冬小麦地上部生物量是反映作物生长状况与产量形成潜力的重要生理指标，其准确、高效的监测对于实施精准农业管理、优化施肥与灌溉策略以及保障粮食安全具有重要意义。本研究在河北省石家庄市藁城区南部开展了田间试验。试验分别在冬小麦的返青期、拔节期和灌浆期进行了地上部生物量及冠层高光谱反射率的测定。通过皮尔逊相关性分析初步筛选了冬小麦不同生育期的原始光谱、多元散射校正光谱、一阶导数（First Derivative，FD）光谱和连续统去除光谱中与地上部生物量显著相关的敏感波长。在此基础上，运用竞争性自适应重加权采样（Competitive Adaptive Reweighted Sampling，CARS）算法和连续投影算法（Successive Projections Algorithm，SPA）进行特征波段选择，再结合偏最小二乘回归（Partial Least Squares Regression，PLSR）、高斯过程回归（Gaussian Process Regression，GPR）和支持向量机（Support Vector Machine，SVM）3种机器学习方法构建生物量估算模型。研究结果表明：①基于一阶导数处理的光谱数据在相关性分析和机器学习建模中整体表现优于其他光谱预处理方法；②CARS算法和SPA均能有效剔除高光谱数据中的冗余信息，降低数据维度。其中，SPA在简化波段方面表现更为突出，但是基于CARS算法的模型整体估算精度要高于SPA。二者所筛选出的与地上部生物量高度敏感的特征波段主要集中在红边和近红外区域内；③在不同生育期，FD-CARS-GPR模型的整体表现优于其他方法，展现了良好的适应性和鲁棒性。特别是在拔节期的模型估算精度最高，验证集R²为0.802，RMSE为50.97 \mathrm{g}/{\mathrm{m}}^{\mathrm{2}}，RPD为2.30，返青期次之，灌浆期最低。基于FD光谱并结合CARS算法，采用GPR构建的冬小麦地上部生物量估算模型具有较高精度与稳定性，适用于不同生育时期冬小麦地上部生物量的定量估算，为冬小麦生长监测及精准农业管理提供了可靠的技术支持。

及时且精准绘制仿野生中药材分布对地方经济与中药资源保护意义重大。本研究采用一种创新方法探索了联合高分和哨兵2号遥感数据绘制仿野生中药材分布的潜力。该方法融合了任意分割模型（Segment Anything Model，SAM）和简单非迭代聚类模型（Simple Non-Iterative Clustering，SNIC），以实现田块边界的高精度提取，并利用归一化植被指数（NDVI）的长时间序列数据，从年际和年内两个角度构建识别特征，实现仿野生中药材遥感识别。结果表明：SAM- SNIC模型分割结果融合策略能够实现山区耕地边界的高精度识别，戴斯系数介于0.94~0.97之间。此外，变异系数和方差已被确定为区分仿野生中药材与其他类别的最有效年际变化指标。值得注意的是，5月、8月和10月是准确识别仿野生中药材的关键年内时间窗口。研究构建的识别系统实现了高达88%的识别准确率。在华池县，仿野生中药材的种植面积在过去5年中累计增长了49.7%，与统计数据的一致性系数为0.79。结果凸显了该技术的高识别精度，可为相似农业结构区提供参考。

在农业领域，密集而完整的遥感观测时间序列数据对于农情信息监测至关重要。光学遥感丰富的光谱信息使其已被广泛用于作物监测，而云雨天气易造成光学遥感时序缺失是其困境，全天候成像的合成孔径雷达（SAR）遥感是有效补充，但也存在解译困难问题。考虑到两类数据的特点以及传统像元尺度研究的局限性，提出了一个地块约束的光学与SAR遥感时序特征转换方法，用农田地块代替传统像元作为基本计算单元，基于Transformer框架构建两类遥感数据的时序特征转换关系，进而利用转换得到的时序特征实施地块级作物遥感分类。实验结果显示：转换结果的MAE、RMSE、R²分别可以达到0.060、0.086、0.889，在作物分类场景下分类精度相较于原始光学时序特征OA下降2.8%、Kappa下降4.9%、Marco F1上升1.9%，论证了转换结果在实际应用场景中的有效性，同时探究了地块约束、作物类型、特征选择等因素对转换结果的影响，为利用SAR填补光学数据的缺失提供了一种具有潜在推广价值的解决方案，为多云多雨地区开展SAR-光学遥感协同分析提供了方法参考。

耕地种植强度是指在单位面积的耕地上所种植的作物数量或者面积，可以有效反映耕地资源的利用方式和效率。耕地种植强度及其时空变化信息，对于开展耕地资源遥感监测和农业种植结构调整、保障国家粮食安全、生态安全和实现农业生产的可持续发展具有重要意义。研究前期已构建了包含江汉平原地区主要种植模式（春单季、夏单季、春夏双季、夏秋双季、双季稻）的种植模式谱和融合关键物候期影像进行种植强度提取的贝叶斯网络模型。在此基础上，将用于种植模式提取的朴素贝叶斯网络在时间维度上进行扩展，增加种植强度变化节点作为两个时相的种植模式节点的子节点，通过进一步挖掘种植模式变化的语义信息，构建基于动态贝叶斯网络的种植强度变化检测模型，实现江汉平原地区种植强度变化的自动高精度检测。结果表明：融合遥感数据和作物物候知识的动态贝叶斯网络模型，实现了先验知识的概率编码和概率推理的集成，能自动提取变化信息，提高了种植强度变化检测的自动化水平；种植模式谱基础上的种植强度语义变化信息提取，能更准确刻画种植强度变化的类型，提高种植强度变化检测方面的精度；在种植强度变化方面，江汉平原地区约15%的耕地存在显著的种植强度变化，其中，种植强度降低的趋势最为显著，占比超过60%。本研究提出的动态贝叶斯网络模型基于农作物独特的季相节律特征，仅用几个关键物候期就可以挖掘多时相间的种植模式变化信息，揭示江汉平原地区2017—2021年种植强度的时空变化格局，证明了利用关键物候特征在区域尺度实现种植模式变化检测的有效性和可靠性。研究构建的种植强度变化检测的动态贝叶斯网络模型具有融合遥感数据和作物物候知识的优势，无需大量的训练样本，避免了机器学习的局部最优问题和传统变化检测方法带来的累计误差，在种植强度变化检测上具有较大应用价值。

梯田是丘陵和山区常见的农业景观和有效土地利用方式，有助于提高农业生产的产量和质量。迁移学习技术能够实现已有样本、模型、知识的最大程度复用，但是其在梯田提取中的性能研究较少。本研究选取UNet、HRNet、SwinUNet、TransUNet、Segmenter共5种典型高性能深度学习框架，基于由GF-6卫星获取的2 m高空间分辨率的遥感影像开展迁移学习跨区域梯田监测分析。结果表明：UNet在梯田空间特征提取任务中表现最为优异，在目标域总体精度为81.67 %，平均精度为81.97%；2020年，散渡河流域梯田总面积为1 274 km²，占耕地比例61.8 %。借助迁移学习，依托预训练模型获取梯田分布信息，既能有效降低人力、物力成本，为跨区域梯田监测分析提供理论依据，又能为大规模遥感监测、土地利用规划等相关应用奠定基础。

耕地复种指数是衡量复种程度的重要指标，针对西南高云量农业区，开发了一种简单而高效的耕地复种指数提取方法，以满足精准农业监测的要求。方法基于多源数据融合的大规模降尺度数据，利用Whittaker Smoothing对归一化植被指数（Normalized Difference Vegetation Index，NDVI）时间序列曲线平滑重构，采用邻域比较法提取波峰，引入归一化燃烧比（Normalized Burn Ratio2，NBR2）对两波峰点之间的裸土发生情况进行检测，以此排除伪峰，构建了适用于四川盆地的耕地复种指数遥感提取流程，并实现2020年全域复种强度制图。结果表明：基于目视解译的样本评估，四川盆地耕地复种指数提取总体精度达到89.0%，Kappa系数为0.793；计算得出的播种面积与县/区级统计数据中的播种面积呈现强相关性，决定系数（R²）为0.921 5，平均相对误差（MRE）为21.81%。研究结果可为当地农业部门合理调整休耕、开垦方案等政策，实施精准农业监测提供数据和决策支撑。

快速、准确地获取耕地变化信息对粮食安全管理具有重要意义。针对遥感语义分割方法在大尺度范围高分辨率影像耕地非农化检测中因模型适用性不足导致错漏检较多的问题，提出一种以场景分类网络Xception为基础的耕地高分辨率影像多尺度场景分类方法——Multiscale Scene Classification-Xception（MSC-Xception）。该方法对耕地场景分类性能突出的轻量级场景分类网络Xception的输出层嵌入卷积注意力模块CBAM以增强模型在通道及空间特征上的提取能力，同时对单一尺度场景级分类在大尺度耕地提取中存在的混合场景分离度低和细节粗糙问题，先引入一种多尺度耕地场景特征融合的方法提高混合场景的分离度，再通过多尺度分割矢量的边界约束实现对场景级分类的边界精细化。相较于典型的Unet、PSPNet和DeeplabV3+语义分割方法，该方法能较好地减少大图斑漏检现象，在栖霞区2018年4月份GF-2影像的耕地提取实验中召回率和F1分数至少分别提高了15.1个百分点和8.8个百分点，在2018年至2022年栖霞区耕地非农化检测中，可疑图斑的查全率至少提高了7.16个百分点。

河南是我国的玉米种植大省，豫东南地区则为省内重要的玉米产区。通过土地种植适宜性评价可以优化土地利用结构、加强土地管理系统效力。以豫东南地区玉米种植为研究对象，综合考虑环境因素和地域特征，基于层次分析法构建玉米种植适宜性的评价指标体系并设计相应的综合评价指数（Comprehensive Evaluation Index， CEI），完成区域的适宜性评价。本研究经计算得到豫东南地区整体的玉米种植适宜性综合评价指数，并最终提取旱地范围内数据结果进行分析，认为豫东南地区玉米种植适宜性整体较高，98.21%的旱地非常适合或者比较适合种植玉米，这是因为该区域的地形、地势及水热条件互补性为玉米生长提供了一定的环境优势。本研究可为豫东南玉米种植区域的优化提供参考和借鉴。

耕地非农化信息的快速准确获取对于耕地资源的管理及相关政策的实施具有重要意义。为探究商南县2010~2020年耕地非农化的变化规律，以谷歌地球引擎（Google Earth Engine，GEE）为平台，采用随机森林方法进行分类，基于多时相Landsat遥感影像获取商南县2010、2015、2020年耕地时空分布信息，并通过土地转移矩阵、地理探测器及网格单元等方法，对商南县耕地非农化的重要特征及驱动因子进行分析。结果表明：①基于GEE平台的随机森林方法可有效获取商南县耕地信息，土地利用分类总体精度高于88％，Kappa系数大于0.85。②商南县耕地空间分布不均匀，多分布于中部及东南部地区；非农化类型主要为园林地，转化地类主要集中于商南县中部和东南部地区；耕地面积不断减少，非农化整体呈现越来越快的趋势。③自然和社会因素对耕地非农化具有共同驱动的作用，而自然因子作为耕地非农化的先决条件，人类活动在自然因素限制下对耕地非农化的影响可由社会因子进行反映。商南县耕地非农化的主要自然驱动因素为土壤类型，而在社会因素中到公路距离因子对于耕地非农化转变的影响力最大，说明适宜耕种的土壤类型、快速的经济发展对商南县耕地非农化影响较大。

土壤有机碳含量高光谱反演对现代农业生产、土壤质量评价具有重要意义。不同的土壤类型高光谱差异较大，探索与不同土壤类型相适应的建模方法，有利于高效准确的反演土壤有机质含量。以黄土高原东部陕州区为研究区，101个农田表层土壤样本的光谱数据为研究对象，采用一阶微分（First Derivative， FD）、包络线去除（Continuous Removal， CR）以及连续小波变换（Continuous Wavelet Transform， CWT）等光谱数据预处理方法，并利用竞争适应重加权采样（Competitive Adaptive Reweighted Sampling， CARS）、相关系数法筛选特征波段，进一步比较最小二乘回归（Partial Least Squares Regression，PLSR）、支持向量机（Support Vector Machine，SVM）、反向传播神经网络（Back Propagation Neural Network，BPNN）3种模型反演农田表层土壤有机碳含量的精度。结果表明：①以CARS处理后的特征波段为自变量，3种模型的预测精度（R²=0.67），较以相关系数法提取特征波段为自变量建立的模型均有较大提高，R²提高0.12；②3种模型中，PLSR的平均模拟精度最好（R²=0.68），明显高于SVM（R²=0.53）、BPNN（R²=0.54）；③连续小波变换后，不同分解尺度模型模拟精度差别较大。采用CWT2⁶-CARS-PLSR模型预测SOC含量的精度最高（R²=0.91、RMSE=0.75g·kg^-1、RPD=3.28）。

为了改善小样本数据的过拟合问题，提高小麦条锈病遥感监测模型的泛化能力和预测精度，以2018年河北省中国农业科学院实验站获取的冠层日光诱导叶绿素荧光（Solar-Induced Chlorophyll Fluorescence，SIF）为数据源，利用代价复杂性剪枝（Cost-Complexity Pruning，CCP）算法对随机森林回归（Random Forest Regression，RFR）方法进行剪枝约束，并结合贝叶斯优化（Bayesian Optimiazation，BO）算法对随机森林回归进行超参数选取，构建了基于约束随机森林回归（Constrained Random Forest，CO-RFR）算法小麦条锈病严重度预测模型，并将其与分类回归树（Classification And Regression Tree，CART）算法、传统RFR算法以及多元线性回归（Multiple Linear Regression，MLR）方法构建的小麦条锈病遥感监测模型精度进行比较。结果表明：①CO-RFR模型的估测精度最高，更适合于小样本数据下的小麦条锈病遥感监测。其中，在验证数据集中CO-RFR模型预测病情严重度（Severity Level，SL）和实测SL间的平均RMSE比RFR、CART和MLR模型分别减少了43%、50%和40%，平均R²分别提高了56%、47%和40%。②增加约束条件能够有效改善模型的过拟合现象，提高模型的泛化能力。其中，RFR模型训练集预测SL值和实测SL值间的平均RMSE较验证集减少了62%，表明模型训练集精度远高于验证集，模型出现过拟合，而CO-RFR模型训练集预测SL值和实测SL值间的平均RMSE较验证集减少了8%，表明模型拟合效果较好，过拟合现象得到明显改善。该研究对提高小样本数据下的小麦条锈病病情严重度的遥感预测精度具有重要意义，同时亦为其它作物的胁迫监测提供了应用参考。

2022年江西省发生极端干旱灾害，对柑橘生长及产量造成了十分严重的影响。利用遥感技术快速、准确地评估干旱受灾程度对柑橘种植减损及后续稳产具有重要意义。采用2022年Landsat遥感影像数据、江西省土地利用类型数据和Google Earth柑橘监督分类样本点数据识别并提取了江西省柑橘种植区；在此基础上，利用2021年及2022年MODIS数据产品分别计算江西省柑橘关键生育期（6~10月）的归一化差值植被指数（NDVI）和地表温度（LST），用以联合反演温度-植被干旱指数（TVDI）；再结合江西省统计年鉴中的柑橘种植面积数据及实地调研数据，定量评估了4种情形下2022年江西省极端干旱对柑橘种植造成的经济损失。研究结果表明：①2021年和2022年6月~10月江西省柑橘种植区TVDI平均值分别为0.83和0.62，2022年干旱胁迫明显加重；②2022年6月~10月江西省柑橘种植区重度干旱占66.1%，中度干旱占33.7%，且干旱空间分布具有赣北大于赣南的空间格局；③2022年7月初~11月初，江西省柑橘种植区TVDI长时间维持在0.8以上，表现为重度干旱，此时段与柑橘关键生育期重合，对柑橘果实生长影响巨大；④2022年江西省柑橘产量平均减产率达到58.2%，柑橘种植的经济损失呈现由北向南增加的趋势，赣南、赣中以及赣北的直接经济损失依次为49.64亿元、45.17亿元、19.84亿元。研究结果有助于政府部门快速摸清江西省果农受灾情况，并为后续柑橘种植的抗旱救灾、减损保产提供一定的决策依据。

水稻叶片氮含量的估测对实现田间施肥高效、水稻高产的目标具有重要意义。提出了一种基于粒子群深度森林的水稻叶片氮素估测方法（Particle Swarm Optimization-Deep Forest， PSO-DF），通过粒子群优化算法筛选深度森林模型（Deep Forest，DF）参数中最优的级联层估计器数量和估计器中的树数，从而提高深度森林模型在水稻氮素数据集上的回归精度。为验证PSO-DF的有效性，研究采用无人机搭载高光谱图像采集器获取宁夏粳稻高光谱图像，并对同期水稻叶片进行取样、测量、分析，并提取与水稻叶片氮含量相关系数最高的3个特征波段，将其作为光谱特征与水稻氮含量数据进行反演，对PSO-DF、原模型DF以及其他6种常见机器学习算法构建的水稻氮含量估测模型进行了对比。结果表明：PSO-DF算法构建的模型效果优于其他模型，其R²和RMSE指标均明显优于其他模型。

叶面积指数（Leaf Area Index， LAI）是反映作物生长状态的重要指标，常用植被指数来反演。传统的反演模型大都是基于多变量的多元回归模型，而基于双变量的多元回归模型在LAI反演中的潜力还未被充分发掘。通过提取卫星影像的光谱特征和纹理特征，基于皮尔逊相关系数分析各个遥感特征与冬小麦LAI之间的相关性，利用简单回归模型（Simple Regression， SR）、多元线性回归模型（Multiple Linear Regression， MLR）和随机森林回归模型（Random Forest Regression， RFR）开展遥感特征与冬小麦LAI之间的关系模型构建反演研究，并结合精度指标（决定系数R²，均方根误差RMSE，相对均方根误差rRMSE）判定各反演模型的反演精度，以提出最优的反演模型。研究表明：①所有植被指数和部分纹理指数在反演LAI中取得了较好的反演效果（R²>0.6）。其中，通用归一化植被指数（Universal Normalized Vegetation Index， UNVI）在各植被指数中表现最好（R²=0.754，RMSE=0.606，rRMSE=12.99%）。除了部分波段的均值特征反演精度与植被指数相当外，大多数纹理特征反演冬小麦LAI的精度欠佳；②通过两两变量组合，得到了冬小麦LAI反演精度最高的双变量多元线性回归模型（R²=0.780，RMSE=0.573，rRMSE=12.29%）；③在有多个输入变量（至少3种特征变量）的情况下，RFR的反演效果优于MLR。相较于纹理特征，纹理指数的反演性能更佳。研究结果可为后续基于卫星影像的大规模农作物LAI的监测工作提供一种新的思路与方法。

稻渔种养在保障粮食安全、减少环境污染、提高土壤肥力、降低CH₄排放方面具有显著的社会、经济和生态效益。准确获取稻鱼田、稻虾田等信息，对服务现代农业数字化管理及提升资源利用效率具有重要意义。以成都平原的典型稻虾田为研究对象，使用2019~2021年Sentinel-1后向散射系数构建时序数据集；分析稻虾田与常规稻田、莲藕田、传统水产养殖等地物后向散射系数的时序特征；通过随机森林分类器提取稻虾田、常规稻田、藕田等信息，结果显示：①稻虾田年内后向散射系数具有典型的时序变化特征，其系数变化范围、曲线波峰明显区别于常规稻田、藕田。②随机森林分类的总体精度、Kappa系数分别为：94.32%和0.91，表明Sentinel-1时序数据可准确识别稻虾种养，能将稻田和藕田等地物进行区分，是多云雾地区稻渔遥感监测的理想数据源。该研究结果可为多云雾地区稻渔种养的遥感识别提供参考。

遥感技术已成为快速有效获取农业大棚覆盖信息的重要途径，但遥感影像空间分辨率大小对提取精度的影响具有双重性，选择适宜分辨率影像具有重要意义。以南方农业塑料大棚为研究对象，利用GF-1、GF-2和Sentinel-2形成1~16 m间6个不同空间分辨率影像数据集，基于面向对象影像分析方法（Object-Based Image Analysis，OBIA），分别利用面向对象卷积神经网络（Convolutional Neural Network，CNN）方法和随机森林（Random forest，RF）方法开展大棚提取，分析提取精度和不同方法下的差异性。结果表明：①CNN和RF方法下，农业大棚的提取精度随着影像分辨率降低总体呈下降趋势，在1~16 m的影像上均能检测到农业大棚；②相对于RF方法，CNN方法对影像空间分辨率要求更高，在1~2 m分辨率下，CNN方法有更少的漏提和误提，但在4m及更低分辨率下，RF方法的适用性更高；③2 m分辨率影像是大棚信息提取的最佳空间分辨率，可经济有效地实现大棚监测。

苹果种植业为陕西省提升农业、富裕农民的支柱型产业。黄土高原苹果产区每年都有花期防冻害和产量评估的需求，花期监测尤为重要，而常规的花期监测方法存在监测成本大和精度低的问题。采用一种基于遥感作物参考曲线重建的方法，介绍比较了该方法与其他方法应用于常见作物的精度，并使用地理国情普查地表覆盖分类数据识别的MODIS纯像元中提取一组NDVI 时间序列，将其用于拟合类似Sentinel-2的观测值，将这种方法应用于黄土高原地区苹果作物上，根据苹果样点的归一化植被指数（NDVI）序列（作物参考曲线）与重建后的苹果NDVI序列在空间上的物候差异，绘制历史10 m高分辨率的始花期监测结果，实现了花期监测由点到面的转化。研究结果表明：2019~2021三年验证区域苹果始花期的探测结果平均值与地面数据绝对误差均在1~3 d之内，平均绝对误差为0.926 d，均方根误差为1.503 d。该方法可用于苹果花期高精度监测，预测结果可为实际生产中苹果花期防冻害和产量评估工作的开展提供参考，同时这种方法也可以用于研究其他作物的物候特征，如小麦、玉米等，有望为农业生产提供更准确的决策支持。

利用遥感技术的物候提取方法在理解农田物候对气候变化的敏感性问题中具有较大潜力。基于MODIS的归一化植被指数（Normalized Difference Vegetation Index， NDVI）遥感产品，提取东北农田地区2005~2020年植被物候参数并用地面实测数据加以验证，然后获取农田物候与气温、降水量和日照时数间的相关关系。结果表明东北地区2005~2020年农田物候空间分布格局较为一致，只在部分区域因作物品种布局原因存在差异；农田物候的时间变化显著，多数地区生长季开始日期以1 d/a的速率在提前，生长季长度以1 d/a的速率在延长。农田物候受气温与降水量的影响较为明显，受日照时数影响不大，同时也在一定程度上受到种植结构变化的影响。而且，农田物候在很大程度上受人为因素干扰，因此有些区域气候因素对其影响表现出相反趋势。

及时掌握农作物分布信息，对农业结构调整和国家粮食安全保障具有重要的战略意义。然而，多云雾区域受气候条件制约，难以获取全时序的光学影像，无法构建涵盖农作物完整生长季的物候特征数据集，农作物信息提取受到限制。因此，本研究以西南多云雾区域重要的产粮地之一——四川省广汉市为例，基于SAR影像（Sentinel-1）和光学影像（Sentinel-2）数据协作，构建了研究区冬季农作物典型时相光谱特征和夏季农作物SAR时序特征，采用面向对象决策树分类方法，提取了研究区农作物时空分布信息并进行精度分析。结果表明：①广汉市农作物以粮油作物为主，主要包括小麦—水稻、油菜—水稻、土豆—大豆、土豆—玉米4种一年两熟的轮作种植模式。②水稻、大豆、玉米3种夏季农作物SAR时序特征差异明显，光学—雷达遥感数据协作提取冬季—夏季农作物类型及空间分布为多云雾区域农作物信息提取提供了新的思路。③面向对象的决策树分类方法分类总体精度和Kappa系数分别为85.49%和0.81，分类结果保持了大面积作物的完整性，避免了分类结果的“椒盐现象”。

真菌毒素（mycotoxin）是影响我国粮食与食品安全的重要威胁，准确预测可以为有效管控和降低其所造成的损失提供支撑。在总结作物真菌毒素对食品、粮食、农业等影响的基础上，从气象统计模型、机理模型及机器学习模型3个方面分析了目前真菌毒素预测的研究进展。通过对目前作物污染真菌毒素的影响因素进行分析，结合遥感技术在作物及其生长环境监测方面的研究进展，讨论了利用卫星遥感监测技术开展大范围作物真菌毒素含量预测的可行性。同时指出，分析遥感的作物真菌毒素主要影响因素及其变化规律，发展生育期内相关因素结合的真菌毒素遥感估算方法，将面向农田尺度动态预测的遥感技术与多种模型耦合将成为该领域的研究重点。

准确获取冬小麦空间分布和收获面积信息，对产量准确估算、保障粮食安全等具有重要意义。当前，绝大多数研究及统计数据集中于冬小麦种植面积，很少关注其收获面积。以濮阳县为研究区，基于2019年成熟期Sentinel-2遥感影像和随机森林相结合的方法，进行冬小麦收获面积测算研究。首先，根据特征筛选获得最佳特征子集，然后，基于最佳特征子集的J-M距离分析冬小麦与其他地物的可分性，识别提取冬小麦收获面积和种植面积，并实现冬小麦收获面积制图。最后，进一步分析冬小麦收获面积和种植面积差异以及收获面积的影响因素。结果发现：Sentinel-2影像最佳特征子集测算冬小麦收获面积总体精度和Kappa系数分别为94.62%和0.93。2019年提取濮阳县冬小麦种植面积为79.47 khm²，收获面积为76.74 khm²，相较于种植面积，数量上减少了2.73 khm²。研究结果表明：人为活动会造成收获面积少于种植面积，及时监测冬小麦收获面积可以为冬小麦产量预测等相关研究和决策提供一定的科学参考价值。

低温冷害是影响水稻产量主要气象灾害之一。开展低温冷害胁迫下的水稻产量遥感监测对于水稻优良品种推广、农艺救灾防灾以及农业保险精准理赔具有重要意义。以南方多熟水稻低温冷害为研究对象，在多时相遥感影像的支持下，结合地面实测水稻单产样本数据，构建多时相协同的多熟水稻产量监测模型，实现地块尺度的低温冷害影响下水稻产量遥感监测与空间制图。研究结果表明：低温冷害发生时所处水稻的生育期不同，对产量影响程度具有较大差异。中稻在灌浆中期遭遇低温冷害后的影响相对较小，平均产量约6 637 kg/hm²，减产幅度近20%；早熟晚稻在抽穗期遭受低温冷害后产量明显低于中稻，平均产量4 143 kg/hm²，减产幅度近45%；晚熟晚稻在拔节期遭受持续低温冷害后产量影响最大，平均产量仅1 541 kg/hm²，远低于往年产量水平，减产幅度近80%。利用实割实测样本单产数据与哨兵数据多个关键物候期NDVI构建回归模型，R²均大于0.75，并利用实测样本单产数据进行精度交叉验证，MAPE均小于10%。该方法借助少量地面资料，可以较高精度地测算多熟水稻在遭受低温冷害的情况下的单产信息，为复杂条件下水稻低温冷害灾情评估提供了新的思路。

近年来全球变暖导致强对流天气日益加剧，冰雹灾害已成为农业生产的主要灾害之一。开展棉花冰雹灾情遥感评估对防灾减损、保险理赔、种植结构调整均具有重要意义。以2019年8月23日新疆准噶尔盆地西南部的奎屯河流域的棉花雹灾为研究对象，基于野外实测样本和雹灾前后多时相Sentinel-2遥感影像数据，分析雹灾前后的多种植被指数的动态变化规律，筛选能有效表征雹灾灾情的敏感植被指数差值特征组合，利用逻辑回归、决策树、梯度提升决策树、随机森林4种机器学习算法自动提取棉花雹灾的受灾范围与灾情等级，并利用野外实测样本进行精度对比分析。结果表明：单一植被指数中NDVI对雹灾的指示效果最佳，总体精度为84.39%，Kappa系数为0.75；多时相植被指数差值组合对雹灾的指示性显著优于单一植被指数；结合雹灾前后的植被指数差值时序特征，8月30日与8月20日差值对雹灾的指示性明显强于8月25日与8月20日的差值，说明雹灾灾情等级遥感监测有必要考虑灾后棉花植株的自我恢复能力，待灾情稳定后监测为宜；利用灾前灾后多种植被指数差值组合和随机森林分类算法的棉花雹灾灾情等级监测效果最佳，总体精度达到了89.51%，Kappa系数为0.83。基于多时相Sentinel-2影像能有效评估棉花雹灾的受灾范围以及灾情程度。

利用遥感技术快速、准确地进行冬小麦种植面积提取对农作物估产和粮食安全具有重要意义。由于中高分辨率时序影像受重访周期、云雨天气等影响难以获取，而低分辨率遥感数据在作物种植信息提取上精度低等问题，以河南省长葛市为例，获取2015~2020年间的Landsat 8和MODIS影像为数据集，基于优化后的卷积神经网络时空融合模型对2种数据进行融合，构建30 m分辨率的NDVI时间序列集，采用S-G（Savitzky-Golay）滤波对时序集进行去噪，最后利用随机森林方法对冬小麦种植面积进行提取。结果表明：优化后的融合模型鲁棒性较好，预测影像与真实影像R²均在0.92以上。研究区小麦面积提取与统计面积的一致性为97.3%，结果可靠。因此，优化后的模型能较好地融合出中高分辨率影像，是一种有效的补充缺失影像的技术手段，构建的时序集能较为准确地提取县域小麦种植面积。

获取农作物高分辨率影像特征，探究多特征学习训练对实际作物分类效果的影响，对农业部门掌握作物种植精细化结构信息，高效实施生产管理具有重要意义。针对无人机获取的高分辨率可见光遥感影像，提出一种基于面向对象多特征学习的农作物精细分类方法。首先借助HSI（Hue， Saturation， Intensity）模型对RGB图像进行色彩空间变换，以进一步挖掘影像中潜在色彩结构信息，然后利用ESP（Estimation of Scale Parameter）算法和CART（Classification And Regression Tree）决策树分别确定影像最佳分割尺度及构建最优特征学习空间，最后采用面向对象随机森林（Random Forest）分类算法对多特征空间进行学习训练，以实现作物精细分类，并结合验证数据集进行精度评价。结果表明：该方法对研究区作物的分类总体精度达到90.18%，Kappa系数达到0.877，均大于像素级和单特征学习的分类精度，能够有效区分出不同的作物类型；所构建的最优特征学习空间对研究区内棉花、玉米、西葫芦、葡萄的分类效果较好，各作物类型的生产者精度均大于89%。研究结果可为农业精准管理和作物种植结构优化提供参考。

高分一号卫星的发射进一步增强了我国对地观测能力。相比于Sentinel-2，GF-1 WFV数据具有16 m的高空间分辨率，但缺少红边波段和短波红外波段，对两者估算植被生理参数的精度差异进行分析以及探讨估算方法的适用性具有重要意义。本研究使用线性回归方法和基于PROSAIL辐射传输模型的查找表法（LUT）估算友谊县地区玉米和大豆叶面积指数（LAI），并对两类数据的估算精度进行对比分析。结果表明：①在植被指数一元线性回归模型中，GF-1植被指数中EVI的估算精度最高，R² 为0.81；Sentinel-2植被指数中表现最好的是MNLIre指数，R² 为0.86；②采用多元线性回归方法，GF-1的估算精度（R² = 0.90，RMSE = 0.54，bias = 0）与Sentinel-2（R² = 0.89，RMSE = 0.54，bias = 0）具有高度一致性；③使用基于PROSAIL辐射传输模型的LUT估算LAI时，GF-1数据的最优波段组合为：B2和B4（R² = 0.76，RMSE = 0.81，bias = 0.03），Sentinel-2数据的最优波段组合为：B3、B6、B7、B8、B8a和B12（R² = 0.87，RMSE = 0.61，bias = 0.01）。综上所述，GF-1号卫星具备精准监测农作物叶面积指数的能力，本研究为该数据在农业遥感领域的应用提供了理论依据。

针对地表覆被复杂、地块破碎等原因导致的撂荒地提取精度较低问题，提出一种基于多时相协同变化检测的耕地撂荒信息提取方法。以河北省石家庄市鹿泉区为研究区，采用Sentinel?2A和Landsat 7多光谱影像，在野外样本的支持下，分析耕地各种覆盖类型的归一化植被指数（Normalized Difference Vegetation Index，NDVI）季相变化规律，以季节性撂荒、常年性撂荒、冬小麦、多年生园地为分类体系，构建多时相协同变化检测模型，开展研究区耕地撂荒状态遥感监测。研究结果表明：基于Sentinel?2A影像的季节性撂荒和常年撂荒耕地的分类精度分别为95.83%和96.55%；基于Landsat 7影像的季节性撂荒和常年撂荒耕地的分类精度分别为91.67%和93.10%；2019年鹿泉区季节性撂荒占耕地面积的4.7%，常年撂荒耕地占7.1%。利用该方法能够快速、准确地获取研究区耕地空间分布、面积等信息，对于不同分辨率的影像均具有较好的撂荒地提取精度。

耕地是粮食生产的基本载体，及时准确地获取耕地非农化信息，对于耕地资源管理和政策实施具有重要意义。为探究福州市近30 a耕地非农化变化规律，基于谷歌地球引擎（Google Earth Engine，GEE）和随机森林方法，利用多时相Landsat遥感影像提取了福州市1989、2000、2010和2019年耕地空间分布信息，并在此基础上利用土地转移矩阵、网格单元法和地理探测器等方法，分析了福州市耕地非农化的重要特征及其驱动因子。结果表明：①基于GEE平台的随机森林方法可有效提取南方多云多雨地区的耕地信息，土地利用分类总体精度高于90%，Kappa系数大于0.85；②福州市耕地空间分布不均匀，呈现东多西少，耕地面积随时间推移不断减少，耕地非农化呈现“快—慢—平”的特征。耕地非农化主要发生在高程100 m和坡度10°以下区域，耕地非农化类型主要为园林地和建设用地，其中西部地区主要为园林地，中东部地区为建设用地；③耕地非农化是由自然和社会因素共同驱动的结果，自然因素是耕地非农化的先决条件，城镇化增长率与人口数量增长率是导致耕地非农化主要驱动因素，其中城镇化增长率和第一产业比重增长率是耕地非农化“快—慢—平”的关键因素。

为使用高分辨率遥感影像和深度学习语义分割模型实现快速准确的小麦种植空间信息提取，以WorldView-2遥感影像为数据源，制作尺度分别为128×128、256×256、512×512的样本数据集，对U-net和DeepLab3+语义分割模型的参数进行训练，建立小麦遥感分类模型；通过与极大似然和随机森林方法比较，检验深度学习分类效果。结果显示：①不同尺度样本训练得到的模型总体精度、Kappa系数分别在94%和0.82以上，模型精度稳定，样本尺度大小对小麦分类提取模型影响较小；②深度学习方法的小麦分类总精度和Kappa系数分别在94%和0.89以上，极大似然和随机森林则在92%和0.85以下，表明该研究建立的小麦遥感分类模型优于传统分类方法。研究结果可为高分辨率遥感影像作物种植信息的深度学习方法提取提供参考。

小麦条锈病是导致小麦大规模减产的气传性病害，其传播扩散过程受多种因素影响，常用的作物病害气象预测模型难以准确模拟。为实现小麦条锈病发病率的精准预测，提出一种基于气象和遥感数据建立的SEIR-StripeRust动态预测模型。以甘肃省陇南地区为研究区，首先基于气象数据和MODIS遥感数据分别构建气象因子和植被指数，然后与发病率进行相关性分析筛选敏感因子并耦合基本感染率，进而建立SEIR-StripeRust模型，最后采用后向传播神经网络（BPNN）、支持向量回归（SVR）和多元线性回归（MLR）模型对比验证SEIR-StripeRust模型的有效性。结果表明：平均气温、相对湿度和归一化植被指数与小麦条锈病发病率显著相关，其建立的SEIR-StripeRust模型预测精度最高，决定系数R² 达到0.79，均方根误差RMSE为0.10，平均绝对误差MAE为0.09，均优于相同特征变量下的BPNN、SVR和MLR模型。研究结果表明SEIR-StripeRust模型能够有效预测小麦条锈病发病率，并为县域尺度的小麦条锈病预测和精确防控提供技术支持。

干旱是影响花生产量的主要气象因素之一。开展花生干旱灾情遥感评估对于产量估算、防灾减灾和保险理赔具有重要意义。当前花生旱灾遥感评估主要依赖于光谱指数变化信息，容易受不同地区生育进程干扰，限制了光谱指数方法的普适性。研究在多时相Sentinel-2遥感影像和野外实测样本的支持下，分析时序波段反射率日均增量信息与花生干旱受灾程度之间的内在联系，利用决策树、随机森林、逻辑回归等方法对花生干旱等级进行分类，并以总体精度和Kappa系数评价各种方法的精度。结果表明：单一波段的近红外反射率日均增量对花生受灾情况的指示性较强。多光谱波段组合方式对花生旱灾程度的指示性均优于单个波段，其中红波段、蓝波段、近红外光谱波段反射率日均增量组合的指示性最强，整体精度达到89.93%，Kappa系数0.847 1。与逻辑回归和决策树算法相比，随机森林算法对花生旱灾评估精度最高。在旱情等级最优时相组合分析中，利用花生生长旺盛期（7月~8月）的多波段反射率日均增量信息，灾情等级遥感识别的总体精度可达88.62%，Kappa系数为0.827 4。说明基于生长旺盛期时序多波段反射率日均增量的干旱灾情遥感评估方法能有效提取花生受灾范围与灾情严重程度。

快速准确地绘制平原区人工林树种分布对研究人工林的生态水文和社会经济效益具有重要的意义。将资源3号（ZY-3）全色波段分别同ZY-3多光谱、哨兵2号多光谱进行融合，在图像分割基础上提取变量，采用分层优化变量组合的随机森林分类方法对安徽省利辛县人工林树种进行分类，并与分类回归树和随机森林相比较。结果表明：利用分层分类方法，平原区的人工林树种分类精度可以达到92%以上；基于哨兵2号和ZY-3融合的光谱特征变量分类精度比 ZY-3 数据本身的融合提高了2.49% ~ 2.91%；而分别加入纹理变量后，分层分类方法大幅度提高了树种分类精度。因此，基于高分辨率遥感数据的光谱和纹理特征，采用分层分类方法，可以有效提高平原区人工林树种的分类精度。

风灾引起的玉米倒伏可能导致玉米大量减产，利用遥感技术准确监测玉米倒伏面积与空间分布信息对灾情的评估非常重要。利用Planet和Sentinel-2影像分别结合面向对象与基于像元方法提取研究区玉米倒伏，同时评估了不同影像特征（光谱特征、植被指数和纹理特征）与不同分类方法（支持向量机法SVM、随机森林法RF和最大似然法MLC）对玉米倒伏提取精度的影响。结果表明：①使用高空间分辨率的Planet影像进行玉米倒伏提取的精度普遍高于Sentinel-2影像；②从分类精度和面积精度来看，Planet影像的光谱特征+植被指数+均值特征结合面向对象RF分类，总体精度和Kappa系数分别为93.77%和0.87，面积的平均误差最低为4.76%；③采用Planet和Sentinel-2影像结合面向对象分类提取玉米倒伏精度高于基于像元分类。研究不仅分析了面向对象方法的优势，还评估了使用不用影像数据结合面向对象方法的适用性，可以为遥感提取作物倒伏相关研究提供一定的借鉴。

中空间分辨率样本（简称中分样本）的数量、质量是决定中低分辨率复合识别模型效率的关键因素。以冬小麦为研究对象，中低分辨率影像结合构建支撑向量回归模型（Support Vector Regression， SVR）实现冬小麦的混合像元分解，提取出冬小麦的空间分布，定量分析中分样本数量、质量对识别精度的影响。结果表明：从样本数量上看，样本量为10%即可保证稳定的冬小麦精度，在典型冬小麦区的区域精度、像元精度达到98%、92%以上；从样本质量上看，识别精度随样本质量（达到60%即可获得较好的识别结果）增加而升高；对于非中分样本区的冬小麦，区域精度、像元精度也是随样本数量的增加而提高，在20%样本量下，区域精度和像元精度稳定在 97%、92%以上，表明该模型具有较强的空间泛化性能力，弥补了从低分影像上难以获取有效样本的不足。

准确监测灌区灌溉面积及其干旱情况等信息是灌区管理的基础，设立监测站点等传统方式已经不能满足应用与研究的需要，而遥感成为水资源管理的有力技术手段。基于Landsat 8数据，以内蒙古解放闸灌域为研究区，计算了温度植被干旱指数（Temperature Vegetation Dryness Index，TVDI）和改进的垂直干旱指数（Modified Perpendicular Drought Index，MPDI）并分析其分布和变化；根据两干旱指数灌溉前后差异，引入阈值法构建灌溉面积提取模型，确定阈值以进行灌溉面积的提取。结果表明：在2017年7月~8月，解放闸灌域得到了较大规模的灌溉；将利用两种干旱指数差异阈值提取的灌溉面积与实际灌溉面积进行对比，TVDI和MPDI监测面积精度分别为82.96 %和74.01 %；同时选取Google Earth高分辨率数据作为真实数据对灌溉地提取结果进行混淆矩阵计算，结果显示MPDI提取总体精度为94.17 %，优于TVDI的58.90 %。两种精度验证结果表明了利用遥感技术计算干旱指数用于灌区旱情监测和灌溉面积提取的可行性，但在受灌溉地区的空间分布上，相比TVDI，引入植被覆盖度的MPDI能更好地反映一个地区的干旱情况，提取到的灌溉地空间分布更为合理。

冬小麦作为我国重要的粮食作物，准确获取其空间分布情况，对农业生产管理及农情监测有重要意义。以河南省商丘市为例，利用覆盖冬小麦完整生育期的GF-1数据，计算归一化植被指数（Normalized Difference Vegetation Index， NDVI）、增强植被指数（Enhanced Vegetation Index， EVI）时间序列，结合关键生育期影像，构建不同特征量组合数据集，利用支持向量机方法进行冬小麦提取。同时采用主成分分析法对数据进行降维处理，尝试通过压缩特征集数据量来提高冬小麦提取效率。研究结果表明：EVI时序数据较NDVI能更好地描述作物的物候，提取精度皆高于NDVI，其中EVI时序数据与关键生育期影像组合提取精度最高，达到97.67%。结果表明，降维后数据并未对提取精度造成显著影响，达到压缩数据量保持提取精度的目的，为大区域作物提取提供参考价值。

为了提高小样本数据模型的稳定性，构建具有更高精度和鲁棒性的小麦条锈病遥感探测模型。首先基于辐亮度和反射率荧光指数方法提取了冠层日光诱导叶绿素荧光（SIF）数据，然后结合对小麦条锈病病情严重度敏感的反射率光谱指数并基于改进的分类与回归树（CART）——梯度提升回归树（GBRT）算法，构建了融合反射率和冠层SIF数据的小麦条锈病遥感探测的GBRT模型，并将其与CART及多元线性回归（MLR）模型进行比较。结果表明：①反射率导数荧光指数D705/D722、短波红外谷反射率和反射率比值荧光指数R740/R800是影响遥感探测小麦条锈病严重度精度的主控因素，其中SIF数据的重要性值高于反射率光谱数据，冠层SIF能够比反射率光谱更加敏感地反映小麦条锈病害信息；②GBRT模型病情指数（DI）预测值和实测值间的均方根误差（RMSE）比CART和MLR模型分别减小了15.50%和13.49%，决定系数（R²）分别提高了6.16%和11.57%，GBRT模型估测DI值更接近于实测值，且估测结果波动小，鲁棒性高；CART模型在小样本数据中易将不同特征的数据集划分为同一特征的子集，预测结果波动较大；MLR模型的预测结果相对比较稳定，但其预测精度较低。

以内蒙古闪电河流域为研究区，基于Sentinel2光学遥感影像结合随机森林和支持向量机算法，采用3种方案：基于像元的分类方法、面向对象的分类方法及改进的基于像元分类与面向对象分割相结合的集成方法，对研究区内的农作物进行精细提取。结果表明：①基于随机森林采用基于像元的方法进行分类，所有地类的总体精度为97.8%，Kappa系数为0.974，表明随机森林算法可以有效地进行农作物提取。②改进的基于像元分类与面向对象分割相结合的集成方法分类效果较好，所有地类的总体精度为96.4%，Kappa系数为0.957，该方法充分结合了基于像元和面向对象分类方法的优点，可有效提升闪电河流域的作物分类效果。

作物群体生物量是形成产量的物质基础，遥感技术是高效、客观监测作物地上生物量的重要手段，对农业生产管理具有重要意义。以安徽省龙亢农场为研究区，通过PROSAIL模拟光谱分析了4个LAI相关的可见光-近红外植被指数、2个叶片干物质相关的短波红外植被指数和8个融合植被指数与冬小麦地上生物量的关系，并建立反演模型。模拟结果显示，干物质植被指数与作物生物量的相关性高于LAI相关的植被指数，两者融合的植被指数增强了常用植被指数冬小麦生物量的探测能力。利用实测冬小麦数据对生物量反演模型进行验证，结果显示：融合植被指数普遍提高了单一植被指数的地上生物量反演精度，其中MTVI2×NDMI精度最高（RMSE=606.8 kg/hm²），并为作物地上生物量的高精度反演提供新的技术途径。

灌溉是农作物应对干旱等极端气候条件的有效调节机制，在全球气候变化的背景下，未来干旱等极端气候事件发生的频率和严重程度预估会增加，定量分析灌溉和雨养条件下干旱对农田生态系统农作物生长的影响有助于更好地评估人类应对极端气候事件对生态系统的消极影响的能力，为制定合理有效的生态系统保护措施提供依据。以中国北方干旱区为研究区，基于标准化降水蒸散指数产品和MODIS增强型植被指数以及总初级生产力产品，利用MK趋势分析，皮尔逊相关分析和一元线性回归分析研究了2000~2014年间中国北方干旱区农田生态系统干旱、植被指数以及总初级生产力的发展趋势，分析了中国北方旱区农作物对干旱的响应的滞后时间，在相应的滞后时间下对比分析了灌溉农田和雨养农田农作物受干旱影响的差异。研究结果显示：在2000~2014年间北方旱区农田生态系统64.10%的区域呈现干旱减轻的趋势、75.78%和81.87%的区域呈现植被指数增加和总初级生产力增加的趋势，其中64.82%的植被指数增加和68.34%总初级生产力增加的区域伴随着干旱的减轻。除半干旱区雨养农田植被指数对干旱的响应的滞后时间为2个月外，其余滞后时间均为1个月。在滞后时间下，去趋势干旱指数与植被指数异常及总初级生产力异常均呈现显著的正相关关系。相对于雨养农田来说，灌溉分别缓解了32.22%和29.42%北方旱区干旱对农作物植被指数和总初级生产力的消极影响，且在干旱区的缓解程度要高于半干旱区。定量分析了干旱对灌溉和雨养农田生态系统GPP和EVI的影响差异，为评估灌溉抵抗干旱气候对植被生态系统的影响研究提供了参考。