摘要: 前言：应用微波卫星数据可以更好的监测全球范围内作物长势，该技术可用于作物产量预测，农业保险公司理赔、农业风险管理等领域，现被各国政府广泛采用。 微波成像预测产量 你想比美国农业部更好、更快的预测作物的生长情况吗？你想在全球范围内，对主要农作物的生长情况变化...
前言：应用微波卫星数据可以更好的监测全球范围内作物长势，该技术可用于作物产量预测，农业保险公司理赔、农业风险管理等领域，现被各国政府广泛采用。
微波成像预测产量
你想比美国农业部更好、更快的预测作物的生长情况吗？你想在全球范围内，对主要农作物的生长情况变化做出及时、客观的监测吗？正国华宇能够帮你做到。正国华宇以 卫星图像数据处理技术为基础，利用微波卫星遥感技术（SSMI）对灾害天气做出评估，进而对农作物长势、产量、病虫害做出预测。
该预测模型的参数，是利用了地表温度与地表湿度的统计变化与该地区以往农作物的产量数据的关系。采用SSMI的实时数据计算出的产量与美国农业部统计服务中心提 供（NASS）的数据高度一致，该服务中心是世界范围内作物数据的权威来源。而且，SSMI获取产量数据的同时，不需要费时、费力、花费高昂的实地勘察。
对用户来说好处是显而易见的：更快，更准确，更经济的方法。该方法使用微波卫星取得的精确结果可以为农产品交易提供准确、直观、有效的参考。
卫星遥感技术
该技术用微波辐射确定地表的温度和湿度的变化，然后把这些变化值代入作物模型，其结果就能解释美国的大豆，玉米，小麦和棉花的产量变动情况。而传统的实地勘察是片面、随机的观测。SSMI最初发展是通过地表发射的微波能量来反应温度和湿度。SSMI能够在任何天气情况下监测地表状况。由于云层会随时覆盖大部分的地表，这样SSMI就能比 基于光学影像卫星模型提供更有效的监测范围。温度的度量是经过大量地表基站进行校准，湿度的度量包括地表附近的任何湿气来源。正国华宇作物模型有效融入这两种数据从而 创建了玉米，大豆和棉花产量指数。
卫星传感能够监测真实地表的温度和湿度，而偏离正常值的差值数更具有广泛的用途。从1988年到2008年，卫星每月不间断进行分辨率为30KM观测。实时监测 地表温度与多年平均值进行对比，数据差值就可以表明这段时间该地区是高于还是低于往常了，用累积概率的程度来表示从极度干旱到极度潮湿的范围。
由2005年7月18-24全球地表温度图，表明美国大部分地区、巴西和俄罗斯东部温度高于往年平均，加拿大，阿根廷及中国的部分地区温度低于往年平均。下图显 示是同一星期相对应地表湿度的差值。如图表明，中国的大部分地区相对常年来说要潮湿一些，而澳大利亚东北部和印度一部分地区湿度较大。我们在作物生长时期把温度与湿度 变化代入作物模型上，然后在作物生长期内可以通过对地表温度与湿度变化值对其产量进行估测。
结果及验证
为了验证SSMI的数据领先NASS的报告，利用中介机构的7月份的调查数据为基础，可以分别拿SSMI和NASS的八月份报告做比较。用SSMI的7月份数据 和NASS的八月底的数据（在九月报告）相比较，按次序的，用SSMI的8月份数据和NASS的九月份数据（在十月份报告）作比较。由于NASS是在下个中旬发表上个 月的月底报告的，所以SSMI的数据要比NASS的数据早了5个星期。
在此项研究中表明，作物生长期内产量的变化是与田间的情况变化是高度相关的，基于SSMI的作物产量预测模型与NASS在报告最终产量趋于一致。该模型在6月份底就能精确估测作物产量上的变化，而NASS直到8月中旬才所反应。
我们通过依荷华州玉米生生长过程的前期的预测产量，来继续验证模型，NASS最早可用的数据7月份监测要在8月份报告发布，可与SSMI基于6月份报告的产量相 比较。100代表是在最终产量方面是吻合最好的.（SSMI是在6月底，而NASS是在8月中旬），看下面的“产量预测”，在绝大多数年分看来，SSMI的6月份确定 的产量好于NASS的7月份产量。
下个问题是，基于SSMI的预测在产量变化方面是优于NASS不受作物生长期变化影响，为了证实这一点，选用三种作物：玉米，大豆和小麦，该项研究采用北达科达 州的春小麦和堪萨斯州的冬小麦，采用来自伊利诺伊和内布拉斯州大豆，小麦来自依荷华州和俄亥俄州。最初的成果是基于SSMI最终产量（9月底）和每年1月份发表的美国 农业部的NASS最终产量之间的关系，在不同的州每种作物的相关度达到96％。
另外，为了增加测试的可用数据，我们每个州每个作物的四个不同的生长阶段，这个能更好的测试SSMI的数据会随着生长期不断增加，领先于NASS。综上所述，是 采用SSMI的6月份数据和NASS的7月底数据相比较的，在整个作物整个生长周期内领先一个月的时间。
所有这些的检验表明以下三点：首先，NASS通常是保守的，慢慢的接近最终的正确产量。第二，它需要花时间去完成实地调查和分析结果。最后，及时，适时和客观的 数据能够提供宝贵的信息及缩短分析最终产量数据的时间。
由于SSMI的数据组的客观，全球和科学，被广泛的应用于许多政府和商业组织，为他们提供农产品更精确的评估。这个方法迅速的成为科学、及时的预测全球产量最佳 选择。现在一些大企业争相采用该技术，收益得到扩大和稳定。
