空间遥感技术越来越多地被应用到精准农业的农作物群体长势监测研究中,包括农作物群体长势参量遥感定量反演、农作物群体长势分级评估、多空间尺度遥感数据和产品定量监测农作物群体长势一致性分析评价等。本文从农作物群体长势遥感监测实际应用需求出发,开展多空间尺度遥感监测农作物群体长势研究,主要完成了如下研究工作：(1)针对农作物群体长势遥感监测的实际应用需求,构建了2个遥感可反演的新型农作物群体长势参量CGMI1和CGMI2(Crop Growth Monitoring Index, CGMI),能够从农作物的群体形态结构和群体生理活性两方面出发,综合定量描述农作物群体长势状况。新型长势参量建立在综合考量叶面积指数(Leaf Area Index, LAI)对农作物群体形态结构的表征能力和冠层叶绿素密度(Canopy Chlorophyll Density, CCD)对农作物群体生理活性的表征能力的基础之上,与已有长势参量相比,CGMI1和CGMI2能够较为全面地描述农作物的群体长势特征。(2)针对基于多空间尺度遥感数据和产品开展农作物群体长势分级评估的应用需求,提出了一种具有空间尺度自适应能力的长势参量阈值划分策略,并在数值划分的基础上,开展了农作物群体长势的多空间尺度遥感监测和分级评估研究。在对多空间尺度遥感反演农作物群体长势参量(CGMI1和CGMI2)进行数理统计分析的基础上,提出了一种数据统计分布直方图与正态(偏正态)分布统计理论相结合的长势参量阈值划分策略,增强了在多空间尺度下快速有效划分长势参量的鲁棒性。在长势参量定量划分的基础上,从农作物群体结构大、适中、小和群体生理活性强、适中、弱的角度出发,构建了农作物群体长势分级评估体系。(3)针对基于多空间尺度遥感数据和产品定量反演LAI和CCD存在的总体差异问题,设计了一种数据分析策略,能够定量描述不同空间尺度遥感观测数据、不同农作物长势参量(LAI和CCD)遥感反演模型、农作物长势参量(LAI和CCD)尺度效应对多空间尺度遥感反演LAI和CCD总体差异的具体影响和贡献大小。该方法的本质是依据总体差异的影响因素所属类别不同,开展数据分层分析,基于数理统计知识量化各影响因素对多空间尺度遥感反演LAI和CCD总体差异的贡献率,为后续差异校正研究提供分析依据。(4)针对不同空间尺度遥感观测数据引起的多空间尺度遥感反演LAI和CCD的总体差异问题,提出了一种基于正态分布统计理论的多空间尺度遥感观测数据差异定量分析及校正方法。该方法在较小空间尺度遥感观测数据存在的情况下,能够依据统计模型开展较大空间尺度遥感观测数据的正态分布形态校正,从而极大地降低不同空间尺度遥感观测数据引起的LAI和CCD多尺度反演差异。此外,由于该方法仅依赖于多空间尺度遥感观测数据的统计分布特性,对数据的空间分布形态与特征无要求,故而该方法可适用于具有不同地表下垫面结构的研究区。(5)针对农作物长势参量(LAI和CCD)尺度效应引起的多空间尺度遥感反演LAI和CCD的总体差异问题,提出了一种基于切比雪夫多项式逼近理论的长势参量空间尺度转换模型,能够有效地校正尺度效应带来的LAI和CCD多尺度反演差异。该模型不但可以定量描述长势参量遥感反演模型的非线性程度和遥感反演模型驱动变量的非线性程度对LAI和CCD尺度效应的具体影响和贡献大小,而且与基于泰勒级数展开的尺度转换模型相比,在具有不同地表下垫面结构的研究区中更具普适性。(6)针对多空间尺度遥感数据和产品定量监测农作物群体长势一致性分析评价的应用需求,开展多尺度遥感监测群体长势结果的空间一致性分析研究。旨在对多空间尺度遥感反演LAI和CCD的总体差异进行校正的基础上,定量分析研究区农作物群体长势分级评估结果的空间分布形态和特征的变化,从而为在具有不同地表下垫面结构的研究区中开展多尺度农作物群体长势遥感监测研究的合理性和可行性分析评价提供依据。本文选取具有不同地表下垫面结构的4个研究区：黑河流域盈科绿洲区(绿洲下垫面：集中连片的农田规模较大,空间分布不均衡)、内蒙古海拉尔农垦拉布大林农牧场区(东北农田下垫面：集中连片的农田规模较大,空间分布较为均衡)、河北省粮食主产区(华北农田下垫面：集中连片的农田规模较小,空间分布较为均衡)、北京市顺义区和昌平区(城镇下垫面：集中连片的农田规模较小,空间分布不均衡),基于上述算法和模型开展了3类农作物：小麦、玉米、大麦的群体长势定量遥感监测,以及多空间尺度遥感数据和产品监测农作物群体长势结果的一致性分析研究与探讨。