李 兵，羅 濤，施佳子，樊 紅，姚佩雯

（1.中國(guó)工商銀行軟件開發(fā)中心，北京 100032；2.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079）

近年來，衛(wèi)星遙感技術(shù)特別是國(guó)產(chǎn)衛(wèi)星技術(shù)進(jìn)入井噴式快速發(fā)展階段，2022年，我國(guó)自主發(fā)射的在軌衛(wèi)星達(dá)到500 多顆。衛(wèi)星遙感、云計(jì)算、傳感網(wǎng)、人工智能、北斗導(dǎo)航、5G等先進(jìn)技術(shù)與農(nóng)業(yè)金融深度融合，可以低成本大規(guī)模全方位動(dòng)態(tài)獲取農(nóng)業(yè)信貸相關(guān)的農(nóng)情信息，包括利用遙感技術(shù)創(chuàng)新資產(chǎn)遠(yuǎn)程管理和信貸發(fā)放新模式，可有效擴(kuò)大貸款及抵押物范圍；通過種植作物與否及類別識(shí)別，提供資金去向和實(shí)際用途的實(shí)證，規(guī)避貸款挪用風(fēng)險(xiǎn)；運(yùn)用遙感影像宏觀、實(shí)時(shí)反映大范圍地面災(zāi)害情況，指導(dǎo)農(nóng)戶提高抗災(zāi)能力，保證貸款穩(wěn)健回收；進(jìn)行作物估產(chǎn)，篩選優(yōu)質(zhì)客戶，提升個(gè)性化和差異化精準(zhǔn)金融。通過衛(wèi)星遙感空間大數(shù)據(jù)的農(nóng)業(yè)金融深入應(yīng)用，為推動(dòng)農(nóng)業(yè)金融資源的優(yōu)化配置和可持續(xù)發(fā)展注入活力、增強(qiáng)動(dòng)力，促進(jìn)農(nóng)業(yè)現(xiàn)代化的整體提升。

1 關(guān)鍵技術(shù)發(fā)展動(dòng)態(tài)

1.1 提供數(shù)據(jù)基礎(chǔ)

自美國(guó)宇航局的地球觀測(cè)衛(wèi)星“土地衛(wèi)星一號(hào)”于1970年發(fā)射升空以來，衛(wèi)星遙感技術(shù)在農(nóng)業(yè)方面的應(yīng)用開始進(jìn)入實(shí)用研究階段[1]。在該領(lǐng)域的代表性研究有20 世紀(jì)70 年代美國(guó)開展的“大面積農(nóng)作物估產(chǎn)實(shí)驗(yàn)”計(jì)劃和20 世紀(jì)90 年代歐盟開展的遙感數(shù)據(jù)應(yīng)用于農(nóng)業(yè)統(tǒng)計(jì)的十年研究項(xiàng)目計(jì)劃。上世紀(jì)七十年代后半葉，美國(guó)利用衛(wèi)星的多重光譜掃描儀數(shù)據(jù)和區(qū)域氣象情報(bào)等估算了世界主要糧食作物的種植面積和一些地區(qū)的糧食產(chǎn)量。我國(guó)也于上世紀(jì)八九十年代起開始將農(nóng)作物遙感估產(chǎn)列為重要課題，并探索出一些有效的技術(shù)方法，包括結(jié)合光學(xué)影像統(tǒng)計(jì)分析、高光譜數(shù)據(jù)、農(nóng)學(xué)參數(shù)、作物生長(zhǎng)模型的作物估產(chǎn)方法等。經(jīng)過近40年的技術(shù)積累和試點(diǎn)示范研究，我國(guó)衛(wèi)星遙感的農(nóng)業(yè)應(yīng)用已經(jīng)擴(kuò)展到災(zāi)害、重點(diǎn)工程和種植結(jié)構(gòu)調(diào)整等領(lǐng)域。隨著我國(guó)逐步增多的氣象衛(wèi)星、資源衛(wèi)星和高分辨率衛(wèi)星等發(fā)射和應(yīng)用，遙感數(shù)據(jù)成本減低、可用性增強(qiáng)，衛(wèi)星遙感技術(shù)行業(yè)應(yīng)用包括農(nóng)業(yè)金融業(yè)的應(yīng)用迎來了快速發(fā)展和落地應(yīng)用的黃金時(shí)期。表1給出了農(nóng)業(yè)遙感常用的國(guó)內(nèi)外中高分辨率衛(wèi)星數(shù)據(jù)。

1.2 提供析手段

我國(guó)農(nóng)作物種類眾多，南方廣泛種植水稻、小麥和油菜等，北方則大量種植小麥、玉米和大豆等。眾多的國(guó)際國(guó)內(nèi)商業(yè)公司推出了自己的遙感應(yīng)用平臺(tái)，包括ENVI，Erdas，eCognition，PCI Geomatica 等。平臺(tái)提供了多種傳統(tǒng)地物分類方法，包括IsoData 聚類、最大似然法、最小距離法、馬氏距離法、光譜角方法、K-均值聚類法和面向?qū)ο蠓诸惙椒╗2]等。這些平臺(tái)工具和方法的使用需要較為訓(xùn)練有素的地物分類和解譯的專家或?qū)I(yè)人士參與，門檻較高。此外，由于需要大量的人機(jī)交互，生產(chǎn)效率較為低下，人工作業(yè)量巨大，無法滿足農(nóng)業(yè)和金融應(yīng)用面積大、高精度且高智能化等要求。

通過大樣本數(shù)據(jù)的建立，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等人工智能遙感影像地（作）物自動(dòng)分類、解譯和識(shí)別的技術(shù)可在大幅降低人工交互和干預(yù)的基礎(chǔ)上，獲得90%以上的分類精度。表2 給出了農(nóng)業(yè)金融相關(guān)地（作）物分類和識(shí)別常用的人工智能算法和神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

表2 地（作）物分類人工智能算法

1.3 多源時(shí)空大數(shù)據(jù)分析技術(shù)為農(nóng)業(yè)金融提供數(shù)據(jù)挖掘利用的手段

隨著農(nóng)業(yè)金融及信息化建設(shè)的不斷深入，各業(yè)務(wù)系統(tǒng)數(shù)據(jù)量也在高速集聚和擴(kuò)展。在農(nóng)業(yè)金融業(yè)務(wù)中不斷積累的大數(shù)據(jù)，并不是一種無用數(shù)據(jù)，它同樣蘊(yùn)含著價(jià)值，只不過是低價(jià)值密度數(shù)據(jù)。同時(shí)，國(guó)產(chǎn)衛(wèi)星為農(nóng)業(yè)金融的決策支持帶來了另一個(gè)重要的數(shù)據(jù)來源。例如，國(guó)產(chǎn)衛(wèi)星遙感數(shù)據(jù)可以提供涵蓋氣溫、降水、土壤、蒸發(fā)、氣溶膠和地物光譜等多樣性海量地球觀測(cè)大數(shù)據(jù)。多源遙感時(shí)空大數(shù)據(jù)的出現(xiàn)，推動(dòng)了GIS空間分析、數(shù)理統(tǒng)計(jì)和人工智能的交叉融合應(yīng)用。

2 關(guān)鍵技術(shù)實(shí)驗(yàn)和成果

為了實(shí)現(xiàn)衛(wèi)星遙感大數(shù)據(jù)賦能金融服務(wù)鄉(xiāng)村振興戰(zhàn)略目標(biāo)，中國(guó)工商銀行軟件開發(fā)中心與武漢大學(xué)聯(lián)合開展關(guān)鍵技術(shù)攻關(guān)。圖1 給出了聯(lián)合項(xiàng)目的整體技術(shù)路線。參見圖1，研究遵循數(shù)據(jù)和技術(shù)并重、試點(diǎn)與推廣結(jié)合的原則，分層次、分步驟開展。首先，聚焦衛(wèi)星影像數(shù)據(jù)、氣象數(shù)據(jù)、地面調(diào)查數(shù)據(jù)和社交媒體數(shù)據(jù)的匯聚；在完成數(shù)據(jù)清洗和匯聚基礎(chǔ)上開展作物智能識(shí)別、長(zhǎng)勢(shì)監(jiān)測(cè)、作物估產(chǎn)、災(zāi)害預(yù)測(cè)預(yù)警等關(guān)鍵技術(shù)攻關(guān)；基于攻關(guān)成果構(gòu)建了衛(wèi)星遙感影像智能監(jiān)測(cè)和分析系統(tǒng)；依托該平臺(tái)未來可進(jìn)一步研發(fā)信貸營(yíng)銷、風(fēng)險(xiǎn)控制、穩(wěn)健回收等多維度精準(zhǔn)金融信貸創(chuàng)新業(yè)務(wù)模型。下面簡(jiǎn)要介紹研究的主要實(shí)驗(yàn)和成果。

圖1 整體技術(shù)路線

2.1 基于衛(wèi)星遙感數(shù)據(jù)的作物長(zhǎng)勢(shì)監(jiān)測(cè)

基于衛(wèi)星遙感大數(shù)據(jù)可以快速精準(zhǔn)獲取大面積農(nóng)業(yè)作物長(zhǎng)勢(shì)。項(xiàng)目組利用多源遙感大數(shù)據(jù)，選擇衛(wèi)星數(shù)據(jù)Landsat 8、Sentinel-2 等開展相關(guān)研究，利用植被指數(shù)進(jìn)行長(zhǎng)勢(shì)監(jiān)測(cè)。基于遙感影像計(jì)算NDVI，并結(jié)合實(shí)測(cè)數(shù)據(jù)進(jìn)行精度驗(yàn)證和模型迭代優(yōu)化，完成長(zhǎng)勢(shì)分析和歷史同期對(duì)比分析。圖2 顯示了各地區(qū)作物各生長(zhǎng)期長(zhǎng)勢(shì)好于去年、與去年持平、不及去年的情況。其中，藍(lán)色地區(qū)的小麥長(zhǎng)勢(shì)好于去年，紅色地區(qū)的小麥長(zhǎng)勢(shì)不如去年。

圖2 彭墩村小麥返青期長(zhǎng)勢(shì)分級(jí)及同期對(duì)比圖

不同氣象條件和不同的地理環(huán)境可以對(duì)作物的生長(zhǎng)帶來不同的影響，通過進(jìn)一步收集氣象觀測(cè)數(shù)據(jù)和地理環(huán)境數(shù)據(jù)，研究物候規(guī)律，可以進(jìn)一步提高長(zhǎng)勢(shì)分析和監(jiān)測(cè)的有效性和精度，為精準(zhǔn)信貸提供科學(xué)客觀的長(zhǎng)勢(shì)農(nóng)情數(shù)據(jù)。

2.2 遙感數(shù)據(jù)及其時(shí)空挖掘?qū)崿F(xiàn)農(nóng)業(yè)作物估產(chǎn)

精準(zhǔn)金融信貸需要預(yù)估多種標(biāo)準(zhǔn)作物的產(chǎn)量等重要農(nóng)情數(shù)據(jù)。常規(guī)的單產(chǎn)預(yù)報(bào)模式有統(tǒng)計(jì)估產(chǎn)、氣象估產(chǎn)和農(nóng)學(xué)估產(chǎn)等方法，但各有其局限性。研究表明，植物的葉面積系數(shù)、生物量、干物重與光譜植被指數(shù)間存在著較好的相關(guān)關(guān)系。而衛(wèi)星遙感數(shù)據(jù)具有更高度的概括性，衛(wèi)星獲取的光譜植被指數(shù)反映了作物體葉綠素和形體的變化，因此，應(yīng)用從衛(wèi)星獲取的植被光譜信息估測(cè)農(nóng)作物產(chǎn)量成為了一種最具潛能的估產(chǎn)高新技術(shù)。

項(xiàng)目組開展了基于長(zhǎng)勢(shì)分析結(jié)合歷年作物產(chǎn)量與氣象數(shù)據(jù)的估產(chǎn)研究，構(gòu)建了歷史作物產(chǎn)量與氣溫、降水、NDVI或EVI的最大值或平均值的關(guān)系模型，通過估產(chǎn)平均準(zhǔn)確率與擬合優(yōu)度對(duì)模型進(jìn)行精度驗(yàn)證，選擇最優(yōu)模型進(jìn)行估產(chǎn)。

影響作物產(chǎn)量的因素很多，包括氣象條件、地理?xiàng)l件、土壤條件、災(zāi)害情況和肥料的使用等。項(xiàng)目組收集了相關(guān)數(shù)據(jù)，綜合上述相關(guān)因素，建立了精細(xì)的長(zhǎng)勢(shì)分析及估產(chǎn)模型，取得了較優(yōu)的估產(chǎn)結(jié)果。

2.3 基于遙感和GIS的變化檢測(cè)、災(zāi)害監(jiān)測(cè)及損失分析

金融風(fēng)險(xiǎn)關(guān)注影響農(nóng)業(yè)作物收成和產(chǎn)量的各種自然災(zāi)害，包括干旱、洪澇、雪災(zāi)、蟲災(zāi)和冰雹災(zāi)害等。下面選取南方典型的干旱和洪澇災(zāi)害進(jìn)行介紹。

傳統(tǒng)的干旱監(jiān)測(cè)方法多基于地面臺(tái)站觀測(cè)或?qū)嶒?yàn)觀測(cè)，同時(shí)利用氣象和水文觀測(cè)站獲得的降水、氣溫、蒸發(fā)、徑流等氣象和水文數(shù)據(jù)，以及農(nóng)業(yè)氣象觀測(cè)的墑情等數(shù)據(jù)，依據(jù)各種干旱指標(biāo)對(duì)觀測(cè)數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析，并對(duì)干旱情況進(jìn)行量化分析。由于觀測(cè)站點(diǎn)空間密度有限，僅靠地面觀測(cè)點(diǎn)的資料很難對(duì)干旱進(jìn)行大范圍、快速、連續(xù)的監(jiān)測(cè)[3]。

遙感干旱監(jiān)測(cè)已經(jīng)成為全球抗旱減災(zāi)中不可或缺的手段，它與傳統(tǒng)學(xué)科相結(jié)合，優(yōu)勢(shì)互補(bǔ)，可以提供區(qū)域、大陸乃至全球的旱情信息。是一種宏觀、快速、客觀、經(jīng)濟(jì)的有效手段。在遙感干旱監(jiān)測(cè)中，將植被指數(shù)和地表溫度相結(jié)合進(jìn)行干旱監(jiān)測(cè)的方法使用廣泛。其中，溫度植被干旱指數(shù)方法應(yīng)用最為廣泛。該方法基于MODIS 植被指數(shù)和地表溫度產(chǎn)品，結(jié)合SRTM DEM 數(shù)據(jù)，利用NDVI-LST 特征空間特性，提取特征空間干濕邊，建立旱情遙感指數(shù)，結(jié)合地面調(diào)查數(shù)據(jù)的標(biāo)定及驗(yàn)證，構(gòu)建旱情遙感監(jiān)測(cè)模型，實(shí)現(xiàn)區(qū)域內(nèi)主要作物旱情發(fā)生的范圍、程度和歷時(shí)的監(jiān)測(cè)，對(duì)旱災(zāi)預(yù)警預(yù)防、受災(zāi)范圍及程度監(jiān)控、災(zāi)后損失評(píng)估等提供有效快速的信息支持[4]。

對(duì)荊門2019年下半年旱情況進(jìn)行監(jiān)測(cè)，結(jié)果如圖3 所示。TVDI 閾值為[0，1]，數(shù)值越大代表越干旱，一般將干旱等級(jí)劃分為5 級(jí)：濕潤(rùn)（0≤TVDI≤0.2）、正常（0.2＜TVDI≤0.4）、輕旱（0.4＜TVDI≤0.6）、中旱（0.6＜TVDI≤0.8）和重旱（0.8＜TVDI≤1)[5]。

圖3 荊門2019年下半年干旱等級(jí)圖

遙感影像的變化檢測(cè)是指對(duì)某個(gè)時(shí)間范圍內(nèi)生成的多幅影像數(shù)據(jù)定量化地分析變化區(qū)域內(nèi)地物轉(zhuǎn)化信息的過程，內(nèi)容涉及研究地物變化的類型和變化空間分布情況，并可以延伸對(duì)變化信息的性質(zhì)和時(shí)間空間模式的研究。多時(shí)相動(dòng)態(tài)變化監(jiān)測(cè)在變化檢測(cè)算法的基礎(chǔ)上，融合時(shí)間和空間尺度，對(duì)地物對(duì)象進(jìn)行多平臺(tái)多時(shí)相、多維多元探測(cè)。其中，分類后比較法是一種目標(biāo)級(jí)變化區(qū)域檢測(cè)算法，逐像元比較構(gòu)建變化矩陣，結(jié)果不受大氣條件、傳感器等映射到圖像造成的影響，具有廣闊前景。

遙感技術(shù)對(duì)洪澇災(zāi)害的監(jiān)測(cè)選取多期高分辨率衛(wèi)星影像，從洪澇災(zāi)害的成災(zāi)機(jī)理、自然屬性與社會(huì)屬性角度入手，結(jié)合水動(dòng)力學(xué)模型分析洪水信息空間分布，構(gòu)建GIS 洪澇災(zāi)害評(píng)估模型，內(nèi)容包括分析洪災(zāi)程度、提取受災(zāi)面積，得出洪水淹沒耕地面積和洪水淹沒深度等信息，發(fā)揮3S集成優(yōu)勢(shì)，制作洪水強(qiáng)度空間展布圖，為人們了解災(zāi)情、制定救災(zāi)方案和災(zāi)后規(guī)劃提供重要的決策依據(jù)[6]?；诿嫦?qū)ο蟮墓庾V指數(shù)分類和U-Net語義分割深度學(xué)習(xí)地物分類方法在處理洪澇災(zāi)害前后的作物損失方面有顯著成效，融合多源高分辨率遙感影像進(jìn)行變化檢測(cè)對(duì)比研究，識(shí)別各類農(nóng)作物受災(zāi)狀態(tài)及類型變化情況，快速批量評(píng)估作物損失。

2.4 基于較高分辨率遙感數(shù)據(jù)的作物智能識(shí)別

作物智能識(shí)別是基本農(nóng)情獲取中最重要的任務(wù)，同時(shí)是難以精準(zhǔn)獲取的信息。隨機(jī)森林分類是一種流行的集成學(xué)習(xí)分類樹算法，過去幾年中在遙感分類中變得非常普遍。

項(xiàng)目組將Sentinel-2 的可見光、近紅外、紅邊、短波紅外波段結(jié)合NDVI、EVI、NDWI、BSI等遙感光譜指數(shù)和DEM地形信息作為分類特征輸入隨機(jī)森林分類模型，在東北三江平原的作物分類模型精度達(dá)到了90%以上。結(jié)果表明，隨機(jī)森林等智能算法的應(yīng)用能夠大大提高農(nóng)業(yè)遙感監(jiān)測(cè)的效率，使得大面積、高精度、及時(shí)、快速、有效的作物遙感監(jiān)測(cè)成為可能。在作物分類中，B5 波段對(duì)分類的貢獻(xiàn)最高，DEM 對(duì)于分類具有第二高的重要性，其次是短波紅外波段。Sentinel-2 MSI的WVP、SCL、AOT波段對(duì)分類的影響相對(duì)較小?？傮w來說，水稻的分類精度最高，其次是大豆、玉米，玉米的分類精度還有待提高。不同地理環(huán)境作物的生長(zhǎng)規(guī)律和物候不同，目前正在進(jìn)一步結(jié)合不同地域農(nóng)作物物候規(guī)律等時(shí)序特點(diǎn)，構(gòu)建更好的作物分類和識(shí)別模型。

3 結(jié)語

隨著衛(wèi)星遙感技術(shù)不斷取得重大突破并走向商業(yè)化，遙感大數(shù)據(jù)的聚集和深度學(xué)習(xí)等人工智能高新技術(shù)的結(jié)合給農(nóng)業(yè)金融信貸業(yè)建立綜觀全局、透徹感知、農(nóng)情監(jiān)測(cè)、災(zāi)害預(yù)測(cè)、精準(zhǔn)營(yíng)銷和穩(wěn)健信貸的創(chuàng)新理念和模式提供了數(shù)據(jù)和技術(shù)支持和保障，這既是挑戰(zhàn)，也是契機(jī)。本文將衛(wèi)星遙感大數(shù)據(jù)服務(wù)功能與人工智能時(shí)空分析和挖掘技術(shù)相結(jié)合運(yùn)用到金融場(chǎng)景中，開展了一系列實(shí)用化關(guān)鍵技術(shù)攻關(guān)實(shí)驗(yàn)，取得了若干具有創(chuàng)新性的實(shí)用化的成果，未來將進(jìn)一步融合物聯(lián)網(wǎng)技術(shù)[7]、夜光遙感技術(shù)[8]、和人機(jī)低空遙感技術(shù)[9]和農(nóng)業(yè)知識(shí)圖譜[10]等開展深度研究，推動(dòng)遙感大數(shù)據(jù)助力金融科技賦能和金融風(fēng)險(xiǎn)管控優(yōu)化，提升金融服務(wù)質(zhì)量與效率。