面向农业保险的油菜长势遥感监测方法研究

来源：核心期刊咨询网时间：2022-01-18 14:2212

摘要：摘 要 作物长势信息反映作物生长的状况和趋势，是农情信息的重要组成部分。本文面向农业保险的工作需求，采用面向对象和深度学习的方法，将国产高分卫星数据应用于油菜长势遥感监测，建立卫星遥感+农业保险的技术创新应用。同时，结合地理国情监测、农村土地承包经营权

　　摘 要 作物长势信息反映作物生长的状况和趋势，是农情信息的重要组成部分。本文面向农业保险的工作需求，采用面向对象和深度学习的方法，将国产高分卫星数据应用于油菜长势遥感监测，建立“卫星遥感+农业保险”的技术创新应用。同时，结合地理国情监测、农村土地承包经营权等地理空间数据成果，构建“按地块、按户”的精准监测模式，实现了农作物长势遥感监测从宏观尺度向微观尺度转变，为保险机构的农作物承保面积核算和科学理赔提供了有效数据支撑。

　　关键词 遥感监测;农业保险;深度学习;高分卫星中国是一个农业大国，也是自然灾害尤其是农业灾害频发且灾情严重的国家之一，农业保险补偿已成为农民灾后恢复生产和灾区重建的重要资金来源[1]。随着农业保险规模扩大，农业保险经营面临着信息不对称、道德风险和理赔效率等问题，严重制约了农业保险经济补偿、资金融通和社会管理职能的发挥[2]。而卫星遥感技术可将保险标的空间化，为承保和理赔工作提供空间数据和分析管理支持。以遥感技术支持下的农业保险模式创新应用能够有效促进农业保险模式的转变，提升农业保险的风险管理水平，切实推进农险服务转型。

　　目前，国内外学者对农作物长势遥感监测主要集中在种植面积提取方面，应用国产高分系列卫星遥感数据进行农作物长势监测方面的研究较少，采用的数据源为空间分辨率较低的多光谱和高光谱数据，且主要以宏观监测尺度为主[3-5]。随着我国高分系列卫星的相继发射以及深度学习方法在遥感信息智能提取方面的快速发展，国产高分遥感数据的应用迎来了新的机遇。本文主要探索利用国产高分遥感数据，采用面向对象信息提取和深度学习的方法，开展监测区域内油菜种植信息提取、油菜长势监测等工作。同时，结合地理国情监测[6]、农村土地承包经营权数据，实现油菜生长状况“按户、按地块”精准监测，为农险承保、查勘和定损提供决策支持。

　　1 监测区域与数据源

　　1.1 区域概况

　　本文以湖南省长沙县为监测区域。长沙县位于长沙市中部，湖南省东部，地处东经112°56'15"～113°36'00"，处于长株潭“两型社会”综合配套改革试验区核心地带，是全国18个改革开放典型地区之一，也是国家现代农业示范区，是湖南省油菜种植大县之一。

　　1.2 遥感数据源

　　遥感数据源采用高分二号卫星影像。高分二号卫星搭载有2台高分辨率1 m全色、4 m多光谱相機，具有全色(0.45～0.90 μm)、蓝(0.45～0.52 μm)、绿(0.52～0.59 μm)、红(0.63～0.69 μm)、近红外(0.77～0.89 μm)4个波段数据。根据监测区域农作物种植特征，影像获取时间为2021年2月，此时主要以油菜种植为主，且处于花期，监测区域内的主要地类包括建(构)筑物、水域、林草地、裸地、油菜等。

　　2 监测技术方法

　　首先采集监测区域内的高分二号卫星遥感影像，对覆盖区域内的每景影像进行正射校正、Flaash大气校正、影像镶嵌裁切等预处理，形成监测区域正射影像成果，然后采用迁移学习机制，利用ImageNet训练的Inception V3模型[7-8]，实现基于“面向对象+深度学习”的油菜种植区域自动提取[9-10]。同时，计算油菜种植区域的RVI、NDVI等综合植被指数，建立油菜长势分级体系，并采用实地采样调查的方法，测算不同长势级别油菜产量情况，对长沙县全域油菜产量情况进行估算。结合基础性地理国情监测、农村土地承包经营权等数据，实现油菜长势“按户、按地块”精准监测服务模式，为农作物长势监测及受灾后的精准定损理赔等提供决策支撑。项目总体技术流程如图1所示：

　　3 监测结果与分析

　　3.1 油菜种植区域提取

　　油菜种植区域提取主要采用“面向对象+深度学习”的方法，通过对监测区域的高分遥感影像数据进行多尺度分割(设置分割尺度50、颜色因子0.7、平滑度因子0.5)，在影像全局范围内选取典型样本区域，人工选取样本区域内的油菜种植区和非油菜种植区，构建深度学习样本数据集。采用迁移学习机制，使用Inception-V3模型进行特征提取，并用构建的深度学习样本数据集对Inception-V3模型的末端层进行训练，利用训练形成的模型对长沙县全域的油菜种植区域进行提取，如图2所示：

　　根据以上方法提取的油菜种植区域尽管具有较高准确度，但仍然存在一些图斑碎片和漏洞(如图3所示)，这些情况需要结合地理国情监测的地表覆盖图斑进行人工删除与合并，最终形成比较规则的油菜种植区域矢量图斑。

　　3.2 油菜长势监测

　　油菜长势监测主要通过计算油菜种植区域内的RVI指数来建立分级标准，本项目建立的油菜长势分级标准如表1所示：

　　根据建立的油菜长势分级标准，对长沙县全域油菜长势情况进行分析。监测结果显示，长沙县全域油菜长势良好、长势一般、长势较差的面积占比分别为15.62%，34.11%和50.27%。长势较差的油菜种植面积占一半。从长沙县整体情况来看，油菜生长状况不太理想，这和今年降雨等气候条件有密切关系。

　　结合农村土地承包经营权数据，以照田块为单位对提取的油菜种植图斑进行分割，将土地承包信息叠加到油菜长势数据中，建立“按户、按地块”的油菜长势分级(如图4)。

　　3.3 油菜产量估算

　　油菜产量估算主要通过实际产量抽样的方法，通过对不同长势级别的油菜产量进行实地抽样调查，统计计算出各长势级别的油菜产量空间分布情况，并与油菜长势监测结果进行对比验证。本项目采用正方形抽样的方法，即选择一块1 m2的区域作为抽样单元，将区域内所有油菜产量作为一个样本。

　　在油菜成熟后对三类不同长势级别的油菜分别进行产量抽样调查，每类抽样5个样方，样本统计结果如表2所示。

　　从抽样调查表可以看出，油菜产量与油菜长势监测结果基本一致。根据油菜产量抽样调查结果，对长沙县全域油菜产量情况进行估算，并以行政村为单元进行统计，其空间分布情况如图5所示。

　　将长沙县农村土地承包经营权数据、基础性地理国情监测数据与长沙县油菜种植面积、油菜长势、油菜产量监测结果进行空间叠加，可以实现对地块、承包方的油菜种植情况精准监测，为农险承保提供服务支撑，监测结果如表3所示。

　　4 结语

　　(1)采用面向对象和深度学习方法，能够将国产高分遥感数据应用于农作物遥感监测工作中，为农业保险灾前核保、灾后定损理赔提供客观依据。

　　(2)充分利用地理国情监测和农村土地承包经营权等现有数据成果，能够将农作物遥感监测从宏观尺度向微观尺度转变，促进卫星遥感技术服务农业产业与业务，引领现代农业发展。

　　(3)在后期研究中，还可以结合互联网+、无人机、高精度位置服务等新型测绘技术手段，构建农作物实时遥感监测平台，及时发布农作物生长状况、病虫害动态监测报告，让承保方和受灾农户更直观地了解承保区域的受灾情况，有效提升农户满意度，切实推进农业保险服务转型。

　　参考文献/References

　　[1] 尹成杰. 关于推进农业保险创新发展的理性思考[J]. 农业经济问题， 2015， 36(6)： 4-8.

　　[2] 庹国柱， 朱俊生. 完善我国农业保险制度需要解决的几个重要问题[J]. 保险研究， 2014(2)： 44-53.

　　[3] 吴炳方， 张峰， 刘成林， 等. 农作物长势综合遥感监测方法[J]. 遥感学报， 2004， 8(6)： 498-514.

　　[4] 黄青， 唐华俊， 周清波， 等. 东北地区主要作物种植结构遥感提取及长势监测[J]. 农业工程学报， 2010， 26(9)： 218-223， 386.

　　[5] 唐文澜， 王晓燕， 汪权方， 等. 湖北省油菜种植面积的遥感监测方法探讨[J]. 安徽农业科学， 2019， 47(7)： 238-241， 245.

　　[6] 阳俊， 初启凤， 罗建松， 等. 基于地理国情普查成果的农作物种植结构提取方法研究[J]. 测绘与空间地理信息， 2020， 43(S01)：29-34.

　　[7] 焦计晗， 张帆， 张良. 基于改进AlexNet模型的油菜种植面积遥感估测[J]. 计算机测量与控制， 2018， 26(2)： 186-189.

　　[8] 张日升， 张燕琴. 基于深度学习的高分辨率遥感图像识别與分类研究[J]. 信息通信， 2017， 30(1)： 110-111.

　　[9] 权文婷， 王钊. 冬小麦种植面积遥感提取方法研究[J]. 国土资源遥感， 2013， 25(4)： 8-15.

　　[10] 李卫国， 蒋楠. 基于面向对象分类的冬小麦种植面积提取[J]. 麦类作物学报， 2012， 32(4)： 701-705.

转载请注明来自：http://www.qikan2017.com/lunwen/nye/22425.html