謝優(yōu)平，屈偉軍

摘 要 作物長勢信息反映作物生長的狀況和趨勢，是農(nóng)情信息的重要組成部分。本文面向農(nóng)業(yè)保險的工作需求，采用面向?qū)ο蠛蜕疃葘W習的方法，將國產(chǎn)高分衛(wèi)星數(shù)據(jù)應(yīng)用于油菜長勢遙感監(jiān)測，建立“衛(wèi)星遙感+農(nóng)業(yè)保險”的技術(shù)創(chuàng)新應(yīng)用。同時，結(jié)合地理國情監(jiān)測、農(nóng)村土地承包經(jīng)營權(quán)等地理空間數(shù)據(jù)成果，構(gòu)建“按地塊、按戶”的精準監(jiān)測模式，實現(xiàn)了農(nóng)作物長勢遙感監(jiān)測從宏觀尺度向微觀尺度轉(zhuǎn)變，為保險機構(gòu)的農(nóng)作物承保面積核算和科學理賠提供了有效數(shù)據(jù)支撐。

關(guān)鍵詞 遙感監(jiān)測;農(nóng)業(yè)保險;深度學習;高分衛(wèi)星

中圖分類號： P237 文獻標識碼：A

Research on Remote Sensing Monitoring Method of Rape Growth Condition for Agricultural Insurance

Xie Youping ， Qu Weijun

（The Second Surveying and Mapping Institute of Hunan Province， Changsha Hunan 410114）

Abstract： Crop growth information reflects the status and trends of crop growth and it is an important part of agricultural information. Aiming at the work needs of agricultural insurance， object-oriented and deep learning methods， was employed domestic high-resolution satellite data to remote sensing monitoring of rape growth was applied to establish a technological innovation application of “satellite remote sensing + agricultural insurance”. At the same time， combining the results of geospatial data such as the monitoring of geographical conditions and the right to contract management of rural land， a precise monitoring model of "by plot and by household" was established the transformation of remote sensing monitoring of crop growth from a macro-scale to a micro-scale was realied. It provides effective data support for the crops of insurance institutions area accounting and scientific claims .

Keywords： remote sensing monitoring; agricultural insurance; deep learning; high-resolution satellite

中國是一個農(nóng)業(yè)大國，也是自然災(zāi)害尤其是農(nóng)業(yè)災(zāi)害頻發(fā)且災(zāi)情嚴重的國家之一，農(nóng)業(yè)保險補償已成為農(nóng)民災(zāi)后恢復(fù)生產(chǎn)和災(zāi)區(qū)重建的重要資金來源[1]。隨著農(nóng)業(yè)保險規(guī)模擴大，農(nóng)業(yè)保險經(jīng)營面臨著信息不對稱、道德風險和理賠效率等問題，嚴重制約了農(nóng)業(yè)保險經(jīng)濟補償、資金融通和社會管理職能的發(fā)揮[2]。而衛(wèi)星遙感技術(shù)可將保險標的空間化，為承保和理賠工作提供空間數(shù)據(jù)和分析管理支持。以遙感技術(shù)支持下的農(nóng)業(yè)保險模式創(chuàng)新應(yīng)用能夠有效促進農(nóng)業(yè)保險模式的轉(zhuǎn)變，提升農(nóng)業(yè)保險的風險管理水平，切實推進農(nóng)險服務(wù)轉(zhuǎn)型。

目前，國內(nèi)外學者對農(nóng)作物長勢遙感監(jiān)測主要集中在種植面積提取方面，應(yīng)用國產(chǎn)高分系列衛(wèi)星遙感數(shù)據(jù)進行農(nóng)作物長勢監(jiān)測方面的研究較少，采用的數(shù)據(jù)源為空間分辨率較低的多光譜和高光譜數(shù)據(jù)，且主要以宏觀監(jiān)測尺度為主[3-5]。隨著我國高分系列衛(wèi)星的相繼發(fā)射以及深度學習方法在遙感信息智能提取方面的快速發(fā)展，國產(chǎn)高分遙感數(shù)據(jù)的應(yīng)用迎來了新的機遇。本文主要探索利用國產(chǎn)高分遙感數(shù)據(jù)，采用面向?qū)ο笮畔⑻崛『蜕疃葘W習的方法，開展監(jiān)測區(qū)域內(nèi)油菜種植信息提取、油菜長勢監(jiān)測等工作。同時，結(jié)合地理國情監(jiān)測[6]、農(nóng)村土地承包經(jīng)營權(quán)數(shù)據(jù)，實現(xiàn)油菜生長狀況“按戶、按地塊”精準監(jiān)測，為農(nóng)險承保、查勘和定損提供決策支持。

1 監(jiān)測區(qū)域與數(shù)據(jù)源

1.1 區(qū)域概況

本文以湖南省長沙縣為監(jiān)測區(qū)域。長沙縣位于長沙市中部，湖南省東部，地處東經(jīng)112°56'15"～113°36'00"，處于長株潭“兩型社會”綜合配套改革試驗區(qū)核心地帶，是全國18個改革開放典型地區(qū)之一，也是國家現(xiàn)代農(nóng)業(yè)示范區(qū)，是湖南省油菜種植大縣之一。

1.2 遙感數(shù)據(jù)源

遙感數(shù)據(jù)源采用高分二號衛(wèi)星影像。高分二號衛(wèi)星搭載有2臺高分辨率1 m全色、4 m多光譜相機，具有全色（0.45～0.90 μm）、藍（0.45～0.52 μm）、綠（0.52～0.59 μm）、紅（0.63～0.69 μm）、近紅外（0.77～0.89 μm）4個波段數(shù)據(jù)。根據(jù)監(jiān)測區(qū)域農(nóng)作物種植特征，影像獲取時間為2021年2月，此時主要以油菜種植為主，且處于花期，監(jiān)測區(qū)域內(nèi)的主要地類包括建（構(gòu)）筑物、水域、林草地、裸地、油菜等。

2 監(jiān)測技術(shù)方法

首先采集監(jiān)測區(qū)域內(nèi)的高分二號衛(wèi)星遙感影像，對覆蓋區(qū)域內(nèi)的每景影像進行正射校正、Flaash大氣校正、影像鑲嵌裁切等預(yù)處理，形成監(jiān)測區(qū)域正射影像成果，然后采用遷移學習機制，利用ImageNet訓練的Inception V3模型[7-8]，實現(xiàn)基于“面向?qū)ο?深度學習”的油菜種植區(qū)域自動提取[9-10]。同時，計算油菜種植區(qū)域的RVI、NDVI等綜合植被指數(shù)，建立油菜長勢分級體系，并采用實地采樣調(diào)查的方法，測算不同長勢級別油菜產(chǎn)量情況，對長沙縣全域油菜產(chǎn)量情況進行估算。結(jié)合基礎(chǔ)性地理國情監(jiān)測、農(nóng)村土地承包經(jīng)營權(quán)等數(shù)據(jù)，實現(xiàn)油菜長勢“按戶、按地塊”精準監(jiān)測服務(wù)模式，為農(nóng)作物長勢監(jiān)測及受災(zāi)后的精準定損理賠等提供決策支撐。項目總體技術(shù)流程如圖1所示：

3 監(jiān)測結(jié)果與分析

3.1 油菜種植區(qū)域提取

油菜種植區(qū)域提取主要采用“面向?qū)ο?深度學習”的方法，通過對監(jiān)測區(qū)域的高分遙感影像數(shù)據(jù)進行多尺度分割（設(shè)置分割尺度50、顏色因子0.7、平滑度因子0.5），在影像全局范圍內(nèi)選取典型樣本區(qū)域，人工選取樣本區(qū)域內(nèi)的油菜種植區(qū)和非油菜種植區(qū)，構(gòu)建深度學習樣本數(shù)據(jù)集。采用遷移學習機制，使用Inception-V3模型進行特征提取，并用構(gòu)建的深度學習樣本數(shù)據(jù)集對Inception-V3模型的末端層進行訓練，利用訓練形成的模型對長沙縣全域的油菜種植區(qū)域進行提取，如圖2所示：

根據(jù)以上方法提取的油菜種植區(qū)域盡管具有較高準確度，但仍然存在一些圖斑碎片和漏洞（如圖3所示），這些情況需要結(jié)合地理國情監(jiān)測的地表覆蓋圖斑進行人工刪除與合并，最終形成比較規(guī)則的油菜種植區(qū)域矢量圖斑。

3.2 油菜長勢監(jiān)測

油菜長勢監(jiān)測主要通過計算油菜種植區(qū)域內(nèi)的RVI指數(shù)來建立分級標準，本項目建立的油菜長勢分級標準如表1所示：

根據(jù)建立的油菜長勢分級標準，對長沙縣全域油菜長勢情況進行分析。監(jiān)測結(jié)果顯示，長沙縣全域油菜長勢良好、長勢一般、長勢較差的面積占比分別為15.62%，34.11%和50.27%。長勢較差的油菜種植面積占一半。從長沙縣整體情況來看，油菜生長狀況不太理想，這和今年降雨等氣候條件有密切關(guān)系。

結(jié)合農(nóng)村土地承包經(jīng)營權(quán)數(shù)據(jù)，以照田塊為單位對提取的油菜種植圖斑進行分割，將土地承包信息疊加到油菜長勢數(shù)據(jù)中，建立“按戶、按地塊”的油菜長勢分級（如圖4）。

3.3 油菜產(chǎn)量估算

油菜產(chǎn)量估算主要通過實際產(chǎn)量抽樣的方法，通過對不同長勢級別的油菜產(chǎn)量進行實地抽樣調(diào)查，統(tǒng)計計算出各長勢級別的油菜產(chǎn)量空間分布情況，并與油菜長勢監(jiān)測結(jié)果進行對比驗證。本項目采用正方形抽樣的方法，即選擇一塊1 m2的區(qū)域作為抽樣單元，將區(qū)域內(nèi)所有油菜產(chǎn)量作為一個樣本。

在油菜成熟后對三類不同長勢級別的油菜分別進行產(chǎn)量抽樣調(diào)查，每類抽樣5個樣方，樣本統(tǒng)計結(jié)果如表2所示。

從抽樣調(diào)查表可以看出，油菜產(chǎn)量與油菜長勢監(jiān)測結(jié)果基本一致。根據(jù)油菜產(chǎn)量抽樣調(diào)查結(jié)果，對長沙縣全域油菜產(chǎn)量情況進行估算，并以行政村為單元進行統(tǒng)計，其空間分布情況如圖5所示。

將長沙縣農(nóng)村土地承包經(jīng)營權(quán)數(shù)據(jù)、基礎(chǔ)性地理國情監(jiān)測數(shù)據(jù)與長沙縣油菜種植面積、油菜長勢、油菜產(chǎn)量監(jiān)測結(jié)果進行空間疊加，可以實現(xiàn)對地塊、承包方的油菜種植情況精準監(jiān)測，為農(nóng)險承保提供服務(wù)支撐，監(jiān)測結(jié)果如表3所示。

4 結(jié)語

（1）采用面向?qū)ο蠛蜕疃葘W習方法，能夠?qū)a(chǎn)高分遙感數(shù)據(jù)應(yīng)用于農(nóng)作物遙感監(jiān)測工作中，為農(nóng)業(yè)保險災(zāi)前核保、災(zāi)后定損理賠提供客觀依據(jù)。

（2）充分利用地理國情監(jiān)測和農(nóng)村土地承包經(jīng)營權(quán)等現(xiàn)有數(shù)據(jù)成果，能夠?qū)⑥r(nóng)作物遙感監(jiān)測從宏觀尺度向微觀尺度轉(zhuǎn)變，促進衛(wèi)星遙感技術(shù)服務(wù)農(nóng)業(yè)產(chǎn)業(yè)與業(yè)務(wù)，引領(lǐng)現(xiàn)代農(nóng)業(yè)發(fā)展。

（3）在后期研究中，還可以結(jié)合互聯(lián)網(wǎng)+、無人機、高精度位置服務(wù)等新型測繪技術(shù)手段，構(gòu)建農(nóng)作物實時遙感監(jiān)測平臺，及時發(fā)布農(nóng)作物生長狀況、病蟲害動態(tài)監(jiān)測報告，讓承保方和受災(zāi)農(nóng)戶更直觀地了解承保區(qū)域的受災(zāi)情況，有效提升農(nóng)戶滿意度，切實推進農(nóng)業(yè)保險服務(wù)轉(zhuǎn)型。

參考文獻/References

[1] 尹成杰. 關(guān)于推進農(nóng)業(yè)保險創(chuàng)新發(fā)展的理性思考[J]. 農(nóng)業(yè)經(jīng)濟問題， 2015， 36（6）： 4-8.

[2] 庹國柱， 朱俊生. 完善我國農(nóng)業(yè)保險制度需要解決的幾個重要問題[J]. 保險研究， 2014（2）： 44-53.

[3] 吳炳方， 張峰， 劉成林， 等. 農(nóng)作物長勢綜合遙感監(jiān)測方法[J]. 遙感學報， 2004， 8（6）： 498-514.

[4] 黃青， 唐華俊， 周清波， 等. 東北地區(qū)主要作物種植結(jié)構(gòu)遙感提取及長勢監(jiān)測[J]. 農(nóng)業(yè)工程學報， 2010， 26（9）： 218-223， 386.

[5] 唐文瀾， 王曉燕， 汪權(quán)方， 等. 湖北省油菜種植面積的遙感監(jiān)測方法探討[J]. 安徽農(nóng)業(yè)科學， 2019， 47（7）： 238-241， 245.

[6] 陽俊， 初啟鳳， 羅建松， 等. 基于地理國情普查成果的農(nóng)作物種植結(jié)構(gòu)提取方法研究[J]. 測繪與空間地理信息， 2020， 43（S01）：29-34.

[7] 焦計晗， 張帆， 張良. 基于改進AlexNet模型的油菜種植面積遙感估測[J]. 計算機測量與控制， 2018， 26（2）： 186-189.

[8] 張日升， 張燕琴. 基于深度學習的高分辨率遙感圖像識別與分類研究[J]. 信息通信， 2017， 30（1）： 110-111.

[9] 權(quán)文婷， 王釗. 冬小麥種植面積遙感提取方法研究[J]. 國土資源遙感， 2013， 25（4）： 8-15.

[10] 李衛(wèi)國， 蔣楠. 基于面向?qū)ο蠓诸惖亩←湻N植面積提取[J]. 麥類作物學報， 2012， 32（4）： 701-705.