首先进行人工控制实验设计，选择长势一致的设施葡萄进行低温处 理，然后处理过后恢复正常生长。低温处理的试验方案：选择盆栽葡萄10株，日最低温度 设计〇°C、3°C、6°C、9°C、11°C，日最高温度设计为28°C;持续时间分别处理2、4、6、8 天；以日最高28°C/日最低18°C为对照。进行低温处理之后，将葡萄放入设施大棚继续生 长直至收获，在设施大棚中实时监测设施大棚小气候的数据，如果在生长过程中根据天气 预报即将出现日最低温度低于15°C，用空调给大棚内部进行加热，防止低温灾害发生。在设 施葡萄生长过程中每隔3天测定一次生育期和果实发育进程、叶片数、叶片面积、枝蔓生长 长度、果实生长量，待收获后测定设施葡萄的产量，并对种植管理方式、施肥数据进行记录。 得到不同低温灾害下设施葡萄的减产率，如下表1所示。
[0020] 表1不同低温灾害下设施葡萄的减产率（％)
然后利用设施小气候数据以及本地区最近气象台站或自动站的实时监测气象数据，利 用BP神经网络模型构建设施小气候预报模型，如图2所示。
[0021] BP神经网络模型中，共有监测样本天数208天，建立模型用150天，预测模型用58 天。第1层为输入层，输入因子为：前一日最低室外气温、前一日室外平均气温、当日最低室 外气温、当日最高室外气温、当日日照时数；第2层为隐含层，神经元为9个；第3层为输入 层，2个神经元分别为温室内的最高气温和最低气温。为了提高神经网络悬链的效率，对输 入参数进行标准化处理，在模型运行中通过不断调节，最终选定相关的参数值为：初始学习 速率=〇. 1，最大循环次数=1000次，目标误差=0.001。神经网络模拟采用Matlab软件通过 编程实现，模型的检验中R2进行检验，结果如图3所示，观测值与模拟值都分布在1:1线附 近，决定系数#为〇. 98,拟合程度较高，符合建立模型的需求。
[0022] 本例仅以南京为例，对于其它地区，将监测的设施小气候气象资料与农业气象观 测资料输入到DSSAT模型中进行模型参数的调整，如果当地没有监测的设施小气候气象资 料，可以利用距离最近的气象台站资料，利用上述BP神经网络模型进行将室外气象资料转 换为设施小气候气象资料，输入到DSSAT模型中，建立符合当地情况的设施葡萄减产率模 型。
[0023] 利用测定的设施小气候数据、设施葡萄生长发育情况、作物品种、种植密度、行间 距、种植深度、灌溉量、施肥量、土壤种类、土壤有机碳、土壤中水的PH值、土壤深度等数据， 输入到DSSAT与W0F0ST作物模型中构建设施葡萄的生长发育以及产量模型，通过拟合优度 指标R2与RMSE，选择与实验产量拟合度较高的模型，结果为DSSAT模型拟合较好，然后利用 DSSAT模型模拟在不同温度、不同持续天数低温灾害下的设施葡萄的生长发育及产量状况， 根据历史气象数据，根据当地气象站历史气象数据来看，在设施葡萄特定生育期4月1日~ 4月30日中低温最大持续天数为8天，通过DSSAT模型模拟得到不同低温灾害条件下的持 续8天的产量损失率即减产率Lr: 表2葡萄在不同温度下的减产率
然后利用历史气象数据，构建气象灾害发生的概率分布模型。统计每年在设施葡萄 特定生育期受低温冻害的概率：取每个站点1957-2008年4月1日-4月30日期间的气 象数据，从日最低气温中取不同温度发生的天数，做经验累积函数分布图及正态分布概 率图形，如图4、图5所示，可以看出每日最低气温的数据是符合正态分布。通过JB检 验，测试该数据是否符合正态分布检验，结果显示h=0、p=0. 5、j=l. 3378、cv=5. 9509， 可以得出符合正态分布。然后对正态分布参数可利用matlab进行估计，mu=9. 8646， sigma=3. 8049。此外，如果不符合正态分布还可以从其它多种概率分布模型中（对数正 态分布（Lognormal distribution)、指数分布（Exponential distribution)、韦伯分布 (ffeibull distribution)、伽马分布（Gamma distribution)、Logistic分布（Logistic distribution)、对数Logistic分布（Log-logistic distribution)等分布模型中）拟选择 最优的概率分布模型，分布模型中各项参数的计算采用极大似然估计法(MLE)，模型的拟合 优度检验可以选择AD检验、KS检验或JB检验。如图6所示。
[0024] 对1957-2008年间4月的气温进行统计，最低气温为-1. 4°C，则低温灾害在发生概 率即减产率发生的概率Pi为： 表3不同温度条件发生的概率
然后根据公式（1)计算出设施葡萄低温灾害天气指数保险的纯费率: R=E[L0SS]= Σ LrXPi =0.0327 本发明综合采用人工控制实验方法与设施小气候监测方法，确定了设施葡萄在不同气 象灾害条件下的生长指标及产量指标，可以准确地得到不同气象灾害条件下的天气指数保 险纯费率，测定精度高，相对与普通用历史产量数据误差小，能够满足天气指数纯费率的计 算要求。
[0025] 以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人 员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应 视为本发明的保护范围。
【主权项】
1. 一种设施葡萄低温灾害天气指数保险纯费率的确定方法，其特征在于：包括以下步 骤： (1) 对设施葡萄进行不同程度的低温处理； (2) 测定设施葡萄经步骤（1)不同程度低温处理下的各项生长指标及收获后产量指标， 计算设施葡萄在不同程度低温处理下的产量损失率； (3) 利用历史气象数据，构建低温灾害天气发生的概率分布模型； (4) 测定设施葡萄相关的生长模型输入参数，结合步骤（2)得到不同程度低温处理下的 设施葡萄的产量损失率，建立产量损失率模型； (5) 根据步骤（4)得到的产量损失率模型和步骤（3)得到的低温灾害天气发生的概率 分布模型，计算保险纯费率。2. 根据权利要求1所述的确定方法，其特征在于：所述步骤（4)中产量损失率模型的建 立前，还需要进行设施小气候监测，利用测定的设施小气候气象数据、所述设施葡萄相关的 生长模型输入参数及不同程度低温处理下的设施葡萄的产量损失率进行产量损失率模型 的构建。3. 根据权利要求1所述的确定方法，其特征在于：所述步骤（5)中保险纯费率的计算公 式为R=E[LOSS]=ΣLrXPi，其中R为保险纯费率（％)，LOSS为作物损失，E[LOSS]为作物损 失的期望值，Lr为不同低温灾害不同持续天数下的产量损失率（％)，Pi为不同低温灾害天 气的发生概率（％);所述Lr通过步骤（4)建立的产量损失率模型计算，Pi通过步骤（3)构 建的低温灾害天气发生的概率分布模型计算。4. 根据权利要求2或3所述的确定方法，其特征在于：所述步骤（3)中低温灾害天气发 生的概率分布模型通过对各概率分布模型进行拟合，通过拟合优度检验从中选择最优的概 率分布模型；所述进行拟合的概率分布模型包括正态分布、对数正态分布、指数分布、韦伯 分布、伽马分布、Logistic分布和对数Logistic分布模型；所述概率分布模型中各项参数 的计算采用极大似然估计法；所述拟合优度检验采用AD检验、KS检验或JB检验。5. 根据权利要求2或3所述的确定方法，其特征在于：所述步骤（4)中产量损失率模型 通过DSSAT或W0F0ST模型进行构建。6. 根据权利要求2或3所述的确定方法，其特征在于：所述步骤（3)中历史气象数据为 南京1957-2008年4月1日-4月30日期间的日最低气温；所述步骤（5)中确定的保险纯 费率为0. 0327。
【专利摘要】本发明公开了一种设施葡萄低温灾害天气指数保险纯费率的确定方法，包括以下步骤：（1）对设施葡萄进行不同程度的低温处理；（2）计算设施葡萄在不同程度低温处理下的产量损失率；（3）构建低温灾害天气发生的概率分布模型；（4）建立产量损失率模型；（5）计算保险纯费率。采用本发明方法能准确得到低温灾害条件下的天气指数保险纯费率，测量精度高。
【IPC分类】G06Q50/02, A01G17/02
【公开号】CN105389739
【申请号】CN201510814340
【发明人】杨再强, 孙擎
【申请人】南京信息工程大学
【公开日】2016年3月9日
【申请日】2015年11月23日