基于SWAP-IES 的旱區春小麥長勢和產量模擬

金建新 ，丁一民 ，孫振源 ，朱 磊 ※

（1. 寧夏大學土木與水利工程學院，銀川 750021；2. 寧夏回族自治區黃河水聯網數字治水重點實驗室，銀川 750021；3. 寧夏農林科學院農業資源與環境研究所，銀川 750002）

0 引 言

寧夏引黃灌區是中國西北干旱地區重要的小麥生產基地，在全球氣候變化和局部沖突的背景下，小麥對保障糧食安全的重要性日益突出，近年來播種面積大幅增加。及時、準確地對小麥長勢和產量進行監測，是動態調整田間管理措施，確保小麥穩產增產的重要基礎[1]。

基于過程機理的作物生長模型能夠根據區域氣象條件、土壤性質和管理措施等，定量描述單點尺度作物生長發育和產量形成過程，是優化管理、輔助決策、生長評估的重要工具。目前已從單一模型發展到綜合模型階段，國內外主流的模型主要有農業生產系統模擬器（agricultural production systems simulator，APSIM）、作物-環境資源綜合系統（crop environment resource synthesis，CERES）、土壤-水-大氣-植物模型（soil-water-atmosphereplant，SWAP）、侵蝕-土地生產力影響評估模型（erosionproductivity impact calculator，EPIC）、世界糧食作物研究模型（world food studies，WOFOST）等[2]。其中，SWAP模型在農田蒸散發、土壤水分運動的模擬中具有明顯優勢，被廣泛用于旱區作物非充分灌溉的模擬研究[3-5]。但品種、土壤的空間異質性導致作物生長模型難以在不同區域上進行準確模擬。同時，模型的結構誤差和簡化假定（例如不考慮蟲害、病害等）也會給模擬結果帶來一定的不確定性[6]。借助數據同化方法，將不同觀測手段獲取的作物狀態信息融合到不斷演進的作物模型中，校正模型模擬方向，實現作物長勢的連續動態監測和準確預估，是提高模型模擬精度的重要手段[7]。

目前，主要的數據同化方法有強迫法、參數優化法和順序同化法等[8-10]。集合卡爾曼濾波算法（ensemble kalman filter，EnKF）作為一種序列數據同化方法，是作物生長模型數據同化研究中最常用的數據同化算法[11-12]。利用EnKF 算法在WOFOST 模型中融入遙感獲得的葉面積指數信息，可將冬小麥估產的R2從無同化的0.06 提高到0.41[13]，在華北平原尺度上冬小麥估產的R2從無同化的0.28 提高到0.65[14]。利用APSIM-EnKF 同化模擬框架也可有效提高小麥估產精度，相對于同化前，小麥估產的相對誤差減小了8.7%[15]。與EnKF 算法相比，迭代集合平滑器算法（iterative ensemble smoother，IES）可以同時同化所有可用的觀測信息，在強非線性問題中表現得更好[10,16-17]。目前IES 算法主要用在地下水同化模擬、水文地質參數反演等領域，并取得了較好的模擬效果[18-19]。利用IES 算法結合SWAP 模型構建春小麥同化模擬系統的研究還有待開展。

除同化算法外，同化變量觀測時期的選擇也是影響模擬精度的重要因素。以往作物模型同化研究大多基于Sentinel[20]、Landsat[21]、MODIS[7]等衛星遙感數據獲取的作物和土壤狀態信息，上述數據具有周期固定、易受不利天氣影響等缺點，為獲取較好的模擬結果，通常利用作物生育期內所有可用觀測數據。近年來，隨著低空遙感、機器視覺等信息技術的進步，可以利用無人機、地面相機等手段更加便捷靈活地獲取多種農情觀測數據，已被廣泛應用于田塊尺度作物長勢監測研究中[22-23]。盡管上述觀測手段較為靈活，但頻繁觀測仍然需要較高的觀測成本[24]。因此，亟需開展不同生育期觀測信息有效性的評估研究，以節約勞動力和觀測成本。此外，水分脅迫是干旱區作物生長面臨的主要制約因素之一[25]，評估同化模擬系統在不同水分處理下的模擬精度，對于干旱區作物生長監測和產量估算具有重要意義，但相關研究還較為缺乏。

因此，本文的主要研究目的如下：1）利用IES 算法和SWAP 模型構建SWAP-IES 春小麥同化模擬系統；2）在不同水分處理條件下評估同化葉面積指數、土壤水分及其組合在旱區春小麥生長模擬和估產中的作用，以期為利用無人機、地面相機等觀測設備開展不同尺度下的旱區春小麥不同水分管理條件下生長監測、產量預估和精準管理提供技術參考。

1 材料與方法

1.1 田間試驗及數據收集

試驗于2019—2020 年在寧夏永寧縣望洪鎮進行，地理位置為106°11′E，38°10′W，海拔1 125 m，屬典型的大陸性干旱半干旱氣候，四季分明，降雨稀少且多集中在夏季和秋季，冬季寒冷干燥，春旱頻發，多年平均降雨量198.19 mm，多年平均蒸發量1 186.73 mm，土壤質地為砂壤土，耕層平均容重為1.45 g/cm3，平均田間持水量為24.38%。

供試春小麥品種為寧春55 號，為灌水量單因素試驗，以農戶常規灌水量為對照（T5），以450 m3/hm2為遞減梯度設置5 個灌水處理，各處理灌水次數均為7 次，具體灌水量見表1。小區長10 m、寬6 m、面積60 m2，每個處理3 次重復，共計15 個小區。小麥播種方式為勻播，采用滴灌供水，滴灌帶間距50 cm。施肥總量為氮（N）195 kg/hm2、磷（P2O5）120 kg/hm2、鉀（K2O）60 kg/hm2，其中30%氮肥和70%磷鉀肥基施，剩余養分在苗期、拔節期和灌漿期隨水追施，其他田間操作均保持一致。

表1 各處理灌水定額Table 1 Irrigation quota of each treatmentm3·hm-2

試驗收集的數據包括以下部分：

1）土壤含水率：在每個小區中間位置的滴灌帶旁布設一根TDR 土壤水分測定管，在小麥生育期內每隔10 d測定一次土壤含水率，土壤剖面100 cm 深度按照20 cm分層，共計5 層，灌水前后和降雨后加測。

2）株高和生物量：利用卷尺測量株高，每個小區隨機選擇10 株小麥，從地表量至生長點；量完后全部挖出帶回實驗室洗凈，烘箱調至105 ℃殺青30 min 后，在80 ℃溫度下烘至恒質量，利用分析天平稱質量，株高和生物量每個生育期測定一次。

3）葉面積指數：利用LAI-2 200 植物冠層分析儀（LICOR，美國）測定，在小麥每個生育期，選擇晴朗天氣的16:00—18:00 背光測量，每個小區測定3 次取算術平均值。

4）產量：在小麥成熟期，每個小區隨機選擇一個1 m2的樣方，剪掉樣方內的所有麥穗帶回實驗室，搓掉稱質量，各重復取平均值，換算成每公頃的產量。

5）氣象數據：利用MC-QX 小型氣象站每30 min自動記錄一次試驗區附近氣象資料，包括太陽輻射、溫濕度、2 m 高度風速、降雨、相對濕度等。

1.2 SWAP 模型及春小麥基礎參數

SWAP 模型是荷蘭瓦赫寧根大學開發的一種水分驅動的模型，自1978 年發布以來，經過不斷的補充和完善，已廣泛應用于優化灌溉制度、估產、農田管理、農業區域評價等[26]，輸入參數主要包括氣象參數、土壤參數、作物參數等。參考王學梅等[27-28]在干旱區小麥上SWAP模型參數敏感性分析的結果，選擇敏感性較強的5 個作物參數作為同化系統中待校正的參數。其他敏感性相對較低的參數通過田間試驗、模型默認或參考他人研究成果的方式確定，具體參數值見表2。

表2 SWAP 模型中春小麥主要基礎作物參數值及來源Table 2 Parameter values and sources of the main basic crops of spring wheat in the SWAP model

2019—2020 年的田間試驗觀測數據一方面用于驗證同化模擬系統在不同水分條件下模擬的準確性，另一方面用于確定SWAP 模型中敏感性相對較低的基礎參數，作為SWAP-IES 同化模擬系統中旱區春小麥的基本信息。利用田間試驗數據率定的基礎作物參數和方法如下：

1）開花到成熟時的積溫（TSUMAM）：利用氣溫數據和觀測的物候期結合有效積溫公式計算得到；2）出苗時的生物量（TDWI）：在出苗時取樣烘干稱質量測定；3）出苗時的葉面積指數（LAIEM）：在出苗時測定樣穴內全部植株的葉片面積換算得到； 4）比葉面積（SLA）：通過測定全生育期內葉片面積和干質量計算得到； 5）最大CO2同化速率：通過測定特征生育期光響應曲線計算得到； 6）葉面積指數日最大相對增速（RGRLAI）：利用全生育期葉面積指數和積溫計算得到。

對于土壤參數，將試驗區0～100 cm 土壤分為3 層，土壤水力參數根據實測的土壤機械組成、干容重及水分特征曲線數據，利用RETC（retention curve program for unsaturated soils）軟件擬合得到，具體參數值見表3。

表3 試驗區不同深度土壤水力參數Table 3 Hydraulic parameters of soil at different depths in the experimental area

1.3 SWAP-IES 同化模擬系統

以LAI 和SW 為同化的觀測變量，利用IES 數據同化算法，不斷調整SWAP 模型中的關鍵敏感參數，逐漸減小模型的模擬誤差，直至達到預設的收斂標準（圖1）。

圖1 土壤-水-大氣-植物模型-迭代集合平滑器同化模擬系統流程圖Fig.1 Flow chart of soil-water-atmosphere- plant(SWAP)-iterative ensemble smoother(IES) data assimilation system

IES 算法是一種能同時利用所有觀測數據的連續型數據同化方法，其同化思想來源于后驗概率密度函數采樣的最優化方法，它利用樣本集合估計參數-狀態的敏感性信息，使用高斯牛頓法迭代更新參數[29]。假設模型輸入與輸出之間關系可以表示為

式中dobs是實測值向量，F是正向模型，m是未知參數向量，ε為符合均值為0 協方差為CD=E[ε×εT] 的觀測誤差向量。然后IES 可以分以下幾個步驟實施：

第一步：從參數的先驗分布中產生Ne個樣本構成初始樣本集合M0：

第二步：在第l（l=1,2,...）次迭代中，給定所有時刻的歷史觀測數據，參數樣本Ml可以根據式（3）完成更新：

式中βl為調整迭代步長的參數，CM=△M0(△M0)T/(Ne-1)代表參數的先驗協方差，其在整個迭代過程中保持不變。△M0表示矩陣M0與其均值的偏差，Gl為基于集合平均的敏感性矩陣。

第三步：重復步驟二，直到達到IES 預設的收斂標準。

1.4 數據同化模擬方案

實踐中春小麥品種特性往往具有較大的不確定性，是制約作物生長模型準確模擬作物生長過程的關鍵因素。因此，本文用最敏感的5 個模型參數來表征未知的品種特性信息，利用田間試驗數據評估SWAP-IES 系統是否能夠通過吸收觀測數據校正模型中未知的關鍵敏感參數，實現作物長勢和產量的準確模擬。根據SWAP 模型敏感性分析結果[27-28]，選擇TSUMEA、CVO、SPAN、EFF、CVL 5 個關鍵敏感的作物參數作為待校正參數，根據文獻 [30-31] 及實測數據得到待校正參數的先驗均值與上下限，如表4 所示。

表4 待校正參數的先驗均值及取值范圍Table 4 The priori mean and value range of the parameters to be corrected

本文共設置了12 個同化模擬情景（表5）。情景1不同化觀測數據，僅利用待校正參數的先驗值進行模擬，情景2、情景3 和情景4 使用了所有6 次觀測數據，用來評估吸收不同觀測變量及其組合對同化結果的影響。情景5～情景12 按生育期分別添加觀測數據，用來評估觀測時期對同化結果的影響。模擬中假定土壤在水平方向上是勻質的，作物參數中除待校正的參數外其余參數在不同處理下均保持不變。土壤垂直方向水分運動范圍假設為1 m，將垂直方向土壤剖面離散為50 個網格，每個網格2 cm，每個網格壓力水頭的初始值統一設置為-100 cm，上邊界條件為大氣邊界，下邊界條件為自由排水邊界。參數TSUMEA、CVO、SPAN、EFF、CVL 在同化過程中以0.04、0.08、0.10、0.24、0.08 為方差生成先驗值集合。用于數據同化的LAI 和SW 等觀測變量為大田試驗的實測數據，利用高斯噪聲將觀測變量分別以0.10 和0.01 為方差進行擾動，生成觀測值樣本集合。情景1～情景4 在模型中同化觀測數據后優化得到的不確定性參數取值見表6。

表5 同化模擬情景設置Table 5 Assimilation simulation scenario settings

表6 不同處理各同化情景下待校正參數的取值Table 6 The values of parameters to be corrected under different assimilation scenarios of different treatments

1.5 模擬精度評價指標

采用決定系數（R2）、均方根誤差（SRMSE）、標準均方根誤差（SNRMSE）和相對誤差（SRE）等指標對模擬結果進行評價，其中R2越接近1，SRMSE和SRE越小表示模擬精度越高，SNRMSE≤10%表示精度極高，10%＜SNRMSE≤20%表示高精度，20%＜SNRMSE≤30%表示中等精度，SNRMSE＞30 %表示精度較低[32]。

2 結果與分析

2.1 同化不同觀測變量對土壤水分模擬的影響

圖2 為SWAP-IES 系統同化不同觀測變量對2019和2020 年T1～T5 處理土壤水分模擬的影響。不同化任何觀測數據時，模型對土壤水分模擬的精度最低（R2=0.48，SRMSE=0.058 cm3/cm3，SNRMSE=43.35%）。同化觀測變量后，模型對土壤水分的模擬均達到中等以上精度，其中同化LAI 時模擬的R2=0.73，SRMSE=0.043 cm3/cm3，SNRMSE=29.26%，為中等精度。同化LAI+SW 時，對土壤水分的模擬精度較同化LAI 有所提高，但仍然為中等精度（SNRMSE＞20%）。僅同化SW 時SWAP-IES 系統對土壤水分模擬的精度最高，R2=0.87，SRMSE=0.029 cm3/cm3，SNRMSE=19.08%，表現為高精度。這說明同化土壤水分可顯著提高SWAP-IES 系統對土壤水分的模擬精度，為后期準確模擬作物水分脅迫狀況、騰發量等奠定基礎。

圖2 同化不同觀測變量對土壤水分模擬的影響（2019—2020）Fig.2 Effects of assimilation of different observation variables on soil moisture simulation（2019—2020）

2.2 各處理同化不同觀測變量對生長指標模擬的影響

以2019 年T1 為例來說明SWAP-IES 系統同化不同觀測變量時各待校正參數樣本對春小麥LAI、生物量和株高的模擬（圖3）。不同化任何觀測數據時，各樣本對LAI、生物量和株高模擬的平均值和實測值的SRMSE分別為0.61 m2/m2、1 550.19 kg/hm2和7.89 cm。同化SW時，各樣本對3 指標模擬的平均值和實測值的SRMSE分別為0.52 m2/m2、984.33 kg/hm2和6.08 cm（圖3a）。同化LAI 時對3 指標模擬的SRMSE分別降低為0.30 m2/m2、733.94 kg/hm2和2.68 cm（圖3b）。同化LAI+SW 時對3 指標模擬的SRMSE分別為0.32 m2/m2、437.63 kg/hm2和2.28 cm（圖3c）。SNRMSE和R2也類似，同化SW 時對各指標模擬的SNRMSE較無同化降低12.8%～54.47%，R2提高17.24%～33.33%。同化LAI 時，各指標模擬的SNRMSE較無同化下降了50.07%～79.89%，R2提高了42.18%～66.67%。同化LAI+SW 時，各指標模擬的SNRMSE較無同化降低45.9%～82.88%，R2提高48.28%～68.4%。說明在T1 處理中僅同化LAI 時模型對LAI 的模擬精度最高，而同化LAI+SW 對生物量和株高的模擬效果最好。

圖3 SWAP-IES 系統同化不同觀測變量對小麥生長指標的模擬（2019 年T1 處理）Fig.3 Simulation of wheat growth indicators by assimilating different observation variables in the SWAP-IES system (T1 in 2019)

可見，在SWAP-IES 系統中僅利用參數樣本的先驗值無法準確模擬春小麥生長過程，同化不同觀測變量，均能改善春小麥生長指標的模擬效果，降低各樣本模擬的不確定性。

表7 為SWAP-IES 系統同化不同觀測變量對2019—2020 年各處理生長指標模擬的R2、SRMSE和SNRMSE值。不同化任何觀測數據時，模型對LAI、株高和生物量模擬的R2介于0.31～0.67，SRMSE分別為0.63～0.96 m2/m2、5.90～7.99 cm 和1 289.00～1 808.00 kg/hm2，SNRMSE均大于20%，各處理均處于中等精度以下。同化SW 時模型對LAI、株高和生物量模擬的R2介于0.49～0.83，SNRMSE介于10.47%～27.96%，SRMSE分別介于0.38～0.69 m2/m2、4.30～6.28 cm 和789.00～1 134.00 kg/hm2，仍有部分指標處于中等精度以下。同化LAI 時模型對LAI 模擬的精度顯著提高，R2介于0.76～0.96 之間，SRMSE介于0.22～0.48 m2/m2，SNRMSE介于7.66%～19.38%，各處理均達到高精度水平。同化LAI+SW 能顯著改善生物量的模擬結果，R2可達到0.73～0.92，特別是T1～T3 處理，R2較無同化最大可提高112.5%。SRMSE介于384.00～705.00 kg/hm2，SNRMSE介于6.52%～14.02%，模擬結果均達到高精度以上。株高無明顯規律，但2 a 中各處理同化LAI 和LAI+SW對株高的模擬均達到高精度或極高精度，R2為0.71～0.96，SRMSE為2.30～5.16 cm，SNRMSE為3.25%～10.84%。可見選擇不同的觀測變量，SWAP-IES 系統對春小麥生長指標模擬結果有所差異，需根據研究目的選擇適宜的觀測變量進行同化模擬。

表7 SWAP-IES 系統同化不同觀測變量對春小麥生長指標模擬的R2、SRMSE 和SNRMSETable 7 R2，SNRMSE and SNRMSE values of simulating spring wheat growth index by using SWAP-IES system to assimilate different observation variables

2.3 同化不同觀測變量對估產的影響

圖4 為SWAP-IES 系統同化不同觀測變量對2019 和2020 年T1～T5 處理春小麥估產的結果。無同化時模型對春小麥產量預測的精度較低，R2為0.45，SRMSE為1 259.34 kg/hm2，SNRMSE為28.38%，這是因為參數先驗值及模型本身的不確定性等導致的。同化SW 改善了模型對春小麥產量的預測效果，R2提高到0.66，SRMSE減小了355.57 kg/hm2，SNRMSE減小了6.73%，但是改善效果有限，模擬結果仍為中精度。同化LAI 時，對產量模擬的精度進一步提高，R2為0.79，SRMSE為698.49 kg/hm2，SNRMSE為16.74 %，達到高精度水平。同化LAI+SW 時，模型對春小麥產量模擬的精度最高，R2為0.87，SRMSE為561.54 kg/hm2，SNRMSE為13.45%。無同化情景下估產的SRE介于10.89%～40.34%，各處理均比同化情景大。T1、T2 和T3 處理下2 a 均為同化LAI+SW 時估產的SRE最小，T1 兩年分別為6.13%和8.38%，T2 分別為3.87%和4.69%，T3 分別為6.11%和7.4%。T4 和T5 處理同化LAI 時模型估產的SRE均在10%以內（4.05%～9.17%），小于其他情形。可見在SWAP-IES 同化模擬系統中融入LAI 觀測數據后，其估產精度顯著提高，繼續添加SW，估產能力會進一步提高，特別在中度或重度水分脅迫處理下（T1～T3）。

圖4 同化不同觀測變量的估產效果（2019—2020 年）Fig.4 Yield estimation effect of assimilating different observation variable（2019—2020）

2.4 觀測變量的觀測時間對估產的影響

圖5 為同化數據觀測生育期對估產精度的影響。單個生育期觀測數據中同化開花期的LAI+SW 對提高SWAPIES 系統估產精度的作用最大（R2從無同化的0.45 提高到0.74，SRMSE和SNRMSE分別從無同化的1 259.34 kg/hm2、28.38%降低到676.19 kg/hm2、17.11%），其次為同化拔節期和孕穗期的觀測數據。同化多個生育期的觀測數據可顯著提高模型的估產精度，同化拔節期和開花期的LAI+SW觀測數據時估產的R2=0.79，SRMSE=610.80 kg/hm2，SNRMSE=15.12%，同化拔節期、孕穗期和開花期3 個生育期的LAI+SW 觀測數據時估產的R2=0.83，SRMSE=598.99 kg/hm2，SNRMSE=14.46%。說明SWAP-IES 系統在同化模擬過程中，應重點選擇開花期、拔節期等關鍵生育期的觀測數據進行同化模擬，以實現提高模擬精度、減少田間觀測強度的目的。

圖5 同化數據觀測生育期對SWAP-IES 系統估產精度的影響Fig.5 Impacts of assimilating data of growth period on the yield estimation accuracy of the SWAP-IES system

3 討 論

本文將SWAP 模型和IES 數據同化算法相結合，構建了SWAP-IES 同化模擬系統，以春小麥大田試驗為基礎，評價了觀測變量的選擇對準確模擬春小麥長勢和產量的價值。作物生長及農田土壤環境各指標間相互影響，在作物生長模型中同化任意一個指標，均可提高與該指標相關的其他指標的模擬精度，特別是LAI 和生物量等關聯性較強的指標[33]。本文中同化LAI 顯著提高了SWAPIES 系統對春小麥LAI、生物量和產量的模擬精度，R2達到0.76～0.96，在無水分脅迫或輕度水分脅迫下改善效果更為顯著，這和DONG 等[34]在SAFY 模型中同化LAI對加拿大東北部冬小麥模擬的結論一致。本文中T4 和T5 處理同化LAI 時估產的相對誤差均在10%以內，說明小麥受輕度或不受水分脅迫時，LAI 就能反映大部分作物生長和農田環境信息，僅同化LAI 就可實現農田尺度的準確估產，這和LI 等[35-36]的研究結果一致。借助遙感信息將作物生長模型擴展到區域尺度，同化LAI 后在縣域尺度估產的誤差在14.8%以內[37-38]，說明在正常生長條件下，同化LAI 后在農田和區域尺度均能準確模擬小麥生長過程和產量形成。

在重度水分脅迫條件下，僅同化LAI 無法實現準確估產，本文T1 和T2 處理在僅同化LAI 時估產的相對誤差為5.94%～15.32%，顯著低于同化LAI+SW 的情景，這可能是因為小麥在水分脅迫下，作物會產生耐旱的保護機制，而模型無法準確描述這一生理變化，造成對耗水量模擬誤差，導致模擬的產量偏小。同化LAI+SW 后，修正了作物生長發育和土壤水平衡過程，對土壤水分的模擬精度顯著提高，進而提高了估產效果，說明所構建的SWAP-IES 系統中LAI 為春小麥準確估產的必須觀測變量，在水分脅迫較重時還需要增加SW 作為觀測變量，這與PAN 等[39-40]研究結果一致。除了土壤水分外，增加騰發量[41]等其他觀測數據，同樣能提高水分脅迫逆境等條件下模型對作物產量的模擬精度。作物不同生育期的生長和土壤水分信息對估產的價值不同[42]，在同化模擬系統中融入更多有效信息后，模擬精度逐步提高，但是過多的觀測數據會增加觀測和計算成本，因此本文評價了觀測變量的觀測時期對估產的影響，尋求合理的觀測生育期，以提高同化模擬的效率。受作物品種、土壤、氣象等空間異質性制約，目前作物生長模型同化系統在區域估產方面往往精度有限，如何提高遙感反演觀測變量的準確度，科學選擇觀測變量和同化時序，以及模型從驗證向預估轉變等是未來研究的重點。

4 結 論

本文融合土壤-水-大氣-植物模型（soil-water-atmosphere-plant，SWAP）和迭代集合平滑器算法（iterative ensemble smoother，IES）構建了SWAP-IES 作物同化模擬系統，利用寧夏引黃灌區春小麥灌水量試驗多時序葉面積指數（leaf area index，LAI）和表層土壤水分（soil water content，SW）的觀測數據，評價了同化不同觀測變量在春小麥長勢和產量模擬中的價值。主要結論如下：

1）同化LAI+SW 和SW 時，對土壤含水率模擬的R2從無同化的0.48 分別提高到0.78 和0.87，表明同化變量中增加SW 能顯著改善模型對土壤水分的模擬效果，為不同水分處理下準確模擬春小麥生長過程和產量形成奠定基礎。

2）同化LAI+SW 時估產效果最好，R2從無同化的0.45 提高到0.87。無同化時模型估產的誤差最大，相對誤差介于10.89%～40.34%，T1～T3 處理同化LAI+SW 時估產效果最好，相對誤差為3.87%～8.38%，T4～T5 處理同化LAI 時估產效果最好，相對誤差為4.05%～9.17%。

3）單個生育期中開花期的觀測數據對提高SWAPIES 系統估產精度的作用最大，同化開花期LAI+SW 時估產的R2可從無同化的0.45 提高到0.74，其次為拔節期。同時同化拔節期和開花期2 個生育期LAI+SW 觀測數據時估產的R2可達到0.79。