CN109710598B - 一种基于农作物的气象指数保险系统及其实现方法 - Google Patents
一种基于农作物的气象指数保险系统及其实现方法 Download PDFInfo
- Publication number
- CN109710598B CN109710598B CN201811529702.3A CN201811529702A CN109710598B CN 109710598 B CN109710598 B CN 109710598B CN 201811529702 A CN201811529702 A CN 201811529702A CN 109710598 B CN109710598 B CN 109710598B
- Authority
- CN
- China
- Prior art keywords
- data
- meteorological
- precipitation
- drought
- stage
- 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.)
- Active
Links
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明公开了一种基于农作物的气象指数保险系统,包括:基础数据模块、数据计算模块、AI服务模块和产品发布模块;基础数据模块用于收集数据,所述AI服务模块包括:基础日值数据获取、需水量计算、基础数据年汇总、健康分区、干旱等级、极值干旱等级对应重现期水平。所述产品发布模块用于发布对应的保险产品。本发明还公开了该保险系统的实现方法,包括:数据的整理和统计分析;阶段划分;降雨不足指数设定分析;降水过量指数设定分析。本发明的优点在于:解决目前农业保险实践中存在的查勘工作量大、成本高、精确定损难等问题。且应用广泛、数据精确、效率高。
Description
技术领域
本发明涉及农业保险技术领域,特别涉及一种基于农作物的气象指数保险系统及其实现方法。
背景技术
我国是农业大国,农业是国民经济的基础,是关系国计民生的第一产业,而农业保险是现代农业发展的重要保障措施。目前,我国现有农业保险产品存在的诸多问题,主要概况为以下几个方面:1、操作成本高:农业保险的高风险使农业保险的综合赔付率居高不下,标的分散经营使操作成本远高于其他险种;2、操作难度大:在农作物种植保险中,保险标的的确定以及验标、定标的过程复杂;一旦受损,现场勘查定损、赔付兑现的工作量很大,而且对时间的要求紧迫,其特殊性和复杂性决定了操作难度大;3、核灾定损复杂:农业保险的专业性很强,按照地块产量核定损失由于缺少客观的量化标准,容易理赔中产生异议,造成矛盾。4、可能导致“逆选择”的问题,目前农业保险的理赔方式是针对最终地块产量的损失进行赔付,损失越大赔付越多。从而对开展防灾自救、加大生产投入的产量较高或损失较少的地块得不到赔付,这就造成了农民在投保过程中只保差地,不保好地的逆选择问题,也影响了农民开展生产自救的积极性。
为响应国家农业科技化、数字化的政策导向,及破解如上农业保险面临的瓶颈难题,实现气象指数大灾普惠保险可降低农业保险操作成本、简化业务复杂性、使承保理赔简单易行、有效规避了农业保险的道德风险和逆选择问题,实现天灾面前、人人平等、数据说话、客观公正,在农业及农业保险中应用气象指数大灾普惠保险模式是有效的实现途径之一。
发明内容
本发明针对现有技术的缺陷,提供了,能有效的解决上述现有技术存在的问题。
为了实现以上发明目的,本发明采取的技术方案如下:
一种基于农作物的气象指数保险系统,包括:基础数据模块、数据计算模块、AI服务模块和产品发布模块;
所述基础数据模块包括:实时气象数据库、历史气象数据库和村级气象数据库;
实时气象数据:是指农业气象灾害监测站点采集的实时接收的气象数据,包括气温、气压、相对湿度、水气压、风、降水量等要素小时观测值,实时气象数据用于计算指数需水量、蒸散量的数据;
历史气象数据:用于计算作物生育阶段各类气象指数,实时接收的气象数据用于数据共享、灾害预警、评估定损、保险理赔的依据;
村级气象数据:是农村的气象数据包括气温、气压、相对湿度、水汽压、风、降水量。
所述基础数据模块能够进行数据清洗,将逐日的数据按照气象数据中缺测、降雪、雾露霜进行差值分析补全(差值分析:通过临近的气象站点数据对缺测的气象站点进行平均值补全。例如:A、B、C三个气象站点,其中B站某一时段数据缺测,而同时A、C站点是有数据,那么通过A、C两个站点数据的平均数值进行补全到B站的数据),补充不完整数据或剔除无效的数据。
所述数据计算模块:是对基础数据模块中的数据进行计算,包括警告数据、拟合数据、配置数据、精算数据;
警告数据:通过对地区基础气象数据筛选,将筛选结果及筛选日志提取整合为相应警告数据存储到MySQL数据库中,警告数据越严重则代表相应的数据结果相对越不真实。
拟合数据:将清洗后的基础数据根据作物生长阶段、作物种类、各个生育期,通过用matleb编写程序拟合降雨数据广义极值的分布情况,用来推算降水量多年出现频次并将数据分析整理得到相应拟合数据。
配置数据:平台针对不同地区不同作物等信息,所采用不同的生长阶段来进行拟合数据计算;
精算数据:分为两个方面,一方面是气象数据精算,利用matleb编写程序拟合降雨数据广义极值的分布情况,用来推算降水量多年出现频次并将数据分析整理;另一方面是保险精算采用多元回归模型分析不同阶段降雨量对玉米单产的偏影响系数,偏影响系数指的是排除其他因素后该变量变化对因变量的影响程度。
和全对数模型减缓单产趋势性、非线性关系等问题的影响,最后根据不同灾害等级对玉米单产的影响测度推算各理赔等级及数值。
数据计算模块还具有以下功能:
权限管理:用户所有的操作默认在所属的模式下进行,模式是一个用户所拥有的数据库对象的集合,每个用户都有自己的模式,用户与模式之间是一一对应的,模式的名字与用户名相同。
用户管理:新增用户、编辑用户、删除用户、修改密码、设置角色、单独授权、组织调动、用户有效性。
日志分析:监控系统运行错误,并获取错误时的相关数据包,录重要的信息,便于后期检查。
所述AI服务模块包括:基础日值数据获取、需水量计算、基础数据年汇总、健康分区、干旱等级、极值干旱等级对应重现期水平。
所述产品发布模块用于根据国家气象局历史日值数据与农业气象监测站所收集的数据来发布的发布对应的保险产品。
基于农作物的气象指数保险系统的实现方法,包括:
1.数据的整理和统计分析:
以降水过量和降水不足2个指标来评判的农作物健康状况。
2.五个阶段划分:
根据农作物的生长特点,划分了5个发育阶段:播种-出苗期、出苗-拔节期、拔节-抽雄期、抽雄-乳熟期、乳熟-成熟期;
分别计算气象站点58年内的5个发育阶段的需水量和降水量,并将灌溉量定为0;
3降雨不足指数设定分析
将农作物的干旱等级按水分亏缺指数(水分亏缺指数=100%×(累计需水量-累计降水量)/需水量)划分为无旱、轻旱、中旱、重旱和特旱5个等级。
将以水分亏缺指数为标准,按生育阶段分别将监控区域划分为健康区域和非健康区域。健康区域的旱级用各阶段的需水量乘以水分亏缺指数来计算各旱级的阈值,而非健康区域的旱级用各阶段的降水量乘以水分亏缺指数来计算各旱级的阈值。
保险产品采用目前常用的47种不同概率密度分布函数对降水量序列进行拟合,利用最大似然法估计得到函数的参数;并利用柯尔莫洛夫-斯米尔诺夫(K-S)检验法、安德森-达林(A-D)检验法和卡方(C-S)检验法三种拟合优度检验来对47中函数进行检验,对函数拟合结果排序,判断拟合的最优函数,计算得到各级干旱降水量对应的重现期,并逐年判别5个地区的各生育阶段的降水量的干旱等级。
4降水过量指数设定分析,判断降水过量的灾害:
1、针对性的调研和农户调查的形式:以问卷的形式,调查5个试点地区玉米主产区出现降水过量的年份,判断当地出现降水过量年时对应的降水量值;
2、根据试点地区的降水序列拟合出多年一遇的重现期水平,判断降水过量年对应的降水量重现水平;
3、计算试点地区的气候风险度,用不同的重现期降水量和不同的气候风险度来。
与现有技术相比本发明的优点在于:解决目前农业保险实践中存在的查勘工作量大、成本高、精确定损难等问题。且应用广泛、数据精确、效率高。
5.村触发
保险产品以村为单位建设气象监测站,用收集的村级气象监测数据作为触发产品理赔阈值的依据,使“灾害”精细化,能做出村与村之间的差异,减少基差风险。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下列举实施例,对本发明做进一步详细说明。
一种基于农作物的气象指数保险系统,包括:基础数据模块、数据计算模块、AI服务模块和产品发布模块;
所述基础数据模块包括:实时气象数据库、历史气象数据库和村级气象数据库;
实时气象数据:农业气象灾害监测点采集的实时接收的气象数据,包括气温、气压、相对湿度、水气压、风、降水量等要素小时观测值,实时气象数据用于计算指数需水量、蒸散量的数据。
历史气象数据:用于计算作物生育阶段各类气象指数,实时接收的气象数据用于数据共享、灾害预警、评估定损、保险理赔的依据
村级气象数据:是农村的气象数据包括:气温、气压、相对湿度、水气压、风、降水量。
基础数据模块能够进行数据清洗,将逐日的数据按照气象数据中缺测、降雪、雾露霜进行差值分析,补充相应不完整数据或剔除相应无效的数据。
所述数据计算模块:其功能是对基础数据模块中的数据进行计算,包括警告数据、拟合数据、配置数据、精算数据;
警告数据:通过对地区基础气象数据筛选,将筛选结果及筛选日志提取整合为相应警告并进行入库,警告数据越严重则代表相应的数据结果相对越不真实。
拟合数据:将清洗后的基础数据根据作物生长阶段、作物种类、各个生育期通过自研极值气象计算方法得到相应拟合数据。
配置数据:平台针对不同地区不同作物等信息,所采用不同的生长阶段来进行拟合数据计算;
精算数据:精算数据是通过极值计算、地区干旱指数等数据及相应算法得到。
数据计算模块具有如下功能:
用户权限管理:用户是一个数据库对象,是一系列数据库对象和权限的统称。
用户所有的操作默认在自己的模式下进行,模式是一个用户所拥有的数据库对象的集合,每个用户都有自己的模式,用户与模式之间是一一对应的,模式的名字与用户名相同。
用户管理通过主要的操作按钮和信息内容可知其功能有:新增用户、编辑用户、删除用户、修改密码、设置角色、单独授权、组织调动、用户有效性等。
日志分析:日志分析也是一个很大的概念,可能对于运维和安全人员关注的是系统的所有日志,包括访问日志、系统监测的日志等
目的是监控系统运行错误,并获取错误时的相关数据包,录入重要的信息,某些时候便于后期检查。
AI服务模块:AI服务模块包括基础日值数据获取、需水量计算、基础数据年汇总、健康分区、干旱等级、极值干旱等级对应重现期水平等。
所述产品发布模块用于根据国家气象局历史日值数据与农业气象监测站所收集的数据来发布的发布对应的保险产品。
数据计算层分阶段比重功能:
定义:由于作物在不同生育阶段对气象要素的敏感性不同,即不同的气象要素在作物不同的生育阶段对健康程度的影响不同,我们按照该种作物的生育关键期进行阶段划分,通过分阶段的百分比划分来反映气象要素在不同时间段内对作物健康的影响程度。
目的:通过对作物不同生育阶段进行比重的合理分配,反映作物生育周期内,气象指数对健康的影响程度,从而确定保费的比重,从时间上分散风险。
例子:北方春玉米生育过程中,水分在保证正常生育状况中起着至关重要的作用。因此,我们以北方春玉米在不同生育阶段中的作物需水量占全生育周期的作物需水量的比值作为各阶段的比重。
数据计算层,拟合数据功能:
定义:极端事件的重现期是指在一定年代的资料统计期间内,等于或大于某量级的极端事件出现一次的平均间隔时间,为该极端事件发生频率的倒数。
目的:利用多种概率分布函数对历史气象数据拟合后,选取最佳拟合函数,计算气象灾害的重现期。该重现期在保险精算中,可精确估算气象灾害风险的出现概率。
例子:这一问题的理论实质,就是极值概率分布的右侧(或左侧)概率问题。根据概率论,假定X为连续型随机变量,对于任意实数x来说,X<x的概率为:
AI服务层,气候风险度分析功能:
定义:各数据偏离平均数的距离(离均差)的平均数,用标准差比上平均数即可,变异系数越小越稳定。
目的:通过计算降水的气候风险度,反映极端降水的风险,离散度越大,出现极端降水的风险越大。
例子:降水极端偏多或偏少均会对作物的健康生长发育带来风险,气候风险度越大,作物健康受损的程度和风险越大。我们用玉米各生育阶段的累计降水量均方差与同期的平均降水量的比值,代表影响玉米健康的气候风险度。
AI服务层,参考蒸散量和作物需水量:
定义:在保证水分供给的条件下,参考作物表面发生的蒸散量,叫参考蒸散量(单位为:毫米,mm);在作物正常生育状况和最佳水、肥条件下,作物获得高产时所消耗的植株蒸腾、棵间蒸发及构成植株体的水量之和,就是作物需水量。
目的:参考蒸散量乘以各生育阶段的作物系数,可得到作物需水量。
例子:各生育阶段的作物参考蒸散量采用联合国粮农组织(FAO1998))推荐的Penman-Monteith公式计算,具体方法按照中国气象局行业标准QX/T 81-2007的计算。作物系数采用中国气象局行业标准QX/T 259-2015的参考值。
AI服务层,水分亏缺指数:
定义:某一时段内作物需水量与供水量(包括自然降水和灌溉水)之差占需水量的比值。
目的:通过判断水分亏缺程度,来判断作物生长阶段的健康程度,并以水分亏缺指数进行健康分区,从而确定计算降水不足指数的干旱等级。
例子:水分亏缺指数反映了土壤、植物、气象3方面因素的综合影响,更宏观、实用,能真实地反映出作物水分的亏缺状况,是比较常用的作物干旱诊断指标。通过计算北方春玉米不同生育阶段的水分亏缺指数,以选取特定的水分亏缺指数判断健康区域和非健康区域,并参考中国气象局行业标准QX/T 259-2015中水分亏缺指数干旱等级划分表,分别以需水量和降水量计算得出不同地区春玉米各生育阶段的降水不足气象指数。
引进水分亏缺指数:水分亏缺指数为某一时段内作物需水量与供水量(包括自然降水和灌溉水)之差占需水量的比值。通过判断水分亏缺程度,来判断作物生长阶段的健康程度,并以水分亏缺指数进行健康分区,从而确定计算降水不足指数的干旱等级。水分亏缺指数反映了土壤、植物、气象3方面因素的综合影响,更宏观、实用,能真实地反映出作物水分的亏缺状况,是比较常用的作物干旱诊断指标。通过计算农作物不同生育阶段的水分亏缺指数,以选取特定的水分亏缺指数判断健康区域和非健康区域,并参考中国气象局行业标准中水分亏缺指数干旱等级划分表,分别以需水量和降水量计算得出不同地区农作物各生育阶段的降水不足气象指数。如:吉林地区将水分亏缺指数>20%的地区视为非健康地区。
一种基于农作物的气象指数保险系统的实现方法如下:
1数据的整理和统计分析
北方春玉米种植带是我国重要的玉米生产区,北方的雨季与玉米生长发育同步,基本上是雨养农业。由于降水时空分布不均匀,容易发生季节性干旱和洪涝。由于玉米不同生育阶段对水分的需求量不同,因而受灾程度有较大差异。因此,本产品以降水过量和降水不足2个指标来评判玉米的健康状况。
2五个阶段划分
根据玉米的生长特点,采用阅读文献、查阅中国气象局行业标准《北方春玉米干旱等级》(QX/T 259-2015)及专家研讨会的形式,划分了玉米的5个发育阶段:播种-出苗期、出苗-拔节期、拔节-抽雄期、抽雄-乳熟期、乳熟-成熟期。
分别计算1961-2017年的5个发育阶段的需水量和降水量,需水量的计算方法参考中国气象局行业标准《北方春玉米干旱等级》(QX/T259-2015)和QX/T 81-2007中的具体方法计算,计算需水量时由于不考虑人为因素,因此将灌溉量定为0。
3降雨不足指数设定分析
按照中国气象局行业标准《北方春玉米干旱等级》(QX/T 259-2015)中规定,可将北方春玉米的干旱等级按水分亏缺指数(水分亏缺指数=100%×(累计需水量-累计降水量)/需水量)划分为无旱、轻旱、中旱、重旱和特旱5个等级。同时由于吉林省降水量的空间分布差异,水分亏缺指数呈现自中部地区向西部地区逐渐增加的分布特征。本产品中的试点县公主岭、农安、洮南、长岭、大安5个地区的需水量和降水量存在显著差异,公主岭地区5个阶段的水分亏缺指数在10%左右,农安地区5个阶段的水分亏缺指数在10%-20%之间,长岭地区5个阶段的水分亏缺指数在20%-30%之间,洮南地区5个阶段的水分亏缺指数多在35%以上,大安地区5个阶段的水分亏缺指数多在35%以上。
中部地区降水量偏多,水分亏缺指数偏小,西部地区降水量偏少,水分亏缺指数偏大。如果按照中国气象局行业标准《北方春玉米干旱等级》(QX/T 259-2015)中以需水量来计算干旱等级的时候,中西部干旱地区将频繁出现特旱、重旱的年景,符合“十年九旱”的地域特点,这与我们的普惠型保险产品相矛盾。为了解决以上问题,将以水分亏缺指数为标准,按生育阶段分别将吉林省划分为健康区域和非健康区域。按照QX/T 259-2015中的规定,健康区域的旱级用各阶段的需水量乘以水分亏缺指数来计算各旱级的阈值,而非健康区域的旱级用各阶段的降水量乘以水分亏缺指数来计算各旱级的阈值,以此来弥补地域间需水量和降水量差异过大的情况,从而进行合理的保险精算分析。
划分健康区域和非健康区域的水分亏缺指数值定义,公主岭地区是我省公认的最适宜玉米种植的地区,水分条件较好,因此各阶段分别以公主岭及其周围的长春南部玉米高产地区的水分亏缺指数为划分健康区和非健康区的标准,各生育阶段均认为该区域是健康区域,选取该区域内的水分亏缺指数最大值。水分亏缺指数高于该最大值的区域即为非健康区域,低于该最大值的区域即为健康区域。
公主岭5个生育阶段均为健康区域,出现各级干旱对应的降水量级用平均需水量乘以系数,得到对应的干旱等级降水量;农安、长岭、洮南、大安5个生育阶段均为非健康区域,出现各级干旱对应的降水量级用平均降水量乘以系数,得到对应的干旱等级降水量。
为了在保险精算中,精确估算干旱灾害风险的出现概率,产品采用目前常用的47种不同概率密度分布函数对降水量序列进行拟合,利用最大似然法估计得到函数的参数;并利用柯尔莫洛夫-斯米尔诺夫(K-S)检验法、安德森-达林(A-D)检验法和卡方(C-S)检验法三种拟合优度检验来对47中函数进行检验,对函数拟合结果排序,判断拟合的最优函数,计算得到各级干旱降水量对应的重现期,并逐年判别5个地区的各生育阶段的降水量的干旱等级。
4降水过量指数设定分析
北方春玉米健康生长发育不仅受降水不足的影响,也受降水过量的影响,玉米生育期间中部地区降水量明显多于西部地区,因此影响北方春玉米健康的过量降水对应的降水量值也不同。而降水量对北方春玉米健康生育的最关键时期则为拔节-成熟期,期间降水量极端偏多则更容易影响北方春玉米健康状况。由吉林省春玉米拔节-成熟期的降水量空间分布来看,拔节-成熟期和全生育阶段的两个时间段内中部和西部地区降水量的空间分布一致。而全省各地区拔节-成熟期的降水总量占全生育阶段降水总量的70%以上,中部和西部干旱区的比重均为75%以上。因此,不能单纯的降水量的多少来判断是否出现降水过量的灾害。为此,我们从以下几个方面来判断降水过量的灾害:
1、针对性的调研和农户调查的形式:以问卷的形式,调查5个试点地区玉米主产区出现降水过量的年份,判断当地出现降水过量年时对应的降水量值。
2、根据5个试点地区的降水序列拟合出多年一遇的重现期水平,判断降水过量年对应的降水量重现水平。
3、计算5个试点地区的气候风险度,用不同的重现期降水量和不同的气候风险度来。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (2)
1.一种基于农作物的气象指数保险系统的实现方法,其特征在于,所述气象指数保险系统包括:基础数据模块、数据计算模块、AI服务模块和产品发布模块;
所述基础数据模块包括:实施气象数据库、历史气象数据库和村级气象数据库;
实时气象数据:是指农业气象灾害监测站点采集的实时接收的气象数据,包括气温、气压、相对湿度、水气压、风和降水量要素小时观测值,实时气象数据用于计算指数需水量、蒸散量的数据;
历史气象数据:用于计算作物生育阶段各类气象指数,实时接收的气象数据用于数据共享、灾害预警、评估定损、保险理赔的依据;
村级气象数据:是农村的气象数据包括气温、气压、相对湿度、水汽压、风、降水量;
所述基础数据模块能够进行数据清洗,将逐日的数据按照气象数据中缺测、降雪、雾露霜进行差值分析补全,差值分析是通过临近的气象站点数据对缺测的气象站点进行平均值补全,补充不完整数据或剔除无效的数据;
所述数据计算模块:是对基础数据模块中的数据进行计算,包括警告数据、拟合数据、配置数据、精算数据;
警告数据:通过对地区基础气象数据筛选,将筛选结果及筛选日志提取整合为相应警告数据存储到MySQL数据库中,警告数据越严重则代表相应的数据结果相对越不真实;
拟合数据:将清洗后的基础数据根据作物生长阶段、作物种类、各个生育期,通过用matlab编写程序拟合降雨数据广义极值的分布情况,用来推算降水量多年出现频次并将数据分析整理得到相应拟合数据;
配置数据:平台针对不同地区不同作物信息,所采用不同的生长阶段来进行拟合数据计算;
精算数据:分为两个方面,一方面是气象数据精算,利用matlab编写程序拟合降雨数据广义极值的分布情况,用来推算降水量多年出现频次并将数据分析整理;另一方面是保险精算采用多元回归模型分析不同阶段降雨量对玉米单产的偏影响系数,偏影响系数指的是排除其他因素后该变量变化对因变量的影响程度;
全对数模型减缓单产趋势性和非线性关系问题的影响,最后根据不同灾害等级对玉米单产的影响测度推算各理赔等级及数值;
数据计算模块还具有以下功能:
权限管理:用户所有的操作默认在所属的模式下进行,模式是一个用户所拥有的数据库对象的集合,每个用户都有自己的模式,用户与模式之间是一一对应的,模式的名字与用户名相同;
用户管理:新增用户、编辑用户、删除用户、修改密码、设置角色、单独授权、组织调动、用户有效性;
日志分析:监控系统运行错误,并获取错误时的相关数据包,录入重要的信息,便于后期检查;
所述AI服务模块包括:基础日值数据获取、需水量计算、基础数据年汇总、健康分区、干旱等级、极值干旱等级对应重现期水平;
所述产品发布模块用于根据国家气象局历史日值数据与农业气象监测站所收集的数据来发布的发布对应的保险产品;
所述实现方法具体包括:
1.数据的整理和统计分析:
以降水过量和降水不足2个指标来评判的农作物健康状况;
2.五个阶段划分:
根据农作物的生长特点,划分了5个发育阶段:播种-出苗期、出苗-拔节期、拔节-抽雄期、抽雄-乳熟期、乳熟-成熟期;
分别计算气象站点58年内的5个发育阶段的需水量和降水量,并将灌溉量定为0;
3.降雨不足指数设定分析:
将农作物的干旱等级按水分亏缺指数划分为无旱、轻旱、中旱、重旱和特旱5个等级,水分亏缺指数=100%×(累计需水量-累计降水量)/需水量;
将以水分亏缺指数为标准,按生育阶段分别将监控区域划分为健康区域和非健康区域,健康区域的旱级用各阶段的需水量乘以水分亏缺指数来计算各旱级的阈值,而非健康区域的旱级用各阶段的降水量乘以水分亏缺指数来计算各旱级的阈值;
保险产品采用不同的概率密度分布函数对降水量序列进行拟合,利用最大似然法估计得到函数的参数;并利用柯尔莫洛夫-斯米尔诺夫检验法、安德森-达林检验法和卡方检验法三种拟合优度检验来对概率密度分布函数进行检验,对函数拟合结果排序,判断拟合的最优函数,计算得到各级干旱降水量对应的重现期,并逐年判别5个试点地区的各生育阶段的降水量的干旱等级;所述5个试点地区包括公主岭、农安、长岭、洮南和大安;
4.降水过量指数设定分析,判断降水过量的灾害:
1、针对性的调研和农户调查的形式:以问卷的形式,调查5个试点地区玉米主产区出现降水过量的年份,判断当地出现降水过量年时对应的降水量值;
2、根据试点地区的降水序列拟合出多年一遇的重现期水平,判断降水过量年对应的降水量重现水平;
3、计算试点地区的气候风险度,用不同的重现期降水量和不同的气候风险度来。
2.根据权利要求1所述的一种基于农作物的气象指数保险系统的实现方法,其特征在于,包括:保险系统采用村触发机制,保险产品以村为单位建设气象监测站,用收集的村级气象监测数据作为触发产品理赔阈值的依据,做出村与村之间的差异,减少基差风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811529702.3A CN109710598B (zh) | 2018-12-14 | 2018-12-14 | 一种基于农作物的气象指数保险系统及其实现方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811529702.3A CN109710598B (zh) | 2018-12-14 | 2018-12-14 | 一种基于农作物的气象指数保险系统及其实现方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109710598A CN109710598A (zh) | 2019-05-03 |
CN109710598B true CN109710598B (zh) | 2023-02-17 |
Family
ID=66256380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811529702.3A Active CN109710598B (zh) | 2018-12-14 | 2018-12-14 | 一种基于农作物的气象指数保险系统及其实现方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109710598B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110647538A (zh) * | 2019-10-18 | 2020-01-03 | 成都淞幸科技有限责任公司 | 一种基于soa的气候观测数据高速合成分析方法 |
CN111260241B (zh) * | 2020-01-23 | 2021-02-02 | 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 |
CN112084433B (zh) * | 2020-09-14 | 2024-04-16 | 周盛 | 一种根据区域划分进行人工影响天气抗旱作业的方法 |
CN112257925A (zh) * | 2020-10-22 | 2021-01-22 | 安徽省农村综合经济信息中心(安徽省农业气象中心) | 一种基于降水和温度的水稻稻曲病预测方法 |
CN112580981B (zh) * | 2020-12-18 | 2024-04-16 | 湖南省气候中心 | 农作物气候风险识别方法、装置及计算机设备 |
CN116448966B (zh) * | 2023-06-15 | 2023-09-12 | 吉林省中农阳光数据有限公司 | 基于智能物联网和深度学习相结合的空气质量评估方法 |
CN116777081B (zh) * | 2023-08-15 | 2023-11-03 | 吉林省中农阳光数据有限公司 | 一种春玉米产量预测模型获得方法及其产量预测方法 |
CN117849907B (zh) * | 2024-03-07 | 2024-05-24 | 江苏省气象台 | 基于多源数据的气象灾害靶向预警方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184445A (zh) * | 2015-08-06 | 2015-12-23 | 北京市气候中心 | 一种玉米干旱气象灾害多年平均损失率的计算方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030126155A1 (en) * | 2001-12-28 | 2003-07-03 | Parker Daniel J. | Method and apparatus for generating a weather index |
GB201405788D0 (en) * | 2014-03-31 | 2014-05-14 | Imp Innovations Ltd | A computer implemented method of deriving performance from a local model |
CN106815658A (zh) * | 2017-01-17 | 2017-06-09 | 云南瀚哲科技有限公司 | 一种农业干旱预警系统 |
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 |
-
2018
- 2018-12-14 CN CN201811529702.3A patent/CN109710598B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184445A (zh) * | 2015-08-06 | 2015-12-23 | 北京市气候中心 | 一种玉米干旱气象灾害多年平均损失率的计算方法 |
Non-Patent Citations (3)
Title |
---|
Probability Distribution of Precipitation Extremes for Weather Index–Based Insurance in the Zhujiang River Basin, South China;Thomas Fischer et al.;《American Meteorological Society》;20120630;1023-1037 * |
农业保险需求的影响因素分析及气象指数保险研究;匡昕;《中国优秀硕士学位论文全文数据库 经济与管理科学辑》;20150715;J161-17 * |
天气指数保险费率厘定方法探究——以水稻干旱指数保险为例;邵杰;《理论与实践》;20160420;36-41 * |
Also Published As
Publication number | Publication date |
---|---|
CN109710598A (zh) | 2019-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109710598B (zh) | 一种基于农作物的气象指数保险系统及其实现方法 | |
Gallardo et al. | Decision support systems and models for aiding irrigation and nutrient management of vegetable crops | |
Yuan et al. | Uncertainty in simulating gross primary production of cropland ecosystem from satellite-based models | |
Fischer et al. | Global agro-ecological zones v4–model documentation | |
US10096073B2 (en) | Systems to prescribe and deliver fertilizer over agricultural fields and related methods | |
Quiroga et al. | A comparison of the climate risks of cereal, citrus, grapevine and olive production in Spain | |
Rao et al. | Climate variability and change: Farmer perceptions and understanding of intra-seasonal variability in rainfall and associated risk in semi-arid Kenya | |
Kayad et al. | Ten years of corn yield dynamics at field scale under digital agriculture solutions: A case study from North Italy | |
Wang et al. | Differences in ecosystem water-use efficiency among the typical croplands | |
Parida et al. | Detecting drought-prone areas of rice agriculture using a MODIS-derived soil moisture index | |
CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
Abedinpour et al. | Prediction of maize yield under future water availability scenarios using the AquaCrop model | |
CN113849763A (zh) | 冬小麦-夏玉米干旱灾害风险评估方法、存储介质及终端 | |
CN113919146A (zh) | 一种基于土壤速效水的农业干旱指数构建方法 | |
Guan et al. | The relationship between sap flow of intercropped young poplar trees (Populus× euramericana cv. N3016) and environmental factors in a semiarid region of northeastern China | |
Yang et al. | Soil drought and vegetation response during 2001–2015 in North China based on GLDAS and MODIS data | |
Narasimhan | Development of indices for agricultural drought monitoring using a spatially distributed hydrologic model | |
Quaye-Ballard et al. | Spatiotemporal dynamics of rainfall in upper east region of Ghana, West Africa, 1981–2016 | |
Tickle et al. | Comparison of a forest process model (3-PG) with growth and yield models to predict productivity at Bago State Forest, NSW | |
Rossi | An integrated approach to drought mitigation in Mediterranean regions | |
Denham et al. | The rate of canopy development modulates the link between the timing of spring leaf emergence and summer moisture | |
AU2021105767A4 (en) | Risk Assessment Method of Winter Wheat Summer Maize Disaster | |
Levin et al. | Estimating irrigation water use in the humid eastern United States | |
Bretreger et al. | Monitoring irrigation volumes using climate data and remote sensing observations | |
Nagarajan et al. | Drought indices |
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 |