》研究[17]，是農(nóng)業(yè)保險(xiǎn)與遙感技術(shù)結(jié)合的里程碑。2014年，郭清和何飛[18]分析了遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的“按圖承保、按圖理賠”的應(yīng)用模式，詳細(xì)介紹了在遙感技術(shù)支持下農(nóng)業(yè)保險(xiǎn)承保和理賠的技術(shù)流程。

從引入遙感技術(shù)至今，中國研究者除了學(xué)習(xí)國外經(jīng)驗(yàn)之外[17]，更積極從中國國情出發(fā)探索基于遙感技術(shù)的產(chǎn)品設(shè)計(jì)、基于遙感技術(shù)的保險(xiǎn)全流程輔助技術(shù)應(yīng)用，以及基于以遙感技術(shù)為主，地理信息系統(tǒng)（Geographic Information Sys‐tem， GIS ）與全球定位系統(tǒng)（Global PositioningSystem，GPS ）技術(shù)為輔的保險(xiǎn)業(yè)務(wù)方案設(shè)想和設(shè)計(jì)，為農(nóng)業(yè)保險(xiǎn)高質(zhì)量發(fā)展提供依據(jù)。其中，產(chǎn)品設(shè)計(jì)主要體現(xiàn)在指數(shù)型保險(xiǎn)方面，如李懿珈等[19] 以西藏那曲地區(qū)為例，設(shè)計(jì)以遙感植被指數(shù)作為賠付依據(jù)的畜牧業(yè)旱災(zāi)指數(shù)保險(xiǎn)產(chǎn)品?；谶b感技術(shù)的保險(xiǎn)全流程輔助則涉及了保險(xiǎn)承保后的驗(yàn)標(biāo)、理賠時(shí)的災(zāi)害定損和產(chǎn)量估算。蒙繼華等[20] 以內(nèi)蒙古庫倫旗較嚴(yán)重的旱災(zāi)為例，基于遙感技術(shù)開展了農(nóng)作物分類與種植面積提取、干旱等級評估、作物長勢監(jiān)測及作物單產(chǎn)與產(chǎn)量評估，是一個(gè)系統(tǒng)的遙感技術(shù)應(yīng)用于種植業(yè)保險(xiǎn)承保、理賠的案例。將遙感技術(shù)引入種植收入保險(xiǎn)方面也有專門的案例研究，如 2019年陳愛蓮等[21]將遙感技術(shù)引入大豆區(qū)域收入保險(xiǎn)中，基于哨兵2號衛(wèi)星等數(shù)據(jù)，研究大豆遙感估產(chǎn)及其在區(qū)域收入保險(xiǎn)中的應(yīng)用流程。朱玉霞等[22]在山西馬鈴薯區(qū)域收入保險(xiǎn)中也做了詳細(xì)的探索。基于3S （ GIS ，GPS和 RS）技術(shù)的農(nóng)業(yè)保險(xiǎn)業(yè)務(wù)方案設(shè)想也較多，包括趙思健和張峭[23， 24]提出建立基于3S 技術(shù)的“天空地”一體化模式，應(yīng)用于種植業(yè)保險(xiǎn)的標(biāo)的管理和災(zāi)害查勘定損。李樂等[25]提出的基于3S技術(shù)的“精確承保和快速理賠”等。

中國從農(nóng)業(yè)保險(xiǎn)進(jìn)入高速發(fā)展以來，不斷有不同團(tuán)體，包括保險(xiǎn)公司[26]、科研院所[25]、監(jiān)管部門[27]、科技公司[28，29]等，獨(dú)立或聯(lián)合研究以遙感技術(shù)為主的3S 技術(shù)在農(nóng)業(yè)保險(xiǎn)中的廣泛應(yīng)用。從保險(xiǎn)標(biāo)的方面，既包括糧食作物保險(xiǎn)的應(yīng)用，也包括經(jīng)濟(jì)作物、林業(yè)、牧草保險(xiǎn)的應(yīng)用;從保險(xiǎn)產(chǎn)品角度，既包括損失理賠型保險(xiǎn)的應(yīng)用也包括指數(shù)保險(xiǎn)的應(yīng)用;使用數(shù)據(jù)涵蓋了氣象衛(wèi)星數(shù)據(jù)、中低分辨率多光譜衛(wèi)星數(shù)據(jù)、雷達(dá)衛(wèi)星數(shù)據(jù)、中高分辨率衛(wèi)星數(shù)據(jù)、高分辨率衛(wèi)星數(shù)據(jù)和無人機(jī)航空數(shù)據(jù)等。其中氣象衛(wèi)星數(shù)據(jù)可用于災(zāi)害評估，如 NOAA 衛(wèi)星降雨產(chǎn)品用于旱災(zāi)評估[20]，也可用于產(chǎn)量估算，如 GPM 測雨雷達(dá)衛(wèi)星數(shù)據(jù)用于產(chǎn)量評估[21]。中低分辨率既可用于長勢評估，如中分辨率成像光譜儀（ Moder‐ ate-resolution? Imaging? Spectroradiometer ，? MO ‐ DIS ）產(chǎn)品[20]，也可用于產(chǎn)量估算[22]。中分辨率衛(wèi)星數(shù)據(jù)可用于耕地地塊劃分，如哨兵2號（sentinel 2）[21，30];也可用于作物分類，如環(huán)境衛(wèi)星[20];還可用于長勢評估和產(chǎn)量估算[21]。而超高分辨率衛(wèi)星數(shù)據(jù)和無人機(jī)數(shù)據(jù)則多用于地塊提取、作物分類和產(chǎn)量估算[5]。

由于種植收入保險(xiǎn)一般承保到戶，或者到鄉(xiāng)鎮(zhèn)，因此需要實(shí)現(xiàn)區(qū)縣、鄉(xiāng)鎮(zhèn)、村甚至地塊級別較準(zhǔn)確的作物分類、面積估算和產(chǎn)量估測，其尺度更小，對分辨率的要求更高，所使用的數(shù)據(jù)也以中高分辨率衛(wèi)星數(shù)據(jù)和無人機(jī)數(shù)據(jù)為主[5，31]。遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的應(yīng)用在總的技術(shù)框架層面已形成了標(biāo)準(zhǔn)規(guī)范，即《基于遙感技術(shù)的農(nóng)業(yè)保險(xiǎn)精確承保和快速理賠規(guī)范》（JR/T 0180—2019）。該規(guī)范雖然“規(guī)定了基于遙感技術(shù)的農(nóng)業(yè)保險(xiǎn)精確承保和快速理賠工作準(zhǔn)備，遙感數(shù)據(jù)獲取、預(yù)處理和解譯技術(shù)方法，精確承保和快速理賠總體流程、產(chǎn)品內(nèi)容和精度要求”，并規(guī)定其“適用于種植險(xiǎn)和森林險(xiǎn)利用遙感技術(shù)開展農(nóng)業(yè)保險(xiǎn)精確承保和快速理賠，規(guī)范遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)承保和理賠中的應(yīng)用”。但是，該規(guī)范總體上比較籠統(tǒng)，沒有涉及不同險(xiǎn)種、不同遙感數(shù)據(jù)、不同的保險(xiǎn)階段所涉及的具體遙感技術(shù)等內(nèi)容。

總體上，如 De Leeuw等[12]所言，目前農(nóng)業(yè)損失理賠中遙感技術(shù)的應(yīng)用依然集中于技術(shù)的探索，而與保險(xiǎn)業(yè)務(wù)結(jié)合的研究較少。雖然目前遙感技術(shù)在“精確承保”方面已經(jīng)可以滿足承保和驗(yàn)標(biāo)的要求，但是在精確理賠方面，由于農(nóng)業(yè)保險(xiǎn)標(biāo)的農(nóng)作物生長和產(chǎn)量形成機(jī)制及影響因子的復(fù)雜性，理賠仍是“一地一技，一事一議”[32]，沒有形成技術(shù)標(biāo)準(zhǔn)或者應(yīng)用模式規(guī)范。遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)上的應(yīng)用也側(cè)重于驗(yàn)險(xiǎn)驗(yàn)標(biāo)、災(zāi)后查勘定損和產(chǎn)量估算中的技術(shù)探索，而如何讓遙感技術(shù)與農(nóng)業(yè)保險(xiǎn)業(yè)務(wù)更好地結(jié)合，如何形成行業(yè)標(biāo)準(zhǔn)，形成何種行業(yè)標(biāo)準(zhǔn)是面對農(nóng)業(yè)保險(xiǎn)高速發(fā)展、高質(zhì)量發(fā)展對數(shù)據(jù)需求的主要挑戰(zhàn)。

2.3作物產(chǎn)量獲取存在的問題

種植收入保險(xiǎn)在理賠時(shí)需要作物收獲期的實(shí)際產(chǎn)量和實(shí)際價(jià)格數(shù)據(jù)做支撐。實(shí)際價(jià)格數(shù)據(jù)可以參考物價(jià)局?jǐn)?shù)據(jù)，而實(shí)際產(chǎn)量的數(shù)據(jù)來源則是個(gè)難題。中國統(tǒng)計(jì)部門通常會滯后半年甚至一年以上公布產(chǎn)量數(shù)據(jù)，因此在收入保險(xiǎn)理賠中，目前普遍采用產(chǎn)量估算方法，即人工測產(chǎn)。中國目前農(nóng)業(yè)生產(chǎn)仍以小農(nóng)戶為主，開展個(gè)體收入保險(xiǎn)需要獲取個(gè)體產(chǎn)量，成本極高，很難施行，目前的種植收入保險(xiǎn)多以區(qū)域收入保險(xiǎn)形式開展，通過測量區(qū)域產(chǎn)量開展理賠?，F(xiàn)行的人工測產(chǎn)在區(qū)域產(chǎn)量獲取中存在著成本高、效率低、區(qū)域覆蓋不全、主觀性大導(dǎo)致結(jié)果有偏差以及基差問題無法解決等五個(gè)方面的不足。

遙感技術(shù)的引入為估測作物產(chǎn)量提供了一條新渠道，利用遙感技術(shù)既可以為采樣點(diǎn)布設(shè)提供長勢分級圖，也可以進(jìn)行估產(chǎn)建模，但同時(shí)也帶來了新的問題。一是遙感估產(chǎn)受數(shù)據(jù)的限制。如光學(xué)衛(wèi)星數(shù)據(jù)受天氣的影響，無人機(jī)數(shù)據(jù)受飛行范圍與數(shù)據(jù)分辨率之間的矛盾以及成本的影響[5]，雷達(dá)數(shù)據(jù)受信息量的影響[6]。二是遙感估產(chǎn)的可靠性和認(rèn)可度都存在不確定性。遙感估產(chǎn)依賴于地面數(shù)據(jù)的支持，所依賴的遙感參數(shù)存在“同物異譜”或者“異物同譜”現(xiàn)象會帶來估產(chǎn)誤差。保險(xiǎn)雙方，尤其是被保險(xiǎn)人對遙感的認(rèn)同程度有待提高。三是獲取數(shù)據(jù)的成本問題。不同的遙感數(shù)據(jù)，如存檔衛(wèi)星數(shù)據(jù)和編程衛(wèi)星數(shù)據(jù)，中分辨率數(shù)據(jù)和高分辨率數(shù)據(jù)，無人機(jī)數(shù)據(jù)和衛(wèi)星數(shù)據(jù)之間，成本相差很大，若收入保險(xiǎn)統(tǒng)一要求用遙感數(shù)據(jù)，其存在巨大差距的數(shù)據(jù)成本需要慎重考慮。

可見，遙感技術(shù)在種植收入保險(xiǎn)中的應(yīng)用不僅是對遙感技術(shù)的挑戰(zhàn)，遙感技術(shù)與農(nóng)業(yè)保險(xiǎn)的結(jié)合也是對保險(xiǎn)公司、政府和監(jiān)管等部門的挑戰(zhàn)。

3 遙感技術(shù)介入種植業(yè)收入保險(xiǎn)場景

下文以種植收入保險(xiǎn)為例，展示種植收入保險(xiǎn)的業(yè)務(wù)流程，從而展現(xiàn)遙感技術(shù)的介入場景，如圖1所示。

從時(shí)間軸的角度看，種植收入保險(xiǎn)開始于目標(biāo)作物出苗后，保險(xiǎn)機(jī)構(gòu)進(jìn)入收入保險(xiǎn)的承保階段。通過承保出單，保險(xiǎn)機(jī)構(gòu)確定收入保險(xiǎn)的承保區(qū)域，明確了遙感技術(shù)應(yīng)用的作業(yè)范圍。隨著作物進(jìn)入生長期，可以利用遙感技術(shù)開展承保區(qū)域的耕地地塊提取和作物分類。耕地地塊是收入保險(xiǎn)驗(yàn)標(biāo)的基礎(chǔ)數(shù)據(jù)，也是后續(xù)作物分類提取的基礎(chǔ)，而作物分類圖則是收入保險(xiǎn)驗(yàn)標(biāo)的重要依據(jù);在作物生長過程中，還可以利用遙感技術(shù)記錄和監(jiān)測作物生長狀態(tài)和受災(zāi)情況，開展作物長勢分析和災(zāi)情評估;在作物收獲期到理賠階段，在氣象、遙感、高程等多源數(shù)據(jù)的基礎(chǔ)上開展作物產(chǎn)量估算建模，并按照理賠區(qū)域的規(guī)定計(jì)算出目標(biāo)作物的平均產(chǎn)量，作為收入保險(xiǎn)產(chǎn)量的依據(jù)。

從整個(gè)種植收入保險(xiǎn)業(yè)務(wù)流程中可以看出，流程涉及的關(guān)鍵遙感技術(shù)可以分成4個(gè)部分，即耕地地塊提取、作物分類、作物災(zāi)情監(jiān)測以及作物產(chǎn)量估算。此外，整個(gè)業(yè)務(wù)流程中，數(shù)據(jù)源和地面樣本采集是必要條件。其中，數(shù)據(jù)源的存在是業(yè)務(wù)開展的前提，而地面樣本是基于遙感分析結(jié)果精度的保障。樣本采集主要基于 GPS技術(shù)、 GIS技術(shù)、互聯(lián)網(wǎng)技術(shù)和抽樣技術(shù)。目前樣本采集技術(shù)也比較成熟，如中國太平洋財(cái)產(chǎn)保險(xiǎn)股份有限公司的“e農(nóng)險(xiǎn)”系統(tǒng)[33]，中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所的“樣采寶”[21]。由于篇幅關(guān)系，對于樣本采集技術(shù)本文不再贅述。

4 種植收入保險(xiǎn)涉及的遙感關(guān)鍵技術(shù)和數(shù)據(jù)源發(fā)展現(xiàn)狀

理論上，農(nóng)業(yè)遙感所用的技術(shù)和數(shù)據(jù)源在農(nóng)業(yè)保險(xiǎn)中都可以使用。其中，數(shù)據(jù)源和技術(shù)方法依據(jù)農(nóng)業(yè)保險(xiǎn)的業(yè)務(wù)進(jìn)行選擇。下文將從技術(shù)總體現(xiàn)狀和農(nóng)業(yè)保險(xiǎn)所需技術(shù)和數(shù)據(jù)源現(xiàn)狀展開評述。

4.1耕地地塊提取技術(shù)

耕地地塊是種植收入保險(xiǎn)承保和驗(yàn)標(biāo)的基礎(chǔ)數(shù)據(jù)，也是作物分類提取的框架，在收入保險(xiǎn)乃至整個(gè)種植業(yè)保險(xiǎn)的應(yīng)用中均有重要作用。耕地地塊可以從已有的土地利用產(chǎn)品中提取，如分辨率為30 m 的 GlobeLand30[34]。但是土地利用產(chǎn)品生產(chǎn)的最初目的是土地利用類型的分類，產(chǎn)品精度一般無法直接滿足農(nóng)業(yè)保險(xiǎn)涉及的鄉(xiāng)鎮(zhèn)級別的耕地地塊提取需求，因此從土地利用產(chǎn)品中提取耕地常需要輔以統(tǒng)計(jì)數(shù)據(jù)或者新的遙感影像進(jìn)行修正[35]，此類數(shù)據(jù)是一個(gè)更精細(xì)的地塊提取或者作物分類的基礎(chǔ)。在農(nóng)業(yè)保險(xiǎn)的遙感應(yīng)用中，由于保單涉及到個(gè)體農(nóng)戶，因此保險(xiǎn)中耕地地塊的提取常常需要補(bǔ)充分辨率優(yōu)于10 m 的數(shù)據(jù)。

基于中高、高分辨率遙感數(shù)據(jù)的耕地地塊提取方法有傳統(tǒng)的室內(nèi)經(jīng)驗(yàn)判讀式的人工勾畫法、室外依據(jù) GPS航跡點(diǎn)的實(shí)地勾畫法、面向像元的分類法、面向?qū)ο蟮膱D像分割法和人工智能領(lǐng)域的深度學(xué)習(xí)法。目前，在實(shí)際應(yīng)用中的耕地提取一般都是以某個(gè)數(shù)據(jù)和某種方法為主，同時(shí)輔以其他數(shù)據(jù)和方法，經(jīng)過一定的人工修正來完成。其中，面向?qū)ο蟮膱D像分割法和深度學(xué)習(xí)分類法是對人工依賴性相對較低、提取效率和精度都相對較高的方法，也是目前較常用的方法[9]。

面向?qū)ο蟮姆椒ㄊ菍⒍喾N知識，如遙感影像的多波段灰度值、紋理、鄰域特征、幾何形狀等知識綜合在一個(gè)表達(dá)里，進(jìn)行鄰域間比對，結(jié)合模糊數(shù)學(xué)，將各個(gè)相近的知識提煉成一個(gè)個(gè)對象[36，37]，從而識別出具有相似紋理、相似形狀和灰度的耕地信息。該方法可以消除以像元為基本單位的傳統(tǒng)分類方法帶來的像元孤島和“椒鹽”問題，減少大量分類后處理的工作，不僅提高了分類精度也提高了工作效率。面向?qū)ο蟮姆椒ㄒ呀?jīng)比較成熟，在很多商業(yè)圖像處理軟件中都有這項(xiàng)功能，如國際上的eCognition軟件，其對 Sen ‐tinel 2A 衛(wèi)星數(shù)據(jù)的面向?qū)ο筇崛?，結(jié)合隨機(jī)森林模型可以實(shí)現(xiàn)96%的耕地提取精度[38]。國產(chǎn)的簡譯遙感信息處理軟件——簡譯，直接提供了多尺度的分割模式，對紋理信息尤其敏感[39]。此外，其他常用的遙感軟件，如 ENVI ，ERDAS? IMAGINE都有面向?qū)ο筇崛」δ苣K。

深度學(xué)習(xí)分類法是從早期機(jī)器學(xué)習(xí)算法如人工神經(jīng)網(wǎng)絡(luò)（ Artificial Neural Network ，ANN ）、支持向量機(jī)（Support Vector Machine ， SVM ）等機(jī)器學(xué)習(xí)算法中進(jìn)化和升華而來的綜合分類算法，2006年由 Hinton等[40]正式提出，并被研究者引入遙感分類中。各國研究者們開展了基于深度學(xué)習(xí)多種算法的無監(jiān)督或有監(jiān)督分類，分類數(shù)據(jù)包括多光譜遙感、高光譜遙感、雷達(dá)遙感等[41-43]。深度學(xué)習(xí)算法對硬件的要求比較高。目前，美國的 Google Earth Engine （ GEE ）平臺為深度學(xué)習(xí)算法提供了云計(jì)算平臺和可直接調(diào)用的代碼模塊，大大促進(jìn)了深度學(xué)習(xí)算法的快速發(fā)展和應(yīng)用。國產(chǎn)的簡譯遙感信息處理軟件也內(nèi)嵌了深度學(xué)習(xí)算法，促進(jìn)了國內(nèi)深度學(xué)習(xí)方法應(yīng)用的推廣。在云平臺方面，國際上除了 GEE 以外，還有亞馬遜云（ Amazon Web? Services ， AWS ）等云平臺等。國內(nèi)云計(jì)算平臺的研發(fā)也在加速推進(jìn)，如中國科學(xué)院先導(dǎo)專項(xiàng)的EarthDataMiner，航天宏圖的 PIE-Engine等[44]。

從分類方法角度看，在實(shí)際應(yīng)用中，監(jiān)督分類的深度學(xué)習(xí)法一般需要制作和積累數(shù)以萬計(jì)的樣本實(shí)現(xiàn)高精度的提取，而無監(jiān)督分類的深度學(xué)習(xí)算法需要大量時(shí)間調(diào)節(jié)試驗(yàn)參數(shù)[43]，目前基于深度學(xué)習(xí)的耕地提取技術(shù)在提取前和后處理上仍然需要大量的人工修正。楊穎頻等[45]基于D-Linknet算法的深度學(xué)習(xí)分類，只取了84個(gè)1000×1000像素的樣本，在小樣本情景下，使用了人工修正的方式，取得了相對可靠的84%的識別精度，但深度學(xué)習(xí)的優(yōu)勢不明顯。

從種植保險(xiǎn)應(yīng)用的角度來看，目前成熟且快速的耕地提取技術(shù)仍然是面向?qū)ο蠹夹g(shù)，該技術(shù)對樣本數(shù)量要求低，對操作人員的技術(shù)要求也較低。但是隨著深度學(xué)習(xí)應(yīng)用的深入開展，其自動化和智能化的特性將被不斷挖掘，成為未來耕地自動化和智能化提取的關(guān)鍵技術(shù)。

4.2作物分類提取技術(shù)

中國的農(nóng)業(yè)保險(xiǎn)是政府提供保費(fèi)補(bǔ)貼的政策性保險(xiǎn)，而保費(fèi)補(bǔ)貼額度與作物類型相關(guān)。因此，作物分類圖不僅是產(chǎn)量估算的基礎(chǔ)，也是保險(xiǎn)驗(yàn)標(biāo)的基礎(chǔ)。作物分類提取技術(shù)方法很多，采用何種作物分類提取技術(shù)主要取決于工作區(qū)域的大小、所采用的數(shù)據(jù)、區(qū)域種植結(jié)構(gòu)特征等因素。大尺度（如省級及以上尺度）的作物分類，常選用中低分辨率影像（100～1000 m）數(shù)據(jù)，如 MODIS 、甚高分辨率掃描輻射計(jì)（ Advanced Very High Resolution Radiometer ，AVHRR ）等遙感數(shù)據(jù)，分類依據(jù)主要是長時(shí)間序列影像展示的物候規(guī)律特征，方法上可采用人工決策樹或者機(jī)器學(xué)習(xí)法進(jìn)行作物識別，再輔以像元的軟硬分類后處理來提高分類精度[9]。中尺度（如省級以下或縣級尺度）的作物分類，一般采用中高分辨率（10～100 m）影像，此時(shí)可以用面向?qū)ο蠓āQ策樹分類法或者多種方法綜合等方法進(jìn)行提取[27]。小尺度（如鄉(xiāng)鎮(zhèn)級、村級尺度）或種植結(jié)構(gòu)非常復(fù)雜的區(qū)域的作物分類，則一般需要高分辨率遙感影像（<10 m），此時(shí)一般采用面向?qū)ο蠡蛏疃葘W(xué)習(xí)算法進(jìn)行作物分類[9]。

在種植收入保險(xiǎn)中，開始作物分類之前，首先盡可能多地收集衛(wèi)星遙感數(shù)據(jù)，根據(jù)數(shù)據(jù)情況，考察目標(biāo)作物在影像上所呈現(xiàn)的特征來確定所采用的方法。若目標(biāo)作物與同期作物從光譜特征或者紋理特征上差異明顯，則可基于單期影像進(jìn)行分類。若光譜特征存在明顯差異，即可以基于傳統(tǒng)的監(jiān)督分類、非監(jiān)督分類或面向?qū)ο蟮确椒?，若紋理特征存在明顯差異，則可主要基于面向?qū)ο蠓椒ㄟM(jìn)行分類。劉斌等[46]基于 SVM對一期無人機(jī)影像農(nóng)作物識別，結(jié)合數(shù)字地表模型（Digital Surface Model ，DSM ）數(shù)據(jù)，識別精度達(dá)到92%。

在實(shí)際應(yīng)用中，為了獲得最佳的分類精度，達(dá)到應(yīng)用需求，經(jīng)常需要綜合應(yīng)用多種數(shù)據(jù)和多種方法。例如，吳志峰等[47]在廣西扶綏縣進(jìn)行的作物提取研究采用時(shí)空協(xié)同、多方法綜合的方案，該研究首先采用深度學(xué)習(xí)算法對0.6 m 的谷歌地球（Google Earth ，GE ）數(shù)據(jù)進(jìn)行耕地地塊的提取，以此為掩膜底圖，結(jié)合兩年45景的 Landsat 8數(shù)據(jù)和 Sentinel 2數(shù)據(jù)（其中2018年8景 Landsat 8數(shù)據(jù)，14景 Sentinel 2數(shù)據(jù)，2019年7景 Landsat 8數(shù)據(jù)， 16景 Sentinel 2數(shù)據(jù)）的植被指數(shù)，基于隨機(jī)森林方法進(jìn)行全作物分類，實(shí)現(xiàn)了88%的作物提取精度。陳愛蓮等[32]在嘉祥縣進(jìn)行大豆的識別時(shí)，首先從 Globeland30中提取耕地對研究區(qū)進(jìn)行掩膜，之后基于一期哨兵2號衛(wèi)星數(shù)據(jù)進(jìn)行面向?qū)ο蠓指?，并對分割的地塊采用監(jiān)督分類，細(xì)化掩膜后的耕地內(nèi)部的地塊邊界，提取出較詳細(xì)的耕地地塊邊界。在此邊界限定下，再采用非監(jiān)督分類分出大豆與其他作物，區(qū)域總體精度達(dá)到了90%。由于中國種植結(jié)構(gòu)極其復(fù)雜，普遍存在同譜異物的作物，此時(shí)選擇決策樹方法進(jìn)行分類，而分類的主要依據(jù)是作物的物候規(guī)律，也就是該階段目標(biāo)作物較前一階段的生長變化率與其他作物存在明顯的差異[45，48，49]。

4.3作物災(zāi)情評估技術(shù)

作物受災(zāi)情況對產(chǎn)量有直接的影響，是產(chǎn)量估算的重要參考數(shù)據(jù)，也是保險(xiǎn)理賠依據(jù)之一，而作物災(zāi)情監(jiān)測與長勢監(jiān)測息息相關(guān)。

作物災(zāi)情評估可以用災(zāi)前災(zāi)后的長勢進(jìn)行對比，如基于多時(shí)相多光譜衛(wèi)星遙感數(shù)據(jù)的植被指數(shù)進(jìn)行的對比[50，51]，或者基于無人機(jī)激光雷達(dá)監(jiān)測的玉米觀測高度差異對比評價(jià)澇災(zāi)[52]，還可以基于多光譜或者高光譜數(shù)據(jù)進(jìn)行光譜變換來評估[32，53，54]。

在種植業(yè)區(qū)域收入保險(xiǎn)應(yīng)用中，作物長勢和災(zāi)情評估直接為產(chǎn)量估算服務(wù)，因此災(zāi)情評估常被轉(zhuǎn)化成長勢評估。專門的長勢監(jiān)測研究一般只給出作物的長勢等級[55]，種植收入保險(xiǎn)中的長勢監(jiān)測不僅考慮作物某一長勢特征的等級，還考慮導(dǎo)致該等級產(chǎn)生的原因以及與產(chǎn)量的關(guān)系。種植收入保險(xiǎn)中的作物長勢和災(zāi)情評估一般在作物分類和野外采樣時(shí)進(jìn)行。在作物分類時(shí)，對于不確定的類別進(jìn)行再驗(yàn)證，對已經(jīng)確定類別的地塊在光譜特征上的微小差異進(jìn)行再次甄別是作物長勢評估的關(guān)鍵。不確定的類別或已經(jīng)確定的類別間的光譜差異，以及單個(gè)地塊內(nèi)光譜差異，可能是受災(zāi)、受害或者種植習(xí)慣、管理方式不同造成的。對于這些異常地塊和異常類別，要輔以野外驗(yàn)證，完成地面的長勢定級和災(zāi)損定級，然后基于這些野外樣本，找到最佳遙感指數(shù)，如歸一化植被指數(shù)（Normalized Difference Vegetation In‐dex， NDVI ）、植被指數(shù)（Enhanced Vegetation Index ， EVI ），或生理參數(shù)，如葉面積指數(shù)（ Leaf Area Index ， LAI ）、光合有效輻射吸收系數(shù) （Fraction? of Absorbed? Photosynthetically Ac‐tive Radiation ， FAPAR ），進(jìn)行大范圍的長勢定級和災(zāi)情評估，制作長勢分級圖和災(zāi)情分級圖，從而指導(dǎo)實(shí)地測產(chǎn)的采樣路線制定和樣本數(shù)量計(jì)算，以加權(quán)等形式輔助作物的最終估產(chǎn)。如陳愛蓮等[32]在嘉祥縣大豆區(qū)域收入保險(xiǎn)中的研究，在大豆種植識別時(shí)開展了長勢分級和災(zāi)情評估，為提高估產(chǎn)精度提供了有效的輔助數(shù)據(jù)。

4.4作物產(chǎn)量估算技術(shù)

作物產(chǎn)量是收入保險(xiǎn)理賠的直接依據(jù)。基于遙感技術(shù)的作物產(chǎn)量估算方法可分成兩類，一是統(tǒng)計(jì)建模法，二是遙感數(shù)據(jù)同化的作物生長模型模擬法[56-58]。其中，統(tǒng)計(jì)建模法是采用航空或者航天遙感得到的參數(shù)作為建模的輸入因子，與實(shí)際產(chǎn)量進(jìn)行回歸分析，得到經(jīng)驗(yàn)統(tǒng)計(jì)模型，進(jìn)而估算產(chǎn)量。該方法根據(jù)所獲取的遙感數(shù)據(jù)分辨率的高低，可以得到不同水平地塊尺度的產(chǎn)量，在識別作物種植面積的基礎(chǔ)上對產(chǎn)量進(jìn)行估算，估算結(jié)果精度高，可信度強(qiáng)[59]。該方法存在的不足是需要較多的地面產(chǎn)量樣本。傳統(tǒng)的作物生理模型模擬法主要在單點(diǎn)（包括試驗(yàn)小區(qū)）上進(jìn)行研究，以作物生產(chǎn)發(fā)育、遺傳形狀、品種篩選等為主要研究目的[60]，近年相關(guān)研究呈現(xiàn)增加的趨勢[61]。然而，遙感數(shù)據(jù)同化的作物生長模型模擬法所需的作物相關(guān)參數(shù)多，在鄉(xiāng)鎮(zhèn)及更小尺度上的研究還沒有更好的結(jié)果。目前，遙感產(chǎn)量估算的相關(guān)標(biāo)準(zhǔn)《中高分辨率衛(wèi)星主要農(nóng)作物產(chǎn)量遙感監(jiān)測技術(shù)規(guī)范》（ NY/T 4065-2021）、《小麥、玉米產(chǎn)量遙感估測規(guī)程》（DB61∕T 1041-2016） 和《遙感預(yù)測小麥產(chǎn)量技術(shù)規(guī)范》（ DB32T 3780-2020）均采用統(tǒng)計(jì)建模方法。統(tǒng)計(jì)建模法在遙感光譜或者其他輻射參數(shù)中尋找與實(shí)測產(chǎn)量相關(guān)關(guān)系較強(qiáng)的因子，通過回歸分析建立統(tǒng)計(jì)估產(chǎn)模型，遙感參數(shù)可以是 NDVI ，也可以是作物農(nóng)學(xué)參數(shù)[62]，還可以是基于微波的輻射參數(shù)[6]。除了遙感參數(shù)外，可以加入地形數(shù)據(jù)、氣象相關(guān)遙感產(chǎn)品等因子，使得模型具有更高的解釋度。朱玉霞等[22]對山西馬鈴薯區(qū)域收入保險(xiǎn)的馬鈴薯產(chǎn)量估算中，發(fā)現(xiàn)產(chǎn)量與代表地面潛熱通量的地表溫度關(guān)系最佳。

基于遙感技術(shù)的作物產(chǎn)量估算中，野外產(chǎn)量樣本是關(guān)鍵，而野外采樣之前的長勢和災(zāi)情評估更關(guān)鍵。產(chǎn)量估算應(yīng)該綜合利用多源數(shù)據(jù)，包括資源衛(wèi)星遙感數(shù)據(jù)，氣象相關(guān)遙感產(chǎn)品，還可以包括地形數(shù)據(jù)、社會經(jīng)濟(jì)數(shù)據(jù)，從而增加所建模型的可信度。

4.5遙感數(shù)據(jù)源

遙感數(shù)據(jù)源是開展基于遙感技術(shù)的農(nóng)業(yè)保險(xiǎn)業(yè)務(wù)的前提。從以上遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的應(yīng)用歷史回顧及技術(shù)進(jìn)展評述可以看出，農(nóng)業(yè)保險(xiǎn)所用的數(shù)據(jù)來自眾多遙感平臺，可以是近地（手持設(shè)備）、航空平臺，或（航天平臺）。從所用電磁波譜來看，可以是主動遙感，也可以是被動遙感數(shù)。從數(shù)據(jù)的分辨率角度，包括了高、中、低分辨率的數(shù)據(jù)（ JR/T 0180—2019）。但是，對于種植收入保險(xiǎn)而言，由于理賠區(qū)域一般到鄉(xiāng)鎮(zhèn)甚至到村和農(nóng)場，因此對數(shù)據(jù)源的空間分辨率要求較高，而由于農(nóng)業(yè)保險(xiǎn)的商品屬性，對數(shù)據(jù)費(fèi)用也有一定限制。從數(shù)據(jù)多寡、技術(shù)成熟度[32]、成本低廉等角度看，最常用且可以貫穿整個(gè)業(yè)務(wù)流程的依然是衛(wèi)星數(shù)據(jù)。目前最常用的多光譜衛(wèi)星數(shù)據(jù)及其常用的保險(xiǎn)階段如表1所示。

雷達(dá)衛(wèi)星數(shù)據(jù)作為光學(xué)衛(wèi)星數(shù)據(jù)的補(bǔ)充，近年來在農(nóng)作物長勢參數(shù)，如 LAI ，生物量等反演中也展現(xiàn)了潛力[6]，也可以應(yīng)用于農(nóng)業(yè)保險(xiǎn)中。目前常用的雷達(dá)衛(wèi)星數(shù)據(jù)及其常用的保險(xiǎn)階段如表2所示。

5 存在問題與發(fā)展建議

5.1存在問題

雖然遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的應(yīng)用僅有十多年的歷史，但由以上綜述可知，遙感技術(shù)在種植收入保險(xiǎn)的應(yīng)用流程涉及的地塊提取、作物分類、長勢和災(zāi)情評估和產(chǎn)量估算技術(shù)都可以在農(nóng)業(yè)遙感技術(shù)應(yīng)用中找到相似的應(yīng)用案例和經(jīng)驗(yàn)范本。然而，目前遙感技術(shù)在種植收入保險(xiǎn)乃至整個(gè)農(nóng)業(yè)保險(xiǎn)中的應(yīng)用仍然存在兩個(gè)技術(shù)性問題和兩個(gè)行業(yè)性問題。兩個(gè)技術(shù)問題分別是：①地塊識別和作物分類自動化和智能化程度不高;②產(chǎn)量估算缺乏機(jī)理意義，不夠簡便可靠。兩個(gè)行業(yè)性的問題分別是：①遙感行業(yè)自身局限性問題，包括數(shù)據(jù)源自身的問題，數(shù)據(jù)費(fèi)用問題和數(shù)據(jù)預(yù)處理問題。數(shù)據(jù)源自身問題指光學(xué)遙感受天氣影響，經(jīng)常缺失，雷達(dá)數(shù)據(jù)在農(nóng)業(yè)信息反映上極其有限，且技術(shù)壁壘較高，而無人機(jī)要覆蓋全國所有主產(chǎn)省的產(chǎn)量大縣，其成本極高。數(shù)據(jù)費(fèi)用問題指的是多數(shù)數(shù)據(jù)都需要付費(fèi)，就收入保險(xiǎn)常用的高和中高分辨率的多光譜衛(wèi)星遙感數(shù)據(jù)而言，國內(nèi)外除了美國的 Landsat 8及其相關(guān)系列和歐盟的 Sentinel 2衛(wèi)星數(shù)據(jù)免費(fèi)之外，其余均需要付費(fèi)，有些數(shù)據(jù)費(fèi)用還不低。而且多光譜衛(wèi)星數(shù)據(jù)的獲取嚴(yán)重受天氣影響，若在軌多光譜衛(wèi)星數(shù)據(jù)缺乏，如何補(bǔ)充其他數(shù)據(jù)，包括商業(yè)衛(wèi)星的編程獲取、雷達(dá)數(shù)據(jù)和低空數(shù)據(jù)，及補(bǔ)充數(shù)據(jù)產(chǎn)生的費(fèi)用由誰承擔(dān)也是需要考慮的重要問題。數(shù)據(jù)預(yù)處理問題指的是數(shù)據(jù)的幾何糾正、大氣糾正、數(shù)據(jù)融合等數(shù)據(jù)預(yù)處理。同樣，對于多光譜衛(wèi)星而言，除了國外的 Landsat 8和 Sentinel 2衛(wèi)星數(shù)據(jù)預(yù)處理流程相對簡單之外，其他數(shù)據(jù)，包括中國高分系列數(shù)據(jù)，預(yù)處理過程也較費(fèi)力[8]，中國在農(nóng)業(yè)遙感衛(wèi)星數(shù)據(jù)預(yù)處理和農(nóng)作物面積提取方面有遙感技術(shù)規(guī)范，但是數(shù)據(jù)預(yù)處理由誰來做，數(shù)據(jù)由誰來提供，數(shù)據(jù)費(fèi)由誰買單，這些都是影響遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中應(yīng)用的重要因素。②應(yīng)用目的問題。遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的應(yīng)用途徑極有可能是一條彎路，本著對已有業(yè)務(wù)自動化的目的，遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)應(yīng)用方面的探索較多，但是對已有業(yè)務(wù)的自動化可能不及重新找一條業(yè)務(wù)途徑便捷。如 Hammer所說[63]，20世紀(jì)所有試圖對已有業(yè)務(wù)自動化的嘗試成功率并不高，最好的方法還是采用全新的業(yè)務(wù)模式取代之，這才是基于技術(shù)的業(yè)務(wù)革新。目前所有的應(yīng)用在二者結(jié)合模式的創(chuàng)新方面探索較少。這也導(dǎo)致目前遙感技術(shù)與農(nóng)業(yè)保險(xiǎn)結(jié)合在理賠中的作用備受爭議，如遙感所得的產(chǎn)量結(jié)果是否完全可靠，是否可直接用于理賠，是否應(yīng)該按照一定比例采納遙感所得的結(jié)果，是否需要將遙感技術(shù)標(biāo)準(zhǔn)化，并寫入保險(xiǎn)合同中等。

此外，雖然種植收入保險(xiǎn)業(yè)務(wù)流程所涉及的各項(xiàng)遙感技術(shù)都有一定的技術(shù)基礎(chǔ)，但是每一種作物、每一種保險(xiǎn)產(chǎn)品的業(yè)務(wù)流程不同，他們所需要的遙感技術(shù)服務(wù)也不同，且隨著種植收入保險(xiǎn)的進(jìn)一步發(fā)展，其對遙感技術(shù)提供的數(shù)據(jù)支持需求劇增，遙感技術(shù)在種植收入保險(xiǎn)中的應(yīng)用還需改進(jìn)。

5.2發(fā)展建議

因此，對下一步開展遙感技術(shù)在種植收入保險(xiǎn)中的應(yīng)用方面提出五點(diǎn)建議。

（1） 國內(nèi)具有衛(wèi)星數(shù)據(jù)收集和分發(fā)資質(zhì)的部門應(yīng)該利用其優(yōu)勢和資源發(fā)揮重要作用，對數(shù)據(jù)進(jìn)行統(tǒng)一收集和預(yù)處理，并建立可供農(nóng)業(yè)保險(xiǎn)行業(yè)或者遙感應(yīng)用部門直接下載使用的標(biāo)準(zhǔn)化衛(wèi)星數(shù)據(jù)分發(fā)平臺。

（2） 地塊識別和作物分類方面，充分發(fā)揮保險(xiǎn)行業(yè)查勘定損的野外樣本采集優(yōu)勢，不斷積累野外樣本，完善耕地和作物樣本庫，為地塊識別和作物分類自動化和智能化提供基礎(chǔ)。

（3） 充分利用交叉學(xué)科的研究成果，綜合農(nóng)學(xué)、氣象學(xué)、模型學(xué)、生態(tài)學(xué)和遙感科學(xué)建立更具機(jī)理意義、更簡便可靠、可多尺度開展的估產(chǎn)模型，降低估產(chǎn)流程的時(shí)間和經(jīng)濟(jì)成本，提高精度和機(jī)理性。

（4） 盡快建立遙感成熟技術(shù)應(yīng)用于農(nóng)業(yè)保險(xiǎn)的相關(guān)標(biāo)準(zhǔn)規(guī)范，以利于保險(xiǎn)公司、行業(yè)監(jiān)管對遙感技術(shù)的應(yīng)用和認(rèn)可，加快遙感技術(shù)的推廣，促進(jìn)農(nóng)業(yè)保險(xiǎn)行業(yè)的健康發(fā)展。

（5） 針對新時(shí)期種植收入保險(xiǎn)擴(kuò)大試點(diǎn)的形勢下，遙感技術(shù)的引入應(yīng)該始于保險(xiǎn)產(chǎn)品的設(shè)計(jì)、并寫入保險(xiǎn)合同中。對于未來遙感技術(shù)在種植收入保險(xiǎn)及其他農(nóng)業(yè)保險(xiǎn)中的應(yīng)用，遙感技術(shù)充分發(fā)揮作用，努力進(jìn)行試點(diǎn)和加快高新技術(shù)的應(yīng)用，以高精度和高效率為目標(biāo)，促進(jìn)結(jié)合遙感技術(shù)的全新農(nóng)業(yè)保險(xiǎn)模式誕生。

隨著遙感相關(guān)技術(shù)的進(jìn)一步提升、遙感技術(shù)與農(nóng)業(yè)保險(xiǎn)相結(jié)合的標(biāo)準(zhǔn)規(guī)范的出臺、農(nóng)業(yè)保險(xiǎn)合同對遙感技術(shù)的明確規(guī)定，遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的應(yīng)用將進(jìn)入快速發(fā)展階段。未來種植收入保險(xiǎn)乃至所有農(nóng)業(yè)保險(xiǎn)中遙感技術(shù)的應(yīng)用模式將是一個(gè)有數(shù)據(jù)可用，技術(shù)上更自動化、更智能化，有標(biāo)準(zhǔn)可依，有合同背書的新型模式。

參考文獻(xiàn)：

[1] 薛瑾.農(nóng)業(yè)保險(xiǎn)保費(fèi)增速跑贏財(cái)險(xiǎn)業(yè)“定制范兒”護(hù)航鄉(xiāng)村振興[EB/OL].中國證券報(bào) ， （2021-02-05）[2022-1-31].? https：//www. cs. com. cn/bx/202102/t20210205_6137554.html.

[2] 趙展慧 ， 曲哲涵.2021年全國農(nóng)業(yè)保險(xiǎn)保費(fèi)規(guī)模達(dá)965億元[N].人民日報(bào)， 2022-01-13（7）.

[3] 中國保險(xiǎn)學(xué)會.農(nóng)業(yè)保險(xiǎn)服務(wù)“三農(nóng)”發(fā)展研究[M].北京：中國金融出版社， 2021：496.

[4] 中華人民共和國農(nóng)業(yè)農(nóng)村部金融司.關(guān)于擴(kuò)大三大糧食作物完全成本保險(xiǎn)和種植收入保險(xiǎn)實(shí)施范圍的通知[EB/OL].[2021-12-31]. http：//www. moa. gov. cn/govpublic/CWS/202106/t20210630_6370731.htm.

[5] 唐華俊.農(nóng)業(yè)遙感研究進(jìn)展與展望[J].農(nóng)學(xué)學(xué)報(bào) ，2018， 8（1）：161-171.

TANG H. Progress and prospect of agricultural remote sensing research[J]. Journal of Agriculture， 2018， 8（1）：161-171.

[6] 王利民， 劉佳， 季富華.中國農(nóng)業(yè)遙感技術(shù)應(yīng)用現(xiàn)狀及發(fā)展趨勢[J].中國農(nóng)學(xué)通報(bào)， 2021， 37（25）：138-143.

WANG? L，? LIU? J，? JI? F. Status? quo? and? development trend of agriculture remote sensing technology applica‐tion in China[J]. Chinese Agricultural Science Bulletin， 2021， 37（25）：138-143.

[7] 吳文斌， 胡瓊， 陸苗， 等.農(nóng)業(yè)土地系統(tǒng)遙感制圖[M].北京：科學(xué)出版社， 2020.

[8] 黃波.無人機(jī)技術(shù)在種植業(yè)保險(xiǎn)中的應(yīng)用研究[D].昆明：昆明理工大學(xué)， 2019.

HUANG? B. Research? on? the? application? of? un‐ manned aerial vehicle technology in planting industry insurance[D]. Kunming： Kunming? University? of Sci‐ence and Technology， 2019.

[9] 張王菲 ， 陳爾學(xué) ， 李增元 ， 等.雷達(dá)遙感農(nóng)業(yè)應(yīng)用綜述[J].雷達(dá)學(xué)報(bào)， 2020， 9（3）：444-461.

ZHANG W， CHEN E， LI Z， et al. A review of applica‐tions of radar remote sensing in agriculture[J]. Journal of Radars， 2020， 9（3）：444-461.

[10] TOWERY N G， EYTON J R， CHANGNON? S， et al.Remote sensing of crop hail damage[R]. Illinois State： Illinois State Water Survey， 1975.

[11] TOWERY N. Some applications of remote sensing ofcrop-hail damage in the insurance industry[R]. Circular 143/80 of the Illinois State Water Survey， Illinois Insti‐tute of Natural Resources： Urbana， IL， USA， 1980.

[12] DE LEEUW J， VRIELING A， SHEE A， et al. The po‐tential and uptake of remote sensing in insurance： A re‐ view[J]. Remote Sensing， 2014， 6（11）：10888-10912.

[13] VROEGE W， DALHAUS T， FINGER R. Index insur‐ances for grasslands： A review for Europe and North- America[J]. Agricultural Systems， 2019， 168：101-111.

[14] ARUMUGAM P， CHEMURA A， SCHAUBERGER B，et? al. Remote? sensing? based? yield? estimation? of rice （Oryza Sativa L.） using gradient boosted regression in India[J]. Remote Sensing， 2021， 13（12）： ID 2379.

[15] LI? Z，? ZHANG? Z，? ZHANG? L. Improving? regionalwheat? drought risk? assessment? for? insurance? applica‐tion? by? integrating? scenario-driven? crop? model，? ma‐ chine learning， and? satellite data[J]. Agricultural? Sys‐tems， 2021， 191： ID 103141.

[16] MANAGO N， HONGO C， SOFUE Y， et al. Transplant‐ing? date? estimation using? Sentinel-1 satellite? data? for paddy rice damage assessment in Indonesia[J]. Agricul‐ture， 2020， 10（12）：1-18.

[17]張?zhí)m.農(nóng)險(xiǎn)“用腿理賠”或?qū)⒔K結(jié)[N].金融時(shí)報(bào).2013-10-21（005）.

[18]郭清 ， 何飛.空間信息技術(shù)在農(nóng)業(yè)保險(xiǎn)中的應(yīng)用研究[J].地理信息世界， 2014， 21（1）：79-84.

GUO Q， HE F. Research on the application of spatialinformation? technology? in? agricultural? insurance[J].Geographic Information World， 2014（1）：79-84。

[19]李懿珈， 葉濤， 德慶卓嘎， 等.基于遙感植被指數(shù)的西藏那曲地區(qū)畜牧業(yè)旱災(zāi)指數(shù)保險(xiǎn)產(chǎn)品設(shè)計(jì)研究[J].農(nóng)業(yè)現(xiàn)代化研究， 2018， 39（4）：680-688.

LI Y， YE T， DEQING Z， et al. Research on the designof animal husbandry drought index insurance productin Nagqu region of Tibet based on remote sensing veg‐etation index[J]. Agricultural Modernization Research，2018.39（4）：680-688.

[20]蒙繼華， 付偉， 徐晉， 等.遙感在種植業(yè)保險(xiǎn)估損中的應(yīng)用[J].遙感技術(shù)與應(yīng)用， 2017（2）：238-246.

MENG J， FU W， XU J， et al. Application? of? remotesensing? in? planting? industry? insurance? loss? estima‐tion[J]. Remote? Sensing Technology? and Application，2017（2）：238-246

[21]陳愛蓮， 李家裕， 張圣軍， 等.衛(wèi)星遙感估產(chǎn)技術(shù)在大豆區(qū)域收入保險(xiǎn)中的應(yīng)用[J].智慧農(nóng)業(yè)（中英文），2020， 2（3）：139-152.

CHEN A， LI J， ZHANG S， et al. Application of satel‐lite remote sensing yield estimation technology in re‐gional? revenue? protection ?crop? insurance： A? case? ofsoybean[J]. Smart Agriculture， 2020， 2（3）：139-152.

[22]朱玉霞， 牛國芬， 陳愛蓮， 等.基于多源遙感數(shù)據(jù)的馬鈴薯收入保險(xiǎn)應(yīng)用研究[J].中國農(nóng)業(yè)資源與區(qū)劃 ，2021， 42（10）：223-232.

ZHU Y， NIU G， CHEN A， et al. Application of potatoincome insurance based on multi-source remote sens‐ing data[J]. Chinese Journal of Agricultural Resourcesand Regional Planning， 2021， 42（10）：223-232.

[23]趙思健 ， 張峭.農(nóng)業(yè)保險(xiǎn)科技的現(xiàn)狀、體系與展

望[J].中國保險(xiǎn)， 2018（7）：28-35.

ZHAO? S，? ZHANG? Q. The? current? situation，? system

and? prospect? of agricultural? insurance? technology[J].

China Insurance， 2018（7）：28-35.

[24]趙思健 ， 張峭.科技助推農(nóng)業(yè)保險(xiǎn)高質(zhì)量發(fā)展研究[J].保險(xiǎn)理論與實(shí)踐， 2020（8）：7-19.

ZHAO S， ZHANG Q. Research on science and technol‐ogy boosting the high-quality development of agricul‐tural insurance[J]. Insurance Theory and Practice， 2020（8）：7-19.

[25]李樂， 潘耀忠， 王曉東， 等.基于3S技術(shù)農(nóng)業(yè)保險(xiǎn)“精確承保與快速理賠”[J].衛(wèi)星應(yīng)用， 2016（3）：66-72.

LI L， PAN Y ， WANG X， et al. Based on 3S technolo‐gy? agricultural? insurance "accurate? underwriting? andfast? claim? settlement"[J]. Satellite Applications， 2016（3）：66-72.

[26]祁鑫.遙感技術(shù)應(yīng)用于農(nóng)業(yè)保險(xiǎn)業(yè)務(wù)模式創(chuàng)新[J].農(nóng)技服務(wù)， 2017.34（14）：171.

[27]徐志成， 韓志花， 王盾， 等.內(nèi)蒙古利用科技手段開展農(nóng)業(yè)保險(xiǎn)精準(zhǔn)承保理賠試點(diǎn)工作[J].保險(xiǎn)理論與實(shí)踐， 2020（1）：1-6.

XU Z ， HAN Z， WANG D， et al. Inner Mongolia uses scientific and technological means to carry out the pi‐ lot work of agricultural insurance precision underwrit‐ing? and? claims? settlement[J]. Insurance? Theory? and Practice， 2020（1）：1-6.

[28]吳波， 楊娜， 戴維序， 等.淺談遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)中的應(yīng)用——以菏澤市單縣玉米澇災(zāi)定損為例[J].農(nóng)村實(shí)用技術(shù)， 2020（5）：37-39.

WU B， YANG N， DAI W， et al. A brief discussion on the application of remote sensing technology in agricul‐tural? insurance： Taking? the? damage? determination? of corn? waterlogging? disaster? in? Shanxian? county，? Heze city as an example[J]. Rural Practical Technology， 2020（5）：37-39.

[29]胡運(yùn)偉， 冷偉， 陳淑敏， 等.遙感在農(nóng)險(xiǎn)應(yīng)用中的全流程解析——以湖北省孝感市孝南區(qū)中稻定標(biāo)、驗(yàn)標(biāo)項(xiàng)目為例[J].衛(wèi)星應(yīng)用， 2020（11）：30-34.

HU Y， LENG W， CHEN S， et al. Analysis of the whole process of remote sensing in agricultural insurance ap‐ plication： Taking the middle rice calibration and inspec‐tion? project? in? Xiaonan? district，? Xiaogan? city，? Hubei province as an example[J]. Satellite Applications， 2020（11）：30-34.

[30]丁偉.基于深度神經(jīng)網(wǎng)絡(luò)的耕地提取與作物識別方法研究[D].北京：中國科學(xué)技術(shù)大學(xué)， 2021.

DING W. Research on land extraction and crop recog‐nition method based on deep neural network[D]. Bei‐jing： University of Science and Technology of China，2021.

[31]吳延鵬.無人機(jī)為太保農(nóng)險(xiǎn)保駕護(hù)航[J].農(nóng)村.農(nóng)業(yè).農(nóng)民（B版）， 2016（4）：48.

[32]陳愛蓮， 朱玉霞， 孫偉， 等.遙感技術(shù)在農(nóng)業(yè)保險(xiǎn)病蟲害定損中的應(yīng)用——以雙河農(nóng)場稻瘟病為例[J].遙感信息， 2021， 36（6）：44-50.

CHEN A， ZHU Y， SUN W， et al. Application of remote sensing technology? in the? determination? of pests? and diseases in agricultural insurance： A case study of Rice Blast in Shuanghe Farm[J]. Remote Sensing Informa‐tion， 2021， 36（6）：44-50.

[33]高雅琴， 陳林潔， 陳鑫磊， 等.“互聯(lián)網(wǎng)+”時(shí)代下農(nóng)業(yè)保險(xiǎn)服務(wù)創(chuàng)新研究——以太平洋保險(xiǎn)“e 農(nóng)險(xiǎn)”在氣象指數(shù)保險(xiǎn)上的應(yīng)用為例[G].（2017）浙江保險(xiǎn)科研成果選編， 2018.

[34]陳軍， 武昊， 李松年.全球地表覆蓋領(lǐng)域服務(wù)計(jì)算的研究進(jìn)展——以GlobeLand 30為例[J].測繪學(xué)報(bào) ， 2017， 46（10）：1526-1533.

CHEN? J，? WU? H，? LI? S. Research? progress? of global land domain service computing： Take GlobeLand 30 as an example[J]. Acta GeodaeticaetCartographica? Sini‐na， 2017， 46（10）：1526-1533.

[35]陳迪， 吳文斌， 陸苗， 等.基于多源數(shù)據(jù)融合的地表覆蓋數(shù)據(jù)重建研究進(jìn)展綜述[J].中國農(nóng)業(yè)資源與區(qū)劃， 2016， 37（9）：62-70.

CHEN? D， WU W， LU? M，? et? al. A review? of the re‐search progress of land cover data reconstruction basedon multi-source data fusion[J]. Chinese Journal of Agri‐cultural? Resources? and? Regional? Planning， 2016， 37（9）：62-70.

[36]倪玲， 舒寧.遙感圖像理解專家系統(tǒng)中面向?qū)ο蟮闹R表示[J].武漢測繪科技大學(xué)學(xué)報(bào) ， 1997（1）：34-36， 48.

NI L， SHU N. Object-oriented knowledge representa‐tion in remote sensing image understanding expert sys‐tem[J]. Journal of Wuhan University of Surveying andMapping Technology， 1997（1）：34-36， 48.

[37]張東梅.基于多尺度分割的土地利用分類研究——以銀川金鳳區(qū)為例[D].南昌：東華理工大學(xué)， 2017.

ZHANG D. The land use classification based on multi-scale? segmentation： A case in Jinfeng? district， Yinch‐uan city[D]. Nanchang： East China University of Tech‐nology， 2017.

[38]趙士肄， 閆金鳳， 杜佳雪.基于面向?qū)ο蠼Y(jié)合隨機(jī)森林模型的 Sentinel-2A影像耕地信息提取[J/OL].河南理工大學(xué)學(xué)報(bào)（自然科學(xué)版）， [2021-03-29]. https：//kns. cnki. net/kcms/detail/41.1384. N.20210327.1413.002.html.

ZHAO S， YAN J， DU J. Sentinel-2A image cultivatedland? information? extraction? based? on? object-orientedand random forest model[J/OL]. Journal of Henan Poly‐technic? University（Natural? Science），? [2021-03-29].https：//kns. cnki. net/kcms/detail/41.1384. N.20210327.1413.002.html.

[39]羅建松， 趙妮妮， 李姝蕊.基于 Landsat-8數(shù)據(jù)的快速變化檢測研究[J].測繪與空間地理信息 ， 2020， 43（12）：116-118， 121.

LUO J， ZHAO N， LI S. Research on the quick changedetection based on Landsat-8 Satellite images[J]. Sur‐veying and Geospatial Information， 2020， 43（12）：116-118， 121.

[40] HINTON G E， OSINDERO S， TEH Y W. A fast learn‐ing algorithm for deep belief nets[J]. Neural Computa‐tion， 2006， 18（7）：1527-1554.

[41]劉大偉， 韓玲， 韓曉勇.基于深度學(xué)習(xí)的高分辨率遙感影像分類研究[J].光學(xué)學(xué)報(bào)， 2016， 36（4）：306-314.

LIU D， HAN L， HAN X. High? spatial resolution re‐mote sensing image classification based on deep learn‐ing[J]. Acta Optica Sinica， 2016， 36（4）：306-314.

[42]馮麗英.基于深度學(xué)習(xí)技術(shù)的高分辨率遙感影像建設(shè)用地信息提取研究[D].杭州：浙江大學(xué)， 2017.

FENG? L. Research? on? construction? land? informationextraction? from? high? resolution? sensing? images? withdeep learning technology[D]. Hangzhou： Zhejiang Uni‐versity， 2017.

[43]王斌， 范冬林.深度學(xué)習(xí)在遙感影像分類與識別中的研究進(jìn)展綜述[J].測繪通報(bào)， 2019（2）：99-102， 136.

WANG B， FAN D. Research progress of deep learningin classification and recognition of remote sensing im‐ ages[J]. Surveying and Mapping Bulletin， 2019（2）：99-102， 136.

[44]董金瑋 ， 李世衛(wèi) ， 曾也魯 ， 等.遙感云計(jì)算與科學(xué)分析：應(yīng)用與實(shí)踐[M].北京：科學(xué)出版社， 2020.

[45]楊穎頻， 吳志峰， 駱劍承， 等.時(shí)空協(xié)同的地塊尺度作物分布遙感提取[J].農(nóng)業(yè)工程學(xué)報(bào) ， 2021， 37（7）：166-174.

YANG Y， WU Z， LUO J， et al. Parcel-based crop distri‐bution? extraction? using? the? spatiotemporal? collabora‐tion? of? remote? sensing? data[J]. Transactions? of? the CSAE， 2021， 37（7）：166-174.

[46]劉斌， 史云， 吳文斌， 等.基于無人機(jī)遙感可見光影像的農(nóng)作物分類[J].中國農(nóng)業(yè)資源與區(qū)劃， 2019， 40（8）：55-63.

LIU B， SHI Y， WU W， et al. Crop classification based on uav remote? sensing images[J]. Chinese Journal? of Agricultural? Resources? and? Regional? Planning， 2019， 40（8）：55-63.

[47]吳志峰， 駱劍承， 孫營偉， 等.時(shí)空協(xié)同的精準(zhǔn)農(nóng)業(yè)遙感研究[J].地球信息科學(xué)學(xué)報(bào)， 2020， 22（4）：731-742.

WU Z， LUO J ， SUN Y， et al. Research on precision ag‐ricultural based on the spatial-temporal remote sensing collaboration[J]. Journal? of Geo-information? Science， 2020， 22（4）：731-742.

[48]楊閆君 ， 占玉林 ， 田慶久 ， 等.基于 GF-1/WFVNDVI時(shí)間序列數(shù)據(jù)的作物分類[J].農(nóng)業(yè)工程學(xué)報(bào) ， 2015.31（24）：155-161.

YANG Y， ZHAN Y， TIAN Q， et al. Crop classification based? on? GF-1/WFV? NDVI? time? series[J]. Transac‐tions of the CSAE， 2015， 31（24）：155-161.

[49]杜保佳， 張晶， 王宗明， 等.應(yīng)用 Sentinel-2A NDVI時(shí)間序列和面向?qū)ο鬀Q策樹方法的農(nóng)作物分類[J].地球信息科學(xué)學(xué)報(bào)， 2019， 21（5）：740-751.

DU? B，? ZHANG? J，? WANG? Z，? et? al. Crop? mapping based on? Sentinel-2A NDVI time series using object- oriented classification and decision tree model[J]. Jour‐nal of Geo-information Science， 2019， 21（5）：740-751.

[50]孫晨紅， 楊貴軍， 董燕生，等.旱凍雙重脅迫下的冬小麥幼苗長勢遙感監(jiān)測研究[J].麥類作物學(xué)報(bào) ， 2014， 34（5）：635-641.

SUN C， YANG G， DONG Y， et al. Remote sensing mon‐itoring on seedling conditions of winter wheat growth under double stress of dry and freezing injury[J]. Jour‐nal of Triticeae Crops， 2014， 34（5）：635-641.

[51]董燕生， 陳洪萍， 王慧芳， 等.基于多時(shí)相環(huán)境減災(zāi)衛(wèi)星數(shù)據(jù)的冬小麥凍害評估[J].農(nóng)業(yè)工程學(xué)報(bào) ， 2012， 28（20）：172-179， 295.

DONG Y， CHEN H， WANG H， et al. Assessing freeze injury to winter wheat with multi-temporal HJ-1 satel‐ lite? imagery[J]. Transactions? of the? CSAE， 2012， 28（20）：172-179， 295.

[52]甘平， 董燕生， 孫林， 等.基于無人機(jī)載 LiDAR數(shù)據(jù)的玉米澇災(zāi)災(zāi)情評估[J].中國農(nóng)業(yè)科學(xué) ， 2017， 50（15）：2983-2992.

GAN P， DONG Y， SUN L， et al. Evaluation of maizewaterlogging disaster using UAV LiDAR data[J]. Sci‐entia Agricultura Sinica， 2017， 50（15）：2983-2992.

[53]郭安廷.基于成像遙感的小麥條銹病監(jiān)測方法研究[D].北京：中國科學(xué)院大學(xué)（中國科學(xué)院空天信息創(chuàng)新研究院）， 2021.

GUO A. Research? on? the? methods? of wheat? yellowrust monitoring based on imaging remote sensing[D].Beijing： Aerospace? Information? Research? Institute，Chinese Academy of Sciences， 2021.

[54]王凡.基于小波變換的玉米大斑病害高光譜監(jiān)測研究[D].太谷：山西農(nóng)業(yè)大學(xué)， 2019.

WANG? F. Hyperspectral? monitoring? of? maize? leafblight? disease based? on wavelet transform[D]. Taigu：Shanxi Agricultural University， 2019.

[55]黃青 ， 李丹丹 ， 陳仲新 ， 等.基于 MODIS 數(shù)據(jù)的冬小麥種植面積快速提取與長勢監(jiān)測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2012（7）：163-167.

HUANG Q， LI D， CHEN Z， et al. Rapid extraction andgrowth monitoring of winter wheat planting area basedon MODIS? data[J]. Transactions of the? CSAM， 2012（7）：163-167.

[56]杜鑫， 蒙繼華， 吳炳方.作物生物量遙感估算研究進(jìn)展[J].光譜學(xué)與光譜分析， 2010， 30（11）：3098-3102.

DU X， MENG J， WU B. Overview on monitoring cropbiomass? with? remote? sensing[J]. Spectroscopy? andSpectral Analysis， 2010， 30（11）：3098-3102.

[57]黃健熙， 黃海， 馬鴻元， 等.遙感與作物生長模型數(shù)據(jù)同化應(yīng)用綜述[J].農(nóng)業(yè)工程學(xué)報(bào) ， 2018， 34（21）：144-156.

HUANG J， HUAN H， MA H， et al. Review on data as‐similation of remote sensing and crop growth models[J].Transactions of the CSAE， 2018， 34（21）：144-156.

[58]王麗媛.遙感數(shù)據(jù)與作物模型同化的冬小麥估產(chǎn)研究[D].杭州：浙江大學(xué)， 2018.

WANG L. Estimating winter wheat yield by assimila‐tion of remote sensing data into crop models[D]. Hang‐zhou： Zhejiang University， 2018.

[59]程志強(qiáng) ， 蒙繼華.作物單產(chǎn)估算模型研究進(jìn)展與展望[J].中國生態(tài)農(nóng)業(yè)學(xué)報(bào)， 2015， 23（4）：402-415.

CHENG Z， MENG J. Research advances and prospec‐tives on crop yield estimation models[J]. Chinese Jour‐nal of Ecological Agriculture， 2015， 23（4）：402-415.

[60]武偉， 范莉， 李茂芬， 等.不同時(shí)間尺度太陽輻射數(shù)據(jù)對作物生長模型的影響（英文）[J].農(nóng)業(yè)工程學(xué)報(bào) ，2012， 28（3）：123-128.

WU W， FAN L， LI M， et al. Sensitivity analysis of cropgrowth models to multi-temporal scale solar radiation[J].Transactions of the CSAE， 2012， 28（3）：123-128.

[61]盧必慧， 于堃.遙感信息與作物生長模型同化應(yīng)用的研究進(jìn)展[J].江蘇農(nóng)業(yè)科學(xué)， 2018， 46（10）：9-13.

LU B， YU K. Research progress on assimilation aplica‐tion? of remote? sensing? information? and? crop? growth model[J]. Jiangsu Agricultural? Science， 2018， 46（10）：9-13.

[62]王鶯， 鞏垠熙.遙感光譜技術(shù)在農(nóng)作物估產(chǎn)中的應(yīng)用研究進(jìn)展[J].中國農(nóng)學(xué)通報(bào)， 2019， 35（3）：69-75.

WANG Y， GONG Y. Spectral remote sensing technol‐ogy? applied? in? crop yield? estimation： Research prog‐ress[J]. Chinese Agricultural Science Bulletin， 2019， 35（3）：69-75.

[63] HAMMER? M. Reengineering? work： Don't? automate，obliterate[J]. Harvard? Business? Review， 1990， 68（4）：104.

Application Scenarios and Research Progress of Remote Sensing Technology in Plant Income Insurance

CHEN Ailian1，2 ， ZHAO Sijian1，2* ， ZHU Yuxia1，2 ， SUN Wei1，2 ， ZHANG jing1，2 ， ZHANG Qiao1，2

（1. Agricultural Information Institute， Chinese Academy of Agricultural Sciences， Beijing 100081， China;2. Key Laboratoryof Agricultural Information Service Technology， Ministry of Agriculture and Rural Agriculture， Beijing 100081， China ）

Abstract： Plant income insurance has become an important part of agricultural insurance in China. It has been recommended to pilot since 2016 by Chinese government in several counties， and is now （2022） required to be implemented in all major grain producing counties in the 13 major grain producing provinces. The measurement of yield for plant income insurance in such huge volume urgently needs the support of remote sensing technology. Therefore， the development history and application sta‐tus of remote sensing technology in the whole agricultural insurance industry was reviewed to help understanding the whole context circumstances of plant income insurance firstly. Then， the application scenarios of remote sensing technology were ana‐lyzed， and the key remote sensing technologies involved were introduced. The technologies involved include crop field plot ex‐ traction， crop classification， crop disaster estimation， and crop yield estimation. Research progress of these technologies were re‐ viewed and summarized ，and the satellite data sources that most commonly used in plant income insurance were summarized as well. It was found that to obtain a better support for a development of plant income insurance as well as all crop insurance from remote sensing communities， issues existed not only in the involved remote sensing technologies， but also in the remote sensing industry as well as the insurance industry. The most two important technical problems in the current application scenario of planting income insurance are that： the plot extraction and crop classification are not automated enough; the yield estimation mechanism is not strong， and the accuracy is not high. At the industry level， the first issue is the limitation of the remote sensing technology itself in that the remote sensing is not almighty， suffering from limited data source， either from satellite or from oth‐ er platform， laborious data preprocessing， and pricey data fees for most of the data， and the second is the compatibility between the current business of the insurance industry and the combination of remote sensing. In this regard， this paper proposed in total five specific suggestions， which are：1st， to establish a data distribution platform to solve the problems of difficult data acquisi‐tion and processing and standardization of initial data;2nd， to improve the sample database to promote the automation of plot extraction and crop classification;3rd， to achieve faster， more accurate and more scientific yields through multidisciplinary re‐ search;4th， to standardize remote sensing technology application in agricultural insurance， and 5th， to write remote sensing ap‐ plications in crop insurance contract. With these improvements， the application mode of plant income insurance and probably the whole agriculture insurance would run in a way with easily available data， more automated and intelligent technology， stan‐dards to follow， and contract endorsements.

Key words： remote sensing; agricultural insurance; plant income insurance; precise claim settlement; yield estimation; cultivated land extraction; disaster estimation; remote sensing data sources