利用遥感方法，可以对地面上的农作物生长情况进行及时、准确的监测和分析。所获得的作物信息有助于粮食安全早期预警，为作物种植管理和贸易决策提供有效支撑。然而在技术层面上，如何用定量和客观的方法来提升农情监测信息的可靠性，仍然极富挑战。
在近期发表于《国家科学评论》（National Science Review, NSR）的综述文章中，中国科学院空天信息创新研究院、对地观测组织全球农业监测旗舰计划（GEOGLAM）联合主席吴炳方研究员团队（以下简称CropWatch团队），联合澳大利亚昆士兰大学、比利时法兰德斯技术研究院、美国内布拉斯加大学和俄罗斯科学院空间研究所的相关研究人员系统总结了遥感农情监测中作物长势、面积、产量等信息的监测方法，分析其中存在的问题和挑战，提出了提升农情信息定量化的实现途径和解决地面数据制约农情监测的众源数据方案，并主张发布农情信息需要避免利益冲突。
监测作物长势
在现有的农情监测系统中，常使用植被指数来评价大区域尺度下作物的综合生长活力，并通过对植被指数当前值与历史值的差异比较，来评价作物长势的好坏。然而，年际间的物候变化、作物轮作休耕现象，以及植被指数饱和等问题，均会导致作物长势监测信息的偏差。
因此，作者指出，在作物长势监测时，需要结合物候差异、轮作和休耕等信息对作物长势信息进行订正，以降低作物长势监测的不确定性。
另一方面，如何将遥感监测得到的长势信息转化为作物的苗情等级，还缺乏统一的标准，作物长势评估的定量化方法也尚待建立。
监测胁迫信息
干旱、病虫害等胁迫因素会影响作物的生长，对其进行监测有利于及时发出预警和指导农业生产管理。
在旱情监测领域，目前用于气象干旱和农业干旱监测的指标不胜枚举，但是部分旱情指数混淆了气象干旱和农业干旱的表征意义——事实上，通过适当的农田管理措施，如灌溉等，可有效缓解气象干旱对农作物的影响，将二者混淆不利于对真实旱情的把握。因此，对于气象干旱和农业干旱，需要研制不同的监测指标。
另一方面，干旱指标划分的旱情严重程度与作物实际受旱程度存在偏差，如何将干旱指数反映的旱情转化为作物的实际受旱程度还缺乏统一的标准。
在病虫害监测方面，虽然已有众多遥感指标用于对病虫害的胁迫程度进行表征，但是这些指标都依赖先验知识来确定病虫害的类型。
高光谱数据可以反映叶片生化成分及其变化，是养分胁迫和病虫害胁迫监测的有效数据源。然而当前高光谱卫星时间分辨率低、幅宽窄，在大区域业务化监测中还有很长的路要走。未来，需要发展高时间分频率、专注于养分胁迫和病虫害敏感谱段的传感器，以提升养分胁迫和病虫害遥感监测的能力。
监测作物产量
作物产量预测是农情遥感监测的核心内容，也是用户最关注的农情信息。要完成这一预测，需要通过遥感监测掌握两类信息：特定作物的种植面积，以及该种作物的单产。
要了解某种作物的种植面积，首先需要在遥感数据中实现作物分类。随着遥感技术的不断发展，以及机器学习和深度学习等自动分类方法的逐渐应用，作物分类方法也日臻完善，为全球尺度的作物分类制图提供了可能。
然而当前方法都高度依赖地面调查样本，当样本量不足时，往往难以取得理想的效果。未来，还需要发展不依赖样本的结构化作物精准识别方法，如CropWatch团队研制的水稻“淹水期-移栽期”光学植被指数和微波后向散射系数显著变化相耦合的方法，实现了南亚和东南亚10m水田的精准提取。此外，还应当发展完善分类模型中的时间和空间迁移学习方法，以减少作物分类模型对地面数据的依赖性。
融合水稻关键物候期光学植被指数和雷达后向散射系数强度变化的东南亚和南亚的10m分辨率水稻分布图
在种植结构复杂的区域，作物精准识别仍面临挑战，不可能一味通过提高卫星遥感数据的分辨率来实现大范围作物分布的提取。而将遥感监测获得的耕地种植成数与众源数据监测的作物分类成数相结合，可以更为高效可行地解决农田破碎区、作物种植结构复杂区的作物种植面积监测难题，可以满足全球作物种植面积监测时效性高等运行化的需求。
作物单产监测则是农情遥感监测的难点。当前的作物单产预测方法可以归纳为：①基于农气信息、关键植被指数和微波特性的统计回归方法；②基于作物生长过程的物理模型法；③生物量和收获系数结合的半经验法；④以机器学习和深度学习为主的数据驱动的预测方法。
作物单产预测模型（a.统计回归法，b.生物量与收获指数法，c.作物生长模型，d.数据驱动方法）
然而，由于影响作物单产的要素众多，且要素之间相互关联，产量的形成和波动涉及复杂的生物、物理和化学过程，导致作物单产预测仍然是当前农情监测的最薄弱环节，原因是目前所使用的参数、指标和方法并不能完全解释作物单产的决定因素。
未来，还需要发展新的传感器来预测作物单产，特别是在光学、微波、热红外监测的基础上，开展作物几何结构的观测，发展新的作物单产预测方法。
农情监测：挑战与机遇
在农情监测领域，实地观测数据和区域专家知识的缺乏，会显著降低监测信息的准确性和适用性，导致相关决策的误判。实地观测数据因费时、费力、可获得性差，一直制约着农情监测的发展。
随着智能手机的普及，其内嵌的传感器越来越丰富，众源大数据有望弥补地面调查数据不足的问题。CropWatch团队基于智能手机开发的GVG众源信息采集APP，通过耦合深度学习算法，实现了带有位置标签的作物类型、灌溉类型信息的高效感知；同时通过融合计算机视觉方法，发展了可用于作物单产快速采集的技术，通过计算穗数、每穗的籽粒数和千粒重等参数，实现了小麦/水稻单产的无损化精确观测，显著提升了地面调查数据的采集效率。
基于智能手机、计算机视觉和深度学习的小麦单产无损获取
此外，虽然卫星观测数据美丽又客观，但是通过专家分析得到的信息往往包含利益导向。因此，综述作者明确主张发布农情信息需要避免利益冲突，用户也需要使用不同的信息源以避免无意识地被误导。
为了减少农情监测的主观影响，CropWatch团队允许用户参与到农情监测信息分析的全过程，最大程度的确保了结果的客观性和透明度，避免了信息的偏差对决策的干扰。
当然，最好的方式是用户有自己的农情监测系统。但受开发和维护成本以及技术的限制，这对大多数用户来说都很难实现。为此CropWatch以应用程序编程接口（API）方式开放了所有组件和功能供用户调用。莫桑比克农业和农村发展部通过调用相关功能，实现了整个国家的农情监测。这一实践被国际农业发展基金（IFAD）评为2020年最佳农村解决方案之一，也是2022年联合国“南南合作”促进可持续发展的优秀案例。
上述成果得到了科技部政府间国际合作重点项目“GEOGLAM框架下的先进农情监测方法”和中科院地球大数据A类先导专项课题“一带一路资源调查与评估”等项目的支持。