冬小麦遥感估产研究归纳.docx
《冬小麦遥感估产研究归纳.docx》由会员分享，可在线阅读，更多相关《冬小麦遥感估产研究归纳.docx（15页珍藏版）》请在冰豆网上搜索。
冬小麦遥感估产研究归纳
冬小麦遥感估产研究归纳
摘要：
本文从冬小麦估产的必要性及传统估产方法和遥感估产方法的对比中提出遥感估产的方法。
通过国内外的遥感估产发展状况来探讨我们现行遥感估产的方方面面以及可进步空间。
冬小麦是我国主要粮食作物之一，播种面积占粮食作物总播种面积的五分之一。
我国北方冬小麦生产更占有举足轻重的地位，小麦播种面积及总产占粮食作物面积及总产的近二分之一。
我国是个人口大国，粮食问题一直是中央关注的涉及到国家政局稳定和人民安居乐业的重大问题。
因此，科学地检测农作物的长势、准确地预报农作物的产量，对于加强小麦生产管理，优化种植空间格局，进一步发挥其生产潜力，国家制定粮食调配和宏观经济计划，辅助政府有关部门制定科学合理的粮食政策都有着重要意义。
一、应用遥感估产的迫切性
由于冬小麦分布广阔，地域复杂，其面积产量等数据的取得通常是采用统计方法，或常规的地面调查方法，受人为因素影响较大，且费时费力，难以适应有关冬小麦管理、决策对其现势性信息的需求。
遥感信息具有覆盖面积大、探测周期短、资料丰富、现势性强、费用低、受地面条件限制小，手段多，获取的信息量大等特点，为快速准确的冬小麦估产提供了新的技术手段，为各国所重视。
遥感在作物长势监测与估产方面的应用研究，显著地提高了区域农业生产的动态预测性和管理决策的科学水平，取得了较好的经济、社会和生态效益。
小麦作为主要粮食作物，安全生产已成为我国可持续发展的重要保障。
及时了解小麦的分布概况、生长状况、肥水行情以及病虫草害动态，便于政府决策者和生产管理者采取各种管理措施，达到增产、增收和增效的目的。
业务化冬小麦估产受传感器特性局限、云覆盖、卫星遥感平台运行状态等因素的影响，一直面临遥感信息源保障问题，因此，急需多传感器组网、多源遥感信息整合的作物估产系统。
因此，在进行大尺度农作物估产中，迫切需要除了利用分辨率较高的遥感信息（如MODIS影像）外，还应充分利用分辨率较低、时间序列长的NOAA／AVHRR（AdvanceVeryHighResolutionRadionleter）数据作为大尺度农作物估产中的有效补充。
二、遥感技术概况
遥感技术是从人造卫星、飞机或其他飞行器上收集地物目标的电磁辐射信息，判认地球环境和资源的技术。
它是60年代在航空摄影和判读的基础上随航天技术和电子计算机技术的发展而逐渐形成的综合性感测技术。
任何物体都有不同的电磁波反射或辐射特征，航空航天遥感就是利用安装在飞行器上的遥感器感测地物目标的电磁辐射特征，并将特征记录下来，供识别和判断。
任何物体都具有光谱特性，具体地说，它们都具有不同的吸收、反射、辐射光谱的性能。
在同一光谱区各种物体反映的情况不同，同一物体对不同光谱的反映也有明显差别。
即使是同一物体，在不同的时间和地点，由于太阳光照射角度不同，它们反射和吸收的光谱也各不相同。
遥感技术就是根据这些原理，对物体作出判断。
遥感技术通常是使用绿光、红光和红外光三种光谱波段进行探测。
其中红光段探测植物生长、变化及水污染等；红外段探测土地、矿产及资源。
遥感估产基于作物特有的波谱反射特征，利用遥感传感器获得的光谱信息可以反演作物的生长信息（如LAI、生物量），通过建立生长信息与产量问的关联模型（可结合一些农学模型和气象模型），便可获得作物产量信息。
在实际工作中，常用植被指数（由多光谱数据经线性或非线性组合而成的能反映作物生长信息的数学指数）作为评价作物生长状况的标准。
目前常用的植被指数有：
归一化植被指数（NDVI）、比值植被指数（RVI）、垂直植被指数（PVI）、绿度植被指数（GVI）、差值植被指数（DVI）、增强型植被指数（EVI）、多时相植被指数（MTVI）以及农业植被指数（AVI）等。
遥感具有大范围、快速度、短周期、海量信息的特点，使得遥感估产技术也具有宏观、快速、准确、动态等优点。
三、遥感技术在国内外农作物估产中的应用及现状
大面积作物遥感估产研究开展最早、效果最好的当属美国，他们自70年代中期开始进行，大面积作物清查试验，即LACIE计划；用空间遥感技术进行农业和资源调查，即AgRIS-ARS计划。
其主要目的是研制美国所需要的监测全球粮食生产的技术方法，满足美国进行资源管理和了解全球作物产量状况对有关信息的需要。
其中以气象卫星资料为主建立作物单产估算模型，作物种植面积的估算则主要利用陆地卫星资料，通过抽样调查方法获得，估产精度达到90%以上。
自美国进行大面积作物遥感估产研究和应用以来，法国、德国、前苏联、加拿大、日本等过已相继开展了遥感估产研究。
在国内外估产模型中，他们从遥感要素估产的机理出发，通过分析光谱变量与穗粒结果的关系进行估产；利用各种植被指数进行作物遥感估产；通过建立气象、农学和光谱符合模型进行综合遥感估产。
在这些估产模型中，由于研究者过分强调估产的精度和稳定性，在遥感估产过程中进入了大量的气象、农学、植物等方面的影响参数，或对植物需进行长期的连续观测，这为观测的经济性带来了很大的难题。
考虑到估产的经济性，通过分析小麦生长状况的机理与产量的关系发现，植被指数与产量有二次抛物线关系，即在小麦扬花期至灌浆期，植被指数与产量的相关性达到最大。
因此，在小麦扬花期至灌浆期间，对小麦进行遥感监测，并对小麦进行遥感监测，并对遥感影像进行绿度指数（GDVI）的分析，建立GDVI与小麦产量的关系式，通过对此期小麦GDVI的提取进行遥感估产，研究其可行性。
四、我国冬小麦有关估产的进展
我国遥感监测与估产研究始于80年代初，起步较晚。
1983年开始进行小范围（县规模）的冬小麦遥感估产研究，至“六五”期才开始跨省、市（京、津、冀）统一网络的冬小麦遥感估产试验，应用的卫星资料主要是美国陆地卫星的多光谱扫描仪（MSS）及专题成像扫描仪（TM）资料。
“七五”期间，气象部门首先在我国将极轨气象卫星用于作物长势监测与估产。
1984年底，原国家经委托国家气象局（现中国气象局）牵头，联合北京市农林科学院共同组织开展了全国（先9省、直辖市，1986年扩展到11省、自治区、直辖市）冬小麦遥感综合测产项目。
项目研究与试验的范围覆盖了我国多达2000×104h㎡冬小麦区，占全国冬麦种植面积的90%参加的单位有国家气象局气象科学研究院（现中国气象科学研究院），北京市农林科学院综合所、中国气象局卫星气象中心，以及天津、河北、河南、山东、山西、陕西、江苏、安徽、甘肃、新疆等省、自治区、直辖市气象局。
项目1985～1989年的5年中，边研究边试验，肯定了气象卫星用于冬小麦遥感监测和估产的可行性及其优势，研制、创建了一系列气象卫星遥感监测和估产的技术方法，最后建成了我国北方冬小麦气象卫星动态监测及估产系统。
该项成果1990年正式投入气象局业务服务。
该项目不但拓宽了气象卫星应用和气象部门为农业服务的领域，而且也使气象部门在“八五”间的气象卫星作物遥感监测和估产的研究与服务得到了更快的发展。
除中国气象科学研究院、国家卫星气象中心具有国家一级的系统外，截止1995年的不完全统计，全国已有30个省（自治区、直辖市）气象局建立了极轨气象卫星接收和处理系统。
除中国气象科学研究院主持全国一级的遥感监测、估产服务外，全国已有21个省（自治区、直辖市）气象局开展了这项服务，涉及的农作物除小麦外，还有水稻、玉米、杂粮、棉花和蔬菜，提供的监测与预测结果已成为国家、各省，甚至地、县级领导部门指导和决策农业生产不可缺少的重要信息。
为气象卫星NOAA-AVHRR资料，建立了，北方冬小麦气象卫星遥感动态监测及估产系统，。
除此，北大、北农大、浙农大等高校，农业部、中科院等单位对应用陆地卫星资料的冬小麦、水稻遥感估产技术方法进行了研究探索，但投入业务运行尚有一定的距离。
五、遥感在冬小麦估产中的应用
5.1冬小麦估产中应用的遥感资料
冬小麦估产中应用的遥感资料主要为三类。
一是气象卫星资料，主要为美第三代业务极轨气象卫星（TIROS-N/NOAA）系列）装载的甚高分辨率辐射仪（AVHRR）资料；二是陆地卫星（Landsat）资料，应用较多的是专题制图仪（TM）资料；其三是航空遥感和地面遥感资料。
从资料应用形式上，卫星遥感数据有磁带数据和卫星像片两种,AVHRR数据应用以磁带数据为主，!
2数据则二种兼用。
航空遥感资料为航空像片，地面遥感资料多为实测的冬小麦光谱物征离散数据。
不同的遥感资料具有不同的特点：
气象卫星资料探测周期短、覆盖面积大、资料易获取、实时性强、价格低廉，时间分辨率高但空间分辨率较低；陆地卫星资料重复周期较长、价格高，但空间分辨率高。
从各遥感资料的具体应用情况，AVHRR资料主要应用于通过一定的绿度指标进行冬小麦长势监测及单产模型的构建，适宜于大范围、宏观的小麦长势监测及估产。
TM资料由于分辨率高主要用于冬小麦面积信息的提取，因费用较高，目前以TM资料为主实现业务化的大范围小麦监测与估产尚有一定的困难。
地面遥感资料则主要用于冬小麦光谱特征及估产农学机理的研究。
5.2冬小麦光谱特性
冬小麦产量是其光合作用的产物，叶绿素对其产量形成起至关重要的作用，因此，准确提取冬小麦叶绿素信息是小麦遥感估产的关键。
根据研究，叶绿素a、b在可见光内有两个吸收峰，一个是0.45μm（兰光），另一个是0.675μm（红光），而在0.55μm（绿光）附近反射率较大。
在0.7μm附近反射率急剧增加，形成突出的峰值。
因此，红光和近红外波段是冬小麦信息提取、产量估测的最佳波段。
另一方面，冬小麦的叶绿素含量随小麦出苗至收获各不同的生育阶段是不断变化的，因此其不同生育期的反射光谱特性亦有差异。
具体表现为随小麦生育进程的推进，在可见光区的反射率逐步增加，而在近红外光区的反射率则逐步下降。
尤其是抽穗以后至成熟，小麦叶色变黄，叶绿素含量大大下降，其反射率表现为随波长的增加而逐渐增加的趋势，原吸收谷、反射峰渐不明显。
除此，长势较差的麦苗其反射率亦表现为与此相似的增加趋势。
5.3单产遥感估产模型的建立
作物单产模型的建立在遥感估产之前已有研究，并应用于估产，如加拿大的Beier.W，先后研制了，经验统计型，、，作物—天气产量预测模型，、，作物—生产模拟模型，等。
常规的单产预报模式有统计估产、气象估产和农学估产等方法，各有其局限性。
遥感估产技术的出现时农作物单产估产模型研究有了显著发展。
5.4植被指数（绿度）模式的选择
但以波段的冬小麦光谱特性难以全面准确地反映冬小麦生长生长状况，因此，需要将冬小麦反映敏感的多波段信息融合，植被指数既是由不同波段的反射信息组合而成的特征量，反映绿色植被的覆盖程度和作物生长状况。
一般由叶素反应敏感的红光波段和近红外波段信息组合而成，亦称绿度。
六、冬小麦不同的遥感面积提取方法
冬小麦面积估产是冬小麦遥感估产的重要内容，只有准确地估算出冬小麦播种面积，才能得出准确的冬小麦总产估产数据。
冬小麦面积应包括其数量和实际的地理分布两方面，根据其范围大小、精度可有不同的遥感面积提取方法。
6.1分辨率影像的地块数据库建设
采用人工数字化的方式在高分辨率影像上提取地块边界数据，并通过现势影像预分类区分纯地块和混合地块，为纯地块分类和混合地块分解提供准确的边界信息。
一方面能保证地块边界能与实际地块情况匹配，有利于野外测量工作的开展，另一方面能弥补图像分割技术的，过分割，所导致的地块过于破碎的问题。
通过高分辨率影像目视解译，来分析实验区种植结构。
两个实验区均属于种植结构复杂的都市农业区，均在大量的冬小麦、休耕地、林地、草地、菜地的纯地块和混合地块。
但两个实验区的冬小麦地块又有着一定的差异，房山的冬小麦地块较为大片，大兴则更为破碎，分别可代表一般破碎区和极度破碎区。
因此本研究选取的实验区具有较好的代表性和推广性。
6.2多时相中分辨率影像的地块特征向量可分性分析
本研究选取转换离散度作为两类地块之间的统计可分性度量指标，引进地块比例作为权重因子，构建特征向量综合可分性评估模型，一方面对不同地块类型、不同特征向量的可分性实现定量分析；另一方能反映实验区土地利用类型结构，每种地物的转换离散度对特征向量可分性的贡献率取决于其占实验区的比例。
多时相TM影像的光谱、植被指数、纹理特征均存在较高的综合可分性，且与地块类型、种植结构、特征组合有着密切的关系，但几何形状特征的可分性较差。
冬小麦与其他地物之间有着较优的转换离散度。
光谱、植被指数、纹理的综合可分性均随着特征向量的增加而递增，不会产生数据冗余，但可分性增长速度会变缓。
基于地块的特征向量综合可分性优于基于像元的可分性。
单独使用纹理信息作为特征向量难以得到较优的地块可分性，但可作为光谱特征、植被指数的有效补充，进行纯地块分类和混合地块分解。
6.3基于纯地块分类的冬小麦种植面积遥感测量
基于纯地块分类的种植面积测量方法有着较高的总量精度和位置精度，在不同种植结构区域地块分类精度均高于像元分类。
植被指数和纹理信息的引入有助于进一步提高纯地块分类精度。
采用纯地块分类提取冬小麦种植面积对TM影像的时相要求不高，在冬小麦拔节期能得到较高精度的种植面积总量精度和位置精度。
SVM对训练样本量的要求较低，能得到较高精度的地块分类总体精度和Kappa系数。
对于冬小麦种植面积测量，SVM与最大似然均能得到高达97％的总量精度和90％的位置精度，SVM的纯地块分类稳定性优于最大似然法，但SVM所需的训练样本量远低于最大似然，因此SVM更加适合于冬小麦纯地块分类。
通过对不同地块面积区间误差分析，基于纯地块分类的冬小麦错分与漏分情况大多发生在细碎地块，其面积总量较小，而大地块发生错分与漏分情况较少，因此纯地块分类在整个区域能得到较高的位置精度和面积总量精度。
对于少量的大面积冬小麦纯地块的错分与漏分，则可通过较小工作量的野外调查加以修正。
6.4基于混合地块分解的冬小麦种植面积遥感测量
基于混合地块分解的冬小麦种植面积测量方法比像元分类有着更高的总量精度和位置精度，多次实验的精度和稳定性随着样本量的增加而递增。
在种植结构破碎的都市农业区，像元分类无法解决混合地块边界和内部的冬小麦光谱混合和变异的问题，而混合地块分解法能在混合地块冬小麦百分比与光谱、植被指数之间建立高效的多元线性回归模型和SVM分离超平面，能有效解决特征向量维数较多的问题。
当训练样本量达到10％以上，即样本地块数大于86个时，SVM分解的位置精度和总量精度随着样本量的增加而缓慢提高，位置精度可达84％以上，总量精度可达97％以上，SVM分解法的精度和稳定性略高于多元线性回归法。
基于SVM分解的混合地块冬小麦测量方法的位置精度和总量精度整体上优于多元线性回归法，且适用于训练样本量较小的情况，只要特征向量有着较好的相关性，均有助于SVM法进一步提高冬小麦测量的位置精度和总量精度。
因此，本研究通过地块本底数据库建设、地块可分性分析、纯地块分类、混合地块分解，构建了基于地块分类的冬小麦种植面积遥感测量方法体系，能获得比像元分类更高的测量精度，为农作物种植面积遥感测量提供一定的方法借鉴。
七、冬小麦播种面积遥感监测
7.1播种面积遥感监测组成
冬小麦播种面积遥感监测工作主要包括TM图像时相的选取、TM图像覆盖范围确定和TM图像解译三部分。
TM图像时相的选取：
监测冬小麦图像最佳获取时段为：
播种后—越冬前（即每年10月底—12月）和返青后—拔节前（每年3月—4月初）这两个时段，因为在上述时段内，我国冬小麦生产区的其它绿色植被已进入枯黄期，唯有冬小麦还处于绿色期，因而有利于从图像上准确识别冬小麦。
TM图像覆盖范围确定：
考虑到图像获取的可能性（如有云的情况）和经济成本，依据抽样统计原理在冬小麦主产区进行抽样覆盖。
TM图像解译：
该项工作是根据冬小麦的光谱特征和地面实况调查相结合来进行的。
根据每景图像的色彩、色调、纹理、形状、位置、大小、阴影等因素，结合相应的背景资料和作业人员的经验，对图像进行初判，然后利用GPS定位仪进行野外调查，核对、修正和补充判读结果，建立可靠的解译标志。
根据解译标志，在特定的软件支持下，对经过几何校正的TM标准假彩色合成图像（R4、G3、B2）进行人机交互目视解译。
7.2冬小麦长势与旱情监测
冬小麦长势与旱情是影响冬小麦产量非常重要的两个指标。
（1）冬小麦的长势监测是采用美国NOAA卫星图像每半月进行一次。
NOAA图像的空间分辨率是1.1km×1.1km，每天可接收2-3次。
NOAA图像接收以后，经过辐射订正和几何较正，然后计算植被指数（NDVI），根据NDVI值的大小来推导冬小麦的长势及空间分布情况。
（2）旱情监测是采用当地气象站获得的土壤水分资料，结合NDVI资料，通过旱情模型计算进行的。
该工作每旬进行一次，为冬小麦单产预测模型的建立提供技术参数。
7.3冬小麦单产预测
冬小麦单产预测完成过建立单产预测模型来进行的。
国内外有大量预测模型，如：
丰歉年指标模型（聚类分析）、气象统计模型、农学模型、社会经济计量模型、遥感模型、绿度温度绿度变化率模型。
在实际操作中，这几种模型常结合使用，通过对比归纳各类模型的预测结果，综合专家知识、作物长势及旱情监测结果，调整数量模型预测值，以准确估测各级估产区域的作物单产。
对于大面积单产估测，首先应该注意的是模型精度及准确度，同时要考虑预测变量获得的可行性。
目前可用的大面积产量预测模型主要是气候统计模型和遥感模型。
7.4冬小麦遥感监测抽样外推系统
冬小麦作为我国最主要的夏粮作物，种植区域大，若利用陆地卫星TM数据，采用全覆盖式的遥感面积监测投入巨大。
我们通过建立冬小麦遥感监测抽样外推系统来解决这一问题。
具体方法：
根据监测区内冬小麦生长特点，以历年冬小麦种植面积的统计资料为分层依据，将监测区内冬小麦生产县划分为若干层，然后以TM影像覆盖来近似随机地从各层抽取所需的冬小麦生产县，解译出样区内冬小麦播种面积的变化情况，再通过冬小麦面积变化遥感监测抽样外推模型推出全区冬小麦面积的变化。
八、遥感影像的获取与处理
8.1遥感影像的获取
冬小麦的生长期包括以下几个阶段：
播种、苗期、返青、拔节、抽穗、氧化、灌浆、黄熟。
从小麦扬花到灌浆期（4月中旬到5月中旬），小麦的绿度指数（GDVI）达到最大，此时的生长状况已决定了产量的高低，故作为小麦估产监测的最佳时期。
8.2图像预处理
由于辐射纠正的不确定性极有可能对遥感影像造成其他方面的图像衰减，本研究对遥感影像未作辐射纠正，对影像处理只进行了几何纠正。
几何纠正采用多项式纠正法，控制点是从国家测绘局1:
1万地形图的数字化图上获取，控制点的个数选为16个。
为了保证图像匹配的精度，精度选取的16个控制点均匀的分布于整个研究区，纠正结果表明，TM影像的配准中误差小于0.5个像元。
较常用的是TM图像，但如果能将SAR与之融合会有更好的效果。
星载SAR影响具有较高的空间分辨率，TM影像则具有多光谱特征，两者的信息有效融合，将优势互补，提高提取精度。
TM多光谱遥感技术是利用第五在紫外、可见光、近红外区和热红外波段各光谱区反射特性差异及人眼彩色视觉分辨特性来增加图像的信息量，由于云层和大气的干扰，一般分辨率较低。
而雷达具有全天时、全天候的工作特性，能穿入植被，得到植被上层甚至地下的信息，弥补了光学遥感的缺陷。
因此，TM与SAR图像融合可以得到第五的多层次信息，进一步提高某些地物的分类精度。
SAR与TM图像融合方法：
彩色技术（RGB彩色合成、HS彩色合成、HSV彩色合成、HLS彩色合成），算术运算（Multiplicative变换、Gram-Schmidt变换、Brovey变换），图像变换（PCA方法、CN波普锐化、相关系数法、小波变换）。
Terra—MODIS数据集同时具有归一化植被指数（NDVI）和增强型植被指数（EVI）两种植被指数。
为了对比这两种植被指数在农作物估产中的应用效果，该文利用MODIs—NDVI和MODIS—EVI作为遥感特征参量，以对美国冬小麦的长势监测与产量预测为例进行了研究：
运用区域作物特定生育期内多年的NDVI和EVI值与作物产量进行相关分析，采用一次线性拟合方法分别建立回归方程，估算当年的农作物产量。
结果表明，EVI明显地比NDVI更好地与产量建立回归方程，用EVI建立的回归方程，各州相关系数大多在o．7以上；而用NDVI建立的回归方程，相关性不稳定。
因此利用EVI建立的模型对2004年美国冬小麦进行估产，并将预测结果与美国国家统计署6月1号公布的预测结果进行对比，结果发现，美国国家统计署预测单产误差为3．05％，总产误差为一2．56％，而该研究预测结果单产误差为2．62％，总产误差为一1．77％且预测时间比美国国家统计署预测时间提前约半个月。
可见EVI可以更有效地进行作物监测及估产，提高预测的准确性。
EVI作为遥感特征参量，首次将其应用于农情监测与作物估产中，并取得良好的效果。
尤其是与传统方法NDVI比较，它能在一定程度上克服了NDVI的不足。
这就进一步从实践上证明了EVI的优越性及用于农情监测和作物估产中的可行性，从而为农情监测和作物估产提供了一种新的有益的尝试方法。
九、生态环境影响
常用的遥感估产方法主要是通过分析遥感光谱信息与小麦长势指标（如生物量、叶面积指数等）的定量关系，并借助小麦长势指标与产量之间的相关性，间接地估测小麦产量。
由于这类估产模式没有考虑灌浆期间生态条件对产量形成的影响，估产精度的稳定性较弱。
在正常的生态条件下，估产精度较高；若在异常生态条件（如高温、阴雨天、干旱等）下，模型估产精度和适用性存在很大的局限性。
小麦产量的形成受灌浆期间的生态条件影响较大，主要表现在温度、光照、土壤氮素水平、土壤水分状况等几个重要方面。
因此，有必要综合灌浆期间的生态条件研究小麦籽粒产量的形成动态。
近年来，基于光谱学原理和遥感监测技术，在小麦产量估产方面开展了初步研究，取得一些进展。
关于基于空间遥感和综合生态圉素对小麦产量进行估测的研究，国内外鲜有报道。
本研究拟采用地面GPS定位调查与P-6卫星遥感数据相结合的研究方法，基于小麦花前群体长势指标反演和灌浆期间的生态因素，构建一种较为简便、适用的小麦产量遥感估测模型，旨在为小麦生产者或农业部门及时、准确获取大面积的产量信息提供技术支持。
十、现有遥感估产方法存在的问题和发展方向
10.1现有遥感估产方法存在的主要问题
在政府部门的大力支持和众多学者的努力下，我国的小麦遥感估产方法虽然建立了较好的理论与技术体系，取得了一定的研究与应用成果，但与发达国家相比。
在应用的深度与广度上仍存在很大差距。
首先是遥感数据源的选取和精度的控制方面。
现在用来进行估产的遥感影像主要有：
NOAA／AVHRR、E0S／MODIS以及Landsat／TM影像等。
高的遥感估产精度需要有高的空间分辨率，时间分辨率和光谱分辨率信息源的保障。
由于受估产成本的限制，一般大范围冬小麦遥感估产多采用廉价的卫星数据，如NOAA／AVHRR、EOS／MODIS等资料。
时间分辨率虽然很高，但相对的空间分辨率比较差．很难准确提取冬小麦的分布和面积信息。
小范围的冬小麦遥感估产若采用价格较昂贵的卫星资料，如SPOT影像，空间上精度提高了．时间分辨率却降低了，不能对小麦等作物进行连续的观测监测，最终还足会影响估产精度。
其次。
绝大部分小麦遥感估产模型在小区试验中都能取得较高的精度，但其大面积估产时不能满足专业化要求。
究其原因，这些遥感估产模型多是依据植被指数与农学参数间的相关性而建立的回归模犁，具有很强的经验性，普适性较差。
今后在小麦遥感估产模型构建中，应考虑模型的机理性与普适性，以增强估产模型在区域间或年份间的通用性。
另外，缺乏可面向实际应用的小麦遥感估产信息系统。
小麦遥感估产信息系统是对小麦的整个生长过程进行系统监测和管理，利用程序语言工具，将遥感数据、地形数据、气象数据、品种资源数据和社会经济数据进行综合集成，可以实现数据管理、信息查询、长势分析、产量估测以及决策服务等功能的计算机信息管理系统。
近年来，在小麦遥感监测信息系统研制与开发
升级会员 