1.4 作物长势监测与产量估算
1997年，中国科学院将“中国资源环境遥感信息系统及农情速报”作为中国科学院“九五”重大和特别支持项目，实现了全国小麦、玉米、大豆、水稻等大范围长势遥感监测与产量预报(江东等，1999)。1998年开始，农业部实施“全国农作物业务遥感估产”项目，发展并逐步建立一套适合中国国情的农作物遥感监测业务运行系统，监测对象主要包括全国小麦、玉米、棉花，后逐步扩大到水稻、大豆等作物(周清波，2004)。“十五”期间，中国继续深化农作物遥感估产业务系统研究与应用，陆续建成和完善了多个国内作物长势监测与估产系统，如中国农业科学院和农业部“国家农业遥感监测系统”(周清波，2004;Chen等，2008，2011)、中国科学院遥感应用研究所“中国农情遥感速报系统”(中科院和国家粮食局)(吴炳方，2000，2004)，中国气象局“农作物监测系统”(中国气象局)(王建林等，2005)等。“十一五”期间，通过“统计遥感”项目实施，北京师范大学和国家统计局建成了“国家粮食主产区粮食作物种植面积遥感测量与估产系统”(潘耀忠等，2013)。近些年，中国科学院、中国气象局和农业部等单位陆续对国外重要产粮区玉米、大豆、小麦和水稻等作物进行长势监测和产量估算，为国家和部门决策提供了重要可靠参考信息(王建林等，2007;吴炳方等，2010;钱永兰等，2012;任建强等，2015)。
中国大面积作物长势监测和产量估算中，常用数据为中低空间分辨率EOS/MODIS、SPOT/VGT、NOAA/AVHRR和FY卫星等多光谱遥感数据，而中高或高分辨率遥感数据主要用于小范围或田块尺度作物监测评价(李卫国等，2010;谭昌伟等，2011)。高光谱遥感数据和微波遥感数据虽然具有很强的应用潜力，但多为小范围作物长势参量反演(如作物叶面积指数、生物量、含水量等)和作物长势监测的研究和应用(梁亮等，2011;化国强，2011;张佳华等，2012;宋小宁等，2013;贾明权，2013)。随着高分系列卫星陆续发射，国产高分辨率遥感数据也在作物长势监测和产量估算中得到一定应用(张素青等，2015;Li等，2016a)。
(1)作物长势遥感监测。作物长势遥感监测指标主要采用能反映作物生长状况的相关遥感指标，如植被指数、叶面积指数和生物量等(任建强等，2009)。其中，植被指数应用最为广泛(黄青等，2010，2012)。一些学者也开展了常见作物长势指标(如LAI、NDVI、TCI、VCI、NPP等)适用性、有效性评价研究，为提高作物长势监测准确性发挥了重要作用(蒙继华，2006)。此外，也开展了植物生长归一化植被指数(GRNDVI)等新长势指标研究(赵虎等，2011)，部分学者还研究了物候信息、气象因子与长势监测间关系，为进一步提高长势监测精度提供了依据(孔令寅等，2012;黄青等，2014)。
农作物长势遥感监测方法主要包括统计监测方法、年际比较法和长势过程监测法(杨邦杰和裴志远，1999;吴炳方等，2004;Chen等，2011;陈怀亮等，2015)。其中，统计监测类方法主要基于遥感技术和统计模型获取与作物长势密切相关农学指标，然后对区域作物参数进行分级，从而获得作物苗情、长势监测结果;年际比较方法主要是利用年际间遥感指标差值或比值进行作物长势分级和实时监测，为早期作物估产提供作物产量丰欠依据;作物长势过程监测主要采用当年、去年和多年平均植被指数—时间序列曲线高低和变化速率对作物长势好坏进行比较和判断。
但是，目前常用作物长势监测方法均偏向于定性长势监测方法。近年来，随着作物生长模拟模型的发展，利用机理模型进行作物长势指标(如作物叶面积指数、作物生物量等)定量模拟和长势监测的研究陆续被报道(闫岩等，2006;李卫国等，2007;刘峰等，2011;Huang等，2012)，并有望在未来业务化运行中得到使用，这在一定程度提高作物长势过程监测的机理性、结果准确性和定量化水平。
(2)作物单产遥感估测。作物单产估算技术方法有多种，如统计调查法、统计预报法、农学预测法、气象估产方法、作物生长模拟和遥感估产方法(任建强等，2005)。其中，前4种方法属于传统经典的方法，而作物生长模拟方法和遥感估产方法则是伴随计算机技术、信息技术和空间技术等高新技术发展起来的新方法。
目前，国内大面积作物产量遥感估算模型主要分为3种，即经验模型、半机理模型和机理模型(杨鹏等，2008)。经验模型主要利用遥感反演的作物生长状况参数(如各类光谱植被指数等)、作物结构参数(如叶面积指数、生物量等)、作物环境参数(如温度、降水、太阳辐射和土壤水分等)等与作物单产间直接建立线性或非线性统计模型，该类模型简单易行，但涉及作物产量形成机理较少(任建强等，2007，2010a;Ren等，2008);半机理模型又称参数模型，主要利用遥感技术获得作物净初级生产力或作物生物量，在此基础上通过收获指数进行修正，从而获得作物单产计算结果(Du等，2009;任建强等，2006，2009)。该方法特点是实用，可充分发挥遥感获取大范围信息的优势，但方法本身对作物机理有所涉及，部分参数量化(如光能利用效率、收获指数等)需要进一步加强研究(任建强等，2006，2010b;李贺丽和罗毅，2009);机理模型主要利用作物生长模型进行作物单产模拟的方法，该类模型最大特点是机理性强，面向过程，但模型需要输入参数多，在一定程度上限制了作物生长模型在大范围作物估产中的广泛应用(杨鹏等，2008)。
随着遥感同化技术的发展，基于遥感数据同化作物生长模型的农作物产量模拟技术逐渐成为前沿和有发展潜力的应用研究领域。近些年，中国已经开展了不同主流模型(如WOFOST、DSSAT和EPIC等)不同同化方法(如EnKF、PF、POD-4DVar、SCE-UA等)支持下的作物生长模型作物单产模拟比较研究(马玉平等，2005;Fang等，2008;姜志伟，2012;Jiang等，2013a，2014a;Li等，2016a)，包括模型参数本地化、模型区域化、模型同化方案、精度验证和模型不确定分析等研究，为提高农作物单产定量化模拟的技术精度和水平发挥了重要作用(杨鹏等，2007;任建强等，2011;姜志伟等，2012)。随着遥感同化生长模型进行作物单产模拟技术的逐渐深入，该技术已经有望在中国业务化估产运行中加以应用。
1.5 农业灾害遥感监测
中国是一个农业自然灾害频发的国家，平均每年受灾面积占播种面积的31.1%。从20个世纪70年代开始农业干旱遥感监测研究，洪涝、低温冷冻、病害灾害的遥感应用研究得到深化(居为民等，1997)。采用遥感技术对作物生长参数进行反演，比较灾害发生或受到灾害胁迫条件下，与农作物正常生长情况下的偏离程度，是农作物灾害遥感监测的普遍性原理，也是常规农业灾害遥感监测技术流程制定的基础(Rudorff等，2012)。当前，伴随着遥感技术高时间、高空间、高光谱、多平台的发展趋势，对农业灾害遥感监测机理的认识更加深刻(闫峰等，2006)，在传统的以光谱反射率为核心的状态监测方法深入研究的基础上(杨博，2013)，面向全球、区域尺度农情信息获取的需求，农作物干旱、洪涝、低温冷冻、病害灾害遥感研究都有不同程度的发展。
(1)农业干旱遥感监测。针对可见光、短波红外、热红外、微波谱段遥感土壤水分指数构建的研究是这一领域的研究热点，比较典型的有温度植被旱情指数TVDI(Temperature Vegetation Dryness Index)、作物水分亏缺指数CWSI(Crop Water Stress Index)、条件植被指数VCI(Vegetation Condition Index)等、极化雷达指数等等，所使用的遥感数据则以30 m、1000 m空间分辨率Landsat、HJ、EOS/MODIS、FY和NOAA系列卫星为主。这些指数主要是基于特征光谱空间的原理构建，结合农作物长势描述指标，能够较好的反映土壤水分的变化，受地表状况的复杂性的限制，区域应用的普适性仍需要进一步深入研究。由于遥感指数农业干旱遥感监测机理性不足，以及农业干旱遥感监测指标的匮乏，限制了农作物干旱遥感监测的深入应用。以农作物生长机理模型空间化与本地化为核心，基于LAI等农作物参数准确反演，通过作物模型同化的方法，可以间接获取不同层次土壤水分含量，同时也能够对农作物干旱指标进行定量化阐述，农作物生长模型与遥感技术的耦合研究也因此成为农作物干旱遥感监测研究的前沿(魏占民，2003;冯绍元等，2012;周彦昭等，2014)。
(2)农业洪涝灾害遥感监测。如何解决复杂气象条件下遥感数据的获取及水体识别是该领域必须需要面对的问题，NOAA/AVHRR、EOS/MODIS、FY-3A等高于0.5 d，HJ-1A/B卫星高于2 d回访周期的数据源(李健等，2012)，以及SAR、ASAR等雷达遥感数据全天候监测能力(Kuenzer等，2013)，成为农业洪涝灾害遥感监测的主要数据源。如李健利用FY-3A、HJ-1A/B和EOS多源卫星遥感数据，结合地面气象观测数据和基础地理信息数据，对2010年7月下旬至8月初暴雨导致的洪涝灾害进行了动态监测(李健等，2012)。光学遥感数据支持下的洪涝发生发展过程模拟(裴志远和杨邦杰，1999;莫伟华，2006)、以及微波遥感数据支持下的洪涝过程监测(唐伶俐等，1998;李景刚等，2010)，能够在一定程度上弥补遥感数据源的不足，较好的重现洪水淹没过程，也是获取多云覆盖天气状况下洪涝分布范围的主要研究方向。与洪老遥感监测技术研究相对成熟比较，农作物洪涝灾损指标的研究相对较为滞后，目前尚没有时间、空间、作物类型相关的洪涝灾损评价指标体系方面的研究。
(3)农作物病害遥感监测。基于高光谱遥感数据，开展病害敏感指数的比较研究，构建病害敏感指数进行农作物病害遥感监测，是该领域最为关键的研究内容(Zhang等，2003)。刘良云等人(2004)对比了3个生育期的条锈病与正常生长冬小麦的PHI图像光谱及光谱特征，发现560—670 nm黄边、红谷波段，条锈病病害冬小麦的冠层反射率高于正常生长的冬小麦光谱反射率。Steddom等人(2003)分别利用甜菜丛根病单叶高光谱遥感数据和冠层多光谱数据，对NDVI、VARI、RGR、ARI、CRI 5 种植被指数进行了分析结果表明，正常甜菜与有丛根病症状的甜菜相比，这5种植被指数差异显著。由于敏感指数的筛选对高光谱数据的依赖，高光谱数据源相对较少，使得基于地面光谱、或者基于局部区域遥感影像的实验性研究成为农作物病害遥感监测的主要内容(黄木易等，2004)。为适应业务运行问题，基于宽频的在轨高分数据病害遥感指数筛选也是突破这一技术瓶颈的主要方式(冯炼等，2010;张竞成，2012)。
(4)农作物低温冷害遥感监测。尽管农作物低温冷害、冻害、霜冻的定义、指标尚存在着较大的争议，但基于作物状态的监测、基于作物温度的监测，仍是农作物低温冷害遥感监测的两个基本途径(杨邦杰等，2002;张晓煜等，2001;张雪芬等，2006)。前者如汤志成等人(1989)利用NOAA数据合成绿度图，对比不同时相的绿度差异评价了1987年江苏的冬小麦冻害状况，后者如金爱芬(2000)利用细网格推算法进行作物不同等级冷害空间分布特征的研究，吉书琴等人(1998)利用卫星热红外信息监测宁夏低温冷害的分布、强度和路径的研究。由于农作物低温冷害的温度指标一般是以气温的形式给出的，高精度的地温/冠层温度转换为气温的技术也是该领域研究的热点(程勇翔等，2012;冯美臣等，2014)。齐述华等人(2005)基于1 km的空间尺度上浓密植被遥感陆面温度与气温近似相等的原理进行了气温反演研究。
声明：中国勘测联合网登载此文出于传递更多信息之目的，并不意味着赞同其观点或证实其描述，文章内容仅供参考。
