第1章 农业定量遥感基础
　　遥感技术作为获取地球表面时空多变要素信息的先进方法，是地球系统科学研究的重要组成部分。近年来，遥感技术在基础理论、方法及应用等方面逐步成熟，已进入定量阶段。
　　1.1 农业定量遥感电磁物理基础
　　物质在电磁波作用下，会在某些特定波段形成反映物质成分和结构信息的光谱吸收与反射特征，物质的这种对不同波段光谱的响应特性通常被称为光谱特征（王纪华等，2008），光谱特征是用遥感方法探测各种物质性质和形状的重要依据。
　　1.1.1 植被遥感基本原理
　　遥感是利用传感器主动或被动地接收地面目标物反射的电磁波，通过电磁波传递的信息来识别目标，从而达到探测目标物的目的（梅安新等，2001）。地物对电磁光谱的反射能力用地物反射率.表示，地面物体的反射能量 P.占入射能量P0的百分比称为地物反射率，即
　　（1-1）
　　式中，地物反射率的大小与入射电磁波的波长、地物表面颜色和粗糙度、地物本身的性质、入射角都有关系。
　　遥感图像是地物反射特性在图像上的反映，地物的反射光谱是地物固有的反射特性，根据地物的反射光谱特征，可以有效地识别区分各种不同的地物（彭望琭等，2002）。地物反射光谱曲线图是表达地物反射光谱特征的统计图，它不仅能够反映地物反射率随波长的变化规律，而且能较为直观地反映出某一特定波长不同地物反射率差异，通常用二维几何空间内的曲线表示，横坐标表示波长，纵坐标表示地物反射率，可以做出地物反射光谱曲线（梅安新等，2001）。
　　植物是环境的重要组成因子，也是反映区域生态环境的重要标志之一，同时也是土壤、水文等要素的解译标志（林文鹏等，2010）。植物解译的目的是在遥感影像上有效地确定其分布、类型、长势等信息，以及对生物量做出估算。植物的光谱特征可使其在遥感影像上有效地与其他地物相区别。同时，不同的植物各有其自身的光谱特征，从而成为区分植被类型、长势及估算生物量的依据（董高等，2015）。
　　健康植物的光谱曲线有明显的特点：在可见光的0.55μm附近有一个地物反射率为10%～20%的小反射峰；在0.45μm和0.65μm附近有两个明显的吸收谷；在0.7～0.8μm有一个陡坡，地物反射率急剧增高；在近红外波段0.8～1.3μm形成一个地物反射率高达40%或更大的反射峰；而在1.45μm、1.95μm和2.6～2.7μm处有三个吸收谷（王纪华等，2008）。
　　影响植物光谱的因素有植物本身的结构特征，也有外界的影响，但外界的影响总是通过植物本身生长发育特点在有机体的结构特征中反映出来。从植物的典型光谱曲线来看，控制植物反射率的主要因素有植物叶子的颜色、组织构造和含水量（王纪华等，2008）。首先是叶子的颜色，植物叶子中含有多种色素，如叶青素、叶红素、叶黄素、叶绿素等，在可见光范围内，其反射峰值落在相应的波长范围内。其次是叶子的组织构造，绿色植物的叶子是由上表皮、叶绿素颗粒组成的栅栏组织和多孔薄壁细胞组织（海绵组织）构成。叶绿素对紫外线和紫色光的吸收率极高，对蓝色光和红色光也强烈吸收，以进行光合作用（梅安新等，2001），对绿色光则部分吸收，部分反射，所以叶子呈绿色，并在0.55μm附近形成一个小反射峰值，而在0.45μm及0.65μm附近有两个吸收谷；叶子的多孔薄壁细胞组织对0.8～1.3μm的近红外光强烈地反射，形成光谱曲线上的*高峰区，其反射率可达40%～60%，而吸收率却不到15%。*后是叶子的含水量，叶子在1.45μm、1.95μm、2.6～2.7μm处各有一个吸收谷，这主要由叶子的细胞液、细胞膜及吸收水分形成。植物叶子含水量的增加，将使整个光谱反射率降低，反射光谱曲线的波状形态变得更为明显，特别是在近红外波段，几个吸收谷更为突出。
　　此外，植物覆盖程度也对植物的光谱曲线产生影响。当植物叶子的密度较低，不能对地面全覆盖时，传感器接收的反射光不仅是植物本身的光谱信息，而且还包含部分下垫面的反射光，是两者的叠加（梅安新等，2001）。植被叶子的层次愈多，即叶面积指数（植物所有叶子的累加面积总和与覆盖地面面积之比）愈大，光谱曲线特征形态受背景下垫面的影响则愈小。
　　1.1.2 植物反射光谱特征
　　植物叶片光谱特征的形成是植物叶片中化学组分分子结构中的化学键在一定辐射水平的照射下，吸收特定波长的辐射能，产生了不同光谱反射率的结果（Persello et al.，2019；王纪华等，2008）。因此，特征波长处光谱反射率的变化对叶片化学组分的多少非常敏感，故称敏感光谱。植物的反射光谱，随着叶片中叶肉细胞、叶绿素、水分含量、氮素含量及其他生物化学成分的不同，在不同波段会呈现出不同的形态和特征的反射光谱曲线。绿色植物的反射光谱曲线明显不同于其他非绿色物体的这一特征，也用来作为区分绿色植物与土壤、水体等的客观依据（王纪华等，2008）。
　　400～700nm波段，是植物叶片的强吸收波段，反射率和透射率都很低。由于植物色素吸收，特别是叶绿素 a、b的强吸收，在可见光波段形成两个吸收谷（450nm蓝光和660nm红光附近）和一个反射峰（550nm的绿光处），呈现出区别于土壤、水体的独*光谱特征，即“蓝边”“绿峰”“黄边”“红谷”等。
　　700～780nm波段，是叶绿素在红波段强吸收到近红外波段多次散射形成的高反射平台的过渡波段，又被称为植被反射率“红边”。红边是植被营养、长势、水分、叶面积等的指示性特征，并得到了广泛应用（王纪华等，2008）。当植被生物量大、色素含量高、生长旺盛时，红边会向长波方向移动，称为红移；而当病虫害、污染、叶片老化等情况发生时，红边则会向短波方向移动，称为蓝移。
　　780～1350nm波段，是与叶片内部结构有关的波段，该波段能解释叶片结构光谱反射率特性。由于色素和纤维素在该波段的吸收小于10%，且叶片含水量也只是在970nm、1200nm附近有两个微弱的吸收特征，所以光线在叶片内部多次散射的结果便是近50%被反射，近50%被透射（王纪华等，2008）。该波段反射率平台（又称为反射率红肩）的光谱反射率强度取决于叶片内部结构，特别是叶肉与细胞间空隙的相对厚度。但叶片内部结构影响叶片光谱反射率的机理比较复杂，已有研究表明：当细胞层越多，光谱反射率越高；细胞形状、成分的各向异性及差异越明显，光谱反射率也越高。
　　1350～2500nm 波段，是叶片水分吸收主导的波段。由于水分在1450nm及1940nm的强吸收特征，在这个波段形成两个主要反射峰，位于1650nm和2200nm附近。部分学者（王纪华等，2001）在室内条件下利用该波段的吸收特征反演了叶片含水量，由于叶片水分的吸收波段受到大气中水汽的强烈干扰，将大气水汽和植被水分对光谱反射率的贡献相分离的难度很大，故目前虽取得了部分进展，但仍满足不了田间条件下植被含水量的定量遥感需求（王纪华等，2008）。
　　植被的光谱特性由其组织结构、生物化学成分和形态学特征决定，不同作物类型、植株营养状态虽具有相似的光谱变化趋势，但是其光谱反射率大小是有差异的。植物叶片及冠层的形状、大小及群体结构（涉及多次散射、间隙率和阴影等）都会对冠层光谱反射率产生很大影响，并随着作物的种类、生长阶段等的变化而改变（王纪华等，2008）。因此，研究作物的冠层光谱特性受冠层结构、生长状况、土壤背景及天气状况等因素影响的程度及其机理，是实现作物长势等指标定量遥感监测的基础。
　　1.1.3 土壤反射光谱特征
　　土壤的机械组成、有机质含量、土壤孔隙度和黏土矿物类型等理化特性的多样性，使各类土壤均具有其独*的光谱特性（ Kart et al.，2017）。土壤光谱曲线总体变化较平缓，且多数土壤光谱反射率在可见光部分较低，光谱曲线在形态上很相似，基本平行（王纪华等，2008）。许多波段间具有良好的正相关性，一般在较短的波段反射率高时，较长的波段也具有高反射率。不同土壤的光谱反射曲线也存在差别：一是不同土壤具有不同的光谱反射率强度；二是对于不同的土壤类型，一些特征吸收带出现的位置和表现的相对强度不同（刘伟东，2002）。
　　以1400nm波段附近水吸收带为界，在350～1400nm波段的土壤反射光谱曲线随波长的增加具有单调上升的趋势，而在1400～1900nm波段，土壤反射光谱曲线变化平缓，在1900～2100nm波段，土壤反射光谱曲线随波长增加单调上升，而在2100～2500nm波段，土壤反射光谱曲线随波长增加呈单调递减趋势（王纪华等，2008）。
　　在350～1400nm波段，土壤光谱反射率大多能由四个折线段和一些特性吸收带来表示。具体特征是：350～600nm波段，斜率较大，且在560nm波段附近出现强弱各异的吸收；600～800nm波段，曲线趋缓，几乎呈直线，且无明显吸收；800～1000nm波段，基本水平，似“台阶”状；1000～1350nm波段，曲线趋缓，总体趋势是直线上升；在900nm和1400nm波段附近具有不同程度的水分特征吸收带（王纪华等，2008）。因此，该范围内光谱的形状特征可由400nm、600nm、800nm、1000nm和1350nm波段五点构成的折线及560nm、900nm和1400nm波段三点确定的特征吸收来控制。
　　在1400～1900nm水汽吸收带，土壤反射光谱曲线变化平缓，基本上为一条水平曲线，可用1650mm波段来控制（王纪华等，2008）。
　　在1900～2100nm波段，土壤反射光谱曲线变化平缓，为单调递增。在2100～2500nm波段，土壤反射光谱曲线总体呈递减趋势，在2200nm和2300nm附近有较弱的水分吸收谷，光谱的总体趋势可以由2150nm和2500nm处的连线段来表示，大多数土壤的光谱反射曲线随波长的增加而递减（王纪华等，2008）。
　　在可见光-短波红外波段土壤反射光谱曲线的形状大致可由五个折线波段（350～600nm、600～800nm、800～1000nm、1000～1350nm、1350～1900nm）和六个吸收谷（560nm、900nm、1420nm、1950nm、2200nm和2340nm）来控制。
　　1.2 农业定量遥感农学基础
　　不同作物或同一作物在不同环境条件、不同生产管理措施、不同生育期，以及作物营养状况不同和长势不同时都会表现出不同的光谱反射特征。作物光谱特征分析在作物识别、作物估产、作物长势监测、作物营养诊断及作物生产管理等方面都有重要作用（姚云军等，2008）。
　　1.2.1 不同植被类型的区分
　　不同植被类型，由于其叶子组织结构和所含色素不同、植物物候期不同、生态条件不同而具有不同的光谱特征、形态特征和环境特征，并在遥感影像中表现出来（Minet et al.，2017；彭望琭等，2002）。
　　首先，不同植物由于叶子的组织结构和所含色素不同，具有不同的光谱特征。如禾本科草本植物的叶片组织比较均一，没有栅状组织和海绵组织，细胞壁多角质化并含有硅质，透光性较阔叶树差。茂密的草本植物的海绵组织在可见光区低于阔叶树，而在近红外光区高于阔叶树。阔叶树叶片中的海绵组织使得它在近红外光区的反射明显高于没有海绵组织的针叶树，在0.8～1.1μm的近红外光谱区间，可以有效地区分出针叶树、阔叶树和草本植物（彭望琭等，2002）。
　　其次，利用植物的物候期差异来区分植物，也是植被遥感重要方法之一。*明显的是冬季时，落叶树的叶子已经凋谢，叶子的色素组织都发生变化，在遥感影像上显示不出植物的影像特征，无论是可见光区还是近红外光区，总体的反射率都下降，蓝光吸收谷和红光吸收谷都不明显。而常绿的树木仍然保持植物反射光谱曲线特征，两者很容易辨别。同一种植物在不同季节的光谱特征有明显的变化；不同的植物生长期不同，光谱特征的变化也是不一样的（彭望琭等，2002）。因此，通过各种植物的物候特

目录
前言
第1章 农信社信贷风险管理回顾 1
1.1 农信社信贷风险管理 1
1.2 信贷风险管理借鉴 3
1.2.1 德国银行 3
1.2.2 美国银行 4
1.2.3 澳大利亚银行 5
1.2.4 法国银行 6
1.2.5 新加坡银行 7
1.2.6 中国农信社 7
1.3 信贷风险管理内容 9
1.3.1 信贷风险管理手段 9
1.3.2 信贷风险管理模式 10
1.3.3 信贷风险评估模型 12
1.3.4 信贷风险信息系统 17
1.4 本书框架 18
1.5 本章小结 18
第2章 农信社信贷风险识别管控 20
2.1 信用风险识别、量化与信用评级和贷款分类 20
2.1.1 信用风险管理与信用风险识别 20
2.1.2 信用风险识别与PD和LGD 20
2.1.3 PD和LGD与信用评级和贷款分类 21
2.1.4 PD和LGD与信用风险度量 23
2.2 信贷风险控制与信用评级和贷款分类 26
2.2.1 信用风险管理与信贷风险控制 26
2.2.2 信用风险控制与内部信用评级 26
2.2.3 信用风险控制与贷款分类 27
2.3 本章小结 29
第3章 农信社信贷风险管理流程 30
3.1 贷款基本流程 30
3.1.1 制定贷款政策 31
3.1.2 贷款申请 31
3.1.3 信用等级评估 31
3.1.4 贷款调查 31
3.1.5 贷款评估和审批 32
3.1.6 签订借款合同 32
3.1.7 贷款发放 32
3.1.8 贷款分类 32
3.1.9 贷款归还 32
3.1.10 年度综合评价 32
3.1.11 关键流程分析 33
3.2 行业分析流程 34
3.2.1 行业分析要素特征 34
3.2.2 行业分析指标选择 35
3.2.3 行业风险管理策略 36
3.2.4 行业分析主要流程 37
3.3 信用评级流程 38
3.3.1 制定评级政策 38
3.3.2 选择指标方法 38
3.3.3 实施信用评级 38
3.3.4 结果检验修正 38
3.3.5 业务流程图示 39
3.4 信贷评估流程 40
3.4.1 制定授信政策 40
3.4.2 信用评级运用 40
3.4.3 风险评估审核 40
3.4.4 贷后发放分类 40
3.4.5 业务流程图示 40
3.5 贷款分类流程 41
3.5.1 制定分类政策 41
3.5.2 选择指标方法 41
3.5.3 实行贷款分类 42
3.5.4 分类结果修正 42
3.5.5 贷款执行管理 42
3.5.6 业务流程图示 42
3.6 贷款五级分类 43
3.6.1 正常贷款 43
3.6.2 关注贷款 43
3.6.3 次级贷款 44
3.6.4 可疑贷款 44
3.6.5 损失贷款 44
3.7 流程相互关系 45
3.8 本章小结 45
第4章 信用评级和贷款分类模型 46
4.1 信用评级概述 46
4.1.1 信用评级观点概览 46
4.1.2 信用评级的层次性 47
4.1.3 信用评级方法简述 48
4.2 比率综合评分 48
4.2.1 评分分析要素 49
4.2.2 AHP 计算权重 49
4.2.3 熵权法计算权重 53
4.2.4 模糊综合评价 56
4.3 Z 评分与ZETA 评分模型 61
4.3.1 模型概述 61
4.3.2 模型分析 63
4.4 距离判别模型 64
4.4.1 模型概述 64
4.4.2 模型算法 64
4.4.3 流程代码 64
4.4.4 应用实例 66
4.5 Fisher判别模型 68
4.5.1 模型概述 68
4.5.2 模型算法 68
4.5.3 流程代码 69
4.5.4 应用实例 71
4.6 Logistic判别模型 72
4.6.1 模型概述 72
4.6.2 模型算法 74
4.6.3 流程代码 74
4.6.4 应用实例 80
4.7 BP 神经网络模型 80
4.7.1 模型概述 80
4.7.2 模型算法 81
4.7.3 流程代码 81
4.7.4 应用实例 86
4.8 遗传神经网络模型 88
4.8.1 模型概述 88
4.8.2 模型算法 89
4.8.3 流程代码 92
4.8.4 应用实例 97
4.9 案例推理方法 100
4.9.1 模型概述 100
4.9.2 工作流程 100
4.9.3 应用实例 101
4.10 本章小结 106
第5章 农信社个人信贷管理研究 107
5.1 农信社个人贷款类别特点 107
5.1.1 农信社个人贷款类别 107
5.1.2 农信社个人贷款特点 108
5.1.3 农信社个人贷款风险 109
5.1.4 农信社个人信贷管理流程 109
5.2 农信社个人贷款信用评级 111
5.2.1 农户个人信用评级指标 111
5.2.2 农户个人信用评级流程 120
5.3 农信社个人贷款风险评估 122
5.3.1 农户贷款评估指标 122
5.3.2 农户贷款风险度模型 125
5.3.3 农户贷款风险综合评价 126
5.3.4 农户贷款评估等级 126
5.3.5 农户贷款评估流程 126
5.4 农信社个人贷款分类 127
5.4.1 个人贷款分类指标 128
5.4.2 个人贷款分类流程 129
5.5 本章小结 130
第6章 农户贷款五级分类模型研究 131
6.1 农户贷款分类指标体系构建 131
6.1.1 农户贷款分类指标选取原则 131
6.1.2 农户贷款分类指标构建 131
6.1.3 农户贷款五级分类设置 134
6.2 基于AHP-Fuzzy 分类模型 134
6.2.1 农户贷款五级分类标准 135
6.2.2 农户贷款五级分类算例 136
6.3 本章小结 137
第7章 农信社企业信贷管理研究 138
7.1 中小企业信贷风险特点 138
7.1.1 中小企业信贷风险概述 138
7.1.2 中小企业信贷管理现状 139
7.1.3 中小企业信贷风险因素 140
7.2 企业信贷风险管理流程 141
7.2.1 制定信贷政策 141
7.2.2 选定目标市场 141
7.2.3 走访企业客户 141
7.2.4 企业贷款评估 141
7.2.5 企业贷款审批 143
7.2.6 企业贷款谈判 143
7.2.7 签署贷款文件与拨付贷款 143
7.2.8 贷款组合管理 144
7.2.9 贷款回收与不良贷款处置 144
7.2.10 年度综合评价 145
7.3 信用评估指标选择 145
7.3.1 指标体系设置原则 145
7.3.2 指标体系选择方法 146
7.3.3 评估指标体系建立 147
7.3.4 评级指标体系确定 151
7.4 贷前行业分析 153
7.4.1 行业分析的目的 154
7.4.2 行业分析的内容 154
7.4.3 行业分析的方法 157
7.4.4 行业分析的建议 159
7.5 贷前信用评估 161
7.5.1 财务分析 161
7.5.2 现金流量分析 164
7.5.3 担保分析 166
7.5.4 非财务分析 173
7.5.5 综合分析 174
7.6 贷后风险管理 175
7.6.1 贷款分类 175
7.6.2 分类跟踪 183
7.6.3 贷款控制 185
7.7 本章小结 190
第8章 农村企业贷款五级分类模型研究 191
8.1 农村企业贷款分类过程 191
8.2 农村企业贷款分类关键因素 192
8.3 农村企业行业风险评价模型 192
8.3.1 评价指标体系的建立 192
8.3.2 AHP-Fuzzy评价模型 192
8.4 农村企业贷款五级分类模型 196
8.4.1 农村企业贷款分类指标构建 196
8.4.2 农村企业贷款五级分类设置 197
8.4.3 基于AHP-Fuzzy的企业贷款分类模型 198
8.5 本章小结 202
第9章 项目贷款评估研究 203
9.1 概述 203
9.1.1 评估内容 203
9.1.2 关联分析 203
9.2 项目贷款评估分类 204
9.2.1 农户客户项目贷款风险 205
9.2.2 企业客户项目贷款风险 205
9.3 本章小结 211
第10章 信贷管理信息系统 212
10.1 信贷管理信息系统的目标 212
10.1.1 面向客户服务 212
10.1.2 面向流程管理 212
10.1.3 面向风险管理 213
10.1.4 面向管理决策 213
10.2 信贷管理信息系统的组成 213
10.2.1 客户信息管理系统 214
10.2.2 信用评级系统 214
10.2.3 贷款评估系统 214
10.2.4 账务处理系统 214
10.2.5 贷款分类系统 215
10.2.6 贷款管理系统 215
10.2.7 预警监控系统 215
10.3 本章小结 216
第11章 农信社贷款五级分类信息系统 217
11.1 系统分析 217
11.1.1 概述 217
11.1.2 系统目标分析 218
11.1.3 系统需求分析 218
11.2 系统设计 221
11.2.1 设计要求原则 221
11.2.2 总体结构设计 222
11.2.3 应用架构设计 226
11.2.4 运行环境设计 226
11.2.5 数据库设计 226
11.3 系统实现 231
11.3.1 面向对象模型 231
11.3.2 对象模型类设计 232
11.3.3 类协作设计 241
11.3.4 典型功能界面 264
11.4 本章小结 266
参考文献 267