遙感技術在種植收入保險中的應用場景及研究進展

陳愛蓮 趙思健 朱玉霞 孫偉 張晶 張峭

摘要：種植收入保險已成為中國農業保險的一種重要形式，2022年將在13個糧食主產省的所有主產縣開展。本文首先回顧了遙感技術在農業保險中的總體應用歷程，其次，通過闡述現有種植收入保險的業務模式，展現了目前遙感技術在該模式下的應用場景，并對各種應用場景下的關鍵技術的應用研究進展進行了評述，包括耕地地塊提取、作物分類提取、作物災情評估和作物產量估算。最后，列舉了目前種植收入保險常用的遙感數據源。通過綜述，發現種植收入保險應用場景下最重要的兩個技術層面的問題，一是地塊提取和作物分類不夠自動化，二是產量估算機理性不強、準確度不高。由此又延伸出兩個行業層面的問題，一是遙感行業自身局限性問題，二是保險行業的現行業務與遙感技術結合的兼容性問題。對此，本文提出建立數據分發平臺解決數據獲取和與處理難和初始數據標準化的問題、完善耕地地塊和作物類型樣本庫以促進地塊提取和作物分類自動化、多學科交叉研究實現更快更準更科學地產量估算、農業保險遙感技術應用標準化，以及遙感技術應用合同化等五個具體建議。展望未來，種植收入保險乃至所有農業保險中遙感技術的應用模式應該是一個有數據可用、技術上更自動化智能化、有標準可依、有合同背書的新型模式。關鍵詞：遙感技術;農業保險;種植收入保險;精確理賠;產量估算;耕地提取;災情評估;遙感數據源

中圖分類號：TP7;S127????????????? 文獻標志碼：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.遙感技術在種植收入保險中的應用場景及研究進展[J].智慧農業（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

農業是一項弱質產業，面臨自然災害帶來的生產風險和價格波動帶來的市場風險雙重風險。農業保險作為一種農業風險管理的有效工具，在規避農業風險、保障農民收入穩定和農村社會穩定方面發揮著重要的作用。自2007年實施政策性農業保險以來，中國農業保險發展速度迅猛，2020年農業保險的簽單保費達到815億元人民幣[1]，保費規模首次躍居世界第一，2021年保費繼續增長至965億元人民幣[2]。

然而，中國目前實施的政策性農業保險絕大多數是物化成本保險，主要用于彌補自然災害導致的產量損失，并以物化成本的水平對農戶因災損失進行補償。隨著經濟的全球化，各國農產品價格的關聯度越來越高，農業市場風險的影響日益凸顯。農產品價格的頻繁波動，嚴重影響了農業收入的穩定性。傳統的物化成本保險或者稱產量保險，已經不能滿足農業生產者的風險保障需求。國際經驗表明，農業收入保險是防范農民生產和市場風險的重要手段，已經成為美國、加拿大、日本等發達國家重點推行的農業保險產品[3]。與只保價格或者只保產量的保險產品相比，農業收入保險是一種彌補農業生產者因產量或價格雙重風險而引起收入損失的保險，具有風險保障更加全面、承保風險更低、風險分散能力更強和準入門檻更低等優點，已經成為中國農業保險高質量發展的必然選擇。

中國自2016年起開始重視農業收入保險，尤其是種植收入保險的實施與推進。2016年以來發布的中央一號文件均提及了探索開展種植收入保險的試點。在政策的指引下，中國多省市地區積極開展種植收入保險試點，其中以區域收入保險的試點居多。2021年6月，財政部、農業農村部和銀行保險監督管理委員會三部委聯合下發了《關于擴大三大糧食作物完全成本保險和種植收入保險實施范圍的通知》（財金（2021）49號文）[4]，該通知明確2021年的種植收入保險試點由2020年的6個糧食主產省各4個主產縣擴大到所有13個糧食主產省份的500個產糧大縣，占產糧大縣的60%。而2022年的中央一號文件進一步明確“實現三大糧食作物完全成本保險和種植收入保險主產省產糧大縣全覆蓋”，并增加了新的要求，即“探索開展糖料蔗完全成本保險和種植收入保險”。至此，在種植業保險方面，收入保險已成為目前及今后一段時期中國國家政策鼓勵開展的重要險種。

在試點和大力發展種植收入保險過程中，保險各方在理賠時作物產量實時精確獲取、理賠區域劃分、基差風險識別等方面不斷遇到新的難題。其中，作物產量實時精確獲取是當前最為突出的難題。遙感（Remote Sensing ，RS ）技術是20世紀60年代興起的一種探測技術，已經在農業領域中應用了50多年，應用領域涵蓋了農業資源調查、農情四要素（面積、長勢、災害和產量）的監測，以及農業環境保護等多個領域[5-7]。遙感技術以其覆蓋面積廣、記錄方式客觀、重訪周期短等優勢被引入到收入保險的試點項目中，并積累了一定的試點經驗。然而，隨著保險行業的快速發展，以及政府層面的政策引導，遙感技術應用于農業保險迎來了新的機遇，同時也面臨了巨大挑戰。挑戰主要包括以下幾點：（1） 遙感技術在中國農業保險中的應用歷史不長，經驗積累不足;（2）農業保險對遙感技術的服務需求因保險產品的不同而不同，沒有統一的模式，沒有可遵照的標準規范;（3）引入遙感技術不是政府或監管部門強制的行為，也沒有在保險合同中明確相關條款，農業保險各方（提供保費補貼的政府、作為保險人的保險公司以及作為被保險人的農戶）對遙感技術的認可存在不確定性;（4）遙感技術與農業保險、尤其是種植業產量損失補償型保險（與之相對應的是指數型保險）的結合還不夠成熟;（5）此外，遙感技術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應用于農業保險的發展歷程，闡述了種植收入保險中產量獲取存在的問題，并以種植業收入保險這一險種為重點，通過展示種植業收入保險的業務流程以及遙感技術的介入場景，綜述與種植收入保險業務相關的關鍵技術，最后對當前遙感技術在種植收入保險中的應用現狀進行討論，對未來遙感技術在種植收入保險中的應用模式進行展望，以期推進遙感技術在種植收入保險中的深入應用，促進中國農業保險的高質量發展。

2 遙感技術在農業保險中的應用發展歷程

2.1國際農業保險遙感的發展歷程

遙感技術應用于農業保險的案例可追溯到1975年， 1980年 Towery 等[10， 11]使用航空紅外影像定性地評估雹災等災害對作物產量的影響，確定耕地受損面積和位置。而根據 De Leeuw 等[12] 對遙感技術在農業保險中的應用潛力和實際采用情況的綜述，2014年之前的40年，遙感技術在損失補償型保險方面的應用非常有限，幾乎僅限于美國政府開展的幾個研究。De Leeuw等[12] 同時也發現遙感技術與指數型保險的結合度更高，其結合成熟程度遠大于與損失補償型保險的結合，且主要用于牧草或畜牧業指數保險。此后，2019年，Vroege等[13]綜述了遙感技術在牧草指數保險方面的應用，也指出遙感影像的應用潛力很高，不同分辨率的遙感影像可用于不同類型的農業保險，其中高分辨率遙感影像用于損失賠償型保險，中分辨率遙感影像用于區域產量保險，而低分辨率的氣象參數相關的影像可用于氣象指數保險。

在2014年前后，發展中國家尤其是中國的農業保險開始飛速發展。由于發展中國家農業保險起步晚，保險雙方信息不對稱情況比較嚴重，遙感技術開始在很多國家的非指數類保險中得以應用，如印度水稻產量估算[14]，中國小麥干旱風險評估[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定損或產量估算為目的進行遙感技術探索，都需要將遙感所得信息轉化成與產量損失相關的信息。

2.2中國農業保險遙感技術發展歷程

中國是農業保險新興市場。2007年，自中國政府開始提供保費補貼以來，農業保險逐漸步入高速發展階段[3]，遙感技術在農業保險中的應用研究也始于這一時期。2013年，中國人民保險財產股份有限公司（簡稱“人保財險”）聯合北京師范大學等單位開展了《國家發改委衛星及應用產業發展專項項目——基于遙感技術的農業保險精確承保和快速理賠綜合服務平臺與應用示范》研究[17]，是農業保險與遙感技術結合的里程碑。2014年，郭清和何飛[18]分析了遙感技術在農業保險中的“按圖承保、按圖理賠”的應用模式，詳細介紹了在遙感技術支持下農業保險承保和理賠的技術流程。

從引入遙感技術至今，中國研究者除了學習國外經驗之外[17]，更積極從中國國情出發探索基于遙感技術的產品設計、基于遙感技術的保險全流程輔助技術應用，以及基于以遙感技術為主，地理信息系統（Geographic Information Sys‐tem， GIS ）與全球定位系統（Global PositioningSystem，GPS ）技術為輔的保險業務方案設想和設計，為農業保險高質量發展提供依據。其中，產品設計主要體現在指數型保險方面，如李懿珈等[19] 以西藏那曲地區為例，設計以遙感植被指數作為賠付依據的畜牧業旱災指數保險產品?；谶b感技術的保險全流程輔助則涉及了保險承保后的驗標、理賠時的災害定損和產量估算。蒙繼華等[20] 以內蒙古庫倫旗較嚴重的旱災為例，基于遙感技術開展了農作物分類與種植面積提取、干旱等級評估、作物長勢監測及作物單產與產量評估，是一個系統的遙感技術應用于種植業保險承保、理賠的案例。將遙感技術引入種植收入保險方面也有專門的案例研究，如 2019年陳愛蓮等[21]將遙感技術引入大豆區域收入保險中，基于哨兵2號衛星等數據，研究大豆遙感估產及其在區域收入保險中的應用流程。朱玉霞等[22]在山西馬鈴薯區域收入保險中也做了詳細的探索?；?S （ GIS ，GPS和 RS）技術的農業保險業務方案設想也較多，包括趙思健和張峭[23， 24]提出建立基于3S 技術的“天空地”一體化模式，應用于種植業保險的標的管理和災害查勘定損。李樂等[25]提出的基于3S技術的“精確承保和快速理賠”等。

中國從農業保險進入高速發展以來，不斷有不同團體，包括保險公司[26]、科研院所[25]、監管部門[27]、科技公司[28，29]等，獨立或聯合研究以遙感技術為主的3S 技術在農業保險中的廣泛應用。從保險標的方面，既包括糧食作物保險的應用，也包括經濟作物、林業、牧草保險的應用;從保險產品角度，既包括損失理賠型保險的應用也包括指數保險的應用;使用數據涵蓋了氣象衛星數據、中低分辨率多光譜衛星數據、雷達衛星數據、中高分辨率衛星數據、高分辨率衛星數據和無人機航空數據等。其中氣象衛星數據可用于災害評估，如 NOAA 衛星降雨產品用于旱災評估[20]，也可用于產量估算，如 GPM 測雨雷達衛星數據用于產量評估[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 ）產品[20]，也可用于產量估算[22]。中分辨率衛星數據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，如環境衛星[20];還可用于長勢評估和產量估算[21]。而超高分辨率衛星數據和無人機數據則多用于地塊提取、作物分類和產量估算[5]。

由于種植收入保險一般承保到戶，或者到鄉鎮，因此需要實現區縣、鄉鎮、村甚至地塊級別較準確的作物分類、面積估算和產量估測，其尺度更小，對分辨率的要求更高，所使用的數據也以中高分辨率衛星數據和無人機數據為主[5，31]。遙感技術在農業保險中的應用在總的技術框架層面已形成了標準規范，即《基于遙感技術的農業保險精確承保和快速理賠規范》（JR/T 0180—2019）。該規范雖然“規定了基于遙感技術的農業保險精確承保和快速理賠工作準備，遙感數據獲取、預處理和解譯技術方法，精確承保和快速理賠總體流程、產品內容和精度要求”，并規定其“適用于種植險和森林險利用遙感技術開展農業保險精確承保和快速理賠，規范遙感技術在農業保險承保和理賠中的應用”。但是，該規范總體上比較籠統，沒有涉及不同險種、不同遙感數據、不同的保險階段所涉及的具體遙感技術等內容。

總體上，如 De Leeuw等[12]所言，目前農業損失理賠中遙感技術的應用依然集中于技術的探索，而與保險業務結合的研究較少。雖然目前遙感技術在“精確承?！狈矫嬉呀浛梢詽M足承保和驗標的要求，但是在精確理賠方面，由于農業保險標的農作物生長和產量形成機制及影響因子的復雜性，理賠仍是“一地一技，一事一議”[32]，沒有形成技術標準或者應用模式規范。遙感技術在農業保險上的應用也側重于驗險驗標、災后查勘定損和產量估算中的技術探索，而如何讓遙感技術與農業保險業務更好地結合，如何形成行業標準，形成何種行業標準是面對農業保險高速發展、高質量發展對數據需求的主要挑戰。

2.3作物產量獲取存在的問題

種植收入保險在理賠時需要作物收獲期的實際產量和實際價格數據做支撐。實際價格數據可以參考物價局數據，而實際產量的數據來源則是個難題。中國統計部門通常會滯后半年甚至一年以上公布產量數據，因此在收入保險理賠中，目前普遍采用產量估算方法，即人工測產。中國目前農業生產仍以小農戶為主，開展個體收入保險需要獲取個體產量，成本極高，很難施行，目前的種植收入保險多以區域收入保險形式開展，通過測量區域產量開展理賠?，F行的人工測產在區域產量獲取中存在著成本高、效率低、區域覆蓋不全、主觀性大導致結果有偏差以及基差問題無法解決等五個方面的不足。

遙感技術的引入為估測作物產量提供了一條新渠道，利用遙感技術既可以為采樣點布設提供長勢分級圖，也可以進行估產建模，但同時也帶來了新的問題。一是遙感估產受數據的限制。如光學衛星數據受天氣的影響，無人機數據受飛行范圍與數據分辨率之間的矛盾以及成本的影響[5]，雷達數據受信息量的影響[6]。二是遙感估產的可靠性和認可度都存在不確定性。遙感估產依賴于地面數據的支持，所依賴的遙感參數存在“同物異譜”或者“異物同譜”現象會帶來估產誤差。保險雙方，尤其是被保險人對遙感的認同程度有待提高。三是獲取數據的成本問題。不同的遙感數據，如存檔衛星數據和編程衛星數據，中分辨率數據和高分辨率數據，無人機數據和衛星數據之間，成本相差很大，若收入保險統一要求用遙感數據，其存在巨大差距的數據成本需要慎重考慮。

可見，遙感技術在種植收入保險中的應用不僅是對遙感技術的挑戰，遙感技術與農業保險的結合也是對保險公司、政府和監管等部門的挑戰。

3 遙感技術介入種植業收入保險場景

下文以種植收入保險為例，展示種植收入保險的業務流程，從而展現遙感技術的介入場景，如圖1所示。

從時間軸的角度看，種植收入保險開始于目標作物出苗后，保險機構進入收入保險的承保階段。通過承保出單，保險機構確定收入保險的承保區域，明確了遙感技術應用的作業范圍。隨著作物進入生長期，可以利用遙感技術開展承保區域的耕地地塊提取和作物分類。耕地地塊是收入保險驗標的基礎數據，也是后續作物分類提取的基礎，而作物分類圖則是收入保險驗標的重要依據;在作物生長過程中，還可以利用遙感技術記錄和監測作物生長狀態和受災情況，開展作物長勢分析和災情評估;在作物收獲期到理賠階段，在氣象、遙感、高程等多源數據的基礎上開展作物產量估算建模，并按照理賠區域的規定計算出目標作物的平均產量，作為收入保險產量的依據。

從整個種植收入保險業務流程中可以看出，流程涉及的關鍵遙感技術可以分成4個部分，即耕地地塊提取、作物分類、作物災情監測以及作物產量估算。此外，整個業務流程中，數據源和地面樣本采集是必要條件。其中，數據源的存在是業務開展的前提，而地面樣本是基于遙感分析結果精度的保障。樣本采集主要基于 GPS技術、 GIS技術、互聯網技術和抽樣技術。目前樣本采集技術也比較成熟，如中國太平洋財產保險股份有限公司的“e農險”系統[33]，中國農業科學院農業信息研究所的“樣采寶”[21]。由于篇幅關系，對于樣本采集技術本文不再贅述。

4 種植收入保險涉及的遙感關鍵技術和數據源發展現狀

理論上，農業遙感所用的技術和數據源在農業保險中都可以使用。其中，數據源和技術方法依據農業保險的業務進行選擇。下文將從技術總體現狀和農業保險所需技術和數據源現狀展開評述。

4.1耕地地塊提取技術

耕地地塊是種植收入保險承保和驗標的基礎數據，也是作物分類提取的框架，在收入保險乃至整個種植業保險的應用中均有重要作用。耕地地塊可以從已有的土地利用產品中提取，如分辨率為30 m 的 GlobeLand30[34]。但是土地利用產品生產的最初目的是土地利用類型的分類，產品精度一般無法直接滿足農業保險涉及的鄉鎮級別的耕地地塊提取需求，因此從土地利用產品中提取耕地常需要輔以統計數據或者新的遙感影像進行修正[35]，此類數據是一個更精細的地塊提取或者作物分類的基礎。在農業保險的遙感應用中，由于保單涉及到個體農戶，因此保險中耕地地塊的提取常常需要補充分辨率優于10 m 的數據。

基于中高、高分辨率遙感數據的耕地地塊提取方法有傳統的室內經驗判讀式的人工勾畫法、室外依據 GPS航跡點的實地勾畫法、面向像元的分類法、面向對象的圖像分割法和人工智能領域的深度學習法。目前，在實際應用中的耕地提取一般都是以某個數據和某種方法為主，同時輔以其他數據和方法，經過一定的人工修正來完成。其中，面向對象的圖像分割法和深度學習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]。

面向對象的方法是將多種知識，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表達里，進行鄰域間比對，結合模糊數學，將各個相近的知識提煉成一個個對象[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。面向對象的方法已經比較成熟，在很多商業圖像處理軟件中都有這項功能，如國際上的eCognition軟件，其對 Sen ‐tinel 2A 衛星數據的面向對象提取，結合隨機森林模型可以實現96%的耕地提取精度[38]。國產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都有面向對象提取功能模塊。

深度學習分類法是從早期機器學習算法如人工神經網絡（ Artificial Neural Network ，ANN ）、支持向量機（Support Vector Machine ， SVM ）等機器學習算法中進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習多種算法的無監督或有監督分類，分類數據包括多光譜遙感、高光譜遙感、雷達遙感等[41-43]。深度學習算法對硬件的要求比較高。目前，美國的 Google Earth Engine （ GEE ）平臺為深度學習算法提供了云計算平臺和可直接調用的代碼模塊，大大促進了深度學習算法的快速發展和應用。國產的簡譯遙感信息處理軟件也內嵌了深度學習算法，促進了國內深度學習方法應用的推廣。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。國內云計算平臺的研發也在加速推進，如中國科學院先導專項的EarthDataMiner，航天宏圖的 PIE-Engine等[44]。

從分類方法角度看，在實際應用中，監督分類的深度學習法一般需要制作和積累數以萬計的樣本實現高精度的提取，而無監督分類的深度學習算法需要大量時間調節試驗參數[43]，目前基于深度學習的耕地提取技術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算法的深度學習分類，只取了84個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，但深度學習的優勢不明顯。

從種植保險應用的角度來看，目前成熟且快速的耕地提取技術仍然是面向對象技術，該技術對樣本數量要求低，對操作人員的技術要求也較低。但是隨著深度學習應用的深入開展，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鍵技術。

4.2作物分類提取技術

中國的農業保險是政府提供保費補貼的政策性保險，而保費補貼額度與作物類型相關。因此，作物分類圖不僅是產量估算的基礎，也是保險驗標的基礎。作物分類提取技術方法很多，采用何種作物分類提取技術主要取決于工作區域的大小、所采用的數據、區域種植結構特征等因素。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）數據，如 MODIS 、甚高分辨率掃描輻射計（ Advanced Very High Resolution Radiometer ，AVHRR ）等遙感數據，分類依據主要是長時間序列影像展示的物候規律特征，方法上可采用人工決策樹或者機器學習法進行作物識別，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，此時可以用面向對象法、決策樹分類法或者多種方法綜合等方法進行提取[27]。小尺度（如鄉鎮級、村級尺度）或種植結構非常復雜的區域的作物分類，則一般需要高分辨率遙感影像（<10 m），此時一般采用面向對象或深度學習算法進行作物分類[9]。

在種植收入保險中，開始作物分類之前，首先盡可能多地收集衛星遙感數據，根據數據情況，考察目標作物在影像上所呈現的特征來確定所采用的方法。若目標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行分類。若光譜特征存在明顯差異，即可以基于傳統的監督分類、非監督分類或面向對象等方法，若紋理特征存在明顯差異，則可主要基于面向對象方法進行分類。劉斌等[46]基于 SVM對一期無人機影像農作物識別，結合數字地表模型（Digital Surface Model ，DSM ）數據，識別精度達到92%。

在實際應用中，為了獲得最佳的分類精度，達到應用需求，經常需要綜合應用多種數據和多種方法。例如，吳志峰等[47]在廣西扶綏縣進行的作物提取研究采用時空協同、多方法綜合的方案，該研究首先采用深度學習算法對0.6 m 的谷歌地球（Google Earth ，GE ）數據進行耕地地塊的提取，以此為掩膜底圖，結合兩年45景的 Landsat 8數據和 Sentinel 2數據（其中2018年8景 Landsat 8數據，14景 Sentinel 2數據，2019年7景 Landsat 8數據， 16景 Sentinel 2數據）的植被指數，基于隨機森林方法進行全作物分類，實現了88%的作物提取精度。陳愛蓮等[32]在嘉祥縣進行大豆的識別時，首先從 Globeland30中提取耕地對研究區進行掩膜，之后基于一期哨兵2號衛星數據進行面向對象分割，并對分割的地塊采用監督分類，細化掩膜后的耕地內部的地塊邊界，提取出較詳細的耕地地塊邊界。在此邊界限定下，再采用非監督分類分出大豆與其他作物，區域總體精度達到了90%。由于中國種植結構極其復雜，普遍存在同譜異物的作物，此時選擇決策樹方法進行分類，而分類的主要依據是作物的物候規律，也就是該階段目標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作物災情評估技術

作物受災情況對產量有直接的影響，是產量估算的重要參考數據，也是保險理賠依據之一，而作物災情監測與長勢監測息息相關。

作物災情評估可以用災前災后的長勢進行對比，如基于多時相多光譜衛星遙感數據的植被指數進行的對比[50，51]，或者基于無人機激光雷達監測的玉米觀測高度差異對比評價澇災[52]，還可以基于多光譜或者高光譜數據進行光譜變換來評估[32，53，54]。

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

4.4作物產量估算技術

作物產量是收入保險理賠的直接依據?；谶b感技術的作物產量估算方法可分成兩類，一是統計建模法，二是遙感數據同化的作物生長模型模擬法[56-58]。其中，統計建模法是采用航空或者航天遙感得到的參數作為建模的輸入因子，與實際產量進行回歸分析，得到經驗統計模型，進而估算產量。該方法根據所獲取的遙感數據分辨率的高低，可以得到不同水平地塊尺度的產量，在識別作物種植面積的基礎上對產量進行估算，估算結果精度高，可信度強[59]。該方法存在的不足是需要較多的地面產量樣本。傳統的作物生理模型模擬法主要在單點（包括試驗小區）上進行研究，以作物生產發育、遺傳形狀、品種篩選等為主要研究目的[60]，近年相關研究呈現增加的趨勢[61]。然而，遙感數據同化的作物生長模型模擬法所需的作物相關參數多，在鄉鎮及更小尺度上的研究還沒有更好的結果。目前，遙感產量估算的相關標準《中高分辨率衛星主要農作物產量遙感監測技術規范》（ NY/T 4065-2021）、《小麥、玉米產量遙感估測規程》（DB61∕T 1041-2016） 和《遙感預測小麥產量技術規范》（ DB32T 3780-2020）均采用統計建模方法。統計建模法在遙感光譜或者其他輻射參數中尋找與實測產量相關關系較強的因子，通過回歸分析建立統計估產模型，遙感參數可以是 NDVI ，也可以是作物農學參數[62]，還可以是基于微波的輻射參數[6]。除了遙感參數外，可以加入地形數據、氣象相關遙感產品等因子，使得模型具有更高的解釋度。朱玉霞等[22]對山西馬鈴薯區域收入保險的馬鈴薯產量估算中，發現產量與代表地面潛熱通量的地表溫度關系最佳。

基于遙感技術的作物產量估算中，野外產量樣本是關鍵，而野外采樣之前的長勢和災情評估更關鍵。產量估算應該綜合利用多源數據，包括資源衛星遙感數據，氣象相關遙感產品，還可以包括地形數據、社會經濟數據，從而增加所建模型的可信度。

4.5遙感數據源

遙感數據源是開展基于遙感技術的農業保險業務的前提。從以上遙感技術在農業保險中的應用歷史回顧及技術進展評述可以看出，農業保險所用的數據來自眾多遙感平臺，可以是近地（手持設備）、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。從數據的分辨率角度，包括了高、中、低分辨率的數據（ JR/T 0180—2019）。但是，對于種植收入保險而言，由于理賠區域一般到鄉鎮甚至到村和農場，因此對數據源的空間分辨率要求較高，而由于農業保險的商品屬性，對數據費用也有一定限制。從數據多寡、技術成熟度[32]、成本低廉等角度看，最常用且可以貫穿整個業務流程的依然是衛星數據。目前最常用的多光譜衛星數據及其常用的保險階段如表1所示。

雷達衛星數據作為光學衛星數據的補充，近年來在農作物長勢參數，如 LAI ，生物量等反演中也展現了潛力[6]，也可以應用于農業保險中。目前常用的雷達衛星數據及其常用的保險階段如表2所示。

5 存在問題與發展建議

5.1存在問題

雖然遙感技術在農業保險中的應用僅有十多年的歷史，但由以上綜述可知，遙感技術在種植收入保險的應用流程涉及的地塊提取、作物分類、長勢和災情評估和產量估算技術都可以在農業遙感技術應用中找到相似的應用案例和經驗范本。然而，目前遙感技術在種植收入保險乃至整個農業保險中的應用仍然存在兩個技術性問題和兩個行業性問題。兩個技術問題分別是：①地塊識別和作物分類自動化和智能化程度不高;②產量估算缺乏機理意義，不夠簡便可靠。兩個行業性的問題分別是：①遙感行業自身局限性問題，包括數據源自身的問題，數據費用問題和數據預處理問題。數據源自身問題指光學遙感受天氣影響，經常缺失，雷達數據在農業信息反映上極其有限，且技術壁壘較高，而無人機要覆蓋全國所有主產省的產量大縣，其成本極高。數據費用問題指的是多數數據都需要付費，就收入保險常用的高和中高分辨率的多光譜衛星遙感數據而言，國內外除了美國的 Landsat 8及其相關系列和歐盟的 Sentinel 2衛星數據免費之外，其余均需要付費，有些數據費用還不低。而且多光譜衛星數據的獲取嚴重受天氣影響，若在軌多光譜衛星數據缺乏，如何補充其他數據，包括商業衛星的編程獲取、雷達數據和低空數據，及補充數據產生的費用由誰承擔也是需要考慮的重要問題。數據預處理問題指的是數據的幾何糾正、大氣糾正、數據融合等數據預處理。同樣，對于多光譜衛星而言，除了國外的 Landsat 8和 Sentinel 2衛星數據預處理流程相對簡單之外，其他數據，包括中國高分系列數據，預處理過程也較費力[8]，中國在農業遙感衛星數據預處理和農作物面積提取方面有遙感技術規范，但是數據預處理由誰來做，數據由誰來提供，數據費由誰買單，這些都是影響遙感技術在農業保險中應用的重要因素。②應用目的問題。遙感技術在農業保險中的應用途徑極有可能是一條彎路，本著對已有業務自動化的目的，遙感技術在農業保險應用方面的探索較多，但是對已有業務的自動化可能不及重新找一條業務途徑便捷。如 Hammer所說[63]，20世紀所有試圖對已有業務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務模式取代之，這才是基于技術的業務革新。目前所有的應用在二者結合模式的創新方面探索較少。這也導致目前遙感技術與農業保險結合在理賠中的作用備受爭議，如遙感所得的產量結果是否完全可靠，是否可直接用于理賠，是否應該按照一定比例采納遙感所得的結果，是否需要將遙感技術標準化，并寫入保險合同中等。

此外，雖然種植收入保險業務流程所涉及的各項遙感技術都有一定的技術基礎，但是每一種作物、每一種保險產品的業務流程不同，他們所需要的遙感技術服務也不同，且隨著種植收入保險的進一步發展，其對遙感技術提供的數據支持需求劇增，遙感技術在種植收入保險中的應用還需改進。

5.2發展建議

因此，對下一步開展遙感技術在種植收入保險中的應用方面提出五點建議。

（1） 國內具有衛星數據收集和分發資質的部門應該利用其優勢和資源發揮重要作用，對數據進行統一收集和預處理，并建立可供農業保險行業或者遙感應用部門直接下載使用的標準化衛星數據分發平臺。

（2） 地塊識別和作物分類方面，充分發揮保險行業查勘定損的野外樣本采集優勢，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。

（3） 充分利用交叉學科的研究成果，綜合農學、氣象學、模型學、生態學和遙感科學建立更具機理意義、更簡便可靠、可多尺度開展的估產模型，降低估產流程的時間和經濟成本，提高精度和機理性。

（4） 盡快建立遙感成熟技術應用于農業保險的相關標準規范，以利于保險公司、行業監管對遙感技術的應用和認可，加快遙感技術的推廣，促進農業保險行業的健康發展。

（5） 針對新時期種植收入保險擴大試點的形勢下，遙感技術的引入應該始于保險產品的設計、并寫入保險合同中。對于未來遙感技術在種植收入保險及其他農業保險中的應用，遙感技術充分發揮作用，努力進行試點和加快高新技術的應用，以高精度和高效率為目標，促進結合遙感技術的全新農業保險模式誕生。

隨著遙感相關技術的進一步提升、遙感技術與農業保險相結合的標準規范的出臺、農業保險合同對遙感技術的明確規定，遙感技術在農業保險中的應用將進入快速發展階段。未來種植收入保險乃至所有農業保險中遙感技術的應用模式將是一個有數據可用，技術上更自動化、更智能化，有標準可依，有合同背書的新型模式。

參考文獻：

[1] 薛瑾.農業保險保費增速跑贏財險業“定制范兒”護航鄉村振興[EB/OL].中國證券報 ， （2021-02-05）[2022-1-31].? https：//www. cs. com. cn/bx/202102/t20210205_6137554.html.

[2] 趙展慧 ， 曲哲涵.2021年全國農業保險保費規模達965億元[N].人民日報， 2022-01-13（7）.

[3] 中國保險學會.農業保險服務“三農”發展研究[M].北京：中國金融出版社， 2021：496.

[4] 中華人民共和國農業農村部金融司.關于擴大三大糧食作物完全成本保險和種植收入保險實施范圍的通知[EB/OL].[2021-12-31]. http：//www. moa. gov. cn/govpublic/CWS/202106/t20210630_6370731.htm.

[5] 唐華俊.農業遙感研究進展與展望[J].農學學報 ，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.中國農業遙感技術應用現狀及發展趨勢[J].中國農學通報， 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.農業土地系統遙感制圖[M].北京：科學出版社， 2020.

[8] 黃波.無人機技術在種植業保險中的應用研究[D].昆明：昆明理工大學， 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 ， 李增元 ， 等.雷達遙感農業應用綜述[J].雷達學報， 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]張蘭.農險“用腿理賠”或將終結[N].金融時報.2013-10-21（005）.

[18]郭清 ， 何飛.空間信息技術在農業保險中的應用研究[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.基于遙感植被指數的西藏那曲地區畜牧業旱災指數保險產品設計研究[J].農業現代化研究， 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.遙感在種植業保險估損中的應用[J].遙感技術與應用， 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.衛星遙感估產技術在大豆區域收入保險中的應用[J].智慧農業（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.基于多源遙感數據的馬鈴薯收入保險應用研究[J].中國農業資源與區劃 ，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.農業保險科技的現狀、體系與展

望[J].中國保險， 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.科技助推農業保險高質量發展研究[J].保險理論與實踐， 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技術農業保險“精確承保與快速理賠”[J].衛星應用， 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.遙感技術應用于農業保險業務模式創新[J].農技服務， 2017.34（14）：171.

[27]徐志成， 韓志花， 王盾， 等.內蒙古利用科技手段開展農業保險精準承保理賠試點工作[J].保險理論與實踐， 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.淺談遙感技術在農業保險中的應用——以菏澤市單縣玉米澇災定損為例[J].農村實用技術， 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]胡運偉， 冷偉， 陳淑敏， 等.遙感在農險應用中的全流程解析——以湖北省孝感市孝南區中稻定標、驗標項目為例[J].衛星應用， 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.基于深度神經網絡的耕地提取與作物識別方法研究[D].北京：中國科學技術大學， 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.無人機為太保農險保駕護航[J].農村.農業.農民（B版）， 2016（4）：48.

[32]陳愛蓮， 朱玉霞， 孫偉， 等.遙感技術在農業保險病蟲害定損中的應用——以雙河農場稻瘟病為例[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.“互聯網+”時代下農業保險服務創新研究——以太平洋保險“e 農險”在氣象指數保險上的應用為例[G].（2017）浙江保險科研成果選編， 2018.

[34]陳軍， 武昊， 李松年.全球地表覆蓋領域服務計算的研究進展——以GlobeLand 30為例[J].測繪學報 ， 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.基于多源數據融合的地表覆蓋數據重建研究進展綜述[J].中國農業資源與區劃， 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中面向對象的知識表示[J].武漢測繪科技大學學報 ， 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——以銀川金鳳區為例[D].南昌：東華理工大學， 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.基于面向對象結合隨機森林模型的 Sentinel-2A影像耕地信息提取[J/OL].河南理工大學學報（自然科學版）， [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數據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.基于深度學習的高分辨率遙感影像分類研究[J].光學學報， 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.基于深度學習技術的高分辨率遙感影像建設用地信息提取研究[D].杭州：浙江大學， 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.深度學習在遙感影像分類與識別中的研究進展綜述[J].測繪通報， 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 ， 曾也魯 ， 等.遙感云計算與科學分析：應用與實踐[M].北京：科學出版社， 2020.

[45]楊穎頻， 吳志峰， 駱劍承， 等.時空協同的地塊尺度作物分布遙感提取[J].農業工程學報 ， 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.基于無人機遙感可見光影像的農作物分類[J].中國農業資源與區劃， 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.時空協同的精準農業遙感研究[J].地球信息科學學報， 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時間序列數據的作物分類[J].農業工程學報 ， 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.應用 Sentinel-2A NDVI時間序列和面向對象決策樹方法的農作物分類[J].地球信息科學學報， 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測研究[J].麥類作物學報 ， 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.基于多時相環境減災衛星數據的冬小麥凍害評估[J].農業工程學報 ， 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.基于無人機載 LiDAR數據的玉米澇災災情評估[J].中國農業科學 ， 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測方法研究[D].北京：中國科學院大學（中國科學院空天信息創新研究院）， 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測研究[D].太谷：山西農業大學， 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 數據的冬小麥種植面積快速提取與長勢監測[J].農業機械學報，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展[J].光譜學與光譜分析， 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據同化應用綜述[J].農業工程學報 ， 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.遙感數據與作物模型同化的冬小麥估產研究[D].杭州：浙江大學， 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 ， 蒙繼華.作物單產估算模型研究進展與展望[J].中國生態農業學報， 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.不同時間尺度太陽輻射數據對作物生長模型的影響（英文）[J].農業工程學報 ，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用的研究進展[J].江蘇農業科學， 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.遙感光譜技術在農作物估產中的應用研究進展[J].中國農學通報， 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