明确作物实际产量与可获得潜在产量之间的产量差对于揭示现有耕地的粮食增产潜力、保障未来粮食安全具有重要意义。目前,基于遥感的作物产量差研究体系尚不完善,一方面,在实际产量模拟中,由于缺少高分辨率的作物生理变量数据驱动,遥感估产模型往往缺乏田间实证与校准;经验统计模型和生理过程模型之间缺少对比分析,如何选择合适的估产模型进行准确的产量差评估亟需验证。另一方面,可获得潜在产量的空间分布信息难以明确,如何划分重点增产区域仍需探索。针对以上问题,本文从（1）作物关键生理变量的高分辨率反演、（2）遥感估产模型的多尺度实证、（3）不同模型方法的对比分析,以及（4）可获得潜在产量的空间估算四个方面,发展并完善了作物产量差的遥感估算体系。以东北水稻为应用案例,定量模拟分析了其产量差的空间分布规律。主要内容包括:（1）构建基于贝叶斯理论与辐射传输模型的作物叶面积指数（Leaf area index,LAI）高分辨率反演算法。算法结合多源高分辨率卫星反射率和LAI实测数据,对模型变量的先验分布进行了贝叶斯校准,进而将变量的先验信息用于LAI后验分布的采样预测。验证结果显示,算法对水稻、玉米、小麦反演的LAI均方根误差分别为0.97,1.01和1.33,决定系数R~2为0.63,0.67和0.76。算法性能优于现有哨兵应用系统（SNAP）的内嵌算法,并具有可融合多源遥感数据、输出反演结果不确定性、可弥补模型自身假设缺陷等独特优势。高时空分辨率的LAI反演为遥感估产模型的田间驱动提供了重要的数据支撑。（2）探究遥感光合模型在田块尺度对多作物、多种植背景下生物量的动态模拟能力。遥感光合模型描述了作物光合作用等关键生理过程,是产量模拟的有力工具,然而其面向区域应用的模型结构鲜少得到田间实证。研究基于高分辨率LAI反演结果和广泛的大田实测数据,针对不同作物（水稻、玉米、小麦、大豆）进行了参数校准与模型验证。结果显示,本地校准可以有效纠正默认参数导致的显著高估误差,校准后模型在所有作物全生育期内生物量模拟中无明显偏差(bias=15.2 g m-2,1.8%),RMSE为261.9 g m-2（31.4%）,R~2为0.88;生物量动态模拟结果与生育期内的采样观测吻合。研究提升了区域遥感模型在田块尺度的模拟能力,为多尺度产量模拟奠定了良好的模型基础。（3）对比验证生理过程（Process-based,PB）模型和机器学习（Machine Learning,ML）在区域水稻产量模拟中的精度和一致性。研究首先评估了多种ML算法对水稻产量的模拟性能,针对训练数据代表性不足所造成的系统性误差,提出旋转校正算法。进而采取遥感光合模型和校正后随机森林模型作为PB模型和ML模型代表,对比验证不同模型方法对于东北水稻产量的模拟精度。2006–2016年县级验证结果显示,两种模型的模拟产量与统计数据均有良好一致性,皮尔森相关系数（r）和RMSE分别为0.63,1355.3 kg ha-1（17.3%）（PB模型）和0.70,1205.0 kg ha-1（15.4%）（ML模型）。PB模型在模拟产量概率密度分布方面具有更高的准确性,而由县域平均产量训练得到的ML模拟结果在像元尺度存在显著的空间均质效应。（4）构建基于环境分区的可获得潜在产量估算方案,明确重点增产区域划分方法。提出将研究区划分为具有相似气候、地貌和土壤条件的环境子区,统计子区内实际产量的高百分位数（95%）作为该环境条件下农户可获得潜在产量;进而对比各子区与整个研究区的平均潜在产量和产量差结果,将子区划分不同增产优先级。基于以上方案,研究进一步对比验证了不同估产模型在产量差研究中的优势及不确定性。结果显示,PB模型在东北水稻产量差估算中具有更稳健的模拟性能,像元尺度的作物生理建模在产量差估算中具有优势;ML模型估算的可获得潜在产量和产量差偏低,采用更具代表性的田间实测数据对ML模型进行训练对于提升产量差模拟精度至关重要。东北地区现阶段水稻产量差为2454 kg ha-1,约占可获得潜在产量的24.0%;辽宁南部具有较大的增产潜力,通过优化农户栽培管理措施可实现较大产量提升;而北部三江平原区实际产量与潜在产量较为接近（实际产量占比＞80%）,产量提升空间有限且需依赖进一步的技术进步或育种突破。