沙漠蝗是全球发生危害最严重的迁飞性害虫。沙漠蝗的暴发易造成全球性粮食危机,严重威胁生态安全、区域稳定和人类福祉。由于成熟蝗群的强破坏力和高机动性,预防控制需在蝗蝻羽化成熟并聚集迁飞之前采取行动。因此,及时有效的沙漠蝗发生风险预测,对于蝗灾早期预警和决策制定具有重要意义。对地观测技术的快速发展为大尺度空间连续的高精度沙漠蝗发生风险预测提供了契机。然而,当前蝗虫发生风险遥感预测研究多基于虫害发生的近实时环境因子展开,未考虑蝗虫发生对环境因子响应的滞后效应。因此,本研究以2018-2020年亚非沙漠蝗灾中受灾严重的索马里、埃塞俄比亚和肯尼亚三国为研究区,耦合了2000-2020年长时序沙漠蝗地面观测数据、遥感数据、气象数据以及基础地理等多源对地观测数据,结合沙漠蝗发生发展规律,解析了沙漠蝗发生对环境波动的滞后响应机制,提取了考虑时间滞后效应的沙漠蝗发生风险遥感预测指标;采用机器学习方法构建了耦合多元环境因子的沙漠蝗发生风险遥感预测模型,并验证了预测模型的时空适用性和稳健性,为沙漠蝗灾的预防性管理和控制提供理论基础、数据支持和方法支撑。主要研究内容和结论如下:（1）首先根据沙漠蝗发生的环境机理获取了数字高程模型、土地利用/覆盖、土壤含沙量、黏土含量、淤泥含量、粗屑体含量共6种与沙漠蝗发生密切相关的静态环境因子;然后基于多源时序遥感数据及相关产品提取了降雨量、土壤湿度、归一化植被指数（NDVI）、地表温度（LST）4种动态环境因子在沙漠蝗发生前序的时间滞后变量（每8天为一个变量,共12个变量,即lag12,lag11,lag10,…,lag02,lag01）;在此基础上采用双列相关法、逻辑斯蒂回归—优势分析法、随机森林—基尼系数法3种统计方法,通过分析上述环境因子时间滞后变量的重要性,实现了考虑环境因子滞后效应的沙漠蝗发生风险预测指标提取。结果显示,lag08-lag06（观测到沙漠蝗发生前41-64天）的降雨量、lag11-lag09（发生前73-80天）及lag05（发生前33-40天）的土壤湿度、lag05-lag03（发生前17-40天）的NDVI、lag12（发生前89-96天）和lag03（发生前17-24天）的LST对沙漠蝗发生的影响最大,可与静态环境因子结合,为沙漠蝗发生风险预测提供了融合沙漠蝗发生过程机制的遥感预测指标。（2）基于考虑了时间滞后效应的多元环境因子,构建了多元时间滞后滑动窗口与机器学习相结合的沙漠蝗发生风险遥感动态预测模型,并对研究区2020年2月至12月的沙漠蝗发生风险进行了月度预测实验,提取了研究区沙漠蝗发生的高、中、低风险区,并分别验证了SVM和RF算法的预测精度,分析了模型的时空适用性和稳定性。结果显示,基于SVM和RF的预测模型整体精度分别为77.46%和73.18%,ROC-AUC值分别为0.767和0.732,F1得分分别为0.772和0.737。SVM模型对沙漠蝗发生风险预测的灵敏度和特异度较为平衡,因此总体精度略优于RF,且预测表现的时序稳定性较强。而RF模型在3月和4月的预测表现略优于SVM模型,对研究区春季沙漠蝗发生风险区的提取显示出更高的潜力。该模型可实现提前16日的日度沙漠蝗发生风险动态预报,为沙漠蝗地面预防性控制措施提供早期预警和决策支持。研究区域沙漠蝗地面预防控制应当重点防控5-6月和11-12月的肯尼亚图尔卡纳湖周围、索马里中部荒漠地带和埃塞俄比亚的裂谷区等中高风险区。