CN108414455A - 用于农业保险理赔的农作物雹灾遥感监测方法 - Google Patents
用于农业保险理赔的农作物雹灾遥感监测方法 Download PDFInfo
- Publication number
- CN108414455A CN108414455A CN201810088466.XA CN201810088466A CN108414455A CN 108414455 A CN108414455 A CN 108414455A CN 201810088466 A CN201810088466 A CN 201810088466A CN 108414455 A CN108414455 A CN 108414455A
- Authority
- CN
- China
- Prior art keywords
- hail
- disaster caused
- remote
- crops
- plot
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000012417 linear regression Methods 0.000 claims abstract description 17
- 238000000985 reflectance spectrum Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000002310 reflectometry Methods 0.000 claims description 29
- 238000001228 spectrum Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000013459 approach Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 14
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000007775 late Effects 0.000 description 21
- 238000005070 sampling Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009400 out breeding Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000001755 vocal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
Abstract
用于农业保险理赔的农作物雹灾遥感监测方法,它涉及灾害遥感监测技术,具体涉及遥感技术在雹灾监测中的应用与遥感技术在农业保险中的应用。本发明目解决了传统农业保险查勘定损工作过程中存在信息不对称、定损效率低以及理赔纠纷多等问题。遥感监测方法:一、获取反射光谱图;二、抽测农作物损失率,记录采样点GPS信息;三、构建多元线性回归模型;四:反演雹灾地块的损失率;五:对雹灾范围内损失率≥30%的地块进行理赔。本发明的有益效果:本发明将遥感技术与传统的农业保险查勘、定损工作方式相结合,创造了新型遥感技术应用模式和新型的查勘、定损模式。
Description
技术领域
本发明涉及灾害遥感监测技术,具体涉及遥感技术在雹灾监测中的应用与遥感技术在农业保险中的应用。
背景技术
随着农业保险规模的扩大,农业保险经营面临着效率和风险管理的悖论。突出表现为信息不对称、道德风险和理赔效率低等问题,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。目前发生雹灾引起的理赔事件时,传统的农业保险,在农作物生长期间,雹灾发生后工作人员往往采用的是田间随机定点采样来进行查勘和定损,但是由于黑龙江省个别地区雹灾造成的投保标的受灾面积大,造成的受灾面积可以达到上万亩,传统查勘定损模式往往存在信息不对称、理赔效率低以及理赔纠纷多等问题。
发明内容
本发明目的是为了解决传统农业保险查勘定损工作过程中存在信息不对称、定损效率低以及理赔纠纷多等问题,提供了一种用于农业保险理赔的农作物雹灾遥感监测方法。
本发明所述用于农业保险理赔的农作物雹灾遥感监测方法,该方法包括以下步骤:
步骤一、下载雹灾发生时间前后的农作物的多光谱遥感影像,并进行预处理,获取待理赔雹灾范围内农作物的反射光谱图;
步骤二、人工抽测雹灾范围内农作物的损失率,并记录所有采样点的GPS信息;
步骤三、根据步骤一获取的反射光谱图提取步骤二所有采样点的反射率数据,并构建多元线性回归模型,以建立农作物损失率与采样点的反射光谱之间的对应关系;
在影像中提取采样点反射率值并构建多元线性回归模型;
步骤四:根据步骤三所述的多元线性回归模型反演雹灾地块的损失率;
步骤五:对雹灾范围内损失率≥30%的地块进行理赔。
优选地,步骤一的预处理过程为:对下载的多光谱遥感影像进行正射校正、几何校正和大气校正影像处理。
优选地,步骤一所述的反射光谱图包括雹灾范围内所有GPS点的蓝波段对应的反射率栅格数据、绿波段对应的反射率栅格数据、红波段对应的反射率栅格数据、近红外波段对应的反射率栅格数据。
优选地,步骤二中人工抽测雹灾范围内农作物的损失率的过程为:
验标人手持GPS设备到受雹灾的地块选取多个采样点,每个采样点均应距离地块边界至少10米,在验标单上记录各采样点位于承保地块的方位,并测量各采样点农作物损失率,所述损失率按公式
获取;
其中:测产产量=亩穗数×穗粒数×百粒重×85%;
承保单产=[(X1+X2+X3+X4+X5)-Xmax-Xmin]/3
式中:X1,X2,X3,X4,X5表示近五年粮食产量,Xmax为近五年粮食最高产量,Xmin为近五年粮食最低产量。
优选地,步骤三中构建多元线性回归模型的过程为:
步骤三一、利用GIS平台将所有采样点的GPS信息生成矢量点图,与预处理后的反射光谱图叠加,提取每个采样点所在GPS位置中反射光谱数据,即每个采样点的蓝波段对应的反射率栅格数据、绿波段对应的反射率栅格数据、红波段对应的反射率栅格数据、近红外波段对应的反射率栅格数据;并去除异常值的蓝、绿、红、近红外波段反射率的采样点;
步骤三二、根据步骤三一的数据构建多元线性回归模型:
Y=b0+b1B+b2G+b3R+b4NIR
其中,b0为常数项,b1,b2,b3,b4为回归系数;
式中的输入变量B、G、R和NIR分别为去除异常值的蓝、绿、红、近红外波段反射率,输出量Y为农作物产量损失率。
优选地,步骤四反演雹灾地块的损失率的过程:
步骤四一、根据步骤一的反射光谱图获取雹灾范围内所有地块的反射光谱数据;
步骤四二、将每个地块的反射光谱数据代入步骤三获取的多元线性回归模型,来反演雹灾范围内所有地块的损失率。
优选地,步骤三之后还包括模型模型验证过程:
将所有采样点取1/2样本作为建模样本,用于建立损失率预测模型;
其余1/2样本作为模型验证样本,用于计算损失率预测模型的决定系数R2,所述决定系数R2为预测曲线与实际曲线的拟合优度的统计量;当R2>0.8时,所建模型可用。
本发明的有益效果:本发明将遥感技术与传统的农业保险查勘、定损工作方式相结合,创造了新型遥感技术应用模式和新型的查勘、定损模式。本发明采用的灾害遥感监测技术,通过遥感影像解译,可以客观、真实、实时的反映地面投保标的受灾情况。在雹灾的遥感监测技术应用中,工作人员利用雹灾遥感监测图快速确定受灾投保标的地理位置、受灾面积并确定其受灾程度,打破了传统随机抽样定点调查的工作方式,同时宏观监控地面作物生长情况,提高了业务监管能力。采用本发明农业灾害遥感监测技术,有效的解决了传统农业保险查勘定损工作过程中面临的信息不对称、定损效率低以及理赔纠纷多等问题。
附图说明
图1是本发明所述用于农业保险理赔的农作物雹灾遥感监测方法的流程图;
图2是农作物在不同雹灾损失程度不同波段的反射率;
图3是一具体实施例显示的雹灾监测图。
具体实施方式
以下将结合附图及实施例来详细说明本发明的实施方式,借此对本发明如何应用技术手段来解决技术问题,并达成技术效果的实现过程能充分理解并据以实施。需要说明的是,只要不构成冲突,本发明中的各个实施例以及各实施例中的各个特征可以相互结合,所形成的技术方案均在本发明的保护范围之内。
本发明将遥感技术与传统的农业保险查勘、定损工作方式相结合。
实施例:
步骤一、下载雹灾发生时间前后的多光谱遥感影像,并进行预处理;
通过传感器获取多光谱影像,并对其进行正射校正、几何校正、大气校正等影像基本处理流程。
步骤二、抽测雹灾范围内田块的损失率,并记录抽测点的GPS;
验标人手持GPS到受雹灾的地块取点,取样点应距离地块边界至少10米,在验标单上记录采集点位于承保地块的方位,并测量该点作物损失率:
主要损失率计算公式如(1)—(3):
损失率=1-测产产量/承保单产 (1)
测产产量=亩穗数×穗粒数×百粒重×85% (2)
承保单产=[(X1+X2+X3+X4+X5)-Xmax-Xmin]/3 (3)
公式(3)中,X1,X2,X3,X4,X5表示近五年粮食产量,Xmax为近五年粮食最高产量,Xmin为近五年粮食最低产量。
步骤三、在影像中提取采样点反射率值并构建多元线性回归模型;
利用GIS平台将采样点的经纬度等信息生成成矢量文件(点文件),与预处理后的影像叠加,并使用数值提取工具,将采样点所在GPS位置中反射光谱数据,蓝波段(460nm-480nm)对应的反射率、绿波段(550nm-570nm)对应的反射率、红波段(620nm-670nm)对应的反射率、近红外波段(840nm-880nm)对应的反射率提取出来。
计算提取的蓝、绿、红、近红外波段反射率数值与损失率之间的相关系数b0,b1,b2,b3,b4为。并去除有异常值(采样点GPS有明显错误,在道路或非耕地上等)的采样点。
采用相关分析等方法对影像提取的反射光谱数据进行分析,为避免信息冗余,筛选主要波段。利用多元线性逐步回归建模方法,将蓝、绿、红、近红外波段反射率作为输入量,建立损失率预测模型。将样本点随机抽样1/2作为建模样本,其余1/2作为模型验证样本。计算损失率预测模型的决定系数R2,决定系数R2为预测曲线与实际曲线的拟合优度的统计量,即回归曲线与观测值的拟合程度的统计量;R2高于0.8时,模型可用。经实际验证,模型输入量大多由红、近红外波段组成。
多元线性回归模型:
Y=b0+b1B+b2G+b3R+b4NIR (4)
其中,b0为常数项,b1,b2,b3,b4为回归系数。
公式(4)中的输入变量为去除异常值的蓝、绿、红、近红外波段反射率,输出量Y为作物产量损失率。
步骤四:反演雹灾地块的损失率;
利用构建的回归模型反演地块内各像元的损失率,并计算地块总体的损失程度。在地理信息系统软件中,利用波段运算工具,将各波段反射率栅格数据带入到构建好的多元线性回归模型公式中,输出结果为各像元值损失率的栅格数据。利用栅格统计工具统计研究区内损失率平均值。
步骤五:对研究区内各损失程度的面积进行统计:
利用自然分类法对影像提取的损失率结果进行分类,分类结果为10级,将30%、50%、80%的损失率设置为固定阈值。同时利用ArcGIS的空间分析功能,对各级的面积进行计算和统计。
步骤六:根据损失率定义灾害受灾程度
(1)损失率<30%,受灾程度定义为轻灾;轻灾细化三个等级;
(2)30%≤损失率<50%,受灾程度定义为中灾;中灾细化两个等级;
(3)50%≤损失率<80%,受灾程度定义为重灾;重灾细化三个等级;
(4)80%≤损失率,受灾程度定于为绝产。绝产细化两个等级。
根据农业保险理赔细则,对受灾程度达30%及以上的地块进行赔付。
步骤七:生成雹灾遥感监测报告。
针对各次遥感监测结果,生成书面报告,报告内容包括:
(1)灾害类型、灾害发生时间、受灾地区、受灾作物进行文字描述;
(2)雹灾遥感监测成果图;
(3)受灾程度统计表,表格内容如下:
单位:亩
(4)利用监测结果,根据各地区、各作物的保费、保额、费率情况,对当期灾害进行估损,估算损失金额。
实施例:龙门农场2017年承保地块总面积243079.04亩,图3为2017年黑河龙门农场受灾地区的雹灾监测图,其中总受灾面积为39456.97亩,经实地查勘,定义前5级为绝产,绝产面积为11716.19亩。此次雹灾,对农户进行生育期绝产快速赔付,赔款为265.94万元。
虽然本发明所揭露的实施方式如上,但所述的内容只是为了便于理解本发明而采用的实施方式,并非用以限定本发明。任何本发明所属技术领域内的技术人员,在不脱离本发明所揭露的精神和范围的前提下,可以在实施的形式上及细节上作任何的修改与变化,但本发明的专利保护范围,仍须以所附的权利要求书所界定的范围为准。
Claims (7)
1.用于农业保险理赔的农作物雹灾遥感监测方法,其特征在于,该方法包括以下步骤:
步骤一、下载雹灾发生时间前后的农作物的多光谱遥感影像,并进行预处理,获取待理赔雹灾范围内农作物的反射光谱图;
步骤二、人工抽测雹灾范围内农作物的损失率,并记录所有采样点的GPS信息;
步骤三、根据步骤一获取的反射光谱图提取步骤二所有采样点的反射率数据,并构建多元线性回归模型,以建立农作物损失率与采样点的反射光谱之间的对应关系;
在影像中提取采样点反射率值并构建多元线性回归模型;
步骤四:根据步骤三所述的多元线性回归模型反演雹灾地块的损失率;
步骤五:对雹灾范围内损失率≥30%的地块进行理赔。
2.根据权利要求1所述用于农业保险理赔的农作物雹灾遥感监测方法,其特征在于,步骤一的预处理过程为:对下载的多光谱遥感影像进行正射校正、几何校正和大气校正影像处理。
3.根据权利要求2所述用于农业保险理赔的农作物雹灾遥感监测方法,其特征在于,步骤一所述的反射光谱图包括雹灾范围内所有GPS点的蓝波段对应的反射率栅格数据、绿波段对应的反射率栅格数据、红波段对应的反射率栅格数据、近红外波段对应的反射率栅格数据。
4.根据权利要求3所述用于农业保险理赔的农作物雹灾遥感监测方法,其特征在于,步骤二中人工抽测雹灾范围内农作物的损失率的过程为:
验标人手持GPS设备到受雹灾的地块选取多个采样点,每个采样点均应距离地块边界至少10米,在验标单上记录各采样点位于承保地块的方位,并测量各采样点农作物损失率,所述损失率按公式
获取;
其中:测产产量=亩穗数×穗粒数×百粒重×85%;
承保单产=[(X1+X2+X3+X4+X5)-Xmax-Xmin]/3
式中:X1,X2,X3,X4,X5表示近五年粮食产量,Xmax为近五年粮食最高产量,Xmin为近五年粮食最低产量。
5.根据权利要求4所述用于农业保险理赔的农作物雹灾遥感监测方法,其特征在于,步骤三中构建多元线性回归模型的过程为:
步骤三一、利用GIS平台将所有采样点的GPS信息生成矢量点图,与预处理后的反射光谱图叠加,提取每个采样点所在GPS位置中反射光谱数据,即每个采样点的蓝波段对应的反射率栅格数据、绿波段对应的反射率栅格数据、红波段对应的反射率栅格数据、近红外波段对应的反射率栅格数据;并去除异常值的蓝、绿、红、近红外波段反射率的采样点;
步骤三二、根据步骤三一的数据构建多元线性回归模型:
Y=b0+b1B+b2G+b3R+b4NIR
其中,b0为常数项,b1,b2,b3,b4为回归系数;
式中的输入变量B、G、R和NIR分别为去除异常值的蓝、绿、红、近红外波段反射率,输出量Y为农作物产量损失率。
6.根据权利要求5所述用于农业保险理赔的农作物雹灾遥感监测方法,其特征在于,步骤四反演雹灾地块的损失率的过程:
步骤四一、根据步骤一的反射光谱图获取雹灾范围内所有地块的反射光谱数据;
步骤四二、将每个地块的反射光谱数据代入步骤三获取的多元线性回归模型,来反演雹灾范围内所有地块的损失率。
7.根据权利要求5所述用于农业保险理赔的农作物雹灾遥感监测方法,其特征在于,步骤三之后还包括模型模型验证过程:
将所有采样点取1/2样本作为建模样本,用于建立损失率预测模型;
其余1/2样本作为模型验证样本,用于计算损失率预测模型的决定系数R2,所述决定系数R2为预测曲线与实际曲线的拟合优度的统计量;当R2>0.8时,所建模型可用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810088466.XA CN108414455B (zh) | 2018-01-30 | 2018-01-30 | 用于农业保险理赔的农作物雹灾遥感监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810088466.XA CN108414455B (zh) | 2018-01-30 | 2018-01-30 | 用于农业保险理赔的农作物雹灾遥感监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108414455A true CN108414455A (zh) | 2018-08-17 |
CN108414455B CN108414455B (zh) | 2020-11-06 |
Family
ID=63127354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810088466.XA Expired - Fee Related CN108414455B (zh) | 2018-01-30 | 2018-01-30 | 用于农业保险理赔的农作物雹灾遥感监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108414455B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241922A (zh) * | 2018-09-18 | 2019-01-18 | 安徽阡陌网络科技有限公司 | 一种基于遥感数据与数字田块的农业保险精准验保方法 |
CN109816542A (zh) * | 2019-01-28 | 2019-05-28 | 中国平安财产保险股份有限公司四川分公司 | 一种农作物减产理赔方法及系统 |
CN110533544A (zh) * | 2019-08-28 | 2019-12-03 | 中国科学院遥感与数字地球研究所 | 农作物冷冻害定损理赔方法及系统 |
CN110689191A (zh) * | 2019-09-24 | 2020-01-14 | 深圳前海微众银行股份有限公司 | 农业保险赔偿额预测方法、装置、设备及可读存储介质 |
CN111025311A (zh) * | 2018-10-09 | 2020-04-17 | 中国农业机械化科学研究院 | 谷物清选筛箱焊合体检测装置及方法 |
CN113129258A (zh) * | 2021-03-02 | 2021-07-16 | 成都正和德能风险管理咨询有限公司 | 保险标的历史影像追溯方法 |
CN113160131A (zh) * | 2021-03-10 | 2021-07-23 | 卓尔智联(武汉)研究院有限公司 | 一种农业保险理赔方法、装置及存储介质 |
CN113196287A (zh) * | 2018-12-21 | 2021-07-30 | 克莱米特公司 | 应季田地级产量预报 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011196696A (ja) * | 2010-03-17 | 2011-10-06 | Toshiba Corp | 伝搬経路推定システム及び伝搬経路推定方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN106092915A (zh) * | 2016-05-31 | 2016-11-09 | 太原理工大学 | 一种草地绿色植物与枯萎植物重量比例遥感估算方法 |
CN106525753A (zh) * | 2016-10-12 | 2017-03-22 | 天津大学 | 一种简便的遥感土壤水分监测方法 |
CN106780091A (zh) * | 2016-12-30 | 2017-05-31 | 黑龙江禾禾遥感科技有限公司 | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 |
CN107169018A (zh) * | 2017-04-06 | 2017-09-15 | 河南云保遥感科技有限公司 | 一种农业保险查勘、定损系统及其实现方法 |
-
2018
- 2018-01-30 CN CN201810088466.XA patent/CN108414455B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011196696A (ja) * | 2010-03-17 | 2011-10-06 | Toshiba Corp | 伝搬経路推定システム及び伝搬経路推定方法 |
CN105389559A (zh) * | 2015-11-12 | 2016-03-09 | 中国科学院遥感与数字地球研究所 | 基于高分辨率遥感影像的农业灾害范围识别系统及方法 |
CN106092915A (zh) * | 2016-05-31 | 2016-11-09 | 太原理工大学 | 一种草地绿色植物与枯萎植物重量比例遥感估算方法 |
CN106525753A (zh) * | 2016-10-12 | 2017-03-22 | 天津大学 | 一种简便的遥感土壤水分监测方法 |
CN106780091A (zh) * | 2016-12-30 | 2017-05-31 | 黑龙江禾禾遥感科技有限公司 | 基于植被指数时空间统计特征的农业灾害信息遥感提取方法 |
CN107169018A (zh) * | 2017-04-06 | 2017-09-15 | 河南云保遥感科技有限公司 | 一种农业保险查勘、定损系统及其实现方法 |
Non-Patent Citations (2)
Title |
---|
SHAHAB FAZAL: "Urban expansion and loss of agricultural land – a GIS based study of Saharanpur City, India", 《ENVIRONMENT&URBANIZATION》 * |
蒙继华等: "遥感在种植业保险估损中的应用", 《遥感技术与应用》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109241922A (zh) * | 2018-09-18 | 2019-01-18 | 安徽阡陌网络科技有限公司 | 一种基于遥感数据与数字田块的农业保险精准验保方法 |
CN111025311A (zh) * | 2018-10-09 | 2020-04-17 | 中国农业机械化科学研究院 | 谷物清选筛箱焊合体检测装置及方法 |
CN111025311B (zh) * | 2018-10-09 | 2022-03-25 | 中国农业机械化科学研究院 | 谷物清选筛箱焊合体检测装置及方法 |
CN113196287A (zh) * | 2018-12-21 | 2021-07-30 | 克莱米特公司 | 应季田地级产量预报 |
CN109816542A (zh) * | 2019-01-28 | 2019-05-28 | 中国平安财产保险股份有限公司四川分公司 | 一种农作物减产理赔方法及系统 |
CN110533544A (zh) * | 2019-08-28 | 2019-12-03 | 中国科学院遥感与数字地球研究所 | 农作物冷冻害定损理赔方法及系统 |
CN110689191A (zh) * | 2019-09-24 | 2020-01-14 | 深圳前海微众银行股份有限公司 | 农业保险赔偿额预测方法、装置、设备及可读存储介质 |
CN113129258A (zh) * | 2021-03-02 | 2021-07-16 | 成都正和德能风险管理咨询有限公司 | 保险标的历史影像追溯方法 |
CN113160131A (zh) * | 2021-03-10 | 2021-07-23 | 卓尔智联(武汉)研究院有限公司 | 一种农业保险理赔方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108414455B (zh) | 2020-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108414455A (zh) | 用于农业保险理赔的农作物雹灾遥感监测方法 | |
CN104266982B (zh) | 一种大面积虫害量化监测系统 | |
Sanches et al. | The potential for RGB images obtained using unmanned aerial vehicle to assess and predict yield in sugarcane fields | |
US11631166B2 (en) | Crop yield prediction method and system based on low-altitude remote sensing information from unmanned aerial vehicle | |
CN107067334B (zh) | 基于多源遥感数据的农田火灾和秸秆焚烧监测方法及系统 | |
CN110926430B (zh) | 一种空地一体化红树林监测系统及控制方法 | |
CN111091052A (zh) | 一种基于最大似然法的玉米倒伏面积提取系统及方法 | |
CN101692037B (zh) | 高光谱图像和独立分量分析植物叶面叶绿素分布的方法 | |
US20160063639A1 (en) | System and Method to Assist Crop Loss Adjusting of Variable Impacts Across Agricultural Fields Using Remotely-Sensed Data | |
CN108169161A (zh) | 一种基于改进型modis指数的玉米种植区域土壤湿度评估方法 | |
CN109816542B (zh) | 一种农作物减产理赔方法及系统 | |
CN102778212A (zh) | 一种利用数码相机获取水稻冠层叶面积指数的方法及装置 | |
CN113378747B (zh) | 一种小麦条锈病遥感预测方法及装置 | |
CN114581768A (zh) | 一种作物倒伏无人机监测方法及装置 | |
CN112836725A (zh) | 基于时序遥感数据的弱监督lstm循环神经网络稻田识别方法 | |
CN114881620B (zh) | 一种基于卫星遥感的国土空间监测方法与系统 | |
CN108764284A (zh) | 一种对松树病死木的高分辨率影像的分类去噪方法及系统 | |
CN114219847A (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
CN106991449A (zh) | 一种生活场景重构辅助识别蓝莓品种的方法 | |
CN114648705A (zh) | 一种基于卫星遥感的碳汇监测系统及方法 | |
CN117197668A (zh) | 基于深度学习的作物倒伏级别的预测方法及系统 | |
CN110991714A (zh) | 一种农作物倒伏灾情监测方法及系统 | |
CN113343808A (zh) | 一种基于卫星遥感技术的热带森林资源测量方法 | |
CN112418073A (zh) | 一种基于无人机图像融合特征的小麦植株氮含量估测方法 | |
Ormeci et al. | Identification of crop areas Using SPOT–5 data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201106 |