陈爱莲，朱玉霞，孙伟，赵思健，张峭

(1.中国农业科学院农业信息研究所，北京 100081；2.农业部农业信息服务技术重点实验室，北京 100081)

0 引言

农业保险可以有效避免农户过度损失，保护农户生产积极性，从而保障农村的稳定、农业的发展以及国家粮食的安全，是农业生产风险管理重要工具。我国自2007年开始实施政策性农业保险，农业保险发展迅速，至2019年农业保险的签单保费已达到671.68亿元，保费规模位居世界第二，仅次于美国。农业保险已经成为国家支持农业发展、保障粮食安全的一大政策，并逐年进行修正和完善。2007年中央一号文件开始提出“建立农业风险防范机制”，其中提到”积极发展农业保险”，至今已经有了十多年的发展经验，到2020年中央一号文件对于农业保险的指导意见已经转变成具体落实中的问题，如抓好农业保险保费补贴政策落实、督促保险机构及时足额理赔，以及优化“保险+期货”试点模式、继续推进农产品期货期权品种上市”等。2021年中央一号文件明确提出“健全产粮大县支持政策体系，扩大稻谷、小麦、玉米三大粮食作物完全成本保险和收入保险试点范围”，体现了连续多年，农业保险及相关政策一直在推进和完善，也体现了农业保险的重要性。然而，农业保险因其体量大，保险各方信息不对称等缘故，一直面临着验标验险难、保险实施过程中逆选择、骗保等问题，这也成为阻碍农业保险健康有序发展的绊脚石。遥感技术的逐渐引入为解决农业保险尤其是种植业保险的疑难问题提供了一套新的思路[1]。

国际上将遥感应用于农业保险主要体现在指数保险上，指数包括气象指数[2-3]、牧草指数[4-6]、草地灾害估损相关指数等[7]。国内的保险行业，除了发展指数保险[8]外，在种植业保险的整个业务流程中，都渗透了遥感。2013年中国人保财险联合北京师范大学等单位开展了《国家发改委卫星及应用产业发展专项项目——基于遥感技术的农业保险精确承保和快速理赔综合服务平台与应用示范》研究[9]，是农业保险与遥感结合的里程碑。项目围绕“精确承保”和“快速理赔”两个核心环节展开。目前遥感技术在农业保险“精确承保”方面，可以较为精确地识别出作物类型及其位置，已经可以满足应用需求，解决保险的“验标”问题[10]。但是在“快速理赔”方面，遥感技术的应用却发展得较为缓慢。快速理赔涉及到的灾损信息和产量信息是农业信息不对称的源头。农业受损原因多样，灾害种类繁多，影响产量的因素繁多，这给农业保险“验险”带来了很多困难。遥感在农业保险“快速理赔”方面的应用基本是一灾一例、一地一技。

国内就稻瘟病的遥感研究而言，也有少量基于高光谱和多光谱的研究，如杜雅刚[11]利用HJ卫星CCD数据建立的垂直植被指数TVI和归一化植被指数与稻瘟病感染率拟合结果较好，袁建清[12]通过分析实测光谱和无人机成像光谱发现EVI、mSR705、RVSI和PRI四个植被指数特征因子组合对稻瘟病的识别率很高，达94%。吴曙雯等[13]专门针对稻叶瘟的高光谱分析显示，稻瘟病会导致水稻冠层光谱在绿光区、红光区和近红外区发生较大变化。还有研究表明[14]，对于稻瘟病受灾前和受灾后的影像，利用归一化植被指数可以实现一定程度的识别。这些研究尚未形成明确统一的稻瘟病指示指数。从这些研究案例中可以发现，最常用的植被指数——归一化植被指数辨别稻瘟病灾情的效果并不好。与许多灾损研究相同，利用灾前灾后的归一化植被指数可以较好地提取受灾范围[15]。然而，在不确定发生灾害的时间或者灾损程度可以用光谱表征的时间的情况下，该方法的效果并不佳。

稻瘟病不同感染程度对产量的影响到底如何，对于保险理赔来说非常重要。在不知道稻瘟病发生的确切时间的情况下，要在水稻收获前快速做出大面积的灾情评估，利用实地调查灾损程度，找到关键特征参数，再上推至卫星数据的方法是进行估损的最有效方法。本研究也是遥感技术在一个地方的一个案例探讨，主要采用实测光谱与光学卫星数据相结合的方法，探讨其对稻瘟病定损的流程和模式，分析遥感在农业保险理赔查勘中的作用。

1 研究区与研究背景

2017年在双河农场当地生产队向承保保险公司上报了稻瘟病灾情。据上报，当地在2017年7月底发现了稻瘟病，并开始预防，随后碰上了连续近一个月的阴雨高热的天气，到8月份大面积爆发了稻瘟病，虽然当地采取了喷洒农药等措施，但是仍然出现了受灾严重的区域，灾情发生较轻的区域，也产生了一定程度的减产。双河农场的生产队于9月2日向保险公司上报了灾情，保险公司联合农业保险研究部门、农业测产专家开始实地调查研究区，并开展了实地光谱测量和卫星数据收集，以及损失率测量与调查。

研究区甘南县双河农场，虽然位于黑龙江省齐齐哈尔市梅里斯区和甘南县交界处，却隶属于北京市，是作为加强首都治安、承担劳教职能的一块特殊用地。土地面积3.8×104ha，其中约3.47×104ha在甘南境内，0.27×104ha在梅里斯境内。双河农场距北京1 060 km，境内有音河、阿伦河流过，因此称双河，占地面积380 km2，其中耕地2×104ha。该农场土地连片，土质肥沃，日照充足，水资源丰富，适于大豆、小麦、水稻、玉米、油菜籽、芸豆等农作物生长和大机械化规模经营，是首都一个重要的绿色产品生产基地。

甘南地处高纬度的松嫩平原，属寒温带大陆季风气候，四季冷暖干湿分明。该地区夏季高温多雨，天气多变，日照强烈，昼夜温差大。平原上农地、草地在夏季晴朗炎热的上午，受强烈蒸发作用影响，在10点之后就形成了大量的积雨云，温度越高，积雨云越厚，常常在午后形成阵雨，对光学卫星遥感非常不利。

研究区有21个生产大队，其中东部和南部主要种植水稻，北部种植玉米、大豆等旱作作物。研究区水稻为一季稻，种植时间为4月中旬，出苗期为5月下旬，移栽时间为6月上旬，6月中旬返青，6月下旬至7月下旬分蘖、拔节和孕穗，7月下旬至8月中旬抽穗开花，8月中旬至9月中旬乳熟期，9月上旬至10月上旬成熟收获期。

2 研究数据与方法

2.1 研究数据

研究数据包括实测光谱数据、产量损失率数据和卫星影像数据。

1)实测光谱数据。实测光谱数据采用 ASD 公司的Field Spec Handheld2(HH2)手持光谱仪，波长范围为325～1 075 nm，光谱分辨率<3.0 nm，视场角25°。在距离地物1 m左右的高度，垂直对地物进行测量，测量时间为9月12—13日，测量方法为每个样本重复三次。由于天气原因，很难保证所有的点都在午间11—14点进行观测。个别的测量点只能在上午10点左右，或者下午3点左右测量。因此只能取实测光谱的相对值进行后续研究。

图1 手持式地物光谱仪HH2示意图

受天气影响一共测量了40个光谱样本，其中受稻瘟病感染样本19个，正常水稻样本19个，收割的水稻地样本2个，去掉2个数据异常的样本，剩余36个样本。每个点采集光谱的同时，同行的产量专家估算其损失率，并与光谱测量点一起记录。

图2是手持光谱仪HH2测得的受稻瘟病感染水稻和正常水稻的光谱曲线。手持光谱仪有效的波长范围在400～900 nm之间。由于天气原因，部分样点不能在正午时间获取，受光线、光照等的影响，光谱曲线上的反射率绝对值差别较大，但是受灾程度相似的水稻其光谱曲线的形状相似，可以通过每条光谱曲线建立指数，消除因光照等差异带来的影响。

图2 典型受稻瘟病感染水稻(sick rice)与正常水稻(normal rice)光谱曲线，以及Sentinel-2 B3、B4波段所在位置示意图

2)产量损失率数据。水稻产量的损失率数据是在水稻光谱采集时，同行的保险公司人员、农户以及农学专家做出的经验估算，经过三方商榷得到的一个估算百分值，该值在测量光谱时，一起记录。

3)卫星影像数据。经过多渠道搜索7月下旬至9月中下旬的卫星遥感数据，包括哨兵2号(Sentinel-2)卫星数据、Landsat-8 卫星数据，和高分1号、2号卫星数据，最后从中国资源卫星应用中心(http：//www.cresda.com/CN/) 找到一景2017年6月5日高分2号卫星数据，用于水稻地块的目视解译，从欧空局(https：//scihub.copernicus.eu/)找到一景同年9月9日云量覆盖极小(<5%)的Sentinel-2卫星影像，用于建立稻瘟病指数，该影像的时间接近于野外光谱采集时间(9月12—13日)。图2同时标注了Sentinel-2卫星第3和第4波段中心波长所处位置。

2.2 研究方法

1)光谱参数计算。根据光谱测量结果(图2)可知，受稻瘟病感染的水稻与正常水稻差距明显的波段为波长500、550、620、700、740 nm附近波段，其中，差距最明显是550 nm附近和700 nm附近两个波段，在这两个波段处，正常生长的水稻在550 nm附近有反射峰，在700 nm附近(红光附近)有吸收谷，而受灾水稻的这两个特征都不太明显，对应Sentinel-2的B3和B4，或者B5。由于Sentinel-2的B3绿光和B4红光波段的分辨率为10 m，B5分辨率为20 m，因此采用B3和B4这两个分辨率相同的波段，即绿光和红光两个波段进行稻瘟病光谱参数计算。

根据野外实测的光谱曲线特征，结合Sentinel-2数据的B3绿光波段和B4红光波段，一共计算了三个稻瘟病指数，分别是：绿光红光比值稻瘟病指数(ratio rice blast index，RRBI)、绿光红光归一化稻瘟病指数(normalized difference rice blast，NDRBI)、绿光红光差值标准化稻瘟病指数(normalized rice blast index，NRBI)。

绿光红光比值稻瘟病指数RRBI=B绿/B红，该值越大，说明该像元的水稻受感染程度越低，接近正常，反之则受感染程度越高。

绿光红光归一化稻瘟病指数NDRBI=(B绿-B红)/(B绿+B红)，该值越大，说明该像元的水稻越正常，反之受感染。

绿光红光差值标准化稻瘟病指数NRBI=(B绿-B红)/B绿，NRBI=接近1，说明受害程度低，接近0，说明受害程度高。

此外，根据图2的实测光谱曲线可知，受灾水稻与正常水稻在红光之后的近红外光波段也有明显的反射率差别，因此计算上述指数的同时，也计算了多个波段参与的植被生理参数，包括叶面积指数(LAI)、叶绿素a和b总含量(Cab)、光合有效辐射分量(FaPAR)、植被盖度分量(FCover)、和叶面水分含量(Cw)。这五个生理参数的输入波段包括B3、B4、B5、B6、B7、B8a、B11、B12[16]，其中，B11和B12的中心波长分别为1 610 um和2 190 um，在本次光谱仪的有效工作波长之外。这五个生理参数由Snap软件直接生成。

2)统计分析。对新建的三个指数(绿光红光比值稻瘟病指数RRBI、绿光红光归一化稻瘟病指数NDRBI、绿光红光差值比稻瘟病指数NBI)以及Snap软件生成的五个生理参数，将他们与损失率进行Pearson相关分析和逐步回归分析。

回归分析中将所有样点根据其经纬度在GIS 数据库中生成点文件(shapefile)，这样每个点要素对应一个唯一编号Feature ID(FID)。对FID用求余函数分两组，一组为除以5余0的点，约占所有点的1/5，将其作为验证，其余4/5为另外一组，参与回归建模。最终参与建模的样本点集为29个，用于验证的点个数为7个。

3 研究结果

3.1 光谱指数与损失率相关性

Pearson相关分析结果见表1。由表1可知，五个作物生理参数与三个新建稻瘟病指示指数都与产量损失呈显著的负相关，其中相关性最高的是光合有效辐射分量FaPAR。

表1 光谱参数及生理参数与水稻产量损失率之间的相关系数表

相关系数(绝对值)高低顺序为：FaPAR>Fcover>LAI>Cw>NRBI>NDRBI>RRBI。生理参数因为除了综合了上述实测光谱曲线显示的差别明显的B3、B4 两个之外，还利用了差异明显的近红外波段B5、B6、B7、B8a，以及光谱曲线没有体现的中波红外波段B11、B12，因此他们与产量损失率的相关性更高。五个生理参数中，除了叶绿素a和b总含量(Cab)、叶面水分含量(Cw)之外，其他三个生理参数与产量损失率的相关系数都超过0.71。相较之下，新建的三个稻瘟病指数与产量损失的相关性相差不多，都接近0.55，且皆为显著负相关。新建的三个稻瘟病指数中，与产量损失关系最高的为绿光红光差值标准化稻瘟病指数NRBI，相关系数为-0.559。

3.2 光谱指数与产量回归模型

进一步用逐步回归方法将新建的三个稻瘟病指数与产量损失率进行回归分析，得到回归系数为0.596的线性回归模型，自变量因子为NBI。模型系数概述如表2所示。

表2 稻瘟病指数与产量损失率的回归模型概述

用逐步回归进行新建的三个稻瘟病指数和五个作物生理参数共八个因子与产量损失率进行回归分析，得到回归系数为0.691的线性回归模型。逐步回归模型挑选了相关系数最高的因子，即光合有效辐射分量(FaPAR)。模型估计的各参数概述如表3所示。

表3 稻瘟病指数、作物生理参数与产量损失率的回归模型概述

从表3可知，两个因子即可以解释接近70%的产量损失率，估算的标准误在0.2左右。最后选定用表3中模型3的方程(式(1))。

YYieldloss=2.224-4.121XFaPAR+0.012XCab

(1)

式中：YYieldloss为水稻产量损失率；XFaPAR为光合有效辐射分量；XCab为叶绿素a和b的总含量。用剩余的五分之一样本进行验证，得到估算的损失率与实测损失率直接的拟合系数达0.801(图3)。

图3 回归模型估算损失率与实测损失率散点图

3.3 产量损失率分级图

采用式(1)进行整个研究区水稻地块的产量损失率估算和制图，并进行分级，得到结果如图4所示。在保险公司没有更好的选择时，该结果得到了保险公司的肯定，并用作理赔参考的直接依据。

图4 产量损失率分布图

4 结束语

2017年双河农场发生了稻瘟病，双河农场的生产队于9月2日向保险公司上报了灾情，作者所在研究室9月9日收到保险公司的邀请，并进行了应急研究。在接到邀请之后，我们首先收集了就近日期的卫星遥感影像(8月份有云的Sentinel-2卫星影像)，并采用常用的NDVI以及其他文章所述的一些指数试图进行稻瘟病识别，然而在没有受灾样点的情况下，未能识别出受灾区域。于是和保险公司商议，一同去现场收集样点，并带上地物光谱仪进行光谱采样。然后，分析实测光谱曲线中受灾水稻与未受灾水稻的差异，并找出特征波段，结合卫星遥感数据，进行相关参数构建，并对所建参数与样点损失率进行相关分析和回归分析，最后建立了基于卫星遥感数据的稻瘟病损失率估算模型，快速地完成整个区域的灾害定损。根据研究过程，可以得到以下启示。

1)实测光谱对于利用哪颗卫星、哪些波段、哪些光谱参数很有帮助。

2)利用绿光和红光所建立的绿光红光比值稻瘟病指数RRBI、绿光红光归一化稻瘟病指数NDRBI、绿光红光差值标准化稻瘟病指数NRBI，以及常用生理指数叶面积指数LAI、叶绿素a和b总含量Cab、光合有效辐射分量FaPAR、植被盖度分量FCover和叶面水分含量Cw都可以用于稻瘟病的表征和识别。

3)生理指数由于其反演过程包含了近红外波段等更多波段的信息，对稻瘟病造成的损失率的解释度更高。

4)结合实测光谱、地面损失率和卫星遥感数据可以在报案或者野外采样一周内完成大面积损失率的评估，较客观地辅助保险公司的查勘定损，该流程可以为农业保险快速理赔提供很大帮助。

然而该流程也存在一些不足和障碍。首先，是否具有较高分辨率的多光谱卫星数据是完成大面积灾害估算的前提条件。若缺乏与光谱采样相对应的最佳时期影像，大范围的估算就难以进行。其中，影像的获取时间又是筛选影像的关键因子；越接近灾害发展的最高点，对于灾害识别而言，则精度更高，反之精度将受到不同程度的影响。另外，稻瘟病发生的条件多是数日阴雨连绵，即使用农药防治也无济于事。这样的天气下，获取多光谱卫星数据是很困难的，利用无人机来补充数据或利用雷达来反演稻瘟病的可能性也是需要探讨的方向。其次，是否具有实地样本是灾害估算模型建模的重要条件。采样的内容通常包括不同受灾情况样点的地理位置、作物损失率、实测理论产量、光谱样本等。这几个内容中，受灾区域的地理位置、作物损失率或产量是必须的，而光谱样本的必要性则视情况而定。本研究中光谱样本对建模有非常重要的启示作用。但是对于保险业务而言，野外采样的工作做多少，由谁来做，并达到节约成本提高效率的功效，是一个需要长期实验和讨论的话题。

总之，从行业应用层面看，遥感技术可以辅助农业保险快速理赔，但其充分应用并形成标准规范还有待进一步实践与探索。对此本文作者也有三点建议：一是加大对遥感知识的宣传，可以向保险公司等行业主体传授遥感知识并告知遥感技术的优越性和局限性，切勿传递“遥感无所不能”的伪思想；二是梳理总结遥感技术应用的成本构成，为不同的应用要求设立不同的成本核算体系，为保险公司不同的应用需求提供客观、合理的成本核算；三是加大农业保险遥感研究的投入，通过不断试点打通遥感应用到保险实务的“最后一千米”。通过不断的行业应用，最终逐步完善应用流程和模式，形成行业标准规范。