针对目前粮食产量定量评估模型泛化能力不足、 预测时间滞后以及早期估产时间窗口难以确定等问题, 以Sentinel-2遥感数据和实测玉米产量作为数据源, 开展县域尺度玉米估产及早期最优估产时间窗口确定研究。 基于玉米生长期内的时序影像数据集, 通过玉米产量实测数据与影像植被指数建立相关关系, 并采用MLRM（多元线性回归模型）, GPR（高斯过程回归模型）, LSTM（长短期记忆人工神经网络模型）, 建立玉米时序估产模型。 实验结果表明, 基于LSTM在NDVI、 GNDVI、 以及GN（NDVI与GNDVI组合）这三种植被指数作为参数建立的时序估产模型中, 无论在估产精度, 模型可靠性、 产量异常值捕捉、 以及早期最优估产时间窗口确定等方面均优于基于GPR、 MLRM建立的时序估产模型。 同时基于LSTM时序估产模型, 采用截止到抽雄期的NDVI时序影像数据作为参数, 其结果的决定系数R2可达0.83、 均方根误差RMSE为0.26 t·ha-1、 相对分析误差RPD为3.52; GNDVI时序影像数据作为参数, 其结果的决定系数R2为0.79、 均方根误差RMSE为0.30 t·ha-1、 相对分析误差RPD为2.87; 以GN时序影像数据作为参数, 其结果决定系数R2为0.83、 均方根误差RMSE为0.27 t·ha-1、 相对分析误差RPD为3.05; 以NDVI作为LSTM模型参数的估产效果最优, 相较于玉米收获期可提前2个月就能预测当年的玉米产量, 对于县域尺度玉米产量预报具有一定的现实意义, 同时也为类似作物的估产研究提供相关参考。

植被叶面积指数（LAI）时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。 MODIS数据产品MOD15A2是目前应用最为广泛的LAI数据源之一, 然而MODIS LAI时间序列产品包含了一些低质量的数据, 例如由于云层、 气溶胶等的影响, 该产品在时间和空间上缺乏连续性。 MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分, 单一的线性方法或非线性方法都不能对其精确建模和预测。 首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列, 然后采用季节自回归积分滑动平均（SARIMA）方法、 BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。 在SARIMA-BP神经网络组合方法中, 各自在线性与非线性建模的优势得以充分发挥, 其中SARIMA方法用于建模及预测LAI时间序列中的线性部分, BP神经网络方法用于对非线性残差部分进行建模及预测。 实验结果显示: SG滤波和线性插值后的LAI时间序列比原LAI时间序列更平滑; SARIMA-BP神经网络组合方法的决定系数为0.981, 比SARIMA和BP神经网络的0.941和0.884更接近于1; SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991, 高于SARIMA（0.971）和BP神经网络(0.942)的相关系数。 由此得出结论: SARIMA-BP神经网络组合方法对MODIS LAI时间序列具有更好的适应性, 其建模和预测准确性高于SARIMA方法或BP神经网络方法。

MODIS传感器提供的短波红外光谱波段为农业干旱遥感监测带来了新的机遇, 因为它对植被水分十分敏感。 本文选择中国东北松嫩平原为研究区, 旱田为农业干旱的监测目标。 基于2001—2010年的8天合成MODIS产品（MOD09A1）, 分别计算了四种基于可见光和近红外光谱的植被绿度指数和四种基于近红外和短波红外光谱的植被水分指数, 并以多尺度标准化降水指标(SPI)为判别植被指数农业干旱敏感性的标准, 利用一种气象站点与象元配对关联的方法计算了不同植被指数与多尺度SPI的皮尔逊相关系数。 研究表明, 在农业干旱监测敏感性方面, MODIS植被水分指数（NDII6和NDII7）明显好于植被绿度指数。 其中NDII7的表现最为出色, 研究证实了MODIS短波红外光谱在监测农业干旱方面的潜力, 为今后相关研究提供了新的见解。