本研究提出一种统计数据空间化的方法构建多时像农作物种植格局空间数据集来解决数据缺失的问题。该方法采用两层嵌套结构实现土地利用层和农作物层模拟，其中第一层模拟的耕地数据用于控制第二层农作物种植格局空间模拟范围。第二层农作物层采用空间迭代的方法按分配规则进行农作物面积统计数据空间化，最终实现农作物空间格局动态模拟。该模型在中国黑龙江省地区进行2000-2019年农作物空间格局模拟，结果表明模型模拟精度较高，能够实现长时间序列的农作物种植面积统计数据空间化应用，未来该模型能广泛应用于农业土地系统各方面研究及生产应用。

快速、准确地获取大区域、高分辨率的作物类型分布图对农业精准管理与可持续发展具有重要意义。受遥感影像质量和数据处理能力的限制，使用遥感技术进行大尺度的作物分类仍是一项巨大的挑战。本研究的目的是使用Google Earth Engine（GEE）结合Sentinel-1和Sentinel-2影像绘制黑龙江省的作物分布图，首先收集2018年作物生长关键期（5月至9月）覆盖研究区域所有可用的Sentinel-1与Sentinel-2影像，并对影像进行月度合成，然后将月度合成影像的不同反射率波段、植被指数与极化波段作为输入量结合随机森林方法进行作物分类。结果表明使用本研究提出的方法可以准确地获得黑龙江省作物分布图，作物分类总体精度达到89.75%。本研究还发现相比仅使用传统波段（可见光波段和近红外波段）进行作物分类，增加短波红外波段可以显著改善作物分类的准确性，其次是增加红边波段，增加常见植被指数和Sentinel-1数据对作物分类的精度提升不大。本研究还分析了作物分类的时效性，结果表明当7月份的影像可用时，作物分类精度的提升幅度最大，作物分类的总体精度可以达到80%以上。本研究结果为基于遥感的大尺度、高分辨率作物分布图的制作提供支持。

为有效验证Sentinel-2影像与CERES-Wheat模型同化进而提高区域作物估产的精度，本文以中国黄土高原东南部三个县（襄汾县、新绛县和闻喜县）为研究区，应用集合卡尔曼滤波算法同化Sentinel-2影像反演的LAI和CERES-Wheat模型模拟的LAI，得到冬小麦生长期逐日的LAI同化值。对比改进的层次分析法、熵值法和归一组合赋权法对不同生育期LAI赋权，并与冬小麦实测单产值进行模型构建，进而对作物进行准确估产。研究结果表明：（1）同化LAI遵循了模拟LAI在冬小麦生育期的生长变化趋势，且在Sentinel-2影像反演LAI的修正下，返青期至抽穗-灌浆期的LAI得到提高，乳熟期的LAI下降减缓，更符合冬小麦LAI的实际生长变化情况；（2）基于实测LAI数据的检验表明，同化LAI比模拟值和反演值的RMSE分别降低了0. 43 m²/m²、0.29 m²/m²，同化过程提高了时间序列LAI的估测精度；（3）归一组合赋权法计算的加权同化LAI与实测单产构建的回归模型决定系数最高R²为0.8627，RMSE最小472.92kg/ha，应用此模型对研究区冬小麦进行估产，县域估测平均单产与统计单产相对误差均小于1%，证明高时空分辨率的Sentinel-2数据融入作物模型能得到更高精度的区域估产结果。

氮素营养指数（NNI）是作物氮素诊断的可靠指标。然而，目前还没有适用于多生育时期NNI反演的光谱指数。为克服传统NNI直接反演方法（NNI_T1）和通过反演生物量（AGB）和植株氮浓度（PNC）进行NNI间接反演方法（NNI_T2）在多生育期应用的局限性，本文构建了一个新的NNI遥感指数（NNI_RS）。本文基于连续四年（2012–2013（Exp.1），2013–2014（Exp.2），2014–2015（Exp.3）和2015–2016（Exp.4））的冬小麦田间试验，采用交叉验证方法利用氮素相关植被指数和生物量相关植被指数构建了遥感关键氮浓度稀释曲线（N_{c_RS}）和根据NNI构建原理得到的NNI_RS进行综合评价。结果表明：（1）由标准叶面积指数决定指数（sLAIDI）和红边叶绿素指数（CI_{red edge}）构建的NNIR_S模型表达式为NNI_RS=CI_{red edge}/（a×sLAIDI^b），在Exp.1/2/4，Exp.1/2/3，Exp.1/3/4和Exp.2/3/4中参数“a”分别等于2.06，2.10，2.08和2.02，参数“b”分别等于0.66，0.73，0.67和0.62；（2）与NNI_T1和NNI_T2模型相比，NNI_RS模型的精度最高（R²的范围为0.50–0.82，RMSE的范围为0.12–0.14）；（3）NNI_RS在验证数据集中也达到了较好的精度，RMSE分别为0.09，0.18，0.13和0.10。因此，本文认为NNI_RS模型在氮素遥感诊断中具有较大的潜力。

土地利用/覆盖变化(LUCC)对区域气候的影响是实现土地利用系统可持续发展和减缓全球气候变化的关键，然而关于LUCC对降水和气温等气候因子变化影响的定量分析研究仍十分有限。本研究采用统计和重心模型模拟相结合的方法，定量分析了1980-2018年间我国东北松嫩平原LUCC对降水和气温的长期影响。结果发现LUCC的时空变化特征如下：该地区水田面积增加最多(15,166.43 km²)，旱地次之，由于过度的农业开发利用导致湿地减少最多(19,977.13 km²)；1980年以来该地区年平均降水量以-9.89 mm/10a的速率呈现下降趋势，年平均气温变化则呈显著上升趋势，上升变化率为0.256℃/10a。进一步通过重心模型模拟发现：水田、林地以及湿地重心变化与降水重心的变化呈正相关，建筑用地、旱田与未利用地重心变化与降水重心的变化呈负相关，林地较其它用地类型对年降水量增加的促进作用最为明显。建筑用地是对年平均气温增加起促进作用最大的用地类型，最小的是林地。总之，在区域尺度下土地利用/覆盖变化分析表明湿地减少、建筑用地和农业用地增加导致了松嫩平原持续干旱和气温快速变暖。

本研究构建了一个可直接估计空间不确定性的集合式机器学习模型，即分位数回归森林，定量土体深度与环境条件之间的关系。将该模型与丰富的环境协同变量结合，预测了位于我国西北地区、面积为14万km²的黑河流域的土体深度空间分布，估算了制图结果的空间不确定性。使用了275个土体深度观测样本和26个环境协同变量数据。结果显示，模型预测精度R²为0.587，RMSE为2.98 cm（平方根尺度），可解释近60%的土体深度变异。土体深度图清晰地展示了土体深度的区域分布模式和局部细节。谷底、平原等低平低洼景观部位土体深度较大，而山坡、山脊、台地等高陡景观部位土体深度较小；绿洲内土体深度明显大于绿洲之外的荒漠地区，冲积平原中部土体深度明显大于边缘地带，而湖泊平原中部土体深度明显小于边缘地带。高的预测不确定性主要出现在可达性差、缺少样本的区域。分析发现，土壤发生过程和地貌过程共同塑造了该流域土体深度的空间模式，但地貌过程起主导作用。这一点可能也适用于世界上其它寒旱地区类似的“高寒山地-平原绿洲-荒漠戈壁”流域。