CN105389739A - 设施葡萄低温灾害天气指数保险纯费率的确定方法 - Google Patents
设施葡萄低温灾害天气指数保险纯费率的确定方法 Download PDFInfo
- Publication number
- CN105389739A CN105389739A CN201510814340.2A CN201510814340A CN105389739A CN 105389739 A CN105389739 A CN 105389739A CN 201510814340 A CN201510814340 A CN 201510814340A CN 105389739 A CN105389739 A CN 105389739A
- Authority
- CN
- China
- Prior art keywords
- model
- facility
- grape
- rate
- insurance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 235000014787 Vitis vinifera Nutrition 0.000 title claims abstract description 65
- 235000009754 Vitis X bourquina Nutrition 0.000 title claims abstract description 63
- 235000012333 Vitis X labruscana Nutrition 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 26
- 240000006365 Vitis vinifera Species 0.000 title description 3
- 241000219095 Vitis Species 0.000 claims abstract description 62
- 238000009826 distribution Methods 0.000 claims abstract description 46
- 238000004519 manufacturing process Methods 0.000 claims description 34
- 238000007689 inspection Methods 0.000 claims description 9
- 238000012544 monitoring process Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 230000006378 damage Effects 0.000 claims description 8
- 230000002631 hypothermal effect Effects 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 3
- 230000002596 correlated effect Effects 0.000 claims description 3
- 241000219094 Vitaceae Species 0.000 abstract 2
- 235000021021 grapes Nutrition 0.000 abstract 2
- 238000005259 measurement Methods 0.000 abstract 1
- 235000013399 edible fruits Nutrition 0.000 description 7
- 239000002689 soil Substances 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000009395 breeding Methods 0.000 description 4
- 230000001488 breeding effect Effects 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 230000005078 fruit development Effects 0.000 description 2
- 238000003973 irrigation Methods 0.000 description 2
- 230000002262 irrigation Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000004016 soil organic matter Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 240000000560 Citrus x paradisi Species 0.000 description 1
- ONIBWKKTOPOVIA-UHFFFAOYSA-N Proline Natural products OC(=O)C1CCCN1 ONIBWKKTOPOVIA-UHFFFAOYSA-N 0.000 description 1
- 206010042496 Sunburn Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000004378 air conditioning Methods 0.000 description 1
- 229930014669 anthocyanidin Natural products 0.000 description 1
- 150000001452 anthocyanidin derivatives Chemical class 0.000 description 1
- 235000008758 anthocyanidins Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000035613 defoliation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005059 dormancy Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 235000002532 grape seed extract Nutrition 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G17/00—Cultivation of hops, vines, fruit trees, or like trees
- A01G17/02—Cultivation of hops or vines
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Mining & Mineral Resources (AREA)
- Animal Husbandry (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Marketing (AREA)
- Marine Sciences & Fisheries (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种设施葡萄低温灾害天气指数保险纯费率的确定方法，包括以下步骤：（1）对设施葡萄进行不同程度的低温处理；（2）计算设施葡萄在不同程度低温处理下的产量损失率；（3）构建低温灾害天气发生的概率分布模型；（4）建立产量损失率模型；（5）计算保险纯费率。采用本发明方法能准确得到低温灾害条件下的天气指数保险纯费率，测量精度高。
Description
技术领域
本发明涉及一种保险费率的计算，具体涉及设施葡萄低温灾害天气指数保险纯费率的确定方法。
背景技术
葡萄（Vitisvinifera）属落叶藤本植物，有“水果之神”的称号，是世界上最主要水果之一，世界葡萄产量约占水果总产量的1/4。近年来，中国葡萄设施栽培发展十分迅速，2014年全国葡萄栽培面积已达到300余万亩，江苏是葡萄栽培主要区域，栽培面积达45万亩。其中设施栽培面积达到10万亩。由于江苏地处副热带高压季风气候区，夏季高温、高湿和冬春季低温、寡照等不利气象条件严重影响设施葡萄生长及品质，因此，如何有效开展设施葡萄气象服务、有效防御气象灾害成为气象部门和生产部门面临的技术问题。目前，关于设施葡萄气象灾害监测预警和保障服务尚处于起步阶段，气象服务还不能满足设施葡萄安全生产和快速发展的需要。
国内外关于气象条件及气象灾害对葡萄生长和品质的影响有一定报道。欧洲和南纬20°～40°之间是世界上葡萄栽培主要区域，前人研究表明高温、病害和缺乏足够的温度诱发葡萄的休眠是限制葡萄生长发育的因素，高温、低温、寡照也是影响葡萄品质的主要气候因子（Wen，2008；UlienChuche&DenisThiéry，2009）。冬天低温潮湿条件能够诱发葡萄病害发生，如低温寒潮和霜冻导致摩尔达维亚(罗马尼亚)葡萄顶芽、枝的严重伤害（Olivier，2012）。Maurer等（2011）通过分析1523-2007年澳大利亚、法国、瑞士的历史气象数据与产量数据，认为葡萄产量与春季和夏季平均气温成显著相关正相关。有学者研究认为西班牙地中海气候区的温度和降水是影响葡萄收获期和产量的主要因素（Josepetal,2012;Lorenzo,2013)。Nyamdorj等（2014）研究澳大利亚西部气候变化对葡萄果实品质（花青素和可滴定酸）的影响。刘明春等（2007）研究河西干旱区酿酒葡萄生长的气象条件，果粒增长的适宜气温为20-21℃，超过21℃，增速明显变缓，40℃以上的高温将使叶片变黄变褐，果实日灼。王瑞华（2013）研究也证实葡萄叶片脯氨酸的含量在高温胁迫下明显高于对照，而叶绿素的含量和可溶性糖的含量则随胁迫时间的延长呈现低-高-低的波动，高温高湿天气容易发生炭疽病、白腐病危害（汤照云等，2006）。
发明内容
本发明的目的是为了解决现有技术中存在的缺陷，提供一种设施葡萄低温灾害天气指数保险纯费率的计算，为设施葡萄的低温灾害风险管理提供了科学的指导作用。
为了达到上述目的，本发明提供了一种设施葡萄低温灾害天气指数保险纯费率的确定方法，包括以下步骤：
（1）对设施葡萄进行不同程度的低温处理；
（2）测定设施葡萄经步骤（1）不同程度低温处理下的各项生长指标及产量指标，计算设施葡萄在不同程度低温处理下的产量损失率；
（3）利用历史气象数据，构建低温灾害天气发生的概率分布模型；
（4）测定设施葡萄相关的生长模型输入参数，结合步骤（2）得到不同程度低温处理下的设施葡萄的产量损失率，建立产量损失率模型；
（5）根据步骤（4）得到的产量损失率模型和步骤（3）得到的低温灾害天气发生的概率分布模型，计算保险纯费率。
其中，步骤（5）中保险纯费率的计算公式为R=E[LOSS]=∑Lr×Pi，其中R为保险纯费率（%），LOSS为作物损失，E[LOSS]为作物损失的期望值，Lr为不同低温灾害不同持续天数下的产量损失率（%），Pi为不同低温灾害天气的发生概率（%）；Lr通过步骤（4）建立的产量损失率模型计算，Pi通过步骤（3）构建的低温灾害天气发生的概率分布模型计算。
步骤（3）中低温灾害天气发生的概率分布模型通过对各概率分布模型进行拟合，通过拟合优度检验从中选择最优的概率分布模型；进行拟合的概率分布模型包括正态分布、对数正态分布、指数分布、韦伯分布、伽马分布、Logistic分布和对数Logistic分布模型；概率分布模型中各项参数的计算采用极大似然估计法；拟合优度检验采用AD检验、KS检验或JB检验。
步骤（4）中产量损失率模型的建立前，还需要进行设施小气候监测，利用测定的设施小气候气象数据、所述设施葡萄相关的生长模型输入参数及不同程度低温处理下的设施葡萄的产量损失率进行产量损失率模型的构建。步骤（4）中产量损失率模型通过DSSAT或WOFOST模型进行构建。
当步骤（3）中历史气象数据选取为南京地区1957-2008年4月1日-4月30日期间的日最低气温时，经本发明确定的保险纯费率为0.0327。
本发明设施葡萄低温灾害天气指数保险纯费率的具体确定方法如下：
第一步：设施葡萄人工控制实验
将葡萄移栽至塑料盆中，选择盆栽葡萄10株，试验期间，设置低温5个处理：：日最低温度设计0℃、3℃、6℃、9℃、11℃,日最高温度设计为28℃；持续时间分别处理2、4、6、8天；以日最高28℃/日最低18℃为对照。
第二步：设施小气候观测方法
在选定的设施大棚内安装小气候观测站，收集室外气象数据和室内气象数据，设施环境数据采集器为CR3000（USA)，收集要素为1.5m高室内气温、总辐射、相对湿度20cm地温、土壤水分、CO2浓度等要素。气象要素采集频率为10s1次，30s储存1次取平均值。如果当地没有监测的设施小气候气象资料，可以利用距离最近的气象台站资料，利用BP神经网络模型进行将室外气象资料转换为设施小气候气象资料。
第三步：生长发育指标测定及相关生长模型输入参数的测定
观测葡萄生育期和果实发育进程、测定叶片数、叶片面、枝蔓生长长度、测定果实生长量及收获之后的产量，同时设施葡萄的作物品种、种植密度、行间距、种植深度、灌溉量、施肥量、土壤种类、土壤有机碳、土壤中水的pH值、土壤深度等相关的作物模型输入参数。
第四步：构建发生不同程度低温灾害的概率模型
利用气象数据对低温灾害不同程度发生的概率进行拟合，如利用不同地区的气象台的资料（1950-2010年日最低温度的数据），统计实际低温灾害发生的天数，并利用分布模型（如正态、对数正态、βeta分布模型等）拟合，计算低温灾害持续天数的发生的概率。
第五步：构建产量损失模型
根据人工控制实验获得的不同低温条件下的设施葡萄的产量损失率，结合设施小气候气象数据及设施葡萄相关的作物模型输入参数，利用作物模型DSSAT与WOFOST进行产量模型的拟合，通过拟合优度的指标（RMSE、R2等）选择最优模型建立产量损失率模型，定量地确定低温对设施葡萄产量的影响，然后利用在江苏省不同地区实时监测及历史的气象数据及农业气象观测资料，输入到DSSAT或WOFOST模型中进行减产率模型的调整，选择最符合当地实际情况的产量损失率模型。
第六步：计算保险纯费率
利用公式：
R=E[LOSS]=∑Lr×Pi(1)
计算保险纯费率，式中，为保险纯费率（%），LOSS为作物损失，E[LOSS]为作物损失的期望值即保险损失的期望值，Lr为不同灾害不同持续天数下的减产率（%），Pi为不同灾害等级的发生概率（%）。
本发明相比现有具有以下优点：本发明综合采用人工控制实验方法与设施小气候监测方法，确定了设施葡萄在低温灾害条件下的生长指标及产量指标，可以准确地得到低温灾害条件下的天气指数保险纯费率，测定精度高，相对采用普通用历史产量数据进行估算误差小，能够满足天气指数纯费率的计算要求。
附图说明
图1为本发明设施葡萄低温灾害天气指数保险纯费率的确定方法流程图；
图2为本发明实施例1中BP神经网络模型结构；
图3为本发明实施例1设施小气候预报模型观测值与拟合值对比；
图4为本发明实施例1中历史气象数据所取四月日最低温度的经验累积函数分布图；
图5为本发明实施例1中历史气象数据所取四月日最低温度的正态分布概率图；
图6为本发明实施例1中历史气象数据所取四月日最低温度频数分布柱状图及正态分布曲线拟合。
具体实施方式
本发明以南京地区设施葡萄低温灾害天气指数保险纯费率的厘定为例。
如图1所示，首先进行人工控制实验设计，选择长势一致的设施葡萄进行低温处理，然后处理过后恢复正常生长。低温处理的试验方案：选择盆栽葡萄10株，日最低温度设计0℃、3℃、6℃、9℃、11℃，日最高温度设计为28℃；持续时间分别处理2、4、6、8天；以日最高28℃/日最低18℃为对照。进行低温处理之后，将葡萄放入设施大棚继续生长直至收获，在设施大棚中实时监测设施大棚小气候的数据，如果在生长过程中根据天气预报即将出现日最低温度低于15℃，用空调给大棚内部进行加热，防止低温灾害发生。在设施葡萄生长过程中每隔3天测定一次生育期和果实发育进程、叶片数、叶片面积、枝蔓生长长度、果实生长量，待收获后测定设施葡萄的产量，并对种植管理方式、施肥数据进行记录。得到不同低温灾害下设施葡萄的减产率，如下表1所示。
表1不同低温灾害下设施葡萄的减产率（%）
然后利用设施小气候数据以及本地区最近气象台站或自动站的实时监测气象数据，利用BP神经网络模型构建设施小气候预报模型，如图2所示。
BP神经网络模型中，共有监测样本天数208天，建立模型用150天，预测模型用58天。第1层为输入层，输入因子为：前一日最低室外气温、前一日室外平均气温、当日最低室外气温、当日最高室外气温、当日日照时数；第2层为隐含层，神经元为9个；第3层为输入层，2个神经元分别为温室内的最高气温和最低气温。为了提高神经网络悬链的效率，对输入参数进行标准化处理，在模型运行中通过不断调节，最终选定相关的参数值为：初始学习速率=0.1，最大循环次数=1000次，目标误差=0.001。神经网络模拟采用Matlab软件通过编程实现，模型的检验中R2进行检验，结果如图3所示，观测值与模拟值都分布在1:1线附近，决定系数R 2为0.98，拟合程度较高，符合建立模型的需求。
本例仅以南京为例，对于其它地区，将监测的设施小气候气象资料与农业气象观测资料输入到DSSAT模型中进行模型参数的调整，如果当地没有监测的设施小气候气象资料，可以利用距离最近的气象台站资料，利用上述BP神经网络模型进行将室外气象资料转换为设施小气候气象资料，输入到DSSAT模型中，建立符合当地情况的设施葡萄减产率模型。
利用测定的设施小气候数据、设施葡萄生长发育情况、作物品种、种植密度、行间距、种植深度、灌溉量、施肥量、土壤种类、土壤有机碳、土壤中水的PH值、土壤深度等数据，输入到DSSAT与WOFOST作物模型中构建设施葡萄的生长发育以及产量模型，通过拟合优度指标R2与RMSE，选择与实验产量拟合度较高的模型，结果为DSSAT模型拟合较好，然后利用DSSAT模型模拟在不同温度、不同持续天数低温灾害下的设施葡萄的生长发育及产量状况，根据历史气象数据，根据当地气象站历史气象数据来看，在设施葡萄特定生育期4月1日～4月30日中低温最大持续天数为8天，通过DSSAT模型模拟得到不同低温灾害条件下的持续8天的产量损失率即减产率Lr：
表2葡萄在不同温度下的减产率
| 温度范围（℃） | 减产率（%） |
| -2~-1 | 44.9288 |
| -1~0 | 34.4662 |
| 0~1 | 26.4400 |
| 1~2 | 20.2829 |
| 2~3 | 15.5596 |
| 3~4 | 11.9362 |
| 4~5 | 9.1566 |
| 5~6 | 7.0243 |
| 6~7 | 5.3886 |
| 7~8 | 4.1337 |
| 8~9 | 3.1711 |
| 9~10 | 2.4326 |
| 10~11 | 1.8662 |
然后利用历史气象数据，构建气象灾害发生的概率分布模型。统计每年在设施葡萄特定生育期受低温冻害的概率：取每个站点1957-2008年4月1日-4月30日期间的气象数据，从日最低气温中取不同温度发生的天数，做经验累积函数分布图及正态分布概率图形，如图4、图5所示，可以看出每日最低气温的数据是符合正态分布。通过JB检验，测试该数据是否符合正态分布检验，结果显示h=0、p=0.5、j=1.3378、cv=5.9509，可以得出符合正态分布。然后对正态分布参数可利用matlab进行估计，mu=9.8646，sigma=3.8049。此外，如果不符合正态分布还可以从其它多种概率分布模型中（对数正态分布（Lognormaldistribution）、指数分布（Exponentialdistribution）、韦伯分布（Weibulldistribution）、伽马分布（Gammadistribution）、Logistic分布（Logisticdistribution）、对数Logistic分布（Log-logisticdistribution）等分布模型中）拟选择最优的概率分布模型，分布模型中各项参数的计算采用极大似然估计法（MLE），模型的拟合优度检验可以选择AD检验、KS检验或JB检验。如图6所示。
对1957-2008年间4月的气温进行统计，最低气温为-1.4℃，则低温灾害在发生概率即减产率发生的概率Pi为：
表3不同温度条件发生的概率
| 温度范围（℃） | 发生概率 |
| -2~-1 | 0.0012 |
| -1~0 | 0.0026 |
| 0~1 | 0.0051 |
| 1~2 | 0.0095 |
| 2~3 | 0.0162 |
| 3~4 | 0.026 |
| 4~5 | 0.0389 |
| 5~6 | 0.0544 |
| 6~7 | 0.0709 |
| 7~8 | 0.0863 |
| 8~9 | 0.0981 |
| 9~10 | 0.1041 |
| 10~11 | 0.1031 |
然后根据公式（1）计算出设施葡萄低温灾害天气指数保险的纯费率：
R=E[LOSS]=∑Lr×Pi=0.0327
本发明综合采用人工控制实验方法与设施小气候监测方法，确定了设施葡萄在不同气象灾害条件下的生长指标及产量指标，可以准确地得到不同气象灾害条件下的天气指数保险纯费率，测定精度高，相对与普通用历史产量数据误差小，能够满足天气指数纯费率的计算要求。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种设施葡萄低温灾害天气指数保险纯费率的确定方法，其特征在于：包括以下步骤：
（1）对设施葡萄进行不同程度的低温处理；
（2）测定设施葡萄经步骤（1）不同程度低温处理下的各项生长指标及收获后产量指标，计算设施葡萄在不同程度低温处理下的产量损失率；
（3）利用历史气象数据，构建低温灾害天气发生的概率分布模型；
（4）测定设施葡萄相关的生长模型输入参数，结合步骤（2）得到不同程度低温处理下的设施葡萄的产量损失率，建立产量损失率模型；
（5）根据步骤（4）得到的产量损失率模型和步骤（3）得到的低温灾害天气发生的概率分布模型，计算保险纯费率。
2.根据权利要求1所述的确定方法，其特征在于：所述步骤（4）中产量损失率模型的建立前，还需要进行设施小气候监测，利用测定的设施小气候气象数据、所述设施葡萄相关的生长模型输入参数及不同程度低温处理下的设施葡萄的产量损失率进行产量损失率模型的构建。
3.根据权利要求1所述的确定方法，其特征在于：所述步骤（5）中保险纯费率的计算公式为R=E[LOSS]=∑Lr×Pi，其中R为保险纯费率（%），LOSS为作物损失，E[LOSS]为作物损失的期望值，Lr为不同低温灾害不同持续天数下的产量损失率（%），Pi为不同低温灾害天气的发生概率（%）；所述Lr通过步骤（4）建立的产量损失率模型计算，Pi通过步骤（3）构建的低温灾害天气发生的概率分布模型计算。
4.根据权利要求2或3所述的确定方法，其特征在于：所述步骤（3）中低温灾害天气发生的概率分布模型通过对各概率分布模型进行拟合，通过拟合优度检验从中选择最优的概率分布模型；所述进行拟合的概率分布模型包括正态分布、对数正态分布、指数分布、韦伯分布、伽马分布、Logistic分布和对数Logistic分布模型；所述概率分布模型中各项参数的计算采用极大似然估计法；所述拟合优度检验采用AD检验、KS检验或JB检验。
5.根据权利要求2或3所述的确定方法，其特征在于：所述步骤（4）中产量损失率模型通过DSSAT或WOFOST模型进行构建。
6.根据权利要求2或3所述的确定方法，其特征在于：所述步骤（3）中历史气象数据为南京1957-2008年4月1日-4月30日期间的日最低气温；所述步骤（5）中确定的保险纯费率为0.0327。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510814340.2A CN105389739A (zh) | 2015-11-23 | 2015-11-23 | 设施葡萄低温灾害天气指数保险纯费率的确定方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510814340.2A CN105389739A (zh) | 2015-11-23 | 2015-11-23 | 设施葡萄低温灾害天气指数保险纯费率的确定方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105389739A true CN105389739A (zh) | 2016-03-09 |
Family
ID=55421995
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510814340.2A Pending CN105389739A (zh) | 2015-11-23 | 2015-11-23 | 设施葡萄低温灾害天气指数保险纯费率的确定方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105389739A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460691A (zh) * | 2018-01-31 | 2018-08-28 | 杞人气象科技服务（北京）有限公司 | 一种日光温室连阴寡照气象指数保险方法 |
| CN108765168A (zh) * | 2018-05-04 | 2018-11-06 | 深圳般若计算机系统股份有限公司 | 天气指数保险计算方法、电子装置及计算机可读存储介质 |
| CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
| CN109657981A (zh) * | 2018-12-20 | 2019-04-19 | 唐山市气象服务中心 | 一种板栗干旱气象指数保险方法 |
| CN111260241A (zh) * | 2020-01-23 | 2020-06-09 | 北京师范大学 | 一种指数型农业保险产品设计方法及其产品 |
| CN113514402A (zh) * | 2021-04-12 | 2021-10-19 | 新疆农业大学 | 一种冬小麦叶绿素含量的预测系统及方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886392A (zh) * | 2014-03-26 | 2014-06-25 | 中国农业科学院农田灌溉研究所 | 一种基于天气预报信息的冬小麦耗水量预测方法 |
| CN104504473A (zh) * | 2014-12-24 | 2015-04-08 | 石河子大学 | 一种分阶段5日间隔的棉蚜发生等级预报方法 |
-
2015
- 2015-11-23 CN CN201510814340.2A patent/CN105389739A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103886392A (zh) * | 2014-03-26 | 2014-06-25 | 中国农业科学院农田灌溉研究所 | 一种基于天气预报信息的冬小麦耗水量预测方法 |
| CN104504473A (zh) * | 2014-12-24 | 2015-04-08 | 石河子大学 | 一种分阶段5日间隔的棉蚜发生等级预报方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孙擎等: "江西早稻高温逼熟气象灾害指数保险费率的厘定", 《中国农业气象》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108460691A (zh) * | 2018-01-31 | 2018-08-28 | 杞人气象科技服务（北京）有限公司 | 一种日光温室连阴寡照气象指数保险方法 |
| CN108765168A (zh) * | 2018-05-04 | 2018-11-06 | 深圳般若计算机系统股份有限公司 | 天气指数保险计算方法、电子装置及计算机可读存储介质 |
| CN109029588A (zh) * | 2018-09-11 | 2018-12-18 | 南京都宁大数据科技有限公司 | 一种基于气候影响的农作物长势预测方法 |
| CN109657981A (zh) * | 2018-12-20 | 2019-04-19 | 唐山市气象服务中心 | 一种板栗干旱气象指数保险方法 |
| CN111260241A (zh) * | 2020-01-23 | 2020-06-09 | 北京师范大学 | 一种指数型农业保险产品设计方法及其产品 |
| CN113514402A (zh) * | 2021-04-12 | 2021-10-19 | 新疆农业大学 | 一种冬小麦叶绿素含量的预测系统及方法 |
| CN113514402B (zh) * | 2021-04-12 | 2023-03-07 | 新疆农业大学 | 一种冬小麦叶绿素含量的预测系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105389739A (zh) | 设施葡萄低温灾害天气指数保险纯费率的确定方法 | |
| EP3534689B1 (en) | Controlling agricultural production areas | |
| CN112837169B (zh) | 一种干旱过程网格化旱情综合监测、预警与评估方法 | |
| CN105184445A (zh) | 一种玉米干旱气象灾害多年平均损失率的计算方法 | |
| CN110555553B (zh) | 多因素骤旱综合识别方法 | |
| CN112819227B (zh) | 一种县级尺度冬小麦单产预测方法及系统 | |
| Yang et al. | Modeling the effects of plastic film mulching on irrigated maize yield and water use efficiency in sub-humid Northeast China | |
| CN113016450A (zh) | 一种温室作物灌溉方法及系统 | |
| CN116415704A (zh) | 一种基于多数据融合与同化的区域精量灌溉方法及系统 | |
| CN113039908A (zh) | 一种施肥和灌溉动态决策方法及系统 | |
| CN116451823A (zh) | 一种基于气象主控因子的苹果产量预测方法 | |
| Bai et al. | Simulating on the effects of irrigation on jujube tree growth, evapotranspiration and water use based on crop growth model | |
| CN114493011B (zh) | 考虑膜下滴灌与暗管排盐协同调控运行模型的构建方法 | |
| Cayuela et al. | An ICT-based decision support system for precision irrigation management in outdoor orange and greenhouse tomato crops | |
| CN106875067B (zh) | 构建冬季晴天时温室二氧化碳浓度预测模型的方法 | |
| CN118071194A (zh) | 一种莓茶气象灾害监测系统及方法 | |
| CN117474704A (zh) | 一种玉米昼夜生长差异和产量的估算方法 | |
| Jing et al. | Prediction of crop phenology—A component of parallel agriculture management | |
| CN110956322B (zh) | 气候变暖趋势下的夏玉米花期高温灾害风险预测方法 | |
| CN106034973B (zh) | 一种杉木人工林防灾控制方法 | |
| Abbaspour | Bayesian risk methodology for crop insurance decisions | |
| CN115049126A (zh) | 基于温度效应和历史阈值的蒸散量预测方法 | |
| Todorovic et al. | HYDRO-TECH: An integrated decision support system for sustainable irrigation management (i): Main algorithms and field testing | |
| CN113487127A (zh) | 一种茶叶秋冬干旱灾害损失动态评估方法 | |
| CN118627699B (zh) | 柑橘产量预估方法、装置及其应用 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160309 |
|
| RJ01 | Rejection of invention patent application after publication |