时间序列遥感作物生长进程监测是利用多时相遥感数据追踪农作物从播种到收获整个生育期内生长状态变化的技术方法。作物生长是一个动态过程，不同生育阶段呈现不同的光谱特征和形态特征，通过时间序列分析能够提取作物物候信息、监测生长异常、预测收获时间。卫星遥感提供的周期性观测数据与作物生长节律相匹配，使得大范围、长时间跨度的作物生长监测成为可能。时间序列遥感监测不仅能够识别作物类型，更能揭示作物生长发育的时间维信息，为作物产量早期预测、农业管理措施效果评估、气候变化影响分析等提供科学依据。

时间序列遥感作物生长监测是精准农业和农业遥感应用的核心技术之一。传统作物监测依赖统计部门逐级上报数据，存在时效性差、空间分辨率粗、人为干扰等问题。遥感技术提供的客观、动态、空间连续的观测数据，能够更真实反映作物生长实际状况。时间序列分析方法通过挖掘多时相数据的变化规律，识别作物关键物候节点，量化生长速度和生长质量，已成为作物生长监测的主流技术手段。

在技术应用层面，时维遥感建立了覆盖主要粮食产区的作物生长遥感监测业务系统，整合国产高分系列卫星、国产环境减灾卫星、国际Sentinel系列卫星等多源数据，实现主要作物从播种到收获的全程跟踪监测。系统每周更新监测产品，为农业管理部门提供作物长势、旱涝灾害、病虫害影响等信息支撑，服务农业产量预测和市场调控决策。

时间序列遥感数据基础

主要遥感数据源及其特征

作物生长监测需要时间分辨率较高的遥感数据支持，以捕捉作物物候变化。常用数据源包括MODIS、Sentinel-2、Landsat、国产GF系列卫星等。MODIS传感器搭载于Terra和Aqua卫星，每天可提供全球覆盖数据，空间分辨率250至1000米，适合区域至全球尺度监测；Sentinel-2双星协同实现5天重访周期，多光谱波段设置优化植被监测，空间分辨率10至60米，适合田块尺度监测；Landsat系列提供40余年历史数据积累，适合长期趋势分析。

不同数据源的光谱分辨率、空间分辨率、时间分辨率各具特点，需要根据应用需求选择。单一时序数据常受云雨遮挡影响，数据缺失影响连续监测；多源数据融合可提高数据可用性和时空完整性。时维遥感研发的多源遥感数据协同处理模块，能够自动整合多种数据源生成时间序列数据集，有效解决数据缺失问题。

时间序列数据预处理

时间序列遥感数据预处理是保障监测精度的前提。预处理流程包括辐射校正、大气校正、云检测与填充、重采样等步骤。辐射校正将原始DN值转换为物理量，确保不同时间数据可比性；大气校正消除大气散射吸收影响，获取地表真实反射率；云检测识别云覆盖像元，避免云层干扰。

时间序列数据缺失是常见问题，需要进行插值填充。常用插值方法包括线性插值、S-G滤波、MVC（最大值合成）、Whittaker平滑等。线性插值简单但可能引入噪声；S-G（Savitzky-Golay）滤波在保持曲线趋势的同时平滑噪声；MVC取窗口内最大值，减少云层影响但可能高估植被指数；Whittaker平滑通过正则化约束同时实现去噪和插值。时维遥感平台集成了多种时间序列重建算法，可根据数据质量自动选择最优处理策略。

作物物候期遥感提取方法

基于植被指数阈值法

植被指数阈值法是物候期提取的经典方法。作物从播种到收获的生长期内，植被指数呈先升后降的抛物线型时序曲线，选取特定阈值对应的日期作为物候节点。例如，NDVI达到最大值50%的日期对应作物抽穗期；NDVI从0.2增至0.5的日期对应作物返青期或出苗期。阈值设定需要根据作物类型和地区特点确定。

阈值法的优点是原理简单、易于实现；缺点是阈值主观性强、受数据噪声影响较大。当时间序列数据受云层干扰严重时，提取的物候期可能偏离实际情况。改进方法包括动态阈值法（根据年度最高值和最低值确定阈值）、双 logistic函数拟合法（用数学函数拟合时序曲线再提取特征日期）等。

基于函数拟合法

函数拟合法用数学函数描述植被指数时序变化，通过拟合参数提取物候信息。常用拟合函数包括Gaussian函数、Logistic函数、多项式函数、双逻辑斯蒂函数（double logistic）等。函数拟合能够有效平滑数据噪声，获取连续可导的时序曲线，便于提取任意阈值对应的物候日期。

双逻辑斯蒂函数是植被指数时序拟合的常用方法，函数形式为两个S型曲线组合，分别描述植被指数上升和下降过程，拟合参数包括上升速率、下降速率、物候转换时间等。函数拟合法提取的物候期精度高于阈值法，特别适用于数据质量较差的情况。时维遥感采用改进双逻辑斯蒂函数进行作物物候期提取，在东北玉米产区和黄淮海小麦产区的验证表明，物候期提取误差小于5天。

基于变化检测法

变化检测法通过检测植被指数时间序列的突变点识别物候转换。作物从营养生长向生殖生长转换、从绿期向衰老转换时，植被指数会发生显著变化，变化检测算法能够自动识别这些转折点。常用变化检测方法包括一阶导数法（导数极值点对应快速变化期）、二阶导数法（二阶导数为零对应拐点）、BFAST方法（Breakpoint detection）等。

一阶导数法计算植被指数时序的一阶差分，导数绝对值的极值点对应植被指数快速变化的日期，即物候转换关键节点。例如，冬小麦返青期NDVI快速上升，拔节期后上升速率减缓，抽穗期达到峰值后开始下降。BFAST等方法能够同时检测渐变和突变，适用于复杂时序模式分析。变化检测法的优势在于无需先验知识，适合新种植结构区域分析。

作物长势动态监测技术

长势评价指标体系

作物长势是表征作物生长状况和产量潜力的综合指标。遥感长势监测通过植被指数及其动态变化评估作物生长优劣。常用长势评价指标包括当前植被指数值、植被指数与历史同期均值对比（距平）、植被指数变化速率、作物生长整齐度等。

当前植被指数值反映作物当前的生长状态，与作物生物量、绿度密切相关。距平分析通过对比当前值与历史均值判断长势偏好，正距平表示长势偏好于常年，负距平表示偏差于常年。植被指数变化速率反映作物生长速度，抽穗前应呈上升趋势，成熟后应呈下降趋势，异常变化提示可能存在胁迫。作物生长整齐度反映田间一致性好坏，标准差越大表示长势差异越大。时维遥感综合多维度指标建立作物长势评价体系，提供标准化的长势监测产品。

关键生育期监测

作物关键生育期的长势状况对最终产量形成有决定性影响。主要粮食作物的关键生育期包括：冬小麦的返青期（决定穗数基础）、拔节期（决定穗粒数）、灌浆期（决定千粒重）；玉米的拔节期（决定株高）、大喇叭口期（决定穗分化）、吐丝期（决定授粉成功率）；水稻的分蘖期（决定有效穗数）、幼穗分化期（决定穗粒数）、抽穗期（决定结实率）。

遥感监测能够捕捉关键生育期的长势信息，识别长势异常田块。当某生育期植被指数显著低于正常水平时，提示可能存在干旱、涝渍、病虫害等胁迫因素，需要及时采取管理措施。多时序遥感数据还可追踪胁迫因素对后续生育期的影响，为产量损失评估和补救措施效果评估提供依据。时维遥感建立的作物关键生育期监测模块，可自动识别当前生育阶段，优先评估该阶段长势状况。

生长异常诊断

作物生长异常诊断是长势监测的重要内容。通过对比同一田块不同时期的植被指数变化，或对比同一时期不同田块的植被指数差异，能够发现生长异常区域。异常诊断需要结合遥感特征与实际影响因素进行综合分析。

生长异常的主要类型包括：生长迟滞表现为植被指数上升缓慢或停滞；早衰表现为植被指数提前下降；局部缺苗表现为植被指数低于周围田块；病虫害危害表现为植被指数急剧下降伴随时序异常。生长异常的原因分析需要结合气象数据（降水、温度）、土壤数据、灌溉记录、农事活动记录等进行综合研判。时维遥感整合遥感监测与气象、土壤等多源数据，搭建生长异常诊断辅助分析平台，为农业技术指导提供决策支持。

作物收获期预测方法

基于物候模型的预测

作物收获期预测对于农机调度、收购安排、茬口衔接等具有重要意义。基于物候模型的预测方法依据作物生长发育规律，结合温度、降水等气象条件，模拟作物物候进程，估算预期收获日期。作物物候模型将作物发育划分为多个阶段，每个阶段需要累积一定量的热量单位（积温）才能完成。

积温计算方法包括活动积温（高于生物学零度的日均温累加）和有效积温（逐日有效温度累加）。不同作物类型的积温需求不同，同一作物的不同品种积温需求也存在差异。通过统计历史物候期与积温的对应关系，可建立特定品种的物候预测模型。遥感监测获取的实际物候进度可用于校正模型预测，提高预测精度。

基于时序趋势外推的预测

基于时序趋势外推的预测方法直接分析植被指数时序曲线的变化趋势，预测未来走势和收获日期。该方法假设作物按照固有规律生长发育，未来变化延续历史趋势。常用外推方法包括线性外推、多项式外推、逻辑斯蒂曲线外推等。

线性外推假设植被指数以固定速率变化，适用于生长稳定期；多项式外推能够描述非线性变化趋势，但外推期限过长时可能失真；逻辑斯蒂曲线外推基于作物生长呈S型曲线的假设，外推结果更符合生物学规律。时维遥感采用多模型集成预测策略，综合多种外推方法的结果，降低单一方法的预测不确定性，提高收获期预测的可靠性。

应用实践与典型案例

东北玉米生长监测

东北地区是我国最大玉米产区，玉米生长监测对保障国家粮食安全具有重要意义。国家玉米产业技术体系联合时维遥感团队，建立了东北玉米生长遥感监测系统，覆盖辽宁、吉林、黑龙江、内蒙古东部等主要产区。

系统利用MODIS数据实现每8天一次区域覆盖监测，结合地面观测网络获取的物候数据校正遥感提取结果。监测内容包括：玉米出苗期遥感识别，苗情长势等级划分，关键生育期（拔节、抽雄、吐丝、成熟）进程监测，收获期预测与实际收获面积核查等。2022年监测显示，吉林部分地区玉米吐丝期较常年推迟5至7天，结合气象条件分析预测该区域玉米成熟期可能延迟，最终产量可能受到一定影响。农业管理部门据此提前部署促早熟措施，有效降低了产量损失。

黄淮海小麦生长监测

黄淮海地区是我国冬小麦主产区，小麦生长监测为该区域夏粮生产管理提供重要信息支撑。农业农村部遥感监测中心建立的国家小麦长势遥感监测系统，利用多源卫星数据实现黄淮海地区冬小麦从播种到收获的全过程监测。

系统每年10月跟踪冬小麦播种进度，利用NDVI时序分析识别缺苗断垄区域；冬季监测小麦越冬状况，评估冻害发生范围和程度；春季监测返青期苗情，评估春管措施效果；灌浆期监测小麦长势，为产量预测提供数据基础。多年监测数据分析表明，冬小麦返青期NDVI与最终产量相关系数达0.78，可作为产量早期预测的关键指标。遥感监测结果定期报送农业管理部门，成为夏粮生产形势会商的重要参考依据。

南方水稻生长监测

南方水稻产区地形复杂、种植结构多样，水稻生长监测面临更大挑战。时维遥感联合中国水稻研究所，在长江中下游和华南稻区建立了水稻生长遥感监测应用示范，覆盖早稻、中稻、晚稻多种种植模式。

南方稻区云雨天气频繁，单一数据源难以保障监测连续性。系统采用Sentinel-1 SAR数据与光学数据协同策略，SAR数据穿透云层补充光学数据缺口，保证时间序列完整性。水稻识别采用多时相分类方法，利用水稻移栽期、返青期、分蘖期、抽穗期等不同阶段的遥感特征差异实现高精度分类。生长监测通过NDVI时序分析实现，物候期提取精度在早稻产区达90%以上，在中晚稻产区达85%以上。监测产品为南方水稻田间管理提供了及时、准确的信息服务。

技术挑战与发展方向

云雨遮挡与数据重建

南方稻区、云贵高原等区域云雨天气频繁，光学遥感数据获取困难，时间序列常常出现较长时间的数据缺失。数据缺失影响物候期提取和长势监测连续性，是时间序列遥感监测面临的共性挑战。

解决云雨遮挡问题的途径包括：发展SAR与光学融合方法，利用SAR全天候能力补充光学数据；发展时间序列重建算法，从有限有效观测恢复连续序列；发展超分辨率重建方法，提高单景数据的信息量等。深度学习技术为数据重建提供了新手段，GAN（生成对抗网络）等模型能够学习缺失数据的合理填补。时维遥感正在研发基于深度学习的多源数据融合重建模块，有望进一步提升复杂气候区的时间序列监测能力。

亚像素尺度物候监测

传统像素尺度物候监测假设单个像素为纯作物像元，实际上混合像素普遍存在。当像元内包含多种作物类型或作物与土壤混合时，观测的植被指数是各组分综合结果，基于该像元提取的物候期存在一定模糊性。

亚像素尺度物候监测是重要发展方向。通过亚像素分解方法将混合像元分解为多个端元，获取各端元的组分比例和时间变化信息，可更精确描述复杂种植结构区域的作物物候。Super resolution技术在不改变硬件条件下提高空间分辨率，为亚像素分析提供更精细的数据基础。该技术在农业种植结构复杂区域具有重要应用价值。

实时业务化监测系统

从科学研究向业务化运行转变是时间序列遥感监测的重要发展方向。业务化系统需要实现数据自动获取、快速处理、实时分析、产品自动生成的完整闭环，对系统稳定性和处理效率要求较高。

时维遥感正在升级新一代作物生长监测业务系统，实现与国产卫星地面系统的实时数据对接，处理周期从天级缩短到小时级。系统采用分布式云计算架构，支持大规模并行处理，满足全国主要作物常态化监测需求。监测产品包括Web端可视化平台、移动端APP、定制化报告等多种形式，为不同用户群体提供便捷服务。未来系统还将接入人工智能分析模块，实现异常自动识别、智能诊断建议等增值功能。