作物模型應用與遙感信息集成技術研究進展*

彭慧文，趙俊芳，謝鴻飛，房世波

作物模型應用與遙感信息集成技術研究進展*

彭慧文，趙俊芳**，謝鴻飛，房世波

（中國氣象科學研究院災害天氣國家重點實驗室，北京 100081）

作物模型和遙感技術以各自獨有的優勢在作物生產監測、評估及未來預測等方面發揮著關鍵作用。作物模型與遙感信息集成技術在大尺度、高精準的農業生產監測、評估與預測上具有明顯的應用優勢和廣闊的發展前景。為了促進這些技術在區域尺度上的作物產量預測、農業氣象災害影響評估及農業應對氣候變化決策等方面更加廣泛地應用，本文采用文獻綜述的方法，系統歸納了歐洲、美國、澳大利亞及中國作物模型的發展與應用，總結了當前主流的數據集成方法的原理、特點和不足，概述了作物模型與遙感信息集成技術的實際應用，探討了提升數據集成精度存在的問題，并對未來研究方向進行展望。結果表明，國內外對于作物模型及其與遙感數據集成的研究與應用廣泛而深入，利用同化方法能夠有效提高作物模型模擬精度，為作物模型實現區域尺度作物生長及產量評估、氣候變化對產量影響、農田管理決策等提供技術支撐。作物模型模擬結果及遙感反演數據的不確定性、數據同化策略的多樣性以及尺度效應是進一步提高集成系統精度與效率的限制因素。因此，遙感數據多源融合、同化過程多變量協同、作物模型多類型耦合以及數據高性能并行計算是未來作物模型與遙感數據集成研究的發展趨勢。

遙感；作物模型；數據集成技術

作物模型基于土壤?作物?大氣系統，綜合融入氣象參數、土壤參數、作物參數、田間管理措施等要素，在單點尺度上以特定時間步長動態模擬作物的生長發育過程，對與作物生長發育及產量形成密切相關的光合、呼吸、蒸騰、營養和生殖生長等生理過程進行定量表達，既可以監測作物生長狀態和產量，也可以監測作物生長發育和產量形成對環境變化和栽培措施的響應，以做出促進高產、優質、高效的田間管理決策。目前作物模型主要應用于作物生長及產量評估、氣候變化對產量影響、農田管理決策支持等方面[1]。但是在應用尺度從單點擴展到區域時，受到地表環境非均勻性和復雜性的影響，會出現模型中一些宏觀資料難以獲取以及參數區域化方面的問題[2]。

遙感技術以其快速、宏觀、實時、動態、大面積觀測以及經濟易獲取的特點，廣泛應用于各個領域[3]。隨著遙感觀測的時間、空間、光譜分辨率不斷提升，以及遙感反演算法和產品的日益完善，遙感已成為區域尺度作物長勢監測和產量估測工作的主要技術手段。但是受時間分辨率的制約，遙感無法對作物進行無間斷觀測，獲得的是時間序列離散的觀測數據，反映的是地表瞬時物理狀況，不能表達作物生長發育的內在機理過程及其與環境因素的關系[4]。

數據集成系統是通過融合不同數據源、不同時間或空間分辨率的觀測信息，利用集成算法將動態模型和觀測數據集成為基于自動觀測且誤差較小的綜合預報系統[5]。因此，數據集成系統由觀測數據、動態模型和集成算法這三要素組成。集成算法是耦合觀測數據和動態模型的媒介，其性能直接影響數據集成系統的運行效率與精度[6]。利用數據集成技術耦合作物模型與遙感信息，能夠實現兩者的優勢互補，使區域化作物模型突破參數獲取困難的瓶頸，使遙感對地觀測具備解釋作物生長發育機理性的能力，提高作物模型在區域尺度上的模擬精度。

作物模型與遙感信息集成技術對大區域尺度作物長勢監測及產量預測的精確化、高效化具有重要意義，本文系統歸納了歐洲、美國、澳大利亞及中國作物模型的發展與應用，總結當前主流的數據集成方法的原理、特點和不足，概述作物模型與遙感信息集成技術的實際應用，對提高數據集成精度存在的問題，以及未來完善集成系統的技術重點和發展趨勢進行探討，旨在為作物模型與遙感信息集成技術在作物產量預測、農業氣象災害影響評估及農業應對氣候變化決策等方面實現更加廣泛地應用提供參考。

1 研究進展

1.1 作物模型發展與應用

1.1.1 歐洲作物模型

1970年，荷蘭瓦赫寧根大學的de Wit學派開發了世界上第一個作物模型ELCROS模型[7]，該模型通用性較強，可以模擬不同環境條件下的作物生產潛力。至20世紀80年代，de Wit學派基于ELCROS模型研發了BACROS模型，該模型能夠較好地模擬大田作物的光合、呼吸、同化和蒸騰等生理過程[8]。之后，又在BACROS模型的基礎上改進推出了SUCROS模型，該模型不僅能夠模擬不同環境條件下作物的生長發育過程，而且適用于不同作物[9]。

1986年，瓦赫寧根大學與世界糧食研究中心共同研發出WOFOST模型，該模型由一系列基本模塊構成，主要包括作物生長發育模塊、葉面積指數模塊、CO2同化模塊、呼吸模塊、蒸騰模塊、土壤水平衡模塊、干物質分配與干物質積累模塊等，可分3種模式模擬作物生長發育狀態，包括潛在生長模式、養分脅迫模式和水分脅迫模式[10]。CGMS是集WOFOST模型和衛星遙感一體化的作物長勢監測系統，該系統為歐洲各國大區域尺度上的作物產量預測、氣候變化影響評價和農業生產風險評估等方面的研究提供了技術支撐[11]。

法國農業部基于當時存在或簡化的作物模型，開發出適用于多種作物的STICS模型。該模型采用日氣象數據驅動，能夠模擬作物生長發育、土壤水分以及氮平衡過程[12]。由于開發者認為田間管理模式的不同很大程度上決定了作物生長發育過程中差異，STICS模型重點考慮了田間管理措施對作物生長的影響[9]。

聯合國糧食及農業組織（FAO）為提高干旱地區的作物生產力，開發了以水分消耗為驅動力的AquaCrop模型[13]，該模型通過實際蒸騰量和收獲指數估測作物產量，并且考慮到冠層覆蓋度容易從遙感信息中獲取的特點，采用通過冠層覆蓋度先確定蒸騰量，再確定生物量的方式，簡潔闡明了冠層覆蓋度的變化對作物生長發育的影響[14]。AquaCrop模型不僅能較好地模擬灌溉區的作物生長，還考慮了不同施肥狀況對產量的影響，可用于指導灌溉和施肥管理[11]。

目前，這些歐洲作物模型已在世界各國被廣泛使用。楊霏云等發現WOFOST模型可以較好地模擬遼寧省春玉米生長過程以及干旱對產量的影響，確定了不同干旱風險等級下遼寧省東、中、西部春玉米的災損范圍[15]。毛鑫等比較分析了STICS、DSSAT和APSIM 3種作物模型對陜西關中地區冬油菜物候期和產量的模擬精度，STICS模型最高，APSIM模型次之，DSSAT模型最差[16]。馬于茗等發現AquaCrop 模型對浙江地區不同品種茶葉具有較好的適用性，基于逐步回歸的AquaCrop茶樹開采期預測模型效果較好，可用于指導實際生產[17]。

1.1.2 美國作物模型

20世紀80年代，美國農業部在集成了CROPGRO系列、CERES系列和 GOSSYM等8個子模型的基礎上，對輸入參數、過程變量和輸出結果進行格式標準化，由此開發了DSSAT模型[18?19]。該模型能夠模擬26種作物的營養、生殖生長過程，光合、呼吸、蒸騰、干物質分配等基本生理過程，還內嵌有土壤水平衡模塊、土壤氮素平衡模塊和病蟲害影響模塊[10?11]，可廣泛應用于作物生產潛力的模擬、灌溉制度的制定與優化、作物栽培方案的確定、土壤氮素對作物產量的影響評估等方面[20]。

美國農業部與得克薩斯農工大學黑土地研究中心合作研發了EPIC模型，該模型包括作物生長模塊、水文模塊、養分模塊、土壤侵蝕模塊、土壤溫度模塊等11個子模塊[21]，適用于不同作物品種、土壤類型和氣候環境，能夠模擬管理措施變化對土地生產力的影響，常用于大田作物、牧草等的生長模擬[22]。

目前，美國作物模型已被廣泛應用在作物生長及產量監測、氣候變化對產量影響等方面。李想等研究發現，DSSAT模型可以較好地模擬黑河中游地區玉米、小麥、油菜、馬鈴薯的生長過程，產量標準化均方根誤差（NRMSE）均小于15.0％，決定系數（R2）均大于0.65。優化灌溉制度后可在明顯提高作物水分利用效率的同時保證產量變幅均低于5.0％，實現高產節水的目的[23]。王學春等研究發現EPIC模型能夠較好地模擬黑麥草生長過程，對黑麥草田土壤水分動態變化規律模擬較為準確，可以用來評價四川丘陵區以黑麥草為主的草糧輪作系統對當地氣候條件的適應性[24]。

1.1.3 澳大利亞作物模型

澳大利亞同樣采用集成單一作物模型的方式，研發了APSIM模型[25]，該模型適用于多種作物，以土壤水、鹽為主要驅動[26]，主要應用在作物育種、種植制度管理、區域水平衡、氣候變化對作物的影響以及土地利用等方面[10]。APSIM模型的重點關注對象不是植被，而是側重于描述土壤環境與作物生長的交互關系，因此，在有效模擬連作、輪作、間作以及農林混作效應方面優勢明顯[11]。APSIM模型在中國農業生產中同樣具有廣泛應用。王亞許等利用APSIM模型模擬春玉米生長過程及產量，并以標準化降水指數（SPI）變化所引起的產量變化率構建旱災損失敏感性指標，從而定量評估春玉米不同生育期旱災損失敏感性[27]。

1.1.4 中國作物模型

中國自20世紀80年代中期開始學習作物模型，雖然起步較晚，但經過多年的研究與創新，在主要糧食作物小麥、水稻、玉米和經濟作物棉花的生長模擬上取得了一定的成果。目前，應用較為廣泛的是高亮之等研發的CCSODS系列模型，該模型主要由參數數據庫、模擬模型、優化模型和決策系統四部分組成。適用于水稻、小麥、玉米和棉花，在中國多個地區的區域化應用中得到驗證[28]。該模型將作物模擬技術與作物優化管理相結合，能夠針對中國不同地理區域的氣候環境和土壤條件模擬出最優栽培方案[29?32]。潘學標等[33]建立了COTGROW棉花模型，描述了土壤?棉花?大氣系統的主要理化過程，兼顧理論性與實用性[34]。曹衛星等建立了WheatGrow小麥模型，該模型包括物候期、生長發育、光合作用、物質分配、水分養分平衡和氮素平衡６個子模塊[35]。中國作物模型由于采用作物生長發育機理與作物栽培優化原理相結合的方法，具有較強的機理性、普適性、實用性和預測性[11]，但一般更注重實用性和預測性，所以地域性和經驗性較強[36]。2013年，中國國家氣候中心以WOFOST、ORYZA2000、WheatSM、ChinaAgroy這4個作物模型為核心，構建了中國作物生長監測系統CGMS-China[37]。

這些中國自主研發的作物模型已被廣泛應用到作物長勢評價、產量預測及農業氣象災害評估中。肖瀏駿等研究發現，耦合低溫脅迫效應算法后的WheatGrow模型，在模擬葉面積指數、莖生物量、地上部生物量和籽粒產量上均好于原WheatGrow模型，且在弱低溫條件下的模擬效果好于強低溫條件[38]。侯英雨等利用CGMS-China對2014年冬小麥主產省進行產量預報，各省平均預報相對誤差為7%，大部分省（自治區）相對誤差小于10%[37]。

1.2 作物模型與遙感數據集成技術

1.2.1 強迫法

強迫法的原理是直接通過遙感數據反演出作物模型中初始參數的值或用遙感反演值直接替代作物模型中某個輸出參數的值，同時替代下一次模擬的輸入值，從而提高作物模型的模擬精度[1]。由于作物模型在每個步長上都必須有一個狀態變量值，但在作物的整個生育期時間序列上通過遙感反演得到的對應變量值是有限的，且一般情況下作物模型的步長小于遙感反演的周期[39]，所以在使用強迫法時，需要對遙感反演值進行插值，獲得與作物模型步長一致的遙感觀測數據，再將其代入模型運行[36]。

強迫法的實際操作比較簡單，但使用該方法進行數據集成后，作物模型的模擬精度幾乎完全取決于遙感反演精度以及可獲取的遙感觀測次數[36]，所以強迫法在遙感觀測值比模型模擬值更準確的前提條件下才能進行。它的局限性是對遙感數據的時間、空間分辨率以及反演參數的精度要求較高[40]。強迫法只在早期的數據集成研究中運用較多。

1.2.2 同化法

1.2.2.1 同化算法

同化法則是當前作物模型與遙感信息集成領域的主流方法。同化法的原理是通過校準作物模型中與生長發育和產量形成密切相關的初始參數或狀態變量的值來縮小觀測值與模擬值之間的差距，從而改善模型的模擬精度[40]。目前國際上廣泛應用的同化算法，按照理論基礎大體分為兩類：一是基于估計理論的濾波法，二是基于代價函數的參數優化法。

（1）濾波法

濾波法又稱順序同化法，原理是融合不同分辨率的遙感觀測數據，動態更新狀態變量的模擬值，使用新的狀態變量重新初始化作物模型[41?42]。因此，濾波法可以使模型模擬的狀態變量不斷更新為最優值，具有時間連續的特點和實時模擬的能力[19]。卡爾曼濾波系列算法包括卡爾曼濾波法（KF）、擴展卡爾曼濾波法（EKF）和集合卡爾曼濾波法（EnKF）[10]。卡爾曼濾波法假定觀測算子和模型都與模型狀態變量呈線性關系，擴展卡爾曼濾波法適用于非線性關系，集合卡爾曼濾波法假定觀測算子和模型的誤差服從高斯分布，可以處理非線性觀測算子，并采用蒙特卡洛方法計算預報誤差協方差，適用于高維問題，且計算強度較低，易于并行計算。粒子濾波法（PF）基于貝葉斯估計理論，使用蒙特卡洛方法對后驗概率分布進行采樣，用一組隨機樣本粒子逼近狀態的概率密度分布，具有較強的非線性和非高斯分布處理能力，易于并行計算，具有較為廣闊的應用前景[43]。

（2）參數優化法

參數優化法又稱連續同化法，原理是利用作物整個生育期時間序列的遙感數據或狀態變量的遙感反演值對作物模型進行重新初始化或參數化[44]。主要包括以下幾個步驟：首先構建基于狀態變量模擬值和觀測值的代價函數，然后利用優化算法求解代價函數方程，通過重復迭代得到代價函數為最小值時的最優解，即最佳參數集或最佳初始條件[11]。優化算法包括單純型搜索算法、復合型混合演化算法（SCE-UA）、粒子群算法（PSO）、Powell共軛方向法、模擬退火法（SA）、遺傳算法等[43]。其中，模擬退火法和遺傳算法適用于搜索全局最優解而非局部，是最常用的2種全局優化方法[40]。代價函數包括均方根誤差、最小二乘法、變分法（3DVAR、4DVAR）等[43]。參數優化法可以一次處理所有數據，但由于需要不斷迭代，計算時間較長，計算效率較低，常用于站點尺度[11]。

1.2.2.2 同化變量

（1）狀態變量

以作物生長過程中的狀態變量為同化變量是指以遙感反演值為依據，調整作物模型的關鍵參數值或初始值，使調整后模型模擬的狀態變量值與同時間遙感反演值的差距最小[40]。因此，以狀態變量為同化變量對遙感反演的精度要求較高[36]。常用的狀態變量有葉面積指數（LAI）、蒸散量（ET）、土壤水分含量（SM）等[10]。

Dente等將CERES-Wheat模型與雷達數據反演的LAI進行同化，調整了作物模型中的小麥播種日期、田間持水量和萎蔫含水量，顯著提高了播種日期或土壤條件未知情況下的模型預測能力[45]。Jégo等利用航空數據或多光譜數據反演LAI，對播種日期、播種密度和田間持水量進行了參數優化，結果表明雨養玉米、豌豆和春小麥的產量和生物量的模擬精度顯著提高，尤其是在水分脅迫情況下，模擬值非常接近實際值[46]。

黃健熙等利用冬小麥關鍵生育期的遙感數據和SWAP模型中LAI、ET的模擬值，構建了向量夾角代價函數和一階差分代價函數，使用SCE-UA算法對SWAP 模型中的出苗日期和灌溉量進行了參數最優估計，結果表明，冬小麥產量的估測精度顯著提高，并且基于向量夾角代價函數的優化算法的單產估測精度高于一階差分代價函數[47]。包姍寧等使用SCE-UA算法同化MODIS-LAI、MODIS-ET數據與WOFOST模型，結果表明在水分脅迫情況下，同化雙變量的估產精度明顯高于單變量[48]。

侯英雨等使用PSO-NDVI、PSO-LAI、SCE-UA、SCE-LAI四種同化策略，利用同化后的CGMS-China對2011年山西洪洞縣雨養和灌溉小麥進行估產，結果表明四種同化策略均能顯著提高估產精度，與實際觀測產量的相對誤差均小于11%[38]。王利民等使用協同克里金方法插值獲取SWAP 模型的氣象輸入參數，再將SWAP 模型與遙感反演的LAI和ET進行同化，通過調整玉米灌溉量和出苗日期，得出同化后的模型能夠較準確地預測黑龍江南部區域玉米產量[49]。

潘海珠將EnKF算法擴展到多模型集合預報方法貝葉斯模型平均（BMA）框架內，形成了多模型同化算法EnKF+BMA，以遙感反演的LAI 時序為同化變量，利用EnKF+BMA與SAFY-WB、WOFOST和CERES-Wheat構建區域多作物模型同化方案，結果顯示該方案冬小麥LAI和產量的模擬精度高于利用EnKF算法同化單一作物模型，并且同化冬小麥關鍵生育期（抽穗期和開花期）的遙感反演LAI即可明顯提高模擬精度[50]。

劉明星等將遙感反演的LAI與SAFY模型進行同化，利用主成分分析的復合型混合演化（SP-UCI）算法對出苗日期、有效光能利用率和衰老溫度進行參數優化，結果表明同化后模型能夠較準確地估算冬小麥地上生物量[51]。王鵬新等使用EnKF算法將LAI遙感數據與CERES-Maize模型進行同化，并利用隨機森林回歸法計算同化和未同化的LAI權重，建立玉米單產估測模型，結果顯示同化后模型的區域單產估測精度明顯提高[52]。

劉正春等使用4DVAR和EnKF兩種同化算法將Sentinel多源數據反演的葉面積指數LAI、土壤含水率θ與CERES-Wheat模型進行同化，對比四種同化策略的冬小麥估產精度，4DVAR-LAI和4DVAR-θ高于EnKF-LAI和EnKF-θ，且4DVAR-LAI更能精確識別冬小麥的物候期[53]。王鵬新等使用粒子濾波算法同化CERES-Maize模型和MODIS數據反演的葉面積指數（LAI）、條件植被溫度指數（VTCCI），并應用隨機森林回歸算法計算夏玉米不同生育期LAI和VTCI的權重，構建區域單產估測模型。結果表明歸一化均方根誤差和平均相對誤差均顯著下降，模型估測精度提高[54]。

（2）冠層反射率

以遙感觀測的冠層反射率為同化變量是指在將作物模型與輻射傳輸模型進行耦合的基礎上，縮小反射率觀測值或基于反射率構建的植被指數、雷達的后向散射系數等與耦合模型的反射率模擬值的差距，優化作物模型的初始值和關鍵參數值[40]。需要注意的是，輻射傳輸模型對土壤和作物信息的準確性要求較高[36]。

將EPIC模型與SAIL模型耦合，采用AVHRR數據進行同化，通過調整EPIC模型中的最大LAI、葉面積下降速度和葉面積下降時間，可以使區域小麥產量的模擬效果有所改善[55]。在GIS系統中，將作物模型PROMET-V與輻射傳輸模型GeoSAIL耦合，校正GeoSAIL模型中的葉面積指數、綠葉/褐葉比例和土壤水分，對PROMET-V模型中的種植密度和收獲日期進行參數優化，可以使區域尺度上模擬的生物量、產量、植株高度空間分布精度得到明顯提高[56]。

將SUCROS模型與SAIL模型耦合，并將SPOT數據、航空攝影數據與耦合模型進行同化，調整模型中的部分敏感性參數，可以提高產量估測精度，使均方根誤差下降10%[57]。將植被模型STEP與輻射傳輸模型耦合，融合SPOT-NDVI和ASAR后向散射系數2種數據與耦合模型進行同化，構建同時同化2種數據的代價函數，并對耦合模型中的9個參數進行最優估計，可以明顯改善模型的模擬效果[58]。將CERES-Maize 模型與輻射傳輸模型MCRM進行耦合，再分別與MODIS-LAI、NDVI、EVI以及LAI-NDVI、LAI-EVI進行同化，得到的模擬玉米產量與實際統計數據一致性較高[59]。

馬玉平等通過耦合WOFOST模型與SAILPROSPECT模型，并利用土壤調整植被指數SAVI實現WOFOST模型與MODIS數據的同化，對冬小麥出苗期和返青期生物量進行了參數最優估計，使得模擬開花期、成熟期以及貯存器官干重空間分布的準確性有所提高[60]。吳伶等通過耦合WOFOST 模型與輻射傳輸模型PROSAI，使用PSO算法對土壤調節植被指數SAVI進行最優估計，采用MODIS數據反演獲得區域化參數，并以此驅動模型逐像元計算生長參數，獲得時空連續的生長參數模擬值[61]。靳華安等采用MODIS和Landsat TM 2種尺度的數據，將CERES-Maize模型與SAIL模型耦合，使用SCE-UA算法對種植日期、種植密度、光周期敏感參數、葉片紅光和近紅外波段反射率進行參數優化，結果顯示3a間玉米估測總產量的誤差分別減小了7.49%、1.21%和5.23%[62]。Machwitz等通過耦合APSIM模型與PROSAI輻射傳輸模型，使用粒子濾波法同化Rapid Eye數據，使得玉米生物量動態變化的模擬效果得到提高[63]。Dong等將DSSAT模型與PROSAIL輻射傳輸模型進行耦合，使用4DVAR方法和模擬退火算法同化Landsat TM的NDVI數據，能夠更有效地進行冬小麥產量估測[64]。

2 存在問題

2.1 作物模型模擬結果的不確定性

作物模型模擬結果的不確定性來自三個方面，一是模型結構；二是模型參數；三是氣象數據[65]。

由于作物生產系統的復雜性，作物模型在機理表達上總會存在一定程度的簡化，忽略一些非決定性的細節過程，如沒有考慮極端天氣和病蟲害的影響等，但這些因素同樣會對作物生長發育產生重要影響。此外，作物模型對光合作用、肥料營養、水分變化等過程的定量描述還存在一定的誤差[6]。這些來自模型結構的問題增加了模型模擬結果的不確定性。

模型參數存在不確定性的主要原因是田間管理參數和作物品種遺傳參數難以直接獲取。田間管理參數的估計方法是用特定模型中的一組最優參數代替[66]，遺傳參數的標定方法是試錯法，即依據一定數量的實測值，調整幾個特定參數，使模擬值與實測值的差距減小到一定程度，將此時的遺傳參數作為標定參數，但試錯法具有較大的主觀性[6, 43]。此外，由于空間數據量的限制，通常會采用合并品種和管理參數進行模擬，合并參數可能是區域內最優或最具代表性的品種和管理參數，但與實際情況差異較大，不能反映區域品種和管理的多樣性[43]。

氣象數據是作物模型重要的輸入數據之一。受當前大氣觀測技術和處理方法等的限制,實測氣象要素數據存在一定的不確定性,這種不確定性會影響模型模擬結果的精度。例如，在模型運行過程中，為了獲得時空連續的氣候數據集，一般需要使用插值法，但插值法在降水、風速等空間分布不均的非連續宏觀現象上應用的可靠性仍有待驗證[65]。

2.2 遙感反演數據的不確定性

植被類型的多樣性、植被時空分布和輻射傳輸過程的復雜性，使植被參數的遙感反演過程存在較大的不確定性[67]。植被結構及時空分布的復雜性會帶來兩個問題，一是光譜反射率各組分的共同貢獻，弱吸收組分的光譜信號分離與獨立探測都異常困難；二是植被高度空間異質性難以通過建模精確表達。植被參數遙感反演本身是一個病態反演，一方面，植被環境的多變性導致反演模型復雜，求解困難；另一方面，植被參數獲取的限制導致遙感反演中的關鍵信息量不足。并且由于地表特征的非均勻性，地表特征參數的非線性，觀測手段的相對性等特點，遙感反演本身存在尺度效應，即不同尺度的地表特征參數存在差異。參數反演的精度與數據源和反演算法有關，數據源可分為單一和多源，反演算法包括經驗關系、物理模型和神經網絡模型等[6]。研究表明，MODIS-LAI產品將作物的葉面積指數低估了33%～50%[68?69]，MODIS-ET產品在森林地區與實測值的誤差較小，在農田地區誤差較大[70]。

2.3 數據同化策略的多樣性

在數據同化策略的選擇上，濾波法和參數優化法各有利弊。濾波法的同化效率較高，可進行實時預測。不足之處在于，由于濾波法直接更新狀態變量，而時間序列上某些狀態變量如LAI的變化容易導致作物生育期變化，從而發生“物候漂移”現象[71]。卡爾曼濾波系列算法對觀測算子和模型的誤差都存在一定的預設條件，即兩者只存在隨機誤差不存在系統偏差，但由于遙感觀測和作物模型存在尺度差異，系統偏差不可避免，這些假設在區域尺度的模型實際運行中無法成立[6]。因此在使用濾波法時，需要選擇站點尺度[72]或利用其他手段修正觀測數據[73]，這是濾波法在區域尺度應用上的一大限制。

在參數優化法中，基于先驗知識構建的代價函數具有完善的理論體系，不僅引入先驗知識項，還考慮了其他各項的不確定性[3]，但對先驗知識的依賴性也在一定程度上限制了模型的實際應用能力。不同于濾波法，參數優化法通過計算最優解獲取最具代表性的模型參數，來提高預測精度，在一定程度上，能夠減少同化過程中遙感數據誤差的積累和傳播[43]。但最優參數集的獲取需要經過大量重復迭代，且獲取次數隨參數的增加呈指數增長，所以在區域化應用中參數優化法的同化效率偏低。參數優化法雖然不存在“物候飄移”現象，但由于每一次迭代都需要運行整個時間周期，所以在實時預測上不如濾波法靈活高效[6]。

由于同化算法本身的優缺點以及不同區域尺度間同化效果差異較大，需要不斷改進和優化這些算法，或將不同算法結合使用，達到優勢互補的目的。目前已有研究者將集合卡爾曼濾波法、粒子濾波法分別與變分法結合應用，并取得了較好的同化效果[74]。

2.4 模型模擬數據與遙感數據匹配的尺度效應

作物模型與遙感信息集成系統中的尺度效應是指，區域尺度遙感反演的參數與單點尺度作物模型模擬的參數之間存在尺度差異及尺度不匹配問題[66]。產生尺度效應的主要原因有二，一是作物模型針對各個參數采用不同的區域化方法，導致區域化后的模型參數之間存在尺度差異；二是地表空間的異質性以及作物模型的非線性，導致尺度效應不可忽略[6]。解決尺度不匹配問題的常用方法是對模型參數進行升尺度轉換，將物候信息與低空間分辨率的遙感數據相結合，通過中高分辨率遙感影像反演得到相對精確值，并以此調整模型模擬的參數，提高同化精度[75]。此外，解決尺度效應的大多數研究集中在點尺度或空間重采樣后的數據，受同化效率影響，在高空間分辨率、大區域尺度上仍沒有給出完整有效的解決方案[19]。

3 未來研究方向

3.1 遙感數據的多源融合

光學遙感數據經常用來反演LAI，但容易受云雨天氣等環境因素的影響，導致作物關鍵發育期監測數據缺失，在時間和觀測量上難以滿足同化需求。微波遙感數據經常用來反演土壤水分，與光學遙感數據相比，其優勢在于可以全天候觀測且不受云霧阻擋[6, 10]。因此，LAI和SM的雙變量同化估產研究經常需要使用光學遙感和微波遙感的融合數據[76?77]。遙感數據由單一向多源轉變將是未來作物模型與遙感信息集成研究的發展方向。

目前使用的遙感觀測數據在時空分辨率上存在矛盾。空間分辨率較高的數據其時間分辨率較低，難以捕捉作物生長旺盛期的動態變化規律。時間分辨率較高的數據其空間分辨率較低，如MODIS和AVHRR影像，在進行數據融合時會出現混合像元問題，當像元中存在多個地物時，該像元只能體現混雜的波譜、時間、角度等特征，這是提高遙感反演精度的一大瓶頸。隨著遙感信息的日益豐富，可以通過融合不同時空分辨率的多源數據，得到更精準的農作物長勢和產量動態變化[11]。

3.2 同化過程的多變量協同

葉面積指數是影響地表輻射傳輸、物質能量平衡的重要植被生物物理學參數，也是連接作物光合作用、呼吸作用等微觀生物化學過程的重要參數，所以在作物模型與遙感信息集成研究中，葉面積指數是最常用的同化變量。但是單變量往往無法定量描述作物對多因子的響應，且研究表明，雙變量的同化效果往往優于單變量[48]。土壤濕度、實際蒸散與潛在蒸散的比值分別反映了土壤水分狀況和作物水分脅迫程度。在雨養農業區，聯合同化葉面積指數和土壤濕度、葉面積指數和實際蒸散與潛在蒸散的比值能夠更好地校準土壤水分平衡和作物冠層生長與發育動態過程。值得注意的是，在選擇多種同化變量前需要分析變量之間的相關性，在相關性很強的變量之間選擇一個即可[6]。多變量協同方法是今后作物模型與遙感信息集成研究中的一個重要方向。

3.3 作物模型的多類型耦合

作物模型是對復雜作物生長過程和環境的簡化描述，不同作物模型的結構原理及適用條件存在明顯差異。某一作物模型可能具有足夠能力模擬實際過程的某些方面，但是要完全消除作物生產系統復雜性的影響幾乎是不可能的。例如，WOFOST模型的核心是定量描述產量形成過程[78]，STICS模型重點考慮了田間管理措施對作物生長的影響[12]，AquaCrop模型強調作物對水分脅迫的反應[13]，APSIM模型突出不同耕作方式對作物生長的效應[26]。因此，耦合多個作物模型可以實現優勢互補，從而更準確地模擬氣象、土壤、管理措施、氣候變化等因子對農作物生長發育的影響。

3.4 數據集成的高性能并行計算

當前作物模型、遙感觀測和集成算法等技術逐漸成熟，使用更豐富多源、更高分辨率、更大區域尺度的數據進行作物模型與遙感信息集成研究的現實需求也逐漸突顯[66]。然而由于農業生產系統的復雜性、遙感數據使用和作物模型模擬過程中的不確定性，使得密集的計算限制了大區域尺度數據集成精度的提高。隨著作物模型研究的深入與遙感數據空間分辨率的逐漸提高，單機模式的數據處理方法顯然無法滿足在大區域尺度應用數據集成技術對計算效率和靈活度的要求。高性能計算機、分布式算法、并行計算等大數據處理方法更具性能優勢，效率更高[10]。研究表明，將驅動作物模型的參數以柵格數據形式存儲，運用SPARK的內存計算方法實現多次迭代和參數優化，可以極大地提高計算效率，足以應用于全國尺度[79]。因此，未來在完善和創新數據集成技術時，需要著重考慮性能與效率。

[1] 王東偉.遙感數據與作物生長模型同化方法及其應用研究[D].北京:北京師范大學,2008:1-2.

Wang D W.Methods and application of assimilating remote sensing data and crop growth Model[D].Beijing:Beijing Normal University,2008:1-2.(in Chinese)

[2] 劉布春,王石立,馬玉平.國外作物模型區域應用研究進展[J].氣象科技,2002(4):193-203.

Liu B C,Wang S L,Ma Y P.Progress on regional application of crop models abroad[J].Meteorological Science and Technology,2002(4):193-203.(in Chinese)

[3] 邢雅娟,劉東升,王鵬新.遙感信息與作物生長模型的耦合應用研究進展[J].地球科學進展,2009,24(4):444-451.

Xing Y J,Liu D S,Wang P X.Advances of the coupling application of remote sensing information and crop growth model[J].Advances in Earth Science,2009,24(4):444-451. (in Chinese)

[4] 解毅,王鵬新,王蕾,等.基于作物及遙感同化模型的小麥產量估測[J].農業工程學報,2016,32(20):179-186.

Xie Y,Wang P X,Wang L,et al.Estimation of wheat yield based on crop and remote sensing assimilation models[J]. Transactions of the CSAE,2016,32(20):179-186.(in Chinese)

[5] 王卓穎,劉楊曉月,楊驥,等.風云衛星系列及CLDAS 土壤水分產品多尺度精度驗證與評價:以青藏高原那曲地區為例[J].中國農業氣象,2021,42(9):788-804.

Wang Z Y,Liu Y X Y,Yang J,et al.Multi-scale evaluation and validation of soil moisture products of FY-3B/3C and CLDAS:a case study in Naqu region of the Qinghai-Tibet Plateau[J].Chinese Journal of Agrometeorology,2021,42(9): 788-804.(in Chinese)

[6] 黃健熙,黃海,馬鴻元,等.遙感與作物生長模型數據同化應用綜述[J].農業工程學報,2018,34(21):144-156.

Huang J X,Huang H,Ma H Y,et al.Review on data assimilation of remote sensing and crop growth models[J].Transactions of the CSAE,2018,34(21):144-156. (in Chinese)

[7] De Wit C T.Dynamic concepts in biology.Proceedings International Biological Program and Plant Production Technical Meeting[C].Wageningen,Netherlands:PUDOC, 1970:17-23.

[8] Penning de Vries F W T,van Laar H H.Simulation of plant growth and crop production[M].Wageningen: Simulation Monographs,PUDOC,1982:114-135.

[9] 李妍.基于WOFOST-HYDRUS耦合模型的玉米遙感估產研究[D].蘭州:蘭州大學,2012:5-8.

Li Y.Study on maize yield estimation using remote sensing technology integrated with coupled WOFOST and HYDRUS models[D].Lanzhou:Lanzhou University,2012: 5-8.(in Chinese)

[10] 卓文.遙感與作物生長模型多變量協同數據同化的冬小麥產量估測方法研究[D].北京:中國農業大學,2020:3-7.

Zhuo W.Study on the method of winter wheat yield estimation based on the multivariate data assimilation of remote sensing and crop growth model[D].Beijing:China Agricultural University,2020:3-7.(in Chinese)

[11] 王靜,李新.基于作物生長模型和多源數據的融合技術研究進展[J].遙感技術與應用,2015,30(2):209-219.

Wang J,Li X.Progress on data fusion technology of crop growth model and multi-source observation information[J]. Remote Sensing Technology and Application,2015,30(2): 209-219.(in Chinese)

[12] Brisson N,Gary C,Justes E,et al.An overview of the crop model STICS[J].European Journal of Agronomy,2003, 18(3):309-332.

[13] Steduto P,Hsiao T C,Raes D,et al.AquaCrop:the FAO crop model to simulate yield response to water I:concepts and underlying principles[J].Agronomy Journal,2009,101(3): 426-437.

[14] 孫寧.作物模擬技術在氣候變化對農業生產影響研究中的應用[J].地學前緣,2002(1):232.

Sun N.Application of crop simulation technology in the study of the impact of climate change on agricultural production[J].Earth Science Frontiers,2002(1):232.(in Chinese)

[15] 楊霏云,鄭秋紅,李文科,等.基于WOFOST模型的遼寧省春玉米干旱災損風險評估[J].干旱地區農業研究,2020, 38(6):218-225.

Yang F Y,Zheng Q H,Li W K,et al.Risk assessment of drought damage of spring maize in Liaoning Province based on WOFOST model[J].Agricultural Research in the Arid Areas,2020,38(6):218-225.(in Chinese)

[16] 毛鑫,楊建利,朱曉華,等.陜西關中冬油菜生長發育不同模型模擬精度研究[J].農業機械學報,2019,50(6):306-314.

Mao X,Yang J L,Zhu X H,et al.Simulation accuracy of growth and development of winter rape(Brassica napus L.)in Guanzhong plain with different crop model[J]. Transactions of the Chinese Society for Agricultural Machinery,2019,50(6):306-314.(in Chinese)

[17] 馬于茗,陳捷,金志鳳,等.基于AquaCrop模型的茶葉產量和開采期預報[J].中國生態農業學報(中英文),2021, 29(8):1339-1349.

Ma Y M,Chen J,Jin Z F,et al.Prediction of tea yield and picking date based on the AquaCrop model[J].Chinese Journal of Eco-Agriculture,2021,29(8):1339-1349.(in Chinese)

[18] Jones J W,Hoogenboom G,Porter C H,et al.The DSSAT cropping system model[J].European Journal of Agronomy, 2003,18(3):235-265.

[19] 馬鴻元.遙感與作物模型數據同化的冬小麥產量集合預報方法研究[D].北京:中國農業大學,2018:5-10.

Ma H Y.Study on ensemble forecasting method of winter wheat yield based on remote sensing and crop model data assimilation[D].Beijing:China Agricultural University,2018: 5-10.(in Chinese)

[20] Hoogen Boom G,Jones J,Wilkens P,et al.Decision support systems for agrotechnology transfer version 4.5[M].Honolulu: University of Hawaii,2010.

[21] 范蘭,呂昌河,陳朝.EPIC模型及其應用[J].地理科學進展,2012,31(5):584-592.

Fan L,Lv C H,Chen Z.A review of EPIC model and its applications[J].Progress in Geography,2012,31(5):584-592. (in Chinese)

[22] Williams J R,Jones C A,Kiniry J R,et al.The EPIC crop growth model[J].Transactions of the ASAE,1989,32(2): 497-511.

[23] 李想,韓智博,張寶慶,等.黑河中游主要農作物灌溉制度優化[J].生態學報,2021,41(8):3067-3077.

Li X,Han Z B,Zhang B Q,et al.Optimization of crop irrigation scheduling in the middle reaches of the Heihe River Basin[J].Acta EcologieaSiniea,2021,41(8):3067-3077. (in Chinese)

[24] 王學春,王紅妮,黃晶,等.基于EPIC模型的四川丘陵區黑麥草生長過程及其土壤水分動態變化模擬[J].草業學報,2017,26(9):1-13.

Wang X C,Wang H N,Huang J,et al.Simulation of soil moisture dynamics and ryegrass growth in the hilly region of Sichuan Province using the environmental policy integrated climate model[J].Acta Prataculturae Sinica,2017, 26(9):l-13.(in Chinese)

[25] 段里成,姚俊萌,郭瑞鴿,等.用ORYZA_V3水稻模型模擬江西直播早稻的適宜性分析[J].中國農業氣象,2021, 42(11):951-961.

Duan L C,Yao J M,Guo R G,et al.Analysis on simulation adaptability of ORYZA_V3 rice model for direct-seeding early rice in Jiangxi Province[J].Chinese Journal of Agrometeorology,2021,42(11):951-961.(in Chinese)

[26] 馬兆駿,帥艷民,邵聰穎,等.基于WOFOST模型分析不同氣候情景對遼寧典型雨養春玉米產量的影響[J].中國農業氣象,2021,42(11):939-950.

Ma Z J,Shuai Y M,Shao C Y,et al.Effects of various climate scenarios on yield of typical rain-fed spring maize in Liaoning based on WOFOST model[J].Chinese Journal of Agrometeorology,2021,42(11):939-950.(in Chinese)

[27] 王亞許,孫洪泉,呂娟,等.基于APSIM 模型的春玉米生育期旱災損失敏感性定量分析[J].災害學,2021,36(2):30-36.

Wang Y X,Sun H Q,Lv J,et al.Quantitative analysis of the sensitivity of spring maize to drought in the growth period based on APSIM Model[J].Journal of Catastrophology, 2021,36(2):30-36.(in Chinese)

[28] 高亮之,金之慶.RCSODS:水稻栽培計算機模擬優化決策系統[J].計算機農業應用,1993(3):14-20.

Gao L Z,Jin Z Q.RCSODS:computer simulation and optimization decision system for rice cultivation[J]. Computer and Agriculture,1993(3):14-20.(in Chinese)

[29] 葛道闊,曹宏鑫,張利華,等.WCSODS中小麥生育期模型在淮河流域旱澇脅迫環境下的改進[J].江蘇農業學報,2012,28(4):722-727.

Ge D K,Cao H X,Zhang L H,et al.Improvement of wheat growth model in wheat cultivational simulation-optimization- decision making system(WCSODS) along Huaihe River basin[J].Jiangsu Journal of Agricultural Sciences,2012, 28(4):722-727.(in Chinese)

[30] 馬新明,張娟娟,劉合兵,等.基于氮素脅迫的WCSODS模型訂正與檢驗[J].中國農業科學,2008(2):391-396.

Ma X M,Zhang J J,Liu H B,et al.Modification and verification to WCSODS based on nitrogen stress[J]. Scientia Agricultura Sinica,2008(2):391-396.(in Chinese)

[31] 馬新明,張娟娟,劉合兵,等.小麥生長模型(WCSODS)在河南省的適應性評價研究[J].中國農業科學,2006(9): 1789- 1795.

Ma X M,Zhang J J,Liu H B,et al.Study on the applicability of the wheat growth model(WCSODS)in Henan Province[J]. Scientia Agricultura Sinica,2006(9):1789-1795.(in Chinese)

[32] 高亮之,金之慶,鄭國清,等.小麥栽培模擬優化決策系統(WCSODS)[J].江蘇農業學報,2000,16(2):65-72.

Gao L Z,Jin Z Q,Zheng G Q,et al.Wheat cultivational simulation-optimization-decision making system (WCSODS)[J]. Jiangsu Journal of Agricultural Sciences, 2000,16(2): 65-72.(in Chinese)

[33] 潘學標,韓湘玲,石元春.COTGROW:棉花生長發育模擬模型[J].棉花學報,1996(4):180-188.

Pan X B,Han X L,Shi Y C.COTGROW:cotton growth and development simulation model[J].Acta Gossypii Sinica, 1996(4):180-188.(in Chinese)

[34] 陳思寧.基于集合卡爾曼濾波的遙感信息和作物模型結合研究[D].南京:南京信息工程大學,2012:4-8.

Chen S N.Study on intergration of remote sensing and crop model based on Ensemble Kalman Filter[D]. Nanjing: Nanjing University of Information Science and Technology, 2012:4-8.(in Chinese)

[35] 曹衛星,羅衛紅.作物系統模擬及智能管理[M].北京:高等教育出版社,2003.

Cao W X,Luo W H.Crop system simulation and intelligent management[M].Beijing:Higher Education Press,2003.(in Chinese)

[36] 閆巖.基于定量遙感產品和作物生長模型同化的農作物長勢監測與估產方法研究[D].北京:中國科學院遙感應用研究所,2006.

Yan Y.Study on crop growth monitoring and yield prediction by assimilation of quantitative remote sensing product and crop growth model[D].Beijing:Institute of Remote Sensing Applications,Chinese Academy of Sciences,2006.(in Chinese)

[37] 侯英雨,何亮,靳寧,等.中國作物生長模擬監測系統構建及應用[J].農業工程學報,2018,34(21):165-175.

Hou Y Y,He L,Jin N,et al.Establishment and application of crop growth simulating and monitoring system in China[J].Transactions of the CSAE,2018,34(21):165-175. (in Chinese)

[38] 肖瀏駿,劉蕾蕾,邱小雷,等.小麥生長模型對拔節期和孕穗期低溫脅迫響應能力的比較[J].中國農業科學,2021, 54(3):504-521.

Xiao L J,Liu L L,Qiu X L,et al.Testing the responses of low temperature stress routine to low temperature stress at jointing and booting in wheat[J].Scientia Agricultura Sinica,2021,54(3):504-521.(in Chinese)

[39] 吳峰峰,朱波,周愷,等.虛擬作物模型的研究現狀及展望[J].北方園藝,2020(1):162-169.

Wu F F,Zhu B,Zhou K,et al.Research status and prospect of virtual crop model[J].Northern Horticulture,2020(1):162- 169.(in Chinese)

[40] 盧必慧,于堃.遙感信息與作物生長模型同化應用的研究進展[J].江蘇農業科學.2018,46(10):9-13.

Lu B H,Yu K.Progress on assimilation and application of remote sensing information and crop growth model[J].Jiangsu Agricultural Sciences,2018,46(10):9-13. (in Chinese)

[41] 武思杰.基于遙感信息與作物模型同化的冬小麥產量預測研究[D].長沙:中南大學,2012:3-7.

Wu S J.Study on winter wheat prediction based on assimilating remote sensing data and crop growth model[D]. Changsha:Central South University,2012:3-7.(in Chinese)

[42] 李新,擺玉龍.順序數據同化的Bayes濾波框架[J].地球科學進展,2010,25(5):515-522.

Li X,Bai Y L.A Bayesian filter framework for sequential data assimilation[J].Advances in Earth Science,2010,25(5): 515-522.(in Chinese)

[43] Jin X,Kumar L,Li Z,et al.A review of data assimilation of remote sensing and crop models[J].European Journal of Agronomy,2018,92:141-152.

[44] 李存軍,王紀華,王嫻,等.遙感數據和作物模型集成方法與應用前景[J].農業工程學報,2008,24(11):295-301.

Li C J,Wang J H,Wang X,et al.Methods for integration of remote sensing data and crop model and their prospects in agricultural application[J].Transactions of the CSAE,2008, 24(11):295-301.(in Chinese)

[45] Dente L,Satalino G,Mattia F,et al.Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield[J].Remote Sensing of Environment,2007,112(4):1395-1407.

[46] Jégo G,Pattey E,Liu J.Using leaf area index retrieved from optical imagery in the STICS crop model for predicting yield and biomass of field crops[J].Field Crops Research, 2012,131:63-74.

[47] 黃健熙,馬鴻元,田麗燕,等.基于時間序列LAI和ET同化的冬小麥遙感估產方法比較[J].農業工程學報,2015, 31(4):197-203.

Huang J X,Ma H Y,Tian L Y,et al.Comparison of remote sensing yield estimation methods for winter wheat based on assimilating time-sequence LAI and ET[J].Transactions of the CSAE,2015,31(4):197-203.(in Chinese)

[48] 包姍寧,曹春香,黃健熙,等.同化葉面積指數和蒸散發雙變量的冬小麥產量估測方法[J].地球信息科學學報,2015, 17(7):871-882.

Bao S N,Cao C X,Huang J X,et al.Research on winter wheat yield estimation based on assimilation of leaf area index and evapotranspiration data[J].Journal of Geo- information Science,2015,17(7):871-882.(in Chinese)

[49] 王利民,姚保民,劉佳,等.基于SWAP模型同化遙感數據的黑龍江南部春玉米產量監測[J].農業工程學報,2019, 35(22):285-295.

Wang L M,Yao B M,Liu J,et al.Maize yield monitoring in Southern Heilongjiang based on SWAP model assimilative remote sensing data[J].Transactions of the CSAE,2019, 35(22):285-295.(in Chinese)

[50] 潘海珠.基于作物多模型遙感數據同化的區域冬小麥生長模擬研究[D].北京:中國農業科學院,2020.

Pan H Z.Winter wheat growth simulation based on multiple crop models and remote sensing data assimilation[D]. Beijing:Chinese Academy of Agricultural Sciences,2020. (in Chinese)

[51] 劉明星,李長春,李振海,等.基于高光譜遙感與SAFY模型的冬小麥地上生物量估算[J].農業機械學報,2020,51(2): 192-202,220.

Liu M X,Li C C,Li Z H,et al.Estimation of dry aerial mass of winter wheat based on coupled hyperspectral remote sensing and SAFY model[J].Transactions of the Chinese Society for Agricultural Machinery,2020,51(2):192-202, 220.(in Chinese)

[52] 王鵬新,胡亞京,李俐,等.基于EnKF和隨機森林回歸的玉米單產估測[J].農業機械學報,2020,51(9):135-143.

Wang P X,Hu Y J,Li L,et al.Estimation of maize yield based on Ensemble Kalman Filter and Random Forest for regression[J].Transactions of the Chinese Society for Agricultural Machinery,2020,51(9):135-143.(in Chinese)

[53] 劉正春,徐占軍,畢如田,等.基于4DVAR和EnKF的遙感信息與作物模型冬小麥估產[J].農業機械學報,2021,52 (6):223-231.

Liu Z C,Xu Z J,Bi R T,et al.Winter heat yield estimation based on assimilated remote sensing date with crop growth model using 4DVAR and EnKF[J].Transactions of the Chinese Society for Agricultural Machinery,2021,52(6): 223-231.(in Chinese)

[54] 王鵬新,胡亞京,李俐,等.基于雙參數和粒子濾波同化算法的夏玉米單產估測[J].農業機械學報,2021,52(3): 168-177.

Wang P X,Hu Y J,Li L,et al.Estimation of summer maize yield based on bi-variables and Particle Filter assimilation algorithm[J].Transactions of the Chinese Society for Agricultural Machinery,2021,52(3):168-177.(in Chinese)

[55] Doraiswamy P C,Hollinger S,Sinclair T R,et al.Application of MODIS derived parameters for regional yield assessment[C].Toulouse,France:Remote Sensing for Agriculture Ecosystems&HydroloryⅢ,2001,4542:1-8.

[56] Verhoef W, Bach H. Remote sensing data assimilation using coupled radiative transfer models[J].Physics and Chemistry of the Earth,2003,28(1-3):3-13.

[57] Launay M,Guerif M.Assimilating remote sensing data into a crop model to improve predictive performance for spatial applications[J].Agriculture Ecosystems and Environment, 2005,111(1-4):321-339.

[58] Mangiarotti S,Mazzega P,Jarlan L,et al.Evolutionary bi-objective optimization of a semi-arid vegetation dynamics model with NDVI and sigma0 satellite data[J]. Remote Sensing of Environment,2008,112(4):1365-1380.

[59] Fang H,Liang S,Hoogenboom G.Integration of MODIS LAI and vegetation index products with the CSM- CERES-Maize model for corn yield estimation[J]. International Journal of Remote Sensing,2011,32(4): 1039-1065.

[60] 馬玉平,王石立,張黎,等.基于遙感信息的華北冬小麥區域生長模型及模擬研究[J].氣象學報,2005(2):204-215.

Ma Y P,Wang S L,Zhang L,et al.Study on winter wheat regional simulation model based on remote sensing data and its simulations in north China[J].Acta Meteorologica Sinica,2005(2):204-215.(in Chinese)

[61] 吳伶,劉湘南,周博天,等.多源遙感與作物模型同化模擬作物生長參數時空域連續變化[J].遙感學報,2012, 16(6):1173-1191.

Wu L,Liu X N,Zhou B T,et al.Spatial-time continuous changes simulation of crop growth parameters with multi- source remote sensing data and crop growth model[J]. Journal of Remote Sensing,2012,16(6):1173-1191.(in Chinese)

[62] 靳華安,王錦地,柏延臣,等.基于作物生長模型和遙感數據同化的區域玉米產量估算[J].農業工程學報,2012, 28(6):162-173.

Jin H A,Wang J D,Bai Y C,et al.Estimation on regional maize yield based on assimilation of remote sensing data and crop growth model[J].Transactions of the CSAE,2012, 28(6):162-173.(in Chinese)

[63] Machwitz M,Giustarini L,Bossung C,et al.Enhanced biomass prediction by assimilating satellite data into a crop growth model[J].Environmental Modelling and Software, 2014,62:437-453.

[64] Dong Y,Wang J,Li C,et al.Comparison and analysis of data assimilation algorithms for predicting the leaf area index of crop canopies[J].IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing,2013, 6(1):188-201.

[65] 宋麗娟,葉萬軍,陸忠軍,等.遙感與作物生長模型數據同化在水稻上的應用進展[J].中國稻米,2020,26(5):84-89.

Song L J,Ye W J,Lu Z J,et al.Review on data assimilation of remote sensing and crop growth models in rice[J].China Rice,2020,26(5):84-89.(in Chinese)

[66] Mertens J,Madsen H,Feyen L,et al.Including prior information in the estimation of effective soil parameters in unsaturated zone modeling[J].Journal of Hydrology,2004, 294(4):251-269.

[67] 劉洋,劉榮高,陳鏡明,等.葉面積指數遙感反演研究進展與展望[J].地球信息科學學報,2013,15(5):734-743.

Liu Y,Liu R G,Chen J M,et al.Current status and perspectives of leaf area index retrieval from optical remote sensing data[J].Journal of Geo-information Science, 2013,15(5):734-743.(in Chinese)

[68] 付立哲,屈永華,王錦地.MODIS LAI產品真實性檢驗與偏差分析[J].遙感學報,2017,21(2):206-217.

Fu L Z,Qu Y H,Wang J D.Bias analysis and validation method of the MODIS LAI product[J].Journal of Remote Sensing,2017,21(2):206-217.(in Chinese)

[69] 楊飛,孫九林,張柏,等.基于PROSAIL模型及TM與實測數據的MODIS-LAI精度評價[J].農業工程學報,2010, 26(4):192-197.

Yang F,Sun J L,Zhang B,et al.Assessment of MODIS-LAI product accuracy based on the PROSAIL model,TM and field measurements[J].Transactions of the CSAE,2010, 26(4):192-197.(in Chinese)

[70] Kim H W,Hwang K,Mu Q,et al.Validation of MODIS 16 global terrestrial evapotranspiration products in various climates and land cover types in Asia[J].KSCE Journal of Civil Engineering,2012,16(2):229-238.

[71] Curnel Y,de Wit A J W,Duveiller G,et al.Potential performances of remotely sensed LAI assimilation in WOFOST model based on an OSS Experiment[J].Agricultural and Forest Meteorology,2011,151(12):1843-1855.

[72] 姜志偉.區域冬小麥估產的遙感數據同化技術研究[D].北京:中國農業科學院,2012.

Jiang Z W.Study of the remote sensing data assimilation technology for regional winter wheat yield estimation[D]. Beijing:Chinese Academy of Agricultural Sciences,2012. (in Chinese)

[73] Huang J X,Sedano F,Huang Y B,et al.Assimilating a synthetic Kalman Filter leaf area index series into the WOFOST model to improve regional winter wheat yield estimation[J].Agricultural and Forest Meteorology,2016, 216:188-202.

[74] 畢海蕓,馬建文.粒子濾波算法在數據同化中的應用研究進展[J].遙感技術與應用,2014,29(5):701-710.

Bi H Y,Ma J W.Advances in the study of Particle Filter in data assimilation[J].Remote Sensing Technology and Application,2014,29(5):701-710.(in Chinese)

[75] Huang J X,Tian L Y,Liang S L,et al.Improving winter wheat yield estimation by assimilation of the leaf area index from Landsat TM and MODIS data into the WOFOST model[J].Agricultural and Forest Meteorology, 2015,204:106-121.

[76] Zhuo W,Huang J,Li L,et al.Assimilating soil moisture retrieved from Sentinel-1 and Sentinel-2 data into WOFOST model to improve winter wheat yield estimation[J].Remote Sensing,2019,11(11):1618.

[77] Ines A V M,Das N N,Hansen J W,et al.Assimilation of remotely sensed soil moisture and vegetation with a crop simulation model for maize yield prediction[J].Remote Sensing of Environment,2013,138:149-164.

[78] Diepen C A,Wolf J,Keulen H,et al.WOFOST:a simulation model of crop production[J].Soil Use&Management,2010, 5(1):16-24.

[79] Zaharia M,Chowdhury M,Franklin M J,et al.Spark:cluster computing with working sets[C]. Berkeley:conference on hot topics in cloud computing,USENIX Association,2010: 9-101.

Progresses of Crop Model Application and Its Integration with Remote Sensing Technology

PENG Hui-wen, ZHAO Jun-fang, XIE Hong-fei, FANG Shi-bo

(State Key Laboratory of Severe Weather, Chinese Academy of Meteorological Sciences, Beijing 100081, China)

Crop model remote sensing and play important roles in agricultural production monitoring, evaluation, and future prediction with their unique advantages. The integration technologies of crop model and remote sensing information have obvious application advantages and broad development prospects in monitoring, evaluation and prediction of large-scale and high-precision agricultural production. In order to promote the wider applications of these technologies in crop yield prediction, impact assessments of agrometeorological disaster, and agricultural decision-making to deal with climate change on a regional scale, the method of literature review were adopted in this paper. The development and application of crop models in Europe, United States, Australia and China were systematically summarized. The principle, characteristics and shortcomings of the current mainstream data integration methods were concluded. The practical applications of integration technologies of crop model and remote sensing information were summarized. The existing problems in improving the accuracy of data integration were discussed, and the future research direction was prospected. The results showed that the research and application of crop model and its integration with remote sensing data were extensive and intensive at home and abroad. The assimilation method could effectively improve the simulation accuracies of crop model, providing technical support for crop growth and yield evaluation on regional scales, impacts of climate change on yield, farmland management decision-making, etc. The uncertainties from crop model simulation results and remote sensing inversion data, diversities of data assimilation strategies, and scale effects were the limiting factors to further improve the accuracy and efficiency of integrated systems. Therefore, multi-source fusion of remote sensing data, multivariable cooperation in assimilation process, multi-type coupling of crop models, and high-performance parallel computing of data were the development trends of integrating crop models and remote sensing research in the future.

Remote sensing; Crop model; Data integration technology

10.3969/j.issn.1000-6362.2022.08.005

彭慧文,趙俊芳,謝鴻飛,等.作物模型應用與遙感信息集成技術研究進展[J].中國農業氣象,2022,43(8):644-656

2021?10?09

國家重點研發計劃項目（2017YFA0603004）

趙俊芳，女，博士，研究員，主要從事全球變化與農業氣象研究，E-mail: zhaojf@cma.gov.cn

彭慧文，E-mail: 1151898909@qq.com