基于遙感數據與作物模型結合的重慶市水稻估產方法

中圖分類號： S511;S127 文獻標識碼：A 文章編號： 1000-4440（2025）05-0893-12

Abstract：Riceisaprimaryfoodcrop globall，andaccurate predictionof itsyield isof greatsignificanceforfoodsecurityandagricultural resource management.ThisstudyusedtheORYZA（V3）crop modeland MODIS remote sensingdatato establisha rice yield estimation model for Chongqing.The main conclusions were as follows：thecrop parameters inthe model werecalibratedusingricestagedsowing experimentdata.Thecalibrationresultsshowed that thesimulationerorofthemodel for the growth period was less than 5% ，and the determination coefficients（ R² ）between the simulated and measured values of total aboveground biomass（ WAGT ）andpaniclebiomass （WSO）exceeded O.97o.The normalized root mean square error（nRMSE）waslessthan 22.0% ，whichimproved the applicability of the model in Chongqing.Through regressionanalysis of LAI and rice yield under multiple parametercombinations of the model，aregression model of LAI andriceyieldundertheoptimalcombinationdate（182nd dayof theyear，July1）was established.Basedon this，

the estimation of rice yield in Chongqing in 2O23 was completed with an average accuracy of 87% ，and the overall effect wasgood，especiallinthemainriceproducingareassuchasthewestern，central，andsoutheasternregions，wherethe accuracywas higher.Theresearch results confirm thatcombining crop models withremotesensing datacan efectively improve theaccuracyof regionalcrop yieldestimationand show great application prospects inthefieldofcropyield prediction.

Key words： rice；crop models；remote sensing yield estimation；data combination

水稻作為中國最重要的糧食作物之一，其播種面積和總產量分別占中國糧食作物總播種面積、總產量的 25% 和 31%^[1] ，因此水稻在保障中國糧食安全中占有極其重要的地位。在全球氣候變化、水資源短缺、人口持續增長和農業災害頻發等多重挑戰下，獲取區域尺度上時空連續的水稻生長動態和產量估算信息可為指導農業生產、制定糧食政策提供評估數據和科學依據，也可為明晰氣候變化與農作物之間的交互作用、制定合理的水資源分配策略等提供重要的數據支撐[2]

遙感技術和作物模型是開展區域農作物估產的前沿手段，已有眾多學者針對2種手段分別開展區域尺度的農作物估產研究[3-8]。作物模型是在單點尺度上基于作物光合、呼吸、蒸騰等機理過程的動態生長模型，能對作物生長及其與環境的相互影響進行定量描述[9-10]，但在區域應用上，獲取大面積的作物模型輸入參數較為困難，難以準確表達區域尺度下農作物生長過程的空間差異[1]。遙感技術能提供大面積同步的周期性觀測，但易受陰雨等不良天氣的影響，存在一定的不確定性，且不具有機理性[12]。如何有機結合兩者的優勢對區域尺度下時空連續、準確的農作物生長過程監測和單產估算具有重要意義。近年來，遙感數據與作物模型結合的產量預測研究成為熱點[13-18]。Lu等[19]構建了一種作物模型和遙感數據相結合的深度學習方法，對水稻產量進行估算，成功提高了水稻產量預測的準確性；邢會敏等[20對冬小麥冠層覆蓋度、地上生物量和產量進行計算，使用模擬退火算法、復合型混合演化算法和粒子群優化算法3種同化算法進行AquaCrop作物模型與農業遙感的同化耦合，對比發現，3種同化算法均能有效模擬冬小麥的冠層覆蓋度、地上生物量和產量，其中，復合型混合演化算法無論在運算效率還是同化結果的精度上均優于粒子群優化算法和模擬退火算法。然而，這類研究對作物模型的模擬精度和遙感的監測精度有較高的依賴性，作物模型、遙感反演的不確定性以及數據融合的方法對結果的影響較大，不同地區生產條件和管理措施的差異對結果也有較大影響[21-24]，因此如何增強遙感數據和作物模型的區域適用性，還需進一步研究。

重慶地區作為丘陵山地水稻種植的主產區之一，其復雜的地理環境為遙感研究帶來了不確定性，為解決這一難題，發展適用于復雜地形的遙感和作物模型結合方法顯得尤為重要[25]。ORYZA系列模型是由國際水稻研究所（Internationalriceresearchinstitute，IRRI）開發的基于水稻生長過程的作物模型，基于輸入的氣象數據、田間管理數據以及作物參數，該模型可以模擬水稻生長、發育過程以及最終單產水平，其模擬效果在不同地區和多種田間管理措施下得到了大量的檢驗和應用分析[26]，在水稻生長發育及水稻葉面積等方面的模擬與預測具有較高的準確性[27]。ORYZA（V3）模型是ORYZA2000 模型的更新版本，在ORYZA2000模型的基礎上提升了干旱、氮肥不足和不同灌溉措施對水稻生長影響的定量評估。因此，本研究擬選取ORYZA（V3）模型，以重慶市水稻種植區為研究對象，結合水稻田間試驗，開展重慶地區不同氣候條件和生產管理條件下的遙感數據與作物模型結合的水稻產量預測研究，提高作物模型與遙感數據在重慶地區的應用能力，以期為該地區的水稻產量預測提供技術支撐。

材料與方法

1.1 研究區概況

重慶市位于中國西南部，長江上游，青藏高原與長江中下游平原的過渡地帶。全市地貌以中山、低山（占全市總面積的 75.9% ）和丘陵（占全市總面積的 17.0% ）為主，地貌類型組合特征和分布具有明顯的區域差異，山巒疊翠，氣候溫和，山地平均海拔1200m ，無嚴寒，春季氣溫回暖早。研究區域如圖1所示。

1.2 試驗數據

1.2.1作物模型所需數據ORYZA（V3）模型運行需要氣象數據、土壤參數、作物參數、管理數據等。ORYZA（V3）模型參數校正所使用田間試驗數據來源于江津現代農業氣象試驗站2020-2022年的分期播種試驗，試驗種植品種為宜香優2115，它是重慶市水稻代表品種。試驗共設置4個播期，分別為2月20日3月2日3月12日和3月22日，在水稻種植過程中觀測水稻的生育期、生物量干重、生物量鮮重和單產等。模型校正中使用的觀測數據包括水稻種植田間管理信息（如施肥量、種植密度等）和水稻播種、移栽、孕穗、成熟的日期，以及不同生長階段的葉面積指數（LAI）、葉干重、莖稈干重、穗干重和地上總干重；模型校正所需的氣象數據為江津區氣象臺站觀測的2020-2022年逐日氣象觀測數據，包括最高氣溫、最低氣溫、日照時數、降水量、相對濕度和風速；為進一步構建估產模型，本研究用校正后的作物模型模擬結果代替實測數據，開展大量的作物模型模擬，共使用了重慶市10個氣象站點2013-2023年的逐日氣象數據、重慶市水稻種植管理數據等。

1.2.2 遙感數據

1.2.2.1水稻識別使用數據本研究使用的遙感數據源為通過美國宇航局研制的中分辨率成像光譜儀（MODIS）獲取的地表反射率產品MOD09A1，空間分辨率為 500m ，可提供可見光至短波紅外共7個波段的地表反射率信息，共獲取了2023年覆蓋重慶市的46景影像，并基于重慶市矢量邊界進行空間范圍裁剪，得到水稻空間分布信息提取的輸入數據。1.2.2.2 LAI 數據產品本研究使用了美國宇航局研制的中分辨率成像光譜儀（MODIS）獲取的 LAI 數據產品MCD15A3H，空間分辨率為 500m ，共獲取了2023年覆蓋重慶市的92景影像，并基于重慶市矢量邊界進行空間范圍裁剪。

1.3 研究方法

1.3.1作物模型參數校正方法 ORYZA（V3）模型中的絕大多數參數都是通過大量試驗所得，具有普適性。但有一部分參數需要根據當地實測數據來調整，這些參數可分為兩部分：（1）水稻發育速率參數，包括基本營養階段發育速率、光敏感階段發育速率、穗形成階段發育速率和籽粒灌漿階段發育速率；（2）水稻生長參數，包括比葉面積、干物質分配系數、葉片相對生長速率、葉片死亡速率、莖同化物轉移系數及最大穗粒重等。本研究使用2020-2022年第2個和第3個播期（即3月2日、3月12日）的水稻觀測數據和氣象數據作為ORYZA（V3）模型作物參數的校正數據，第1個和第4個播期（即2月20日、3月22日）的水稻觀測數據作為驗證數據。

水稻發育速率參數通過作物模型自帶的DRATES模塊確定，共計得到6組（2020-2022年共3年，每年2個播期）參數，取其平均值作為最終參數；本研究使用的水稻生長參數由作物模型自帶的AutoCalibration （v2.1） 模塊確定，該模塊根據實測數據對作物參數進行校正。每個參數的取值范圍為其默認值上下浮動 30% 后的范圍（如穗生長因子默認值為64900，則其參數優化的取值范圍為45430至84370），當某一參數組合下模擬的穗生物量和地上總生物量與實測結果誤差［以歸一化均方根誤差（nRMSE）和決定系數 （R²） ）衡量]最小時，則該參數組合為最優參數組合。以上參數校正共使用3年2個播期的觀測數據，其中觀測數據包括水稻地上總生物量和穗生物量的數據，地上總生物量全生育期測量7次，穗生物量測量3次，共計60個觀測數據。1.3.2重慶市水稻空間分布信息提取方法開展重慶市水稻遙感長勢監測和估產的重要前提是獲取重慶市水稻種植的空間分布信息。本研究基于美國宇航局發射的中分辨率成像光譜儀（MODIS）獲取地表反射率信息，參考Xiao等[28]提出的水稻遙感識別方法，提取重慶市水稻空間分布信息。

1.3.2.1計算用于水稻空間分布信息提取的遙感指數所需遙感指數包括歸一化植被指數（NDVI）、增強型植被指數（EVI）和地表水分指數（LSWI）。其中NDVI和EV7與地表覆蓋的植被信息相關性較高，而LSWI與植被含水量或地表水分覆蓋信息相關性較高，3種遙感指數的計算公式如下：

式中， R，B，NIR 和SWIR分別代表紅光波段、藍光波段、近紅外波段和短波紅外波段的反射率。1.3.2.2水稻淹水信息提取水稻種植過程中的灌水過程是水稻區別于其他作物的重要特征，而識別水稻淹水信息也是水稻遙感識別的關鍵過程。本研究參考Xiao等[28]基于MODIS遙感影像提出的規則識別水稻淹水信息的提取方法，即當水稻移栽期間滿足公式（4）的條件時該像元被判定為淹水像元。

淹水像元

1.3.2.3水稻識別及后處理針對每個MODIS像元，對水稻移栽期前后 30d 的MODIS時序數據識別淹水信息，當淹水信息數量大于1時，則認為該像元為潛在的水稻像元。隨后，對識別結果進行后處理，將永久水體、自然植被、陡坡等背景剔除，具體規則如下：

① 永久水體：將NDVI小于O.1且NDVI小于LSWI的像元劃分為地表覆水，而一年中地表覆水時間超過80d（即某像元在MODIS時間序列上存在10次以上被認為覆水的情況），則被認為是永久水體。

② 自然植被：當某像元一年中NDVI高于0.7的時間超過160d（即在MODIS時間序列上存在20次以上NDVI大于0.7的情況），則被認為是常綠森林；當某像元不存在LSWI小于0.15的情況時，則被認為是常綠灌木。

③ 陡坡：當某地坡度大于 2^° 時則認為該地區坡度較陡，不適合水稻種植。坡度由距離-多普勒地形校正方法和航天飛機雷達地形測量任務（STRM）的90m 數字高程模型（DEM）產品進行坡度分析得到。1.3.3結合遙感數據和作物模型的水稻估產方法構建本研究在參考以往研究的基礎上，構建了一種耦合作物模型與遙感觀測的水稻單產估算方法，降低了區域尺度下開展農作物估產的難度以及對實測數據的依賴性。

1.3.3.1水稻生長模擬及單產預測模型構建在以往的研究中，學者將特定時期的遙感植被指數或LAI 數據與單產進行關聯，以用于農作物估產，并取得了較高的精度[29]，但特定時期的選擇、地面觀測以及單產數據的獲取難度較大，而在缺乏觀測數據的條件下如何準確預測作物單產是個難題。針對這個問題，本研究在參考以往研究結果[30]的基礎上，以ORYZA（V3）作物模型模擬結果代替實測數據，比較研究區內的氣象、作物管理的差異，設置不同的氣象條件、作物管理的參數組合（表1），開展大量的作物模型模擬，以代表真實情況下的水稻生長狀況。然后在此基礎上，以日為單位，探究在多種參數組合下，模型模擬的逐日 LAI 與單產之間的關系，并基于兩者相關性[使用決定系數 （R² ）表示]最高的日期構建線性回歸模型，以用于水稻單產預測。

1.3.3.2單產預測基于ORYZA（V3）模型模擬和回歸分析的結果，得到最優回歸日期（即 LAI 與單產相關性最高的日期），將該日期對應的回歸模型應用于對應日期的MODIS LAI 數據上，得到最終的水稻單產預測值。由于模型模擬的 LAI 與MODIS影像反演的 LAI 可能存在數值范圍的差異，因此在應用回歸模型前對MODIS LAI 的數值進行縮放，縮放系數（ratio）如下：

其中， LAI_model 表示作物模型模擬的葉面積指數，LAI_uoDIS 表示MODIS遙感影像反演的葉面積指數；date表示獲取特定日期的葉面積指數；∑表示對所有模擬結果或像元進行求和； n_model 和 n_MODIS 分別表示模型模擬的葉面積指數結果的數量和水稻像元數。

2 結果與分析

2.1水稻空間分布信息提取結果

水稻空間分布信息提取結果如圖3所示，水稻總體上主要分布于重慶市西部和中部，其中水稻種植面積較廣的區（縣）包括合川區、江津區、永川區、涪陵區、榮昌區、大足區、潼南區、銅梁區、南川區、墊江縣、梁平區、忠縣、酉陽土家族苗族自治縣、秀山土家族苗族自治縣等，空間分布結果與實際情況基本一致。

2.2作物模型校正結果

由DRATES程序獲取的水稻發育速率參數見表2，總體上水稻生育期模擬結果與實測日期之間的誤差小于 5% ，符合模擬應用的需求。

由AutoCalibration（v2.1）模塊獲取了水稻作物參數，圖4是ORYZA（V3）模型的模擬結果與觀測數據之間的差異。總體上，模型模擬的水稻生物量與實測結果之間吻合度較高，與實際的水稻干物質積累和分配過程較為一致，說明參數校正后ORYZA（V3）能夠較好地描述研究區水稻生長的過程。進一步開展定量分析，結果顯示，不同年份和不同播期下，ORYZA（V3）模型模擬的地上總生物量（WAGT）和穗生物量（WSO）與實測值之間的 R² 均在0.970以上，歸一化均方根誤差（nRMSE）低于 22.0% （表3）。其中WAGT的模擬值與實測值之間的 R² 為0.981～0.996 ，均值為0.989，其nRMSE為 8.6% ～21.6% ，均值為 13.7% ： WSO 的模擬值與實測值之間的 R² 為 10.971～0.999 ，均值為0.988，其 nRMSE 為6.1%～16.2% ，均值為 10.0% （表3、圖5～圖7）。以上結果表明，經過參數校正后的ORYZA（V3）模型可以較好地模擬水稻生長和單產的形成過程，使用該參數模擬重慶市水稻生長狀態和單產的結果可信度較高。

2.3 最優結合日期的確定

經過對模型模擬的多參數組合下的 LAI 與單產的回歸分析，得到了不同日序下 LAI 與水稻單產之間相關性的分布圖（圖8）。總體上，兩者之間的相關性隨日序變化呈現先升高后降低的趨勢，其中相關性最高的日序為182（7月1日），為水稻孕穗期，其 R² 達到0.33，而在水稻分蘗期和成熟期也有相對較高的相關性。基于第182d的模擬 LAI 和模擬單產構建回歸模型（圖9），模型可以表示為：

2.4水稻單產估算精度

根據前文建立的回歸模型，選取2023年觀測日期與最優結合日期（日序182）最為接近的MO-DIS LAI 影像，并設置縮放系數為0.8，最終得到2023年重慶市水稻單產估算結果（圖10）。整體來看，全市水稻單產估算平均準確率達到了 87% ，模擬效果較好，尤其是在重慶市西部、中部、東南部等水稻主產區，估算結果更加精確；東北部的部分區域水稻單產反演結果與實際情況存在一定偏差（圖11），可能是因為受到MODIS LAI 產品精度的影響。此外，東北部氣候特征與其余地區相比存在較大差異，進一步影響了估產模型的準確性。為了進一步提升遙感和作物模型結合的估產精細化水平，在未來的研究中需要結合更高分辨率的遙感數據和更準確的地面實測 LAI 數據，實現更精確的水稻單產估算。

黑色斜線為建立的單產與 LAI₁₈₂ （第182d的葉面積指數）的回歸模型。

3討論

本研究探究了一種結合ORYZA（V3）水稻生長模型和遙感數據的估產方法，該方法在準確性方面表現出較高的潛力，然而遙感信息與作物模型均會受到諸多因素的影響，比如作物模型的本地化應用情況對大田試驗數據具有較大的依賴性，調參算法有待進一步優化；重慶地區多陰雨天氣，而遙感數據受陰雨等氣候因素影響較大，給該地區水稻反演精度的提高帶來不利影響，加大了大面積水稻估產的難度。

未來的研究還需從多個方面進一步深入：開展大量的大田試驗以得到適用性更強的作物模型參數組合，結合不同作物模型的優勢提高模型的本地化應用能力：提高遙感數據的精度并加強對多個過程變量（如葉面積指數、光合有效輻射、蒸散量等）結合的研究，以增強遙感數據的應用效果；遙感信息和作物模型的結合算法更是一大難點，在作物估產上具有較大的應用潛力，有待深入研究。隨著近年來對地觀測技術的不斷發展，農業生產對作物生長動態監測的時空精細化需求日益迫切。在此背景下，多參數協同優化、多源數據融合、多模型結合已成為深化作物模型與遙感結合研究的必然發展趨勢[31-32] 。

4結論

本研究針對重慶地區，將ORYZA（V3）作物生長模型與遙感數據相結合，建立了區域水稻估產模

型，主要結論如下：

（1）水稻生長信息提取。基于MODIS數據完成了重慶市水稻生長信息的提取，得到重慶市水稻種植分布，結果顯示，西部、中部、東南部為水稻主產區，與實際情況基本一致。

（2）作物模型參數調整。結合氣象數據、分期播種試驗數據，對作物模型的作物參數進行調整，使其能模擬重慶地區的水稻生長發育過程，結果顯示：生育期模擬結果誤差小于 5% ；地上總生物量的模擬值與實測值之間的 R² 為 0.981～0.996 ，均值為0.988，其nRMSE為 8.6%～21.6% ，均值為 13.7% 穗生物量的模擬值與實測值之間的 R² 為 0.971～ 0.999，均值為0.988，其nRMSE為 6.1%～16.2% ，均值為 10.0% ，模擬結果具有較高的可信度。

（3）建立作物模型與遙感數據結合的估產方法。利用優化后的作物模型，對模型多參數組合下的 LAI 與單產進行回歸分析，建立了在最優結合日期（日序182）下的 LAI 與水稻單產的回歸模型，據此完成全市2023年水稻單產估算，平均準確率達到87% ，總體效果較好，尤其是對西部、中部、東南部等水稻主產區水稻單產估算的精度較高，東北部部分區域的水稻單產反演結果與實際情況存在一定差異。

參考文獻：

[1] 國家統計局.中國統計年鑒［M].北京：中國統計出版社， 2022.

[2] 張強，張戈麗，朱道林，等.1980-2018年中國水稻生產變化 的時空格局[J].資源科學，2022，44（1）：687-700.

[3] 王鵬新，齊璇，李俐，等.基于隨機森林回歸的玉米單產估 測[J].農業機械學報，2019，50（7）：237-245.

[4] 吳炳方，張淼，曾紅偉，等.全球農情遙感速報系統20年 [J].遙感學報，2019，23（6）：1053-1063.

[5] WUBF，MA Z H，YAN NN. Agricultural drought mitigating indicesderived from the changes in drought characteristics[J].RemoteSensing of Environment，2020，244：111813.

[6] LIUWH，LIZT，LIY，et al.Heterogeneous impacts of excessivewetness on maize yields in China：evidence from statistical yieldsand process-based cropmodels[J].Agricultural and Forest Meteorology，2022，327：109205.

[7]ZHANG Z T，SUN S，ZHANGFL，et al. Using estimated radiationin crop models amplified the negative impacts ofclimate variabilityonmaizeand winterwheatyieldsin China[J].Agricultural andForest Meteorology，2022，318：108914.

[8] CHENN，LIXY，SHIHB，etal.Modelingeffectsofbiodegradable film mulching on evapotranspiration and crop yieldsin Inner Mongolia[J].AgriculturalWaterManagement，2023，275：107996.

[9] JINXL，KUMARL，LIZH，etal.Areviewof data assimilation ofremote sensing and crop models[J].European Journal of Agronomy，2018，92：141-152.

[10]YUSX，ZHANGNY，KAISERE，et al. Integrating chlorophyll fluorescence parameters into a crop model improves growth predicuonunu uugnJ，ngruunuiai anu gy，2021，303：108367.

[11］趙龍才，李粉玲，常慶瑞.農作物遙感識別與單產估算研究綜 述[J].農業機械學報，2023，54（2）：1-19.

[12］陳仲新，任建強，唐華俊，等.農業遙感研究應用進展與展望 [J].遙感學報，2016，20（5）：748-767.

[13]DORIGO WA，ZURITA-MILLAR，DE WITAJW，et al.A review on reflective remote sensing and data assmilation techniques for enhanced agroecosystem modeling[J]. International Journal of Applied Earth Observation and Geoinformation，2007，9（2） ：165- 193.

[14]LI Y，ZHOU QG， ZHOU J，et al. Assimilating remote sensing information into a coupled hydrology-crop growth model to estimate regional maizeyieldinarid regions[J].Ecological Modelling， 2014，291：15-27.

[15]ZHANG L，GUO C L，ZHAO L Y，et al. Estimating wheat yield by integrating the WheatGrow and PROSAIL models[J].Field Crops Research，2016，192：55-66.

[16］錢鳳魁，王化軍，王祥國，等.基于WOFOST模型與遙感數據同 化的縣級尺度玉米估產研究[J].沈陽農業大學學報，2024，55 （2）：138-152.

[17］WANGD，STRUIKPC，LIANGL，etal.Developing remote sensing- and crop model-based methods to optimize nitrogen management in rice fields[J]. Computersand Electronics in Agriculture，2024，220：108899.

[18］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.

[19]LUJ，LIJ，FUHK，et al.Estimation of rice yield using multisource remote sensing data combined with crop growth model and deep learning algorithm[J].Agriculturaland Forest Meteorology， 2025，370：110600.

[20］邢會敏，李振海，徐新剛，等.基于遙感和 AquaCrop 作物模型 的多同化算法比較[J].農業工程學報，2017，33（13）：183- 192.

[21]XIEY，WANGPX，BAI XJ，et al.Assimilation of the leaf area index and vegetation temperature condition index for winter wheat yield estimation using Landsat imagery and the CERES-Wheat model[J].Agricultural and Forest Meteorology，2017，246：194- 206.

[22] DE WIT A，DUVEILLER G，DEFOURNY P. Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations[J].Agricultural and Forest Meteorology，2012，164：39-52.

[23]ZILIANI MG，ALTAF M U，ARAGON B，et al. Early season predictionofwithin-field cropyield variabilitybyassimilating CubeSat data into a crop model[J].Agricultural and Forest Meteorology，2022，313：108736.

[24]WU SR，YANGP，RENJQ，et al.Regional winter wheat yield estimation based on the WOFOST model and a novel VW4DEnSRF assimilationalgorithm[J].Remote Sensing of Environment，2021，255：112276.

[25]ZHENG JH，ZHANG S. Improving rice phenology simulations based on the Bayesian model averaging method［J].European Journal ofAgronomy，2023，142：126646.

[26]YUQN，CUI YL，LIULG.Assessment of the parameter sensitivity for theORYZA model at theregional scale-A case studyin theYangtzeRiver Basin[J].Environmental Modellingamp; Software， 2023，159：105575.

[27]YOUNGMDB，GOWINGJW，WYSEUREGCL，etal.Parchedthirst：developmentandvalidationofaprocess-basedmodelofrainwaterharvesting[J].Agricultural Water Management，20O2，55（2）：121- 140.

[28]XIAO XM，BOLESS，LIUJY，et al.Mapping paddy rice agriculture in Southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment，2005，95（4）：480-492.

[29]CLEVERSJGPW.A simplified approach foryield prediction of sugarbeet based on optical remote sensingdata[J].Remote SensingofEnvironment，1997，61（2）：221-228.

[30]LOBELLDB，THAUD，SEIFERTC，etal.Ascalablesatellitebased crop yield mapper[J].Remote Sensing of Environment， 2015，164：324-333.

[31]MARTREP，WALLACHD，ASSENGS，etal.Multimodel ensembles of wheat growth：many models are better than one[J]. Global Change Biology，2015，21（2）：911-925.

[32]RUANEAC，HUDSONNI，ASSENGS，et al.Multi-wheat-modelensembleresponsestointerannualclimatevariability[J].Environmental Modellingamp; Software，2016，81：86-101.

（責任編輯：陳海霞）