基于遙感的作物產量和產量差估算研究進展

摘要： 作物產量差研究對于認識當前生產力現狀和提高作物產量至關重要。以往產量差研究方法如田間試驗、統(tǒng)計分析以及作物生長模型模擬分析，在區(qū)域尺度應用時常受限于空間上的異質環(huán)境以及田間管理信息不足等因素。本文重點綜述了當前利用遙感技術以及遙感結合作物模型等方法來估算作物產量和產量差的研究進展，并介紹了利用遙感技術分析產量差形成因素的方法，最后對當前研究中存在的一些問題以及未來的研究方向進行了討論和展望。

關鍵詞： 產量；產量差；遙感；作物模型；限制因素

中圖分類號： S127 文獻標識碼： A 文章編號： 1000-4440（2023）03-0881-14

Research progress on crop yield and yield gap estimation based on remote sensing

LU Bi-hui， QIU Lin， LI Wei-guo， WANG Zhi-ming， TIAN Miao， WANG Jing， SHAN Jie

（Institute of Agricultural Information， Jiangsu Academy of Agricultural Sciences， Nanjing 210014， China）

Abstract： The study of crop yield gap is very important for understanding the current productivity status and improving crop yield. In regional application， previous yield gap research methods such as field experiment， statistical analysis and crop growth model simulation analysis， are aften limited by factors such as spatial heterogeneous environment and insufficient field management information. This paper focused on the current research progress of using remote sensing technology and remote sensing combined with crop model to estimate crop yield and yield gap， and introduced the method of using remote sensing technology to analyze the factors causing yield gap. Finally， some problems existing in the current research and future research directions were discussed and prospected.

Key words： yield;yield gap;remote sensing;crop model;limiting factor

糧食安全問題一直都是全球共同關注的焦點。總體來說，增加糧食總產量的主要途徑有兩個：一是擴大糧食作物種植面積；二是提高作物單產水平。前者不僅需要耗費大量的人力、物力去開發(fā)地力貧瘠的土地，而且還會對生態(tài)環(huán)境造成破壞[1]。因此，在當前人口和糧食需求不斷增長、耕地面積逐漸縮減的背景下，尤其是在不進行大規(guī)模的耕地擴張的前提下，實現可持續(xù)的糧食單產提升對于緩解農業(yè)生產壓力、解決未來糧食需求以及保障糧食安全顯得至關重要。

耕地作物實際產量與潛在產量之間存在較大差距是目前公認的事實[2-3]。地區(qū)間甚至同一地區(qū)不同田塊間作物產量也存在顯著差異，這種現象廣泛存在于世界各國的農業(yè)生產中[4-6]。Lobell等認為在大多數灌溉系統(tǒng)中，小麥、水稻和玉米等主要作物的產量似乎達到或者接近產量潛力的80%，迄今為止沒有證據證明產量已經超過這一閾值，并且預測在未來幾十年里，許多地區(qū)田間作物可達到的最高產量可能會趨于穩(wěn)定，甚至下降[2]。事實上，在當前世界上很多主要糧食作物生產地區(qū)，糧食單產增長確實緩慢，甚至出現了單產下降的報道[7-8]。當實際產量趨于平穩(wěn)和停滯時，確定這種停滯是由于產量差距不斷減小所導致，還是由于田間管理、土壤退化、污染以及氣候變化等因素所造成的就顯得非常重要。因此，開展作物產量差研究，了解區(qū)域作物生產現狀和生產潛力，量化作物產量的可提升空間，分析一個地區(qū)作物產量的主要限制因素，明確未來作物產量提升的重點區(qū)域對于縮小作物產量差距、提高糧食產量和保障糧食安全具有重要意義[9-10]。

1 產量差概念

1.1 產量差與產量水平

作物產量差研究最早開始于1974國際水稻研究所對亞洲水稻產量差的研究[11]。隨后開始出現了多種產量差的概念模型，其中具有代表性的是1977年Gomez提出了田塊潛在產量（Potential farm yield）的概念，并通過把產量限制因子進行有效分組來尋找引起產量差的因素[12]。產量差（YG）概念是De Datta 于1981年首次明確提出的，被定義為農田實際產量與實驗站潛在產量的差距，把引起產量差距的因子叫做產量限制因子[13]。后來又有研究學者先后提出了田塊產量差、可開發(fā)產量差和可獲得產量差等概念，產量差概念被不斷豐富和完善，并界定為不同評估條件下由潛在產量和實際產量所估算得到的產量差距[14-17]。

目前作物產量差被普遍定義為作物實際產量與潛在產量的差距，代表了未來產量增長的可能空間[18]。潛在產量（Yp），也稱為產量潛力，是最高產量水平。它代表一個地區(qū)作物在較高管理水平下（不受水分、養(yǎng)分以及病蟲害的脅迫）由光溫條件所決定的產量上限，即光溫潛在產量[18-19]。通常來說，作物光溫潛在產量（Yp）是針對具有灌溉系統(tǒng)的地塊而言的。對于雨養(yǎng)地塊，作物產量潛力很大程度地受到水分和土壤類型的影響[16]。考慮到大多數雨養(yǎng)地塊作物（如小麥和玉米）在生長季出現短期缺水的可能性，產量潛力通常為水分限制條件下所能達到的最大產量，即雨養(yǎng)潛在產量（Ywp）[20]。實際產量（Ya），是指某一地區(qū)田間作物生產中實際獲得的產量。為了表示一個特定地理區(qū)域里的空間差異性，實際產量被定義為在當前該區(qū)域氣候、土壤、品種和管理條件下，獲得的空間上的平均產量[16]。由于受到水分、養(yǎng)分、病蟲害以及管理方式（如播期和密度）等因素的影響，田間作物獲得的實際產量通常遠遠低于潛在產量[21-22]。

總體而言，潛在產量是一個理想化概念，在當前田間條件下很難實現[23-24]。考慮到實際生產水平和經濟成本等因素，一些學者提出了一種與實際生產條件更相關的產量潛力基準， 即可達到的潛在產量，也稱為農戶潛在產量[25]。這定義了農民現有技術水平下的最高經濟產量，實際產量與可達到的潛在產量之間的差距被定義為可開發(fā)的產量差[26]。準確地評估可開發(fā)的產量差，量化通過改善可控制因素（如田間管理）來實現增產，對于提高區(qū)域產量十分重要。

1.2 產量差的傳統(tǒng)研究方法

產量差研究最早集中在實驗室水平或田塊尺度，通過不同的試驗處理進行比較分析，量化具體栽培方案對作物產量的影響[27]，但在解釋變異方面具有局限性。區(qū)域尺度的作物產量差研究有助于理解多種因子在產量形成中的作用及其相關性，并且可以明確縮減產量差和提升產量的重點區(qū)域[28]。以往作物產量差的研究方法，主要分為以下兩種：

（1）試驗調查及統(tǒng)計分析方法。通過調查獲取農戶作物管理信息，輔助于土壤和作物品種信息的作物田塊產量差的估算方法[29]，適用于討論某個地區(qū)的產量差及其限制因素。主要的研究方法包括：①根據影響產量的一個或幾個因素，嚴格控制其他條件，在試驗站或農戶田塊設置特殊處理，然后與某一預定方法比較研究[30]；②快速農村評估法（RRA），是一種采用多學科調查小組執(zhí)行、定性快速且不斷學習的系統(tǒng)性和半結構性的調查方法，在應用RRA進行產量限制因子分析的過程中，農民僅參加獲取數據、發(fā)現和討論問題等過程，并不參與分析過程，因此有利于研究人員快速全面收集數據[31]；③跟蹤試驗，該方法是在RRA基礎上進行的作物產量限制因子分析試驗。整個過程是在農民不知情的前提下，研究人員在農民田塊里布置試驗，驗證RRA方法的可靠性[32]。這類方法雖然簡單，但需要充足的試驗數據，且對數據有較高要求。另外，農戶調查耗費成本較高，準確收集土壤和作物管理信息具有一定的難度，并且調查的主觀性較強，難免漏掉一些引起產量差異的信息，因此限制其在區(qū)域上的推廣應用。

（2）作物生長模型模擬分析方法。通過定義某一生產投入水平，收集模型運行所需要的數據，即可估算環(huán)境因素（天氣和土壤）、生物因素（品種）和種植管理因素（耕作方式、播種密度、施肥和水分及病蟲害控制）等對作物生長過程的影響。通過比較不同模擬水平的作物產量與實際產量的差距，確定生產中存在的主要問題，進而有針對性地進行優(yōu)化決策[33]。目前研究中常用的作物生長模型主要包括APSIM、ORYZA、DSSAT、CERES及Hybrid-Maize等。

在特定作物和種植系統(tǒng)下，模型較好地考慮了作物生長發(fā)育過程與田間管理措施之間的交互作用，是當下估算產量潛力和產量差的可靠方法[34-38]。然而，由于作物生態(tài)系統(tǒng)的復雜性，模型的模擬結果仍存在很大的不確定性[6]。其次，模型應用時需要田塊水平的氣象、土壤、田間管理措施等信息，而這方面的數據相對較少，為了實現產量差的區(qū)域估算，通常需要結合區(qū)域網格數據（降雨、溫度、輻射和土壤等），利用空間平均或插值的方法將站點的觀測值內插到整個研究區(qū)域[39-40]。然而，由于所選作物模型和用于產量潛力估算的網格點空間位置不同，導致同一研究區(qū)的產量差估算差異很大，無法準確推斷產量差形成的根本原因，并且對于較大區(qū)域的插值和外推可能會導致局部地區(qū)影響因素信息的丟失[17]。

2 基于遙感技術的作物產量差估算

作物產量差研究的一個根本挑戰(zhàn)在于農業(yè)景觀格局具有較大的時空差異性。在過去三十年里，衛(wèi)星遙感技術已成為處理時空異質性的有效工具。利用遙感技術以及結合作物模型等方法，可以準確估計作物產量，分析出實際產量與潛在生產力間的差距，并通過分析遙感反映的地面空間信息， 揭示影響作物產量和產量差的限制因素，從而提高對產量差的理解和解釋性[41-42]。

2.1 實際產量估算

產量差的估算需要對實際產量和潛在產量進行量化。估算實際產量是其中一個重要同時也可能是最薄弱的環(huán)節(jié)。傳統(tǒng)的作物估產方法如統(tǒng)計調查估產、基于作物生理參數和產量構成要素之間的相關性所建立的農學估產模型以及農業(yè)氣象模型等，因其計算復雜、成本高、影響因子難以定量化等因素而在區(qū)域應用中難以推廣[43-45]。遙感技術能夠提供作物產量的時空分布信息，利用遙感信息建模和區(qū)域作物估產已得到廣泛應用。目前基于衛(wèi)星遙感技術估算作物實際產量的方法有如下幾種：

（1）經驗模型

早期遙感估產的建模方法主要是建立地面實測產量與光譜植被指數（VI）或遙感反演作物參數（如LAI）之間的統(tǒng)計關系， 并不涉及作物單產的形成機理[46-47]。此類模型簡單高效，但只適用于特定區(qū)域，將模型外推到擴展的時空尺度時存在不確定性[48]，且往往不考慮作物產量形成的復雜過程，缺乏對機理過程的解釋。此外，光譜參數多元函數的性質也會增加模型的不確定性[49]。

當前，隨著衛(wèi)星遙感數據可獲取性和數據處理技術的提高，利用遙感統(tǒng)計模型的估產方法取得了新進展。相較于依賴地面觀測數據的經驗模型，Lobell等提出了一種不需要地面校準產量數據的可擴展的衛(wèi)星作物產量制圖新方法（SCYM）[50]。該方法首先利用作物生長模型進行多次模擬，將模型的模擬輸出結果（如LAI和產量），按照以往文獻中已有的經驗模型或者是利用獨立觀測數據所建立的統(tǒng)計模型轉換為遙感觀測變量（實質是偽觀測，如光學植被指數），然后將轉化后的遙感觀測變量與模型模擬的產量結合起來，以訓練出一個線性回歸模型，最后根據回歸模型和遙感影像觀測數據進行產量估算。

相較于傳統(tǒng)線性回歸模型，SCYM的優(yōu)勢在于利用了作物生長模型中的生長信息，并納入了氣象變量和多個觀測日期的植被指數（或其他遙感觀測變量），形成了一個通用的多元線性回歸模型，以可擴展的方式解釋遙感觀測結果。該方法最初被應用到美國雨養(yǎng)田塊玉米和大豆產量估測中，運用谷歌地球引擎（GEE）云計算平臺對多年的Landsat數據進行快速預處理、云掩模，計算葉綠素植被指數（GCVI），估算美國中西部的玉米和大豆田塊產量，并以玉米為例分析了田塊內和田塊間的產量空間異質性，這不僅對大尺度農業(yè)監(jiān)測和可持續(xù)農業(yè)管理具有重要意義，還能夠在更精細的尺度下跟蹤產量的空間變化[50-52]。這種方法也在小農農業(yè)系統(tǒng)（Smallholder farming system）中表現出較好的可移植性[53]，并且在產量差研究中得到了應用[54-56]。

（2）半經驗半機理模型

半經驗半機理模型也稱為參數模型，是指以Monteith首次提出的光能利用率（LUE）概念為基礎的模型[57]。模型指出：（1）在整個生長季內，總生物量產出與作物冠層對入射光合有效輻射（PAR）的總吸收量成正比；（2）光能利用效率（LUE）是生物量與冠層吸收光合有效輻射（APAR）的比值，理論上是相對恒定的[58]。產量（Yield）模擬通常用如下公式來描述：

式中，t是作物生長發(fā)育時間（d），n為作物播種至成熟的天數。PARt為播種后第t d 入射光合有效輻射（PAR）， fAPARt為第t d入射光合有效輻射被冠層吸收的比率，LUE為輻射量轉變?yōu)樯锪康男剩琀I為收獲指數。

基于LUE概念的遙感估產模型，通過應用遙感信息定量反演產量形成過程中的生物物理參數或限制因子，實現作物生物量的動態(tài)模擬，并得到單產信息。這里遙感獲取的參數主要是被作物冠層吸收的光合有效輻射比例（fAPAR），通過其與遙感植被指數（如NDVI和SR）建立回歸方程來估算，在無法每日獲取遙感數據時通常利用插值方法獲取模型所需的每日fAPAR[59]。其他參數如：①冠層入射光合有效輻射（PAR）：通常來自于氣象站數據或者基于衛(wèi)星遙感數據的估算；②光能利用效率（LUE）和收獲指數（HI），一般被看作為常數，但實際的LUE由于受到環(huán)境脅迫影響（如溫度和水分）往往是變化的；HI與作物產量存在較高相關性，對于區(qū)域尺度HI的獲取，通常采用常量法或插值法賦值[60-62]。

LUE模型以CASA[63]、C-flux[64]、VPM[65]和EC-LUE[66]等為代表，適用于大尺度的應用，能夠提供可靠的植被生產力和作物產量估計值[66-69]。與經驗模型相比，LUE模型能夠表達光合有效輻射對作物產量的影響，但仍存在對作物生長狀況的過度概括（模型缺少對作物生長過程的描述）所導致估算產量偏差較大等問題[59]。另外， fAPAR與最終生物量之間不完全的統(tǒng)計關系以及LUE和HI的時空分布難以準確量化，一定程度上限制了該類模型在區(qū)域作物單產估測中的應用[70]。

（3）機理模型

機理模型亦稱為過程模型，包括作物生長模型和生態(tài)過程模型。由于作物生長模型和遙感觀測均有各自的優(yōu)缺點，利用數據同化方法（數據同化框架）將二者結合，可以實現更為準確的區(qū)域尺度作物估產[71-72]。同化法是通過調整作物生長模型中與作物生長發(fā)育和產量有密切相關并難于獲取的初始條件和參數，來減小遙感觀測值與相應模型模擬值之間的差距，從而達到估計初始值和參數值的目的[73]。當前數據同化的方法分為兩種：（1）基于代價函數的參數優(yōu)化方法；（2）基于估計理論的順序濾波方法[74]。前者以四維變分（4DVar）為代表，采用整個同化窗口內的觀測值來重新調整模型參數，參數優(yōu)化精度與遙感觀測的頻率和時間點密切相關，當作物模型與輻射傳輸模型耦合時，優(yōu)化效果主要取決于輻射傳輸模型中的參數精度，而這些參數在區(qū)域尺度上具有較大空間變異[75-76]。而后者以集合卡爾曼濾波算法（EnKF）為代表，將連續(xù)觀測的信息順序作用于模型，每一次觀測值只會影響從當前狀態(tài)之后的作物生長，以減少被同化狀態(tài)變量的誤差，從而提高模型模擬的準確性，這種方法在相對較小的研究區(qū)域和短同化窗口內模擬精度較高[77-78]。當前，大區(qū)域同化采用的衛(wèi)星遙感數據以MODIS為主，中等區(qū)域尺度上主要以LandsatTM、ETM等為主，作物模型以WOFOST、CERES等使用廣泛，同化變量以LAI最為常見[79-83]。

而基于遙感信息的生態(tài)過程模型，從植被生理生態(tài)學的機理上模擬冠層的光合作用、呼吸消耗、蒸散發(fā)以及土壤水分循環(huán)等過程，融合遙感信息后可在大尺度范圍模擬植被生產力，通過收獲指數或干物質累積效率等參數進而轉化為經濟產量。FOREST-BGC[84]、RS-P-YEC[85-86]、BEPS[87]以及BESS[88]等模型是生態(tài)過程模型的代表。盡管完全依賴遙感信息的機理模型還未能實現，但利用遙感數據驅動具有生理生態(tài)學機制的作物單產模型已取得很大進展[49]。王培娟等利用遙感信息、氣象資料等驅動改進后的BEPS模型，并結合收獲指數，將冬小麥的凈第一性生產力（NPP）轉化為經濟產量，從而實現對作物產量的估算[84]。Ju等采用BEPS模型，結合MODIS土地覆蓋數據和LAI，預測了2005-2006年江蘇省長江以北地區(qū)夏收糧食作物的產量，結果顯示遙感驅動的過程模型在預測作物產量方面效果顯著[89]；Wang等利用RS-P-YEC模型對2006年華北平原冬小麥產量進行了估算，模擬產量與17個農業(yè)氣象站的觀測結果一致，平均相對誤差為4.6% [90]。

（4）融合機器學習和深度學習的遙感估產

近年來，隨著計算技術的發(fā)展，機器學習和深度學習算法已被廣泛用于農作物遙感估產。機器學習方法，如回歸樹、隨機森林和多元回歸等，通常將作物產量作為輸入變量（如天氣組分和土壤條件）的隱函數以進行產量預測[91-92]，但這種方法可能較為復雜。此外，機器學習中的監(jiān)督學習方法無法捕獲輸入和輸出變量之間的非線性關系[93]。而深度學習作為一種重要的機器學習方法，具有多層神經網絡，可以分析巨大的數據集，能夠從非結構化和未標記的樣本數據中進行監(jiān)督、半監(jiān)督和無監(jiān)督學習[94]。與傳統(tǒng)機器學習方法相比，深度學習在衛(wèi)星圖像特征提取（如植被指數和氣象數據）方面具有優(yōu)勢，提取的特征組合能夠較準確描述遙感植被指數（VIs）和作物產量之間的復雜非線性關系，因而估產準確性也更好[95-96]。

現有的深度學習方法包括人工神經網絡（ANN）、深度神經網絡（DNN）、貝葉斯神經網絡（BNN）、卷積神經網絡（CNN）和長短期記憶網絡（LSTM）[94]等。其中， LSTM和CNN是作物估產領域使用最廣泛和最有效的深度學習方法[97-99]。Wang等基于LSTM和CNN開發(fā)了一個兩分支的深度學習模型，結合遙感、氣象和土壤數據，利用去趨勢的統(tǒng)計產量數據對模型進行訓練，以估算中國主要種植區(qū)冬小麥產量，并對預測產量進行了不確定性分析。結果表明，產量預測至少可以在收獲前一個月實現，且精度較高[100]。Wolanin等將深度神經網絡用于訓練植被指數和氣象數據的時間序列，來估計印度小麥產量，并探討如何利用深度學習方法提高產量預測性能，同時保持模型對估產結果的可解釋性[101]。Xie等探索了將深度學習、遙感數據和作物生長模型相結合估計區(qū)域作物產量的可行性，利用CERES-Wheat模型模擬的LAI序列和產量數據訓練LSTM、一維卷積神經網絡（1-D CNN）和隨機森林（RF）模型，將訓練后的模型與MODIS反演的時序LAI數據相結合，逐像元估算河南省小麥產量。結果顯示，LSTM模型產量估計精度最高[102]。

總體而言，上述幾種方法各有優(yōu)缺點。傳統(tǒng)經驗回歸模型應用范圍較窄，且難以解釋自變量與作物產量之間的復雜非線性關系。生態(tài)過程模型是估算自然植被凈第一性生產力較為合理的方法，但模型往往比較復雜，需要根據植被類型確定相應的植被參數；數據同化方法的挑戰(zhàn)在于，需要本地校準和大量輸入參數（如作物特性、田間管理、氣象和土壤數據）來模擬作物生長過程，同時較高的觀測分辨率導致數據同化系統(tǒng)的計算成本增加，使得其在實際應用中難以大規(guī)模實現。SCYM方法利用作物模型模擬替代了田間測量，其數據和計算要求較低，比數據同化方法更容易實現，但其所建立的線性回歸模型依然難以處理模擬變量與實際產量之間的非線性關系。融合深度學習和機器學習的遙感估產方法作為近幾年的研究熱點，其主要挑戰(zhàn)是如何改進算法以獲得更高的精度，同時也存在黑箱屬性問題需要進一步探討。因此，在實際應用中，需要根據研究需求選擇合適的方法，同時加強對估產方法和算法的改進。

2.2 產量差估算

產量差估算的一個重要環(huán)節(jié)是合理量化產量潛力。目前常用的作物潛在產量估算方法包括：田間試驗、高產示范、高產農戶產量以及作物生長模型模擬分析[14，17]。其中，作物生長模型模擬分析是定量化產量潛力最常用的方法[103]。

根據站點收集的數據（品種特性、氣候條件、土壤以及管理因素等）通過模型可以模擬不受水分、養(yǎng)分限制以及生物、非生物逆境脅迫影響的作物生長過程，得到潛在產量。由于區(qū)域尺度上土壤、作物品種特征、管理方案等信息難以準確獲取，這導致作物生長模型在模擬區(qū)域潛在產量時會出現較大誤差。而遙感技術可為模型提供實時的環(huán)境參數，使模擬過程更加貼近實際情況。因此，將遙感方法和作物生長模型（或其他機理模型）相結合，為量化產量潛力和開展區(qū)域作物產量差定量研究提供了新契機（表1）。根據是否采用作物生長模型估算產量潛力，總結出利用衛(wèi)星遙感技術估算區(qū)域作物產量差的方法，主要有以下兩種：

2.2.1 在利用作物生長模型模擬產量潛力的基礎上，基于遙感和模型的產量差估算 這種方法的較早應用案例是王純枝等運用PS123模型分別模擬河北邯鄲地區(qū)小麥的光溫生產力（PS-1）和水分限制生產力（PS-2），同時將遙感反演的作物冠層溫度與PS123模型結合，建立了遙感-作物生長模擬復合模型PS-X，對模型所需的土壤、氣候及管理等數據進行空間插值，進而模擬了小麥的區(qū)域產量，并對PS-1、PS-2和PS-X不同水平之間的產量差進行了分析[104]。

Schulthess等一方面采用Hybrid-Maize模型模擬孟加拉國西北部玉米的潛在產量，另一方面采用RapidEye衛(wèi)星影像識別玉米田塊，通過遙感獲取的加權差值植被指數（WDVI）估算地面覆蓋，并建立地面覆蓋與實測產量之間的回歸模型，然后將回歸模型應用于區(qū)域實際產量計算，最終生成了基于潛在產量和實際產量的田塊尺度產量差圖，這對于確定特定地區(qū)產量差的原因以及精準的農業(yè)生產管理具有重要作用[105]； Farmaha等利用Hybrid-Maize模型模擬美國內布拉斯加州3個主要的灌溉玉米種植區(qū)的產量潛力，同時基于SCYM方法[49]，將模型模擬的產量潛力用于訓練由模擬產量、遙感提取的葉綠素植被指數（GCVI）、天氣變量（平均溫度和太陽輻射）以及緯度所構建的多元回歸模型，以估算實際產量，進而計算出2004-2013年該地區(qū)的玉米產量差，并分析了產量差的時序一致性，量化持續(xù)性因素對產量差的相對貢獻[53]。與前面基于站點的產量潛力模擬不同，Pourhadian等基于太陽輻射方程和Landsat8影像提取的玉米田塊，計算玉米生育期內的輻射量，然后利用CERES-Maize模型模擬站點的潛在產量，再進一步將模擬的站點潛在產量與玉米生長期間的累積輻射量進行回歸建模，并將模型應用于整個研究區(qū)以逐像元模擬輻射限制潛在產量，最后結合遙感統(tǒng)計模型估算的實際產量，估算了伊朗Golestan省的玉米產量差[106]。這種逐像元計算潛在產量和實際產量的方式，能夠減小輻射差異導致的區(qū)域平均產量差的誤差。

2.2.2 在利用遙感觀測實際產量估算產量潛力的基礎上，基于遙感和模型的產量差估算 與采用作物生長模型估算潛在產量的方法不同，該方法主要是根據遙感觀測的實際產量分布來獲取潛在產量基準，并與實際產量進行比較分析[107]。這里也分為兩種不同的方法：

一是在遙感估算實際產量的空間范圍內，將監(jiān)測得到的最大產量作為潛在產量基準來估算產量差。這種做法的前提是部分農戶的田間產量達到了產量潛力。這種方法通常都沒有獨立試驗數據來驗證其有效性，如果存在或者能獲取此類數據，也就無需進行假設了[58]。Bastiaanssen等利用AVHRR數據對巴基斯坦的多種作物產量差進行的研究[108]以及Lobell等使用Landsat數據量化土壤、氣候及管理方式對墨西哥小麥生產力的影響[41]就是應用這種方法的典型案例。但是，在上述兩個案例中，研究者并沒有使用該地區(qū)產量的單一最大值作為潛在產量，而是利用實際產量分布的高百分位數（如第95百分位）作為產量潛力基準，并進一步分析區(qū)域作物產量差。

然而，不管是使用實際產量分布的高百分位數還是最大值來估算產量差，都是將單一的潛在產量值應用于整個區(qū)域。這對于較小的研究區(qū)域而言是一種很好的做法，但在較大區(qū)域，由于作物品種類型、土壤、氣候和管理措施的空間差異，上述產量差分析方法將會引起較大誤差[58]。

二是遙感空間范圍內，逐像元估算潛在產量。在以像元為中心的一個較小區(qū)域范圍內（例如5 km2），該像元的產量潛力可計算為該范圍內像元實際產量分布的高百分位，如第95或99百分位。這種形式的產量潛力更能反映可達到的潛在產量，并且有助于量化產量潛力以及理解不同因素對產量差的貢獻[109]。雖然這種方法依然建立在局部范圍內潛在產量已經實現的假設前提下，但是能夠在量化產量空間變化的同時，利用遙感的手段探測到產量潛力的空間變化。Wang等運用BEPS過程模型估算水稻的實際產量，同時根據氣候、土壤和地形等因素開發(fā)機器學習算法將研究區(qū)劃分為若干個均勻同質的分區(qū)，并將各分區(qū)內實際產量的第95百分位作為分區(qū)潛在產量，進而評估了2006-2017年間中國東北地區(qū)水稻產量和產量差的時空分布。結果表明，基于遙感的過程模型合理估算了實際產量，縣域尺度的產量均方根誤差（RMSE）低于20%，同時基于分區(qū)方案估算的潛在產量能夠更好地描述潛在產量的空間變化，說明利用遙感過程模型評估區(qū)域產量差具有可行性[48]。Zhang等提出了一種基于遙感同步量化區(qū)域作物產量潛力、實際產量以及產量差的新方法。通過開發(fā)一種基于過程的遙感作物產量模型（PRYM-Maize），首先利用MODIS NDVI時序數據提取的物候信息（出苗期和收獲期）驅動改進后的作物產量模型來模擬實際產量（Ya），然后利用MODIS EVI數據反演的LAI時序數據估算潛在LAI（LAIp），并將LAIp輸入到模型中以模擬播期限制潛在產量（YP0）和產量潛力（YP），進而估算2010-2015年華北平原夏玉米產量差，并量化了播期對產量差的影響[109]。結果表明，改進后的PRYM-Maize模型合理估算了夏玉米的Ya，但模型的準確性受到遙感數據的限制；模擬的YP與基于作物生長模型模擬的結果一致。

上述兩種方法中，均涉及到作物生長模型。前者利用作物生長模型來模擬潛在產量，而后者將遙感與作物生長模型結合估算實際產量，并基于田間產量已達到產量潛力的假設，在遙感估測的實際產量范圍內來量化潛在產量。總體來說，利用遙感技術結合作物生長模型來估算作物產量差是有效可行的，并且具有較大潛力空間。利用遙感方法一方面可以通過遙感反演的信息（如LAI、物候期等）來減少模型對氣象數據和管理措施的依賴，另一方面彌補了作物生長模型空間應用的局限性，同時也能避免單一產量潛力適應于整個研究區(qū)的假設，因此遙感技術和模型模擬的結合在區(qū)域作物產量差估算中表現更好。

3 產量差成因分析方法

產量差成因分析對于認識作物生產力現狀和制定預期產量目標至關重要[117]。為提高區(qū)域生產力，除了要量化產量差以確定增產的潛力空間外，還需要分析造成產量差的因素，量化其限制程度，以制定縮小產量差的策略和措施，提高農田生產力[17]。

根據對產量差的相對貢獻，可以將產量差的形成因素分成持久性因素（如田間管理，地形和土壤質量）和非持久性因素（不利天氣，病蟲害以及這些因素間的交互作用）[118]。評估并量化這些因素尤其是持久性因素對產量和產量差持續(xù)性的影響，將有助于在既定種植制度下，明確經濟有效和環(huán)境無害的持久性因素改善方案，以縮小產量差[52]。持久性因素進一步分為可管理因素（如播期，水分和養(yǎng)分等）和不可管理因素（如土壤類型），其中可管理的持久性因素對產量差產生相當大的貢獻[53， 119]。因此，研究產量差形成的持久性因素以及持久性因素的改善方案將有助于提高作物產量。

目前，利用遙感技術分析作物產量差成因主要有兩種方法：一種是完全依賴于遙感觀測產量圖本身的時空模式；另一種是將遙感獲得的產量圖與所認定的產量限制因素的輔助數據集（如田間管理或土壤條件等）進行比較。

3.1 基于遙感觀測產量的時空模式

這種方法主要是通過遙感觀測產量的時空模式來分析產量差的持續(xù)性，從而相對快速地評估和挖掘分析限制因素類型[58]。也就是說，不同的遙感觀測產量時空模式將代表不同類型的產量限制因素。例如，如果產量差是由不可管理的持久性因素（如土壤屬性）所造成的，那么產量將會呈現相對平穩(wěn)變化；相比之下，如果產量差是由非持久性因素（如天氣及其與管理的交互作用）所引起的，那么年際間的產量變化將會很大。

從空間上來說，產量的空間變化與引起產量差的限制因素有著明顯的相關性。早期的研究正是利用遙感數據來估算實際產量，然后根據實際產量的變化，以確定導致產量差的因素[118，120]。但是這種相關性也是潛在受限的。尤其是，當一個地區(qū)所有田塊的產量均遠低于產量潛力，那么解釋田塊之間的差異不一定有助于解釋如何提高平均產量以接近產量潛力。在這種情況下，田塊間的差異可能是由同樣的限制因素（例如土壤肥力不足）所主導，這種限制因素對區(qū)域整體生產力都是具有約束力的[121]。從時間上來說，分析不同時間產量的空間分布能夠有助于了解導致產量差的原因。單一年份觀測到的產量分布范圍較廣且不對稱（產量空間差異較大），往往是由非持久性因素造成的；而長時間序列上的平均產量則表現出了較窄的產量分布（產量空間變異性較小），這是由于引起產量差異的非持久性因素隨著時間的推移逐漸消失[41]。通過提取實際產量分布的一些關鍵統(tǒng)計數據，例如最大產量或產量分布第95或99百分位，然后將其和平均產量進行比較，構建產量差曲線，可以深入了解整個研究時段產量差的持續(xù)性，以及持續(xù)性因素在解釋產量差方面的重要性，從而明確縮小產量差的潛在途徑[42，120]。

3.2 遙感觀測產量圖結合輔助數據集

這種方法適用于有輔助數據集可獲取和可利用的情況。對于可以獲取到多年份無云衛(wèi)星影像的地區(qū)，首先可以利用遙感觀測產量數據構建產量差曲線，確定產量差的持續(xù)性是否存在[58]。若存在，則進一步利用更長時間序列的平均產量圖，對引起產量變化的限制因素和所需的輔助數據集提出假設，然后利用統(tǒng)計分析方法來評估每個因素在驅動產量變化方面的相對重要性。而對于可獲取遙感影像較少而有其他類型輔助數據集的地區(qū)，則優(yōu)先考慮對個別年份的數據進行詳細分析，隨后用多年數據來檢驗上述分析中確定的限制因素是否合理。

例如，Zhao等在評估華北平原玉米產量的異質性和持續(xù)性時，首先假設土壤和水導致了持續(xù)的玉米產量差，然后利用1980年中國土壤調查數據集和河流數據集，在區(qū)域內隨機抽取3 000個點，并對多年平均產量、土壤屬性以及田塊距河流的距離之間進行線性回歸，以分析平均產量與土壤性質之間的關系[116]。Farmaha等人使用遙感-作物模型，并結合10年約3 000個高產玉米田塊的實際產量和作物管理數據集，來分析持久性和非持久性因素對美國內布拉斯加州玉米產量差的相對貢獻。結果顯示，雖然持久性因素對玉米產量差的貢獻相對較小，但由于土壤類型和土壤均質性不同導致地區(qū)之間產量差異較大，這說明在產量接近產量潛力的高產作物系統(tǒng)中，縮小地區(qū)間產量差距的空間依然存在[54]。

除了用于估算產量差之外，遙感方法在收集產量差限制因素分析數據方面也具有較大應用潛力，能一定程度彌補傳統(tǒng)方法（如農戶調查）在獲取田間管理和地理空間數據等方面的不足[122]。目前，遙感技術在田塊識別[123]以及作物特性（如冠層覆蓋度[124]、作物倒伏[125]）、土壤屬性（如土壤有機質含量[126]、土壤水分[127]、土壤類型[128]）、田間管理方案（如播種密度[129]、間作[130]、灌溉量[131]、雜草管理[132]、病蟲害監(jiān)測[133]以及土地平整度[134]）等方面的獲取都取得了較大進展，這些研究成果為進一步利用遙感技術解析區(qū)域作物產量差奠定了基礎。另外，產量差成因分析除了要考慮引起產量變化的生理生態(tài)因素外，還需要考慮作物種植的社會經濟背景因素[135]。

4 展望

隨著高分辨率衛(wèi)星遙感數據的增加和可獲取以及數據處理能力、估產算法的提升，遙感技術已在區(qū)域作物產量差研究中發(fā)揮了巨大的作用，為區(qū)域產量提升以及精細的田間生產管理提供決策支撐。

然而，當前研究仍然存在一些問題，表現為：（1）遙感觀測方面的不確定性，如對于具有相似物候的作物間作或套種地塊，目標作物像元的分類問題；較難獲取高時空分辨率的作物生長季無云影像；較難估測收獲指數的時空變化等；（2）當前對潛在產量的定義和量化方法沒有統(tǒng)一標準，主要傾向于利用作物生長模型來模擬并結合升尺度方法進一步估算產量差；（3）基于遙感方法的產量差研究呈現多樣化，對產量限制因素研究的側重點不同，不同區(qū)域或者同一區(qū)域不同研究結果之間的差別較大，可比性差。綜合國內外關于作物產量差研究現狀以及利用遙感技術開展產量差成因分析的應用情況，筆者認為今后的研究工作需要關注以下幾個方面：

（1）①針對衛(wèi)星數據的時空分辨率問題，可利用時空融合算法（如STARFM或增強型STARFM）來融合不同傳感器的觀測數據，在更精細的空間尺度上生成高時間分辨率數據以監(jiān)測作物生長和預測產量，同時也要系統(tǒng)合理地評估數據融合對于改善作物監(jiān)測的效果。②綜合使用多源和多時相高分辨率影像數據，結合衛(wèi)星數據的光譜、紋理和物候特征加強復雜種植制度下的作物提取研究。③雖然基于衛(wèi)星遙感以及遙感-作物模型的產量制圖方法存在低成本和低數據需求的優(yōu)勢，但其在估產方面仍需要進一步改進和提升。比如，SCYM方法利用作物模型模擬很好地替代了田間觀測，而深度學習方法雖然比線性回歸模型更好地處理遙感植被指數（VIs）與作物產量之間的非線性關系，但深度學習模型的訓練需要大量的田間觀測數據，因此，將機器學習或深度學習方法和作物生長模型相結合，或將是對SCYM的有效改進。

（2）根據研究區(qū)域和研究目標，選擇適用于當地作物產量潛力的估算方法，客觀評價當地氣候條件下作物的產量潛力。不論是利用機理模型（如作物生長模型）還是基于遙感觀測產量來量化潛在產量，都需要考慮到大區(qū)域范圍內的空間異質性問題，在必要的時候結合空間分區(qū)方案，將站點的模型模擬值升尺度或者遙感的觀測值降尺度。另外，通過進一步改進和完善現有的遙感估產模型，減少對作物生長模型的依賴以及避免大范圍的數據輸入，將進一步提高區(qū)域產量差估算精度。

（3）對于產量差時空分析來說，首先，確定合適的研究區(qū)域十分重要，既要保證區(qū)域內空間異質性較小，同時也要包含足夠的樣本田塊。現有研究在空間尺度對區(qū)域產量差的影響方面還缺乏分析，這是一個值得進一步研究的課題。其次，在數據可獲得前提下，將遙感技術與其他產量差研究方法進行比較和整合，同時輔助于土壤和作物管理等空間數據集，以確定產量差的形成因素，進一步提高對區(qū)域產量差的研究水平。

參考文獻：

[1] ALEXANDRATOS N. World Agriculture： Towards 2010 [R]. New York： FAO， Wiley， 1995.

[2] LOBELL D B， CASSMAN K G， FIELD C B. Crop yield gaps： Their importance， magnitudes， and cause [J]. Annual Review of Environment and Resources， 2009，34（1）： 179-204.

[3] 賀付偉. 氣候變化對中國不同區(qū)域馬鈴薯產量差的影響[J]. 湖北農業(yè)科學， 2022， 61（10）： 28-32， 38．

[4] CALVIO P， SADRAS V. On-farm assessment of constraints to wheat yield in the south-eastern Pampas [J]. Filed Crops Research， 2002， 74： 1-11.

[5] 王純枝，李良濤，陳 健，等. 作物產量差研究與展望[J]. 中國生態(tài)農業(yè)學報， 2009， 17（6）： 1283-1287.

[6] 楊曉光，劉志娟. 作物產量差研究進展[J]. 中國農業(yè)科學， 2014， 47（14）： 2731-2741.

[7] CASSMAN K G. Crop yield potential， yield trends， and global food security in a changing climate [M]//HILLEL D， ROSENZWEIG C. Handbook of climate change and agro-ecosystems： Impacts， Adaptation， and Mitigation. London： Imperial College Press， 2010：37-51.

[8] FINGER R， LAZZAROTTO P， CALANCA P. Bio-economic assessment of climate change impacts on managed grassland production [J]. Agricultural Systems， 2010， 103（9）： 666-674.

[9] 石全紅，劉建剛，陳 阜，等. 長江中下游地區(qū)水稻產量差及分布特征研究[J]. 中國農業(yè)大學學報， 2012， 17（1）： 33-39.

[10]MUELLER N D， GERBER J S， JOHNSTON M， et al. Closing yield gaps through nutrient and water management [J]. Nature， 2012， 490（7419）：254-257.

[11]BARKER R K， GOMEZ K A， HERDT R W. Farm-level constraints to high rice yields in Asia： 1974-77[R]. Los Banos， Philippines：IRRI， 1979.

[12]GOMEZ K A. On-farm assessment of yield constraints： Methodological problems. Constraints to high yields on asian rice farms： An interim report[R]. Los Banos， Philippines： IRRI， 1977： 1-16.

[13]DE DATTA S K. Principles and practices of rice production [M]. New York （USA）： Wiley-Interscience Publications， 1981.

[14]CASSMAN K G， DOBERMANN A， WALTERS D T， et al. Meeting cereal demand while protecting natural resources and improving environmental quality [J]. Annual Review of Environment and Resources， 2003， 28： 315-358.

[15]LOBELL D B， ORTIZ-MONASTERIO J I. Regional importance of crop yield constraints： Linking simulation models and geo-statistics to interpret spatial patterns [J]. Ecological Modelling， 2006， 196： 173-182.

[16]FISCHER R A， EDMEADES G O. Breeding and cereal yield progress [J]. Crop Science， 2010， 50（S1）： 85-98.

[17]VAN ITTERSUM M K， CASSMAN K G， GRASSINI P， et al. Yield gap analysis with local to global relevance——A review [J]. Field Crops Research， 2013， 143： 4-17.

[18]EVANS L T， FISCHER R A. Yield potential： its definition， measurement， and significance [J]. Crop Science， 1999， 39： 1544-1551.

[19]GRASSINI P， YANG H， CASSMAN K G. Limits to maize productivity in Western Corn-Belt： A simulation analysis for fully irrigated and rainfed conditions [J]. Agricultural and Forest Meteorology， 2009， 149（8）： 1254-1265.

[20]米 娜，蔡 福，張玉書，等. 雨養(yǎng)作物產量差研究進展[J]. 氣象與環(huán)境學報， 2018， 34（6）： 140-147.

[21]ZHANG H， BAI X， XUE J， et al. Emissions of CH4 and N2O under different tillage systems from double-cropped paddy fields in Southern China [J]. PLoS One， 2013， 8： e65277.

[22]PRADHAN P， FISCHER G， VELTHUIZEN H V， et al. Closing yield gaps： how sustainable can we be？ [J]. PLoS One， 2015， 10： e0129487.

[23]MENG Q， HOU P， WU L， et al. Understanding production potentials and yield gaps in intensive maize production in China [J]. Field Crops Research， 2013， 143： 91-97.

[24]鄧南燕.中國水稻產量差評估及長江中下游地區(qū)增產途徑探究[D]. 武漢： 華中農業(yè)大學， 2018.

[25]FISCHER R A. Definitions and determination of crop yield， yield gaps， and of rates of change [J]. Field Crops Research， 2015， 182： 9-18.

[26]NEUMANN K， VERBURG P H， STEHFEST E， et al. The yield gap of global grain production： a spatial analysis [J]. Agricultural Systems， 2010， 103： 316-326.

[27]SUN K G， WANG L G. Effect of different fertilization practices on yield of a wheat-maize rotation and soil fertility [J]. Pedosphere， 2002， 12（3）： 283-288.

[28]SCHILS R， OLESEN J E， KERSEBAUM K C， et al. Cereal yield gaps across Europe[J]. European Journal of Agronomy， 2018， 101： 109-120.

[29]WHITE J W， CORBETT J D， DOBERMANN A. Insufficient geographic characterization and analysis in the planning， execution and dissemination of agronomic research [J]. Field Crops Research， 2002， 76：45-54.

[30]薛建福，劉昌斌，韓敬敬，等. 基于農戶尺度的聞喜縣冬小麥產量差及生產限制因素分析[J]. 山西農業(yè)大學學報（自然科學版），2022，42（1）：26-34.

[31]SURABOL N， VIRAKUL P， POTAN N， et al. Preliminary survey on soybean yield gap analysis in Thailand [M]. Bogor， Indonesia： CGPRT Centre，1989.

[32]SUMARNO， DAUPHIN F， RACHIM A， et al. Soybean yield gap analysis in Java： a report of the soybean yield gap analysis project [M]. Bogor， Indonesia： CGPRT Center，1988.

[33]劉志娟，楊曉光，呂 碩，等. 東北三省春玉米產量差時空分布特征[J]. 中國農業(yè)科學， 2017， 50（9）：1606-1616.

[34]SUMBERG J. Mind the （yield） gap（s） [J]. Food Security， 2012， 4（4）： 509-518.

[35]ABELEDO L G， SAVIN R， SLAFER G A. Wheat productivity in the Mediterranean Ebro Valley： Analyzing the gap between attainable and potential yield with a simulation model [J]. European Journal of Agronomy， 2008， 28（4）： 541-550.

[36]LIU Z， YANG X， HUBBARD K G， et al. Maize potential yields and yield gaps in the changing climate of northeast China [J]. Global Change Biology， 2012， 18： 3441-3454.

[37]郭爾靜，楊曉光，王曉煜，等. 湖南省雙季稻產量差時空分布特征[J]. 中國農業(yè)科學， 2017， 50（2）： 399-412.

[38]秦雅倩，孫嘉玥，王 巖，等. 基于WOFOST 模型的河南省冬小麥產量差的時空特征分析[J]. 江蘇農業(yè)科學， 2022， 50（5）： 191-198.

[39]WANG J， WANG E， YIN H， et al. Declining yield potential and shrinking yield gaps of maize in the North China Plain [J]. Agricultural and Forest Meteorology， 2014， 195/196： 89-101.

[40]TAO F， ZHANG S， ZHANG Z， et al. Temporal and spatial changes of maize yield potentials and yield gaps in the past three decades in China [J]. Agriculture Ecosystems amp; Environment， 2015， 208：12-20.

[41]LOBELL D B， ORITIZ-MONASTERIO J I， ADDAMS C L， et al. Soil， climate， and management impacts on regional wheat productivity in Mexico from remote sensing [J]. Agricultural and Forest Methodology， 2002， 114： 31-43.

[42]LOBELL D B， ORITIZ-MONASTERIO J I， ASNER G P， et al. Combining field surveys， remote sensing， and regression trees to understand yield variations in an irrigated wheat landscape [J]. Agronomy Journal， 2005， 97 （1）： 241-249.

[43]吳炳方. 全國農情監(jiān)測與估產的運行化遙感方法[J]. 地理學報， 2000， 55（1）： 25-35.

[44]孟慶巖，李強子，吳炳方. 農作物單產預測的運行化方法[J]. 遙感學報， 2004， 8（6）： 603-610.

[45]代立芹，吳炳方，李強子，等. 作物單產預測方法研究進展[J]. 農業(yè)網絡信息， 2006（4）： 24-27.

[46]THENKABAIL P S， WARD A D， LYON J G. Landsat-5 thematic mapper models of soybean and corn crop characteristics [J]. International Journal of Remote Sensing， 1994， 15（1）： 49-61.

[47]楊 鵬，吳文斌，周清波，等. 基于光譜反射信息的作物單產估測模型研究進展[J]. 農業(yè)工程學報， 2008， 24（10）： 262-268.

[48]WANG J W， ZHANG J H， YUN B， et al. Integrating remote sensing-based process model with environmental zonation scheme to estimate rice yield gap in Northeast China [J]. Field Crops Research， 2020， 246： 107682.

[49]徐新剛，吳炳方，蒙繼華，等. 農作物單產遙感估算模型研究進展[J]. 農業(yè)工程學報， 2008， 24（2）： 290-298.

[50]LOBELL D B， THAU D， SEIFERT C， et al. A scalable satellite-based crop yield mapper [J]. Remote Sensing of Environment， 2015， 164： 324-333.

[51]LOBELL D B， AZZARI G. Satellite detection of rising maize yield heterogeneity in the U.S. Midwest [J]. Environmental Research Letters， 2017， 12（1）： 014014.

[52]AZZARI G， JAIN M， LOBELL D B. Towards fine resolution global maps of crop yields： Testing multiple methods and satellites in three countries [J]. Remote Sensing of Environment， 2017，202： 129-141.

[53]JIN Z， AZZARI G， YOU C， et al. Smallholder maize area and yield mapping at national scales with Google Earth Engine [J]. Remote Sensing of Environment， 2019， 228：115-128.

[54]FARMAHA B S， LOBELL D B， BOONE K E， et al. Contribution of persistent factors to yield gaps in high-yield irrigated maize [J]. Field Crops Research， 2016， 186： 124-132.

[55]JAIN M， SINGH B， SRIVASTAVA A A K， et al. Using satellite data to identify the causes of and potential solutions for yield gaps in India’s Wheat Belt [J]. Environmental Research Letters， 2017， 12（9）： 094011.

[56]DEINES J M， PATEL R， LIANG S Z， et al. A million kernels of truth： Insights into scalable satellite maize yield mapping and yield gap analysis from an extensive ground dataset in the US Corn Belt [J]. Remote Sensing of Environment， 2021， 253：112174.

[57]MONTEITH J L. Climate and the efficiency of crop production in Britain [J]. Philosophical Transactions of the Royal Society of Lond. B， Biological Sciences， 1977， 281： 277-294.

[58]FIELD C B， RANDERSON J T， MALMSTROEM C M. Global net primary production： Combining ecology and remote sensing [J]. Remote Sensing of Environment， 1995， 51（1）： 74-88.

[59]LOBELL D B. The use of satellite data for crop yield gap analysis [J]. Field Crops Research， 2013， 143： 56-64.

[60]DUCHEMIN B， MAISONGRANDE P， BOULET G， et al. A simple algorithm for yield estimates： Evaluation for semi-arid irrigated winter wheat monitored with green leaf area index [J]. Environmental Modelling amp; Software， 2008， 23（7）： 876-892.

[61]任建強，陳仲新，唐華俊，等. 基于植物凈初級生產力模型的區(qū)域冬小麥估產研究[J]. 農業(yè)工程學報， 2006， 22（5）： 112-118.

[62]ZHOU Y， ZHU H Z， CAI S B， et al. Genetic improvement of grain yield and associated traits in the southern China winter wheat region： 1949 to 2000 [J]. Crop Science， 2007， 157（3）： 465-473.

[63]POTTER C B， RANDERSON J T， FIELD C B， et al. Terrestrial ecosystem production： a process model based on global satellite and surface data [J]. Global Biogeochemical Cycles， 1993， 7（4）： 811-841.

[64]VEROUSTRAETE F， SABBE H， EERENS H. Estimation of carbon mass fluxes over Europe using the C-Fix model and Euroflux data[J]. Remote Sensing of Environment， 2002， 83（3）： 376-399.

[65]XIAO X M， ZHANG Q Y， BRASWELL B， et al. Modeling gross primary production of temperate deciduous broadleaf forest using satellite images and climate data [J].Remote Sensing of Environment， 2004， 91（2）： 256-270.

[66]YUAN W P ， LIU S G， ZHOU G S， et al. Deriving a light use efficiency model from eddy covariance flux data for predicting daily gross primary production across biomes[J]. Agricultural amp; Forest Meteorology， 2007， 143（3/4）：189-207.

[67]LOBELL D B， ASNER G P， ORTIZ-MONASTERIO J I， et al. Remote sensing of regional crop production in the Yaqui Valley， Mexico： estimates and uncertainties [J]. Agriculture Ecosystem amp; Environment， 2003， 94 （2）： 205-220.

[68]GUAN K， BERRY J A， ZHANG Y， et al. Improving the monitoring of crop productivity using spaceborne solar-induced fluorescence [J]. Global Change Biology， 2016， 22：716-726.

[69]YUAN W P， CHEN Y， XIA J Z， et al. Estimating crop yield using a satellite-based light use efficiency model [J]. Ecological Indicators， 2016， 60： 702-709.

[70]LU D S. The potential and challenge of remote sensing based biomass estimation [J]. International Journal of Remote Sensing， 2006， 27（7）： 1297-1328.

[71]GUO C， TANG Y， LU J， et al. Predicting wheat productivity： Integrating time series of vegetation indices into crop modeling via sequential assimilation [J]. Agricultural amp; Forest Meteorology， 2019， 272/273：69-80.

[72]SCHUT A G T， TRAORE P C S， BLAES X， et al. Assessing yield and fertilizer response in heterogeneous smallholder fields with UAVs and satellites [J]. Field Crops Research， 2018， 221：98-107.

[73]趙艷霞，周秀驥，梁順林. 遙感信息與作物生長模式的結合方法和應用——研究進展[J]. 自然災害學報， 2005， 14（1）： 103-109.

[74]黃健熙，黃 海，馬鴻元，等. 遙感與作物生長模型數據同化應用綜述[J]. 農業(yè)工程學報， 2018， 34（21）：144-156.

[75]GUERIF M， DUKE C L. Adjustment procedures of a crop model to the site specific characteristics of soil and crop using remote sensing data assimilation [J]. Agriculture Ecosystems amp; Environment， 2000， 81（1）： 57-69.

[76]JEGO G， PATTEY E， LIU J. Using leaf area index， retrieved from optical imagery， in the STICS crop model for predicting yield and biomass of field crops [J]. Field Crops Research， 2012， 131（2）： 63-74.

[77]HUANG J， TIAN L， LIANG S， et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model [J]. Agricultural and Forest Meteorology， 2015， 204： 106-121.

[78]ZHAO Y， CHEN S， SHEN S. Assimilating remote sensing information with crop model using Ensemble Kalman Filter for improving LAI monitoring and yield estimation [J]. Ecological Modelling， 2013， 270（2）： 30-42.

[79]CURNEL Y， DEWIT A J W， DUVEILLER G， et al. Potential performances of remotely sensed LAI assimilation in WOFOST model based on an OSS Experiment [J]. Agricultural amp; Forest Meteorology， 2011， 151：1843-1855.

[80]DEWIT A， DUVEILLER G， DEFOURNY P. Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations [J]. Agricultural amp; Forest Meteorology， 2012， 164：39-52.

[81]HUANG J， TIAN L， LIANG S， et al. Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model [J]. Agricultural amp; Forest Meteorology， 2015， 204：106-121.

[82]XIE Y， WANG P， BAI X， et al. Assimilation of the leaf area index and vegetation temperature condition index for winter wheat yield estimation using Landsat imagery and the CERES-Wheat model [J]. Agricultural amp; Forest Meteorology， 2017， 246：194-206.

[83]HUANG J， MA H， SEDANO F， et al. Evaluation of regional estimates of winter wheat yield by assimilating three remotely sensed reflectance datasets into the coupled WOFOST-PROSAIL model [J]. European Journal of Agronomy， 2019， 102：1-13.

[84]RUNNING S W， COUGHLAN J C. A general model of forest ecosystem processes for regional applications I. hydrologic balance， canopy gas exchange and primary production processes [J]. Ecological Modelling， 1988， 42： 125-154.

[85]王培娟，謝東輝，張佳華，等. BEPS模型在華北平原冬小麥估產中的應用[J]. 農業(yè)工程學報， 2009， 25（10）： 148-153.

[86]高佳華. 基于遙感模型的長江中下游一季稻產量差估算[D]. 荊州： 長江大學， 2018.

[87]LIU J， CHEN J M， CIHLAR J， et al. Net primary productivity distribution in the BOREAS region from a process model using satellite and surface data [J]. Journal of Geophysical Research， 1999， 104（22）： 27735-27754.

[88]JIANG C， RYU Y. Multi-scale evaluation of global gross primary productivity and evapotranspiration products derived from Breathing Earth System Simulation （BESS） [J]. Remote Sensing of Environment， 2016， 186： 528-547.

[89]JU W M， GAO P， ZHOU Y L， et al. Prediction of summer grain crop yield with a process-based ecosystem model and remote sensing data for the northern area of the Jiangsu Province， China [J]. International Journal of Remote Sensing， 2010， 31（6）： 1573-1587.

[90]WANG P J， SUN R， ZHANG J H， et al. Yield estimation of winter wheat in the North China Plain using the remote sensing photosynthesis-yield estimation for crops （RS-P-YEC） model [J]. International Journal of Remote Sensing， 2011， 32（21）： 6335-6348.

[91]JEONG J H， RESOP J P， MUELLER N D， et al. Random Forests for global and regional crop yield predictions [J]. PLoS One， 2016， 11：e0156571.

[92]HAN J， ZHANG Z， CAO J， et al. Prediction of winter wheat yield based on multi-source data and machine learning in China [J]. Remote Sensing， 2020， 12：236.

[93]ISLAM N， RASHID M， WIBOWO S， et al. Early weed detection using image processing and machine learning techniques in an Australian chilli farm [J]. Agriculture， 2021， 11：387.

[94]MURUGANANTHAM P， WIBOWO S， GRANDHI S， et al. A systematic literature review on crop yield prediction with deep learning and remote sensing [J]. Remote Sensing， 2022， 14：1990.

[95]LECUN Y， BENGIO Y， HINTON G. Deep learning [J]. Nature， 2015， 521：436-444.

[96]YUAN Q， SHEN H， LI T， et al. Deep learning in environmental remote sensing： Achievements and challenges [J]. Remote Sensing of Environment， 2020， 241：111716.

[97]NEVAVUORI P， NARRA N， LIPPING T. Crop yield prediction with deep convolutional neural networks [J]. Computers amp; Electronics in Agriculture， 2019， 163：104859.

[98]YANG Q， SHI L， HAN J， et al. Deep convolutional neural networks for rice grain yield estimation at the ripening stage using UAV-based remotely sensed images [J]. Field Crops Research， 2019， 235：142-153.

[99]JIANG H， HU H， ZHONG R， et al. A deep learning approach to conflating heterogeneous geospatial data for corn yield estimation： A case study of the US corn belt at the county level [J]. Global Change Biology， 2020， 26：1754-1766.

[100]WANG X， HUANG J， FENG Q， et al. Winter wheat yield prediction at county level and uncertainty analysis in main wheat producing regions of China with deep learning approaches [J]. Remote Sensing， 2020， 12：1744.

[101]WOLANIN A， CAMPSVALLS G， MERONI M， et al. Estimating and understanding crop yields with explainable deep learning in the Indian Wheat Belt [J]. Environmental Research Letters， 2020， 15：024019.

[102]XIE Y， HUANG J. Integration of a crop growth model and deep learning methods to improve satellite-based yield estimation of winter wheat in Henan Province， China [J]. Remote Sensing， 2021， 13：4372.

[103]劉保花，陳新平，崔振嶺，等. 三大糧食作物產量潛力與產量差研究進展[J]. 中國生態(tài)農業(yè)學報， 2015， 23（5）： 525-534.

[104]王純枝，宇振榮，辛景峰，等. 基于遙感和作物生長模型的作物產量差估測[J]. 農業(yè)工程學報， 2005， 21（7）： 84-89.

[105]SCHULTHESS U， TIMSINA J， HERRERA J M， et al. Mapping field-scale yield gaps for maize： An example from Bangladesh [J]. Field Crops Research， 2013， 143（1）： 151-156.

[106]POURHADIAN H， KAMKAR B， SOLTANI A， et al. Evaluation of forage maize yield gap using an integrated crop simulation model-satellite imagery method （Case study： Four watershed basins in Golestan Province） [J]. Archives of Agronomy and Soil Science， 2019，65（2）：253-268.

[107]LABORTE A G， DE BIE K， SMALING E M A， et al. Rice yields and yield gaps in Southeast Asia： past trends and future outlook [J]. European Journal of Agronomy， 2012， 36： 9-20.

[108]BASSTIAANSSEN W G M， ALI S. A new crop yield forecasting model based on satellite measurements applied across the Indus Basin， Pakistan [J]. Agriculture Ecosystems amp; Environment， 2003， 94： 321-340.

[109]ZHANG S， BAI Y， ZHANG J. Remote sensing-based quantification of the summer maize yield gap induced by suboptimum sowing dates over North China Plain [J]. Remote Sensing， 2021，13（18）：3582.

[110]DEHKORDI P A， NEHBANDANI A， HASSANPOUR-BOURKHEILI S， et al. Yield gap analysis using remote sensing and modelling approaches： Wheat in the Northwest of Iran [J]. International Journal of Plant Production， 2020， 14（3）： 443-452.

[111]HOCHMAN Z， GOBBETT D， HOLZWORTH D， et al. Quantifying yield gaps in rainfed cropping systems： A case study of wheat in Australia [J]. Field Crops Research， 2012， 136： 85-96.

[112]MANN M L， WARNER J M. Ethiopian wheat yield and yield gap estimation： A spatially explicit small area integrated data approach [J]. Field Crops Research， 2017， 201： 60-74.

[113]LOW F， BIRADAR C， FLIEMANN E， et al. Assessing gaps in irrigated agricultural productivity through satellite earth observations——a case study of the Fergana Valley， Central Asia [J]. International Journal of Applied Earth Observation and Geoinformation， 2017， 59： 118-134.

[114]ZHAO Y， CHEN X， CUI Z， et al. Using satellite remote sensing to understand maize yield gaps in the North China Plain [J]. Field Crops Research， 2015， 183： 31-42.

[115]ZHAO Y， CHEN X P， LOBELL D B. An approach to understanding persistent yield variation-A case study in North China [J]. European Journal of Agronomy， 2016， 77： 10-19.

[116]ZHAO Y， LOBELL D B. Assessing the heterogeneity and persistence of farmers’ maize yield performance across the North China Plain [J]. Field Crops Research， 2017， 205： 55-66.

[117]LIU B， CHEN X， MENG Q， et al. Estimating maize yield potential and yield gap with agro-climatic zones in China——Distinguish irrigated and rainfed conditions [J]. Agricultural amp; Forest Meteorology， 2017， 239： 108-117.

[118]LOBELL D B， ORTIZ-MONASTERIO J I， FALCON W P. Yield uncertainty at the field scale evaluated with multi-year satellite data [J]. Agricultural Systems， 2007， 92： 76-90.

[119]LIU Z， YANG X， LIN X， et al. Maize yield gaps caused by non-controllable， agronomic， and socioeconomic factors in a changing climate of Northeast China [J]. Science of the Total Environment， 2016， 541： 756-764.

[120]LOBELL D B， OORTIZ-MONASTERIO J I， LEE A S. Satellite evidence for yield growth opportunities in Northwest India [J]. Field Crops Research，2010， 118： 13-20.

[121]TITTONELL P， SHEPHERD K D， VANLAUWE B， et al. Unravelling the effects of soil and crop management on maize productivity in smallholder agricultural systems of western Kenya——an application of classification and regression tree analysis[J]. Agriculture Ecosystems amp; Environment， 2008， 123： 137-150.

[122]BEZA E， SILVA J V， KOOISTRA L， et al. Review of yield gap explaining factors and opportunities for alternative data collection approaches [J]. European Journal of Agronomy， 2017， 82： 206-222.

[123]YAN L， ROY D P. Automated crop field extraction from multi-temporal web enabled Landsat data [J]. Remote Sensing of Environment， 2014， 144：42-64.

[124]DE L， OVANDO G， BRESSANINI L， et al. Soybean crop coverage estimation from NDVI images with different spatial resolution to evaluate yield variability in a plot [J]. ISPRS Journal of Photogrammetry and Remote Sensing， 2018， 146： 531-547.

[125]ZHANG C， WALTERS D， KOVACS J M. Applications of low altitude remote sensing in agriculture upon farmers’ requests——A case study in northeastern Ontario， Canada [J]. PLoS One， 2014， 9 （11）： e112894.

[126]CECILE G， VISCARRA R A， MCBRATNEY A B. Soil organic carbon prediction by hyperspectral remote sensing and field vis-NIR spectroscopy： an Australian case study [J]. Geoderma， 2008， 146 （3/4）： 403-411.

[127]PETROPOULOS G P， IRELAND G， BARRETT B. Surface soil moisture retrievals from remote sensing： current status， products amp; future trends [J]. Physics and Chemistry of the Earth，2015，83-84：36-56.

[128]JIJI G W， NADAR P. Soil type identification using remotely sensed data for agricultural purpose [J]. Journal of the Institution Engineers， 2016，97（1）：405-411.

[129]BAI J， LI J， LI S. Monitoring the plant density of cotton with remotely sensed data[C]//LI D， LIU Y， CHEN Y. International Conference on Computer and Computing Technologies in Agriculture. Berlin， Heidelberg： Springer， 2011：90-101.

[130]JAIN M， MONDAL P， DEFRIES R S， et al. Mapping cropping intensity of smallholder farms： a comparison of methods using multiple sensors [J]. Remote Sensing of Environment， 2013， 134： 210-223.

[131]DROOGERS P， IMMERZEEL W W， LORITE I J. Estimating actual irrigation application by remotely sensed evapotranspiration observations [J]. Agricultural Water Management， 2010， 97（9）： 1351-1359.

[132]GOEL P K， PRASHER S O， LANDRY J A， et al. Potential of airborne hyper-spectral remote sensing to detect nitrogen deficiency and weed infestation in corn [J]. Computers and Electronics in Agriculture， 2003， 38 （2）： 99-124.

[133]CAO X， LUO Y， ZHOU Y， et al. Detection of powdery mildew in two winter wheat cultivars using canopy hyperspectral reflectance [J]. Crop Protection， 2013， 45： 124-131.

[134]ZHENG B， CAMPBELL J B， SERBIN G， et al. Remote sensing of crop residue and tillage practices： present capabilities and future prospects [J]. Soil Tillage Research， 2014， 138： 26-34.

[135]DJURFELDT G， HALL O， JIRSTROM M， et al. Using panel survey and remote sensing data to explain yield gaps for maize in sub-Saharan Africa [J]. Journal of Land Use Science， 2018， 13（3）： 1-14.

（責任編輯：石春林）

收稿日期：2022-06-09

基金項目：國家重點研發(fā)計劃（政府間國際合作）項目（2021YFE0104400）；江蘇省自然科學基金項目 （BK20200281） ；江蘇省農業(yè)科技自主創(chuàng)新基金項目[CX（22）2001]

作者簡介：盧必慧（1989-），女，安徽滁州人，碩士，助理研究員，主要從事農業(yè)遙感與作物模型估產研究。（E-mail）20140029@jaas.ac.cn

通訊作者：邱 琳，（E-mail）qiulin_81@163.com