农业遥感与作物模型同化技术研究进展

陈仁谷 安霞

摘 要：农业遥感与作物模型的数据同化作为精准农业中的新一代技术，目前已被广泛应用于农作物的生长状况监测与作物估产等领域[1]。该文简述了农业遥感与作物模型同化的定义，以及农业遥感与作物模型的数据同化技术在实际农业生产中的应用，提出了农业遥感与作物模型的数据同化技术存在的问题，旨在为农业的高精度高效率同化技术研究提供参考。

关键词：数据同化技术;作物模型;农业遥感

中图分类号 TP79文献标识码 A文章编号 1007-7731（2021）09-0112-02

Abstract： As one of the new generation technologies in precision agriculture， data assimilation of agricultural remote sensing and crop model is widely used in crop growth monitoring and crop yield estimation. This paper briefly introduces the definition of agricultural remote sensing and crop model assimilation， introduces the application of data assimilation technology of agricultural remote sensing and crop model in actual agricultural production， and puts forward the existing problems of data assimilation technology of agricultural remote sensing and crop model， so as to provide reference for the research of high precision and high efficiency assimilation technology of agriculture.

Key words： Data assimilation technology; Crop model; Agricultural remote sensing

在世界人口快速增长状况下，以精准农业为背景的农业生产问题一直是农学与计算机交叉学科研究的热点，准确实时掌握农作物的长势、精确预测农作物的增产是减轻农业生产风险的重要工具。作物生长模型用以模拟农作物在不同条件下的发育过程，可以掌握作物在不同时期下的生长发育状况，但不能反映农作物在空间上的差异。而遥感卫星可以实时获取大面积农作物的数据，但不能定量描述作物的生长过程。由于之前大多数研究都是基于单一的作物生长模型或者单一的农业遥感信息来监测作物生长状况及其产量，最终的研究结果并不理想，因此寻求一个新技术已成为科学家的研究重点。

随着遥感卫星技术和遥感反演产品更为成熟以及作物模型的疾速发展，目前越来越多的专家学者开始致力于农业遥感与作物模型两者同化的研究，利用作物模型与农业遥感的数据同化技术跟踪监测作物的生长情况，采取相关管理决策，以此保证产量稳定。因此，开展农业遥感与作物模型的同化技术研究非常必要。

1 农业遥感与作物模型同化概述

作物模型一般指作物生长模型，顾名思义就是通过计算机的信息处理能力来模拟农作物的生长过程及产量，需要输入的参数有气候（包含降雨量、日照辐射）、田间管理（包含灌溉）、土壤（温湿度）、作物生理等数据，通过计算机对输入参数和数学方程进行分析处理，最终得出作物的模拟结果。

遥感作为新一代的精准农业技术之一，已被广泛应用于农业领域。农业遥感主要表现在作物面积、长势、产量、灾害遥感监测方面[2]，或者用于提取作物的生物参数，如叶面积指数、叶绿素含量、生物量、水分含量等[3]。

数据同化，又称资料同化，最先应用在数值天气预报中，目前已被广泛应用于大气、海洋、陆面和水文等领域。不同领域的专家学者对数据同化在各自领域的看法与定义不一样，但综合而言，数据同化一般由动态模型、观测数据和同化算法3个部分组成，主要是通过同化算法不断结合模型框架和不同分辨率的观测数据来减少不确定因素，从而获取最优值。

将作物模型、遥感技术及数据同化三者联结起来，构建适用农业方面的同化系统，是农作物的长势监测和产量预测的趋势。同化作物生长模型与农业遥感信息可以充分利用两者的优势，来提高农作物的产量估算精度。

2 农业遥感与作物模型同化的研究现状

由于作物模型和农业遥感自身存在的缺点，单独使用这2种方法都不能满足农业需求，因此，越来越多的专家学者开始重视农业遥感与作物模型的同化研究。目前，同化农业遥感与作物模型已成为作物長势监测与产量估算研究的重要技术。

刘峰等[4]根据数据同化系统的已有研究并结合作物模型与农业遥感，对CERES-Wheat作物模型中影响作物生长发育的关键参数进行调整，最终将极快速模拟退火VFSA算法应用到农业遥感与CERES-Wheat模型上。通过小麦LAI的同化，对该数据同化系统进行检验，发现冬小麦同化叶面积指数与观测值的吻合度较高。

为了提高区域范围内的农作物估产精度，陈劲松等[5]以广东台山水稻为研究对象，通过SCE数据同化方法，将HJ-1A/B卫星数据反演的叶面积指数与WOFOST模型进行耦合集成，对水稻生长模型的初始参数进行优化，结果表明，采用SCE同化算法可以明显提高水稻产量估产精度。

同化效率的提升是数据同化方法应用研究的一个重要方面，但前人的研究一般都只是考虑同化结果，而对同化效率并不怎么关注。为此，吴伶[6]等研究了WOFOST模型与遥感光谱信息在时间尺度上的同化优化方法，并通过对比发现，同化的尺度与效率成反比例关系，与精度成正比例关系。因此，适用步长介于10～20d的时间尺度作为WOFOST模型与农业遥感光谱信息的同化时间尺度是最优的。表明优化作物的同化时间尺度可以明显提升同化方法的效率。

邢会敏等[7]对冬小麦冠层覆盖度、地上生物量和产量进行计算，模拟退火算法、复合型混合演化算法和粒子群优化算法3种同化算法进行Aqua Crop作物模型与农业遥感的同化耦合。研究对比发现，3种同化算法均能有效地模拟冬小麦的冠层覆盖、生物量和产量，其中，复合型混合演化同化算法无论在运算效率还是同化结果的精度上均优于粒子群优化算法和模拟退火同化算法。

Wagner等[8]提出了一种新的利用粒子群优化算法和统计距离度量相结合的数据同化方法，该方法能够灵活地处理模型和输入不确定性。通过将Sentinel-2数据中的冠层覆盖信息同化到AquaCrop-OS模型中，用以改進冬小麦像素和田间水平的产量估计，并将其与简单更新方法和扩展卡尔曼滤算法进行了比较，探讨了新提出的方法的潜力。结果表明，该方法优于简单更新，与扩展卡尔曼滤波更新方法相似或更好。此外，该方法特别成功地减少了产量估计中的偏差。

综上所述，就目前而言，粒子群优化算法在实际应用中表现出色，农业遥感和作物模型的数据同化技术在农作物的长势掌握与产量估算的开展工作上已取得了很大的进步。在今后的研究中，保证同化结果的同时提高同化效率是同化技术研究的重难点。

3 存在的问题

近几年，随着更多的专家学者不断地深入研究，遥感数据同化越来越成熟，但仍存在诸多缺陷。（1）大部分相关研究仅使用到LAI参数的遥感数据，参数比较单一;（2）研究的对象主要是水稻和冬小麦，缺少对果树的研究;（3）可用的免费农业遥感产品数据质量不高;（4）模型所需的初始数据不够完备;（5）在节约计算机性能与运行时间的同时，需要提高同化算法的效率与精确度。

4 结语

为了打破技术限制，寻找耦合农作物模型和农业遥感技术的最佳数据同化算法，使精准农业方面有更长足的发展，实现农业的可持续发展，我国专家学者通过大量的研究收获诸多成效，在数据同化技术方面取得了很多关键性的重大突破。并且国家对精准农业的投入力度明显比以前加大很多。相信在不久的将来，农作物模型与遥感技术的同化技术越来越成熟，未来该同化技术将在前人的基础上，进一步提升农作物的长势监测能力和估产精度，为粮食生产提供预测预警、田间管理决策等提坚实支撑，对于保障作物产量的稳定增长、增强农业可持续发展能力以及促进精准农业发展具有重要作用。

参考文献

[1]刘焱选，白慧东，蒋桂英.中国精准农业的研究现状和发展方向[J].中国农学通报，2007（07）：577-582.

[2]陈仲新，任建强，唐华俊，等.农业遥感研究应用进展与展望[J].遥感学报，2016，20（05）：748-767.

[3]赵春江.农业遥感研究与应用进展[J].农业机械学报，2014，45（12）：277-293.

[4]刘峰，李存军，董莹莹，等.基于遥感数据与作物生长模型同化的作物长势监测[J].农业工程学报，2011，27（10）：101-106.

[5]陈劲松，黄健熙，林珲，等.基于遥感信息和作物生长模型同化的水稻估产方法研究[J].中国科学：信息科学，2010，40（S1）：173-183.

[6]吴伶，刘湘南，王春乙，等.光谱信息与作物生长模型数据同化中的时间尺度优化[J].农业工程学报，2015，31（24）：142-148.

[7]邢会敏，李振海，徐新刚，等..基于遥感和AquaCrop作物模型的多同化算法比较[J].农业工程学报，2017，33（13）：183-192.

[8]Wagner M P， Slawig T， Taravat A， et al. Remote Sensing Data Assimilation in Dynamic Crop Models Using Particle Swarm Optimization[J]. International Journal of Geo-Information， 2020，9（2）：105.

（责编：张宏民）