出版日期: 2019-11-25
点击次数：
下载次数：
DOI: 10.11834/jrs.20198156
2019 | Volumn23 | Number 6
上一篇  |  下一篇
综述 
全球农情遥感速报系统20年
expand article info 吴炳方 , 张淼 , 曾红伟 , 闫娜娜 , 张鑫 , 邢强 , 常胜
中国科学院遥感与数字地球研究所 遥感科学国家重点实验室，北京 100101
收稿日期: 2018-03-30; 预印本: 2018-05-11
基金项目: 国家重点研发计划(编号：2016YFA0600304)；国家高技术研究发展计划(863计划)(编号：2012AA12A307)
第一作者简介: 吴炳方，1962年生，男，研究员，研究方向为农业遥感、水资源遥感与管理、生态遥感。E-mail：wubf@radi.ac.cn

摘要

面向国家粮食安全的重大战略需求，1998年中国科学院建立了“中国农情遥感速报系统”(CropWatch)，持续运行20年后，现已发展成为“全球农情遥感速报系统”(CropWatch)。本文重点论述了2013年建立参与式全球农情遥感监测云平台(CropWatch-Cloud)以来，所采用的农情监测体系、可定制的农情监测云平台理念以及CropWatch-Cloud在国内外的应用推广情况，介绍了技术方法与农情信息服务方式的创新与进步带来的国际影响力的提升。系统总结了全球农情遥感速报系统发展的农情监测指标、农情预警能力、作物长势综合监测方法以及众源数据支持的作物面积监测方法，论文进一步阐述了CropWatch未来的发展方向，借助众源地理信息、大数据技术等的发展，打通从地块—村—镇—县—市—省—国家—全球的体系化全链条监测，满足从农户到政府决策部门对农情信息的差异化需求。

关键词

遥感, 全球农情遥感速报, 农情监测, 云平台

Twenty years of CropWatch: Progress and prospect
expand article info WU Bingfang , ZHANG Miao , ZENG Hongwei , YAN Nana , ZHANG Xin , XING Qiang , CHANG Sheng
State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China

Abstract

The Chinese Academy of Sciences has launched a Chinese remote sensing-based agriculture monitoring system (called CropWatch) in 1998 to provide agriculture information for supporting national food security strategies. CropWatch has provided operational bulletins and has been upgraded to a global agriculture monitoring system, which is unique and uses remote sensing data as the major data source. This study systematically summarizes the development of CropWatch in terms of agricultural monitoring approach/methodology and matrix, system platform, and agricultural information dissemination since 2013. This study emphasizes the innovative agricultural monitoring approach and matrix and pioneering customizable agricultural monitoring system since the establishment of the CropWatch participatory global agricultural monitoring cloud platform (CropWatch-Cloud). A hierarchical approach is adopted by CropWatch, in which a four-tier monitoring strategy, namely, global (sixty-five Crop Monitoring and Reporting Units, MRU), regional (seven Major Production Zones, MPZ), national (31 key countries), and subnational (subdivisions of nine large countries), is developed. CropWatch indicators/matrix can be divided into four categories, namely, CropWatch agroclimatic, arable land use intensity, crop condition, and crop production indicators. Four temporal and spatial resolutions of indicators adapted to each scale are used in CropWatch bulletin. Using the outputs on the four levels, a synthesis of crop condition and production estimates for four major crops is published in the CropWatch bulletin. In situ measurements, local experience, and knowledge are essential to upgrading and improving the robustness of the indicators, methodologies, and algorithms in the CropWatch system. Furthermore, acquiring valuable information outside China, in addition to the global information collection, is challenging. Recently, geotagged data from the crowd or from search engines, such as Google, have revealed interesting scientific trends and have been confirmed as an effective and costless means for data collection, that is, the ability to characterize crop planting dates, or training and validation samples for cropland mapping. External application promotion at home and abroad is emphasized. With the development of CropWatch Cloud, data analysis and reporting are feasible from any location in the world through the Internet. This technology provides unique opportunities to countries requiring work on crop monitoring but currently lack sufficient resources. The innovative approach of the participatory CropWatch-Cloud platform makes this technology an influential agricultural monitoring system. In terms of the originality and innovation of CropWatch, four items are systematically summarized from a methodological perspective. These items are (1) six unique remote sensing-based indicators for an agricultural assessment, (2) advances of early-warning capability, (3) integrated crop condition assessment methods that consider the advantages of six methods, and (4) the innovative crop area estimation method supported by crowd-sourcing data. This study expects the future development of CropWatch. The CropWatch team will leverage CropWatch based on the development of volunteered geographic information acquisition and big Earth data technology to provide agricultural information from the global scale for policy making to the field scale for farm management.

Key words

remote sensing, CropWatch, global agriculture monitoring, cloud platform

1 引　言

零饥饿是联合国《变革我们的世界：2030年可持续发展议程》的第二大目标，《中国落实2030年可持续发展议程国别方案》也将之与消除贫困共同列为实现2030年可持续发展的首要目标，而实现零饥饿和消除贫困的首要任务是确保粮食安全。

因自然资源禀赋与科技水平的差异，全球各地粮食生产能力千差万别，广大发展中国家在遭受极端天气冲击时，粮食保障能力明显不足。粮食贸易成为平衡区域粮食生产能力差异、满足粮食消费需求的重要手段，然而国际粮食价格的异常波动，常导致发展中国家利益受损，甚至无法承受经济负担。

及时、透明、公正的全球农情信息是精准把握农业生产与供应形势，维持粮食价格的稳定，是确保粮食贸易公平公正的利器。拥有独立的农情监测信息平台，独立自主的开展农情监测，第一时间获取准确及时的农情信息是各国的共同心愿。全球众多国际组织与少数强国先后建成全球或区域尺度农情监测系统，如联合国粮农组织(FAO)的全球信息早期预警系统(GIEWS)、美国的Crop Explorer，欧盟的MARS，中国的CropWatch等，均在一定程度上提升了农情信息时效性、准确性与透明度的提升，但现有的全球/区域农情监测系统大都是由少数国家或组织主导的，物理与技术隔离的封闭系统，发展中国家无法有效地参与农情监测，即便参与也只能是单向的被动参与，很难结合本国的种植结构、物候和气候特点开展有针对性的监测和分析，离无差别的及时、准确、透明的分享农情信息还有很长的距离。

让接受一带一路倡议的国家搭上中国发展的顺风车是中国向世界做出的庄重承诺。在这特殊的时代背景下，中国理应为实现公平公正共享的全球农情信息贡献力量。事实上，中国一直在努力推动全球农情监测信息的透明化，为全球农情信息命运共同体的实现提供支撑。

中国科学院早在“九五”期间便启动院重大项目，建立“中国农情遥感速报”(CropWatch)，此后在中科院创新项目、“863计划”、国家粮食行业公益专项等项目的持续支持下，逐渐将监测范围拓展至全球，发展成为“全球农情遥感速报系统”(CropWatch)，自1998年8月发布首期中国农情遥感速报以来，持续为全国乃至全球的公众提供农情信息服务20年。

本文将从农情监测体系、系统平台以及农情信息服务等3个角度回顾全球农情遥感速报系统的发展历程，阐述全球农情遥感速报系统为构建农情信息命运共同体所付诸的努力，以及最新的技术方法进展，并对未来的发展方向进行展望，以期为更多的国家参与农情监测，自主监测，尽早实现零饥饿的目标贡献智慧与力量。2013年之前的CropWatch的技术方法与系统化方面的进展已经通过若干综述性文章进行了总结与回顾(吴炳方，2000；吴炳方，2004；吴炳方 等，2010；Wu 等，2014)，本文将重点论述2013年以来CropWatch在农情监测指标与技术体系、监测系统、农情信息服务理念等方面的进展。

2 全球农情遥感速报系统新进展

2013年以来，云计算与大数据技术的发展促进了全球农情遥感速报系统的发展(吴炳方 等，2016)，系统监测范围已覆盖全球173个国家，在农情监测技术与指标体系、系统平台以及农情信息服务方式等3个方面均取得了长足进步。

2.1 监测体系的发展

得益于遥感数据源的丰富以及数据愈发开放化，CropWatch针对全球农业生产特征，发展构建了全新的多尺度、多时空分辨率、多指标相结合的多层次全球农情定量监测技术与指标体系(吴炳方和邢强，2015；Wu 等，2015)。结合全球气候分区、农作物种植模式、作物类型信息等，CropWatch将全球划分为65个分区(Gommes 等，2016)，针对65个分区和全球173个主要国家和地区开展光照、温度、降水等农业气象条件监测与趋势分析(Gommes 等，2017)，侧重于气象条件异常及其对农业生产的潜在影响分析；针对全球6大洲际粮食主产区，在开展农业气象条件监测的基础上，重点开展耕作强度和作物胁迫状态监测与评估，分析洲际主产区尺度的农业生产强度与胁迫状况的影响；针对全球农业主产国、省州尺度以及农业生态区开展作物长势和产量的精细监测(Wu 等，2015)，发展了时间过程与空间聚类相结合的长势监测(邹文涛 等，2015)、耕地种植状况快速动态监测(张淼 等，2015)、考虑年际间耕地种植状况变化的作物长势监测(Zhang 等，2014)、考虑雨养与灌溉的长势监测(曾红伟 等，2015)、综合作物形态和生理信息的旱情监测(Chang 等，2017)等相结合的作物长势综合评估方法体系，全面诊断主产国、省州及农业生态区的生产形势。CropWatch基于多源时序遥感数据，发展了农业气象适宜度指数与耕地种植比例指标相结合的全球粮食安全早期预测与预警方法，结合不同尺度的农业气象监测、农业生产强度与胁迫状况、粮食生产形势等监测结果，实现全球粮食生产形势综合分析与预警，服务于国家粮食安全战略(张淼 等，2015)。

技术体系与指标体系升级后的《全球农情遥感速报》覆盖范围拓展至全球173个国家，南美洲、北美洲、东欧与俄罗斯、印度与东南亚等6个洲际农业主产区，包含中国在内的31个农业主产与主要出口国、148个农业生态区以及9个大国的省级行政单元；监测指标也拓展至包含农业气象条件、作物生长形势、产量与预警在内的14个指标。

在全新的技术体系支撑下，不同尺度的农情监测信息相互支撑和印证，提升了农情监测信息的准确性和可靠性(图1)。如降水、温度、光合有效辐射等农业气象条件分析一方面贯穿于全球、洲际主产区、国家及省州等各个尺度，另一方面农业气象条件自动汇总结果可与农情监测结果进行一致性评估，确保监测全流程质量控制；基于高分辨率遥感数据获取的洲际尺度耕地种植比例信息，用以对中分辨率植被指数进行修正，削弱由于作物轮作和耕地种植区年际变化造成的作物长势监测的不确定性(Zhang 等，2014)；不同尺度的农作物产量监测结果作为输入信息，为全球粮食生产形势以及中国粮食进出口形势预测等提供数据支撑(Wu 等，2015)。


图 1 全球农情遥感速报监测指标分析流程
Fig. 1 The flow chart of indicators and analytical process of CropWatch from global scale to local scale

2.2 系统平台的升级

CropWatch全球农情监测系统平台的进步与升级和计算机技术的迅猛发展不无关系。2012年起，CropWatch利用大数据技术分析不同用户对农情监测与预警信息需求的差异，面向不同需求的农情信息设计开发了CropWatch参与式全球农情遥感监测云平台(CropWatch-Cloud)，为不同的农情信息需求者提供不同的农情信息服务(李中元 等，2015)。

CropWatch-Cloud基于阿里云平台开发建设，包含全球农情遥感监测计算(CropWatch Pro)、全球农情遥感监测信息在线浏览(CropWatch Explorer)、全球农情遥感速报在线分析(CropWatch Analysis)与在线发布(CropWatch Bulletin)在内的4大模块，实现监测模型处理云端化、数据信息透明化、分析参与开放化以及监测成果公开化的链式无缝集成。全球农情在线生产系统主要用于全球农情速报所需的数据在线处理功能，包括订单管理，任务处理等功能，允许用户在不接触原始数据的前提下，在云端实现农情监测。全球农情在线浏览系统是基于WEBGIS的在线数据展示系统，主要通过栅格、矢量和图表的形式展示全球农情监测数据，为全球公开提供农情信息服务。全球农情遥感速报协同编写系统主要用于CropWatch团队在线协同办公，共同完成每一期全球农情遥感速报的分析任务，主要包括创建分析任务、分配任务、在线分析与提交、发布分析报告等功能，为用户提供了参与农情分析的接口。该系统以中英双语对外发布CropWatch通报，公开向全球提供。

全球农情遥感速报系统云服务平台(CropWatch-Cloud)，整合优势计算资源，提高农情监测整体效率，为农情监测产品的生产、服务以及用户在线分析与访问提供了强大支撑，用户可以在全球任意地点使用各类终端(电脑、平板、智能手机等)访问互联网使用CropWatch-Cloud平台，大幅提升全球农情遥感速报系统使用的便利性(Zhang 等，2015；吴炳方 等，2016)。CropWatch-Cloud的建成同大数据与云计算技术的发展密不可分，也符合当前云计算的发展浪潮，其他国家和国际组织机构也相继发展了农情信息云服务平台(Han 等，2012)。

2.3 农情信息服务的提升

CropWatch农情遥感速报自1998年8月首次发布，从最初的针对国家特定需求而不定期发布“专报”，到2001年起的以月为频率定期发布“通报”，截至2018年2月，已累积发布报告108期。CropWatch信息服务的内容也在不断调整和完善，除常规农情监测信息服务外，CropWatch在重大灾害发生后的应急信息服务中也发挥了重要作用。CropWatch先后在1998年大洪水、2000年大旱、2006年川渝高温干旱、2008年初南方雪灾(吴炳方 等，2008)、2009年初北方干旱、2010年初湄公河流域干旱(闫娜娜 等，2010)等极端事件中，应国家有关部门要求开展应急监测，为关键时期粮食生产形势的准确判断提供了依据(吴炳方 等，2010)，为国家政府部门提供决策信息支持，并为灾后恢复和重建状况开展持续性监测(赵旦 等，2014)。

2015年—2016年的厄尔尼诺现象是自1950年以来观测到的最强厄尔尼诺现象，对南半球部分国家粮食生产产生了严重影响(Wanders 等，2017)，南半球部分国家遭受极端干旱，CropWatch基于耕地种植比例信息(张淼 等，2015)在2015年11月对南非玉米生产形势做出了早期预警，预计南非玉米同比减产达34%(吴炳方和张淼，2017)，为区域粮食调配提供了重要信息支撑。

CropWatch的监测结果也成为中国大宗作物的进出口量预测的基础信息源。中国农业科学院农业信息研究所利用CropWatch提供的全球大宗作物产量监测数据，开展中国大宗作物的进出口量预测，提前预判中国大宗作物进出口数量，并提供进口来源、出口路径的建议。

信息服务内容逐渐丰富的同时，全球农情遥感速报信息的服务对象也逐渐拓展，满足了不同国家、不同层级的单位和个体、对农情信息的差异化需求。2013年11月20日CropWatch首次面向全球发布了中英文双语版《全球农情遥感速报》，并将CropWatch开展农情分析的所有指标、监测结果通过CropWatch Explorer在线发布，为全球任何用户提供农情信息在线浏览服务(Wu 等，2015；李中元 等，2015；Zhang 等，2015；吴炳方 等，2016)，实现了网络多元化农情信息服务分发，农情信息服务的内容、服务方式和服务对象数量均有大幅度拓展和提升。中英文双语版《全球农情遥感速报》的发布使中国成为继美国之后第2家发布全球粮食生产形势报告的国家，是中国对20国集团(G20)发起的全球农业监测计划(GEOGLAM)和农业市场信息系统(AMIS)做出的首次系统、全面的贡献。为世界各国提供准确可靠的全球粮食生产形势信息的同时，也在全球粮食安全问题上发出了中国的声音，为对抗饥饿、保障发展中国家的粮食安全贡献了一份力量。

伴随着参与式全球农情遥感监测云平台建成，从2013年开始，集成全球力量共同参与全球农情遥感监测与分析，目前有数十名来自蒙古、埃及、赞比亚、埃塞俄比亚、印度、巴基斯坦、泰国、比利时的国际专家、访问学者、留学生组成的一支真正的国际化团队共同参与农情监测结果的分析，定期发布《全球农情遥感速报》季度报告；与此同时，受国家遥感中心邀请于2013年—2016年每年定期发布《全球大宗粮油作物生产形势》年度报告，监测成果已为全球143个国家和地区提供持续性农情信息服务。

2.4 国际影响力

技术方法与农情信息服务的创新与进步造就了CropWatch国际影响力的提升，CropWatch在全球农情监测领域的地位日益彰显。

2017年6月，在联合国粮农组织举办的地球观测组织(GEO)全球农业监测(GEOGLAM)旗舰计划执委会会议上，CropWatch团队负责人吴炳方研究员继续担任GEOGLAM执行委员会联合主席，CropWatch团队张鑫博士担任GEOGLAM基础设施主题联合主席、张淼副研究员担任GEOGLAM研发主题联合主席、曾红伟副研究员担任GEOGLAM能力建设主题联合主席，成为GEOGLAM执行委员会委员。

在联合国亚太经组织(UN-ESCAP)和国家遥感中心的支持下，全球农情遥感速报系统联合多个机构建立了亚太区域旱灾监测与预警机制中国节点，组建了中国节点专家工作组，CropWatch团队负责人吴炳方担任组长，并向蒙古、斯里兰卡、柬埔寨提供技术培训和技术转移，介绍和分享中国空间减灾技术及经验；根据不同分区气候、环境和旱灾特点，量身定制适宜的旱情监测模型和系统(DroughtWatch)，推动了亚太国家遥感技术应用以及应对旱灾的能力建设步伐(吴炳方 等，2017)。

2015年，欧盟联合研究中心和中国科学院遥感与数字地球研究所签署合作意向书并列入《第十七次中国欧盟领导人会晤联合声明—中欧40年合作后的前进之路》中，农情遥感监测领域的合作是合作意向书中列出的6个合作领域之一，促进了CropWatch与欧盟联合研究中心MARS(Monitoring Agriculture with Remote Sensing)团队的深度合作，双方围绕如何将多尺度时间序列遥感信息和欧盟联合研究中心生物物理模型平台BioMA开展有效集成、实现云平台运行正进行深度技术合作。

2018年1月30日，“数字丝路”国际科学计划(DBAR)主席郭华东院士在《自然》杂志发表题为“构建数字丝路”的评论文章(Guo，2018)，强调了CropWatch在农情信息服务领域的贡献。依托CropWatch全球农情遥感速报系统成立了DBAR农业和粮食安全工作组(DBAR-AGRI)，工作组专家成员来自中国、FAO、GEO GEOGLAM旗舰计划、金砖国家、比利时、荷兰、蒙古国等国家与组织。DBAR-AGRI旨在开发、移植符合“一带一路”区域农业特点的CropWatch系统，并通过与沿线国家共同开展合作研究，进行实地考察和验证，提高“一带一路”沿线国家在农情监测、决策与粮食安全保障能力。

3 全球农情遥感速报系统的创新性

3.1 方法

(1)农情监测指标。CropWatch提出了作物冠层结构指数、复种指数、耕地种植比例指数、作物种植结构指标、最佳植被状况指数和粮食供应形势指数6个独创的监测指标，克服了植被指数饱和与区域差异性对农情监测的影响，解决了作物生育期单产丰欠预测、作物产量早期预警、耕地利用状况与强度和作物胁迫状态监测的难题。其中作物冠层结构指数充分考虑作物多角度探测信息与单产的关系，在一定程度上克服了植被指数指示单产易饱和的问题，也为作物单产遥感监测指出了新的发展方向；以谐波函数分析法重构的NDVI时间序列为基础提出的复种指数法，不仅有效捕捉到耕地种植强度信息，更准确的反映了作物的出苗、拔节、抽穗、收获等物理过程(范锦龙和吴炳方，2004)；以作物物候特征以及NDVI阈值为基础的耕地种植比例指标(张淼 等，2015)，克服了年度间耕地种植状况差异性对农作物长势监测的影响(Zhang 等，2014)，更为国家/洲际尺度作物产量早期预警提供了新的解决途径(吴炳方和张淼，2017)；以粮食产量变化为基础的粮食供应形势指数，为粮食安全预警提供了解决方案(Wu 等，2015)。

国际上现有的全球农情监测系统所采用的指标主要依赖植被指数(Wu 等，2014)、光合有效辐射吸收比率(Genovese，2001)、光温水等农业气象指标、农业胁迫因子(Rojas 等，2011)等，所采用的指标体系均未对农情状况进行全面监测。

(2)农情预警能力。大数据技术的发展为CropWatch农情监测与预警提供了技术基础(吴炳方 等，2016)。CropWatch将监测指标分为农气指标、农情指标、产量指标以及预警指标4大类，其中农气指标包含降水、温度与光合有效辐射3个指标，监测范围覆盖全球任何区域、任意作物以及2000年之后任何时间段，通过农气条件的距平状况与作物物候结合(Gommes 等，2017)，采用大数据挖掘技术，实现作物从播种到收割时段内的全过程农业气象预警监测(Wu 等，2015)；农情指数中的潜在累积生物量、耕地作物种植比例、最佳植被指数等指标，通过与过去5年同期平均水平相比，能及时有效反映耕地种植模式的变化、作物长势好坏异常情况(张淼 等，2015；Wu 等，2015)；以耕地种植比例为基础的作物种植面积预警指标在作物播种一个月后就能对作物种植面积发出预警信息(张淼 等，2015；吴炳方和张淼，2017)。

(3)作物长势综合监测方法体系。发展了包含作物长势过程监测、作物长势实时监测、基于最佳植被状况指数的长势评价、嵌入耕地种植状况的作物长势评估(Zhang 等，2014)、灌溉区与雨养区长势独立监测(曾红伟 等，2015)以及作物长势聚类分析(邹文涛 等，2015)等多指标多方法集成的作物长势综合监测方法体系，克服了单一长势监测方法普适性不足的弊端，长势监测结果优于依赖单一长势监测方法的其他同类农情监测系统(Wu 等，2014；Becker-Reshef 等，2010)。

基于最佳植被状况指数的作物长势定量监测方法，克服了大范围作物长势监测时物候差异导致长势监测在空间上可比性差的缺陷，实现了全球一张图监测(Wu 等，2015)；嵌入耕地种植状况的作物长势评估方法，将不同年份耕地的实际利用状况引入到作物长势实时对比与生长过程监测中，消除了因年度间轮作造成的作物长势伪信息，还原了年际间耕地利用状况变动情况下的真实作物长势(Zhang 等，2014)；将灌溉区与雨养区分别开展长势监测，更易于捕捉到灌溉区与雨养区作物长势的时空差异(曾红伟 等，2015)；特别是作物长势聚类分析方法，融合了生育期内时间变化过程的空间聚类方法，为精准定位异常的区域和生育期内的异常时段提供了有效的解决手段(邹文涛 等，2015)。

(4)众源信息支持的作物种植面积结构化方法。CropWatch提出了全新的作物种植面积遥感监测结构化方法，依托高分辨率数据全覆盖实现作物种植成数遥感监测，基于众源数据快速获取不同地区作物分类成数，两方面结合实现区域不同作物类型种植面积的估算，克服了作物种植面积监测过程中人工交互、工作量大、时效性差、精度不稳定等问题，有效解决了农田破碎区、作物种植结构复杂区、物候相似的同谱异物作物混杂区的作物种植面积监测的难题(Wu 等，2015)，满足了作物种植面积监测时效性和精度要求高等运行化的需求。

2015年以来，CropWatch团队进一步将GVG农情采样系统升级为智能手机应用程序(便携设备GVG农情采集系统)，并在智能手机应用市场对外开放，由不同国家的用户在全球范围内采集的作物种植结构调查数据记录达数十万条，为作物种植面积估算与预测提供地面观测大数据支撑(Wu 等，2015)。2017年依托该应用程序，在40天内，快速高效获取了60余万条作物种植状况地面样本信息，支撑了全国尺度10 m分辨率耕地与作物分类工作。

虽然众源地理数据VGI(Volunteered Geographic Information)早在2007年就已经被证实是大数据时代经典的数据获取方式，会成为未来了解地球的重要数据来源(Sui 等，2013)，并在土地覆被验证、火灾应急等工作中发挥了重要作用(Goodchild和Glennon，2010；Fritz 等，2009，2012，2015；See 等，2013)，但CropWatch系统首次将VGI引入到农情监测业务化运行中，大幅缩减了全球范围作物种植结构信息获取的时间和财力，为作物种植面积估算与预测提供地面观测大数据支撑(Wu和Li，2012；Wu 等，2015；吴炳方 等，2016)。

3.2 系统

(1)监测体系。CropWatch建立了多层次结构化方法体系(Wu 等，2015)，形成了4种空间尺度(全球65个农业生态功能区(Gommes 等，2016)、6个全球洲际主产区、31个粮食主产国、9个主产国的主产省/州)、4种时间分辨率(16天、季度、生长季与年)、5种空间分辨率(0.25°、1 km、250 m、30 m、16 m)相结合的，包含农气、农情、产量等14个指标在内的粮食生产全过程的多层次农情监测技术体系，该体系以农业生态区为单元的全球监测架构，监测的区域尺度与监测指标结合，采用农气—农情—产量层次递进的表达方式，从全球—粮食主产国—省州尺度，不同尺度的农业气象条件、农作物生长态势、胁迫状况、作物产量预测等内容环环相扣，相辅相成，提供渐进式的，逐步丰富的监测信息，避免了长期困扰农情监测领域中“只见树木不见森林”的现象，实现从全球到田间的多尺度无缝监测，不同尺度的监测信息的相互支撑。全球覆盖的农业气象条件支撑了全球、洲际主产区、国家及省州乃至农场等各个尺度的气象异常状况的捕捉(Gommes 等，2016，2017)；高分辨率耕地种植状况信息直接支撑了国家级省州尺度农作物长势监测依赖的中分辨率植被指数的修正，削弱作物轮作和耕地种植状况年际变化造成的作物长势监测的不确定性(Zhang 等，2014)；洲际主产区的耕作强度与胁迫状况、31个主产国及省州尺度的粮食产量信息为全球粮食生产形势以及中国粮食进出口形势预测等提供数据支撑(Wu 等，2015)。

CropWatch监测体系具有独立性，不依赖统计数据。系统充分发挥遥感客观观测的特点，研发的基于光合作用累积和作物生长水分条件的胁迫进行生物量估算，结合作物花期后的环境参数和绿度变化规律，进行收获指数估算(Zheng 等，2016；郑阳 等，2017；Wu 等，2014)，独立于统计数据，且可以在全球尺度推广；研发的多方法集成的作物种植面积遥感监测方法，充分结合多源遥感数据优势，在有限地面调查数据的支撑下实现不同农业种植模式下作物种植面积的准确监测(Wu 等，2015；Waldner 等，2016；Singha 等，2016，2017；Zhang 等，2016)，获取了独立的面积监测数据。

(2)平台。Cropwatch建成了全球唯一的集在线处理、在线查询、在线分析与在线发布于一体的全球农情遥感监测云平台，为用户提供了快速获取全球农情监测信息的渠道，同时为用户共同参与农情信息分析提供了途径。

基于公有云的全球农情在线生产系统，通过对全球农情遥感监测全过程算法流程的封装，实现了全自动的全球农业气象条件监测、农作物生长状况监测和全球粮食供应形势监测相结合的业务化运行。同时，云平台向用户开放了数据和计算能力，用户可以在系统中运行和测试自己的农情算法，并使用自己的算法生产相关的农情监测产品和农情分析。

基于WEBGIS技术，开发了全球农情在线浏览系统，通过矢量地图、栅格地图、动态图表相结合的方式，在浏览器界面展示全球农情监测中多种农气、农情、粮食生产形势指标，实现近实时的全球农情在线信息服务(李中元 等，2015；Zhang 等，2015)。

开发基于公有云的全球农情遥感速报协同编写系统，使用户在任何时间地点，即可通过互联网设备无障碍地完成全球农情遥感监测与分析，实现全球各国多领域专家远程参与全球农情遥感速报的监测与分析工作，共同编写多语言版全球农情遥感速报，大幅提升全球农情遥感速报的全球参与度，这一点有别于现有的任何农情监测系统。

3.3 服务

经历了20年的发展，CropWatch将大数据技术与云计算技术相结合，面向不同需求的农情信息建立了云服务平台，为不同的农情信息需求者提供差异化的农情信息服务(李中元 等，2015)。CropWatch在云端为农情监测算法模块提供更为高效稳定的计算资源与运行环境，合理配置并高效利用优势计算资源，以Web服务的方式向用户提供粮食生产形势、作物长势监测与预警、耕地种植区年度变化、农田蒸散发、作物种植面积变化、作物水分胁迫、养分胁迫、病虫害状况等农情信息服务(张淼 等，2015；Zhang 等，2014；Wu 等，2015)，极大地提升农情监测信息的服务效果，满足从国家决策者对宏观粮食生产形势信息到农场、县级尺度精准农业管理的信息需求。CropWatch通过集成社会经济大数据、政策规划大数据，实现了大宗粮油作物进出口形势与大宗粮油价格等农情信息的跨界预测与服务，提升了国际粮食市场信息的透明度(吴炳方 等，2016)。

作为国内第一个面向世界公开发布中英文双语版全球粮食生产形势监测报告的系统，CropWatch通过粮油生长形势年度报告、季度监测报告、月度长势动态监测报告、农情信息数据产品在线浏览等多元化的信息服务模式，已累计向全球143个国家和地区持续提供农情信息服务，信息服务对象遍布全球。

同时，借助容器化服务技术，CropWatch封装了系统中所有的农情监测指标与算法，伴随着数据与算法资源的同步开放，通过微服务的方式为授权用户提供能自定义构建符合自身需求的监测系统功能，就如同阿里云上的网店一样，用户通过系统自定义功能，真正参与到农情监测系统的定制过程中，定制各自国家专属的农情监测系统。借助这一服务，可为其他国家或地区提供定制化的农情监测系统。

4 展望与挑战

自1998年全球农情遥感速报系统建成以来，从农情监测技术与指标体系、系统平台以及农情信息服务方式等方面不断努力，勇于创新，并持续为政府部门、粮食贸易企业与粮食生产者提供原创性农情信息服务，影响力日趋彰显。共享、参与式的全球农情遥感速报系统云平台为全球各国自主开展本国农业监测与农情监测报告发布提供了捷径，推动了发展中国家农情监测的跨越式发展。

全球农情遥感速报系统在方法论方面仍需要系统性创新。遥感虽然已发展40多年，但对于作物生长后期会出现的植被指数饱和现象，尤其是有足够水资源保障的灌溉农业地区，造成作物单产监测的不确定性和局限性仍无有效应对方法。对于作物生物量及胁迫因子和单产构成因子的监测仍然缺乏有效的解决方法，需要发展新的遥感技术来解决农作物单产遥感估算问题。笔者经过多年的研究积累，提出采用双星并行飞行，开展光学和热红外同步观测，获取农作物多角度反射率和发射率信息，通过陆地表温度和特定植被信息的有机组合，来突破遥感在监测农作物生物量、胁迫因子及其单产构成因子方面的瓶颈。在此基础上，基于全球30年历史气象数据、作物分布及生产状况信息，采用长短期记忆网络(LSTM)，训练全球0.05°格网的气候适宜度模型，并结合当前及短期气象预报信息，在作物播种前和生育期内动态监测全球尺度的生产形势；再通过气候预报数据与农作物单产模型结合，使得CropWatch系统实现从播种前到收获后的全生育期农作物单产的动态预测，大幅提升全球农情遥感速报的预警能力。在全生育期单产与产量预测的基础上，结合农业贸易大数据，CropWatch将发展出生产形势指数与供应形势指数，动态评估全球与区域性粮食供需形势。

CropWatch将进一步拓展大数据时代下的众源地理数据获取手段，整合泛在的公众资源，利用移动互联网技术、智能手机APP软件以及手机内置多功能传感器，收集众源农情观测数据，并利用大数据管理与处理技术，对众源数据进行归类、处理与分析，挖掘众源农情观测数据中隐藏的价值信息，推进在全球范围内实现农情地面观测数据的快速获取，支撑参与式云平台的模型标定。未来，需打通从地块—村—镇—县—市—省—国家—全球的体系化监测体系，将地块尺度作为基本监测单元，监测信息逐级集成，形成更高级别的农情信息，实现不同尺度农情监测的全链条贯通，真正实现一个平台满足所有层级的农情信息服务需求(One for All)的终极理念。

当然，前沿计算机技术的飞速发展也给CropWatch的发展带来挑战。Google Earth Engine遥感大数据运算平台的面世为全球尺度高分辨率遥感监测提供了解决方案，美国马里兰大学的多年度30 m分辨率森林分布以及欧盟联合研究中心发布的多年度30 m分辨率水体数据均基于该平台实现(Hansen 等，2013；Pekel 等，2016)，基于该平台开展全球尺度的农情监测也成为可能。CropWatch如何借助大数据与云计算技术的进步，打造自主品牌的海量遥感数据云处理平台值得思考。人工智能(AI)与深度学习技术对传统技术方法的冲击巨大，CropWatch同样需要应对其带来的挑战，并借助AI与深度学习技术提升平台农情监测信息的深层挖掘、预测和预警能力，提高粮食安全信息服务保障能力。

参考文献(References)

  • Becker-Reshef I, Justice C, Sullivan M, Vermote E, Tucker C, Anyamba A, Small J, Pak E, Masuoka E, Schmaltz J, Hansen M, Pittman K, Birkett C, Williams D, Reynolds C and Doorn B. 2010. Monitoring global croplands with coarse resolution earth observations: the global agriculture monitoring (GLAM) project. Remote Sensing, 2 (6): 1589–1609. [DOI: 10.3390/rs2061589]
  • Chang S, Wu B F, Yan N N, Davdai B and Nasanbat E. 2017. Suitability assessment of satellite-derived drought indices for Mongolian Grassland. Remote Sensing, 9 (7): 650 [DOI: 10.3390/rs9070650]
  • Fan J L and Wu B F. 2004. A Methodology for retrieving cropping index from NDVI profile. Journal of Remote Sensing, 8 (6): 628–636. [DOI: 10.11834/jrs.20040613] ( 范锦龙, 吴炳方. 2004. 复种指数遥感监测方法. 遥感学报, 8 (6): 628–636. [DOI: 10.11834/jrs.20040613] )
  • Fritz S, McCallum I, Schill C, Perger C, Grillmayer R, Achard F, Kraxner F and Obersteiner M. 2009. Geo-Wiki. Org: the use of crowdsourcing to improve global land cover. Remote Sensing, 1 (3): 345–354. [DOI: 10.3390/rs1030345]
  • Fritz S, McCallum I, Schill C, Perger C, See L, Schepaschenko D, Van Der Velde M, Kraxner F and Obersteiner M. 2012. Geo-wiki: an online platform for improving global land cover. Environmental Modelling and Software, 31 : 110–123. [DOI: 10.1016/j.envsoft.2011.11.015]
  • Fritz S, See L, McCallum I, You L Z, Bun A, Moltchanova E, Duerauer M, Albrecht F, Schill C, Perger C, Havlik P, Mosnier A, Thornton P, Wood-Sichra U, Herrero M, Becker-Reshef I, Justice C, Hansen M, Gong P, Abdel Aziz S, Cipriani A, Cumani R, Cecchi G, Conchedda G, Ferreira S, Gomez A, Haffani M, Kayitakire F, Malanding J, Mueller R, Newby T, Nonguierma A, Olusegun A, Ortner S, Rajak D R, Rocha J, Schepaschenko D, Schepaschenko M, Terekhov A, Tiangwa A, Vancutsem C, Vintrou E, Wu W B, Van Der Velde M, Dunwoody A, Kraxner F and Obersteiner M. 2015. Mapping global cropland and field size. Global Change Biology, 21 (5): 1980–1992. [DOI: 10.1111/gcb.12838]
  • Genovese G P. 2001. Introduction to the MARS crop yield forecasting system (MCYFS)//Meeting on 4 and 5 October 2001. Luxembourg: Space Applications Institute, Joint Research Centre of the European Commission, Ispra, Italy: 15
  • Gommes R, Wu B F, Li Z Y and Zeng H W. 2016. Design and characterization of spatial units for monitoring global impacts of environmental factors on major crops and food security. Food and Energy Security, 5 (1): 40–55. [DOI: 10.1002/fes3.73]
  • Gommes R, Wu B F, Zhang N, Feng X L, Zeng H W, Li Z Y and Chen B. 2017. CropWatch agroclimatic indicators (CWAIs) for weather impact assessment on global agriculture. International Journal of Biometeorology, 61 (2): 199–215. [DOI: 10.1007/s00484-016-1199-7]
  • Goodchild M F and Glennon J A. 2010. Crowdsourcing geographic information for disaster response: a research frontier. International Journal of Digital Earth, 3 (3): 231–241. [DOI: 10.1080/17538941003759255]
  • Guo H D. 2018. Steps to the digital silk road. Nature, 554 (7690): 25–27. [DOI: 10.1038/d41586-018-01303-y]
  • Han W G, Yang Z W, Di L P and Mueller R. 2012. CropScape: a Web service based application for exploring and disseminating US conterminous geospatial cropland data products for decision support. Computers and Electronics in Agriculture, 84 : 111–123. [DOI: 10.1016/j.compag.2012.03.005]
  • Hansen M C, Potapov P V, Moore R, Hancher M, Turubanova S A, Tyukavina A, Thau D, Stehman S V, Goetz S J, Loveland T R, Kommareddy A, Egorov A, Chini L, Justice C O and Townshend J R G. 2013. High-resolution global maps of 21st-century forest cover change. Science, 342 (6160): 850–853. [DOI: 10.1126/science.1244693]
  • Li Z Y, Wu B F, Gommes R, Zhang M and Chen B. 2015. Design framework for CropWatch Cloud. Journal of Remote Sensing, 19 (4): 578–585. [DOI: 10.11834/jrs.20154139] ( 李中元, 吴炳方, Gommes R, 张淼, 陈波. 2015. 农情遥感监测云服务平台建设框架. 遥感学报, 19 (4): 578–585. [DOI: 10.11834/jrs.20154139] )
  • Pekel J F, Cottam A, Gorelick N and Belward A. 2016. High-resolution mapping of global surface water and its long-term changes. Nature, 540 (7633): 418–422. [DOI: 10.1038/nature20584]
  • Rojas O, Vrieling A and Rembold F. 2011. Assessing drought probability for agricultural areas in Africa with coarse resolution remote sensing imagery. Remote Sensing of Environment, 115 (2): 343–352. [DOI: 10.1016/j.rse.2010.09.006]
  • See L, McCallum I, Fritz S, Perger C, Kraxner F, Obersteiner M, Baruah U D, Mili N and Kalita N R. 2013. Mapping cropland in Ethiopia using crowdsourcing. International Journal of Geosciences, 4 (6A): 6–13. [DOI: 10.4236/ijg.2013.46A1002]
  • Singha M, Wu B F and Zhang M. 2016. An object-based paddy rice classification using multi-spectral data and crop phenology in Assam, northeast India. Remote Sensing, 8 (6): 479 [DOI: 10.3390/rs8060479]
  • Singha M, Wu B F and Zhang M. 2017. Object-based paddy rice mapping using HJ-1A/B data and temporal features extracted from time series MODIS NDVI data. Sensors, 17 (1): 10 [DOI: 10.3390/s17010010]
  • Sui D, Elwood S and Goodchild M. 2013. Crowdsourcing Geographic Knowledge: Volunteered Geographic Information (VGI) in Theory and Practice. Dordrecht: Springer
  • Waldner F, De Abelleyra D, Verón S R, Zhang M, Wu B F, Plotnikov D, Bartalev S, Lavreniuk M, Skakun S, Kussul N, Le Maire G, Dupuy S, Jarvis I and Defourny P. 2016. Towards a set of agrosystem-specific cropland mapping methods to address the global cropland diversity. International Journal of Remote Sensing, 37 (14): 3196–3231. [DOI: 10.1080/01431161.2016.1194545]
  • Wanders N, Bachas A, He X G, Huang H, Koppa A, Mekonnen Z T, Pagán B R, Peng L Q, Vergopolan N, Wang K J, Xiao M, Zhan S, Lettenmaier D P and Wood E F. 2017. Forecasting the hydroclimatic signature of the 2015/16 El Niño event on the western United States. Journal of Hydrometeorology, 18 (1): 177–186. [DOI: 10.1175/JHM-D-16-0230.1]
  • Wu B F. 2000. Operational remote sensing methods for agricultural statistics. Acta Geographica Sinica, 55 (1): 25–35. [DOI: 10.3321/j.issn:0375-5444.2000.01.004] ( 吴炳方. 2000. 全国农情监测与估产的运行化遥感方法. 地理学报, 55 (1): 25–35. [DOI: 10.3321/j.issn:0375-5444.2000.01.004] )
  • Wu B F. 2004. China crop watch system with remote sensing. Journal of Remote Sensing, 8 (6): 481–497. [DOI: 10.11834/jrs.20040601] ( 吴炳方. 2004. 中国农情遥感速报系统. 遥感学报, 8 (6): 481–497. [DOI: 10.11834/jrs.20040601] )
  • Wu B F, Ahamd S and He C C. 2017. Shared agronomic information community for the belt and road initiative. Bulletin of Chinese Academy of Sciences, 32 (S1): 34–41. ( 吴炳方, Ahamd S, 何昌垂. 2017. 构建" 一带一路”国家农情信息命运共同体. 中国科学院院刊, 32 (S1): 34–41. )
  • Wu B F, Gommes R, Zhang M, Zeng H W, Yan N N, Zou W T, Zheng Y, Zhang N, Chang S, Xing Q and Van Heijden A. 2015. Global crop monitoring: a satellite-based hierarchical approach. Remote Sensing, 7 (4): 3907–3933. [DOI: 10.3390/rs70403907]
  • Wu B F and Li Q Z. 2012. Crop planting and type proportion method for crop acreage estimation of complex agricultural landscapes. International Journal of Applied Earth Observation and Geoinformation, 16 : 101–112. [DOI: 10.1016/j.jag.2011.12.006]
  • Wu B F, Li Q Z, Chi Y B, Huang J L, Zhou W C, Zhang W Q and Wu S. 2008. Crop damage monitoring using remote sensing in January and February in South China in 2008. Engineering Science, 10 (6): 63–69. [DOI: 10.3969/j.issn.1009-1742.2008.06.011] ( 吴炳方, 李强子, 迟耀斌, 黄进良, 周万村, 张维奇, 吴双. 2008. 2008年1—2月雪灾作物灾情遥感监测方法. 中国工程科学, 10 (6): 63–69. [DOI: 10.3969/j.issn.1009-1742.2008.06.011] )
  • Wu B F, Meng J H, Li Q Z, Yan N N, Du X and Zhang M. 2014. Remote sensing-based global crop monitoring: experiences with China’s CropWatch system. International Journal of Digital Earth, 7 (2): 113–137. [DOI: 10.1080/17538947.2013.821185]
  • Wu B F, Meng J H, Li Q Z, Zhang F F, Du X and Yan N N. 2010. Latest development of " CropWatch” - An global crop monitoring system with remote sensing. Advances in Earth Science, 25 (10): 1013–1022. [DOI: 10.11867/j.issn.1001-8166.2010.10.1013] ( 吴炳方, 蒙继华, 李强子, 张飞飞, 杜鑫, 闫娜娜. 2010. " 全球农情遥感速报系统(CropWatch)”新进展. 地球科学进展, 25 (10): 1013–1022. [DOI: 10.11867/j.issn.1001-8166.2010.10.1013] )
  • Wu B F and Xing Q. 2015. Remote sensing roles on driving science and major applications. Advances in Earth Science, 30 (7): 751–762. [DOI: 10.11867/j.issn.1001-8166.2015.07.0751] ( 吴炳方, 邢强. 2015. 遥感的科学推动作用与重点应用领域. 地球科学进展, 30 (7): 751–762. [DOI: 10.11867/j.issn.1001-8166.2015.07.0751] )
  • Wu B F and Zhang M. 2017. Remote sensing: observations to data products. Acta Geographica Sinica, 72 (11): 2093–2111. [DOI: 10.11821/dlxb201711013] ( 吴炳方, 张淼. 2017. 从遥感观测数据到数据产品. 地理学报, 72 (11): 2093–2111. [DOI: 10.11821/dlxb201711013] )
  • Wu B F, Zhang M, Zeng H W, Zhang X, Yan N N and Meng J H. 2016. Agricultural monitoring and early warning in the era of big data. Journal of Remote Sensing, 20 (5): 1027–1037. [DOI: 10.11834/jrs.20166248] ( 吴炳方, 张淼, 曾红伟, 张鑫, 闫娜娜, 蒙继华. 2016. 大数据时代的农情监测与预警. 遥感学报, 20 (5): 1027–1037. [DOI: 10.11834/jrs.20166248] )
  • Yan N N, Wu B F, Li Q Z, Chang S, Zhang F F and Zhang S C. 2010. HJ-1A/B satellite application on drought emergency monitoring. Remote Sensing Technology and Application, 25 (5): 675–681. [DOI: 10.11873/j.issn.1004-0323.2010.5.675] ( 闫娜娜, 吴炳方, 李强子, 常胜, 张飞飞, 张士昌. 2010. HJ-1A/B卫星在干旱应急监测中的应用. 遥感技术与应用, 25 (5): 675–681. [DOI: 10.11873/j.issn.1004-0323.2010.5.675] )
  • Zeng H W, Wu B F, Zou W T, Yan N N and Zhang M. 2015. Performance comparison of crop condition assessments in irrigated and rain-fed areas: a case study in Nebraska. Journal of Remote Sensing, 19 (4): 560–567. [DOI: 10.11834/jrs.20154144] ( 曾红伟, 吴炳方, 邹文涛, 闫娜娜, 张淼. 2015. 灌溉区与雨养区作物长势差异比较分析——以美国内布拉斯加为例. 遥感学报, 19 (4): 560–567. [DOI: 10.11834/jrs.20154144] )
  • Zhang M, Wu B F, Yu M Z, Zou W T and Zheng Y. 2014. Crop condition assessment with adjusted NDVI using the uncropped arable land ratio. Remote Sensing, 6 (6): 5774–5794. [DOI: 10.3390/rs6065774]
  • Zhang M, Wu B F, Yu M Z, Zou W T and Zheng Y. 2015. Concepts and implementation of monthly monitoring of uncropped arable land: a case study in Argentina. Journal of Remote Sensing, 19 (4): 550–559. [DOI: 10.11834/jrs.20154142] ( 张淼, 吴炳方, 于名召, 邹文涛, 郑阳. 2015. 未种植耕地动态变化遥感识别——以阿根廷为例. 遥感学报, 19 (4): 550–559. [DOI: 10.11834/jrs.20154142] )
  • Zhang X, Wu B F, Zeng H W, Zhang M and Yan N N. 2015. WEBGIS based CropWatch online agriculture monitoring system//AGU Fall Meeting Abstracts. San Francisco: AGU
  • Zhang X, Zhang M, Zheng Y and Wu B F. 2016. Crop mapping using PROBA-V time series data at the Yucheng and Hongxing farm in China. Remote Sensing, 8 (11): 915 [DOI: 10.3390/rs8110915]
  • Zhao D, Zhang M, Yu M Z, Zeng Y and Wu B F. 2014. Monitoring agriculture and forestry recovery after the Wenchuan Earthquake. Journal of Remote Sensing, 18 (4): 958–970. [DOI: 10.11834/jrs.20143345] ( 赵旦, 张淼, 于名召, 曾源, 吴炳方. 2014. 汶川地震灾后农田和森林植被恢复遥感监测. 遥感学报, 18 (4): 958–970. [DOI: 10.11834/jrs.20143345] )
  • Zheng Y, Wu B F and Zhang M. 2017. Estimating the above ground biomass of winter wheat using the Sentinel-2 data. Journal of Remote Sensing, 21 (2): 318–328. [DOI: 10.11834/jrs.20176269] ( 郑阳, 吴炳方, 张淼. 2017. Sentinel-2数据的冬小麦地上干生物量估算及评价. 遥感学报, 21 (2): 318–328. [DOI: 10.11834/jrs.20176269] )
  • Zheng Y, Zhang M, Zhang X, Zeng H W and Wu B F. 2016. Mapping winter wheat biomass and yield using time series data blended from PROBA-V 100- and 300-m S1 products. Remote Sensing, 8 (10): 824 [DOI: 10.3390/rs8100824]
  • Zou W T, Wu B F, Zhang M and Zheng Y. 2015. Synthetic method for crop condition analysis: a case study in India. Journal of Remote Sensing, 19 (4): 539–549. [DOI: 10.11834/jrs.20154137] ( 邹文涛, 吴炳方, 张淼, 郑阳. 2015. 农作物长势综合监测——以印度为例. 遥感学报, 19 (4): 539–549. [DOI: 10.11834/jrs.20154137] )
数据专区
  • 目录 目录
  • 文章信息 文章信息
  • 引用格式 引用格式
  • 地图 地图
  • 评论 评论
  • 图 图
  • 表 表
  • 二维码 二维码
  • 参考文献 参考文献
  • 多媒体 多媒体