基于衛(wèi)星遙感預(yù)測(cè)農(nóng)業(yè)干旱有兩種方法，一種方法是在干旱監(jiān)測(cè)的基礎(chǔ)上，通過(guò)干旱時(shí)空預(yù)測(cè)模型對(duì)未來(lái)時(shí)間段內(nèi)的農(nóng)業(yè)干旱狀況進(jìn)行模擬;另一種方法是在作物生長(zhǎng)模型的基礎(chǔ)上，改進(jìn)其水分脅迫模塊，構(gòu)建作物干旱監(jiān)測(cè)模型，將遙感觀測(cè)作為同化干旱脅迫的中間變量，并結(jié)合短、中、長(zhǎng)期氣象數(shù)據(jù)進(jìn)行農(nóng)業(yè)干旱預(yù)測(cè)。

基于干旱指數(shù)的農(nóng)業(yè)干旱預(yù)測(cè)

基于遙感干旱指數(shù)預(yù)測(cè)農(nóng)業(yè)干旱具有重要研究?jī)r(jià)值。這類研究主要是以時(shí)間序列遙感干旱指數(shù)作為輸入數(shù)據(jù)并基于時(shí)序分析等方法預(yù)測(cè)未來(lái)時(shí)間段內(nèi)的干旱變化。例如，韓萍等運(yùn)用求和自回歸移動(dòng)平均(Auto Regressive Integrated Moving Average，ARIMA)模型對(duì)VTCI時(shí)空序列進(jìn)行分析建模并開(kāi)展冬小麥生長(zhǎng)季內(nèi)干旱分析預(yù)測(cè)，結(jié)果表明基于該模型的1~2步預(yù)測(cè)可以較好地預(yù)測(cè)區(qū)域干旱變化情況。李俐等應(yīng)用ARIMA模型和季節(jié)性求和自回歸移動(dòng)平均(Seasonal Auto Regressive Integrated Moving Average，SARIMA)模型對(duì)夏玉米生長(zhǎng)季內(nèi)的VTCI進(jìn)行建模預(yù)測(cè)，結(jié)果表明ARIMA模型具有比SARIMA模型更高的VTCI預(yù)測(cè)精度，且基于ARIMA模型的VTCI 1~3步預(yù)測(cè)在多個(gè)年份間具有較穩(wěn)定的精度表現(xiàn)。

歷史干旱數(shù)據(jù)呈現(xiàn)大數(shù)據(jù)特征，人工智能算法可有效挖掘歷史年份的數(shù)據(jù)特征，進(jìn)一步提高干旱預(yù)測(cè)精度。近年來(lái)，研究人員開(kāi)始基于神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的方法進(jìn)行干旱預(yù)測(cè)，取得了較好的結(jié)果。隨著遙感技術(shù)的快速發(fā)展，遙感反演地面上干旱指數(shù)本身已具備空間大數(shù)據(jù)特征，此外隨著多衛(wèi)星傳感器的組合使用，遙感干旱指數(shù)也具有越來(lái)越高的時(shí)間維度。目前，針對(duì)遙感干旱指數(shù)，基于機(jī)器學(xué)習(xí)算法的農(nóng)業(yè)干旱預(yù)測(cè)研究還較少，這將是未來(lái)的一個(gè)研究熱點(diǎn)。

基于作物生長(zhǎng)模型的農(nóng)業(yè)干旱預(yù)測(cè)

農(nóng)業(yè)干旱預(yù)測(cè)的落腳點(diǎn)為預(yù)測(cè)干旱對(duì)作物長(zhǎng)勢(shì)的影響程度。從這一角度考慮，基于作物生長(zhǎng)模型的農(nóng)業(yè)干旱預(yù)測(cè)方法具有重要研究?jī)r(jià)值。作物生長(zhǎng)模型依靠氣象數(shù)據(jù)進(jìn)行驅(qū)動(dòng)，通過(guò)引入未來(lái)一段時(shí)間內(nèi)的氣象預(yù)報(bào)數(shù)據(jù)，可以有效模擬作物在未來(lái)時(shí)間段的生長(zhǎng)狀態(tài)并預(yù)報(bào)作物的干旱脅迫狀態(tài)。

此外，將作物生長(zhǎng)模擬與農(nóng)業(yè)干旱監(jiān)測(cè)相結(jié)合，對(duì)作物生長(zhǎng)模型進(jìn)行改進(jìn)，以實(shí)現(xiàn)對(duì)農(nóng)業(yè)干旱的監(jiān)測(cè)與預(yù)警。例如，吳熠婷等利用天氣發(fā)生器LarsWG5.5模擬未來(lái)時(shí)間段內(nèi)的氣象數(shù)據(jù)并將其輸入校準(zhǔn)后的作物生長(zhǎng)模型，進(jìn)而預(yù)測(cè)氣候變化條件下冬小麥產(chǎn)量并評(píng)估減產(chǎn)風(fēng)險(xiǎn)。

遙感觀測(cè)可以及時(shí)反映地表的瞬時(shí)狀態(tài)，有效監(jiān)測(cè)農(nóng)業(yè)干旱程度。對(duì)于上述干旱預(yù)測(cè)模型而言，引入相關(guān)遙感觀測(cè)量可以進(jìn)一步提高模型的預(yù)測(cè)能力。因此，將氣象、水利和農(nóng)業(yè)農(nóng)村部門(mén)提供的中長(zhǎng)期氣象數(shù)據(jù)作為這些模型的輸入數(shù)據(jù)，運(yùn)用數(shù)據(jù)同化技術(shù)，耦合遙感觀測(cè)量(如土壤水分)與模型模擬值，可以有效提高模型的農(nóng)業(yè)干旱預(yù)測(cè)能力。

例如，王治海等基于改進(jìn)后的ARID CROP模型，利用AMSR-E傳感器獲取的區(qū)域農(nóng)田水分信息作為模型中間變量，從而預(yù)測(cè)農(nóng)業(yè)干旱的動(dòng)態(tài)變化，結(jié)果表明將遙感觀測(cè)信息引入改進(jìn)后的作物生長(zhǎng)模型能有效提高冬小麥生長(zhǎng)發(fā)育的預(yù)測(cè)能力和區(qū)域農(nóng)業(yè)干旱的預(yù)測(cè)精度。