CN109816542A - 一种农作物减产理赔方法及系统 - Google Patents
一种农作物减产理赔方法及系统 Download PDFInfo
- Publication number
- CN109816542A CN109816542A CN201910081488.8A CN201910081488A CN109816542A CN 109816542 A CN109816542 A CN 109816542A CN 201910081488 A CN201910081488 A CN 201910081488A CN 109816542 A CN109816542 A CN 109816542A
- Authority
- CN
- China
- Prior art keywords
- image
- vegetation
- data
- resolution
- area
- 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
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
Landscapes
- Image Processing (AREA)
Abstract
本发明公开了一种农作物减产理赔方法及系统,包括以下步骤:数据采集步骤:通过卫星遥感传感器采集植被种植区域的卫星影像图像;数据中心处理计算步骤:根据接收到的卫星影像图像经过分析处理得到植被种植区域的数据信息,进而计算出各个植被区域中各个植被指数等级的产量信息和理赔信息。通过卫星影像图像分析处理得到植被种植区域的分布信息以及植被指数计算出植被的产量,根据与历史数据的对比得到减产比例,根据减产比例匹配相应的理赔率;无需人工计算,提高了理赔效率和准确率。
Description
技术领域
本发明涉及一种理赔方法及系统,尤其涉及一种农作物减产理赔方法及系统。
背景技术
随着社会的发展越来越多的人认识到保险的重要性,大部分保险都是对自己或者家人进行投保;但是也存在一些特殊的投保保单,比如对自己家农作物的产量进行投保,以保证如果遇到自然灾害导致农作物(如油菜)产量锐减造成自己很大的经济损失。
在保险的理赔阶段,油菜减产的程度是一项关键的理赔依据。准确掌握受灾的程度是后续理赔重要的数据证明,因此如何根据各个种植区域油菜的减产受灾程度确定合理的理赔方法,是现阶段需要解决的问题。
发明内容
本发明的目的在于克服现有技术的不足,提供一种农作物减产理赔方法及系统,解决了现目前理赔方式理赔准确率低的问题。
本发明的目的是通过以下技术方案来实现的:一种农作物减产理赔方法,包括以下步骤:
数据采集步骤:通过卫星遥感传感器采集植被种植区域的卫星影像图像;
数据中心处理计算步骤:根据接收到的卫星影像图像经过分析处理得到植被种植区域的数据信息,进而计算出各个植被区域中各个植被指数等级的产量信息和理赔信息。
数据中心处理计算包括:
图像处理识别步骤:根据接收到的卫星影像图像通过后台进行分析处理得到植被种植区域的数据信息;
理赔计算步骤:计算各个植被指数等级的产量,根据各个植被区域中各个植被指数等级的产量判断理赔额。
数据采集步骤的具体内容如下:
采样:将空间上连续的图像转化成离散的采样点集;
量化:通过光电转换、量化之描述单个存储单元所分配的比特位数;
编码:通过有损与无损压缩后进行Huffman编码、行程编码、DWT离散小波变换编码将模拟图像变成数字图像。
图像处理识别步骤的具体内容如下:
对接收的卫星影像图像进行预处理;
通过卷积神经网络模型对预处理后的卫星影像图像进行识别;
对识别结果经过处理后,再与GIS地理信息结合计算得到植被种植区域的数据信息。
建立卷积神经网络模型的步骤包括:
搭建模型框架;
读取图像并对模型进行训练学习;
根据模型训练学习情况实时对模型超参数进行调节;
将完成训练的模型进行固定和保存。
理赔计算步骤的具体内容如下:
计算各个种植区域的植被指数等级以及各个种植区域内各个植被指数等级所占比例;
计算出各个种植区域中各个植被指数等级的产量;
与历史的产量数据进行对比计算出减产比例,根据减产比例匹配对应的理赔率。
计算各个植被种植区域的植被指数等级以及各个植被指数等级所占比例的具体内容如下:
通过归一化植被指数计算出各个种植区域的植被指数等级;
根据植被指数等级分布计算各个植被指数等级在各个种植区域所占比例。
计算出各个种植区域中各个植被指数等级的产量的具体内容如下:
对每个植被指数等级选取一定数量的成熟农作物种植区域作为样本地块;
每个样本地块选取一定数量的取样点,每个取样点收割固定面积的农作物;
对收割的农作物进行处理并计算出单位面积内的产量;
根据样本地块的测量结果,计算出各植被区域的各植被指数等级的农作物整体产量。
对接收的卫星影像图像进行预处理步骤的具体内容如下:
辐射定标步骤:将数据采集设备记录的数字量化值转换为与其对应视场中辐射亮度值;
大气校正步骤:通过FLAASH模块对采集的卫星影像图像进行大气校正;
几何校正步骤:实现通过卫星影像图像的RPC信息,对多光谱和全色数据进行几何校正把影像图像校正于坐标系统上;
图像融合步骤:将不同波段的数据进行组合,提高卫星影像图像的地面分辨率和色彩分辨率;
图像配准步骤:将多幅不同卫星影像图像进行匹配和叠加;
图像裁切镶嵌步骤:将多幅卫星影像图像进行裁切并将裁切后的图像镶嵌为需要的影像图像数据。
一种农作物减产理赔系统,包括:
前端数据采集设备:实现采集植被种植区别的卫星影像图像并发送到数据中心;
数据中心:实现接收所述前端数据采集设备采集的卫星影像图像并分析处理得到植被种植区域的数据信息,进而计算出各个植被区域中各个植被指数等级的产量信息和理赔信息;
数据存储服务器:实现对所述前端数据采集设备采集的卫星影像图像、经过分析处理后的数据信息以及理赔信息进行存储以及数据查询管理。
数字中心包括:
图像处理识别模块:实现根据接收到的卫星影像图像通过后台进行分析处理得到植被种植区域的数据信息;
理赔计算模块:实现计算各个植被指数等级的产量,根据各个植被区域中各个植被指数等级的产量判断理赔额。
本发明的有益效果是:一种农作物减产理赔方法及系统,通过卫星影像图像分析处理得到植被种植区域的分布信息以及植被指数计算出植被的产量,根据与历史数据的对比得到减产比例,根据减产比例匹配相应的理赔率;无需人工计算,提高了理赔效率和准确率。
附图说明
图1为本发明方法的流程图;
图2为数据中心处理计算流程图;
图3为模型训练学习流程图;
图4为各种植区域中各个植被指数等级产量计算流程图;
图5为油菜种植区域识别图和现场图对比效果图;
图6为油菜开花时种植区域识别图和现场图对比效果图;
图7为果树种植区域卫星识别图和现场对比图;
图8为小麦种植区域卫星识别图和现场对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“上”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
如图1所示,一种农作物减产理赔方法,包括以下步骤:
S1、数据采集步骤:通过卫星遥感传感器采集植被种植区域的卫星影像图像;
S2、数据中心处理计算步骤:根据接收到的卫星影像图像经过分析处理得到植被种植区域的数据信息,进而计算出各个植被区域中各个植被指数等级的产量信息和理赔信息。
步骤S2数据中心处理计算包括:
S21、图像处理识别步骤:根据接收到的卫星影像图像通过后台进行分析处理得到植被种植区域的数据信息;
S22、理赔计算步骤:计算各个植被指数等级的产量,根据各个植被区域中各个植被指数等级的产量判断理赔额。
步骤S1数据采集步骤的具体内容如下:
S11、采样:将空间上连续的图像转化成离散的采样点集;
S12、量化:通过光电转换、量化之描述单个存储单元所分配的比特位数;
S13、编码:通过有损与无损压缩后进行Huffman编码、行程编码、DWT离散小波变换编码将模拟图像变成数字图像。
如图2所示,步骤S21图像处理识别步骤的具体内容如下:
S211、对接收的卫星影像图像进行预处理;
S212、通过卷积神经网络模型对预处理后的卫星影像图像进行识别;
S213、对识别结果经过处理后,再与GIS地理信息结合计算得到植被种植区域的数据信息。
在进行所述通过卷积神经网络模型对预处理后的卫星影像图像进行识别之前,还需要完成卷积神经网络模型的建立;建立卷积神经网络模型的步骤如下:
C1、搭建模型框架;
C2、读取图像并对模型进行训练学习;
优选地,使用Adam优化器优化参数,在训练过程中逐步调整学习率,1000次之前学习率为0.01,大于等于1000次小于4000次学习率0.001,大于等于4000次学习率0.0001。
C3、根据模型训练学习情况实时对模型超参数进行调节;主要通过对输入图片尺寸、图片预处理方式、学习率、模型深度和过拟合抑制的调节来提高模型的准确率;
C4、将完成训练的模型进行固定和保存。
超参数主要包括学习率、正则化参数、批次数据大小、损失函数、权重初始化方法、激活函数、步长、卷积核大小、迭代次数和卷积层数;
对模型超参数调节的策略为:
为每个超参数定义一个取值范围;如学习率定义为一个列表1-10-6的均匀分布,batch size(批次大小)以2为倍数,定义范围为2-32,激活函数取值范围为Sigmoid,tanh,ReLu,Elu,Maxout等,其他超参数也按照其参数取值特点,设定取值范围。
在每个超参数取值范围中随机选取一个值,形成一个组合;并根据模型训练效果增加超参数的组合数;
根据形成组合的超参数值进行模型的训练和测试,当模型训练后损失函数值和训练集准确性符合要求时,完成模型训练;
一般情况下,随机获得60个组合,进行训练,测试,查看每个组合在训练集和测试集的表现,从60个组合中选出效果比较好的组合作为预测模型,一般判断超参数是否合适,要求模型训练后损失函数值小于10-4,训练集准确性大于95%,测试集准确性大于95%,作为合适的模型;超参数的组合数量与时间、机器性能、模型效果有关,模型效果不好,就增加超参数组合数,直到获取理想的模型。
传统的机器学习方法,需要手工提取特征,手工设计主要依靠设计者的先验知识,很难利用大数据的优势。由于依赖手工调参数,因此特征的设计中所允许出现的参数数量十分有限。本发明可以从大数据中自动学习特征的表示,可以包含成千上万的参数,因此极大提高了识别的准确率。
如图3所示,步骤C2读取图像对模型进行训练学习的具体步骤如下:
C21、读取训练图像和已经完成样本点标注的标签图像;其中,标签图像是在训练图像上对特征地物和背景进行标注,特征地物标注值为0,背景标注值为255;
C22、对训练图像和标签图像进行去像素点处理;主要在训练图像和标签图像的高度和宽度维度上分别去除边缘两个像素点,每个图像共去除四个像素点;因图片边缘可能会出现锯齿,对分类结果造成干扰,所以进行边缘像素点去除操作;
C23、将标签图像转换成多通道的one-hot样本,并定义各个通道的含义;
优选地,将标签图像转换成两个通道的one-hot样本,其中,定义第一个通道表示特征地物,定义第二个通道表示背景;因为对每个通道的含义进行了定义,所以每个通道上的值的大小能够表示该通道代表含义的多少或者高低,如第一通道上的值越大,就表示特征地物越明显,第一通道上的值越小,就表示特征地物越不明显。
C24、对训练图像各个通道上的值进行归一化处理(z-score处理);公式为:(像素点各通道的值-各通道平均值)/各通道标准差。使输入数据各个特征的分布相近,一定程度上消除因图像质量不佳或噪声等各种原因对模型权重更新的影响,更容易训练出有效的模型;
C25、根据训练图像生成训练池;每次训练从用于训练的图像上选取16张相同大小的图像作为一个训练池,输入到模型中进行训练,训练10000次完成训练;
C26、对训练图像进行卷积以及卷积转置处理,当训练达到预设条件时,训练学习结束。
优选地,训练次数小于1000次时,学习率0.01,训练次数在1000至4000次,学习率0.001,训练次数在4000次至10000次,学习率0.0001,10000次时,训练结束;因此,训练的预设条件为训练次数大于或者等于10000次。
优选地,步骤C25根据训练图像生成训练池的具体步骤如下:
C251、从训练图像上随机选取一个点为中心,生成一个一定尺寸的图片选取框;
C252、再对图片选取框随机选取一个角度进行旋转,得到一个一定尺寸的训练分图像;
C253、然后对上述步骤进行迭代,得到一定数量的训练分图像组合呈图像集作为训练池。
优选地,每次从训练图像上随机选取一个点为中心,生成一个256*256的图片选取框,再随机选取一个角度,进行旋转,旋转后得到高和宽为256*256训练分图像,在依次进行迭代,按照此方式选取16张图像组成图像集作为一个训练池。
其中,步骤S212通过卷积神经网络模型对预处理后的卫星影像图像进行识别;每个输入图像大小256*256,通过5次卷积后图像大小16*16,经过4次卷积转置再与卷积层相同大小的图像在通道维度上进行拼接,得到最终输入图片大小256*256,即可利用此预测结果与实际标签图像进行逐像素点的比对。
步骤C261卷积处理的步骤如下:
C2611、对训练图像根据卷积深度进行n次卷积;
C2612、在第n次卷积后根据进行一次dropout处理,得到第n次卷积后的图像。
优选地,一共进行5次卷积,即n=5,卷积深度分别为64、128、256、512、1024;卷积层实用内核大小3*3,滑动步长1*1。使用边缘自动补充;激活层使用relu(The RectifiedLinear Unit,函数表达是f(x)=max(0,x))函数进行非线性变换;池化层采用2*2的max_pooling,滑动步长2*2,边缘自动补充;第5次卷积后,为了减少过拟合现象,需要进行一次dropout处理,根据不同植被使用不同的值。经过5次卷积获得维度为16*16*1024的图像。
步骤C262卷积转置的步骤如下:
C2621、将第n次卷积结果进行卷积转置,并将卷积转置结果与第n-1次卷积结果进行拼接;
C2622、对拼接结果进行一次卷积,再对上一次卷积结果进行一次卷积;
C2623、根据上述方式依次进行n-1次卷积转置处理。
优选地,对第5次卷积后的结果进行卷积转置,将卷积转置结果与第4次卷积结果进行拼接,对拼接后的结果进行一次卷积,再对卷积结果进行一次卷积;依次按照卷积转置—拼接—卷积—卷积的方式依次进行4次卷积转置;最后一次将图像卷积成维度256*256*2的图像。
其中,卷积转置层使用的内核大小为3*3,滑动步长为2*2;使用带Softmax的交叉熵损失函数,并使用Adam优化器优化参数,其中Adam优化器beta1为0.9,beta2为0.999,训练次数小于1000次时,学习率0.01,训练次数在1000至4000次,学习率0.001,训练次数在4000次至10000次,学习率0.0001,10000次时,训练结束。
步骤S22理赔计算步骤的具体内容如下:
S221、计算各个种植区域的植被指数等级以及各个种植区域内各个植被指数等级所占比例;
S222、计算出各个种植区域中各个植被指数等级的产量;
S223、与历史的产量数据进行对比计算出减产比例,根据减产比例匹配对应的理赔率。
优选地,计算过去几年(5年)内油菜产量的平均产量;将计算得到的各个种植区域中各个植被指数等级的产量与历史的平均产量进行对比计算出减产比例;另外,由于油菜的投保面积和利用卫星影像图像测定的油菜种植面积的差异,在计算减产比例时各个乡镇的投保种植油菜面积,按照平均的投保和实际种植面积的比例进行折算。
其中,平均产量=∑(近5年某区域油菜平均产量)/5;损失比例=(平均产量-某植被等级的产量)/平均产量×100%。
步骤S221计算各个植被种植区域的植被指数等级以及各个植被指数等级所占比例的具体内容如下:
A1、通过归一化植被指数计算出各个种植区域的植被指数等级;
A2、根据植被指数等级分布计算各个植被指数等级在各个种植区域所占比例。
优选地,归一化植被指数(NDVN)主要用于检测植被生长状态、植被覆盖度和消除部分辐射误差等,其表达式为:
NDVN=(pnnr-pred)/(pnnr+pred)
式中,pnnr表示近红外波段的辐射亮度值,pred表示红外波段的辐射亮度值;其取值范围为:-1≤NDVN≤1,负值表示地面覆盖为云、水、雪等,对可见光高反射;零表示有岩石或者裸土等,此时近红外波段的辐射亮度值与红外波段的辐射亮度值相近;正值表示植被覆盖,且随覆盖度增大而增大。
如图4所示,步骤S222计算出各个种植区域中各个植被指数等级的产量的具体内容如下:
B1、对每个植被指数等级选取一定数量的成熟农作物种植区域作为样本地块;
B2、每个样本地块选取一定数量的取样点,每个取样点收割固定面积的农作物;
B3、对收割的农作物进行处理并计算出单位面积内的产量;
B4、根据样本地块的测量结果,计算出各植被区域的各植被指数等级的农作物整体产量。
优选地,对收割的油菜进行处理步骤包括:
使用尼龙绳网带将油菜包好、晾晒;
将晒干后的油菜样本进行脱粒去杂质处理,然后称量油菜籽的重量;
通过油菜籽水分测定仪,测定油菜籽的含水量进而确定油菜籽的干重。则油菜籽单位面积内的产量为:
产量(kg/亩)=每平方米油菜籽湿重×[1-油菜籽含水量]÷亩与平方米转换系数÷[1-14%];
其中,亩与平方米转换系数为666.67平方米/亩,14%为油菜籽的标准含水量。
则根据样本地块的测量结果,计算各植被等级的油量产量为:
∑(各植被等级地块面积×该等级样本地块亩产量);
优选地,油菜籽水分含量测量为使用自动干燥模式,温度105℃下,当样品重量不再下降时,则干燥结束;含水量=(初始样品重量-最终样品重量)/初始样品重量×100%。
步骤S211对接收的卫星影像图像进行预处理步骤的具体内容如下:
辐射定标步骤:将数据采集设备记录的数字量化值转换为与其对应视场中辐射亮度值;为了后面的大气校正,首先需要先对遥感影像数据进行辐射定标,得到大气上层的表观反射率;
优选地,辐射定标是把数据采集设备(卫星遥感传感器)所记录的电压或者数字量化值(DN)转换成绝对辐射亮度值或者地表反射率和表观温度等物理量有关的相对值的过程。而为了得到大气上层的表观反射率以便于进行大气校正,就需要先对卫星遥感影像数据进行辐射定标;其中,辐射亮度值和DN值之间的转换的表达式为:
Lλ=Gain*DN+Offset
式中,Lλ为辐射亮度值,单位为W/(cm2·μm·sr),定标参数增益(Gain)和偏移(Offset)可以通过下式来计算得到:
式中Lmin和Lmax为传感器接收到的最小和最大辐射亮度值,Qmin和Qmax是最小和最大DN值。通过上式得到的辐亮度值可以用下式转换为表观反射率:
式中ρλ指星上反射率,ESUNλ为太阳常数,d为日地平均距离,θs代表太阳天顶角。
大气校正步骤:通过FLAASH模块对采集的卫星影像图像进行大气校正;消除大气对电磁波传输的影响,以便后面的定量反演工作;
优选地,FLAASH大气校正其具有精度高、能够有效校正邻近效应、能支持多种传感器、能够对波谱噪声进行平滑处理、根据图像像素的光谱特征对大气属性进行估计和不需要同步测量遥感成像时的大气参数的特点。
几何校正步骤:实现通过卫星影像图像的RPC信息,对多光谱和全色数据进行几何校正把影像图像校正于坐标系统上;用于消除地形及传感器平台等引起的变形,保证之后影像的配准精度,融合后影像才能没有重影、光谱错位等现象;
卫星遥感影像图像的几何校正主要是来处理影像成像时产生的几何畸变。由于卫星传感器平台外方位元素变化以及地球自转和地球曲率等变化因素从而产生的系统性变形,这种变形是可预测且具有较强规律性,而在采集油菜种植区域的卫星影像图像时由于成像区域不同地形产生的光谱类型不一致,大气折射的扭曲以及卫星传感器本身平台的速度、姿态、高度等因素的影响,使成像产生的几何变形难以消除,因此必须消除这些变形,才能保证之后影像的配准精度,融合后影像才能没有重影、光谱错位等无效影像。
几何校正步骤的内容如下:
选取地面控制点;
根据地面控制点确定地图投影和坐标,保证控制点的地理坐标与地图投影保持一致;
一般大比例尺地形图可提供精确的坐标信息,选择控制点应具有容易分辨、相对稳定、特征明显的位置等特征;而对于一个阶数达到N阶的多项式而言,一般3阶就行了,它的控制点数量至少为(N+1)(N+2)/2,控制点数的选取数目一般都会远大于最低数,常取的数量在6倍左右。
对纠正方程进行计算,通过控制点确定图像中像平面坐标点。
利用多项式纠正方程改正复杂的变形,多项式纠正方程为:
式中,(x,y)为像点的像平面坐标;(X,Y)为其对应地面点的大地坐标;ak、bk为多项式的系数,又是待定系数。通常待定系数下标k选为5,甚至还常常不用a3,b3,a5,b5,即仅设8个待定系数。待定系数有图像控制点坐标确定。所谓控制点又称为同名点,即在图像中既是像平面坐标点,又为对应地面点的大地坐标点。结算待定系数过程中控制点的个数至少应等于联立方程所采用的多项式待定系数个数的一半,如联立方程的待定系数有8个,则控制点个数应为4个以上。
图像融合步骤:将不同波段的数据进行组合,影像数据中所包含的信息优势或互补性信息有机地结合起来,提高卫星影像图像的地面分辨率和色彩分辨率;
优选地,通过GS(Gram-Schmidt)变换是将MS影像转换到正交空间消除冗余信息,使变换后的各分量在正交空间里都正交,各分量中信息量的保留程度相差较小。不受波段限制,能够很好地保持光谱要素信息,对目标地物的空间纹理保持性也较好。GS变换公式如下:
其中,GST是GS变换后产生的第T个分量,BT是原始多光谱影像的第T个波段影像,μT是第T个原始多光谱波段影像灰度值的均值。
图像配准步骤:将多幅不同卫星影像图像进行匹配和叠加;即将不同时间、不同卫星遥感传感器或者不同条件下(天候、照度、摄像位置和角度等)获取的两幅或者多幅卫星影像图像进行匹配和叠加;为使同一地区的两种数据源能在同一个地理坐标系中进行叠加显示和数学运算。
对卫星影像图像进行匹配和叠加的过程为:首先对两幅图像进行特征提取得到特征点;通过进行相似性度量找到匹配的特征点对;然后通过匹配的特征点对得到图像空间坐标变换参数;最后由坐标变换参数进行图像配准。
图像裁切镶嵌步骤:将多幅卫星影像图像进行裁切并将裁切后的图像镶嵌为需要的影像图像数据。
一种农作物减产理赔系统,包括:
前端数据采集设备:实现采集植被种植区别的卫星影像图像并发送到数据中心;
数据中心:实现接收所述前端数据采集设备采集的卫星影像图像并分析处理得到植被种植区域的数据信息,进而计算出各个植被区域中各个植被指数等级的产量信息和理赔信息;
数据存储服务器:实现对所述前端数据采集设备采集的卫星影像图像、经过分析处理后的数据信息以及理赔信息进行存储以及数据查询管理。
优选地,前端数据采集设备包括高分二号遥感卫星,其是空间分辨率优于1米的民用光学遥感卫星,搭载有两台高分辨率1米全色、4米多光谱相机,具有亚米级空间分辨率、高定位精度和快速姿态机动能力等特点,有效地提升了卫星综合观测效能。
数字中心包括:
图像处理识别模块:实现根据接收到的卫星影像图像通过后台进行分析处理得到植被种植区域的数据信息;
理赔计算模块:实现计算各个植被指数等级的产量,根据各个植被区域中各个植被指数等级的产量判断理赔额。
在对农作物进行理赔前,需要对农作物实际受损情况进行快速、准确地测量。
而发明人令人意想不到地发现采用传统定损方法对农作物减产损失进行损失确定时,往往人工成本很高;传统定损方法:通常在农作物发生灾害后,保险公司需现场核查,掌握具体受损面积、受损程度,对于受损面积,需现场人工测量;对于受损程度的鉴定,需现场采样、室内考种,确定损失产量,十分消耗人力资源。单独一个县的现场核查,5个定损员需花费约1个月的时间才可完成较为精确的定损,约花费5*30=150工天;然后再根据人工测量结果确定是否理赔和理赔情况,整个理赔流程所花费的时间和人力成本是巨大的。
室内考种(这是农业上常用的一个术语)就是将户外采集的样本,比如油菜,带回室内,测量含水量、千粒重、空瘪粒百分比等指标。
而采用本发明的减产理赔方法:利用卷积神经网络对卫星影像进行分析处理,能够快速获取农作物种植区域的分布和种植面积,提高了农作物种植面积统计的效率和准确度,避免了人工统计计算面积不准确以及统计效率低的问题,也极大地减少了人力成本;
利用卫星图像确定项目区内植被等级,不同的植被等级下抽取一定样本,通过室内考种,可以快速获得项目区内作物产量损失情况。达到快速定损的目的。利用本发明的方法,大约2个人,一周可以完成,约花费2*7=14工天;由此可以看出采用本发明的方法前期的定损过程所花费的时间和人力成本大大地降低,极大地降低了整个理赔流程的时间和人力成本,极大程度节约了人力、物力,同时避免了传统定损方法中人工测量产生的误差。显著提高定损精度和经济效益,在商业运营模式中取得了巨大的成功。
实施例1,2018年初,四川省乐山市犍为县大部分地区遭遇了较为严重的旱情,对油菜的生产造成了负面影响。犍为县部分地区的油菜农业保险,由我保险公司承保,在保险公司承保的区域一共有18个乡镇,主要位于岷江以东地区。在保险的理赔阶段,油菜减产的程度是一项关键的理赔依据。准确的掌握受灾的程度,按照常规的油菜产量统计方法,需要消耗大量的人力成本,且统计结果也存在受人为因数干扰较大等多种不确定性影响,削弱了结果的可靠性和准确性。
项目组与三级机构同事及乡政府工作人员一起,对舞雩乡等地区的油菜生长情况进行了初步的勘察。当时油菜处于花期末期,大部分油菜已经开始结荚。勘察发现,部分地块由于干旱等原因,油菜长势较差。油菜地的种植在多类区域上均有分布,如丘陵地块,沟地,田地等。大部分的地块面积都不大,地形一般都比较复杂,油菜种植区域面积的测定相对困难。
通过本发明的识别方法对犍为县我公司承保的油菜种植区域进行识别,根据识别结果犍为县18个乡镇的油菜种植面积和种植指数分布结果如下表所示:
通过本发明的识别方法能够快速准确的识别出犍为县我公司承保的各个乡镇油菜种植区域以及各个植被指数的种植面积,极大地降低了人工测量的人力成本以及提高了测量效率,且测量准确率高;为油菜减产理赔提供了数据支撑以及提供了理赔效率。
保险公司人员与犍为县农业局专家以及三级机构同事一起根据本发明的测产方法对犍为县各乡镇油菜产量进行测量,其整体测量步骤如下:
a.对于每个植被指数等级,选取3个样本地块,一共18个样本地块。
b.每个样本地块,选取2个测量点,每个测量点割取1平方米的油菜植株;
c.将所有的样本植株割取回罗城镇农技站,用透气的网格样品袋包好,并阴干后熟;
d.阴干后的样本,进行脱粒,然后称量油菜籽的重量,该重量为油菜籽的湿重;然后用专业油菜籽水分测定仪,测定油菜籽的含水量,确定油菜籽的干重;
e.根据样本地块的测量结果,计算各植被等级的油菜的理论产量。
其中,在对样本地块的选取中根据与犍为县农业局专家的讨论,对于每个植被指数等级,需要选取3个样本地块;样本地块的选取按照分布适当的广泛,地块面积较大的原则进行选取,结合各乡镇种植区域和种植面积情况,样本地块选取在罗城镇范围。样本油菜植株的采集,与罗城镇农技站的工作人员一起进行。每一个目标地块选取2个采样点。每个采样点割取1平方米的油菜植株。
采样点的面积,由专门的圆规类取样工具划定。对于在1平方米面积内的油菜植株,100%的割取油菜果荚。而对于在1平方米面积边界线上的油菜植株,割取50%的油菜果荚。所有的果荚,均装入透气的网格样品袋中,并做好对应的标记。
对割取的油菜果荚,均放入透气的网格样品袋中,进行阴干。透气的网格样品袋,可以保证油菜在后熟和阴干的过程中,避免霉变等现象,同时也可以完整的收集油菜样本中的油菜籽,避免样本损失。阴干与后熟的时间为2周左右。
阴干完成后,所有的油菜样本均进行脱粒。样本对应的油菜籽被完整的收集起来并做好标记,封存于相应的样品袋中。每个测量点的油菜籽湿重,采用精度为0.001g的分析天平进行测量。操作流程参照电子分析天平操作规范进行。每个测量点的油菜籽含水量,采用专业水分测定仪进行测量。操作流程参照国家标准GB/T 5497-85进行。在每次测量前,均按照相应的操作规范和流程要求,对设备进行水平调整,以及校准原始测量数据按照相关表格进行记录和存档。最终样本地块的理论产量结果测定如下表所示:
然后各植被指数等级的理论亩产,由各植被指数等级样本地块的理论亩产,取平均数得出如下表所示:
再结合面积测定的数据,最终犍为县投保乡镇的油菜产量预测如下表所示:
通过本方面的测产方法能够快速准确的测量出投保的油菜种植面积,比起以前将油菜收割后在进行测量减少了时间成本,避免了统计结果因受人力因素干扰较大等多种不确定性影响,提高了测量效率以及缩短了理赔周期,提高了用户的体验感。
根据四川省统计局官方网站发布的数据可以查找出乐山市油菜产量的历史数据。对比今年的理论产量,计算出总的减产比例约为5.13%,其中历史数据如下表所示:
由于历史统计数据没有精确到各乡镇,因此各乡镇的历史产量只能都取乐山市的历史平均产量。另外,油菜的投保面积和利用卫星影像测定的油菜种植面积的差异,各乡镇也不一致。为了相对公平的进行计算,计算减产比例时,各乡镇的投保油菜面积,按照平均的投保和实际种植面积比例,进行了折算。根据产量预测数据,各乡镇的减产比例如下表所示:
为了与往年同期的油菜产量做对比,我们查询了近几年犍为地区的历史卫星影像。在油菜盛花期内,只有2015年有日期相近的历史影像。因此我们也测定了2015年犍为县部分区域的油菜盛花期植被指数的分布情况。采用相同的计算方法,计算出2015年的植被指数分布情况。结合各植被指数等级的预测产量,计算出减产比例约为30.4%。各乡镇的减产比例按照各乡镇相应的平均亩产得到的结果如下表所示:
犍为县18个投保乡镇的油菜投保总面积为69706.67亩,实际种植面积为49696.51亩,预测产量为7199.8吨。相对于2015年的理论预测产量,减产比例为30.4%,减产3144.3吨。
最终得到犍为县各乡镇油菜种植面积减产比例跟理赔率之间的关系如下表:
当实际赔付金额相对于理论减产损失比例为100%时,即没有减产因此不享受理赔。
如图5所示,图中左边为本方法植被种植区域识别的油菜卫星图,右边为现场实际核查图;12月份经过冬季对油菜种植地的现场查看与卫星影像对比,发现油菜相对其他作物呈现深绿色,较其他作物区别比较明显。在做样本选择时,选择深绿色区域作为油菜种植区。
如图6所示,图中左边为本方法植被种植区域识别的油菜卫星图,右边为现场实际核查图;油菜花为黄色,并夹带部分叶片,故在开花期通过卫星影像发现油菜区域呈现黄色或黄绿色特征,在样本选择时,将呈现黄色或黄绿色的区域选定为油菜。现场核查图片为荚果期现场核查所拍摄,证明左图中的区域为油菜。
如图7所示,左边是果树种植区域识别的卫星影像图,右边是果树的现场图,卫星影像图上白色线条内部块状的是识别出的果树在卫星影像上呈现的果树特征。
如图8所示,左边是小麦种植区域识别的卫星影像图,右边是小麦的现场图,卫星影像图上灰色线条内部的块状是识别出的果树在卫星影像上呈现的小麦特征。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明/发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明/发明的专利保护范围内。
Claims (11)
1.一种农作物减产理赔方法,其特征在于:包括以下步骤:
数据采集步骤:通过卫星遥感传感器采集植被种植区域的卫星影像图像;
数据中心处理计算步骤:根据接收到的卫星影像图像经过分析处理得到植被种植区域的数据信息,进而计算出各个植被区域中各个植被指数等级的产量信息和理赔信息。
2.根据权利要求1所述的一种农作物减产理赔方法,其特征在于:所述的数据中心处理计算包括:
图像处理识别步骤:根据接收到的卫星影像图像通过后台进行分析处理得到植被种植区域的数据信息;
理赔计算步骤:计算各个植被指数等级的产量,根据各个植被区域中各个植被指数等级的产量判断理赔额。
3.根据权利要求1所述的一种农作物减产理赔方法,其特征在于:所述的数据采集步骤的具体内容如下:
采样:将空间上连续的图像转化成离散的采样点集;
量化:通过光电转换、量化之描述单个存储单元所分配的比特位数;
编码:通过有损与无损压缩后进行Huffman编码、行程编码、DWT离散小波变换编码将模拟图像变成数字图像。
4.根据权利要求2所述的一种农作物减产理赔方法,其特征在于:所述的图像处理识别步骤的具体内容如下:
对接收的卫星影像图像进行预处理;
通过卷积神经网络模型对预处理后的卫星影像图像进行识别;
对识别结果经过处理后,再与GIS地理信息结合计算得到植被种植区域的数据信息。
5.根据权利要求4所述的一种农作物减产理赔方法,其特征在于:建立卷积神经网络模型的步骤包括:
搭建模型框架;
读取图像并对模型进行训练学习;
根据模型训练学习情况实时对模型超参数进行调节;
将完成训练的模型进行固定和保存。
6.根据权利要求2所述的一种农作物减产理赔方法,其特征在于:所述的理赔计算步骤的具体内容如下:
计算各个种植区域的植被指数等级以及各个种植区域内各个植被指数等级所占比例;
计算出各个种植区域中各个植被指数等级的产量;
与历史的产量数据进行对比计算出减产比例,根据减产比例匹配对应的理赔率。
7.根据权利要求6所述的一种农作物减产理赔方法,其特征在于:所述的计算各个植被种植区域的植被指数等级以及各个植被指数等级所占比例的具体内容如下:
通过归一化植被指数计算出各个种植区域的植被指数等级;
根据植被指数等级分布计算各个植被指数等级在各个种植区域所占比例。
8.根据权利要求6所述的一种农作物减产理赔方法,其特征在于:所述的计算出各个种植区域中各个植被指数等级的产量的具体内容如下:
对每个植被指数等级选取一定数量的成熟农作物种植区域作为样本地块;
每个样本地块选取一定数量的取样点,每个取样点收割固定面积的农作物;
对收割的农作物进行处理并计算出单位面积内的产量;
根据样本地块的测量结果,计算出各植被区域的各植被指数等级的农作物整体产量。
9.根据权利要求6所述的一种农作物减产理赔方法,其特征在于:所述的对接收的卫星影像图像进行预处理步骤的具体内容如下:
辐射定标步骤:将数据采集设备记录的数字量化值转换为与其对应视场中辐射亮度值;
大气校正步骤:通过FLAASH模块对采集的卫星影像图像进行大气校正;
几何校正步骤:实现通过卫星影像图像的RPC信息,对多光谱和全色数据进行几何校正把影像图像校正于坐标系统上;
图像融合步骤:将不同波段的数据进行组合,提高卫星影像图像的地面分辨率和色彩分辨率;
图像配准步骤:将多幅不同卫星影像图像进行匹配和叠加;
图像裁切镶嵌步骤:将多幅卫星影像图像进行裁切并将裁切后的图像镶嵌为需要的影像图像数据。
10.一种农作物减产理赔系统,其特征在于:包括:
前端数据采集设备:实现采集植被种植区别的卫星影像图像并发送到数据中心;
数据中心:实现接收所述前端数据采集设备采集的卫星影像图像并分析处理得到植被种植区域的数据信息,进而计算出各个植被区域中各个植被指数等级的产量信息和理赔信息;
数据存储服务器:实现对所述前端数据采集设备采集的卫星影像图像、经过分析处理后的数据信息以及理赔信息进行存储以及数据查询管理。
11.根据权利要求9所述的一种农作物减产理赔系统,其特征在于:所述的数字中心包括:
图像处理识别模块:实现根据接收到的卫星影像图像通过后台进行分析处理得到植被种植区域的数据信息;
理赔计算模块:实现计算各个植被指数等级的产量,根据各个植被区域中各个植被指数等级的产量判断理赔额。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081488.8A CN109816542B (zh) | 2019-01-28 | 2019-01-28 | 一种农作物减产理赔方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910081488.8A CN109816542B (zh) | 2019-01-28 | 2019-01-28 | 一种农作物减产理赔方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109816542A true CN109816542A (zh) | 2019-05-28 |
CN109816542B CN109816542B (zh) | 2023-04-07 |
Family
ID=66605597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910081488.8A Active CN109816542B (zh) | 2019-01-28 | 2019-01-28 | 一种农作物减产理赔方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816542B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111191543A (zh) * | 2019-12-20 | 2020-05-22 | 湖南城市学院 | 油菜产量估测方法 |
CN113362192A (zh) * | 2021-07-07 | 2021-09-07 | 中国工商银行股份有限公司 | 农业保险核保方法、系统、设备和存储介质 |
CN114429467A (zh) * | 2022-01-26 | 2022-05-03 | 自然资源部第一航测遥感院(陕西省第五测绘工程院) | 一种基于遥感技术的玉米损害程度判别方法 |
CN115205695A (zh) * | 2022-04-06 | 2022-10-18 | 布瑞克(苏州)农业互联网股份有限公司 | 一种根据种植数据确定种植策略的方法和系统 |
CN117315492A (zh) * | 2023-11-29 | 2023-12-29 | 中国平安财产保险股份有限公司 | 基于无人机技术的种植险预警方法、系统、设备及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104811621A (zh) * | 2015-05-03 | 2015-07-29 | 李峰 | 一种高效图像采集与压缩方法 |
CN104881727A (zh) * | 2015-01-13 | 2015-09-02 | 北京师范大学 | 一种基于遥感抽样的农作物灾情损失评估方法 |
US20160055592A1 (en) * | 2014-08-25 | 2016-02-25 | David P. Groeneveld | System, Method and Product for Automated Crop Insurance Loss Adjusting for Prevented Planting Conditions |
CN105869016A (zh) * | 2016-03-28 | 2016-08-17 | 天津中科智能识别产业技术研究院有限公司 | 一种基于卷积神经网络的点击通过率预估方法 |
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN107909492A (zh) * | 2017-11-30 | 2018-04-13 | 河南云保遥感科技有限公司 | 一种利用机器学习技术的农业保险查勘定损方法 |
CN108414455A (zh) * | 2018-01-30 | 2018-08-17 | 阳光农业相互保险公司 | 用于农业保险理赔的农作物雹灾遥感监测方法 |
CN108985260A (zh) * | 2018-08-06 | 2018-12-11 | 航天恒星科技有限公司 | 一种遥感及气象一体化水稻估产方法 |
CN109242708A (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灾害精准理赔方法 |
-
2019
- 2019-01-28 CN CN201910081488.8A patent/CN109816542B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160055592A1 (en) * | 2014-08-25 | 2016-02-25 | David P. Groeneveld | System, Method and Product for Automated Crop Insurance Loss Adjusting for Prevented Planting Conditions |
CN104881727A (zh) * | 2015-01-13 | 2015-09-02 | 北京师范大学 | 一种基于遥感抽样的农作物灾情损失评估方法 |
CN104811621A (zh) * | 2015-05-03 | 2015-07-29 | 李峰 | 一种高效图像采集与压缩方法 |
CN105869016A (zh) * | 2016-03-28 | 2016-08-17 | 天津中科智能识别产业技术研究院有限公司 | 一种基于卷积神经网络的点击通过率预估方法 |
CN106600434A (zh) * | 2016-10-18 | 2017-04-26 | 河南省农业科学院农业经济与信息研究所 | 基于作物模型与同化技术的作物长势遥感监测方法 |
CN107909492A (zh) * | 2017-11-30 | 2018-04-13 | 河南云保遥感科技有限公司 | 一种利用机器学习技术的农业保险查勘定损方法 |
CN108414455A (zh) * | 2018-01-30 | 2018-08-17 | 阳光农业相互保险公司 | 用于农业保险理赔的农作物雹灾遥感监测方法 |
CN108985260A (zh) * | 2018-08-06 | 2018-12-11 | 航天恒星科技有限公司 | 一种遥感及气象一体化水稻估产方法 |
CN109242708A (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灾害精准理赔方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111191543A (zh) * | 2019-12-20 | 2020-05-22 | 湖南城市学院 | 油菜产量估测方法 |
CN113362192A (zh) * | 2021-07-07 | 2021-09-07 | 中国工商银行股份有限公司 | 农业保险核保方法、系统、设备和存储介质 |
CN114429467A (zh) * | 2022-01-26 | 2022-05-03 | 自然资源部第一航测遥感院(陕西省第五测绘工程院) | 一种基于遥感技术的玉米损害程度判别方法 |
CN115205695A (zh) * | 2022-04-06 | 2022-10-18 | 布瑞克(苏州)农业互联网股份有限公司 | 一种根据种植数据确定种植策略的方法和系统 |
CN115205695B (zh) * | 2022-04-06 | 2024-03-15 | 布瑞克(苏州)农业互联网股份有限公司 | 一种根据种植数据确定种植策略的方法和系统 |
CN117315492A (zh) * | 2023-11-29 | 2023-12-29 | 中国平安财产保险股份有限公司 | 基于无人机技术的种植险预警方法、系统、设备及介质 |
CN117315492B (zh) * | 2023-11-29 | 2024-04-02 | 中国平安财产保险股份有限公司 | 基于无人机技术的种植险预警方法、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109816542B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109816542A (zh) | 一种农作物减产理赔方法及系统 | |
Pôças et al. | Remote sensing for estimating and mapping single and basal crop coefficientes: A review on spectral vegetation indices approaches | |
CN109815916A (zh) | 一种基于卷积神经网络算法的植被种植区域识别方法及系统 | |
CN108764255B (zh) | 一种冬小麦种植信息的提取方法 | |
CN109784300A (zh) | 一种农作物科学测产方法及系统 | |
Dorigo | Improving the robustness of cotton status characterisation by radiative transfer model inversion of multi-angular CHRIS/PROBA data | |
Dobrowski et al. | Grapevine dormant pruning weight prediction using remotely sensed data | |
Goslee | Analyzing remote sensing data in R: the landsat package | |
CN109685081B (zh) | 一种遥感提取撂荒地的联合变化检测方法 | |
CN105809148B (zh) | 基于遥感时空谱融合的作物干旱识别及风险评估方法 | |
CN107527014A (zh) | 县级作物种植面积遥感统计抽样调查方案设计方法 | |
CN108932521B (zh) | 一种基于深度学习的农作物分类方法及系统 | |
CN117218531B (zh) | 一种面向海陆生态交错带红树林植物地上碳储量估算方法 | |
US11953872B2 (en) | Methods and systems for the management of precise agricultural irrigation | |
CN114926748A (zh) | Sentinel-1/2微波与光学多光谱影像结合的大豆遥感识别方法 | |
Warren et al. | Agricultural applications of high-resolution digital multispectral imagery | |
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 | |
Wang et al. | Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion | |
Liu et al. | Application of UAV-retrieved canopy spectra for remote evaluation of rice full heading date | |
CN117372903A (zh) | 一种利用无人机方向性纹理获取水稻agb的方法 | |
CN117035066A (zh) | 一种耦合地理加权与随机森林的地表温度降尺度方法 | |
Shang et al. | Estimation of crop ground cover and leaf area index (LAI) of wheat using RapidEye satellite data: Prelimary study | |
Wittamperuma et al. | Remote-sensing-based biophysical models for estimating LAI of irrigated crops in Murry darling basin | |
Pauly | Towards calibrated vegetation indices from UAS-derived orthomosaics | |
Peng et al. | Remote sensing monitoring of tobacco field based on phenological characteristics and time series image—A case study of Chengjiang County, Yunnan Province, China |
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 |