天韧科技 | “海水养殖”遥感数据运用再探讨

& v, K9 z: h9 Z) P) n7 C$ p: C

关于遥感数据用于海水养殖的文章发布之后，受到不少业内人士的关注。大家对海水养殖目前碰到的问题和困难的看法是基本一致的，也认同指数产品提供了一个较可行的解决方案。同时也提出了很多疑问，在此做进一步探讨。

5 Y5 h6 p% g# b% L

一、关于数据种类

6 X' r: T, p6 L

除了海温、盐度、浪高、赤潮等数据之外，适用于海洋养殖的还有气压、风速、降雨量、洋流速度等多个指标。

: D7 [; m* z3 _- i9 Q6 @5 ^

+ c9 r7 _- G/ `5 {2 @

需要说明的是：除了纯粹的遥感数据，很多数据是再分析数据。所谓再分析数据，即结合了卫星遥感、地面观测、预报模型等多个数据来源而形成的数据。目前，国际上主要的几家再分析中心有NCEP、ECMWF、JMA、NASA/DAO等。再分析数据种类比遥感数据更加丰富，从时间、空间分辨率上也有更多的选择。

二、相关数据的适用性与基差风险

海温数据：海温数据有多个不同的数据来源，既有遥感数据，也有再分析数据。我们将其与气象站及部分海洋观测站的数据做了对比，结论是：海温数据与观测站的数据和受灾记录比较一致。例如，中国南方2008年与2016年两次低温雨雪冰冻天气过程在海温数据上都得到了明确的验证。

5 t+ G- b5 _( n3 q' r$ p1 k0 \+ b4 a

0 ]' c3 z, L) n8 L+ Q7 b

浪高数据：我们将反应浪高的指标(有效波高)与台风数据做了对比分析，结果显示：台风期间相关海域的有效波高也显著偏高。例如，珠海附近海域通常情况下有效波高约0.7米，在2017年台风天鸽期间，该区域有效波高达到3米，而2018年台风山竹期间，该区域有效波高则达到了4米，且持续时间更长(这与相关气象观测数据吻合)。

$ d1 [2 N& p: m: |; x: W2 j

赤潮数据：赤潮形成的原因和影响机制相对复杂，且不同季节形成赤潮的叶绿素a临界值不同。我们分析了NASA提供的叶绿素a再分析数据，结果显示：重大赤潮时间在该数据中能够体现，例如，2012年福建沿海的大规模赤潮期间，该地区叶绿素a指标显著偏高，且通过叶绿素a确定的赤潮区域与实际记录的赤潮区域相对吻合。但小的赤潮事件则可能得不到体现。

0 \+ t- T- W2 y% J* s" Q% U! I

海水盐度：我们将海水盐度数据与珠三角地区的暴雨和洪涝发生时期做了对比分析，结果显示：在暴雨、洪涝期间，珠江海域的海水盐度值显著下降，这与我们的假设一致，暴雨、洪涝带来的大量淡水会稀释江河入海口区域的海水盐度。鉴于历史受灾数据有限，相关数据的准确性尚需根据具体项目进一步分析和验证。

三、实施中需要注意的问题

方案设计：上一篇文章提到，我们需要谨慎解决指数产品推进中存在的基差风险。除了投保时做好宣导，尽量适用于大面积、大区域的标的等措施之外，还可在方案设计上下功夫。比如：试点阶段，适当结合一些传统的定损手段，以减少因基差风险可能带来的理赔争议。

数据分辨率：数据分辨率又分为时间分辨率和空间分辨率。时间分辨率：从逐小时到逐日、逐月乃至逐年的数据都有，可根据需要选取。空间分辨率：通常情况下，原始数据分辨率越高、基差风险越低，但高分辨率的数据获取成本通常也较高，因此需要权衡和取舍。一般来说，靠近海岸的海域数据差异较大，因此数据分辨率越高越好；而远海区域海面情况差异相对较小，低分辨率的数据也能接受。

精算数据与理赔数据的一致性：遥感数据、再分析数据都存在多个数据来源，不同数据来源的数据可能存在较大差异，因此我们建议：方案设计、精算和理赔都使用同一数据源。如果方案设计和精算使用的数据与理赔使用的数据不一致，则根据理赔需要的数据对精算数据等做出相关性分析并相应调整。

/ k. S2 H4 L/ {0 \

天韧科技提供相关数据的获取和分析处理服务。我们会根据项目的具体情况，分析利用相关遥感指标设计指数保险方案的可行性。在设计保险方案时，需要考虑根据地表类型对数据做不同的处理和运用，例如：近海和远海数据往往具有显著不同的特征，需要区别对待，采用不同的分析处理方法。云层对遥感数据的影响是另一个需要考虑的因素，南方很多海域雨季很长，需要剔除云层等因素的影响，让遥感指标更接近实际情况。对于空间分辨率较低的数据，我们可以通过空间分析技术，结合地表地形等特征，计算得出任何投保点的遥感/再分析数据。

0 v; U* w: L/ B 1 {, E7 a' @2 d4 G1 a" w7 l8 @) R