基于遙感的作物產(chǎn)量和產(chǎn)量差估算研究進(jìn)展

摘要： 作物產(chǎn)量差研究對(duì)于認(rèn)識(shí)當(dāng)前生產(chǎn)力現(xiàn)狀和提高作物產(chǎn)量至關(guān)重要。以往產(chǎn)量差研究方法如田間試驗(yàn)、統(tǒng)計(jì)分析以及作物生長模型模擬分析，在區(qū)域尺度應(yīng)用時(shí)常受限于空間上的異質(zhì)環(huán)境以及田間管理信息不足等因素。本文重點(diǎn)綜述了當(dāng)前利用遙感技術(shù)以及遙感結(jié)合作物模型等方法來估算作物產(chǎn)量和產(chǎn)量差的研究進(jìn)展，并介紹了利用遙感技術(shù)分析產(chǎn)量差形成因素的方法，最后對(duì)當(dāng)前研究中存在的一些問題以及未來的研究方向進(jìn)行了討論和展望。

關(guān)鍵詞： 產(chǎn)量；產(chǎn)量差；遙感；作物模型；限制因素

中圖分類號(hào)： S127 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 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(guān)注的焦點(diǎn)。總體來說，增加糧食總產(chǎn)量的主要途徑有兩個(gè)：一是擴(kuò)大糧食作物種植面積；二是提高作物單產(chǎn)水平。前者不僅需要耗費(fèi)大量的人力、物力去開發(fā)地力貧瘠的土地，而且還會(huì)對(duì)生態(tài)環(huán)境造成破壞[1]。因此，在當(dāng)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(jìn)行大規(guī)模的耕地?cái)U(kuò)張的前提下，實(shí)現(xiàn)可持續(xù)的糧食單產(chǎn)提升對(duì)于緩解農(nóng)業(yè)生產(chǎn)壓力、解決未來糧食需求以及保障糧食安全顯得至關(guān)重要。

耕地作物實(shí)際產(chǎn)量與潛在產(chǎn)量之間存在較大差距是目前公認(rèn)的事實(shí)[2-3]。地區(qū)間甚至同一地區(qū)不同田塊間作物產(chǎn)量也存在顯著差異，這種現(xiàn)象廣泛存在于世界各國的農(nóng)業(yè)生產(chǎn)中[4-6]。Lobell等認(rèn)為在大多數(shù)灌溉系統(tǒng)中，小麥、水稻和玉米等主要作物的產(chǎn)量似乎達(dá)到或者接近產(chǎn)量潛力的80%，迄今為止沒有證據(jù)證明產(chǎn)量已經(jīng)超過這一閾值，并且預(yù)測(cè)在未來幾十年里，許多地區(qū)田間作物可達(dá)到的最高產(chǎn)量可能會(huì)趨于穩(wěn)定，甚至下降[2]。事實(shí)上，在當(dāng)前世界上很多主要糧食作物生產(chǎn)地區(qū)，糧食單產(chǎn)增長確實(shí)緩慢，甚至出現(xiàn)了單產(chǎn)下降的報(bào)道[7-8]。當(dāng)實(shí)際產(chǎn)量趨于平穩(wěn)和停滯時(shí)，確定這種停滯是由于產(chǎn)量差距不斷減小所導(dǎo)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(chǎn)量差研究，了解區(qū)域作物生產(chǎn)現(xiàn)狀和生產(chǎn)潛力，量化作物產(chǎn)量的可提升空間，分析一個(gè)地區(qū)作物產(chǎn)量的主要限制因素，明確未來作物產(chǎn)量提升的重點(diǎn)區(qū)域?qū)τ诳s小作物產(chǎn)量差距、提高糧食產(chǎn)量和保障糧食安全具有重要意義[9-10]。

1 產(chǎn)量差概念

1.1 產(chǎn)量差與產(chǎn)量水平

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

目前作物產(chǎn)量差被普遍定義為作物實(shí)際產(chǎn)量與潛在產(chǎn)量的差距，代表了未來產(chǎn)量增長的可能空間[18]。潛在產(chǎn)量（Yp），也稱為產(chǎn)量潛力，是最高產(chǎn)量水平。它代表一個(gè)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(chǎn)量上限，即光溫潛在產(chǎn)量[18-19]。通常來說，作物光溫潛在產(chǎn)量（Yp）是針對(duì)具有灌溉系統(tǒng)的地塊而言的。對(duì)于雨養(yǎng)地塊，作物產(chǎn)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(shù)雨養(yǎng)地塊作物（如小麥和玉米）在生長季出現(xiàn)短期缺水的可能性，產(chǎn)量潛力通常為水分限制條件下所能達(dá)到的最大產(chǎn)量，即雨養(yǎng)潛在產(chǎn)量（Ywp）[20]。實(shí)際產(chǎn)量（Ya），是指某一地區(qū)田間作物生產(chǎn)中實(shí)際獲得的產(chǎn)量。為了表示一個(gè)特定地理區(qū)域里的空間差異性，實(shí)際產(chǎn)量被定義為在當(dāng)前該區(qū)域氣候、土壤、品種和管理?xiàng)l件下，獲得的空間上的平均產(chǎn)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(shí)際產(chǎn)量通常遠(yuǎn)遠(yuǎn)低于潛在產(chǎn)量[21-22]。

總體而言，潛在產(chǎn)量是一個(gè)理想化概念，在當(dāng)前田間條件下很難實(shí)現(xiàn)[23-24]。考慮到實(shí)際生產(chǎn)水平和經(jīng)濟(jì)成本等因素，一些學(xué)者提出了一種與實(shí)際生產(chǎn)條件更相關(guān)的產(chǎn)量潛力基準(zhǔn)， 即可達(dá)到的潛在產(chǎn)量，也稱為農(nóng)戶潛在產(chǎn)量[25]。這定義了農(nóng)民現(xiàn)有技術(shù)水平下的最高經(jīng)濟(jì)產(chǎn)量，實(shí)際產(chǎn)量與可達(dá)到的潛在產(chǎn)量之間的差距被定義為可開發(fā)的產(chǎn)量差[26]。準(zhǔn)確地評(píng)估可開發(fā)的產(chǎn)量差，量化通過改善可控制因素（如田間管理）來實(shí)現(xiàn)增產(chǎn)，對(duì)于提高區(qū)域產(chǎn)量十分重要。

1.2 產(chǎn)量差的傳統(tǒng)研究方法

產(chǎn)量差研究最早集中在實(shí)驗(yàn)室水平或田塊尺度，通過不同的試驗(yàn)處理進(jìn)行比較分析，量化具體栽培方案對(duì)作物產(chǎn)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(chǎn)量差研究有助于理解多種因子在產(chǎn)量形成中的作用及其相關(guān)性，并且可以明確縮減產(chǎn)量差和提升產(chǎn)量的重點(diǎn)區(qū)域[28]。以往作物產(chǎn)量差的研究方法，主要分為以下兩種：

（1）試驗(yàn)調(diào)查及統(tǒng)計(jì)分析方法。通過調(diào)查獲取農(nóng)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(chǎn)量差的估算方法[29]，適用于討論某個(gè)地區(qū)的產(chǎn)量差及其限制因素。主要的研究方法包括：①根據(jù)影響產(chǎn)量的一個(gè)或幾個(gè)因素，嚴(yán)格控制其他條件，在試驗(yàn)站或農(nóng)戶田塊設(shè)置特殊處理，然后與某一預(yù)定方法比較研究[30]；②快速農(nóng)村評(píng)估法（RRA），是一種采用多學(xué)科調(diào)查小組執(zhí)行、定性快速且不斷學(xué)習(xí)的系統(tǒng)性和半結(jié)構(gòu)性的調(diào)查方法，在應(yīng)用RRA進(jìn)行產(chǎn)量限制因子分析的過程中，農(nóng)民僅參加獲取數(shù)據(jù)、發(fā)現(xiàn)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(shù)據(jù)[31]；③跟蹤試驗(yàn)，該方法是在RRA基礎(chǔ)上進(jìn)行的作物產(chǎn)量限制因子分析試驗(yàn)。整個(gè)過程是在農(nóng)民不知情的前提下，研究人員在農(nóng)民田塊里布置試驗(yàn)，驗(yàn)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(yàn)數(shù)據(jù)，且對(duì)數(shù)據(jù)有較高要求。另外，農(nóng)戶調(diào)查耗費(fèi)成本較高，準(zhǔn)確收集土壤和作物管理信息具有一定的難度，并且調(diào)查的主觀性較強(qiáng)，難免漏掉一些引起產(chǎn)量差異的信息，因此限制其在區(qū)域上的推廣應(yīng)用。

（2）作物生長模型模擬分析方法。通過定義某一生產(chǎn)投入水平，收集模型運(yùn)行所需要的數(shù)據(jù)，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(duì)作物生長過程的影響。通過比較不同模擬水平的作物產(chǎn)量與實(shí)際產(chǎn)量的差距，確定生產(chǎn)中存在的主要問題，進(jìn)而有針對(duì)性地進(jìn)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(dāng)下估算產(chǎn)量潛力和產(chǎn)量差的可靠方法[34-38]。然而，由于作物生態(tài)系統(tǒng)的復(fù)雜性，模型的模擬結(jié)果仍存在很大的不確定性[6]。其次，模型應(yīng)用時(shí)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(shù)據(jù)相對(duì)較少，為了實(shí)現(xiàn)產(chǎn)量差的區(qū)域估算，通常需要結(jié)合區(qū)域網(wǎng)格數(shù)據(jù)（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(diǎn)的觀測(cè)值內(nèi)插到整個(gè)研究區(qū)域[39-40]。然而，由于所選作物模型和用于產(chǎn)量潛力估算的網(wǎng)格點(diǎn)空間位置不同，導(dǎo)致同一研究區(qū)的產(chǎn)量差估算差異很大，無法準(zhǔn)確推斷產(chǎn)量差形成的根本原因，并且對(duì)于較大區(qū)域的插值和外推可能會(huì)導(dǎo)致局部地區(qū)影響因素信息的丟失[17]。

2 基于遙感技術(shù)的作物產(chǎn)量差估算

作物產(chǎn)量差研究的一個(gè)根本挑戰(zhàn)在于農(nóng)業(yè)景觀格局具有較大的時(shí)空差異性。在過去三十年里，衛(wèi)星遙感技術(shù)已成為處理時(shí)空異質(zhì)性的有效工具。利用遙感技術(shù)以及結(jié)合作物模型等方法，可以準(zhǔn)確估計(jì)作物產(chǎn)量，分析出實(shí)際產(chǎn)量與潛在生產(chǎn)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(chǎn)量和產(chǎn)量差的限制因素，從而提高對(duì)產(chǎn)量差的理解和解釋性[41-42]。

2.1 實(shí)際產(chǎn)量估算

產(chǎn)量差的估算需要對(duì)實(shí)際產(chǎn)量和潛在產(chǎn)量進(jìn)行量化。估算實(shí)際產(chǎn)量是其中一個(gè)重要同時(shí)也可能是最薄弱的環(huán)節(jié)。傳統(tǒng)的作物估產(chǎn)方法如統(tǒng)計(jì)調(diào)查估產(chǎn)、基于作物生理參數(shù)和產(chǎn)量構(gòu)成要素之間的相關(guān)性所建立的農(nóng)學(xué)估產(chǎn)模型以及農(nóng)業(yè)氣象模型等，因其計(jì)算復(fù)雜、成本高、影響因子難以定量化等因素而在區(qū)域應(yīng)用中難以推廣[43-45]。遙感技術(shù)能夠提供作物產(chǎn)量的時(shí)空分布信息，利用遙感信息建模和區(qū)域作物估產(chǎn)已得到廣泛應(yīng)用。目前基于衛(wèi)星遙感技術(shù)估算作物實(shí)際產(chǎn)量的方法有如下幾種：

（1）經(jīng)驗(yàn)?zāi)Ｐ?/p>

早期遙感估產(chǎn)的建模方法主要是建立地面實(shí)測(cè)產(chǎn)量與光譜植被指數(shù)（VI）或遙感反演作物參數(shù)（如LAI）之間的統(tǒng)計(jì)關(guān)系， 并不涉及作物單產(chǎn)的形成機(jī)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(kuò)展的時(shí)空尺度時(shí)存在不確定性[48]，且往往不考慮作物產(chǎn)量形成的復(fù)雜過程，缺乏對(duì)機(jī)理過程的解釋。此外，光譜參數(shù)多元函數(shù)的性質(zhì)也會(huì)增加模型的不確定性[49]。

當(dāng)前，隨著衛(wèi)星遙感數(shù)據(jù)可獲取性和數(shù)據(jù)處理技術(shù)的提高，利用遙感統(tǒng)計(jì)模型的估產(chǎn)方法取得了新進(jìn)展。相較于依賴地面觀測(cè)數(shù)據(jù)的經(jīng)驗(yàn)?zāi)Ｐ停琇obell等提出了一種不需要地面校準(zhǔn)產(chǎn)量數(shù)據(jù)的可擴(kuò)展的衛(wèi)星作物產(chǎn)量制圖新方法（SCYM）[50]。該方法首先利用作物生長模型進(jìn)行多次模擬，將模型的模擬輸出結(jié)果（如LAI和產(chǎn)量），按照以往文獻(xiàn)中已有的經(jīng)驗(yàn)?zāi)Ｐ突蛘呤抢锚?dú)立觀測(cè)數(shù)據(jù)所建立的統(tǒng)計(jì)模型轉(zhuǎn)換為遙感觀測(cè)變量（實(shí)質(zhì)是偽觀測(cè)，如光學(xué)植被指數(shù)），然后將轉(zhuǎn)化后的遙感觀測(cè)變量與模型模擬的產(chǎn)量結(jié)合起來，以訓(xùn)練出一個(gè)線性回歸模型，最后根據(jù)回歸模型和遙感影像觀測(cè)數(shù)據(jù)進(jìn)行產(chǎn)量估算。

相較于傳統(tǒng)線性回歸模型，SCYM的優(yōu)勢(shì)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(gè)觀測(cè)日期的植被指數(shù)（或其他遙感觀測(cè)變量），形成了一個(gè)通用的多元線性回歸模型，以可擴(kuò)展的方式解釋遙感觀測(cè)結(jié)果。該方法最初被應(yīng)用到美國雨養(yǎng)田塊玉米和大豆產(chǎn)量估測(cè)中，運(yùn)用谷歌地球引擎（GEE）云計(jì)算平臺(tái)對(duì)多年的Landsat數(shù)據(jù)進(jìn)行快速預(yù)處理、云掩模，計(jì)算葉綠素植被指數(shù)（GCVI），估算美國中西部的玉米和大豆田塊產(chǎn)量，并以玉米為例分析了田塊內(nèi)和田塊間的產(chǎn)量空間異質(zhì)性，這不僅對(duì)大尺度農(nóng)業(yè)監(jiān)測(cè)和可持續(xù)農(nóng)業(yè)管理具有重要意義，還能夠在更精細(xì)的尺度下跟蹤產(chǎn)量的空間變化[50-52]。這種方法也在小農(nóng)農(nóng)業(yè)系統(tǒng)（Smallholder farming system）中表現(xiàn)出較好的可移植性[53]，并且在產(chǎn)量差研究中得到了應(yīng)用[54-56]。

（2）半經(jīng)驗(yàn)半機(jī)理模型

半經(jīng)驗(yàn)半機(jī)理模型也稱為參數(shù)模型，是指以Monteith首次提出的光能利用率（LUE）概念為基礎(chǔ)的模型[57]。模型指出：（1）在整個(gè)生長季內(nèi)，總生物量產(chǎn)出與作物冠層對(duì)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(duì)恒定的[58]。產(chǎn)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(shí)間（d），n為作物播種至成熟的天數(shù)。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(zhuǎn)變?yōu)樯锪康男剩琀I為收獲指數(shù)。

基于LUE概念的遙感估產(chǎn)模型，通過應(yīng)用遙感信息定量反演產(chǎn)量形成過程中的生物物理參數(shù)或限制因子，實(shí)現(xiàn)作物生物量的動(dòng)態(tài)模擬，并得到單產(chǎn)信息。這里遙感獲取的參數(shù)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(shù)（如NDVI和SR）建立回歸方程來估算，在無法每日獲取遙感數(shù)據(jù)時(shí)通常利用插值方法獲取模型所需的每日fAPAR[59]。其他參數(shù)如：①冠層入射光合有效輻射（PAR）：通常來自于氣象站數(shù)據(jù)或者基于衛(wèi)星遙感數(shù)據(jù)的估算；②光能利用效率（LUE）和收獲指數(shù)（HI），一般被看作為常數(shù)，但實(shí)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(chǎn)量存在較高相關(guān)性，對(duì)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(yīng)用，能夠提供可靠的植被生產(chǎn)力和作物產(chǎn)量估計(jì)值[66-69]。與經(jīng)驗(yàn)?zāi)Ｐ拖啾龋琇UE模型能夠表達(dá)光合有效輻射對(duì)作物產(chǎn)量的影響，但仍存在對(duì)作物生長狀況的過度概括（模型缺少對(duì)作物生長過程的描述）所導(dǎo)致估算產(chǎn)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(jì)關(guān)系以及LUE和HI的時(shí)空分布難以準(zhǔn)確量化，一定程度上限制了該類模型在區(qū)域作物單產(chǎn)估測(cè)中的應(yīng)用[70]。

（3）機(jī)理模型

機(jī)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(cè)均有各自的優(yōu)缺點(diǎn)，利用數(shù)據(jù)同化方法（數(shù)據(jù)同化框架）將二者結(jié)合，可以實(shí)現(xiàn)更為準(zhǔn)確的區(qū)域尺度作物估產(chǎn)[71-72]。同化法是通過調(diào)整作物生長模型中與作物生長發(fā)育和產(chǎn)量有密切相關(guān)并難于獲取的初始條件和參數(shù)，來減小遙感觀測(cè)值與相應(yīng)模型模擬值之間的差距，從而達(dá)到估計(jì)初始值和參數(shù)值的目的[73]。當(dāng)前數(shù)據(jù)同化的方法分為兩種：（1）基于代價(jià)函數(shù)的參數(shù)優(yōu)化方法；（2）基于估計(jì)理論的順序?yàn)V波方法[74]。前者以四維變分（4DVar）為代表，采用整個(gè)同化窗口內(nèi)的觀測(cè)值來重新調(diào)整模型參數(shù)，參數(shù)優(yōu)化精度與遙感觀測(cè)的頻率和時(shí)間點(diǎn)密切相關(guān)，當(dāng)作物模型與輻射傳輸模型耦合時(shí)，優(yōu)化效果主要取決于輻射傳輸模型中的參數(shù)精度，而這些參數(shù)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(cè)的信息順序作用于模型，每一次觀測(cè)值只會(huì)影響從當(dāng)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(zhǔn)確性，這種方法在相對(duì)較小的研究區(qū)域和短同化窗口內(nèi)模擬精度較高[77-78]。當(dāng)前，大區(qū)域同化采用的衛(wèi)星遙感數(shù)據(jù)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(xué)的機(jī)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(chǎn)力，通過收獲指數(shù)或干物質(zhì)累積效率等參數(shù)進(jìn)而轉(zhuǎn)化為經(jīng)濟(jì)產(chǎn)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(jī)理模型還未能實(shí)現(xiàn)，但利用遙感數(shù)據(jù)驅(qū)動(dòng)具有生理生態(tài)學(xué)機(jī)制的作物單產(chǎn)模型已取得很大進(jìn)展[49]。王培娟等利用遙感信息、氣象資料等驅(qū)動(dòng)改進(jìn)后的BEPS模型，并結(jié)合收獲指數(shù)，將冬小麥的凈第一性生產(chǎn)力（NPP）轉(zhuǎn)化為經(jīng)濟(jì)產(chǎn)量，從而實(shí)現(xiàn)對(duì)作物產(chǎn)量的估算[84]。Ju等采用BEPS模型，結(jié)合MODIS土地覆蓋數(shù)據(jù)和LAI，預(yù)測(cè)了2005-2006年江蘇省長江以北地區(qū)夏收糧食作物的產(chǎn)量，結(jié)果顯示遙感驅(qū)動(dòng)的過程模型在預(yù)測(cè)作物產(chǎn)量方面效果顯著[89]；Wang等利用RS-P-YEC模型對(duì)2006年華北平原冬小麥產(chǎn)量進(jìn)行了估算，模擬產(chǎn)量與17個(gè)農(nóng)業(yè)氣象站的觀測(cè)結(jié)果一致，平均相對(duì)誤差為4.6% [90]。

（4）融合機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的遙感估產(chǎn)

近年來，隨著計(jì)算技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法已被廣泛用于農(nóng)作物遙感估產(chǎn)。機(jī)器學(xué)習(xí)方法，如回歸樹、隨機(jī)森林和多元回歸等，通常將作物產(chǎn)量作為輸入變量（如天氣組分和土壤條件）的隱函數(shù)以進(jìn)行產(chǎn)量預(yù)測(cè)[91-92]，但這種方法可能較為復(fù)雜。此外，機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)方法無法捕獲輸入和輸出變量之間的非線性關(guān)系[93]。而深度學(xué)習(xí)作為一種重要的機(jī)器學(xué)習(xí)方法，具有多層神經(jīng)網(wǎng)絡(luò)，可以分析巨大的數(shù)據(jù)集，能夠從非結(jié)構(gòu)化和未標(biāo)記的樣本數(shù)據(jù)中進(jìn)行監(jiān)督、半監(jiān)督和無監(jiān)督學(xué)習(xí)[94]。與傳統(tǒng)機(jī)器學(xué)習(xí)方法相比，深度學(xué)習(xí)在衛(wèi)星圖像特征提取（如植被指數(shù)和氣象數(shù)據(jù)）方面具有優(yōu)勢(shì)，提取的特征組合能夠較準(zhǔn)確描述遙感植被指數(shù)（VIs）和作物產(chǎn)量之間的復(fù)雜非線性關(guān)系，因而估產(chǎn)準(zhǔn)確性也更好[95-96]。

現(xiàn)有的深度學(xué)習(xí)方法包括人工神經(jīng)網(wǎng)絡(luò)（ANN）、深度神經(jīng)網(wǎng)絡(luò)（DNN）、貝葉斯神經(jīng)網(wǎng)絡(luò)（BNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和長短期記憶網(wǎng)絡(luò)（LSTM）[94]等。其中， LSTM和CNN是作物估產(chǎn)領(lǐng)域使用最廣泛和最有效的深度學(xué)習(xí)方法[97-99]。Wang等基于LSTM和CNN開發(fā)了一個(gè)兩分支的深度學(xué)習(xí)模型，結(jié)合遙感、氣象和土壤數(shù)據(jù)，利用去趨勢(shì)的統(tǒng)計(jì)產(chǎn)量數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練，以估算中國主要種植區(qū)冬小麥產(chǎn)量，并對(duì)預(yù)測(cè)產(chǎn)量進(jìn)行了不確定性分析。結(jié)果表明，產(chǎn)量預(yù)測(cè)至少可以在收獲前一個(gè)月實(shí)現(xiàn)，且精度較高[100]。Wolanin等將深度神經(jīng)網(wǎng)絡(luò)用于訓(xùn)練植被指數(shù)和氣象數(shù)據(jù)的時(shí)間序列，來估計(jì)印度小麥產(chǎn)量，并探討如何利用深度學(xué)習(xí)方法提高產(chǎn)量預(yù)測(cè)性能，同時(shí)保持模型對(duì)估產(chǎn)結(jié)果的可解釋性[101]。Xie等探索了將深度學(xué)習(xí)、遙感數(shù)據(jù)和作物生長模型相結(jié)合估計(jì)區(qū)域作物產(chǎn)量的可行性，利用CERES-Wheat模型模擬的LAI序列和產(chǎn)量數(shù)據(jù)訓(xùn)練LSTM、一維卷積神經(jīng)網(wǎng)絡(luò)（1-D CNN）和隨機(jī)森林（RF）模型，將訓(xùn)練后的模型與MODIS反演的時(shí)序LAI數(shù)據(jù)相結(jié)合，逐像元估算河南省小麥產(chǎn)量。結(jié)果顯示，LSTM模型產(chǎn)量估計(jì)精度最高[102]。

總體而言，上述幾種方法各有優(yōu)缺點(diǎn)。傳統(tǒng)經(jīng)驗(yàn)回歸模型應(yīng)用范圍較窄，且難以解釋自變量與作物產(chǎn)量之間的復(fù)雜非線性關(guān)系。生態(tài)過程模型是估算自然植被凈第一性生產(chǎn)力較為合理的方法，但模型往往比較復(fù)雜，需要根據(jù)植被類型確定相應(yīng)的植被參數(shù)；數(shù)據(jù)同化方法的挑戰(zhàn)在于，需要本地校準(zhǔn)和大量輸入?yún)?shù)（如作物特性、田間管理、氣象和土壤數(shù)據(jù)）來模擬作物生長過程，同時(shí)較高的觀測(cè)分辨率導(dǎo)致數(shù)據(jù)同化系統(tǒng)的計(jì)算成本增加，使得其在實(shí)際應(yīng)用中難以大規(guī)模實(shí)現(xiàn)。SCYM方法利用作物模型模擬替代了田間測(cè)量，其數(shù)據(jù)和計(jì)算要求較低，比數(shù)據(jù)同化方法更容易實(shí)現(xiàn)，但其所建立的線性回歸模型依然難以處理模擬變量與實(shí)際產(chǎn)量之間的非線性關(guān)系。融合深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的遙感估產(chǎn)方法作為近幾年的研究熱點(diǎn)，其主要挑戰(zhàn)是如何改進(jìn)算法以獲得更高的精度，同時(shí)也存在黑箱屬性問題需要進(jìn)一步探討。因此，在實(shí)際應(yīng)用中，需要根據(jù)研究需求選擇合適的方法，同時(shí)加強(qiáng)對(duì)估產(chǎn)方法和算法的改進(jìn)。

2.2 產(chǎn)量差估算

產(chǎn)量差估算的一個(gè)重要環(huán)節(jié)是合理量化產(chǎn)量潛力。目前常用的作物潛在產(chǎn)量估算方法包括：田間試驗(yàn)、高產(chǎn)示范、高產(chǎn)農(nóng)戶產(chǎn)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(chǎn)量潛力最常用的方法[103]。

根據(jù)站點(diǎn)收集的數(shù)據(jù)（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(chǎn)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(zhǔn)確獲取，這導(dǎo)致作物生長模型在模擬區(qū)域潛在產(chǎn)量時(shí)會(huì)出現(xiàn)較大誤差。而遙感技術(shù)可為模型提供實(shí)時(shí)的環(huán)境參數(shù)，使模擬過程更加貼近實(shí)際情況。因此，將遙感方法和作物生長模型（或其他機(jī)理模型）相結(jié)合，為量化產(chǎn)量潛力和開展區(qū)域作物產(chǎn)量差定量研究提供了新契機(jī)（表1）。根據(jù)是否采用作物生長模型估算產(chǎn)量潛力，總結(jié)出利用衛(wèi)星遙感技術(shù)估算區(qū)域作物產(chǎn)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(chǎn)量潛力的基礎(chǔ)上，基于遙感和模型的產(chǎn)量差估算 這種方法的較早應(yīng)用案例是王純枝等運(yùn)用PS123模型分別模擬河北邯鄲地區(qū)小麥的光溫生產(chǎn)力（PS-1）和水分限制生產(chǎn)力（PS-2），同時(shí)將遙感反演的作物冠層溫度與PS123模型結(jié)合，建立了遙感-作物生長模擬復(fù)合模型PS-X，對(duì)模型所需的土壤、氣候及管理等數(shù)據(jù)進(jìn)行空間插值，進(jìn)而模擬了小麥的區(qū)域產(chǎn)量，并對(duì)PS-1、PS-2和PS-X不同水平之間的產(chǎn)量差進(jìn)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(chǎn)量，另一方面采用RapidEye衛(wèi)星影像識(shí)別玉米田塊，通過遙感獲取的加權(quán)差值植被指數(shù)（WDVI）估算地面覆蓋，并建立地面覆蓋與實(shí)測(cè)產(chǎn)量之間的回歸模型，然后將回歸模型應(yīng)用于區(qū)域?qū)嶋H產(chǎn)量計(jì)算，最終生成了基于潛在產(chǎn)量和實(shí)際產(chǎn)量的田塊尺度產(chǎn)量差圖，這對(duì)于確定特定地區(qū)產(chǎn)量差的原因以及精準(zhǔn)的農(nóng)業(yè)生產(chǎn)管理具有重要作用[105]； Farmaha等利用Hybrid-Maize模型模擬美國內(nèi)布拉斯加州3個(gè)主要的灌溉玉米種植區(qū)的產(chǎn)量潛力，同時(shí)基于SCYM方法[49]，將模型模擬的產(chǎn)量潛力用于訓(xùn)練由模擬產(chǎn)量、遙感提取的葉綠素植被指數(shù)（GCVI）、天氣變量（平均溫度和太陽輻射）以及緯度所構(gòu)建的多元回歸模型，以估算實(shí)際產(chǎn)量，進(jìn)而計(jì)算出2004-2013年該地區(qū)的玉米產(chǎn)量差，并分析了產(chǎn)量差的時(shí)序一致性，量化持續(xù)性因素對(duì)產(chǎn)量差的相對(duì)貢獻(xiàn)[53]。與前面基于站點(diǎn)的產(chǎn)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(jì)算玉米生育期內(nèi)的輻射量，然后利用CERES-Maize模型模擬站點(diǎn)的潛在產(chǎn)量，再進(jìn)一步將模擬的站點(diǎn)潛在產(chǎn)量與玉米生長期間的累積輻射量進(jìn)行回歸建模，并將模型應(yīng)用于整個(gè)研究區(qū)以逐像元模擬輻射限制潛在產(chǎn)量，最后結(jié)合遙感統(tǒng)計(jì)模型估算的實(shí)際產(chǎn)量，估算了伊朗Golestan省的玉米產(chǎn)量差[106]。這種逐像元計(jì)算潛在產(chǎn)量和實(shí)際產(chǎn)量的方式，能夠減小輻射差異導(dǎo)致的區(qū)域平均產(chǎn)量差的誤差。

2.2.2 在利用遙感觀測(cè)實(shí)際產(chǎn)量估算產(chǎn)量潛力的基礎(chǔ)上，基于遙感和模型的產(chǎn)量差估算 與采用作物生長模型估算潛在產(chǎn)量的方法不同，該方法主要是根據(jù)遙感觀測(cè)的實(shí)際產(chǎn)量分布來獲取潛在產(chǎn)量基準(zhǔn)，并與實(shí)際產(chǎn)量進(jìn)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(shí)際產(chǎn)量的空間范圍內(nèi)，將監(jiān)測(cè)得到的最大產(chǎn)量作為潛在產(chǎn)量基準(zhǔn)來估算產(chǎn)量差。這種做法的前提是部分農(nóng)戶的田間產(chǎn)量達(dá)到了產(chǎn)量潛力。這種方法通常都沒有獨(dú)立試驗(yàn)數(shù)據(jù)來驗(yàn)證其有效性，如果存在或者能獲取此類數(shù)據(jù)，也就無需進(jìn)行假設(shè)了[58]。Bastiaanssen等利用AVHRR數(shù)據(jù)對(duì)巴基斯坦的多種作物產(chǎn)量差進(jìn)行的研究[108]以及Lobell等使用Landsat數(shù)據(jù)量化土壤、氣候及管理方式對(duì)墨西哥小麥生產(chǎn)力的影響[41]就是應(yīng)用這種方法的典型案例。但是，在上述兩個(gè)案例中，研究者并沒有使用該地區(qū)產(chǎn)量的單一最大值作為潛在產(chǎn)量，而是利用實(shí)際產(chǎn)量分布的高百分位數(shù)（如第95百分位）作為產(chǎn)量潛力基準(zhǔn)，并進(jìn)一步分析區(qū)域作物產(chǎn)量差。

然而，不管是使用實(shí)際產(chǎn)量分布的高百分位數(shù)還是最大值來估算產(chǎn)量差，都是將單一的潛在產(chǎn)量值應(yīng)用于整個(gè)區(qū)域。這對(duì)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(chǎn)量差分析方法將會(huì)引起較大誤差[58]。

二是遙感空間范圍內(nèi)，逐像元估算潛在產(chǎn)量。在以像元為中心的一個(gè)較小區(qū)域范圍內(nèi)（例如5 km2），該像元的產(chǎn)量潛力可計(jì)算為該范圍內(nèi)像元實(shí)際產(chǎn)量分布的高百分位，如第95或99百分位。這種形式的產(chǎn)量潛力更能反映可達(dá)到的潛在產(chǎn)量，并且有助于量化產(chǎn)量潛力以及理解不同因素對(duì)產(chǎn)量差的貢獻(xiàn)[109]。雖然這種方法依然建立在局部范圍內(nèi)潛在產(chǎn)量已經(jīng)實(shí)現(xiàn)的假設(shè)前提下，但是能夠在量化產(chǎn)量空間變化的同時(shí)，利用遙感的手段探測(cè)到產(chǎn)量潛力的空間變化。Wang等運(yùn)用BEPS過程模型估算水稻的實(shí)際產(chǎn)量，同時(shí)根據(jù)氣候、土壤和地形等因素開發(fā)機(jī)器學(xué)習(xí)算法將研究區(qū)劃分為若干個(gè)均勻同質(zhì)的分區(qū)，并將各分區(qū)內(nèi)實(shí)際產(chǎn)量的第95百分位作為分區(qū)潛在產(chǎn)量，進(jìn)而評(píng)估了2006-2017年間中國東北地區(qū)水稻產(chǎn)量和產(chǎn)量差的時(shí)空分布。結(jié)果表明，基于遙感的過程模型合理估算了實(shí)際產(chǎn)量，縣域尺度的產(chǎn)量均方根誤差（RMSE）低于20%，同時(shí)基于分區(qū)方案估算的潛在產(chǎn)量能夠更好地描述潛在產(chǎn)量的空間變化，說明利用遙感過程模型評(píng)估區(qū)域產(chǎn)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(chǎn)量潛力、實(shí)際產(chǎn)量以及產(chǎn)量差的新方法。通過開發(fā)一種基于過程的遙感作物產(chǎn)量模型（PRYM-Maize），首先利用MODIS NDVI時(shí)序數(shù)據(jù)提取的物候信息（出苗期和收獲期）驅(qū)動(dòng)改進(jìn)后的作物產(chǎn)量模型來模擬實(shí)際產(chǎn)量（Ya），然后利用MODIS EVI數(shù)據(jù)反演的LAI時(shí)序數(shù)據(jù)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(chǎn)量（YP0）和產(chǎn)量潛力（YP），進(jìn)而估算2010-2015年華北平原夏玉米產(chǎn)量差，并量化了播期對(duì)產(chǎn)量差的影響[109]。結(jié)果表明，改進(jìn)后的PRYM-Maize模型合理估算了夏玉米的Ya，但模型的準(zhǔn)確性受到遙感數(shù)據(jù)的限制；模擬的YP與基于作物生長模型模擬的結(jié)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(chǎn)量，而后者將遙感與作物生長模型結(jié)合估算實(shí)際產(chǎn)量，并基于田間產(chǎn)量已達(dá)到產(chǎn)量潛力的假設(shè)，在遙感估測(cè)的實(shí)際產(chǎn)量范圍內(nèi)來量化潛在產(chǎn)量。總體來說，利用遙感技術(shù)結(jié)合作物生長模型來估算作物產(chǎn)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(duì)氣象數(shù)據(jù)和管理措施的依賴，另一方面彌補(bǔ)了作物生長模型空間應(yīng)用的局限性，同時(shí)也能避免單一產(chǎn)量潛力適應(yīng)于整個(gè)研究區(qū)的假設(shè)，因此遙感技術(shù)和模型模擬的結(jié)合在區(qū)域作物產(chǎn)量差估算中表現(xiàn)更好。

3 產(chǎn)量差成因分析方法

產(chǎn)量差成因分析對(duì)于認(rèn)識(shí)作物生產(chǎn)力現(xiàn)狀和制定預(yù)期產(chǎn)量目標(biāo)至關(guān)重要[117]。為提高區(qū)域生產(chǎn)力，除了要量化產(chǎn)量差以確定增產(chǎn)的潛力空間外，還需要分析造成產(chǎn)量差的因素，量化其限制程度，以制定縮小產(chǎn)量差的策略和措施，提高農(nóng)田生產(chǎn)力[17]。

根據(jù)對(duì)產(chǎn)量差的相對(duì)貢獻(xiàn)，可以將產(chǎn)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(zhì)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(píng)估并量化這些因素尤其是持久性因素對(duì)產(chǎn)量和產(chǎn)量差持續(xù)性的影響，將有助于在既定種植制度下，明確經(jīng)濟(jì)有效和環(huán)境無害的持久性因素改善方案，以縮小產(chǎn)量差[52]。持久性因素進(jìn)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(duì)產(chǎn)量差產(chǎn)生相當(dāng)大的貢獻(xiàn)[53， 119]。因此，研究產(chǎn)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(chǎn)量。

目前，利用遙感技術(shù)分析作物產(chǎn)量差成因主要有兩種方法：一種是完全依賴于遙感觀測(cè)產(chǎn)量圖本身的時(shí)空模式；另一種是將遙感獲得的產(chǎn)量圖與所認(rèn)定的產(chǎn)量限制因素的輔助數(shù)據(jù)集（如田間管理或土壤條件等）進(jìn)行比較。

3.1 基于遙感觀測(cè)產(chǎn)量的時(shí)空模式

這種方法主要是通過遙感觀測(cè)產(chǎn)量的時(shí)空模式來分析產(chǎn)量差的持續(xù)性，從而相對(duì)快速地評(píng)估和挖掘分析限制因素類型[58]。也就是說，不同的遙感觀測(cè)產(chǎn)量時(shí)空模式將代表不同類型的產(chǎn)量限制因素。例如，如果產(chǎn)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(chǎn)量將會(huì)呈現(xiàn)相對(duì)平穩(wěn)變化；相比之下，如果產(chǎn)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(chǎn)量變化將會(huì)很大。

從空間上來說，產(chǎn)量的空間變化與引起產(chǎn)量差的限制因素有著明顯的相關(guān)性。早期的研究正是利用遙感數(shù)據(jù)來估算實(shí)際產(chǎn)量，然后根據(jù)實(shí)際產(chǎn)量的變化，以確定導(dǎo)致產(chǎn)量差的因素[118，120]。但是這種相關(guān)性也是潛在受限的。尤其是，當(dāng)一個(gè)地區(qū)所有田塊的產(chǎn)量均遠(yuǎn)低于產(chǎn)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(chǎn)量以接近產(chǎn)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(dǎo)，這種限制因素對(duì)區(qū)域整體生產(chǎn)力都是具有約束力的[121]。從時(shí)間上來說，分析不同時(shí)間產(chǎn)量的空間分布能夠有助于了解導(dǎo)致產(chǎn)量差的原因。單一年份觀測(cè)到的產(chǎn)量分布范圍較廣且不對(duì)稱（產(chǎn)量空間差異較大），往往是由非持久性因素造成的；而長時(shí)間序列上的平均產(chǎn)量則表現(xiàn)出了較窄的產(chǎn)量分布（產(chǎn)量空間變異性較小），這是由于引起產(chǎn)量差異的非持久性因素隨著時(shí)間的推移逐漸消失[41]。通過提取實(shí)際產(chǎn)量分布的一些關(guān)鍵統(tǒng)計(jì)數(shù)據(jù)，例如最大產(chǎn)量或產(chǎn)量分布第95或99百分位，然后將其和平均產(chǎn)量進(jìn)行比較，構(gòu)建產(chǎn)量差曲線，可以深入了解整個(gè)研究時(shí)段產(chǎn)量差的持續(xù)性，以及持續(xù)性因素在解釋產(chǎn)量差方面的重要性，從而明確縮小產(chǎn)量差的潛在途徑[42，120]。

3.2 遙感觀測(cè)產(chǎn)量圖結(jié)合輔助數(shù)據(jù)集

這種方法適用于有輔助數(shù)據(jù)集可獲取和可利用的情況。對(duì)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(cè)產(chǎn)量數(shù)據(jù)構(gòu)建產(chǎn)量差曲線，確定產(chǎn)量差的持續(xù)性是否存在[58]。若存在，則進(jìn)一步利用更長時(shí)間序列的平均產(chǎn)量圖，對(duì)引起產(chǎn)量變化的限制因素和所需的輔助數(shù)據(jù)集提出假設(shè)，然后利用統(tǒng)計(jì)分析方法來評(píng)估每個(gè)因素在驅(qū)動(dòng)產(chǎn)量變化方面的相對(duì)重要性。而對(duì)于可獲取遙感影像較少而有其他類型輔助數(shù)據(jù)集的地區(qū)，則優(yōu)先考慮對(duì)個(gè)別年份的數(shù)據(jù)進(jìn)行詳細(xì)分析，隨后用多年數(shù)據(jù)來檢驗(yàn)上述分析中確定的限制因素是否合理。

例如，Zhao等在評(píng)估華北平原玉米產(chǎn)量的異質(zhì)性和持續(xù)性時(shí)，首先假設(shè)土壤和水導(dǎo)致了持續(xù)的玉米產(chǎn)量差，然后利用1980年中國土壤調(diào)查數(shù)據(jù)集和河流數(shù)據(jù)集，在區(qū)域內(nèi)隨機(jī)抽取3 000個(gè)點(diǎn)，并對(duì)多年平均產(chǎn)量、土壤屬性以及田塊距河流的距離之間進(jìn)行線性回歸，以分析平均產(chǎn)量與土壤性質(zhì)之間的關(guān)系[116]。Farmaha等人使用遙感-作物模型，并結(jié)合10年約3 000個(gè)高產(chǎn)玉米田塊的實(shí)際產(chǎn)量和作物管理數(shù)據(jù)集，來分析持久性和非持久性因素對(duì)美國內(nèi)布拉斯加州玉米產(chǎn)量差的相對(duì)貢獻(xiàn)。結(jié)果顯示，雖然持久性因素對(duì)玉米產(chǎn)量差的貢獻(xiàn)相對(duì)較小，但由于土壤類型和土壤均質(zhì)性不同導(dǎo)致地區(qū)之間產(chǎn)量差異較大，這說明在產(chǎn)量接近產(chǎn)量潛力的高產(chǎn)作物系統(tǒng)中，縮小地區(qū)間產(chǎn)量差距的空間依然存在[54]。

除了用于估算產(chǎn)量差之外，遙感方法在收集產(chǎn)量差限制因素分析數(shù)據(jù)方面也具有較大應(yīng)用潛力，能一定程度彌補(bǔ)傳統(tǒng)方法（如農(nóng)戶調(diào)查）在獲取田間管理和地理空間數(shù)據(jù)等方面的不足[122]。目前，遙感技術(shù)在田塊識(shí)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(jī)質(zhì)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(cè)[133]以及土地平整度[134]）等方面的獲取都取得了較大進(jìn)展，這些研究成果為進(jìn)一步利用遙感技術(shù)解析區(qū)域作物產(chǎn)量差奠定了基礎(chǔ)。另外，產(chǎn)量差成因分析除了要考慮引起產(chǎn)量變化的生理生態(tài)因素外，還需要考慮作物種植的社會(huì)經(jīng)濟(jì)背景因素[135]。

4 展望

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

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

（1）①針對(duì)衛(wèi)星數(shù)據(jù)的時(shí)空分辨率問題，可利用時(shí)空融合算法（如STARFM或增強(qiáng)型STARFM）來融合不同傳感器的觀測(cè)數(shù)據(jù)，在更精細(xì)的空間尺度上生成高時(shí)間分辨率數(shù)據(jù)以監(jiān)測(cè)作物生長和預(yù)測(cè)產(chǎn)量，同時(shí)也要系統(tǒng)合理地評(píng)估數(shù)據(jù)融合對(duì)于改善作物監(jiān)測(cè)的效果。②綜合使用多源和多時(shí)相高分辨率影像數(shù)據(jù)，結(jié)合衛(wèi)星數(shù)據(jù)的光譜、紋理和物候特征加強(qiáng)復(fù)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(chǎn)量制圖方法存在低成本和低數(shù)據(jù)需求的優(yōu)勢(shì)，但其在估產(chǎn)方面仍需要進(jìn)一步改進(jìn)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(cè)，而深度學(xué)習(xí)方法雖然比線性回歸模型更好地處理遙感植被指數(shù)（VIs）與作物產(chǎn)量之間的非線性關(guān)系，但深度學(xué)習(xí)模型的訓(xùn)練需要大量的田間觀測(cè)數(shù)據(jù)，因此，將機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法和作物生長模型相結(jié)合，或?qū)⑹菍?duì)SCYM的有效改進(jìn)。

（2）根據(jù)研究區(qū)域和研究目標(biāo)，選擇適用于當(dāng)?shù)刈魑锂a(chǎn)量潛力的估算方法，客觀評(píng)價(jià)當(dāng)?shù)貧夂驐l件下作物的產(chǎn)量潛力。不論是利用機(jī)理模型（如作物生長模型）還是基于遙感觀測(cè)產(chǎn)量來量化潛在產(chǎn)量，都需要考慮到大區(qū)域范圍內(nèi)的空間異質(zhì)性問題，在必要的時(shí)候結(jié)合空間分區(qū)方案，將站點(diǎn)的模型模擬值升尺度或者遙感的觀測(cè)值降尺度。另外，通過進(jìn)一步改進(jìn)和完善現(xiàn)有的遙感估產(chǎn)模型，減少對(duì)作物生長模型的依賴以及避免大范圍的數(shù)據(jù)輸入，將進(jìn)一步提高區(qū)域產(chǎn)量差估算精度。

（3）對(duì)于產(chǎn)量差時(shí)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(nèi)空間異質(zhì)性較小，同時(shí)也要包含足夠的樣本田塊。現(xiàn)有研究在空間尺度對(duì)區(qū)域產(chǎn)量差的影響方面還缺乏分析，這是一個(gè)值得進(jìn)一步研究的課題。其次，在數(shù)據(jù)可獲得前提下，將遙感技術(shù)與其他產(chǎn)量差研究方法進(jìn)行比較和整合，同時(shí)輔助于土壤和作物管理等空間數(shù)據(jù)集，以確定產(chǎn)量差的形成因素，進(jìn)一步提高對(duì)區(qū)域產(chǎn)量差的研究水平。

參考文獻(xiàn)：

[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(duì)中國不同區(qū)域馬鈴薯產(chǎn)量差的影響[J]. 湖北農(nóng)業(yè)科學(xué)， 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(chǎn)量差研究與展望[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào)， 2009， 17（6）： 1283-1287.

[6] 楊曉光，劉志娟. 作物產(chǎn)量差研究進(jìn)展[J]. 中國農(nóng)業(yè)科學(xué)， 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(chǎn)量差及分布特征研究[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)， 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(chǎn)量差研究進(jìn)展[J]. 氣象與環(huán)境學(xué)報(bào)， 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(chǎn)量差評(píng)估及長江中下游地區(qū)增產(chǎn)途徑探究[D]. 武漢： 華中農(nóng)業(yè)大學(xué)， 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(nóng)戶尺度的聞喜縣冬小麥產(chǎn)量差及生產(chǎn)限制因素分析[J]. 山西農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)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(chǎn)量差時(shí)空分布特征[J]. 中國農(nóng)業(yè)科學(xué)， 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(chǎn)量差時(shí)空分布特征[J]. 中國農(nóng)業(yè)科學(xué)， 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(chǎn)量差的時(shí)空特征分析[J]. 江蘇農(nóng)業(yè)科學(xué)， 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(nóng)情監(jiān)測(cè)與估產(chǎn)的運(yùn)行化遙感方法[J]. 地理學(xué)報(bào)， 2000， 55（1）： 25-35.

[44]孟慶巖，李強(qiáng)子，吳炳方. 農(nóng)作物單產(chǎn)預(yù)測(cè)的運(yùn)行化方法[J]. 遙感學(xué)報(bào)， 2004， 8（6）： 603-610.

[45]代立芹，吳炳方，李強(qiáng)子，等. 作物單產(chǎn)預(yù)測(cè)方法研究進(jìn)展[J]. 農(nóng)業(yè)網(wǎng)絡(luò)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(chǎn)估測(cè)模型研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 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(nóng)作物單產(chǎn)遙感估算模型研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 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(qiáng)，陳仲新，唐華俊，等. 基于植物凈初級(jí)生產(chǎn)力模型的區(qū)域冬小麥估產(chǎn)研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 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(jié)合方法和應(yīng)用——研究進(jìn)展[J]. 自然災(zāi)害學(xué)報(bào)， 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(shù)據(jù)同化應(yīng)用綜述[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 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(chǎn)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 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(chǎn)量差估算[D]. 荊州： 長江大學(xué)， 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(chǎn)量潛力與產(chǎn)量差研究進(jìn)展[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào)， 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(chǎn)量差估測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 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(zé)任編輯：石春林）

收稿日期：2022-06-09

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃（政府間國際合作）項(xiàng)目（2021YFE0104400）；江蘇省自然科學(xué)基金項(xiàng)目 （BK20200281） ；江蘇省農(nóng)業(yè)科技自主創(chuàng)新基金項(xiàng)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(nóng)業(yè)遙感與作物模型估產(chǎn)研究。（E-mail）20140029@jaas.ac.cn

通訊作者：邱 琳，（E-mail）qiulin_81@163.com