基于衛星遙感預測農業干旱有兩種方法，一種方法是在干旱監測的基礎上，通過干旱時空預測模型對未來時間段內的農業干旱狀況進行模擬;另一種方法是在作物生長模型的基礎上，改進其水分脅迫模塊，構建作物干旱監測模型，將遙感觀測作為同化干旱脅迫的中間變量，并結合短、中、長期氣象數據進行農業干旱預測。

基于干旱指數的農業干旱預測

基于遙感干旱指數預測農業干旱具有重要研究價值。這類研究主要是以時間序列遙感干旱指數作為輸入數據并基于時序分析等方法預測未來時間段內的干旱變化。例如，韓萍等運用求和自回歸移動平均(Auto Regressive Integrated Moving Average，ARIMA)模型對VTCI時空序列進行分析建模并開展冬小麥生長季內干旱分析預測，結果表明基于該模型的1~2步預測可以較好地預測區域干旱變化情況。李俐等應用ARIMA模型和季節性求和自回歸移動平均(Seasonal Auto Regressive Integrated Moving Average，SARIMA)模型對夏玉米生長季內的VTCI進行建模預測，結果表明ARIMA模型具有比SARIMA模型更高的VTCI預測精度，且基于ARIMA模型的VTCI 1~3步預測在多個年份間具有較穩定的精度表現。

歷史干旱數據呈現大數據特征，人工智能算法可有效挖掘歷史年份的數據特征，進一步提高干旱預測精度。近年來，研究人員開始基于神經網絡和深度學習的方法進行干旱預測，取得了較好的結果。隨著遙感技術的快速發展，遙感反演地面上干旱指數本身已具備空間大數據特征，此外隨著多衛星傳感器的組合使用，遙感干旱指數也具有越來越高的時間維度。目前，針對遙感干旱指數，基于機器學習算法的農業干旱預測研究還較少，這將是未來的一個研究熱點。

基于作物生長模型的農業干旱預測

農業干旱預測的落腳點為預測干旱對作物長勢的影響程度。從這一角度考慮，基于作物生長模型的農業干旱預測方法具有重要研究價值。作物生長模型依靠氣象數據進行驅動，通過引入未來一段時間內的氣象預報數據，可以有效模擬作物在未來時間段的生長狀態并預報作物的干旱脅迫狀態。

此外，將作物生長模擬與農業干旱監測相結合，對作物生長模型進行改進，以實現對農業干旱的監測與預警。例如，吳熠婷等利用天氣發生器LarsWG5.5模擬未來時間段內的氣象數據并將其輸入校準后的作物生長模型，進而預測氣候變化條件下冬小麥產量并評估減產風險。

遙感觀測可以及時反映地表的瞬時狀態，有效監測農業干旱程度。對于上述干旱預測模型而言，引入相關遙感觀測量可以進一步提高模型的預測能力。因此，將氣象、水利和農業農村部門提供的中長期氣象數據作為這些模型的輸入數據，運用數據同化技術，耦合遙感觀測量(如土壤水分)與模型模擬值，可以有效提高模型的農業干旱預測能力。

例如，王治海等基于改進后的ARID CROP模型，利用AMSR-E傳感器獲取的區域農田水分信息作為模型中間變量，從而預測農業干旱的動態變化，結果表明將遙感觀測信息引入改進后的作物生長模型能有效提高冬小麥生長發育的預測能力和區域農業干旱的預測精度。