正文如下：

一、长势是种田人最关心的事，也是最说不清的事

问一个种粮大户今年长势怎么样，他多半会说：还行，比去年强点。这个"还行"里有多少水分，他自己也说不准。小麦水稻生长周期几个月，长势天天在变，一块地今天看着旺，可能旺过了头，后期倒伏风险就埋下了；另一块地眼下平平，只要水肥跟上，后期照样能追上来。靠人眼巡田，看得过来几块地？看得过来每个生育期？小麦水稻长势遥感对比分析干的就是这件事：用卫星每隔一段时间拍一次，把整个生长季的长势变化记录成一串影像，哪里苗齐、哪里缺苗、哪里旺长、哪里脱肥，图上一目了然。对农业管理部门来说，这是掌握县域农情的眼睛；对种植主体来说，这是水肥管理的参谋；对从事农业金融和保险的机构来说，这是评估经营风险和预估产量的底数。长势监测不是新话题，但把多期影像用透、把小麦和水稻的门道分清，里面有不少实务经验值得展开。

二、原理：长势好不好，光谱先知道

作物长势的本质是叶片多少和叶绿素多少，而这两样恰恰是光谱最敏感的指标。叶片茂密、叶绿素充足的作物，红光被大量吸收、近红外被强烈反射，植被指数走高；长势偏弱、叶片发黄的地块，指数明显偏低。长势监测的基本方法就是逐期计算植被指数，把它当作作物长势的量化体温计。光看单期数值还不够，通常要配合两个参照系：一是同期多年平均，今年这个时段的指数与历年同期比，处于偏高水平还是偏低水平，一目了然；二是本地地块的历史基线，这块地往年同期长什么样，今年是变好还是变差，对比才有意义。还有一点常被忽略：指数高不等于好。旺长的麦田指数可能全场最高，但群体过大、通风透光差，病虫害和倒伏风险随之升高。所以遥感数据要结合生育期来解读，苗期看齐不齐、分蘖期看群体够不够、灌浆期看衰减快不快，每个阶段的"健康曲线"长得不一样，判读必须按物候来。

三、多时相影像：一张照片看不出的东西，一串照片看得出来

多时相影像是长势对比分析的灵魂。单期影像回答"现在怎么样"，多期影像回答"怎么变过来的"，后者才有真正的管理价值。举个例子：两块地同一天的指数一样高，一块是从返青起就一路领先，另一块是最近两周突然蹿上来的——前者是稳壮，后者可能是旺长或者前期出了问题后猛追肥，处置方向完全不同。再比如灌浆期，正常衰老的指数下降是缓坡，遭遇旱情或病害的地块指数骤降，下降速率本身就是一个预警信号。做好多期对比，关键在三点：第一，影像时相要密，生长季内每隔十天左右能有一景，关键生育期不能断档；第二，影像要可比，不同期影像之间做辐射一致性处理，否则对比出来的"变化"可能只是天气和光照的差异；第三，变化要落到地块，把像元级的变化汇总到每一块承包地上，管理动作才能跟上。如今卫星星座资源丰富，多时相影像的获取成本比早年低了许多，整季连续监测在县域尺度上已经是普惠可用的方案。

四、物候分析：读懂作物自己的日历

物候分析是长势对比里的进阶功夫。作物什么时候返青、什么时候拔节、什么时候抽穗，有它自己的节律，节律提前或推后，本身就携带大量信息。遥感上看物候，方法是追踪指数曲线的拐点：指数从缓升转为陡升的时点，大致对应返青起身；达到峰值的时点，大致对应抽穗前后；峰值之后开始回落，说明进入灌浆衰熟阶段。把当年的曲线与多年平均曲线摆在一起，生育期是早是晚、进程是快是慢，看得清清楚楚。物候信息在三个场景里特别有用。一是农事调度，生育期偏早的年份，水肥和病虫害防治要相应提前部署，等日历就要误事。二是灾害判别，指数下降到底是灾害还是正常衰老？对准物候阶段看，答案自明——灌浆后期的下降属正常，拔节期的骤降要警惕。三是产量预估的输入，生育进程直接决定灌浆时间长短，进而影响粒重。小麦是越冬作物，水稻是喜温作物，两者的物候规律不同，分析模型要分开建，不能一套参数包打天下。

五、小麦与水稻：同为口粮作物，监测门道各不同

小麦和水稻经常被放在一起讲，但遥感监测上两者的难点不一样。小麦的好处是条田规整、纯度高，光谱干净，指数曲线容易解读；难在越冬期，冬季麦苗覆盖度低、土壤背景占比大，指数整体偏低且波动大，这一阶段的判读要特别小心土壤干扰，冬季的指数"难看"未必是苗情差。分蘖期和拔节期是小麦监测的黄金窗口，群体结构的信息最丰富，苗情分类主要靠这两个时相。水稻的难点在水田环境：移栽初期田面是水，水在近红外波段近乎全吸收，泡水期的水田指数极低，容易和缺苗混淆，需要把"田里有水"和"苗不够"区分开；分蘖封行之后指数快速爬升，长势才进入常规判读区间。此外水稻常与丘陵地块、碎片化经营相伴，地块小、边界杂，对影像分辨率的要求更高，必要时用高分数据或无人机补位。产量预估也一样，小麦模型看群体和穗数的成分多，水稻模型要处理有效穗和结实率的动态，模型结构各有讲究。一句话：作物不同，门道不同，方案必须量身定做。

六、产量预估：从长势曲线到收成数字

长势监测的终点，往往是产量预估。思路是把整季的长势信息浓缩成模型输入：生育期内的指数峰值、峰值出现时间、灌浆期衰减速度、关键节点的累积指数等，与历史年份的实际产量建立统计关系，再套用到当年数据上，得出预估结果。模型准不准，取决于两样东西：一是历史数据的质量，往年分片区的真实产量数据积累越全，模型越有底气；二是输入信息的丰富度，单靠一个指数不够，长势、物候、气象数据组合起来，预估的稳定性才提得上去。成熟的做法是分阶段滚动预估：早期给趋势性判断，中期结合物候和气象给出区间估计，临近收获收敛到较窄的区间。对粮食主管部门，产量预估是早情早知的决策参考；对收储和贸易企业，它是安排库容和资金的依据；对保险机构，区域产量预估还能支撑产量保险的产品设计。要强调的是，预估永远是区间而不是精确值，诚实地给出误差范围，比拍一个漂亮的数字更有职业价值。

七、应用建议：让多期影像在管理和经营里转起来

管理部门：把长势监测纳入常态农情工作，一个生长季固定出若干期苗情报告，配合物候分析和灾害预警，县域农情调度就有了统一底图；长势监测与受灾评估共用同一套影像底座，平时和灾时数据能对上，决策不拧巴。种植主体：重点用好关键生育期的报告，苗期看出苗均匀度、中期看水肥诊断、后期看收获窗口，把监测结果与自家农事安排挂钩，才不浪费数据。金融机构：把多期长势数据引入贷前评估和贷后跟踪，作物长势稳不稳，比任何报表都更早反映经营状况。做套种、轮作的种植区，还要注意地块矢量随茬口更新，否则对比分析会张冠李戴。新用户建议从一个生长季的完整监测起步，一季跑下来，数据的用法和价值自然摸清，再决定往多深投入。

结语

小麦水稻长势遥感对比分析的完整图景是这样的：以多时相影像记录整季长势变化，以指数对比和基线参照完成长势监测，以曲线拐点解读作物物候分析，再以长势和物候信息支撑产量预估。小麦有小麦的窗口，水稻有水稻的讲究，方案按作物和地块定制，数据才能落到农事上。这套方法让"长势怎么样"从一句模糊的印象，变成一串可查、可比、可追溯的量化曲线，管理者看图调度，种植者看图管田，机构看图评估风险，一张串起整季的图，胜过无数次口头的"还行"。时维遥感以成熟的遥感+AI技术方案，让每一季作物的变化都看得见、看得懂、用得上。

时维遥感——遥感+AI，让农业更智慧