水稻是我国三大粮食作物之一,但其生长过程受到多种病虫害的威胁,其中以稻飞虱最为严重。我国发生的稻飞虱种类主要包括褐飞虱和白背飞虱,是我国的一类农作物病虫害,也是亚洲稻区威胁最大的迁飞性害虫。近20年来,稻飞虱在我国华南西南稻区的发生面积大、暴发频率高,造成了较严重的稻谷产量损失。有效防控稻飞虱的前提是大范围高精度的种群动态监测预报。然而由于稻飞虱种群时空动态的复杂性,人们对大尺度下稻飞虱种群动态认知尚不足,大尺度下准确的稻飞虱种群动态监测预报仍存在困难。其一,稻飞虱种群动态包含迁飞以及种群消长两大亚系统,具有多因子控制、非线性、时滞性等特点,以致现有主控因子分析方法难以准确地捕捉稻飞虱种群动态与其控制因子间的非线性依赖关系。相应地,缺乏准确的主控因子以及控制因子与稻飞虱种群动态间复杂的时空依赖关系,使得现有模型也难以准确表征大尺度下稻飞虱种群动态。其二,现有稻飞虱种群动态预报模型多从稻飞虱发生的气候背景出发,缺少对其寄主植被信息的利用。采用卫星遥感技术可以获取大尺度寄主植被信息,然而这依赖于准确的水稻种植区空间分布数据。但在多云雨雾的华南西南地区,利用光学遥感数据提取长时间序列的水稻种植区易受到云雾的影响,同时受到稻田破碎化和复杂种植制度等因素的限制。因此,本文针对上述问题展开针对性研究,主要研究工作及结果如下:（1）针对已有水稻种植区提取方法在多云雨雾地区应用难的问题,提出了一种适用于多云雨雾地区的水稻种植区提取算法。准确的寄主植被信息是稻飞虱种群动态主控因子探测和稻飞虱种群动态预报的基础,其获取需要依靠准确的水稻种植区分布信息。首先,提出了一种时间序列图像的超像素分割算法,并使用超像素平均特征作为后续分类算法的输入,以此来降低混合像元带来的误分类。其次,为降低水稻物候特征提取的难度和不确定性以及有效表征输入变量间的内在关联性,采用多元长短期记忆网络和全卷积网络分别对输入时间序列中的时序特征以及光谱指数间的关联特征进行自动提取。基于时序Landsat数据的实验结果表明,所提出的方法能有效提升多云雨雾地区水稻种植区的提取精度。利用时序MODIS数据,基于该水稻种植区提取算法,提取了2000～2019年华南西南稻区水稻种植区分布图,作为稻飞虱寄主植被信息提取的空间范围。（2）分析了华南西南地区褐飞虱和白背飞虱的田间种群和迁入种群在大尺度下的空间分布格局及其随时间变化的特征。本文基于华南西南地区2000～2019年历史虫情资料,采用空间统计分析方法,揭示了大尺度下稻飞虱迁飞及其后续种群发展的规律。首先,使用莫兰指数（Moran’s I）探究稻飞虱的空间分布格局,结果表明稻飞虱种群在最远800千米的距离内呈聚集分布,聚集距离在不同时间、不同种群之间存在差异。其次采用热点检测算法（Getis-Ord iG*）识别稻飞虱种群的主要聚集地区,并使用标准差椭圆分析种群聚集区随时间变化的规律。结果表明稻飞虱种群年际年内聚集的地区分布相对稳定,白背飞虱与褐飞虱种群聚集区的空间分布以纬向分布为主。此外,各地白背飞虱较褐飞虱更早迁入并建立其种群,且白背飞虱空间分布范围更广。最后探讨了不同稻飞虱种群间时空动态差异背后的生态过程,说明稻飞虱种群的生态过程是可以利用其时空分布格局进行推断。（3）针对稻飞虱种群动态主控因子的不确定性,提出PCMCI因果推断算法与条件互信息结合的稻飞虱种群动态主控因子探测方法。由于稻飞虱种群动态具有多因子控制、非线性以及时滞性等特点,现有稻飞虱种群动态主控因子分析方法难以排除因子间相互关联,并准确捕获稻飞虱种群动态主控因子,获得的主控因子仍存在不确定性。本文所提出的方法能在排除干扰因子的前提下,准确捕捉稻飞虱种群动态与其控制因子间非线性、时滞的依赖关系,并对依赖关系强弱进行量化。实验结果显示,在候尺度下,虫源与寄主植被状态对稻飞虱种群动态控制作用强于气象因子。稻飞虱田间种群动态对迁入种群、气象条件和寄主植被状态等控制因子的响应均存在时滞,且在不同稻区间响应时滞存在差异。（4）针对现有稻飞虱种群动态预报模型在对稻飞虱种群动态与其控制因子间时空依赖的表征方面存在的局限,构建了一个顾及时空依赖的稻飞虱种群动态预报模型。该模型为基于图卷积网络和长短期记忆网络的多分支结构模型。首先使用空间注意力和时间注意力构建了一个动态图卷积网络用于表征稻飞虱种群动态与虫源间的时空依赖。其次使用长短期记忆编解码网络来表征稻飞虱种群动态与寄主植被状态和气象条件间的时间依赖,同时在编码器后引入时间注意力机制来表征稻飞虱种群动态对控制因子响应时滞的差异。实验结果显示,所提出模型的预报精度优于本文对比的其他深度学习方法和传统的时间序列预测方法。