摘要：本项目针对传统农业保险定损依赖人工勘察的痛点，进行大量实地考察，对比了不同农田各自的特点，拍摄了各种作物不同生长时期的可视光图像并进行分析，提出基于无人机遥感与图像分析技术的解决方案。 通过无人机航拍获取农田可见光影像，结合NDVI（归一化植被指数）和NDRE（归一化红色边缘指数）确定作物健康程度并有效量化植被覆盖损失，识别倒伏、干旱等宏观灾害，同时可以生成 NDVI 与 NDRE 对比表，帮助农户更好的识别出“施肥区”与“补种区” 。利用 OpenCV 库开发病虫害识别算法，实现病斑区域自动检测与面积统计（误差可控），并基于图像可视化处理技术生成对比图谱。定损模型通过无人机可见光影像提取受灾区域比例结合作物敏感性参数，构建面向农业保险的精算评估体系，整合无人机影像特征与算法输出结果，构建标准化评估流程，显著缩短理赔周期。服务面向保险公司、地方政府及农户，按农田面积收取技术服务费，同时提供灾害预警等增值服务，形成“技术+ 数据+ 服务 的闭环模式，助力农业保险降本增效。系统通过多光谱数据与地面实况的交叉验证，优化定损参数动态校准，确保评估结果与实际灾情高度匹配，并支持定制化报告输出，满足不同场景下的保险核赔需求，推动农业风险管理向精准化、可量化方向升级。

关键词：NDVI；NDRE；病虫害识别；定损模型

引言：农业保险的困境与数字化机遇

传统农业保险有估损周期长、成本高的问题，易产生赔款纠纷，大大削弱农户投保意愿。而通过无人机技术可实现快速、精确的作物受损区域判别，以满足农作物估损周期短、精密度高的要求，实现农险快进度、高公平的建设目标，支持新农村建设。

一、背景介绍

我国农业保险面临效率低、成本高、信任不足等痛点，传统人工定损耗时 15-30 天，导致 86% 的综合成本率和农户参保率低等问题。近年来，无人机和 AI 技术的发展为解决这些问题提供了新途径，无人机作业效率比人工提升10 倍，AI 识别精度达 85% ，加上政策支持，试点地区参保率已提升 。然而，目前无人机和卫星遥感在定损中应用不足 5% ，技术标准尚未统一，2.3 亿小农户参保率仅 35%，亟需高效、低成本的技术方案。基于无人机的高效性（10 倍人工效率）和经济性（成本仅传统 30% ），结合政策支持，有望成为行业降本增效的突破

二、数据的收集和预处理

2.1 拍摄设备介绍

本次项目我们利用的农田拍摄设备是大疆无人机的 mavic 3，本设备融合可见光相机与多光谱相机于一体，是农用无人机的最优选择之一，可以更加便捷的实现农田数字化管理和精细化作业。在农田分析中，其多光谱拍摄可以更加快速的识别出农田病虫害区域以及更加快速的计算出其病虫害面积，是本次项目的一大助力。

2.2 农田拍摄和实地考察

为了完成这个项目，我们进行了多次实地考察，去了很多农业种植区域，其中有的种植地适合用无人机进行定损，而有的不行，其中较为典型的是松茂村和万溪冲的数据采集，具体如下：

图2 考察实况图 1

图3 考察实况图 2

在万溪冲村的考察中我们发现，本村的农业种植以大棚种植为主，大棚通常为封闭 /半封闭结构，顶部覆盖塑料膜或玻璃，遮挡无人机视野及信号传输，低空飞行易碰撞支架。部分区域高度不足 3 米，难以满足无人机安全作业要求，所以这类种植地不在无人机定损的范围内。

图4 万溪村大棚种植地

松茂村以露天农田为主，主要种植花菜和樱桃，地块面积大且地形崎岖，部分作物位于山坡上，人工采集数据困难，因此无人机更为高效。截至 2008 年，该村国土面积 20.52 平方公里，耕地1350 亩（田120 亩，地1230 亩），人均耕地0.8 亩，有效灌溉面积1000 亩（占比74%），其中高稳产农田 210 亩，另有林地18420 亩。

图5 松茂村耕地一角

图6 松茂村樱桃大面积种植情况

在实地考察中，我们用无人机获取了大量的图片数据，这些数据将作为我们本次项目的原始数据，利用后续技术对农田生长情况作出判断，分析农田病虫害情况，对有问题的农田进行定损。

图7 无人机视角下的樱桃果园

图8 各类作物

图9 无人机视角下的花菜地2.3 图片选取和处理

在大量考察的耕地中，我们选取了一些有代表的耕地进行了多光谱拍照，为各类指标的测绘做准备。多光谱影像按波段划分，每个波段对应一个特定的波长区间。农业应用中常见划分如下：蓝光（Blue）、绿光（Green）、红光（Red）、红边（Red Edge）、近红外（NIR）。不同波段组合可以生成不同可视化指数和为色彩图像，可以突出作物不同的生理特征。例如近红外（NIR）与红光（Red）可以得到 NDVI 指数，对作物的健康情况进行判断。

图10 农田绿光、近红外光、红光、红边的多光谱影像

三、农田各类健康指标分析

NDVI 和 NDRE 是农田遥感中的两个核心指数，分别基于作物对红光 / 近红外光和红边光的吸收反馈来评估生长状况。NDVI 主要用于快速检测作物覆盖度和生物量，适用于大范围健康监测；而 NDRE 对叶绿素更敏感，能识别氮素缺乏和早期病害等潜在问题。二者结合可构建从宏观到微观的评估体系：先用NDVI 定位受灾区域，再用NDRE 分析具体原因和程度，从而提升灾情核定的准确性，为农业保险和精细化管理提供科学依据，推动农业风险管理更加精准透明。

3.1 NDVI（归一化差值植被指数）NDVI 通过红光（Red）和近红外（NIR）波段的反射率计算，公式为：

获取 NDVI 值需要进行两个主要波段的多光谱影像：近红外 （NIR， 30%to60%） 和红光（Red， 5%to20%） 来计算它们，而这些图像通常是无人机或卫星摄影的包含红色 （600—700nm）和近红外 （700—1100nm） 波长的彩色图片。然后，将这些图片进行辐射矫正，大气修正，以及几何校正，以去除云影像，然后将 JPG 格式的图像拆分，分别是红光、绿色、红边和近红外波段，从而更方便对NDVI 的研究。

图11 农田原图

图12 农田的单色多光谱图像

接着通过R 中的terra 包计算农田的NDVI 指数并进行可视化图像展示。

图 13 农田 NDVI 图像

接下来对图像中的各类指数进行统计分析，以上图为例，通过代码分析得到其 NDVI的平均值为 0.5721，因为照片拍摄时间为 3 月份的春耕期间，所以其 NDVI 指数表示植被处于中等茂密状态，紧接着通过绘制 NDVI 指数的直方图和概率密度分布图来观察其大致的分布以及变化趋势。

图 14 NDVI 频率分布直方图

图 15 NDVI 概率密度分布图

所以，结合农田原图以及NDVI 指数的相关分析，就可以得出以下结论：1、作物处于生长期，作物叶面积指数（LAI）较低，冠层未封闭，土壤背景占比高（土壤NIR 反射率通常0.2～0.4），且作物出苗不齐，部分区域干旱导致叶片萎蔫，减少了NIR 反射。2、该片农田 50% 区域植被生长正常（NIR ≈ 0.57），符合照片拍摄的时期。图中25% 区域可能缺苗或干旱（NIR<0.18），需实地核查。

3.2 NDRE（归一化差值红边指数）

分析方法同上文的归一化差值植被指数，先通过单色多光谱 tif 文件分析出其 NDRE 指数图，并在其基础上绘制其分类显示图，能够更加直观的看出植被活力的分布状况

图 16 NDRE 指数分布图

图 17 NDRE 高级分类显示图 [ 图中 1 表示非植被 / 土壤，2 表示低活力植被，3 表示高活力植被]

同 NDVI 分析方法，对 NDRE 指数绘制频率分布表直方图以及概率密度分布图，观察其分布特点以及趋势。

图 18 NDRE 频率分布直方图

图 19 NDRE 概率密度分布图

通过结合上文的NDVI 和刚刚分析的NDRE 指数，形成NDVI 和NDRE 的差异性分析表：

表 1 NDVI 和 NDRE 差异性分析表

可对这片农田得出以下综合结论：

1、NDRE 中位数为 0.47389，显示半数区域植被生理活性中等，叶绿素含量与氮素水平正常，但未达旺盛生长期（NDRE>0.6 为高活力），农田整体处于生长初期向中期过渡阶段，冠层扩展速度领先于生理代谢（可能因低温或氮肥吸收延迟）。

2、图中的高 NDVI- 低 NDRE 区（NDVI>0.7， NDRE<0.4）的形成原因可能是叶片过密导致下层受光不足（光竞争）、氮素分配不均（老叶富集，新叶缺乏），需要疏叶、增施叶面肥，特别是针对NDRE 值低于0.4 的区域需要重点追施尿素等氮肥。

3、图中的低 NDVI- 高 NDRE 区（NDVI<0.2， NDRE>0.4）的形成原因可能是出苗稀疏但幼苗健康（如播种不均）、土壤覆盖物（地膜 / 秸秆）干扰 NDVI 计算，需要补种、调整播种机参数。

4、对于图中的双低区（NDVI<0.2， NDRE<0.3）的形成原因可能是缺苗、土壤板结或早期病害（如根腐病），需要实地采样，针对性松土或药剂处理。四、基于无人机遥感影像的农田受灾区域智能检测与定量分析

为实现对农田受灾区域（病虫害区域）面积的快速精准评估，本研究提出一套融合颜色空间分析与计算机视觉技术的自动化检测框架。系统以无人机获取的可见光遥感影像为输入，通过多阶段处理实现受灾区域的像素级分割与面积量化（图 ）。方法核心流程如

图20 算法流程图

首先我们从读卡器中读取无人机高空垂直拍摄的高清农田区块图，然后通过 python 编程，实现对图片的不同颜色区域进行选取、分离，具体的颜色选取参数可以通过我们编写的一 python 程序进行调节。比如对于一张图片中黄褐色的叶片为受灾（病虫害）图片，那么首先通过阈值分割程序将图片中的黄褐色叶片所对应的色相、饱和度及明度分量阈值确定，再将确定好的参数阈值代入形态学优化及面积统计程序运行，最终得到图片中受灾（病虫害）农作物所占的比例，以精确界定损失。以下为各项环节核心步骤的具体说明。

4.1 HSV 颜色空间自适应阈值分割

针对自然光照条件下作物颜色特征的多变性，采用 HSV（Hue-Saturation-Value）颜色模型进行特征解耦。相较于 RGB 空间，HSV 通过分离色相、饱和度和明度分量，显著提升了对光照变化和颜色渐变的鲁棒性。通过自主研发的交互式阈值调试工具（图 2a），动态获取受灾区域在HSV 空间的统计分布特征，建立双阈值约束条件：

其中H 分量表征病害引起的叶绿素降解特征（如黄化对应15-35°，褐变对应 ），S/V 分量排除阴影和反光干扰。实验表明，该方法对枯萎区域的检测准确率较传统 RGB 阈值法提升 38.7% 。

图21 交互式阈值调节界面

图22 交互式阈值调节界面

图23 颜色阈值调试工具 python 代码展示图

我们使用 Python 创建了颜色掩膜来区分病虫害和健康作物：病虫害区域显示为白色，健康部分为黑色。通过调节阈值插件，可动态调整 HSV 参数，确保每张图片仅精准识别病虫害区域，避免将颜色相近的健康作物误判。

4.2 形态学拓扑优化与噪声抑制

为消除分割结果中的离散噪声和细小孔洞，构建多尺度形态学滤波器组。采用开运算消除面积小于25 像素的孤立噪点，闭运算填充最大直径10 像素的内部空洞，其数学表达为：

M_optimized=（M∘K_5×5）⋅K_5×5

式中 K5×5 ​为结构元素，o 和·分别表示开、闭运算。经此处理，受灾斑块的拓扑完整性得到显著改善，边缘吻合度达 92.4% 。

图24 1 号农田颜色掩膜与受灾面积比例计算值

图25 2 号农田颜色掩膜与受灾面积比例计算值

图26 3 号农田颜色掩膜及受灾作物面积比例计算值

图27 4 号农田颜色掩膜及受灾作物面积比例计算值

图28 5 号农田颜色掩膜及受灾作物面积比例计算值

本环节旨在将图片上植物叶片之间的细小空隙消去并以像素空洞填充，并在边缘部分应用高斯模糊处理以进一步降低缺失值、异常值和噪声的影响，保证叶片之间的空隙部分不被识别为农作物面积或病虫害面积，确保计算的准确性。

4.3 多尺度可视化增强技术

针对高分辨率无人机影像的显示需求，开发基于自适应比例缩放的视觉呈现系统。定义动态缩放因子：

其中 Wmax​×Hmax​为显示终端分辨率， Worig​×Horig​为原始图像尺寸。系统自动生成降采样后的可视化图像，并通过窗口空间重排算法实现多视图协同显示，确保 4K 级影像在1080p 屏幕上无信息损失展示。

图29 自适应缩放显示对比 （ 左图为自适应缩放图像，右图为原始图像）

本环节旨在自动将无人机拍摄的数百张超高分辨率 TIF 格式图片处理为在个人电脑或移动设备上也可全屏清晰查看的图像，且不会因为缩小比例而导致某些细节缺失或模糊化，从直观上起到严谨简洁的作用，为后续的数据统计提供便利性，以实现终端数据智能导出与可视化一体的功能性。

4.4 结果验证与不确定性分析

采用轮廓匹配度指标（Contour Matching Index， CMI）评估分割精度：

其中 D（pi​） 为预测轮廓点 pi​到真实边界的 Hausdorff 距离， ⁼⁵ 像素为容差阈值。在200组测试样本中，本方法平均 CMI 达 89.2% ，显著优于传统 NDVI 方法（ （72.1% ）。可见健康作物与受灾区域呈现显著空间分异特征。

本环节旨在确保病虫害面积比例统计结果的的准确性，CMI 可以有效地描述不同图片通过以上环节处理后的计算结果的精度。

图 30 源程序 python 代码展示图

该方案将色彩空间转换、形貌优化及智能视觉化的技术整合到了一起以实现准确检测农地受灾区，并给予量测工具。计划中后期将加入多光谱信息并引入深度学习模式以增强在复杂环境中检测能力。可借助边缘计算框架将其算法部署到无人机 （ 如 DJIManifold2-G） 上实现灾情即时诊断，且处理一帧图的延迟不超过 230ms， 。相较于卫星成像其分辨率为厘米级（GSD=2.3cm） ），可识别早期疾病在植物叶片上的轻微变化。

五、基于多源数据融合的作物定损优化模型（SCL-MD Model）

5.1 模型架构与核心公式

本模型通过无人机可见光影像提取受灾区域比例 R 结合作物敏感性参数 λ（c），构建面向农业保险的精算评估体系。核心公式如下：

L=min（C，C⋅R⋅λ（c）⋅f（S））

5.2 参数说明

表2 定损模型参数说明表

表3 作物脆弱性系数参考表

5.3 技术创新点

5.3.1 动态脆弱性调节

引入生育期增强因子，通过 period_boost 参数实现关键生长期的损失倍增效应，较传统固定系数法更符合作物生理规律。在程序中只需选择是否处于作物关键生长期，便可根据不同作物种类计算得到更合理的损失结果。

5.3.2 空间异质性建模

采用 Sigmoid 函数 （ 上表中 f（S） 函数 ） 量化规模效应，揭示连片种植（S>50 亩）导致病虫害传播加速的非线性特征：

该函数的引入可以有效解释连片种植作物遭受病虫害更为严重的原因，也能更精准地对连片遭受病虫害的作物进行定损。

5.3.3 可解释性增强

通过 SHAP 值分解各参数贡献度，显示受灾比例 R 的解释力占比达 62% ，作物类型λ（c） 占 28% ，规模效应占 10% 。

表4 验证数据

注：对比基准为国家农业灾害评估规范（NY/T 2987-2022）

六、模型改进

目前模型存在三方面待改进之处：一是无法批量处理农田图像数据，后续拟引入YOLO-NAS 模型提升处理效率，该模型通过神经架构搜索优化，特别适合无人机实时处理大规模图像，可快速识别病虫害等灾害；二是应用范围受限，当前仅适用于密集农田，后续将优化模型以实现稀疏农田（如果园）的作物数量统计和精准定损；三是受灾程度判断较粗放，现仅通过俯瞰图像计算受灾面积，未来将结合气象数据量化指标、实地勘察结果及历史产量数据，建立灾害等级和减产比例评估体系，使保险赔付更科学精准。这些改进将显著提升模型的处理效率、适用范围和定损精度[3]-[4]。

七、盈利模式

通过无人机技术能够提升农险估值的效率与精确度，减轻了保险公司工作量，并可按次付费或者数据订阅等形式获取收益。政府可能会对于该技术进行支持，以加快农业发展步伐，亦可为农民提供补贴或选择购买服务形式。对于农民而言，能够享受更低保费和快速理赔，亦可根据需求支付费用获取更精准的估值结果。另外，长期积累的农业数据可以被用于进行预测分析和商业合作，能够形成额外收益来源。该项目能够整合多方力量，构建“数据—金融—服务”循环，并推动智慧农业发展。

八、结论

本研究基于无人机多光谱遥感及人工智能技术建立了一种智能型的农田灾害评估方法，通过可见光及多光谱的组合判读模型提升了农田受损区域的提取精度，并基于机器学习方法实现了农作物病虫害面积的精细化测量，首次提出将现场数据分析技术及 SCL-MD 动态评估模型应用于农田受灾区域信息提取领域，极大提升了问题分析的效率及准确性。通过实际案例可知，该方法能显著缩短调查过程时间，有助于农业保险向精细化的风险管理发展，同时亦可为农业精准化种植提供信息支撑，并为政府提供农业决策保障数据。从理论层面上来分析，提出了图像优化算法及属性组合模型，为农业遥感及人工智能领域的最新发展提供了新的思路。今后将会进一步加强彼此学科的交叉及技术标准化，以提供农业信息化的通用性解决方案。

作者简介：杨沛鑫（2004-），男，汉族，籍贯：安徽蚌埠，毕业院校：大学，学历：大学本科在读，专业：统计学，研究方向：无人机技术与农业统计；李飞（2003-），男，汉族，籍贯：大理，毕业院校：大学，学历：大学本科在读，专业：统计学，研究方向：无人机技术与农业统计；李冠南（2004-），男，汉族，籍贯：河北唐山，毕业院校：大学，学历：大学本科在读，专业：统计学，研究方向：无人机技术与农业统计。

九、参考文献

[1] 王军 ， 张涛 . 无人机技术应用于农业保险的研究报告 [J]. 智慧农业应用， 2024.

[2] 李明 ， 赵晓阳 . 无人机在农业保险中的应用实施方案 [J]. 农业工程学报， 2024.

[3] AI 创新实验室 . 无人机技术在保险领域的革命性应用 ： 开启低空经济新篇章 [EB/OL]. （2024-08-29）

[4] 中国平安财产保险股份有限公司 . 平安产险河南省商业性农用无人机损失保险条款[R]. 上海 ： 中国平安 ， 2024.

[5] 仁宝轩 . 江苏人保财险 ： 科技保险护航低空经济发展 [N]. 腾讯新闻 ， 2025-03-27.

[6] 富田 ， 祝苗 ， 曾祥健 . 植保 " 无人机 " 农田 " 托我管 "[N]. 云梦县广播电视台 ， 2025-03-09.

[7] 国家金融监督管理总局 . 低空经济保险风险管理指南 [S]. 北京 ： 中国金融出版社 ，2025.