6.3.1 环境指标 (EI)
本通报基于作物生育期的环境指标，比较了不同年份、不同地区国家的环境因子对农作物生长的影响。通过对农业区赋予较高权重，关注区域每年一个数值，从而可以在相同的空间和时间尺度上与其他变量或指标（如农业统计数据和社会经济指标）进行比较。
对于降雨，前人研究了降雨环境指标（73），并实际应用于综合分析（74），（75）。本次通报将这种指标计算方法推广到其他环境因子（气温和光合有效辐射（PAR）），在不同区域（如CPSZ,国家或其他空间单元）分析了三种环境指标（降水、气温和PAR）对农业生产的影响。
环境指标的计算基于25km空间分辨率的环境因子数据，利用潜在净初级生产力(NPPP)（72）作为权重（象元的潜在生产力越高，权重值越大），结合耕地掩膜计算了各区域在用户定义时段内的累积值。其中，PAR和降水两个因子采用了简单累加，而对温度选取大于5°C的值进行累加。对于时段的选取，大部分分析采用全年的累加(从2012年10月到2013年9月)，当使用特定时段时，文中都会标注(如北半球冬季作物使用了1月到5月生长期的累加)。
6.3.2 总产，面积和单产
总产
在30个主产国的总产估算中，通报充分考虑了各个国家的作物物候特征，采用各国当前生长季内的平均NDVI结合作物掩膜以及前两年的作物产量统计数据，估算了今年四种粮油作物（玉米、小麦、大豆和水稻）的总产量，计算公式如下所示：
其中，i代表关注年份; a, b, c, d为利用2002-2012年平均NDVI和2000-2011年FAOSTAT产量统计数据由逐步线性回归得到的四个系数。
对于中国，各种作物的总产通过单产与面积的乘积进行估算，公式如下所示:
面积
通报基于CropWatch系统利用作物种植比例（播种面积/耕地面积）和作物种植结构（某种作物播种面积/总播种面积）对中国四种粮油作物（玉米、小麦、大豆和水稻）的播种面积进行了估算。其中，种植比例基于高分辨率的环境星（HJ-1 CCD）数据由非监督分类获取，中国的作物种植结构通过GVG系统由田间采样获取（可参考6.3.6节）。通过农田面积乘以作物种植比例和作物种植结构得到不同作物的播种面积。
对30个主产国的作物面积估算，通报采用了两种方法。第一种方法是基于时间序列MODIS NDVI数据提取不同作物的特征曲线进行面积的估算(78) (79) (80) (81)，另一中方法是基于前两年面积统计数据的回归，公式如下：
其中a, b, c 是基于FAOSTAT统计数据或各国面积统计数据通过逐步线性回归得到的三个系数。
单产
30个主产国的单产由总产和面积计算，如下式：
中国单产的估算采用了农业气象模型以及遥感指数两个模型(82) (83)。通过将两种模型的估算结果进行综合平均，对中国2013年四种作物的单产进行了估算。
6.3.3 复种指数（CI）
复种是指在同一田地上一年内接连种植两季或两季以上作物的种植方式，复种指数是用来描述耕地在生长季中利用程度的指标，通常以全年总收获面积与耕地面积比值计算（84），也可以用来描述某一区域的粮食生产能力（85）。本通报采用范锦龙等人（86）提出的方法，基于经过S-G方法（87）平滑后的MODIS时间序列NDVI曲线，提取曲线峰值个数、峰值宽度和峰值等指标，计算耕地复种指数。
复种指数的提取最终相当于时间序列NDVI 曲线峰值频数的提取。本通报利用差分方法提取经S-G平滑后的NDVI散点序列的极大值个数。
假设一个像素由包含N 个元素的离散点系列S构成, 由S 的前后两个元素值的差构成包含N - 1个元素的点系列S1, 即
其中，DIFF为取前后两个元素值差的函数。接着判断S1 各个元素值的正负, 如果S1 的某个元素值小于0, 就把这个元素的值赋为- 1, 如果大于等于0, 就把这个元素的值赋为1, 存为点系列S2, 即
其中，SIGN为判断元素值为正负的函数。然后, 再求S2 的前后两个元素值的差, 形成点系列S3, 即
最后，统计点系列S3 中元素值为- 2 的元素个数，元素值为- 2 的总个数即为求得的极大值个数，即NDVI曲线中峰值的个数。基于上述公式，再利用NDVI阈值等条件加以限制，最终计算得到取值为1,2和3，代表一季，两季和三季种植的像元级复种指数分布图。
6.3.4 未种植耕地比率 (UAL)
本通报中，引入未种植耕地比率目的是为了表征某一行政区划内在过去一年内未被耕种的耕地面积占耕地总面积的比例。众多研究成果表明，NDVI与鲜活植被具有较高的相关性(88) (89)，因此本通报中使用时间序列MODIS NDVI数据用于耕种与未耕种耕地的识别。对于每一像元，利用S-G平滑算法(87)对每年的作物生长曲线进行平滑，并逐像元的提取2002年至2013年每年的NDVI峰值，同时计算2002年-2012年间各像元年度NDVI峰值的均值（NDVIm）以及多年NDVI峰值的标准差（NDVIstd）。基于这些参数，利用NDVI阈值法(90)(91)和决策树算法对2012年10月-2013年9月期间的耕种与未耕种耕地进行区分。NDVIm与NDVIstd的差值被引入到决策树分类过程中，可以在一定程度上削弱年度间作物长势差异造成的分类误差。分类树的规则如下：
6.3.5 潜在生物量比例（PBR）
潜在生物量比例 (PBR) 是本通报提出的一个用于衡量当前作物生物量潜力的新指数。由于NDVI与植被生产力与生物量具有很好的相关性(92)(93)(94)(95)，本通报使用NDVI作为作物生物量的近似，利用长时间序列的NDVI指数计算了PBR，公式如下所示：
其中，NDVImax_c 代表当前年份最大NDVI值，NDVImax_h 代表历史最大NDVI值，NDVImin_h 代表历史最小NDVI值。考虑到NDVI峰值可以反映纯植被信息，较少受土壤等背景因素的影响，NDVImax_c和 NDVImax_h 可通过遍历NDVI时间序列获取。但是NDVImin_h会受土壤、云雨等因素的影响，不能简单使用遍历方法，因此本通报引入了最小NDVI经验值（0.15）进行NDVImin_h的计算，具体如下所示：
作为当前生物量与历史最大生物量的比值，PBR的取值范围在0-1间。PBR值越高，代表该年度的潜在生物量越大。
6.3.6 作物种植结构
作物种植结构是指在某一行政单元或区域内，每种作物的播种面积占总播种面积的比例。作物种植结构仅用在国内的作物种植面积估算中(76)。作物种植结构数据通过利用GVG采样系统在特定区域内开展地面观测，通过系统采集的大量的作物照片来估算每一区域各种作物的种植比例(96)(97)(98)(85)。
6.3.7 时间序列聚类
时间序列聚类方法就是自动或半自动地比较时间序列栅格影像中各像元的时间序列曲线，并且把具有相似特征曲线的像元归为同一类别，最终输出不同分类结果的过程。这种方法的优势在于能够综合分析时间序列数据，捕捉其典型空间分布特征。在全球农情遥感速报中，我们应用了VITO为JRC/MARS开发的SPIRITS软件，对NDVI和VHI时间序列影像（当前作物生长季与近5年平均的差值）进行了时序聚类分析。