Welcome to Smart Agriculture 中文
Smart Agriculture

Smart Agriculture >

2025 , Vol. 7 >Issue 6: 225 - 236

DOI: https://doi.org/10.12133/j.smartag.SA202507034

Special Issue--Remote Sensing + AI Empowering the Modernization of Agriculture and Rural Areas

Cross-validation Study on the Authenticity of Agricultural Insurance Underwriting Based on Multi-Source Satellite Remote Sensing Data: Taking Multi-Season Rice in M ​​County, S Province as A Case

  • CHEN Ailian 1 ,
  • ZHANG Rusheng 2 ,
  • LI Ran , 2 ,
  • ZHAO Sijian 1 ,
  • ZHU Yuxia 1 ,
  • LAI Jibao 2 ,
  • SUN Wei 1 ,
  • ZHANG Jing 1
Expand
  • 1. Institute of Agricultural Information, Chinese Academy of Agricultural Sciences, Beijing 100081, China
  • 2. Major Project Center of the State Administration of Science, Technology and Industry for National Defense, Beijing 100101, China
LI Ran, E-mail:

CHEN Ailian, E-mail:

Received date: 2025-07-23

  Online published: 2025-12-11

Supported by

National Natural Science Foundation of China(41471426)

National Defense Science and Technology Industry Bureau Major Special Engineering Center Project(2X2X-CGZH-40-202238)

Agricultural and Rural Policy Research Fund(B020101)

Copyright

copyright©2025 by the authors
Fold

Abstract

Objective Rice, wheat, and corn, account for over 50% of government-subsidized premiums. Therefore, ensuring the authenticity of insurance underwriting data of three major staple crops is crucial for safeguarding fiscal funds and promoting the high-quality development of agricultural insurance. Currently, verifying the authenticity of underwriting data relies on remote sensing technology to achieve high-precision, high-efficiency, and low-cost crop identification. However, in the multi-season rice-growing areas of southern China, remote sensing identification still suffers from insufficient accuracy and delayed timeliness. This study, targeting the actual business needs of agricultural insurance, explores a "fast, accurate, and low-cost" identification method for multi-season rice in the hilly areas of Southern China. Cross-validation of underwriting data authenticity is conducted based on case studies, providing technical support for fiscal fund security and the high-quality development of agricultural insurance. Methods The high-resolution remote sensing data of China was integrated with internationally available data. First, a deep learning algorithm and high-resolution imagery were used to rapidly extract cultivated land parcels as classification units. Combined with field sampling and samples derived from high resolution imagery, rice classification and identification were performed on the Google Earth Engine (GEE) platform using Sentinel-1 radar data and Sentinel-2 multispectral data. Three methods, random forest, support vector machine, and classification and regression tree, were compared, and the optimal model result was selected for cross-validation of rice insurance data. Validation metrics included four categories: area difference (AD), the difference between remote sensing and insured area, cover ratio (CR), crop insurance coverage, overlapping ratio (OR), overlap of policy parcels, and crop proportion (CP), crop proportion within policy parcels. Results and Discussions Based on the cultivated land units extracted using deep learning, a classification feature set was constructed by integrating Sentinel-1 radar polarimetric signatures from March to October with Sentinel-2 multi-spectral reflectance and NDVI from July and August. The random forest model achieved 0.93 identification accuracy, meeting the accuracy and cost requirements for verifying mid- and late-season rice insurance data. However, due to the lack of multi-spectral data at key time phases required for early rice identification, its identification timeliness is poor and is only suitable for post-warning and deterrence the following year. Cross-validation results show that the county's overall insured area is basically the same as the remote sensing identification area, but there are significant differences in township scale: Among the 33 townships, 14 towns have AD more than 10 000 hm2, indicating false insurance. As for CR, 10 townships have a crop insurance coverage rate of more than 1, 1 township has a CR less than 0.4, and another 2 townships have not carried out insurance. As for policy parcels, the 31 townships with insurance records, 10 did not provide plot data; among the 21 townships that provided data, 3 townships had an overlap rate of more than 40% for more than 50% of the policy plots, and 14 townships had an overlap rate of more than 40% for more than 20% of the policy plots. These results suggest that some areas may have problems such as false insurance, duplicate insurance, or non-standard operations, and regulatory authorities need to intervene and verify in a timely manner. Conclusions A technical system suitable is developed for rapid remote sensing identification and cross-validation with insurance data. Its feasibility in practical regulatory applications has been verified, providing effective methodological support for authenticity verification and precise regulation of agricultural insurance underwriting.

Key words： three major staple crops; agricultural insurance; cross-validation; random forest; multi-season rice identification; full-cost rice insurance; insurance performance evaluation

Cite this article

CHEN Ailian , ZHANG Rusheng , LI Ran , ZHAO Sijian , ZHU Yuxia , LAI Jibao , SUN Wei , ZHANG Jing . Cross-validation Study on the Authenticity of Agricultural Insurance Underwriting Based on Multi-Source Satellite Remote Sensing Data: Taking Multi-Season Rice in M ​​County, S Province as A Case[J]. Smart Agriculture, 2025 , 7(6) : 225 -236 . DOI: 10.12133/j.smartag.SA202507034

0 引 言

农业保险作为中国支农、惠农、强农政策的重要工具，是保障国家粮食安全与农业可持续发展的制度支撑［1］。自2007年推行保费补贴制度以来，中国农业保费收入年均增长22%，2024年达1 521亿元，居全球首位［2］。如此规模的农业保费收入，其中超70%的资金来自财政补贴，而超过一半的补贴投向了三大主粮作物（水稻、小麦、玉米），这充分体现出农业保险在主粮安全保障中的核心地位。2024年中央一号文件中提出要“推进农业保险精准投保理赔，做到应赔尽赔”，表明精准承保和理赔已成为政策核心目标。而承保真实性既关系财政补贴的安全发放，又直接影响理赔的公正与效率，更是政策目标的关键基础。自2021年起，多地实施水稻完全成本保险，保费约600元/hm2，水稻保险保障水平得到显著提升，保额由原来的物化成本保险的最高8 550元/hm2提升到完全成本保险的最高15 000元/hm2（规模户）和13 500元/hm2（散户），为水稻种植户提供了更完备的风险保障。因此若出现10 hm2的水稻虚假承保，则会出现被套取保费补贴6 000元的情况，以及由此带来的虚假理赔150 000元。因此，基于空间尺度开展水稻承保真实性验证具有高度现实意义。
遥感技术凭借覆盖广、时效强和可回溯等优势，一直是提升农业保险数字化监管能力的关键技术［3-5］，也一直被业界寄予厚望。中国农业保险相关部门出台的政策中，多次提及遥感技术［4］。例如，《关于扩大三大粮食作物完全成本保险和种植收入保险实施范围的通知》（财金〔2021〕49号）中，就明确提到“鼓励有关方面加强与国防科工局重大专项工程中心合作，通过遥感等途径对农业保险数据进行交叉验证，提高真实性和准确性”。《关于推进农业保险精准投保理赔等有关事项的通知》（金发〔2024〕35号）进一步提出“鼓励保险公司加大科技创新投入，推进无人机、遥感、物联网等科技手段应用，加快标准化建设，提升承保理赔真实性、准确性和及时性”。国际上，遥感服务于农业保险的研究和应用也早已开展。早在1975年，Towery等［6］就采用航空红外影像评估美国伊利诺伊州的雹灾影响，辅助农业保险定损。美国联邦农作物保险计划（Federal Crop Insurance Plan, FCIP）长期融合卫星、无人机遥感与地理信息系统（Geographical information System, GIS），构建了作物识别、灾情评估与反欺诈系统，如CropScape平台，ADAM（Agricultural Data Mining/Acreage & Data Mining Analysis for Monitoring）平台［7, 8］；欧盟在共同农业政策（Common Agriculture Policy, CAP）框架下构建了基于Sentinel数据的面积核查系统（Area Monitoring System, AMS）［9］；印度、巴西等发展中国家也在结合App与低成本遥感，探索小农风险评估路径［10］。相比之下，中国在农业保险遥感融合方面的起步较晚。2013年由中国人民保险集团股份有限公司与北京师范大学等率先开展了《基于遥感技术的农业保险综合服务平台》项目 ［4, 11, 12］。随后，遥感在农险中的应用逐渐深入和广泛。目前，遥感已为农业保险在作物识别［13］、长势监测［14］、灾情评估和产量估算［4, 15］等方面提供辅助作用。尽管如此，遥感技术在服务农业保险真实性校验的应用研究，尤其是对多季稻的承保真实性校验研究仍比较少，仍有很多问题亟待解决。
针对农业保险承保真实性校验，遥感识别需满足“准确性”“时效性”和“低遥感数据成本”三重标准：总体精度应达到85%以上；承保季结束1个月后或者至少在作物成熟之前完成识别；成本控制在可接受范围内。基于卫星遥感的校验，其遥感数据成本是可以接受的，如使用200元/km2卫星影像，即可以监测1 000 hm2，则在影像成本方面可以认为是成本低、可接受的。但是，目前遥感识别作物方面的研究多数关注准确性［16］和新型传感平台——无人机的使用［17］，常忽视或少有结合具体应用场景的其他业务需求，尤其是时效性和成本方面的需求。在三大主粮作物中，基于卫星影像的小麦识别相对容易，玉米次之，水稻最为复杂。绝大多数小麦和玉米集中种植于北方、地块面积相对较大、同期作物少，成像条件好，因此运用卫星遥感技术其识别精度、时效和成本方面较容易满足交叉验证的业务需求。例如，齐腊等［18］利用Landsat 5和Spot 2影像对北京的冬小麦进行最佳时相研究，发现4月份的数据可实现92%识别精度。赵荣荣等［19］利用Landsat 8系列数据研究发现豫中地区冬小麦在越冬期可达92%的识别率，承保结束前可完成，而玉米在乳熟期总体精度最高达到83.60%。沈宇等［20］利用高分1号影像，筛选出若干指示性特征，可以在玉米大豆生长中后期实现96%的总体精度。赵思健等［21］利用2022年11月与2023年3月数据，实现冬小麦98%精度识别并完成交叉验证。
相比之下，南方丘陵区的多季稻，存在识别难度大、地形破碎、同期作物多、光学影像易受云雨影响等问题。单一雷达影像的识别精度偏低，如刘文双［22］使用Sentinel-1数据识别河南省息县水稻，精度仅65%。高心怡等［23］归纳了水稻遥感识别的四大技术瓶颈，包括作物混淆、时序缺失、复杂地形、多季轮作及模型泛化。
基于此，本研究聚焦南方丘陵区多季稻的遥感识别与承保真实性交叉验证，结合保险真实性验证的实际应用场景，在可获取的数据源、时序策略与技术路径之下，评估基于多源数据的多季稻水稻识别精度、处理时效与影像成本可行性，构建适用于农业保险实际业务的遥感支持模型。研究成果可为推动水稻保险精准承保提供实践路径与技术参考。

1 材料与方法

1.1　研究区

考虑到农业保险的敏感属性，本研究对研究区、保险机构及其相关行政单元均以字母或数字代号表示。选取南方丘陵区水稻主产县S省M县为例，交叉验证其2023年度水稻保险业务。M县境内地貌有山地、丘岗、平原。地表轮廓大体是北、西、南缘山地环绕，东南丘陵起伏，北部岗地平缓，东北低平开阔，整个地势由西向东呈阶梯状逐级倾斜；气候上，属于亚热带大陆性季风湿润区，四季分明，雨量充沛。该县近年来水稻保险的保费规模均超5 000万元，为遥感识别与保险核验研究提供良好基础。

1.2　研究数据

1.2.1　物候信息及遥感数据

物候规律是指导遥感数据搜集的重要依据。根据调研咨询及统计年鉴等文献资料，得到研究区水稻的物候规律如表1所示。
表1 M县水稻物候期规律

Table 1 Phenological patterns of rice in M county

水稻类型 出苗移栽 分蘖拔节 孕穗乳熟 蜡熟完熟
早稻 3月下旬—4月上旬 4月中旬—5月上旬 5月中旬—6月中旬 6月下旬—7月中旬
一季稻（中稻） 4月下旬—5月上旬 5月中旬—6月下旬 7月上旬—8月下旬 9月上旬—10月上旬
晚稻 7月下旬—8月上旬 8月中旬—9月上旬 9月中旬—10月中旬 10月下旬—11月中旬
基于上述物候规律，本研究在兼顾遥感数据成本、时效性与空间分辨率的前提下，优选出国产高分辨率影像与哨兵系列数据。在2023年3月1日至11月1日期间，共搜索到覆盖整个研究区的国产卫星数据如下：（1）2023年4月1日的中巴资源卫星04D（CB04D）影像2景。该时期早稻处于出苗移栽期，植被覆盖度低，难以有效区分早稻与其他作物，同时其他类型水稻的分类特征信息也较为缺乏；（2）2023年4月16日的资源一号02星影像2景。此时早稻处于出苗至分蘖期，影像在一定程度上可辅助早稻识别，但仍缺乏其他水稻生育期的有效信息；（3）2023年8月4日与8月5日的高分一号影像各1景。该时段早稻已收割完毕，中稻处于孕穗乳熟期，晚稻则处于出苗移栽期。但影像中部分区域被云层覆盖，影响信息完整性。上述三期高分辨率多光谱影像因其时相和云覆盖的限制，直接用于水稻精细分类的难度较大，但其较高的空间分辨率适用于耕地地块边界的提取。
为解决高分辨率影像在水稻识别中的不足，同时借助哨兵系列卫星的高重访特性，本研究基于Google Earth Engine（GEE）平台，补充收集了整个水稻生长期（2023年3月1日至11月1日）内的哨兵1号Sentinel-1（S1）雷达数据，以及无云或云量低于20%的哨兵2号Sentinel-2（S2）光学数据。通过构建归一化植被指数（Normalized Difference Vegetation Index, NDVI）、垂直-水平Vertical-Horizontal（VH）极化，以及垂直-垂直Vertical-Vertical（VV）极化等指标，并完成时间序列上的遥感波段合成，旨在增强多季水稻类型的可区分性与分类数据的完整性。最终在GEE平台上整合了3月至10月逐月的S1数据（包括VV与VH极化），和7至8月最大值合成S2数据，为后续水稻分类提供支持。
本研究收集到的遥感数据时间、分辨率及用途等如表2所示。
表2 耕地提取和水稻分类所用的卫星影像数据参数表

Table 2 Satellite image data parameters used in the study

卫星遥感数据 时相 分辨率 水稻所处时期 主要用途
中巴资源卫星04D（CB04D） 2023年4月1日 全色2 m， 多光谱8 m 早稻出苗移栽器 耕地地块提取
资源1号02D星（ZY1E） 2023年4月16日 全色2.5 m， 多光谱10m 早稻分蘖期 耕地地块提取
高分1号系列

2023年8月4日

2023年8月5日

 全色 2 m， 多光谱8 m 中稻孕穗乳熟，早稻出苗移栽期 水稻分类（中稻、晚稻）
哨兵2号A星和哨兵2号B星（Sentinel 2A和2B） 2023年7月、8月 2、3、4、8波段10 m；1、9、10波段60 m；5、6、7、11、12波段20 m 早稻成熟期，中稻孕穗期 采样前初分类（早稻、中稻、晚稻）
哨兵1号（Sentinel-1） 2023年3—10月 VV极化和VH极化 10m 整个生长期 水稻分类（早稻、中稻、晚稻）

1.2.2　保险数据

保险数据来源于保险机构，主要包括两类：（1）业务属性数据，涵盖保单号、承保人、险种、承保面积等，用于构建统计核验指标；（2）空间标的地块数据（GeoJSON格式），用于将耕地与作物识别结果与保单申报地块进行比对，以验证保单对应地块的真实性。
目前，农业保险业务通常通过遴选竞标方式开展。在一个县域范围内，保险业务多由多家保险机构共同承担，且各家机构所负责的乡镇互不重叠。需要注意的是，保险业务属性数据中并未明确区分早稻、中稻和晚稻，但其包含的保单服务截止时间存在多个结点，如7月20日、8月4日、8月31日、10月31日和11月30日等，也反映出业务操作中存在一定的不规范性。针对这一情况，本研究将服务截止时间为8月31日及以前的保单视为早稻保单，10月31日及以前截止的视为中稻保单，11月30日及以前截止的视为晚稻保单。
地块数据由保险公司通过S省农业保险管理平台进行报送。每份保单对应多个地块，构成一对多的关系。本研究从该平台提取了M县2023年全部水稻保单及其对应标的地块，并对保单所报地块坐标与种植信息的一致性进行了进一步核查。所有保险数据均经过脱敏处理，以确保数据隐私与合规性要求。

1.2.3　样本数据

样本数据用于支持水稻分类模型的训练与精度验证，包括野外实地采集的地块样本和基于影像解译在室内选取的样点。野外采样工作主要依托“样采宝”App［14］进行，并辅以手持GPS设备定位。采样过程分为两轮实施，共计10天，具体时间为2023年6月5日至10日，以及9月11日至15日。6月份采集样本以早稻和中稻为主，9月份则以中稻和晚稻为主。
在野外采样之前，于当年5月底基于GEE平台对水稻进行了初步识别，并将识别结果与4月和8月的高分辨率影像叠加，标记出疑似水稻的地块。根据这些疑似地块的面积进行分区并布设采样点，再通过野外实地核查确认其种植类型。以此为基础，进一步基于高清影像扩展出具有相似特征的地块作为室内选取的补充样本，从而保证样本在空间和类型分布上的均匀性。
野外共采集样本427个，其中水稻样本307个，非水稻样本120个，空间分布如图1所示。水稻样本包括早稻80个、中稻147个、晚稻78个和再生稻2个。非水稻样本包括杂草（24个）、茶叶（11个）、荷叶（11个）、烟叶（7个）、丝瓜（3个）、大棚（3个），以及玉米、无花果和高粱（各2个），其他类别（包括菜地、草莓、红花、辣椒和林地等各1个）等。
图 1 M县水稻野外采样地块分布图

注：该图基于自然资源部标准地图服务网站下载的标准地图制作，考虑到农业保险的敏感属性，地图未体现审图号，底图无修改。

Fig. 1 Field sampling plot distribution map of M county

通过野外采样，进一步明确了水稻在4月与8月影像中的特征，并基于影像解译共选取室内样点：早稻71个、中稻152个、晚稻105个，其空间分布如图2所示。
图2 基于（CB04D、ZY1E）选取的水稻样点分布

注：该图基于自然资源部标准地图服务网站下载的标准地图制作，考虑到农业保险的敏感属性，地图未体现审图号，底图无修改。

Fig. 2 Distribution of rice sampling points based on （CB04D、ZY1E）image selection

最终构建的样本数据库中，2/3的样本用于分类建模，其余1/3用于精度验证。

1.3　研究方法

研究方法包括两部分：一是基于遥感数据实现多季稻的精细识别；二是构建遥感与农业保险数据的交叉验证指标，并验证承保真实性与规范性。

1.3.1　水稻种植分布遥感提取

1.3.1.1　耕地地块提取

农业保险已在全国范围内广泛开展，保单信息精确到农户层级，因此对农业保险承保数据进行验证时，不仅覆盖范围广，对数据的精度要求也极高，需要依托精细的耕地地块数据。基于这一需求，本研究首先基于Zhang等［24］提出的深度学习算法对耕地地块进行提取。依托已训练好的ResNet-PSP网络，直接生成耕地地块，其技术流程如图3所示。
图3 耕地地块提取技术流程

Fig. 3 Cultivated land plot extraction technical process

通过对不同模型在相同参数设置下的训练效果进行比较，ResNet-PSP网络家族的四个主要变体及其他相关主流模型共8个，其参数与精度如表3所示。经综合评估单次浮点运算操作（Floating-Point Operation, FLOP）（指征模型复杂度）、参数量（指征模型显存占用量）、精度，以及平均类别交并比（Mean Intersection over Unionm, IoU）（指征分割性能），本研究选用精度（排名第四）、mIoU（排名第三）、FLOP（排名第三）、Mb（排名第三）均中上的ResNet34-PSP作为主干网络，分别对中巴资源04D（CB04D）和资源一号02D卫星（ZY1E）数据进行耕地地块提取，并从中选取地块形态更精细的结果作为后续支撑。
表 3 M县耕地地块提取ResNet-PSP模型性能对比表

Table 3 Performance comparison table of ResNet-PSP model extracted from cultivated land plots in M county

模型名称 FLOP 参数量/Mb 精度/% mIoU
ResNet-18-psp 1.82e+09 11.18 89.34 0.61
ResNet-34-psp 3.67e+09 21.8 93.52 0.69
ResNet-50-psp 4.13e+09 25.56 93.89 0.71
ResNet-101-psp 7.84e+09 44.55 94.21 0.72
Inception v3+asp 7.21e+09 23.87 93.76 0.70
UNet 2.83e+11 31.03 92.07 0.70
ResUNet 1.07e+11 44.52 92.89 0.71
EfficientNet-psp 3.02e+09 12.94 92.35 0.68
为验证基于深度学习算法提取的耕地地块的精度，采用两项指标判断：一是能否识别出面积小于400 m2的最小耕地图斑，二是通过目视判断其边界与基底影像上人工判别边界之间的误差是否在2个像元以内。在深度学习初步提取的基础上，进一步进行了人工修正，包括拓扑错误检查、基于影像分区训练结果的重复边界修正和不连续边界修补等操作，最终生成高质量的耕地地块矢量数据，作为后续水稻分类的基本单元。

1.3.1.2　水稻识别

以耕地地块矢量图层为分类单元，采用GEE平台上的三类主流分类方法［25］：随机森林（Random Forest, RF）、支持向量机（Support Vector Machine, SVM）和分类回归树（Classification and Regression Tree, CART），对比分析三种模型的水稻提取精度。实验设置两组：组1仅用表2中的S1雷达时间序列数据，组2在组1所用的基础上，融合表2所列的2023年7月、8月S2数据。分类结果的精度通过混淆矩阵与Kappa系数评估。

1.3.2　交叉验证

为全面评估农业保险承保数据的真实性、规范性与承保覆盖水平，本研究设计了以下四项交叉验证指标。
（1）区域面积差（Area Difference, AD）=遥感识别面积-承保面积。AD值越大，表明承保真实性越低。
（2）区域承保覆盖率（Cover Ratio, CR）= 承保面积/遥感识别面积。CR的正常取值范围一般为0.5~0.8。若CR低于0.5，表明该区域承保覆盖不足，需进一步推动参保工作；若CR高于0.8，特别是超过1时，则需重点核查承保数据的真实性。
（3）保单地块重叠率（Overlapping Ratio, OR）=保单地块与其他地块最大重叠面积/保单地块面积。OR 用于评估保单地块勾画的规范性，该值越高，表明勾画操作越不规范。OR也可作为识别重复投保的指标，若在地块勾画规范的情况下仍出现高重叠率，则可判定为重复投保。
（4）保单地块作物占比（Crop Proportion, CP）=保单地块中作物面积/保单地块面积。CP可同时反映保单地块勾画的规范性和投保作物的真实性。CP越高，说明地块勾画准确且投保内容真实；CP较低时，应首先排除勾画规范性问题，若操作符合规范，则可能涉及虚构保险标的投保行为。
综上，AD与CR主要用于区域层面的交叉验证，评估遥感监测面积与保险申报面积之间的一致性与合理性；OR与CP则聚焦于保单地块尺度，检验地块勾画的规范性与承保内容的真实性，有助于识别重复投保、虚假申报等违规现象。

2 结果与分析

2.1　提取结果

2.1.1　耕地地块提取结果

基于国产高分辨多光谱卫星遥感（CB04、ZY1E）数据、深度学习算法和人工修正生成的耕地地块如图4所示。经统计，在准确率上，耕地地块中面积小于400 m2的地块共有6 939个，表明该算法能够实现最小识别耕地图斑优于400 m2，且经ArcGIS软件测量工具检测，矢量地块边缘与实测校验地块边缘误差在2个像元以内。遥感识别的耕地总面积为109.42万亩（1 hm2=15亩，为了与保险业务数据相匹配，后续分析均使用亩为面积单位），与公开的统计数据113万亩相比，面积识别准确率达96.84%。
图4 M县耕地地块分布图及叠加遥感影像的局部放大图

注：该图基于自然资源部标准地图服务网站下载的标准地图制作，考虑到农业保险的敏感属性，地图未体现审图号，底图无修改。

Fig. 4 Cultivated land plot distribution map of M county and partially enlarged area overlapped with satellite image

2.1.2　水稻提取精度

基于GEE平台的三种算法在两个实验组情形下对水稻的提取精度如表4所示。融合了哨兵1号和2号数据的实验组2的总体精度和Kappa系数均高于实验组1。在实验组2中，SVM算法的总体精度为0.82，Kappa系数为0.77，具备一定分类能力，CART算法在使用融合数据时的表现略次于RF，总体精度为0.83，Kappa系数为0.79，依赖的主要波段包括B11_Jul、B1_Jul与B12_Jul，但精度表现最优的依然是RF，总体精度达到0.93，Kappa系数高达0.91，主要依赖的波段为B5_Aug、B1_Aug与B11_Jul，表明该区域植被红边与近红外波段的信息在7月阶段对水稻识别贡献最大。SVM算法由于原理限制，没有显示算法最重要波段。
表4 三种分类方法（RF、SVM、CART）的关于M县水稻提取的精度表现

Table 4 Accuracy performance of three classification methods（RF，SVM，CART）in classifying rice of M county

实验组 所用数据 SVM RF CART
最重要的波段 总体精度 Kappa系数 最重要的波段 总体精度 Kappa系数 最重要的波段 总体精度 Kappa系数
1 哨兵1号数据 算法不支持 0.67 0.59

VH_Sep.

VH_Mar.

VV_Mar.

 0.78 0.72

VV_Mar.

VV_Apr.

VH_Mar.

 0.61 0.52
2 哨兵1号结合哨兵2号数据 0.82 0.77

B5_Jul.

B1_Jul.

B11_Jul.

 0.93 0.91

B11_Jul.

B1_Jul.

B12_Jul.

 0.83 0.79
该结果也揭示了水稻识别的及时性极依赖于生长季中的多光谱数据。本研究中，使用哨兵1号3—7月的数据，结合7月份哨兵2号数据对中稻和晚稻的识别及时性和准确率上都可以满足交叉验证的需求，但是对早稻的识别在及时性上略有欠缺。根据表1的物候规律可知，7月份晚稻属于出苗移栽期，而中稻处于孕穗乳熟期，此时可以将中稻和晚稻分开，可以推测，若存在质量较好的5月份多光谱数据，此时早稻处于孕穗乳熟期，而中稻处于出苗移栽期，则可以将早稻和中稻及早区分，提高识别的及时性。

2.1.3　水稻种植分布提取结果

水稻分布结果如图5所示。经统计，该区域遥感提取水稻总计133.05万亩，其中早稻48.32万亩，中稻26.89万亩，晚稻57.84万亩。从识别精度上看，随机森林模型的总体精度为0.93，从统计数据角度看，该区域当年水稻种植面积为150万亩，水稻识别率为88.67%。由于存在两季稻，所以水稻面积超过了耕地面积，符合实际情况，为后续交叉验证水稻保险数据提供了精确的数据支撑。
图5 M县水稻分布图及叠加卫星影像局部放大图

注：该图基于自然资源部标准地图服务网站下载的标准地图制作，考虑到农业保险的敏感属性，地图未体现审图号，底图无修改。

Fig. 5 Rice distribution map of M county and partially enlarged area overlapped with satellite image

2.2　保险数据的交叉验证结果

2.2.1　区域面积差（AD）

分乡镇AD交叉验证结果见表5。从所有水稻AD角度看，33个乡镇中，22个存在超过1万亩的不真实承保面积，个别乡镇承保面积甚至超过遥感面积7万余亩，可直接反馈给监管部门及保险机构进行原因追查。
表5 M县区域承保真实性交叉验证结果

Table 5 Cross-validation results of regional underwriting authenticity in M county

乡镇 区域面积差（AD）/亩 区域作物承保覆盖率（CR）/%
早稻 中稻 晚稻 所有水稻 早稻 中稻 晚稻 所有水稻
乡镇1 10 605.84 0.00 10 048.82 30 748.17 59.20 0.00 69.70 55.60
乡镇2 4 393.36 -7 335.09 4 010.51 1 058.10 82.50 160.20 86.10 98.40
乡镇3 -34 603.59 0.00 -15 507.36 -37 283.94 275.60 0.00 169.30 167.90
乡镇4 21 630.56 -10 916.94 12 891.21 23 660.97 37.00 234.40 65.80 70.50
乡镇5 17 080.51 -9 334.46 14 008.88 21 750.64 21.00 224.00 41.40 59.00
乡镇6 2 344.04 0.00 -13 138.27 8 786.44 84.20 0.00 172.20 83.30
乡镇7 -22 553.64 0.00 -10 624.69 -19 637.90 190.30 0.00 132.30 127.50
乡镇8 -278.10 0.00 -9 421.13 178.94 101.30 0.00 133.20 99.70
乡镇9 3 467.85 0.00 -7 775.15 1 932.87 76.50 0.00 146.00 94.90
乡镇10 -20 745.65 0.00 -16 664.76 -20 956.02 204.00 0.00 167.00 134.20
乡镇11 -10 833.76 0.00 420.66 910.99 181.70 0.00 97.20 97.70
乡镇12 -13 982.17 0.00 -22 857.37 -18 753.10 203.80 0.00 214.50 136.40
乡镇13 -2 477.06 0.00 -756.35 1 738.62 121.10 0.00 104.70 94.70
乡镇14 9 361.69 -14 762.24 9 750.51 4 391.54 11.70 279.70 13.10 85.40
乡镇15 -4 020.59 -20 636.23 4 355.69 -20 305.60 136.80 392.00 64.90 166.80
乡镇16 10 367.08 -3 769.07 8 132.06 14 675.72 45.60 162.30 64.50 69.40
乡镇17 5 758.53 0.00 -2 799.32 10 989.68 46.60 0.00 123.90 64.00
乡镇18 9 724.34 0.00 -2 132.74 17 112.89 59.40 0.00 107.90 71.70
乡镇19 1 689.36 0.00 2 838.49 6 279.25 72.40 0.00 60.30 58.20
乡镇20 4 632.48 517.14 -3 581.13 1 580.96 78.90 94.20 114.00 97.20
乡镇21 -36 349.08 -24 135.78 -15 093.76 -75 580.31 873.80 650.70 335.50 588.00
乡镇22 687.19 68.39 467.13 1 225.90 72.10 92.60 84.40 80.80
乡镇23 4 895.86 -9 914.31 4 789.91 -299.81 2.40 429.90 5.80 102.30
乡镇24 -19 064.45 3 230.62 1 111.00 -14 731.32 198.40 65.40 95.90 126.40
乡镇25 8 019.19 0.00 -271.56 13 146.86 44.50 0.00 101.70 63.30
乡镇26 5 352.46 4 542.03 12 728.80 22 658.70 60.90 48.10 18.10 40.40
乡镇27 2 745.29 -1 358.75 7 104.33 8 475.58 84.60 117.60 68.60 82.40
乡镇28 1 030.87 0.00 932.96 2 662.33 46.60 0.00 56.10 44.00
乡镇29 0.00 -20 698.44 0.00 3 092.87 0.00 326.60 0.00 87.00
乡镇30 0.00 0.00 -356.10 -242.08 0.00 0.00 685.50 312.30
乡镇31 0.00 -2 412.79 0.00 5 246.86 0.00 1 242.20 0.00 31.50
乡镇32 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
乡镇33 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
另外，由于保险业务数据未区分早、中、晚稻，本研究以其服务截止时间进行区分，但根据交叉验证结果显示此区分方式并不合适。由表5可知，分季水稻的交叉验证结果存在的问题较所有水稻合并的结果更多。例如，乡镇3的早稻，AD为-3.4万亩，CR达275.60%；乡镇21的早稻，AD值为-3.6万亩，CR值达873.80%，远超行政区面积。但是从所有水稻角度看，其AD值和CR都有所下降，乡镇3所有水稻的CR值为167.90%，而乡镇21的CR值为588.00%。因此，保险业务数据自身的规范也是交叉验证健康开展的前提。

2.2.2　区域作物承保覆盖率（CR）

CR交叉验证结果见表5，其乡镇分布见图6。该结果显示，CR超过1的乡镇有10个，低于0.4的有1个，另有2个乡镇未开展承保。这些问题表明，部分乡镇可能存在虚假、重复或不规范承保现象，而部分乡镇又可能存在投保覆盖面不足的情况，亟需监管部门介入核查并采取措施。对于保险覆盖率过高的乡镇，还可以进一步进行村级水稻承保率校验，以供详细的村级保险监管。
图6 M县水稻承保覆盖率（0—1）

注：该图基于自然资源部标准地图服务网站下载的标准地图制作，考虑到农业保险的敏感属性，地图未体现审图号，底图无修改。

Fig. 6 Rice insurance cover ratio of M county（0－1）

2.2.3　保单地块重叠率（OR）

M县33个乡镇中，2个乡镇无承保记录，另有10个乡镇无保单地块。其余21个乡镇的保单地块重叠率OR结果见表6。21个乡镇中，有3个乡镇超过五成的保单地块其OR皆高于40%，另有14个乡镇超过二成的保单地块其OR也高于40%。部分乡镇存在高比例的面积重叠异常值，重叠率在40%以上的地块比例分别高达47.10%、46.70%、24.90%和50.80%，明显高于其他区域，如乡镇11、乡镇18、乡镇20和乡镇30。这类现象一方面可能为重复承保、虚报面积等数据异常；另一方面也可能源自地块勾画工具定位精度不高、地块勾画工具缺乏自相交检查功能等问题。特别是乡镇30的保单地块，有近51%的保单地块其面积重叠率超过40%，需进一步结合保险原始数据与实地调查进行核查。相反，部分乡镇，如乡镇22和乡镇28，由于其保单地块总数少，均实现了100%的面积完全不重叠，说明在保单地块少量的情况下，保单地块勾画工作较容易规范，但是也映射出保单地块不足、保险覆盖率不足等问题，亟须警惕承保保障面风险。
表6 M县保单地块面积重叠率交叉验证结果

Table 6 Cross-validation results of overlapping ratio of policy plot in M county

乡镇 地块总数/个 面积重叠率
OR=0% 0＜OR≤5% 5%<OR≤20% 20%<OR≤40% ＞40%
地块数/个 地块占比/% 地块数/个 地块占比/% 地块数/个 地块占比/% 地块数/个 地块占比/% 地块数/个 地块占比/%
乡镇6 71 43 60.60 13 18.31 6 8.50 4 5.60 5 7.00
乡镇7 380 193 50.80 35 9.21 36 9.50 39 10.30 77 20.30
乡镇8 59 43 72.90 10 16.95 0 0.00 0 0.00 6 10.20
乡镇9 444 203 45.70 61 13.74 33 7.40 48 10.80 99 22.30
乡镇10 92 45 48.90 31 33.70 3 3.30 2 2.20 11 12.00
乡镇11 174 62 35.60 3 1.72 13 7.50 14 8.10 82 47.10
乡镇12 67 50 74.60 1 1.49 2 3.00 7 10.50 7 10.50
乡镇13 73 45 61.60 9 12.33 3 4.10 0 0.00 16 21.90
乡镇14 519 213 41.00 57 10.98 64 12.30 71 13.70 114 22.00
乡镇15 195 97 49.70 21 10.77 16 8.20 14 7.20 47 24.10
乡镇16 459 281 61.20 67 14.60 21 4.60 18 3.90 72 15.70
乡镇17 466 242 51.90 80 17.17 12 2.60 16 3.40 116 24.90
乡镇18 304 71 23.40 23 7.57 31 10.20 37 12.20 142 46.70
乡镇19 130 73 56.20 16 12.31 7 5.40 7 5.40 27 20.80
乡镇20 940 448 47.70 151 16.06 47 5.00 51 5.40 243 25.90
乡镇22 38 38 100.00 0 0.00 0 0.00 0 0.00 0 0.00
乡镇25 139 73 52.50 14 10.07 15 10.80 9 6.50 28 20.10
乡镇28 3 3 100.00 0 0.00 0 0.00 0 0.00 0 0.00
乡镇30 187 65 34.80 9 4.81 5 2.70 13 7.00 95 50.80
乡镇31 313 150 47.90 37 11.82 26 8.30 28 9.00 72 23.00
乡镇32 387 203 52.50 38 9.82 31 8.00 35 9.00 80 20.70

2.2.4　保单地块作物占比（CP）

利用CP指标对M县水稻完全成本保险保单地块进行分析制图，得到结果如图7所示。总体而言，保单地块内水稻占比都在60%至90%之间，在研究区整体分布较为均匀，尤其集中分布于东北部、中南部及西南区。这表明在地形复杂的南方丘陵地区，水稻种植具有一定的连片性和集中度，且遥感识别结果能较好还原该区域内的种植结构特征。而水稻占比大于90%的地块呈现斑块状分布，主要集中于东北部、南部及西南部个别乡镇。这类地块水稻种植纯度较高，与典型的水稻主产区一致，说明遥感技术在高纯度种植地块的识别能力具有较高可靠性，可优先作为承保真实性核验的重点区域。与此同时，仍有少量地块水稻占比低于60%，主要散布于东北角、南缘，以及个别丘陵边缘区。该类地块可能存在作物混播、保险数据错配或实际未种植等问题，值得进一步关注。若遥感判定的非水稻面积占比较大，而实际承保信息却标注为“水稻地块”，则可能存在一定程度的虚假承保或者虚构标的承保的道德风险，需要进一步排除原因。
图7 M县保单地块水稻占比

Fig. 7 Crop proportion of rice in policy plots in M county

3 讨论与结论

本研究围绕农业保险高质量发展的精准承保核心任务，以S省M县为研究区，结合国产高分辨率遥感影像与国际公开的哨兵系列数据，在深度学习算法GEE云平台支持下，探索了基于遥感技术的多季稻识别与保险承保数据交叉验证的方法路径与指标体系。研究表明，通过融合多源遥感数据，能够在较低成本下实现较高精度的多季稻识别，为保险数据真实性校验提供有效技术支撑。
基于研究结果，提出两项关键监管建议。首先，将区域承保面积真实性和覆盖率，包括区域面积差AD和区域作物承保覆盖率CR，作为识别虚假承保、保险开展覆盖度的核心指标，对异常区域开展重点核查。建议在全省范围内开展农业保险遥感交叉核验的常态化工作机制。鉴于遥感技术能有效识别农业保险中虚假承保的道德风险，对于保障农业保险补贴合规与安全起着重要的支撑作用，建议S省每年在全省范围内开展农业保险遥感交叉核验工作机制。考虑到遥感费用等方面的因素，建议每年可抽查几个县、几种重要农作物品种进行重点核验，并将核验结果纳入到承保机构绩效评价考核或机构遴选工作中。
其次，将保单地块采集规范性包括“地块重叠率OR”和“保单地块作物占比CP”纳入地方政府保险绩效评价体系，督促保险业务高质量发展。鼓励各保险机构经过自己制作、购买、从其他部门协调共享等多种形式逐年积累形成耕地地块基础数据库，建立耕地地块共享机制，并规范保险机构承保验标时地块采集工作。农业保险平台可以通过升级保单地块的校验功能，确保保单地块上报的质量。如S省应在农业保险平台上升级地块重复校验、非耕地地块校验、保单与地块面积一致性校验等校验功能，及时发现并退回地块采集不规范的保单，要求保险机构修改或重新采集。同时，建立保单地块采集规范性的评价指标对保险机构进行绩效评价，促使保险机构端正地块采集的工作态度，才能真正落实农业保险标的精准化，最终促进农业保险高质量发展。
然而，研究也揭示出当前技术应用中存在的两类关键问题。在数据层面，南方丘陵区多云雨气候导致光学影像时序不连续，制约了水稻识别的时效性与准确性；在技术层面，从耕地提取、作物分类到指标计算的全流程仍依赖专业遥感与GIS技术，对保险行业的应用推广形成门槛。
总之，本研究系统构建了“数据-方法-指标-应用”的交叉验证技术框架，初步回答了“用什么遥感数据、如何应用、在哪个环节应用”等基础问题，为农业保险承保真实性校验提供了可参考的实践案例。未来研究应进一步聚焦于“如何用好遥感技术”，重点突破水稻苗期识别、更低技术门槛的业务化系统构建等关键问题，推动遥感从验证工具向常态化监管支撑转变。

本研究不存在研究者以及与公开研究成果有关的利益冲突。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
薛璐瑶,赵思健. 农业保险"两虚"问题研究: 形成机理、治理策略及未来展望[J/OL]. 农业展望, 1-13[2025-12-31].

XUE L Y, ZHAO S J. "Two Falsehoods" in agricultural insurance: Formation mechanisms, governance strategies, and future prospects[J/OL]. Agricultural outlook, 1-13[2025-12-31].

[2]
南方农村报. 中国农险保费规模全球第一[EB/OL]. 2025-03-08.

[3]
BENAMI E, JIN Z N, CARTER M R, et al. Uniting remote sensing, crop modelling and economics for agricultural risk management[J]. Nature reviews earth & environment, 2021, 2(2): 140-159.

[4]
陈爱莲, 赵思健, 朱玉霞, 等. 遥感技术在种植收入保险中的应用场景及研究进展[J]. 智慧农业(中英文), 2022, 4(1): 57-70.

CHEN A L, ZHAO S J, ZHU Y X, et al. Application scenarios and research progress of remote sensing technology in plant income insurance[J]. Smart agriculture, 2022, 4(1): 57-70.

[5]
SHANMUGAPRIYA P, RATHIKA S, RAMESH T, et al. Applications of remote sensing in agriculture: A review[J]. International journal of current microbiology and applied sciences, 2019, 8(1): 2270-2283.

[6]
TOWERY N G, EYTON J R, CHANGNON S, et al. Remote sensing of crop hail damage[R]. Illinois, USA: Illinois State Water Survey, 1975.

[7]
HIPPLE J. Remote sensing within USDA risk management agency. 2008 [EB/OL].

[8]
NGUYEN T T, MUSHTAQ S, KATH J, et al. Satellite-based data for agricultural index insurance: A systematic quantitative literature review[J]. Natural hazards and earth system sciences, 2025, 25(2): 913-927.

[9]
SARVIA F, XAUSA E, DE PETRIS S, et al. A possible role of Copernicus Sentinel-2 data to support common agricultural policy controls in agriculture[J]. Agronomy, 2021, 11(1): ID 110.

[10]
WEISS M, JACOB F, DUVEILLER G. Remote sensing for agricultural applications: A meta-review[J]. Remote sensing of environment, 2020, 236: ID 111402.

[11]
张兰. 农险"用腿理赔"或将终结[N]. 金融时报, 2013-10-21(5).

[12]
郭清, 何飞. 空间信息技术在农业保险中的应用研究[J]. 地理信息世界, 2014, 21(1): 79-84.

GUO Q, HE F. Study on the application of spatial information technology in agricultural insurance[J]. Geomatics world, 2014, 21(1): 79-84.

[13]
王珊. 遥感技术防范烟叶种植险道德风险问题研究: 以云南省为例[D]. 昆明: 云南财经大学, 2022.

WANG S. A Study on Remote Sensing Technology to Prevent MoralHazard of Tobacco Planting Insurance－Taking YunnanProvince as an example. Kunming: Yunnan University of Finance and Economics, 2022.

[14]
庄家煜, 包维嘉, 苏武峥. 农业遥感应用现状与展望[J]. 农业展望, 2024, 20(4): 68-74.

ZHUANG J Y, BAO W J, SU W Z. Current situation and prospect of agricultural remote sensing technology application[J]. Agricultural outlook, 2024, 20(4): 68-74.

[15]
陈爱莲, 李家裕, 张圣军, 等. 卫星遥感估产技术在大豆区域收入保险中的应用[J]. 智慧农业(中英文), 2020, 2(3): 139-152.

CHEN A L, LI J Y, ZHANG S J, et al. Application of satellite remote sensing technology in soybean regional income insurance[J]. Smart agriculture, 2020, 2(3): 139-152.

[16]
鄂海林, 周德成, 李坤. 基于Sentinel 1/2和GEE的水稻种植面积提取方法: 以杭嘉湖平原为例[J]. 智慧农业(中英文), 2025(2): 81-94.

E H L, ZHOU D C, LI K. Extracting method of the cultivation aera of rice based on Sentinel-1/2 and google earth engine(GEE): A case study of the hangjiahu plain[J]. Smart agriculture, 2025(2): 81-94.

[17]
魏萱, 蒋一凡, 蔡玥乐, 等. 农业无人机高光谱成像遥感研究现状和进展[J]. 中国农业信息, 2024, 36(4): 27-46.

WEI X, JIANG Y F, CAI Y L, et al. Research status and progress of hyperspectral imaging remote sensing for agricultural unmanned aerial vehicles[J]. China agricultural information, 2024, 36(4): 27-46.

[18]
齐腊, 刘良云, 赵春江, 等. 基于遥感影像时间序列的冬小麦种植监测最佳时相选择研究[J]. 遥感技术与应用, 2008, 23(2): 154-160.

QI L, LIU L Y, ZHAO C J, et al. Selection of optimum periods for extracting winter wheat based on multi-temporal remote sensing images[J]. Remote sensing technology and application, 2008, 23(2): 154-160.

[19]
赵荣荣, 丛楠, 赵闯, 等. 基于Landsat 8影像提取豫中地区冬小麦和夏玉米分布信息的最佳时相选择[J]. 作物学报, 2024, 50(3): 721-733.

ZHAO R R, CONG N, ZHAO C, et al. Optimal time selection for extracting distribution information of winter wheat and summer maize in central Henan province based on Landsat 8 image[J]. Acta agronomica sinica, 2024, 50(3): 721-733.

[20]
沈宇, 李强子, 杜鑫, 等. 玉米大豆生长中后期遥感辨识的指示性特征研究[J]. 遥感学报, 2022, 26(7): 1410-1422.

SHEN Y, LI Q Z, DU X, et al. Study on indicative characteristics of remote sensing identification in the middle and late growth period of maize and soybean[J]. Journal of remote sensing, 2022, 26(7): 1410-1422.

[21]
赵思健, 赵坚, 陈爱莲, 等. 遥感交叉验证农业保险数据的路径与指标研究[J]. 保险研究, 2024(1): 49-58.

ZHAO S J, ZHAO J, CHEN A L, et al. Study on the path and index of cross-validation of agricultural insurance data by remote sensing[J]. Insurance studies, 2024(1): 49-58.

[22]
刘文双. 基于时序多特征SAR影像的水稻解译研究[J]. 测绘与空间地理信息, 2025, 48(6): 91-94, 98.

LIU W S. Study on rice interpretation based on time-series multi-feature SAR images[J]. Geomatics & spatial information technology, 2025, 48(6): 91-94, 98.

[23]
高心怡, 池泓, 黄进良, 等. 水稻遥感制图研究综述[J]. 遥感学报, 2024, 28(9): 2144-2169.

GAO X Y, CHI H, HUANG J L, et al. Summary of rice remote sensing mapping research[J]. National remote sensing bulletin, 2024, 28(9): 2144-2169.

[24]
ZHANG D J, PAN Y Z, ZHANG J S, et al. A generalized approach based on convolutional neural networks for large area cropland mapping at very high resolution[J]. Remote sensing of environment, 2020, 247: ID 111912.

[25]
CARDILLE J A, CROWLEY M A, SAAH D, et al. Cloud-Based Remote Sensing with Google Earth Engine: Fundamentals and Applications[M]. Cham: Springer International Publishing, 2024.

Options
Outlines

/

〈 〉

  • ISSN 2097-485X（Online）
    ISSN 2096-8094（Print）
    CN 10-1681/S
    CODEN ZNZHD7
    Aboard PDC: C9452
    Authority in Charge: Ministry of Agriculture and Rural Affairs of the People’s Republic of China
    Sponsor: Agricultural Information Institute, Chinese Academy of Agricultural Sciences
  • Address: No.12 Zhongguancun South St.,Haidian District Beijing P.R.China
    Zip Code: 100081
    Telephone: +86 10 82109657
    E-mail: smartag@caas.cn
京ICP备09089781号-37