开云优惠体育网页版入口

专利名称：一种基于强对流天气指数的烤烟减产率计算方法

专利类型：发明专利

专利申请号：CN202311400604.0

专利申请（专利权）人：云南省昭通市气象局
权利人地址：云南省昭通市昭阳区锁营路中段

专利发明（设计）人：郑翔飚,陈余,陈剑辉,缑红梅,姚睦忱,刘少荣,袁兴洪,张朝华,孙东汉

专利摘要：本发明公开了一种基于强对流天气指数的烤烟减产率计算方法，包括如下步骤：获取基础数据、烤烟减产率计算、获取意义参数、构建烤烟强对流天气指数?灾损模型、外场试验、数据分析、模型固化。本发明能够有效提高烤烟在强对流天气灾害中减产率的计算效率。

主权利要求：
1.一种基于强对流天气指数的烤烟减产率计算方法，其特征在于，包括如下步骤：步骤S1：获取基础数据；具体流程如下：
S1.1、选择一片指定区域，指定区域内须有烤烟种植且在C波段双偏振雷达有效探测范围内；
S1.2、收集指定区域内烤烟种植的面积区划数据；
S1.3、获取指定区域内过去一段时间烤烟遭受强对流灾害的减产数据；
S1.4、获取过去一段时间内该指定区域C波段双偏振雷达的观测数据；
步骤S2：烤烟减产率计算；
利用步骤S1中收集到的基础数据，计算出烤烟在强对流天气灾害中的减产率Y；
根据下式(1)计算烤烟减产率：
其中：Y表示烤烟减产率，YA为烟农提供的减产率，YB为烟叶站所给减产率，YC为保险公司所给减产率；
步骤S3：获取意义参数；具体流程如下：
S3.1、查找过去一段时间内烤烟遭受强对流天气灾害时，雷达体扫数据中的雷达参量：最大回波反射率因子Z、差分反射率因子Zdr；
S3.2、利用统计分析的方法计算烤烟在强对流天气灾害中的减产率与步骤S3.1中雷达参量的相关系数，并检验相关系数是否能通过0.01或0.05显著性检验，将通过显著性检验的参量确定为意义参数；
S3.3、对意义参数间进行共线性分析，计算方差膨胀率因子VIF，判断意义参数间是否存在高度相关性，若VIF大于10，则说明意义参数之间具有严重的共线性，则需要剔除VIF值较大的意义参数；
根据公式(3)计算方差膨胀率因子：
2
其中，VIF表示方差膨胀率因子，Var_X表示意义参数的方差，R表示拟合优度；
VIF的取值大于等于1，当某个意义参数的VIF＞10时，则说明意义参数之间具有严重的共线性，则需要剔除VIF值较大的意义参数；
步骤S4：构建烤烟强对流天气指数?灾损模型；
利用步骤S2中计算得出的烤烟减产率与步骤S3中获得的意义参数，通过回归分析建立烤烟减产率与意义参数之间的回归关系式；
通过线性回归分析构建烤烟强对流天气指数?灾损模型如下：2
Y＝0.345+1.478Z?0.102Zdr(R＝0.839)(4)其中，Y表示烤烟在强对流天气灾害中的减产率，Z表示最大反射率因子，Zdr表示最大差分反射率因子；
步骤S5：外场试验；
将步骤S4构建的烤烟强对流天气指数?灾损模型在指定区域试验1年，并收集存储试验数据；
步骤S6：数据分析；
对步骤S5收集存储的试验数据进行分析，检验试验数据是否符合技术要求；
步骤S7：模型固化；
将符合技术要求的烤烟强对流天气指数?灾损模型进行固化，并推广应用到烤烟种植在强对流天气灾害的定损中。
2.根据权利要求1所述的一种基于强对流天气指数的烤烟减产率计算方法，其特征在于，步骤S1.3和步骤S1.4中，过去一段时间为1年。
3.根据权利要求1所述的一种基于强对流天气指数的烤烟减产率计算方法，其特征在于，步骤S3.2中，根据下式(2)计算雷达各参量与烤烟减产率的相关系数：其中，rZ表示最大反射率因子与烤烟减产率的相关系数，Yi表示的第i个烤烟减产率，代表Y的平均值，Zi表示第i个最大反射率因子， 表示Z的平均值，n代表Zi和Yi的个数，Zi和Yi是成对存在的，即Zi和Yi的个数相同，均用n表示，i＝1,2,3......,n；
同理，利用公式(2)，将变量Zi换成差分反射率因子Zdr，计算差分反射率因子与烤烟减产的相关系数rZdr。
4.根据权利要求1所述的一种基于强对流天气指数的烤烟减产率计算方法，其特征在于，步骤S3.2中，相关系数r的取值在?1到1之间，r越接近?1，则雷达参量与烤烟减产率之间为负相关关系越强，r越接近1，则雷达参量与烤烟减产率之间为正相关关系越强；
检验相关系数是否能通过0.01或0.05显著性检验，将通过显著性检验的参量确定为意义参数。
5.根据权利要求1所述的一种基于强对流天气指数的烤烟减产率计算方法，其特征在于，步骤S5中，将步骤S4经构建的烤烟强对流天气指数?灾损模型在外场进行试验，试验时间为1年，并收集存储试验数据；
基于强对流天气指数，利用步骤S4构建的模型预测烤烟减产率，记为Y1；
由保险、烟草和烟农三方代表组成的烤烟定损专家组，基于专家组进行现场计算烤烟减产率，记为Y2。
6.根据权利要求1所述的一种基于强对流天气指数的烤烟减产率计算方法，其特征在于，步骤S6中，分析模型预测减产率Y1和专家组现场计算减产率Y2的差异，计算Y1和Y2的均方根误差，若Y1与Y2的均方根误差小于0.5，说明烤烟减产率与强对流天气指数回归模型预测值偏差较。梢杂每狙碳醪视肭慷粤魈炱甘毓槟Ｐ图扑阒荡媸导始醪，反之，若Y1与Y2的均方根误差大于0.5，则不能用烤烟减产率与强对流天气指数回归模型计算值代替实际减产率。
7.根据权利要求1所述的一种基于强对流天气指数的烤烟减产率计算方法，其特征在于，步骤S7中，由步骤S5和S6验证可确定步骤S4构建的烤烟强对流天气指数?灾损模型可以用于烤烟减产率的计算，通过步骤S4中的模型可以基于强对流天气指数计算烤烟减产率，将该方法应用于实际业务之中。 说明书 : 一种基于强对流天气指数的烤烟减产率计算方法技术领域[0001] 本发明涉及农业经济领域，具体是一种基于强对流天气指数的烤烟减产率计算方法。背景技术[0002] 我国是农业大国，农业是高风险产业，而农业风险多由灾害性天气引发，为有效管理农业风险，稳定农业生产主体经济收入，农业保险应运而生，但现有农业保险不能满足社会多层次的需求，为完善农业保险体系，政府鼓励各公司研究开发天气指数保险，天气指数的构建是天气指数保险的重要步骤，根据天气指数计算农作物的减产率是天气指数保险市场化运作的关键之一。[0003] 在现有烤烟种植保险中，当烤烟遭受强对流天气灾害时，需要被保险人申报灾害，保险公司派出专业人员到现场勘察定损，计算烤烟减产率。随着烤烟保险的发展和实践，这样的烤烟减产率计算方法存在现场定损人员的道德风险、被保险人的逆向选择、保险公司管理成本的增加、保险运行效率低下、被保险人获得赔偿滞后等诸多问题，原有烤烟减产率计算方法的弊端逐渐暴露。[0004] 鉴于现有计算方法的上述弊端，迫切需要对烤烟减产率计算方法的信息透明度、低成本和高运行效率方面进行改进。发明内容[0005] 针对现有计算方法的不足，本发明提供一种基于强对流天气指数的烤烟减产率计算方法，能有效提高强对流天气灾害中烤烟减产率计算的效率。[0006] 本发明的技术方法具体如下：[0007] 一种基于强对流天气指数的烤烟减产率计算方法，包括如下步骤：[0008] 步骤S1：获取基础数据；具体流程如下：[0009] S1.1、选择一片指定区域，指定区域内须有烤烟种植且在C波段双偏振雷达有效探测范围内；[0010] S1.2、收集指定区域内烤烟种植的面积区划数据；[0011] S1.3、获取指定区域内过去一段时间烤烟遭受强对流灾害的减产数据；[0012] S1.4、获取过去一段时间内该指定区域C波段双偏振雷达的观测数据；[0013] 步骤S2：烤烟减产率计算；[0014] 利用步骤S1中收集到的基础数据，计算出烤烟在强对流天气灾害中的减产率Y；[0015] 步骤S3：获取意义参数；具体流程如下：[0016] S3.1、查找过去一段时间内烤烟遭受强对流天气灾害时，雷达体扫数据中的雷达参量：最大回波反射率因子Z、差分反射率因子Zdr；[0017] S3.2、利用统计分析的方法计算烤烟在强对流天气灾害中的减产率与步骤S3.1中雷达参量的相关系数，并检验相关系数是否能通过0.01或0.05显著性检验，将通过显著性检验的参量确定为意义参数；[0018] S3.3、对意义参数间进行共线性分析，计算方差膨胀因子VIF，判断意义参数间是否存在高度相关性，若VIF大于10，则说明意义参数之间具有严重的共线性，则需要剔除VIF值较大的意义参数；[0019] 步骤S4：构建烤烟强对流天气指数?灾损模型；[0020] 利用步骤S2中计算得出的烤烟减产率与步骤S3中获得的最优参数，通过回归分析建立烤烟减产率与意义参数之间的回归关系式；[0021] 步骤S5：外场试验；[0022] 将步骤S4构建的烤烟强对流天气指数?灾损模型在指定区域试验1年，并收集存储试验数据；[0023] 步骤S6：数据分析；[0024] 对步骤S5收集存储的试验数据进行分析，检验试验数据是否符合技术要求；[0025] 步骤S7：模型固化；[0026] 将符合技术要求的烤烟强对流天气指数?灾损模型进行固化，并推广应用到烤烟种植在强对流天气灾害的定损中。[0027] 进一步地，步骤S1.3和步骤S1.4中，过去一段时间为1年。[0028] 进一步地，步骤S2中，根据下式(1)计算烤烟减产率：[0029][0030] 其中：Y表示烤烟减产率，YA为烟农提供的减产率，YB为烟叶站所给减产率，YC为保险公司所给减产率。[0031] 进一步地，步骤S3.2中，根据下式(2)计算雷达各参量与烤烟减产率的相关系数：[0032][0033] 其中，rZ表示最大反射率因子与烤烟减产率的相关系数，Y表示烤烟减产率， 代表Y的平均值，Z表示最大反射率因子， 表示Z的平均值，n代表Z和Y的个数，本发明中Z和Y是成对存在的，即Z和Y的个数相同，均用n表示，i＝1,2,3......,n。[0034] 同理，利用公式(2)，将变量Z换成差分反射率因子Zdr，计算差分反射率因子与烤烟减产的相关系数rZdr。[0035] 进一步地，步骤S3.3中，根据公式(3)计算方差膨胀率因子：[0036][0037] 其中，VIF表示方差膨胀率因子，Var_X表示意义参数的方差，R2表示拟合优度。[0038] VIF的取值大于等于1，当某个意义参数的VIF＞10时，则说明意义参数之间具有严重的共线性，则需要剔除VIF值较大的意义参数。[0039] 进一步地，步骤S4中，通过线性回归分析构建烤烟强对流天气指数?灾损模型：[0040] Y＝0.345+1.478Z?0.102Zdr(R2＝0.839)(5)[0041] 其中，Y表示烤烟在强对流天气灾害中的减产率，Z表示最大反射率因子，Zdr表示差分反射率因子。[0042] 进一步地，步骤3.2中，相关系数r的取值在?1到1之间，r越接近?1，则雷达参量与烤烟减产率之间为负相关关系越强，r越接近1，则雷达参量与烤烟减产率之间为正相关关系越强。[0043] 检验相关系数是否能通过0.01或0.05显著性检验，将通过显著性检验的参量确定为意义参数；[0044] 进一步地，步骤S5中，将步骤S4经构建的烤烟强对流天气指数?灾损模型在外场进行试验，试验时间为1年，并收集存储试验数据。[0045] 基于强对流天气指数，利用步骤S4构建的模型预测烤烟减产率，记为Y1；[0046] 由保险、烟草和烟农三方代表组成的烤烟定损专家组，基于专家组进行现场计算烤烟减产率，记为Y2。[0047] 进一步地，步骤S6中，分析模型预测减产率Y1和专家组现场计算减产率Y2的差异，计算Y1和Y2的均方根误差，若Y1与Y2的均方根误差小于0.5，说明烤烟减产率与强对流天气指数回归模型预测值偏差较。梢杂每狙碳醪视肭慷粤魈炱甘毓槟Ｐ图扑阒荡媸导始醪，反之，若Y1与Y2的均方根误差大于0.5，则不能用烤烟减产率与强对流天气指数回归模型计算值代替实际减产率。[0048] 进一步地，步骤S7中，由步骤S5和S6验证可确定步骤S4构建的烤烟强对流天气指数?灾损模型可以用于烤烟减产率的计算，通过步骤S4中的模型可以基于强对流天气指数计算烤烟减产率，将该方法应用于实际业务之中。[0049] 由于原有强对流天气中烤烟减产率计算方法存在计算信息透明度不高，现场勘察计算成本高，运作效率低下等问题。基于强对流天气指数的烤烟减产率计算方法，只需要根据强对流天气指数就可以计算出烤烟的减产率，省去了投保人主动报案，保险公司派出专业人员现场勘察定损等环节，从而降低烤烟减产率计算的成本，提升运行效率。[0050] 综上所述，本发明通过在选定区域采用本申请中的方法，获得适合本地的强对流天气指数，能够科学的计算出本地强对流天气对烤烟造成的减产率。[0051] 本发明首先需要选定计算区域，然后利用烤烟生产种植数据计算出烤烟在强对流天气中的减产率，利用减产率与C波段双偏振雷达的参量做相关性分析，保留符合技术要求的雷达参量作为强对流天气指数的构建意义参数，并对意义参数进行共线性诊断，构建出强对流天气指数与烤烟减产率构建回归关系模型，将模型在选定区域的实际强对流天气中应用，分析模型预测值与实际观测值之间的差异性，检验试验数据是否符合技术要求，将符合技术要求的烤烟强对流天气指数?灾损模型进行固化，并将该方法应用于实际业务之中。本发明能够有效提高强对流天气中烤烟减产率的计算效率。附图说明[0052] 图1为本发明实施例方法的基于强对流天气指数的烤烟减产率计算方法流程图；[0053] 图2为本发明实施例方法的烤烟减产率与最大反射率因子Z、差分反射率因子Zdr的相关系数及显著性检验。[0054] 图3为采用本发明在进行外场试验的数据分析。具体实施方式[0055] 下面将结合本发明实施例，对本实施例中的技术方法进行清楚、完整地描述，显然，所描述的实施例仅仅是对本发明的一部分实例，而不是全部的实例。基于本发明中的实例，本领域普通技术人员在没有付出创造性劳动的前提下所获得的所有其他实施例，都属于本发明的保护范围。[0056] 除非另外定义，本申请实施例中使用的技术术语或者科学术语应当为所属领域内一般技能的人士所理解的通常意义，“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。[0057] 如图1所示，本实施例的基于强对流天气指数的烤烟减产率的计算方法，包括如下步骤：[0058] 步骤S1：获取基础数据；具体流程如下：[0059] S1.1、选择一片指定区域，指定区域内须有烤烟种植且在C波段双偏振雷达有效探测范围内；[0060] S1.2、收集指定区域内烤烟种植的面积区划数据；[0061] S1.3、获取指定区域内过去一段时间烤烟遭受强对流灾害的减产数据；[0062] S1.4、获取过去一段时间内该指定区域C波段双偏振雷达的观测数据；[0063] 步骤S2：烤烟减产率计算；[0064] 利用步骤S1中收集到的基础数据，计算出烤烟在强对流天气灾害中的减产率Y；[0065][0066] 其中：YA为烟农提供的减产率，YB为烟叶站所给减产率，YC为保险公司所给减产率。[0067] 步骤S3：获取意义参数；具体流程如下：[0068] S3.1、查找过去一年时间内烤烟遭受强对流天气灾害的时，雷达体扫数据中的雷达参量：最大回波反射率因子(Z)、差分反射率因子(Zdr)；[0069] S3.2、利用统计分析的方法计算烤烟在强对流天气灾害中的减产率与步骤S3.1中雷达参量的相关系数，并检验相关系数是否能通过0.01或0.05显著性检验，将通过显著性检验的参量确定为意义参数；[0070] 根据下式(2)计算雷达各参量与烤烟减产率的相关系数：[0071][0072] 其中，rZ表示最大反射率因子与烤烟减产率的相关系数，Y表示烤烟减产率， 代表Y的平均值，Z表示最大反射率因子， 表示Z的平均值，n代表Z和Y的个数，本发明中Z和Y是成对存在的，即Z和Y的个数相同，均用n表示，i＝1,2,3......,n。[0073] 同理，利用公式(2)，将变量Z换成差分反射率因子(Zdr)，计算差分反射率因子与烤烟减产的相关系数rZdr。[0074] 相关系数r的取值在?1到1之间，r越接近?1，则雷达参量与烤烟减产率之间为负相关关系越强，r越接近1，则雷达参量与烤烟减产率之间为正相关关系越强。[0075] S3.3、对意义参数间进行共线性分析，计算方差膨胀因子(VIF)，判断意义参数间是否存在高度相关性；[0076] 根据公式(3)计算方差膨胀率因子：[0077][0078] 其中，VIF表示方差膨胀率因子，Var_X表示意义参数的方差，R2表示拟合优度。[0079] VIF的取值大于等于1，当某个意义参数的VIF＞10时，则说明意义参数之间具有严重的共线性，则需要剔除VIF值较大的意义参数。[0080] 步骤S4：构建烤烟强对流天气指数?灾损模型；[0081] 利用步骤S2中计算得出的烤烟减产率与步骤S3中获得的最优参数，通过回归分析建立烤烟减产率与意义参数之间的回归关系式；[0082] 构建的烤烟强对流天气指数回归关系式为：[0083] Y＝0.345+1.478Z?0.102Zdr(R2＝0.839)(4)[0084] 其中，Y表示烤烟在强对流天气灾害中的减产率，Z表示最大反射率因子，Zdr表示差分反射率因子。[0085] 步骤S5：外场试验；[0086] 将步骤S4中已经构建的烤烟强对流天气指数?灾损模型实际应用1年，在同一场强对流天气过程中；[0087] 基于强对流天气指数，利用步骤S4构建的模型预测烤烟减产率，记为Y1；[0088] 基于保险、烟草和烟农三方代表组成的烤烟定损专家组，进行现场计算烤烟减产率，记为Y2；[0089] 步骤S6：数据分析；[0090] 对强对流天气指数与烤烟减产率回归关系式预测的减产率与实际观测的减产率进行分析，对两组减产率进行对比分析，检验预测减产率是否符合技术要求；[0091] 分析模型预测减产率(Y1)和专家组现场计算减产率(Y2)的差异，计算Y1和Y2的均方根误差，若Y1与Y2的均方根误差小于0.5，说明烤烟减产率与强对流天气指数回归模型预测值偏差较。梢杂每狙碳醪视肭慷粤魈炱甘毓槟Ｐ图扑阒荡媸导始醪。[0092] 步骤S7：模型固化；[0093] 将经过实际验证的烤烟强对流天气指数?灾损模型进行固化，并应用于实际业务之中。[0094] 由步骤S5和S6验证，可确定步骤S4构建的烤烟强对流天气指数?灾损模型可以用于烤烟减产率的计算，通过步骤S4中的模型可以基于强对流天气指数计算烤烟减产率。[0095] 作为具体应用，将本实施例方法应用于云南省昭通市的烤烟减产率计算，在实际试验的1年时间内，收集到5例强对流天气过程。[0096] 在昭通市的应用中，收集的5个实例具体为：[0097] 案例1：2023?05?3119:30:16镇雄县出现强对流灾害天气，该次过程持续到2023?05?3123:55:16，主要影响坡头、罗坎和黑树镇；[0098] 案例2：2023?07?0720:30:38永善县出现强对流灾害天气，该次过程持续到2023?07?0721:41:00，主要影响伍寨、水竹等乡镇；[0099] 案例3：2023?07?1217:20:16彝良县出现强对流灾害天气，该次过程持续到2023?07?1218:40:54，主要影响龙街、奎香等乡镇；[0100] 案例4：2023?07?2415:50:37鲁甸县出现强对流灾害天气，该次过程持续到2023?07?2418:00:37，主要影响龙树镇；[0101] 案例5：2023?08?1014:08:02昭阳区出现强对流灾害天气，该次过程持续到2023?08?1017:10:37，主要影响苏甲、田坝等乡镇；[0102] 5个实例中，专家组现场计算的减产率分别为：案例1：0.6、案例2：0.3、案例3：0.8、案例4：0.3、案例5：0.2；[0103] 对照5个实例中强对流发生的时间，获取昭通市C波段双偏振雷达的Z和Zdr；[0104] 5个实例中，Z分别为：案例1：0.27、案例2：0.10、案例3：0.27、案例4：0.11、案例5：0.16；[0105] 5个实例中，Zdr分别为：案例1：5.46、案例2：1.3、案例3：0.6、案例4：2.78、案例5：?0.03；[0106] 将5个实例中的Z和Zdr代入烤烟强对流天气指数灾损模型，计算得到5个实例的烤烟减产率分别为：案例1：0.18、案例2：0.36、案例3：0.69、案例4：0.22、案例5：0.58；[0107] 如图3所示，在应用中，强对流天气对烤烟造成的减产率通过模型计算和专家组现场计算的差异分析中，Y1与Y2的均方根误差为0.26＜0.5，符合技术要求，说明烤烟减产率与强对流天气指数回归模型预测值偏差较。谇慷粤魈炱甘扑愕目狙碳醪誓芎芎玫谋泶锍鍪导是榭，可以用烤烟减产率与强对流天气指数回归模型计算值代替实际减产率。[0108] 综上所述，尽管参照特定的优选实例已经表示和表述了本发明，但其不得解释对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。

专利地区：云南

专利申请日期：2023-10-26

专利公开日期：2024-05-31

专利公告号：CN117437067B