南通市位于江苏省东南部，濒临南黄海，拥有得天独厚的地理和气候条件，使其成为中国重要的紫菜养殖基地之一。该地区海域水质优良、盐度适中，且受长江径流影响较小，为紫菜生长提供了理想的环境。此外，南通市海岸线漫长，滩涂资源丰富，尤其适合半浮动筏式紫菜养殖模式的发展。紫菜养殖作为南通市海洋经济的重要组成部分，不仅为当地渔民提供了稳定的收入来源，也在促进区域经济发展、保障水产品供应方面发挥着重要作用。近年来，随着农业保险制度的不断完善，紫菜养殖保险逐渐成为保障渔民收入、稳定产业发展的重要手段。
然而，传统的养殖面积核查主要依赖人工现场查勘，存在效率低、成本高、主观性强、覆盖面有限等问题，难以满足保险业务对快速、精准、可量化数据的需求。尤其是在南通市这样养殖区域广阔、养殖户众多的地区，传统查勘方式不仅耗时耗力，而且容易出现漏查、误查等问题，影响保险承保的准确性和公正性。因此，亟需引入高效、客观的技术手段提升承保工作的科学性和精细化水平。
卫星遥感技术具有覆盖范围广、时效性强、数据客观等优势，能够提供传统调查方法难以获取的精细化空间信息，已广泛应用于农业资源调查、灾害监测、作物估产等领域。近年来，遥感技术在紫菜养殖分布监测领域取得了显著进展。目前基于遥感影像的筏式海水养殖信息提取方法主要包括：光谱特征提取法、面向对象分割法、机器学习分类法以及深度学习方法等。然而，现有研究主要集中于养殖区信息提取和面积监测，对遥感技术在紫菜养殖保险业务中的应用研究相对不足。本研究利用0.5～0.8m分辨率的多源遥感数据，精准提取承保范围内的紫菜养殖台的分布、数量和面积信息。通过将遥感技术引入紫菜养殖保险业务，不仅可以显著提高养殖面积核查的效率和精度，还能为风险评估、灾害预警、快速理赔等环节提供可靠的数据支持，从而推动海洋养殖保险业务向数字化、智能化方向发展。
一、材料与方法
1．研究区概况
本研究选取江苏省南通市下辖的启东市、海安市和如东县作为典型研究区域（图1）。该区域位于长江入海口北岸，沿海滩涂及浅海资源丰富，具有面积广阔、淤长速度快、沙脊发育良好、可再生性强、开发潜力大等优势。区域沿海水温适宜，光照条件适中，气象灾害较少，为紫菜养殖提供了良好的自然环境，是我国条斑紫菜的重要产区。研究区域内紫菜养殖主要采用筏式并网养殖模式，单台养殖面积约1.3亩，主要分布在启东内沙、蒋家沙和竹根沙等海域。该区域紫菜养殖规模大、分布集中，具有典型性和代表性，适合开展遥感监测研究。
一、材料与方法
2.遥感数据源与预处理
在遥感监测中，数据源的选择直接影响监测结果的精度与可靠性。本研究基于紫菜养殖周期和保险业务需求，对遥感影像的时相和分辨率进行了科学选择。紫菜养殖周期为每年9月至次年4月底，其中1—2月为养殖面积最大的时期。具体养殖过程包括：9月底投放紫菜苗种，经过20天左右的培育后移至养殖网帘，次年4月进入采收旺季。考虑到保险承保业务通常在1月底完成，本研究将影像获取时间确定为2024年11月—2025年1月这一关键时期。由于紫菜在涨潮时会被海水淹没，在影像上呈现淡灰色难以识别，因此特别选用退潮期影像进行监测。为保证紫菜养殖承保上图像的精准度，在影像分辨率选择方面，依据筏式养殖区高分辨率遥感监测技术规范（T/SSF0003-2023）和养殖海筏卫星遥感监测技术规范（DB3710-2022），选用空间分辨率优于1m的遥感影像。
本研究采用的多源高分辨率卫星影像包括：四维高景三号卫星影像（0.5m）、高分二号卫星影像（0.8m）和高分七号卫星影像（0.8m）。这些亚米级影像能够清晰识别紫菜养殖筏架及其空间分布特征，是本研究的核心数据源。其中，四维高景三号01星由中国四维自主研制，是我国首颗兼具130km超大幅宽和0.5m高分辨率的商业光学遥感卫星，配备9个多光谱波段；高分二号是我国首颗分辨率优于1m的民用光学遥感卫星，全色分辨率达0.8m；高分七号则是我国首颗民用亚米级立体测绘卫星，具备0.8m全色分辨率和3.2m多光谱分辨率，其前后视立体成像能力可生成1:10000比例尺地形数据。通过选择关键生长期的高分辨率退潮影像，本研究有效确保了紫菜遥感监测的时效性和准确性。
在数据预处理环节，研究采用标准化处理流程：首先进行辐射定标和大气校正，消除传感器误差和大气环境影响；其次进行几何校正和配准，保证多源影像的空间一致性；最后通过影像融合和镶嵌处理，构建覆盖整个研究区域的高质量遥感影像数据集，为后续紫菜养殖信息提取提供可靠的数据基础。
3.紫菜养殖信息提取
当前筏式海水养殖的遥感影像信息提取方法可分为五类：光谱特征法、面向对象分割法、机器学习法、深度学习法和人工目视解译法。根据最新研究，光谱特征法在光谱差异显著区域精度可达85%以上，但在近岸复杂环境下受水体光谱混合效应影响显著；面向对象分割法通过多特征域优化（FSO）可提升精度至88.8%，但规则集构建过程复杂，难以实现高度自动化；机器学习法利用训练样本学习分类模型，然而受“椒盐”效应影响，容易产生细小斑块与误分类现象；深度学习法通过深层神经网络自动学习特征，能够实现端到端识别，但对样本标注及计算资源要求较高；人工目视解译作为基准方法精度超95%，但单景影像处理耗时4～6小时。
基于以上分析，单一技术方法难以同时满足保险业务对精度（≥95%）和台数识别的双重要求，本研究采用深度学习与人工后处理相结合的技术方案，具体实施流程包括：①基于退潮期高分辨率影像，通过深度学习方法初步识别标靶分布区域，再结合人工目视解译精确提取紫菜养殖台数；②将提取结果与保险公司提供的海域使用权证等投保矢量数据进行空间叠加分析；③依据实地调查数据建立养殖台数与面积的换算模型（1台约等于1.3亩），精确计算承保区域的总养殖面积；④将计算结果与投保信息逐户比对，生成分户勘验报告；⑤开发GIS展示系统，对勘验成果数据进行可视化展示。
二、识别结果与分析
通过对南通市启东市、海安县和如东县海域的高分辨率遥感影像进行处理和分析，本研究成功提取了研究区域内紫菜养殖的空间分布信息（见图2）。遥感监测结果显示（见图2a），紫菜养殖在研究区域内呈现出明显的空间集聚特征，主要集中在启东内沙、蒋家沙和竹根沙等海域。这些区域水深适中、潮流畅通、水质肥沃，非常适合紫菜养殖，因此养殖密度较高，养殖设施分布较为密集。根据遥感提取结果，启东市承保范围内的紫菜养殖台数为1547台，养殖总面积约为4022.2亩；海安县承保范围内的紫菜养殖台数为5906台，养殖总面积约为15355.6亩；如东县承保范围内的紫菜养殖台数为2115台，养殖总面积约为2749.5亩。整体来看，研究区域内紫菜养殖规模较大，养殖设施分布较为集中，遥感监测结果与实际养殖情况基本吻合。
在保险业务应用方面，本研究将遥感提取结果与保险公司承保数据进行了详细比对。结果显示，遥感监测能够快速、准确地获取养殖分布信息，有效识别出部分养殖户存在的虚报面积、重复投保等问题，显著提高了保险承保的准确性和公正性。例如，在海安县某养殖区域（见图2b），遥感提取的养殖面积为1561.3亩，而养殖户申报面积为2218亩，遥感监测及时发现了虚报问题，避免了保险公司的潜在损失。此外，遥感监测还大幅提高了保险查勘的效率，传统人工查勘需要一周时间完成的区域，遥感监测仅需2天即可完成，查勘效率得到了显著提升。
三、结论与展望
通过遥感技术在南通市紫菜养殖保险业务中的应用实践可见，遥感监测技术显著提升了紫菜养殖面积核查的效率和精度。基于0.5～0.8m分辨率的多源遥感数据，采用深度学习结合人工后处理的方式，能够准确识别紫菜养殖台数和面积信息，解决了传统人工核查方式效率低、成本高、主观性强等问题。特别是在养殖高峰期选择退潮期影像，有效提高了监测数据的时效性和可靠性。遥感技术在保险业务中展现出重要应用价值。通过与保险公司投保数据的比对分析，成功识别出虚报面积、重复投保等违规现象，为保险公司的承保验标工作提供了科学依据。这不仅提高了保险业务的规范性和公正性，还显著降低了保险公司的经营风险。相比传统现场查勘方式，遥感技术能够快速获取大范围养殖区域的实时信息，大幅缩短了查勘周期，为保险理赔决策提供了及时的数据支持。
未来，随着遥感技术的不断发展和数据处理算法的优化，其在农业保险领域的应用前景将更加广阔。建议进一步探索人工智能自动解译技术与遥感监测的结合，以提升数据处理效率；同时建立标准化的养殖保险遥感监测技术规范，推动该技术在更大范围内的推广应用。
文章来源：卫星应用微信公众号