去年8月的一个早晨，一些经济学家、工程师、硅谷人士、捐助者和政策制定者齐聚加州大学伯克利分校校园，讨论衡量发展成果的前沿议题。这场 活动 的初衷并非让经济学家要求专家开发他们需要的测量工具，而是让测量科学家向经济学家介绍衡量发展相关成果的前沿进展。我们决定不等试点结果出炉，而是就其中一些想法撰写博客，并征求《发展影响》读者的意见。在本系列中，我们将从近期利用太空遥感测量农业作物产量的进展谈起。
为什么采用卫星遥感？
利用卫星测量人们关注的常见发展成果，这一潜力令研究人员和从业者振奋，原因有很多，其中最主要的是，按照“传统”方式测量这些成果（例如对家庭或企业开展调查），通常需要投入大量时间和金钱。与其撰写大额拨款申请、花数日奔赴偏远的田野调查点、雇用并培训调查员，还要应对调查中难免出现的各种问题，不如设想一下：你可以穿着睡衣坐在家里，只需点击几下鼠标，就下载研究某项计划或干预措施影响所需的数据？
这种基于“遥感”的研究方法显然令人着迷，如今大量高分辨率卫星图像不断采集并开放使用，也进一步推动了这一愿景。 近期兴起 的“纳米”或“微型”卫星技术——基本上就是由廉价小型卫星组成的星群，能够以很高的时间和空间分辨率对地球成像（例如我们的合作伙伴 Skybox）——在测量发展领域常见的各类成果方面，可能尤其具有潜力。在农业领域，这一点或许最为明显；与制造业不同，大部分农业生产都在户外进行。
这是如何实现的？
对于大多数农作物，尤其是非洲小农种植的玉米等主粮作物，几乎任何人都能从田间看出健康、高产作物与因养分或水分不足而产量低下的作物之间的基本差异。一个主要线索是颜色：健康植被反射和吸收的光波长与不那么健康的植被不同，因此健康玉米植株的叶片呈深绿色，而受胁迫或枯死植株的叶片则呈褐色。卫星传感器也能辨别可见光波段中的这些差异，同时还能测量其他波段的差异；事实证明，这对农业尤其有用。事实证明，健康植被会吸收可见光谱中的光，并强烈反射近红外光（人眼看不见）；这两个波段的反射率简单比值构成了大多数基于卫星的植被活力测量指标的基础，例如许多人可能听说过的归一化植被指数，简称 NDVI。比值较高，基本上说明观测到的是叶片繁茂、长势健康的植物。
关键在于将这些卫星测得的植被指数转换为作物产量指标。有两种基本方法（详情可参阅这篇不错的 综述文章 ，作者是 David Lobell ）。第一种方法将卫星植被指数与农场产量观测数据结合起来，这些观测数据通常来自家庭或农业调查。通过用卫星植被指数回归“真实的”调查产量指标，可以估算两者之间的关系，随后将其应用于卫星图像中可观测、但未进行实地调查的其他农田。第二种方法将卫星数据与既有估算结合起来，这些估算描述了不同生长条件下最终产量与植被活力之间的关系（通常根据作物模拟模型得出，可以将其理解为农学家版本的结构模型）。将卫星反射率测量值应用于这些关系，便可估算特定地块的产量。第二种方法的一个优点是，通常可以轻松纳入天气等其他随时间变化、也会影响植被与最终产量之间关系的因素。
效果如何？
这些方法主要用于发达国家和发展中国家的较大农田，部分原因是直到最近，可用卫星图像的分辨率通常还太粗，无法分辨非洲许多地区常见的极小地块（例如不足半英亩）。例如，MODIS传感器的分辨率为250米×250米，这意味着一个像素覆盖的面积超过15个一英亩地块。尽管如此，研究表明，这些方法在较大农田上的表现出乎意料地好。以下图表来自David Lobell及其合作者的研究，展示了 预测产量与观测产量之间的关系 ，研究对象是墨西哥北部的小麦；当地平均地块面积超过20公顷，相当于约50个一英亩地块。
图：墨西哥北部小麦产量，摘自Lobell等人2005年的研究。
虽然成功与否多少取决于观察者的判断，但在这两个案例中，观测产量与卫星预测产量的拟合度都相当不错：美国案例的总体R²为0.63，墨西哥案例为0.78。而且，至少在这两个案例中，构建产量预测时并未实际使用“地面实测”的产量数据，也就是说，研究采用的是上文所述的第二种方法。在这一情境下，这之所以可行，是因为科学家对这些作物及其生长条件下最终产量与植被活力之间的关系有良好的机理认知。
从富裕地区到贫困地区，从大地块到小地块
在《发展影响》读者主要关注的地区（例如非洲的小农地块）应用这些方法，难度更大。这不仅是因为地块面积小得多，现有卫星图像因而难以（往往根本无法）分辨它们，也因为缺少以下一项或两项： (i) 用于开发卫星预测方法的地面实测数据；和/或 (ii) 对这些环境下如何将产量映射到反射率测量值缺乏令人满意的机理认知。
来自地面和天空的新数据源正开始让这成为可能。上文提到的新型微型卫星上的传感器通常具有亚米级分辨率，这意味着现在可以从太空看到小农地块（一块半英亩的地会被2000多个像素覆盖）。此外，这些图像的采集频率足够高，能够确保在生长季节至少获得几张无云图像——在多雨的热带地区，这可不是小问题。
我们正与肯尼亚、乌干达和卢旺达的合作者携手，将这些新图像与我们收集的地面产量数据相结合，以了解卫星数据能否有效预测异质性小农地块的产量。下图是我们在肯尼亚西部绘制并持续跟踪的一些小农玉米地块地图，属于一项正在进行的实验 ，参与者是该地区的小农户。
这项工作的部分长期目标是：(i) 让已掌握地块边界和作物选择信息的研究人员利用卫星图像估算产量；(ii) 让没有地块边界信息、但关注更大范围农业表现（例如村庄或地区层面）的研究人员能够在相应尺度上跟踪产量。这项工作仍在进行中，但鉴于发达国家的经验，我们对此抱有希望。
一些挑战
尽管如此，要让这种方法大规模奏效仍面临明显挑战，而且这项技术能够提供的内容也存在明确局限，至少短期内如此。以下是其中几个主要挑战：
哪些地块边界，哪些作物。要在单个农场地块层面衡量成果，如果研究人员已经知道地块边界以及种植的作物，基于卫星的测量方法将最容易应用。随着卫星图像分辨率提高、计算机视觉算法得以开发并用于远程识别地块边界，这两项限制可能都会放宽；但研究人员仍需要一些地面信息，以了解哪些地块属于谁。
测量误差。即使掌握了地块边界，卫星图像也无法完美预测产量，因此将卫星预测产量作为结果指标，很可能会降低统计功效（不过，由于这些成果的调查测量值，例如农户自我报告的数据，本身也可能存在误差，目前尚不清楚卫星估算的噪声会大多少。）这几乎肯定意味着，这项技术无法识别那些规模较小、经常开展的农业随机对照试验中的小效应。
超越产量。最后，即使掌握了地块边界，且研究统计功效充足，卫星也很难测量我们关心的许多其他成果，例如利润或消费支出。短期内，卫星或许能够测量资产等相关成果（我们也在研究这一方向），但显然很难直接观测大多数家庭支出。
综合这些困难，我们是否应该干脆放弃卫星这条路？我们认为不应该，理由有二。首先，如果我们（希望能够）提高从太空准确测量小农产量的能力，这种能力将明显补充现有调查。例如，如果产量是主要结果指标，可以设想只做一次基线调查（绘制田块边界），然后在后续跟进时从太空测量结果。这样整个研究会更快、成本更低，从而能够扩大样本量，进而有助于应对上文提到的测量误差问题。
其次，我们仍然对为何某些农场和农户的生产力似乎远高于其他农场和农户知之甚少。观测到的差异是否主要由土壤类型和农户能力等相对不随时间变化的因素解释？还是天气等随时间变化的因素更重要？卫星数据或许特别适合研究这个问题（ Lobell的论文 也提供了很好的例子），因为我们可以汇集大量农田样本，轻松地持续跟踪其变化。因此，在这种情况下，卫星数据或许能提高统计功效，而且所有工作都可以穿着睡衣完成。
因此，我们再次对这种方法能带来成果抱有希望，也非常期待《发展影响》的读者分享看法：他们认为这项技术或相关技术最适合如何用于衡量发展影响？
本文最初发表于 世界银行《发展影响》博客。文章发表并不代表世界经济论坛认同其中的观点。
订阅我们的每周通讯， 及时了解论坛动态：Agenda。
作者：Florence Kondylis，世界银行发展影响评估部（DIME）高级经济学家
图片：显示地球的卫星图像。路透社。
