随着遥感技术的发展,使得遥感数据源具有了多样性、实时性和动态性等特点。近年来,遥感技术在作物病虫害监测和预测方面发挥着巨大的优势,能快速、无损、大范围的获取作物病虫害发生和发展信息。然而,如何有效利用多源遥感数据,最大程度地获取数据中的有效信息,构建出简单、普适性较强的监测预测方法是一个重要的研究问题。本研究重点基于星载多时相光学与热红外数据,在田块尺度上开展小麦病虫害的监测、预测模型和方法研究。在全国尺度上基于美国对地观测计划系统(EOS)的中分辨率成像光谱仪(MODIS)数据和中国气象局的全国气象栅格数据,对全国小麦主产区的小麦条锈病、白粉病和蚜虫等主要病虫害进行了遥感监测。具体研究内容和结果如下：1、在区域尺度小麦白粉病发生面积监测方面,本文利用多时相环境星HJ-CCD数据,选择能够反映叶面积指数(LAI)、叶绿素(Chl)及冠层结构变化机制的常用光谱特征,构建单变量监测模型和多变量监测模型对小麦白粉病发生面积进行监测。试验结果表明：基于单时相单个光谱特征监测结果的总体精度范围为68.4%-75.4%,其中修正土壤调节植被指数(MSAVI)的总体精度最高,可能是由于MSAVI不仅可以减少土壤和植被冠层等背景的干扰,还能较好地反映叶面积指数LAI的动态变化。在四个原始波段中,近红外RNIR的总体精度最高。相比之下,基于多时相的MSF模型比单时相监测模型精度有明显提高,说明多时相的光谱特征变化可以帮助排除小麦白粉病影响外的其他田间胁迫影响。MSF-AdaBoost模型的总体精度最高,对病害样点漏分误差和错分误差分别为9.5%和7.3%,均低于其他模型。2、预测作物病虫害发生情况相比于监测更能有效实时的制定防治措施,降低作物产量损失。本文在小区域尺度上利用多时相的环境星HJ-CCD光学数据和HJ-IRS热红外数据,用比值植被指数(RVI)和归一化植被指数(NDVI)两种植被指数监测冬小麦的长势状况,反演地表温度(LST)和垂直干旱指数(PDI)来监测农田生境信息,分别利用相关向量机(RVM)、支持向量机(SVM)和逻辑回归(LR)方法建立了北京郊区冬小麦灌浆期蚜虫发生预测模型,并对比分析了3种模型预测精度。试验结果表明,RVM的分类预测精度可达到87.5%,优于SVM和LR。另外,相比于两种模型,RVM的计算时间也大大缩短。3、在全国尺度上进行小麦病虫害发生严重度的监测。考虑到同一年份不同植被类型的物候期存在差异,使得不同类型植被的归一化植被指数(NDVI)在一年内的变化曲线不同,从而利用MODIS-NDVI时间序列产品,然后分析中国区域不同省份植被类型、主要农作物种类、耕作制度及作物生育期与对应的NDVI曲线特征,提取中国大陆区域各省的小麦种植区域。小麦病虫害的发生、发展与气象条件、生境条件以及作物长势紧密相关。本研究从小麦病虫害发生机制出发,将遥感和气象数据相结合,建立的小麦病虫害综合预警监测模型,突破了以往单纯利用气象数据或单纯利用遥感数据进行监测的方式。首先,结合病虫的生境需求,通过气象数据初步确定病虫害发生的适宜范围,在此基础上,再结合病虫害光谱特征,使用MODIS-LST产品和MODIS-NDVI分别来监测地表温度和小麦长势,实现小麦病虫害的大面积监测和严重度评估。