作物生长模型与定量遥感参数结合研究进展与展望

吴 蕾，柏军华，肖 青，杜永明，柳钦火，徐丽萍



作物生长模型与定量遥感参数结合研究进展与展望

吴 蕾1,2，柏军华1,3※，肖 青1,3，杜永明1,3，柳钦火1,3，徐丽萍2

（1. 中国科学院遥感与数字地球研究所，北京 100101；2.石河子大学，石河子832000； 3. 中国科学院遥感与数字地球研究所遥感科学国家重点实验室，北京 100101）

作物生长模型与定量遥感参数的结合，不仅满足前者实现区域应用的需求，也有助于提高后者的反演精度，在生态、农业、资源调查与全球气候变化等研究上意义重大。该文从作物生长模型空间应用拓展的角度，对国内外主流作物生长模型、定量遥感参数以及两者结合的参数与方法进行了概述，分析了典型作物生长模型的主要模拟过程及其驱动、初始化、输出等参数，总结了当前定量遥感正反演结果可为作物生长模型区域应用提供的参数数据；建立了作物生长模型模拟过程与定量遥感参数的对应关系，对比分析了作物生长模型与定量遥感参数的不同结合方式。基于以上内容，对作物生长模型面应用的限制因素及其与定量遥感参数的关系、作物生长模型面应用时参数尺度效应的影响、作物生长模型与定量遥感参数耦合方法的发展3个方面展开了讨论，以期为作物生长模型与定量遥感参数开展更好的结合研究提供参考。

遥感；模型；植被；作物生长；定量遥感；结合；发展

0 引 言

作物生长模型与定量遥感参数的结合，最初的出发点是后者为前者提供准确的数据源，达到实现大面积作物生长状态及产量的模拟的目的[1-3]。作物生长模型模拟的基础是物质平衡和能量守恒原理，以农田的光、温、水、肥等条件因子为驱动，模拟作物光合、呼吸、蒸腾等生理过程及其对环境条件的正反馈结果[4-5]。虽然作物生长模型是实际作物生长过程的数字简化表达，但大部分模型参数的获取仍然困难，加上地表特征的异质性和气象条件的多变性，在区域应用中，以点带面的参数数据应用较多，不确定性突出[6-7]。随着遥感技术的完善与发展，使用定量遥感正反演参数得到的地表理化特性参数信息，为解决作物生长模型区域化应用的参数数据的需求问题提供了可能[8-10]。

20世纪80年代，美国LACIE（large area crop inventory experiment）研究计划表明，遥感信息对作物生长模型的应用范围和模拟精度的提高有很大作用[11]。定量遥感模型形成伊始，其主要目的就是为农学研究提供参数数据。1986年，Wiegand等[12]首次提出利用卫星数据和作物产量估算模型的结合以解决定量分析的参数复杂化问题，随后许多学者在两者结合方面开展了诸多研究和应用。Delecolle等[13-17]先后归纳和讨论了作物生长模型与遥感的结合方法及其在大尺度上的应用，内容多以两者结合方法的分析为主，缺少对两者结合的理论基础、各自发展需求、当前结合参数、发展中可能的科学问题以及各自研究领域进步对结合的可能推动等内容[6-9,18-19]的系统梳理和阐述。为了两者结合更好的继往开来，本文从作物生长模型与定量遥感参数相结合出发，综合分析了作物生长模型的发展和定量遥感参数正反演的现状，对以下4个问题进行了探讨：1）主流作物生长模型的基础原理、特征、输入和输出参数、面应用亟需解决的问题是什么？2）国内外主要定量遥感产品在时空分辨率方面的表现及作物生长模拟过程与定量遥感参数对应关系是怎样的？3）作物生长模型与定量遥感参数结合时，可选的链接参数及方法有哪些？4）在总结和讨论了作物生长模型与定量遥感参数结合的困难与发展方向的基础上，如何更好地发挥定量遥感在作物生长模型面应用中的作用以及作物生长模型对定量遥感反演的促进作用呢？

1 作物生长模型的发展、模拟过程和参数

1.1 作物生长模型的发展

作物生长模型是将作物、环境、栽培技术作为一个整体，应用系统分析原理和方法，对作物生长发育、光合生产、器官生成和产量形成等生理过程及其对环境和技术的反馈关系进行理论概括和数量分析，继而建立相应数学模型，进行作物生长过程的动态定量模拟[20]。从作物生长模型空间应用拓展角度，将作物生长模型的发展分为机理性模型构建、模型点应用和模型面应用3个阶段（表1）。

表1 作物生长模型的发展

1）机理性模型构建

20世纪60年代，随着对作物生理变化机理的深入认识和计算机技术的发展，采用数学公式描述植物生理过程，成为作物生长动态模拟模型研制的起步[21-22]。

荷兰最早开始作物生长模型的研制。1965年，Wit[23]发表的文章“叶冠层的光合作用”，奠定了作物生长机理性模型的理论基础，并于1970年发表了第1个作物生长过程碳素平衡模拟模型ELCROS（elementary crop simulator）[24]；1982年，荷兰瓦赫宁根大学研究中心在ELCROS的基础上，通过增加呼吸作用及作物微气象呼吸过程，改进了碳素的平衡模拟，形成了相对复杂的综合模型BACROS（basic crop simulation）[25]。但这2个模型只能模拟潜在生产力的作物生长发育。出于对作物实际生长状态的模拟要求，水分[26-29]和营养限制[30-32]下的作物生长模型的研制得以开展。1981年，Keulen等[33]发表了可以模拟施肥牧草生长与水分利用的ARID CROP模型。

美国作物机理性模型的研究略晚，但很快在玉米生长发育涉及到的光合、呼吸、水循环与吸收、营养循环与吸收等方面的模拟迅速发展。1968年，Duncan等[34]以“叶冠层的光合作用”理论为基础，通过建立冠层分层的光强、CO2浓度、光合速率、干物质、籽粒生长模拟以及土壤湿度模拟算法，形成了玉米模型SIMAIZ（simulation maize）；1969年，Chen等[35]将植物光合产物同化过程分解为光合作用和呼吸作用，并于1971年与Curry[36]研制了包括形态发育、光合作用及其物质积累和各器官分配等过程的玉米生长模型。同年，Stapleton等[37]通过引进一些常数，简化光合产物累积过程中光能转换成化学能的算法，并增加氮素平衡和根系生长子模块，形成了SIMCOT（simulation cotton）模型。

2）模型的点应用

初期研制的机理性模型，主要目的是准确模拟作物的生理和生长过程。上世纪80年代，模型逐步趋于模块化和通用化，标志着机理性模型开始向点应用模型转变。

1989年，荷兰瓦赫宁根大学的科学家在ELCROS模型基础上，开发了一年生的作物概要性模型MACROS（modules for annual crop simulation）[38]；Spitters等[39]开发了SUCROS（simple and universal crop simulator）模型，因其普适性得到广泛应用；1990年，SARP（simulation and systems analysis for rice production)计划在MACROS和SUCROS基础上，开发了一系列针对应用的水稻模型，统称为ORYZA模型[40]。1994年，世界粮食研究中心在SUCROS模型的基础上开发了WOFOST（world food studies）模型[41]。

20世纪80年代初，美国以DSSAT（decision support system for agro-technology transfer）系统[42]为推动，集成了29种不同的作物模拟模型，包括CERES（crop environment resource synthesis）系列模型（6种）、LEGUMES豆类作物模型（7种）、ROOT CROPS模型（4种）、OIL CROP向日葵模型、VEGETABLES模型（5种）、FIBER模型、FORAGES模型（4种）、SUGARCANE模型以及FRUIT CROPS模型。Williams等[43]以一个基本生长函数为主算法建立了EPIC模型，通过调整作物参数，模拟了20多种作物和牧草的生长。GOSSYM（gossypium simulation models）模型[44]和GLYCIM（dynamic simulation of soybean crop growth）模型[45]也是模型点应用阶段的重要组成部分。

这个阶段，作物生长模型的应用前景引起了其他国家的重视。1987年，加拿大的Place和Brown[46]研制了SIMCOY（simulation of corn yield）模型，用以模拟玉米形态发育、根系生长、叶面积指数变化、水分平衡等过程。1995年，澳大利亚农业生产系统研究组（APSRU）、联邦科工组织及昆士兰政府等单位通过将不同作物生长模型集成到一个公用平台，建成了作物生产潜力模型APSIM（agricultural production system simulation）[47]。中国在作物生长模型的研究上起步较晚。1993年，高亮之和金之庆[48]提出并建立了“水稻钟模型”RCSODS（rice cultivation simulation optimization decision making system）；1996年，潘学标等[49]研制了棉花生长发育模拟模型COTGROW（cotton growth and development simulation model）。

3）模型的面应用

20世纪90年代，作物生长模型在农业生态区划、土地质量评价和作物估产等领域的应用逐渐开展，由于包括遥感在内的地理信息技术的快速发展，作物生长模型大范围的空间应用得以展开。此时，面应用模型的参数获取困难问题凸显，最有效的解决方式有2种：①对点应用模型的进一步改进，代表性的是荷兰LINTUL(light interception and utilization)模型[50]，避开了机理性程度较高的植物光合作用过程模拟，改为应用冠层辐射截获量和光能利用率间接决定作物光合产物积累；②保留原有模型，通过结合GIS技术实现模型的面应用需求。如美国在DSSAT系统基础上，开发了GIS辅助的GIS-DSSAT，可对参数的空间变异进行分析[51]；日本科学家[52-53]将EPIC模型与GIS相结合，建立了Spatial EPIC系统，可在国家尺度上评价气候变化对主要禾谷作物产量的影响；辛红敏[54]基于APSIM模型与GIS的结合分析了小麦-玉米增产潜力和地域差异性；潘学标等[49]的COTGROW模型也实现了与GIS技术的结合，可对不同田间管理情况下的棉花生长进行模拟。

1.2 典型作物生长模型模拟过程和参数

作物生长模型发展过程中，阶段性的标志模型有WOFOST、ORYZA、EPIC、CERES、APSIM和RCSODS等，据其模拟的作物种类，分为单一作物模型和通用模型。从表2可以看出，所有通用模型共同的过程模拟有光截获和利用、光合物质生产和分配、形态发育、蒸腾、水分平衡、养分平衡，由于各模型目的性侧重点不同，不同通用模型也有其独特的模拟过程：WOFOST、EPIC、CERES模型注重建立胁迫状态模拟；APSIM模型注重根生长、残茬分解模拟；ORYZA和RCSODS模型有水稻的分蘖模拟。多数模型可实现水肥限制条件下的模拟，但APSIM模型和EPIC模型，只能实现潜在模拟和水分限制的模拟。表3为典型作物生长模型的主要输入及输出参数。

表2 典型作物生长模型的主要模拟过程

表3 典型作物生长模型的主要输入/输出参数

注：ü表示模型有该参数的输入/输出；×表示模型无该参数的输入/输出。

Note: ü indicates that the model has input / output of this parameter;× indicates that the model does not have input / output of this parameter.

由表3可知，作物生长模型模拟结果主要表现作物的形态发育、冠层结构特征、光合产物积累及分布特征。模拟主要输出参数包括状态参数和结果输出参数，其中状态参数有叶面积指数(LAI)、生物量、生育时期、冠层高度、叶龄，各器官比例、水肥限制因子，结果输出参数有潜在产量和限制产量。不同限制条件下，生物量和LAI等状态参数及潜在产量是每个模型都可实现的模拟参数，除CERES和APSIM外，其他模型并未将根系生长作为模型主要模拟过程。涉及的主要输入参数可分为4类：1）气象参数：主要有太阳辐射、温度、湿度、气压、降水量和风速，多作为驱动参数。对所有典型作物生长模型来说，降水、湿度、风速主要参与蒸散、土壤水分平衡过程模拟。太阳辐射、最高、最低气温和降水是驱动作物生长的主要动力，与光的截获和利用、光合产物生产和分配和形态发育等过程都密切相关，是要求输入的最小数据集。2）土壤参数：反映土壤理化特性的数据，多作为初始化参数。其中土壤物理参数用于计算土壤的保水性，土壤化学参数用于计算土壤基础肥力，土壤基础肥力是作物连续生长过程的水分和养分限制因子载体，与蒸腾、水分平衡、养分平衡、环境胁迫等过程密切相关；3）管理参数：为模型提供模拟起始、终止及生长过程肥水供应条件，参与蒸腾、为初始化或者驱动参数，水分平衡、养分平衡、环境胁迫等过程计算；4）遗传参数：反应作物品种特征，多作为初始化参数，是影响物形态发育过程的主要参数之一。

2 作物生长模型与定量遥感参数的结合

随着遥感对地观测能力不断提高，将遥感信息嵌入作物生长模型或者校正有关参数，有助于解决作物生长模拟模型由点向面空间应用扩展中的参数数据难以获取的问题[55]。

2.1 可结合的主要定量遥感参数

经过近几十年的发展，遥感能够提供给作物生长模型的数据发生了巨大变化，从单纯提供影像转变到可以提供地学或生物学定量遥感参数数据；目前，基于AVHRR、MODIS、MSG、VEGETATION等传感器数据，可以生产区域乃至全球范围的多个地学特征参数产品[56]。其中与作物生长相关的包括LAI、太阳光合有效辐射（photosynthetically active radiation, PAR）、吸收性太阳光合有效辐射（fraction of photosynthetically active radiation, FPAR）、总初级生产力（gross primary productivity, GPP）、净初级生产力（net primary productivity, NPP）、植被覆盖度（fractional vegetation coverage, FVC）、物候（phenophase, PHE）、叶绿素（chlorophyll, CHL）、陆表温度（land surface temperature, LST）、土壤水分（soil moisture, SM）、植被指数（vegetation index, VI）、土地利用/覆被变化（land-use and land-cover change, LUCC）、反照率（albedo）、蒸腾蒸发（evapotranspiration, ET）等。

为提高遥感数据质量，生产出更高时空连续性的序列数据集，多源遥感数据被用作计算同一参数产品。以LAI为例，由于其在生态环境和农业生产中的重要指示作用，多数以陆地特征为主要观测目标的传感器，都可对其进行定量反演。加拿大遥感中心采用光谱植被指数建立LAI的计算模型，利用AVHRR数据和VEGETATION数据[57]生成了连续时间序列的LAI遥感产品（时间分辨率为旬，空间分辨率可达1 km）。美国MODIS的LAI/FPAR模型可以反演4和8 d时间频率的LAI/FPAR数据产品[58]。中国的GLASS LAI产品的时间分辨率为8 d，空间分辨率可达1和5 km。

然而，作物生长模拟对数据有更高时、空分辨率并存的要求，以上公开发布的定量遥感正反演产品，由于多关注全球变化，数据在空间上多为几百米到十几千米空间分辨率，在时间上多为几天到几十天的时间分辨率。从目前对地观测发展分析，美国EOS对地观测卫星系列、法国SPOT卫星系列、加拿大RADARSAT雷达卫星系列、印度INSAT卫星系列以及中国的ZY资源卫星系列、HJ环境系列和GF高分卫星系列等中高分辨率卫星传感器，可以提供多波段、多时相、多角度的对地观测数据，空间分辨率可达10 m以内，时间分辨率可达1 d，为获得更高时、空分辨率遥感正反演参数数据，进行作物生长模型面应用的模拟提供了可能。

2.2 作物生长模拟过程与定量遥感参数的对应关系

在区域乃至更大范围上，定量遥感可获取的陆地地表主要参数包括土地利用、植被理化和冠层结构3类，其中多数参数与作物生长模型模拟过程关系密切。由表4可知，PAR、LST、SM直接影响作物形态发育、光合物质生产和蒸散等过程，是触发和推动作物生长的动力和物质条件；FPAR、CHL、Albedo影响作物光合作用强度；LAI不仅影响和体现作物群体光合作用强弱，也影响作物生长大多数过程；GPP/NPP是作物同化过程中不同阶段物质累计状态，是器官形成的最直接物质基础；PHE反映作物不同生育阶段；VI综合表现作物群体光合强度、能力以及光合产物累积，根据不同算法可间接估算与作物生长密切相关的LAI、GPP、NPP、FPAR等参数；ET和Albedo参与水分和能量平衡过程，间接影响作物光合强度；LUCC可在模型模拟前，提供作物空间分布信息。目前，PAR、VI、LST和Albedo为遥感通过反射推导出的参数，不确定性相对较小，在作物生长模型与定量遥感参数结合中可作为首选参数。

2.3 作物生长模型与定量遥感信息结合时参数选择

因作物生长模型与定量遥感相结合时，研究目的不同，导致结合参数的选择有差异，本文根据两者结合时的参数数量，将其分为单参数和多参数结合。

单参数结合是指结合参数只有一个。LAI[59-60]、物候期[61]、冠层反射率[62]、冠层温度[63]、土壤湿度[64]、植被指数等均可成为结合参数。最早和最常见结合的单参数是LAI，冠层反射率也是单参数结合时选择较多的对象，不同之处在于作物生长模型需与冠层辐射传输模型相结合模拟反射率，然后进行冠层反射率或者VI指数的同化。Delecolle等[65]使用SPOT/HRV数据反演多个时期小麦LAI，输入ARCWHEAT模型，预测大面积小麦产量。Maas等[66]、Clevers等[67]、赵艳霞[68]、Dente等[69]、Curnel等[70]、黄健熙等[71-74]分别通过Landsat/TM、航空遥感和MODIS等反演的LAI，与SUCROS、CERES-Wheat、WOFOST等作物生长模型相链接。另外，马玉平等[75-81]虽然也是以LAI作为结合参数，特殊点是作物生长模型与冠层辐射传输模型直接通过链接参数结合后，模拟植被冠层反射率，然后将模拟的冠层反射率或者VI与观测值进行同化。总之，以LAI、冠层反射率或其他参数作为同化参数时，优化作物生长模型初始化或者状态参数均为研究的最终目标，可优化的参数包括LAI、生长率、光能利用效率、最大叶面积指数、播种日期和种植密度等。

表4 作物生长模型主要模拟过程与定量遥感参数对应关系

注：+表示定量遥感参数可以参与作物生长模型模拟过程计算；++表示定量遥感参数等同于作物生长模型的输出参数。

Note: +indicates that parameters derived from quantitative remote sensing can participate in simulation process calculation of crop growth model; ++ indicates that parameters derived from quantitative remote sensing are similar to output parameters of crop growth model.

多参数结合是指结合参数数量大于一个。Maas[82]将遥感反演的LAI和表面温度作为作物生长模型输入参数，用以改善玉米地上生物量的模拟结果。郭建茂[83]利用遥感反演的LAI和ET初始化/参数化WOFOST模型，以提高冬小麦生长过程的模拟精度。包姗宁等[84]在作物水分胁迫模式下，同化ET和LAI双变量，其结果优于单变量对作物产量的模拟。Weiss等[85]通过植被冠层遥感辐射SAIL模型与作物生长模型STICS，同化LAI、叶绿素含量、生物量和相对水分含量，以提高模型模拟的冠层反射率与SPOT的吻合度。黄健熙等[86-87]通过同化冬小麦的遥感反演和SWAP 作物生长模拟的LAI、ET，优化SWAP模型中的出苗日期和灌溉量2个参数。李卫国等[88]用遥感反演得到的LAI和生物量校正作物模型运行轨迹加强对模型对产量的预测精度。朱元励等[89-90]利用优化算法以LAI和叶片氮积累量共同作为结合点和更新点，建立了基于遥感信息与作物生长模型结合的作物生长监测与产量预测技术。总而言之，LAI与表面温度、ET、叶绿素含量、生物量、相对水分含量、叶片氮积累量等均可组合作为链接参数优化模型，优化后的模型模拟结果相对以单变量作为链接参数时更加准确[84]。

2.4 作物生长模型与定量遥感参数结合方法的对比

作物生长模型与定量遥感参数结合研究早期，主要的结合方法是驱动法，即利用遥感“观测值”直接作为作物生长模型的输入参数数据源，参与区域作物状态参数的模拟，将点上的作物生长模型拓展到区域乃至更大范围，驱动法结合参数可以很多，表3中出现的参数均可驱动作物模型的运转。随后，以遥感“观测值”或反演参数数据作为标准参考值，通过同化法实现作物生长模型初始化参数或者状态参数的优化，提高作物生长模型面应用能力[9]。本文根据执行优化时参数选择上的差异进一步将同化法分为：参数化法Ⅰ和参数法Ⅱ。参数化法Ⅰ是以定量遥感反演模型与作物生长模型模拟的形式结合，同化LAI、叶绿素、冠层温度、ET这类状态参数，参数化法Ⅱ则是以作物生长模型与遥感模型通过共同参数结合后，同化参数定量遥感正演模型的是反射率或者VI（图1）。

a)如果Label[j]>0且medarray[Label(j)]<1，则表示该标号的块连通域首次被扫描到，则Label_index=Label_index+1；medarray[Label(j)]=Label_index；Label[j]=Label_index。

Figure 1 Three methods of combining crop growth model with parameters derived from quantitative remote sensing

3 作物生长模型与定量遥感参数结合的几个问题讨论

本文首先从作物生长模型空间应用范围拓展的角度，综述了以荷兰和美国为代表的作物生长模型研究进展，从中可以看出，作物生长模型从机理性模型构建开始，逐步发展到模型的面应用，既体现了模型的发展过程，也指明了模型的发展方向，作物生长模型能够在生态、农业和气候变化等领域发挥重要作用。

目前，国内外在小麦、玉米、水稻3个主要粮食作物以及甜菜、苜蓿、甘蔗等小作物上，都开展了作物生长模型与定量遥感参数结合的研究[90-91]，最初目的是实现作物生长模型面应用的需求，并多采用驱动法。随着研究的深入，同化的方法和参数趋于多元化，发展到现在的驱动法、参数化法Ⅰ和参数化法Ⅱ，同化参数也从LAI逐步增加到冠层反射率、土壤湿度、冠层温度、ET、LNA、叶绿素等或多个参数的组合。因此，在当前定量遥感参数获取能力加快发展时期，对定量遥感与作物生长模拟两者的关系、点模型的升尺度适用性以及结合方法发展3个方面进行总结和讨论，将有助于提高两者结合应用的广度和深度。

3.1 作物生长模型面拓展应用的限制因素及其与定量遥感参数的关系

作物生长模型模拟过程主要有形态发育、光截获与利用、光合物质生产与分配以及水分平衡和养分平衡，作物生长模型运行需要的驱动和初始化参数，主要包括气象、土壤和田间管理等共计40余个。在作物生长模型空间应用范围逐渐扩展过程中，实现区域乃至全球尺度所有参数高时空分辨率的数据获取很有挑战。

面对这种挑战，通过遥感等对地观测方法进行反演可以解决其中的部分难题。目前，能够反演的陆地定量遥感参数达10多种，公开发布的有土壤水分、温度、LAI、覆盖度、太阳光合有效辐射、植被指数、反照率等[92-93]。这些产品可作为输入数据源驱动模型，达到对区域乃至全球不同空间范围的模拟。但是，当前的定量遥感参数正反演结果还存在较大的不确定性，部分参数精度较低。以参数化法Ⅱ优化作物生长模型和辐射传输模型中敏感参数，在一定程度上是误差传递较小的一种情况。但在使用驱动法时，如果不能正确选择链接参数和结合方法，误差层层传递，将增加作物生长模型模拟结果的不确定性，降低模拟精度。

总的来看，当前作物生长模型与定量遥感参数的结合，是以实现作物生长模型面应用需求为主要目的，随着区域性作物生长模型模拟精度的提高，生长期等信息可准确提供，可为定量遥感正反演参数（如FPAR、ET、GPP、NPP等）精度的提高提供支持[94]。因此，作物生长模型与定量遥感参数不仅是上下游的数据生产与应用关系，也是相互支持共同提高地物信息获取能力的方式。

3.2 作物生长模型面拓展应用时参数尺度效应的影响

作物生长模型面应用，是在模型点应用基础上发展而来，当前的研究主要关注模型面应用可利用的驱动数据和初始化数据不足的问题，对数据的时间和空间适应性考虑较少，这导致了两者结合对植被及其环境参数监测的不确定性提高。在时间尺度上，有研究表明，提高作物关键物候期的 LAI 精度比提高遥感观测的时间分辨率对农业数据同化系统更加有效[61]。植被冠层部分理化参数特征随其生长发育阶段变化显著，正确考虑时间尺度有益于提高定量遥感对植被及其生长环境信息的获取，促进定量遥感与作物生长模型更好的结合。在考虑空间尺度效应时，需比较相同名称参数在定量遥感正反演模型与作物生长模拟模型中的物理意义，主要原因就是混合像元的存在会造成作物生长模型与遥感正反演模型的结合从点尺度上升到面尺度的不适应。在空间尺度上的通过资源环境卫星等得到的定量遥感产品，空间分辨率为30～1 000 m，不同空间分辨率的地表覆被理化属性异质性特征明显。假设有3块试验小区，分别代表大小不同的作物群体，相应的作物产量也有差异，并有高、低两种空间分辨率遥感影像，对较高空间分辨率遥感数据，一个像元对应一块试验小区，对较低空间分辨率遥感数据，一个像元对应整个3块试验小区，接下来使用以上两种分辨率的定量遥感产品参与作物生长模型模拟，比较两者模拟的LAI、生物量和产量等结果：高空间分辨率数据驱动模拟下的三个像元值与低分辨率下一个像元值的关系是怎样的？异质性地表特征对作物生长模型在尺度上推应用时，初始化参数有怎样的变化特征，怎样影响作物生长模拟过程及结果？从这个角度看，作物生长模型在后期的面应用研究中，不仅要通过遥感等手段解决驱动和初始化参数难以获取的问题，也要分析升尺度对作物生长模型初始化参数的影响。

通过植被空间理化参数与冠层入射和透射光的关系，定量遥感正演模型可模拟植被冠层太阳光合有效辐射的吸收率、透射率和反射率，而当冠层太阳光合有效辐射的吸收率、透射率和反射率已知时，反过来利用计算算法，可实现LAI等参数的定量遥感反演。作物生长过程模拟是通过比尔定理将消光系数与LAI相结合，计算植被冠层太阳光合有效辐射透过率，然后加上经验性的冠层反射率信息得到冠层光吸收率，并以此作为光合物质生产和分配的能量基础。冠层对光的吸收、透射和反射是作物生长过程模拟和定量遥感正反演的基础，两者最大结合之处在于对光的截获。

当前多数研究致力于通过同化法优化状态参数或初始化参数，在这方面已经积累了大量研究成果基础上，是否可以尝试使用定量遥感正演算法，引入遥感获取的植被冠层反射率信息，计算作物生长模型中的吸收性太阳光合有效辐射，改进当前消光系数经验性取值，提高作物生长模型光截获计算的机理性和准确性，为定量遥感参数与作物生长模型算法结合的奠定理论基础。同时，作物生长模拟的氮素、纤维素、木质素等积累量，以及叶片、茎、穗、株高等状态量，都是定量遥感正反演模型需要的初始化变量，精确获取这些参数的值有助于定量遥感正反演精度的提高。由此可以看出，定量遥感参数与作物生长模型的结合方法和参数还需进一步的探索和丰富。

4 结 语

拓展更大空间的应用能力是作物生长模型发展的方向，参数的适用尺度是作物生长模型模拟精度的重要影响因素；全面把握遥感对大空间尺度空间信息观测现状和能力，建立作物生长模型与定量遥感参数更为紧密的结合方式，不仅可以通过2个模型的同化，降低过程参数的误差传递与不确定性，也可以尝试算法的融合，以达到提高对目标参数的作物生长模型模拟和遥感模型正反演精度的目的，发挥定量遥感观测在农业资源环境监测方面更大的应用价值和作物生长精确模拟对提高定量遥感正反演精度的改进价值。

[1] Ma Yuping, Wang Shili, Zhang Li, et al. Monitoring winter wheat growth in North China by combining a crop model and remote sensing data[J]. International Journal of Applied Earth Observation and Geoinformation, 2008, 10(4): 426－437.

[2] Li Tao, Feng Yongsheng, Li Xiaomei. Predicting crop growth under different cropping and fertilizing management practices[J]. Agricultural and Forest Meteorology, 2009, 149(6/7): 985－998.

[3] 张峰，吴炳方，刘成林，等. 区域作物生长过程的遥感提取方法[J]. 遥感学报，2004，8(6)：515－528.

Zhang Feng, Wu Bingfang, Liu Chenglin, et al. A method to extract regional crop growth profile with time series of NDVI data[J]. Journal of Remote Sensing, 2004, 8(6): 515－528. (in Chinese with English abstract)

[4] 宇振荣. 作物生长模拟模型研究和应用[J]. 生态学杂志，1994，13(1)：69－73.

Yu Zhenrong. Studies on crop growth modelling and its application[J]. Chinese Journal of Ecology, 1994, 13(1): 69－73. (in Chinese with English abstract)

[5] 曹宏鑫，赵锁劳，葛道阔，等. 作物模型发展探讨[J]. 中国农业科学，2011，44(17)：3520－3528.

Cao Hongxin, Zhao Suolao, Ge Daokuo, et al. Discussion on development of crop models[J]. Scientia Agricultura Sinica, 2011, 44(17): 3520－3528. (in Chinese with English abstract)

[6] 邢雅娟，刘东升，王鹏新. 遥感信息与作物生长模型的耦合应用研究进展[J]. 地球科学进展，2009，24(4)：444－451.

Xing Yajuan, Liu Dongsheng, Wang Pengxin. 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 with English abstract)

[7] 张佳宝，张均华，刘建立. 作物模型研究进展[J]. 土壤，2012，44(1)：1－9. Zhang Jiabao, Zhang Junhua, Liu Jianli. Advances on Crop Models[J]. Soils, 2012, 44(1): 1－9. (in Chinese with English abstract)

[8] 蒙继华，吴炳方，杜鑫，等. 遥感在精准农业中的应用进展及展望[J]. 国土资源遥感，2011，90(3)：1－7.

Meng Jihua, Wu Bingfang, Du Xin, et al. A review and outlook of applying remote sensing to precision agriculture[J]. Remote Sensing for Land & Resources, 2011, 90(3): 1－7. (in Chinese with English abstract)

[9] 李存军，王纪华，王娴，等. 遥感数据和作物模型集成方法与应用前景[J]. 农业工程学报，2008，24(11)：295－301.

Li Cunjun, Wang Jihua, Wang Xian, et al. Methods for integration of remote sensing data and crop model and their prospects in agricultural application[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(11): 295－301. (in Chinese with English abstract)

[10] 殷飞，金世佳. 遥感在农业旱情监测中的应用现状与展望[J]. 干旱环境监测，2015，29(2)：87－92.

Yin Fei, Jin Shijia. Application status and prospect on agricultural drought monitoring based on Remote sensing[J]. Arid Environmental Monitoring, 2015, 29(2): 87－92. (in Chinese with English abstract)

[11] Macdonald R B, Hall F G, Erb R B. The Large Area Crop Inventory Experiment (LACIE). Part 1: The use of LANDSAT data in LACIE[J]. LARS Symposia, 1975, 6(3/4/5): 1－46.

[12] Wiegand C L, Richardson A J, Jackson R D, et al. Development of agrometeorological crop model inputs from remotely sensed information[J]. IEEE Transactions on Geoscience & Remote Sensing, 1986, 24(1): 90－98.

[13] Delécolle R, Maas S J, Guérif M, et al. Remote sensing and crop production models: present trends[J]. Isprs Journal of Photogrammetry & Remote Sensing, 1992, 47(2): 145－161.

[14] Moulin S, Bondeau A, Delecolle R. Combining agricultural crop models and satellite observations: From field to regional scales[J]. International Journal of Remote Sensing, 1998, 19(6): 1021－1036.

[15] Fischer A, Kergoat L, Dedieu G. Coupling satellite data with vegetation functional models: Review of different approaches and perspectives suggested by the assimilation strategy[J]. Remote Sensing Reviews, 2009, 15(1/2/3/4): 283－303.

[16] 马玉平，王石立，张黎，等. 基于遥感信息的作物模型重新初始化/参数化方法研究初探[J]. 植物生态学报，2005，29(6)：918－926.

Ma Yuping, Wang Shili, Zhang Li, et al. A preliminary study on the re-initialization、re-parameterization of a crop model based on remote sensing data[J].Acta Phytoecologica Sinica, 2005, 29(6): 918－926. (in Chinese with English abstract)

[17] 闫岩. 基于定量遥感产品和作物生长模型同化的农作物长势监测与估产方法研究[D]. 北京：中国科学院研究生院(遥感应用研究所)，2006.

Yan Yan. Study on Crop Growth Monitoring and Yield Prediction by Assimilation of Quantitative Remote Sensing Product and Crop Growth Model[D]. Beijing: Graduate University of Chinese Academy of Sciences (Institute of Remote Sensing Applications), 2006. (in Chinese with English abstract)

[18] 赵艳霞，周秀骥，梁顺林. 遥感信息与作物生长模式的结合方法和应用：研究进展[J]. 自然灾害学报，2005，14(1)：103－109.

Zhao Yanxia, Zhou Xiuji, Liang Shunlin. Methods and application of coupling remote sensing data and crop growth models:advance in research[J]. Journal of Natural Disasters, 2005, 14(1): 103－109. (in Chinese with English abstract)

[19] 王静，李新. 基于作物生长模型和多源数据的融合技术研究进展[J]. 遥感技术与应用，2015，30(2)：209－219.

Wang Jing, Li Xin. 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 with English abstract)

[20] Edwards D, Hamson M. Example Models[M]. United Kingdom : Macmillan Education, 1989.

[21] Duncan W G, Loomis R S, Williams W A, et al. A model for simulating photosynthesis in plant communities[J]. Hilgardia, 1967, 38(4): 181－205.

[22] 李军. 作物生长模拟模型的开发应用进展[J]. 西北农业大学学报，1997，25(4)：102－107.

Jun Li. The Progress in the Development and Application of Crop Growth Simulation Models[J]. Acta Univ. Agric. Boreali-occidentalis, 1997, 25(4): 102－107. (in Chinese with English abstract)

[23] Wit C T D. Photosynthesis of leaf canopies[J]. Agricultural Research Report, 1965, 663.

[24] Wit C T, Setlík I. DE Dynamic concepts in biology. Prediction and Measurement of Photosynthetic Productivity. Proceedings of the IBP/PP Technical Meeting[C] Wageningen: Centre for Agricultural Publishing, 1970.

[25] Penning D V F W, Laar H H V. Simulation of Plant Growth and Crop Production[M]. Wageningen: Centre for Agricultural Publishing, 1982.

[26] Gebremichael M, Vivoni E R. Spatial sampling uncertainty in SMEX04 soil moisture fields: A data-based resampling experiment[J]. Remote Sensing of Environment, 2008, 112(2): 326－336.

[27] 张栩然，宫阿都，李京，等. 水分胁迫条件下玉米生产潜力遥感评估模型：以重庆市长寿区为例[J]. 遥感信息，2015，30(1)：37－42.

Zhang Xuran, Gong A'dou, Li Jing, et al. Productivity evaluating model of maize under water stress based on remote sensing: A case study of Changshou, Chongqing[J]. Remote Sensing Information, 2015, 30(1): 37－42. (in Chinese with English abstract)

[28] Abduwasit G, Li Zhaoliang, Qin Qimin, et al. Estimating crop water stress with ETM+ NIR and SWIR data[J]. Agricultural and Forest Meteorology, 2008, 148(11): 1679－1695.

[29] 张黎，王石立，何延波，等. 遥感信息应用于水分胁迫条件下的华北冬小麦生长模拟研究[J]. 作物学报，2007，33(3)：401－410.

Zhang Li, Wang Shili, He Yanbo, et al. Winter wheat growth simulation under water stress by remote sensing in north China[J]. Acta Agronomica sinica, 2007, 33(3): 401－410. (in Chinese with English abstract)

[30] Inoue Y, Sakaiya E, Zhu Y, et al. Diagnostic mapping of canopy nitrogen content in rice based on hyperspectral measurements[J]. Remote Sensing of Environment, 2012, 126(6829): 210－221.

[31] Xu Xingang, Zhao Chunjiang, Wang Jihua, et al. Using optimal combination method and in situ hyperspectral measurements to estimate leaf nitrogen concentration in barley[J]. Precision Agriculture, 2014, 15(2): 227－240.

[32] Croft H, Chen JingM, Zhang Yongqin, et al. Evaluating leaf chlorophyll content prediction from multispectral remote sensing data within a physically-based modelling framework[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 102(5): 85－95.

[33] Keulen H V, Seligman N G, Benjamin R W. Simulation of water use and herbage growth in arid regions—A re-evaluation and further development of the model ‘arid crop’[J]. Agricultural Systems, 1981, 6(3): 159－193.

[34] Duncan W G, Hesketh J D. Net photosynthetic rates, relative leaf growth rates, and leaf numbers of 22 races of maize grown at eight temperatures[J]. Crop Science, 1968, 8(6): 670－674.

[35] Chen L H, Huang B K, Splinter W E. Developing a physical-chemical model for a plant growth system[J]. Amer Soc Agr Eng Trans Asae, 1969, 12: 698－702.

[36] Curry R B. Dynamic simulation of plant growth part I. development of a model[J]. Transactions of the Asabe, 1971, 14(5): 946－949.

[37] Stapleton H N, Meyers R P. Modeling subsystems for the cotton plant simulation[J]. Amer Soc Agr Eng Trans Asae, 1971(5): 950－953.

[38] Penning D V F W, Jansen D M, Berge H F M T, et al. Simulation of Ecophysiological Processes of Growth in Several Annual Crops[M]. Wageningen: Center for Agricultural Publishing and Documentation (Pudoc), 1989.

[39] Spitters C J T, Keulen H V, Kraalingen D W G V. A simple and universal crop growth simulator: SUCROS87[J]. Simulation & Systems Management in Crop Protection, 1989,147-181.

[40] Landsberg J J, Wit C T D. Simulation of Assimilation, Respiration and Transpiration of Crops[J/OL]. Journal of Ecology, 1978, 68(1): 333.

[41] Hijmans R J, Guiking Lens I M, Diepen V C A. WOFOST 6.0: User’s guide for the WOFOST 6.0 crop growth simulation model[M]. Technical document 12, DLOW inand Staring Centre, 1994.

[42] Berge H F M T. Building Capacity for Systems Research at National Agricultural Research Centres: SARP's Experience[M]. Springer Netherlands: Systems approaches for agricultural development, 1993: 515－538.

[43] Williams J R, Jones C A, Dyke P T. A modeling approach to determining the relationship between erosion and soil productivity[J]. Transactions of the ASAE, 1984: 27(1):129－144.

[44] Lemmon H. Comax: An expert system for cotton crop management[J]. Science, 1986, 233(4759): 29－33.

[45] Reddy V R, Acock B, Whisler F D. Crop management and input optimization with GLYCIM: Differing cultivars[J]. Computers & Electronics in Agriculture, 1995, 13(1): 37－50.

[46] Place R E, Brown D M. Modelling corn yields from soil moisture estimates: Description, sensitivity analysis and validation[J]. Agricultural & Forest Meteorology, 1987, 41(41): 31－56.

[47] Mccown R L, Hammer G L, Hargreaves J N G, et al. APSIM: An agricultural production system simulation model for operational research[J]. Mathematics & Computers in Simulation, 1995, 39(3): 225－231.

[48] 高亮之, 金之庆. RCSODS—水稻栽培计算机模拟优化决策系统[J]. 计算机农业应用，1993(3)：14－20.

Gao Liangzhi, Jin Zhiqing. RCSODS - Rice Cultivation Computer Simulation Optimization Decision System[J]. Computer Agriculture Applications, 1993(3): 14－20. (in Chinese with English abstract)

[49] 潘学标, 韩湘玲, 石元春. 一个可用于栽培管理的棉花生长发育模拟模型: COTGROW[J]. 中国农业科学, 1996, 29(2): 94.

Pan Xuebiao, Han Xiangling, Shi Yuanchun. A cotton growth and development simulation model for culture management - COTGROW[J]. Scientia Agricultural Sinica, 1996, 29(2): 94. (in Chinese with English abstract)

[50] Spitters C J T, Schapendonk A H C M. Evaluation of breeding strategies for drought tolerance in potato by means of crop growth simulation[J]. Plant & Soil, 1990, 123(2): 193－203.

[51] Thornton P K, Booltink H W G, Stoorvogel J J. A computer program for geostatistical and spatial analysis of crop model outputs[J]. Agronomy Journal, 1997, 89(4): 620－627.

[52] Priya S, Shibasaki R. National spatial crop yield simulation using GIS-based crop production model[J]. Ecological Modelling, 2001, 136(2/3): 113－129.

[53] Tan G X, Shibasaki R. Global estimation of crop productivity and the impacts of global warming by GIS and EPIC integration[J]. Ecological Modelling, 2003,168(3): 357－370.

[54] 辛红敏. 基于APSIM模拟与GIS分析的小麦-玉米增产潜力及其地域差异研究[D]. 保定：河北农业大学，2013.

Xin Hongmin. An APSIM Simulation and GIS Analysis Based Study on Yield Increase Potential and Its Spatial Variation of the Wheat-Maize System[D]. Baoding: Agricultural university of Hebei, 2013. (in Chinese with English abstract)

[55] 徐冠华，柳钦火，陈良富，等. 遥感与中国可持续发展:机遇和挑战[J]. 遥感学报，2016，20(5)：679－688.

Xu Guanhua, Liu Qinhuo, Chen Liangfu, et al. Remote sensing for China’s sustainable development: opportunities and challenges[J]. Journal of Remote Sensing, 2016, 20(5): 679－688. (in Chinese with English abstract)

[56] Xiao Zhiqiang, Liang Shunlin, Wang Jindi, et al. Use of general regression neural networks for generating the GLASS leaf area index product from time-series MODIS surface reflectance[J]. IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(1): 209－223.

[57] Chen J M, Pavlic G, Brown L, et al. Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements[J]. Remote Sensing of Environment, 2002, 80(1): 165－184.

[58] Myneni R B, Hoffman S, Knyazikhin Y, et al. Global products of vegetation leaf area and fraction absorbed PAR from year one of MODIS data[J]. Remote Sensing of Environment, 2002, 83(1/2): 214－231.

[59] Launay M, Guerif M. Assimilating remote sensing data into a crop model to improve predictive performance for spatial applications[J]. Agriculture, Ecosystems & Environment, 2005, 111(1/2/3/4): 321－339.

[60] 杨鹏，吴文斌，周清波，等. 基于作物模型与叶面积指数遥感影像同化的区域单产估测研究[J]. 农业工程学报，2007，23(9)：130－136.

Yang Peng, Wu Wenbin, Zhou Qingbo, et al. Assimilating remotely sensed LAI into GIS-based EPIC model for yield assessment on regional scale[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(9): 130－136. (in Chinese with English abstract)

[61] 姜浩. 基于作物模型同化遥感物候信息的冬小麦估产方法研究[D]. 成都：电子科技大学，2011.

Jiang Hao. Study on Estimation of Yield of Winter Wheat Based on Crop Model[D]. Chengdu: University of Electronic Science and Technology of China, 2011. (in Chinese with English abstract)

[62] Bouman B A M. Linking Physical Remote Sensing Models with Crop Growth Simulation Models, Applied for Sugar Beet[J]. International Journal of Remote Sensing, 1992, 13(14): 2565－2581.

[63] 王纯枝，宇振荣，辛景峰，等. 基于遥感和作物生长模型的作物产量差估测[J]. 农业工程学报，2005，21(7)：84－89.

Wang Chunzhi, Yu Zhenrong, Xin Jingfeng, et al. Yield gap estimation by combining remote sensing and crop growth model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2005, 21(7): 84－89. (in Chinese with English abstract)

[64] de Wit A J W, Van D C A. Crop model data assimilation with the Ensemble Kalman filter for improving regional crop yield forecasts[J]. Agricultural and Forest Meteorology, 2007, 146(1/2): 38－56.

[65] Delecolle R, Guerif M. Introducing spectral data into a plant process model for improving its prediction ability[J]. Spectral Signatures of Objects in Remote Sensing, 1988, 127(1): 125.

[66] Maas S J. Using satellite data to improve model estimates of crop yield[J]. Agronomy Journal, 1988(80): 655－662.

[67] Clevers J G P W, Leeuwen H J C V. Combined use of optical and microwave remote sensing data for crop growth monitoring[J]. Remote Sensing of Environment, 1996, 56(1): 42－51.

[68] 赵艳霞. 遥感数据和作物模型结合方法及初步应用[D]. 北京：北京大学，2005.

Zhao Yanxia. Combination of Remote Sensing Data and Crop Model and Its Preliminary Application[D]. Beijing: Beijing University, 2005. (in Chinese with English abstract)

[69] 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, 2008, 112(4): 1395－1407.

[70] Curnel Y, Ajw D W, Duveiller G, et al. Potential performances of remotely sensed LAI assimilation in WOFOST model based on an OSS experiment[J]. Agricultural & Forest Meteorology, 2012, 151(12): 1843－1855.

[71] 黄健熙，武思杰，刘兴权，等. 基于遥感信息与作物模型集合卡尔曼滤波同化的区域冬小麦产量预测[J]. 农业工程学报，2012，28(4)：142－148.

Huang Jianxi, Wu Sijie, Liu Xingquan, et al. Regional winter wheat yield forecasting based on assimilation of remote sensing data and crop growth model with Ensemble Kalman method[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(4): 142－148. (in Chinese with English abstract)

[72] Huang Jianxi, Tian Liyan, Liang Shunlin, 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 & Forest Meteorology, 2015, 204: 106－121.

[73] Ma Guannan, Huang Jianxi, Wu Wenbin, et al. Assimilation of MODIS-LAI into the WOFOST model for forecasting regional winter wheat yield[J]. Mathematical & Computer Modelling, 2013, 58(3/4): 634－643.

[74] Huang Jianxi, Sedano F, Huang Yanbo, et al. Assimilating a synthetic Kalman filter leaf area index series into the WOFOST model to improve regional winter wheat yield estimation[J]. Agricultural & Forest Meteorology, 2016, 216: 188－202.

[75] 马玉平，王石立，张黎，等. 基于遥感信息的华北冬小麦区域生长模型及模拟研究[J]. 气象学报，2005，63(2)：204－215.

Ma Yuping, Wang Shili, Zhang Li, et al. Study on winter wheat regional simulation model based on remete sensing data and its simulations in north China[J]. Acta Meteorologica sinica, 2005, 63(2): 204－215. (in Chinese with English abstract)

[76] Guerif M., Duke C. Calibration of the SUCROS emergence and early growth module for sugar beet using optical remote sensing data assimilation[J]. European Journal of Agronomy, 1998, 9: 127－136.

[77] Moulin S, Fischer A, Dedieu G, et al. Temporal variations in satellite reflectances at field and regional scales compared with values simulated by linking crop growth and SAIL models[J]. Remote Sensing of Environment, 1995, 54(3): 261－272.

[78] Moulin S, Fischer A, Dedieu G. Assimilation of Shortwave Remote Sensing Observations Within an Agrometeorological Model-Crop Production Estimation[C]. Geoscience and Remote Sensing Symposium, 1996. IGARSS '96. 'Remote Sensing for a Sustainable Future, International. IEEE Xplore, 1996(4): 2366－2368.

[79] Laurent K, Fischer A, Moulin S, et al. Satellite measurements as a constraint on estimates of vegetation carbon budget[J]. Tellus Series B-chemical & Physical Meteorology, 1995, 47(1/2): 251－263.

[80] 杨沈斌，申双和，李秉柏，等. ASAR数据与水稻作物模型同化制作水稻产量分布图[J]. 遥感学报，2009，13(2)：282－290.

Yang Shenbin, Shen Shuanghe, Li Bingbo, et al. Mapping rice yield based on assimilation of ASAR data with rice growth model[J]. Journal of Remote Sensing, 2009, 13(2): 282－290. (in English with Chinese abstract)

[81] 王东伟，王锦地，梁顺林. 作物生长模型同化MODIS反射率方法提取作物叶面积指数[J]. 中国科学：地球科学，2010，40(1)：73－83.

Wang Dongwei, Wang Jindi, Liang Shunlin. Retrieving crop leaf area index by assimilation of MODIS data into crop growth model[J]. Sci China Earth Sci, 2010, 40(1): 73－83. (in Chinese with English abstract)

[82] Maas S J. Use of remotely-sensed information in agricultural crop growth models[J]. Ecological Modelling, 1988, 41(3): 247－268.

[83] 郭建茂. 基于遥感与作物生长模型的冬小麦生长模拟研究[D]. 南京：南京信息工程大学，2007.

Guo Jianmao. Simulation of Regional Winter Wheat Growth Using Remote Sensing Data and Crop Growth Model[D]. Nanjing: Nanjing University of Information Science & Technology, 2007. (in Chinese with English abstract)

[84] 包姗宁，曹春香，黄健熙，等. 同化叶面积指数和蒸散发双变量的冬小麦产量估测方法[J]. 地球信息科学学报，2015，17(7)：871－882.

Bao Shanning, Cao Chunxiang, Huang Jianxi, 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 with English abstract)

[85] Weiss M, Troufleau D, Baret F, et al. Coupling canopy functioning and radiative transfer models for remote sensing data assimilation[J]. Agricultural & Forest Meteorology, 2001, 108(2): 113－128.

[86] 黄健熙，马鸿元，田丽燕，等. 基于时间序列LAI和ET同化的冬小麦遥感估产方法比较[J]. 农业工程学报，2015，31(4)：197－203.

Huang Jianxi, Ma Hongyuan, Tian Liyan, et al. Comparison of remote sensing yield estimation methods for winter wheat based on assimilating time-sequence LAI and ET [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 197－203. (in Chinese with English abstract)

[87] Huang J, Ma H, Su W, et al. Jointly Assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation[J]. IEEE Journal of Selected Topics in Applied Earth Observations & Remote Sensing, 2015, 8(8): 4060－4071.

[88] 李卫国，王纪华，赵春江，等. 基于定量遥感反演与生长模型耦合的水稻产量估测研究[J]. 农业工程学报，2008，24(7)：128－131.

Li Weiguo, Wang Jihua, Zhao Chunjiang, et al. Estimating rice yield based on quantitative remote sensing inversion and growth model coupling[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(7): 128－131. (in Chinese with English abstract)

[89] 朱元励. 基于遥感和模型同化的水稻生长监测预测技术研究[D]. 南京：南京农业大学，2009.

Zhu Yuanli. Study on Growth Monitoring and Prediction Technique Based on Assimilation of Remote Sensing and Modeling in Rice[D]. Nanjing: Agricultural University Of Nanjing, 2009. (in Chinese with English abstract)

[90] 王航，朱艳，马孟莉，等. 基于更新和同化策略相结合的遥感信息与水稻生长模型耦合技术的研究[J]. 生态学报，2012，32(14)：4505－4515.

Wang Hang, Zhu Yan, Ma Mengli, et al. Coupling remotely sensed information with a rice growth model by combining updating and assimilation strategies[J]. Acta Ecologica Sinica, 2012, 32(14): 4505－4515. (in Chinese with English abstract)

[91] 靳华安，王锦地，柏延臣，等. 基于作物生长模型和遥感数据同化的区域玉米产量估算[J]. 农业工程学报，2012(6)：162－173.

Jin Hua’an, Wang Jindi, Bo Yanchen, et al. Estimation on regional maize yield based on assimilation of remote sensing data and crop growth model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012(6): 162－173. (in Chinese with English abstract)

[92] 陈洪萍，贾根锁，冯锦明，等. 气候模式中关键陆面植被参量遥感估算的研究进展[J]. 地球科学进展，2014，29(1)：56－67.

Chen Hongping, Jia Gensuo, Feng Jinming, et al. Remote sensing estimates of key land surface vegetation variables used in climate model: A review[J]. Advances in Earth Science, 2014, 29(1): 56－67. (in Chinese with English abstract)

[93] 马明国，宋怡，王旭峰，等. AVHRR、VEGETATION和MODIS时间系列遥感数据产品现状与应用研究进展[J]. 遥感技术与应用，2012，27(5)：663－670.

Ma Mingguo, Song Yi, Wang Xufeng, et al. Development status and application research of time series remote sensing data products based on AVHRR, VEGETATION and MODIS[J]. Remote Sensing Technology and Application, 2012, 27(5): 663－670. (in Chinese with English abstract)

[94] 马玉平，王石立. 利用遥感技术实现作物模拟模型区域应用的研究进展[J]. 应用生态学报，2004，15(9)：1655－1661.

Ma Yuping, Wang Shili. A review on research of implement application for crop simulation model in regional scale by using remote sensing technology[J]. Chinese Journal of Applied Ecology, 2004, 15(9): 1655－1661. (in Chinese with English abstract)

Research progress and prospect on combining crop growth models with parameters derived from quantitative remote sensing

Wu Lei1,2, Bai Junhua1,3※, Xiao Qing1,3, Du Yongming1,3, Liu Qinhuo1,3, Xu Liping2

(1.100101; 2.832000;3.100101)

Combining the crop growth models with the remote sensing parameters, is important to realize the applications in the large spatial scale for the former, and also to improve the rationality and accuracy of inversion theory for the latter. Some research fields, such as the ecology, agriculture, resource investigation and global climate change, would use the data derived from the combination form. The overview includes 3 parts, i.e. the international crop growth model, the quantitative remote sensing parameters and the parametric methods. From the view of the spatial expansion for the application of the crop growth model, the development duration of crop growth models was divided into 3 stages: The construction of the mechanism models, the application in the point scale, and the application in the regional and global scale. In order to understand the situation and foundation of the inter-discipline combination from the crop growth simulation and the quantitative remote sensing, the paper describes 3 important contents. The first is overviewing the main simulation processes and the input and output parameters for the typical crop growth models. The second is summarizing the remote sensing inversion parameters which can be used as the initialization and driving data for the application of crop growth simulation models in the regional and global scale, establishing the corresponding relation between the simulation process of crop growth model and the parameters from the quantitative remote sensing. And the third is comparing 3 kinds of combination methods between the crop growth model and the parameters derived from the quantitative remote sensing, and emphasizing the differences, advantages and disadvantages for the 3 combination methods. Based on the contents mentioned above, 3 topics for discussion are proposed. The first topic is the application limitations of crop growth models in the large spatial scale and its relationship with quantitative remote sensing parameters. The second one is the influence of the scale effect from the input parameters when the crop growth model is used to simulate the crop growth in the larger region. And the third one is to discuss the development direction of combination methods. It is hopeful to provide a kind of thinking for combining the crop growth models with the parameters from the quantitative remote sensing through the overview, summary and discussion. And it is clearly concluded that the data from the quantitative remote sensing can provide initialization data for crop growth models to some extent in the regional and global scale, and the application in a large space scale is the direction of crop growth model. The conclusion shows further that it is important to pay attention to the scale problem of the model parameters, and that the data dis-matching for the same parameter from the crop growth and remote sensing can result in the huge error of estimation on the output data due to the difference of physical meaning from the 2 disciplines. Understanding that the data from the quantitative remote sensing could enhance the ability of simulating the crop conditions and yield at the large scale was also helpful to understand that the remote sensing had the ability of deriving the biochemical and biophysical information from the ground surface exactly. And furthermore, it is expected that the correct combination parameters should be chosen to deduce the propagation of error and uncertainty, the assimilation methods would still preserve the mainstream style for the combination, and following the increasing accuracy of data from the remote sensing and crop model, the fusion model for the model of crop growth and remote sensing can be constructed to play a greater application value in the environmental monitoring and agricultural production.

remote sensing; models; vegetation; crop growth; quantitative remote sensing; combination; development

10.11975/j.issn.1002-6819.2017.09.020

TP79; S31

A

1002-6819(2017)-09-0155-12

2016-11-08

2017-04-01

国家重点基础研究发展计划（973计划）课题“复杂地表遥感辐射/散射机理及动态建模”（2013CB733401)；国家自然基金“多尺度观测与作物生长模型相结合的辐射传输一体化模拟研究”（41671366）；国家自然基金“基于能量平衡的作物冠层热辐射方向性模型”（41571359）；国家科技基础平台建设项目“测绘地物波谱本底数据库建设”（2014FY210800）

吴 蕾，女，新疆哈密人，研究方向为全球变化与生态响应。石河子石河子大学，832000。Email：wl992917@sina.com

柏军华，男，重庆人，博士，助理研究员，研究方向为作物生长模型定量遥感、地面试验遥感。北京中国科学院遥感与数字地球研究所，100101。Email：bjh0902@163.com

吴 蕾，柏军华，肖 青，杜永明，柳钦火，徐丽萍. 作物生长模型与定量遥感参数结合研究进展与展望[J]. 农业工程学报，2017，33(9)：155－166. doi：10.11975/j.issn.1002-6819.2017.09.020 http://www.tcsae.org

Wu Lei, Bai Junhua, Xiao Qing, Du Yongming, Liu Qinhuo, Xu Liping. Research progress and prospect on combining crop growth models with parameters derived from quantitative remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(9): 155－166. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.09.020 http://www.tcsae.org