一、一边花钱防，一边少赔钱，这不矛盾
七月底的一天晚上，四川盆地北边一个县，天上打了几轮炮。不是打仗，是人工增雨。当地那阵子旱了快一个月，玉米正在抽雄，再旱下去就要影响结实。气象部门连着做了三轮作业，第二天雨下来了，地里的墒情缓过来一口。
这件事里有个角色容易被忽略——保险公司出人出钱参与了协调。听起来有点怪：保险公司不是应该等着收保费、出险赔付吗？旱得越狠，赔得越多，它为什么要帮着把雨催下来？
道理其实很朴素。旱情真发展到成灾，一个县可能要赔出去几千万元。前面花几十万做一次增雨、组织一次防病虫害指导，把损失压下去一截，赔付就能省下一大截。省下来的钱，比花出去的多。
这两年行业里有个说法，叫"风险减量"。说白了就是：与其在损失发生以后比谁赔得快，不如在损失发生之前想办法让它别发生、少发生。
二、过去那套账，只算了赔多少
以前的农险运营思路，主线是"承保—收费—出险—查勘—赔付"。保险公司最关心的是承保面积、费率、赔付率，防灾防损这块，通常就是发几张明白纸、开两次培训会，投入很薄。
不是不想做，是有两个现实困难。
一是不知道风险在哪里。承保的地块成千上万，哪个片区处在岗坡地上容易旱，哪个片区地势低洼一下雨就积水，哪个片区的作物正处在最怕低温的物候期——这些信息在传统台账里是缺的。没有空间上的判断，防灾就只能大水漫灌式地发通知。
二是说不清回报。防灾减损省下来的赔付，不像一笔赔付支出那样能直接记在账上。做了一年预警，赔了多少、省了多少，中间的因果关系很难量化，所以在内部很难争取预算。
于是形成了一个循环：灾前投入少 → 灾害损失大 → 赔付高 → 更不敢在灾前投入。
三、灾前能做的四件事
遥感加一些地面数据，能在灾害发生前把上面两个困难解开一半。具体能做的，大致是四件事。
第一件，把风险底图做出来。哪里是易涝区、哪里是岗坡旱地、哪里的地块零碎大型机械进不去，这些和地形、水系、土壤有关，本来就可以用影像和高程数据提出来。承保的时候顺手把这张底图叠上去，保费不变，风险却看得见了。
第二件，盯长势异常。作物在受灾前通常会有反常表现。连续几期影像拉出来看，某个片区植被指数比周围低了一截，可能就是缺水、缺肥或者根系出了问题。早发现十几天，处置手段完全不同。
第三件，接气象数据做预警。干旱、低温、连阴雨这些，气象部门本来就有预报，难点在于落到具体地块。把预报和地块数据一对，能算出来哪个乡镇、哪片作物正处在敏感期，预警就能发得准一点。
第四件，圈高风险地块。比如台风来之前，把地势低、排涝条件差、当季作物抗倒伏能力弱的地块挑出来，提前提醒排水、加固。
这四件事里，前三件是常年做的，第四件是应急做的。
四、具体怎么落，几个参数
讲得具体一点。
风险底图这块，一般用十米级到米级的地形与影像数据，叠加历史灾害的分布信息，把易受灾区域按等级划开。一个县做下来，通常能分出五到八个风险等级区，落到乡镇和村级地块上。
长势监测靠的是时序影像。同一地块在一个生育期里，至少要取三到四处关键时期的影像：出苗或分蘖期、拔节或孕穗期、灌浆期。前后对比，植被指数的变化趋势比单个时间点的绝对值更有意义。一般把指数低于周边地块均值一成半以上的，列为关注对象。
气象预警的提前量，短期看是三天到七天，中期看是十天到十五天。时间越往前，准确率越低，所以预警通常分两档发：一档是趋势提醒，一档是临灾提示。
高风险地块的圈定，精度要求更高一些，需要结合土壤质地、排水条件和历史受灾记录。有灌溉条件的地块和靠天吃饭的地块，风险等级可能差两档以上。
五、一次旱情预警的经过
说一个我们参与过的过程，具体地名就不写了。
六月中旬，某个以玉米为主的县区连续晴热。我们在做例行的长势监测，第 10 天左右发现，北部两个乡镇的部分地块，植被指数掉了下去，而且掉得不均匀——同一片地里，靠北的缓坡地明显比低处差。
当时的判断是：可能已经出现旱象，而不是病虫害。理由是病虫害一般呈现斑块状扩散，这次的异常是跟着地形走的。
我们把这个判断反馈给了合作方。后面几天，当地组织了一次墒情实测，取回来的数据印证了这个判断：坡地的土壤含水量确实比平地上低了三分之一左右，已经接近作物受旱的临界值。
这里也出过一次偏差。第一次圈定疑似受旱范围时，有一片地块被误判了。后来查原因，是那片地刚刚完成了一次灌溉，土壤水分高，冠层颜色和受旱地块明显不同，模型把这种"刚浇过水"的状态也算进去了。再往后，我们把灌溉记录也和影像一起比对，这类误判就少了。
最后的结果是：旱情处置比往年提前了十来天，受影响的面积控制在比较小的范围内。对当年的赔付来说，这块区域没有出现大额赔案。
六、减损投入和赔付账，怎么对上
前面说了，这件事最大的阻力是账算不清。我们的做法是把账拆成三段。
第一段是投入。防灾减损的投入主要是三类：数据与影像的采购处理、预警与巡查的人力组织、以及具体措施的成本（比如增雨、补灌、防病用药）。前两类是技术服务，第三类是作业成本。
第二段是可避免的损失。一段时期的监测数据拉出来，圈定的高风险片区和真实出险片区比对，两者重合的比例，其实就是预警有效的程度。重合度高的地方，赔付规模通常会明显低于历史同期的水平。
第三段是比较基准。单看一年的数字容易受天气偶然性影响，所以要拉三到五年的历史数据做参照，看同一区域的出险频率和赔付强度有没有走低。
讲得直白一点：预警的价值，不在于"哪一次拦住了灾害"，而在于"连续几年下来，高风险区域的出险少了、大额案件少了、赔付曲线降下来了"。这个目标听起来不激动人心，但它是可以算的。
七、落地时会卡在哪儿
说几条实打实的难处。
第一，预警发出去，人不一定动。大农户响应快，一两百亩的种植户接到排水提示，当天就能安排机械；一家几亩地的小农户，可能人在外地打工，看到了也没法立刻处理。所以预警的作用，在不同经营规模上差异很大。
第二，措施本身有成本。补灌要水、要电、要人；防病用药要钱。这些成本谁来出、怎么分摊，一直是行业里的现实问题。没有明确的机制，预警容易停在纸面上。
第三，准确率的天花板。农业的自然变量太多，一阵风、一场局部降雨就能改写结果。我们对外讲的时候一般会把话说明白：预警能提高提前量，不能保证每次都准。
第四，数据要能对得上。气象数据、地块数据、承保数据如果各存各的，预警发不到具体人头上。真正落地的前提，是先有一张"人、地、作物"能对上的图。
八、我们在做什么
时维遥感技术服务（武汉）有限公司做遥感加 AI 的农业与保险技术服务。风险减量这块，我们提供三样东西：地块级的风险底图、生育期内的长势与灾情监测、以及可以对接预警流程的地块清单与影像成果。合作方既有保险公司，也有承担防灾职责的农业部门。
我们不太愿意把它讲成一件多么超前的事。它更像是一种作业习惯的改变——从盯着赔案，改成盯着地。
结语
防灾减损这件事，短期看是多了一道工序，长期看是把赔款提前变成了投入。值不值，三年以后账上见。
时维遥感——遥感+AI，让农业更智慧
热门跟贴