农业干旱卫星遥感预测研究进展

基于卫星遥感预测农业干旱有两种方法，一种方法是在干旱监测的基础上，通过干旱时空预测模型对未来时间段内的农业干旱状况进行模拟;另一种方法是在作物生长模型的基础上，改进其水分胁迫模块，构建作物干旱监测模型，将遥感观测作为同化干旱胁迫的中间变量，并结合短、中、长期气象数据进行农业干旱预测。

基于干旱指数的农业干旱预测

基于遥感干旱指数预测农业干旱具有重要研究价值。这类研究主要是以时间序列遥感干旱指数作为输入数据并基于时序分析等方法预测未来时间段内的干旱变化。例如，韩萍等运用求和自回归移动平均(Auto Regressive Integrated Moving Average，ARIMA)模型对VTCI时空序列进行分析建模并开展冬小麦生长季内干旱分析预测，结果表明基于该模型的1~2步预测可以较好地预测区域干旱变化情况。李俐等应用ARIMA模型和季节性求和自回归移动平均(Seasonal Auto Regressive Integrated Moving Average，SARIMA)模型对夏玉米生长季内的VTCI进行建模预测，结果表明ARIMA模型具有比SARIMA模型更高的VTCI预测精度，且基于ARIMA模型的VTCI 1~3步预测在多个年份间具有较稳定的精度表现。

历史干旱数据呈现大数据特征，人工智能算法可有效挖掘历史年份的数据特征，进一步提高干旱预测精度。近年来，研究人员开始基于神经网络和深度学习的方法进行干旱预测，取得了较好的结果。随着遥感技术的快速发展，遥感反演地面上干旱指数本身已具备空间大数据特征，此外随着多卫星传感器的组合使用，遥感干旱指数也具有越来越高的时间维度。目前，针对遥感干旱指数，基于机器学习算法的农业干旱预测研究还较少，这将是未来的一个研究热点。

基于作物生长模型的农业干旱预测

农业干旱预测的落脚点为预测干旱对作物长势的影响程度。从这一角度考虑，基于作物生长模型的农业干旱预测方法具有重要研究价值。作物生长模型依靠气象数据进行驱动，通过引入未来一段时间内的气象预报数据，可以有效模拟作物在未来时间段的生长状态并预报作物的干旱胁迫状态。

此外，将作物生长模拟与农业干旱监测相结合，对作物生长模型进行改进，以实现对农业干旱的监测与预警。例如，吴熠婷等利用天气发生器LarsWG5.5模拟未来时间段内的气象数据并将其输入校准后的作物生长模型，进而预测气候变化条件下冬小麦产量并评估减产风险。

遥感观测可以及时反映地表的瞬时状态，有效监测农业干旱程度。对于上述干旱预测模型而言，引入相关遥感观测量可以进一步提高模型的预测能力。因此，将气象、水利和农业农村部门提供的中长期气象数据作为这些模型的输入数据，运用数据同化技术，耦合遥感观测量(如土壤水分)与模型模拟值，可以有效提高模型的农业干旱预测能力。

例如，王治海等基于改进后的ARID CROP模型，利用AMSR-E传感器获取的区域农田水分信息作为模型中间变量，从而预测农业干旱的动态变化，结果表明将遥感观测信息引入改进后的作物生长模型能有效提高冬小麦生长发育的预测能力和区域农业干旱的预测精度。