附录B. CropWatch指标、空间单元和产量估算方法速览

本章附录简要介绍了CropWatch指标、空间单元和有关产量估算方法。对CropWatch指标、方法的详细介绍，请参阅cloud.cropwatch.com.cn中CropWatch在线资源部分。

49个主要国家的农业生产区

总览

全球49个主要国家/地区的232个农业生产区

描述

根据种植系统，气候分区和地形条件，将49个主要农业国家划分为232个农业生产区。每一个国家单独考虑。有限数量的区域（例如，区域001，区域027和区域127）与当前由CropWatch监视的作物无关，但被包括在内以允许对49个主要国家进行更全面的覆盖。一些地区与牧场和牲畜监测更为相关，但这对于粮食安全也至关重要。

CropWatch指标

CropWatch指标用来评估农业环境和农作物生长状况及变化。主要使用了两种指标对不同空间单元的作物长势进行分析：（i）农业环境指标——反映天气因素如降雨、温度和光合有效辐射对作物生长的潜在影响，通过潜在生物量来反映；（ii）农情遥感指标——描述作物的生长状况，如植被健康指数，耕地种植比率和最佳植被状态指数等。

其中，农业环境指标（降雨、温度、光合有效辐射）并非传统简单意义上的天气变量，而是在作物生长区内（包括沙漠和牧地）推算的增值指标，并依据农业生产潜力赋予了不同权重，因此适于作物种植区的农业环境分析。对所有指标，取值越高，指示环境条件有利于作物生长或作物生长状态越好。

注：CropWatch所使用环境指标和农情指标的原始产品都是基于像素的，但是环境指标都是基于其在CropWatch空间单元上的平均统计数据进行分析的。

CropWatch空间单元

CropWatch通报中使用了四类空间单元，国家、中国、作物主产区和制图报告单元。下面的表格里概要描述了各个空间单元，并给出了它们之间的关联关系。对空间单元和边界的详细描述，请参见CropWatch在线资源部分。

作物种植面积估算

在全球范围内，耕地地块大小、地形地貌等差异显著，作物种植结构复杂，种植模式多样。例如，在中国、印度以及多数亚非国家，耕地破碎细小、套种间作普遍，作物种植结构复杂，即使用10m分辨率的遥感数据，混合像元仍普遍存在，基于影像分类技术的作物面积遥感监测，作物类型识别难度大，作物面积不确定性高。在此情况下，项目团队另辟蹊径，颠覆性的提出了耕地种植成数遥感监测与作物分类成数抽样调查相结合的种植面积监测技术(CPTP)，实现了全球尺度作物播种进度和生长季内种植面积的运行化监测，国内外精度均高于96%，解决了农田破碎、种植结构复杂地区的作物种植面积高精度监测难题。种植结构复杂地区的作物类型识别难度大、不确定性高，而监测耕地是否种植作物的难度小、精度高。项目充分发挥遥感区分植被与非植被的优势，提出了普适性的耕地种植状况识别方法和技术，在作物出苗后1个月便能精准动态监测耕地种植成数，全球不同区域的精度均超98%；而作物种植结构通过GVG系统由田间采样获取。

大区域作物长势和生育期差异导致的性状复杂，使得大范围作物精细分类制图结果局部精度不高，而小范围的精细分类模型外延性差；缺少全生育期的遥感数据使得当季作物类型的精细识别面临更大挑战，对样本的高度依赖和样本数据获取构成了不可调和的矛盾。报告通过挖掘不同作物类型的关键时相和关键特征，提出了训练样本自动化提取和结构化单类分类技术，通过耦合时序和空间特征，并加入形状注意力机制的深度学习模型实现地块边界智能提取和地块级作物分类，消除了分类椒盐噪声，实现了无样本支持下小麦和水稻等大宗作物类型的精准识别，分类精度超过90%。

针对地面数据获取敏感区，发展了加密时序特征重建的方法以及物候纠正和时间过程线匹配技术，构建了具有年度迁移应用能力的作物分类模型，跨年度迁移应用总体精度高达92%，降低了境外农作物精细分类对地面实测样本依赖度，实现了大区域尺度作物分类的业务化运行。

对于其他无条件开展地面观测且无法有效获取作物生长特征的主产国种植面积估算，报告引入耕地种植比例的概念进行计算，公式如下

式中，a和b为利用2002—2022年时间序列耕地种植比例和2002—2022年FAOSTAT或各国发布的面积统计数据线性回归得到的两个系数，各个国家的耕地种植比率通过CropWatch系统计算得出。通过当年和上一年的种植面积值计算面积变幅。

作物单产估算方法

全球不同地区作物单产影响因素动态复杂，不同地区的气象条件、土壤墒情、病虫害影响、养分供给、管理水平等存在较大差异，现有模型无法胜任全球场景下作物单产准确估算的任务。

针对大范围作物单产影响因素动态复杂、单一模型不确定性高、极端条件监测效果差等问题，报告编写团队研制了4种不同类型的作物单产遥感监测模型，包括生物量—收获指数模型、遥感指数模型、遥感与作物模型耦合模型以及数据驱动模型。

生物量—收获指数结合的作物单产模型，主要通过量化了昼夜温差、最高温、最低温及水分胁迫对作物光能利用率的影响，提升单产监测的精度，适用于雨养农业区作物单产预测。

在干物质生产率模型中，作物生物量可以表示为在生长季内所有单位时间吸收转化的光合有效辐射的累积值，如下式所示：

式中，植被吸收的光合有效辐射（APAR）可以通过PAR与FPAR的乘积计算获得，PAR是植被能进行光合作用的驱动能量，其能量为到达地表的太阳总辐射量的一个分量，光能利用率ε是指植被将吸收的APAR通过光合作用转化为有机碳的效率。一般认为植被对光的利用效率是随生长季内的环境条件不断变化的，且主要受到温度和水分胁迫的影响。

式中，ε*指的是最大光利用率（单位：gMJ^-1），T1和T2表示环境温度对光利用的抑制影响，W则为水分影响胁迫系数，用以表达水分因素影响植被对光利用的程度。

收获指数（Harvest Index，HI），又称经济系数（Coefficient of Economic），即籽粒产量占地上生物学产量的百分比。HI的生物学意义主要反映同化产物在籽粒和营养器官之间的分配比例。由于作物收获指数的形成是一个动态的过程，因此，对其进行估算，可以依据其形成机理对整个形成过程进行模拟。作物在果实生长之前，主要是根、茎、叶等器官的生长，将吸收的光合能量转化为碳水化合物在各个器官中存储。当果实开始生长之后，一般情况下，作物生长重心将向果实偏移，吸收的光合能量将主要供应到果实的生长，并且前期存储的碳水化合物也将有部分向果实转移。基于作物果实生长过程中的这一现象，可以建模实现对作物吸收和已经固定的光合能量的分配过程进行模拟，最终达到作物收获指数或单产估算的目的。

第二类模型是遥感指数模型，对于雨养区，报告主要采用归一化植被指数作为回归参数，分析其与多年作物单产的相关关系，建立基于NDVI的作物单产统计模型。而对于灌溉农业区和高密度种植区，现有的遥感指数在作物生长高峰期均面临信号饱和问题，研制了相干极化和红边指数耦合单产监测模型，解决了灌溉区和高密度种植区光学遥感信号饱和问题，误差减少了30%，针对水分胁迫对雨养作物单产的影响，提出了考虑多维度旱情指数的雨养作物单产预测方法，提升了遥感指数模型的可靠性。

第三类模型将基于生理生态机理的作物模型与遥感结合，通常采用数据同化方法对土壤和气象数据同化带入模型，以更准确地反映作物生长所需环境要素的变化，进而模拟作物单产，报告结合集合滤波和变分同化算法优点，充分考虑冬小麦开花期叶面积指数峰值，提出了基于双重流依赖集合平方根滤波新型同化算法的作物模型遥感同化估产方法；耦合遥感、光能利用率模型（CASA）和作物生长模型（WOFOST或APSIM等不同作物生长模型），结合遥感模型运算效率和作物生长模型的机理优势，实现了作物单产全生育期预测。

由于影响作物单产的因素众多，为更好的构建单产预测模型，近年来，以机器学习为手段的单产预测方法得到广泛的应用，但机器学习模型的黑箱问题饱受诟病。报告编制团队针对数据较为丰富的区域，提出了耦合极端梯度提升和多维度特征工程耦合的作物单产预测模型，并通过博弈论与局部解释模型等相结合，提升模型的可解释性，不仅明确了大豆单产的最佳预测窗口期和主要特征对单产的影响，还实现了国家县域尺度单产的精准预测。

通过多模型多过程的耦合，建立了全球作物单产遥感监测技术体系，解决了单一模型不确定性大、极端事件响应差的难题。

作物总产量估算

CropWatch基于上一年度的作物产量，通过对当年作物单产和面积相比于上一年变幅进行计算，估算当年的作物产量。计算公式如下

式中，i代表关注年份，和分别为当年单产和面积相比于上一年的变化比率。

对于中国，各种作物的总产（）通过单产（）与面积（）的乘积进行估算，计算公式如下

对于其余粮食主产国，单产的变幅（）是通过建立当年的NDVI与上一年的NDVI时间序列函数关系获得。计算公式如下

式中，和是当年和上一年经过作物掩模后的NDVI时间序列空间均值。综合考虑各个国家不同作物的物候，根据NDVI时间序列曲线的峰值或均值计算单产的变幅。