作物模型应用与遥感信息集成技术研究进展*

彭慧文，赵俊芳，谢鸿飞，房世波

作物模型应用与遥感信息集成技术研究进展*

彭慧文，赵俊芳**，谢鸿飞，房世波

（中国气象科学研究院灾害天气国家重点实验室，北京 100081）

作物模型和遥感技术以各自独有的优势在作物生产监测、评估及未来预测等方面发挥着关键作用。作物模型与遥感信息集成技术在大尺度、高精准的农业生产监测、评估与预测上具有明显的应用优势和广阔的发展前景。为了促进这些技术在区域尺度上的作物产量预测、农业气象灾害影响评估及农业应对气候变化决策等方面更加广泛地应用，本文采用文献综述的方法，系统归纳了欧洲、美国、澳大利亚及中国作物模型的发展与应用，总结了当前主流的数据集成方法的原理、特点和不足，概述了作物模型与遥感信息集成技术的实际应用，探讨了提升数据集成精度存在的问题，并对未来研究方向进行展望。结果表明，国内外对于作物模型及其与遥感数据集成的研究与应用广泛而深入，利用同化方法能够有效提高作物模型模拟精度，为作物模型实现区域尺度作物生长及产量评估、气候变化对产量影响、农田管理决策等提供技术支撑。作物模型模拟结果及遥感反演数据的不确定性、数据同化策略的多样性以及尺度效应是进一步提高集成系统精度与效率的限制因素。因此，遥感数据多源融合、同化过程多变量协同、作物模型多类型耦合以及数据高性能并行计算是未来作物模型与遥感数据集成研究的发展趋势。

遥感；作物模型；数据集成技术

作物模型基于土壤−作物−大气系统，综合融入气象参数、土壤参数、作物参数、田间管理措施等要素，在单点尺度上以特定时间步长动态模拟作物的生长发育过程，对与作物生长发育及产量形成密切相关的光合、呼吸、蒸腾、营养和生殖生长等生理过程进行定量表达，既可以监测作物生长状态和产量，也可以监测作物生长发育和产量形成对环境变化和栽培措施的响应，以做出促进高产、优质、高效的田间管理决策。目前作物模型主要应用于作物生长及产量评估、气候变化对产量影响、农田管理决策支持等方面[1]。但是在应用尺度从单点扩展到区域时，受到地表环境非均匀性和复杂性的影响，会出现模型中一些宏观资料难以获取以及参数区域化方面的问题[2]。

遥感技术以其快速、宏观、实时、动态、大面积观测以及经济易获取的特点，广泛应用于各个领域[3]。随着遥感观测的时间、空间、光谱分辨率不断提升，以及遥感反演算法和产品的日益完善，遥感已成为区域尺度作物长势监测和产量估测工作的主要技术手段。但是受时间分辨率的制约，遥感无法对作物进行无间断观测，获得的是时间序列离散的观测数据，反映的是地表瞬时物理状况，不能表达作物生长发育的内在机理过程及其与环境因素的关系[4]。

数据集成系统是通过融合不同数据源、不同时间或空间分辨率的观测信息，利用集成算法将动态模型和观测数据集成为基于自动观测且误差较小的综合预报系统[5]。因此，数据集成系统由观测数据、动态模型和集成算法这三要素组成。集成算法是耦合观测数据和动态模型的媒介，其性能直接影响数据集成系统的运行效率与精度[6]。利用数据集成技术耦合作物模型与遥感信息，能够实现两者的优势互补，使区域化作物模型突破参数获取困难的瓶颈，使遥感对地观测具备解释作物生长发育机理性的能力，提高作物模型在区域尺度上的模拟精度。

作物模型与遥感信息集成技术对大区域尺度作物长势监测及产量预测的精确化、高效化具有重要意义，本文系统归纳了欧洲、美国、澳大利亚及中国作物模型的发展与应用，总结当前主流的数据集成方法的原理、特点和不足，概述作物模型与遥感信息集成技术的实际应用，对提高数据集成精度存在的问题，以及未来完善集成系统的技术重点和发展趋势进行探讨，旨在为作物模型与遥感信息集成技术在作物产量预测、农业气象灾害影响评估及农业应对气候变化决策等方面实现更加广泛地应用提供参考。

1 研究进展

1.1 作物模型发展与应用

1.1.1 欧洲作物模型

1970年，荷兰瓦赫宁根大学的de Wit学派开发了世界上第一个作物模型ELCROS模型[7]，该模型通用性较强，可以模拟不同环境条件下的作物生产潜力。至20世纪80年代，de Wit学派基于ELCROS模型研发了BACROS模型，该模型能够较好地模拟大田作物的光合、呼吸、同化和蒸腾等生理过程[8]。之后，又在BACROS模型的基础上改进推出了SUCROS模型，该模型不仅能够模拟不同环境条件下作物的生长发育过程，而且适用于不同作物[9]。

1986年，瓦赫宁根大学与世界粮食研究中心共同研发出WOFOST模型，该模型由一系列基本模块构成，主要包括作物生长发育模块、叶面积指数模块、CO2同化模块、呼吸模块、蒸腾模块、土壤水平衡模块、干物质分配与干物质积累模块等，可分3种模式模拟作物生长发育状态，包括潜在生长模式、养分胁迫模式和水分胁迫模式[10]。CGMS是集WOFOST模型和卫星遥感一体化的作物长势监测系统，该系统为欧洲各国大区域尺度上的作物产量预测、气候变化影响评价和农业生产风险评估等方面的研究提供了技术支撑[11]。

法国农业部基于当时存在或简化的作物模型，开发出适用于多种作物的STICS模型。该模型采用日气象数据驱动，能够模拟作物生长发育、土壤水分以及氮平衡过程[12]。由于开发者认为田间管理模式的不同很大程度上决定了作物生长发育过程中差异，STICS模型重点考虑了田间管理措施对作物生长的影响[9]。

联合国粮食及农业组织（FAO）为提高干旱地区的作物生产力，开发了以水分消耗为驱动力的AquaCrop模型[13]，该模型通过实际蒸腾量和收获指数估测作物产量，并且考虑到冠层覆盖度容易从遥感信息中获取的特点，采用通过冠层覆盖度先确定蒸腾量，再确定生物量的方式，简洁阐明了冠层覆盖度的变化对作物生长发育的影响[14]。AquaCrop模型不仅能较好地模拟灌溉区的作物生长，还考虑了不同施肥状况对产量的影响，可用于指导灌溉和施肥管理[11]。

目前，这些欧洲作物模型已在世界各国被广泛使用。杨霏云等发现WOFOST模型可以较好地模拟辽宁省春玉米生长过程以及干旱对产量的影响，确定了不同干旱风险等级下辽宁省东、中、西部春玉米的灾损范围[15]。毛鑫等比较分析了STICS、DSSAT和APSIM 3种作物模型对陕西关中地区冬油菜物候期和产量的模拟精度，STICS模型最高，APSIM模型次之，DSSAT模型最差[16]。马于茗等发现AquaCrop 模型对浙江地区不同品种茶叶具有较好的适用性，基于逐步回归的AquaCrop茶树开采期预测模型效果较好，可用于指导实际生产[17]。

1.1.2 美国作物模型

20世纪80年代，美国农业部在集成了CROPGRO系列、CERES系列和 GOSSYM等8个子模型的基础上，对输入参数、过程变量和输出结果进行格式标准化，由此开发了DSSAT模型[18−19]。该模型能够模拟26种作物的营养、生殖生长过程，光合、呼吸、蒸腾、干物质分配等基本生理过程，还内嵌有土壤水平衡模块、土壤氮素平衡模块和病虫害影响模块[10−11]，可广泛应用于作物生产潜力的模拟、灌溉制度的制定与优化、作物栽培方案的确定、土壤氮素对作物产量的影响评估等方面[20]。

美国农业部与得克萨斯农工大学黑土地研究中心合作研发了EPIC模型，该模型包括作物生长模块、水文模块、养分模块、土壤侵蚀模块、土壤温度模块等11个子模块[21]，适用于不同作物品种、土壤类型和气候环境，能够模拟管理措施变化对土地生产力的影响，常用于大田作物、牧草等的生长模拟[22]。

目前，美国作物模型已被广泛应用在作物生长及产量监测、气候变化对产量影响等方面。李想等研究发现，DSSAT模型可以较好地模拟黑河中游地区玉米、小麦、油菜、马铃薯的生长过程，产量标准化均方根误差（NRMSE）均小于15.0％，决定系数（R2）均大于0.65。优化灌溉制度后可在明显提高作物水分利用效率的同时保证产量变幅均低于5.0％，实现高产节水的目的[23]。王学春等研究发现EPIC模型能够较好地模拟黑麦草生长过程，对黑麦草田土壤水分动态变化规律模拟较为准确，可以用来评价四川丘陵区以黑麦草为主的草粮轮作系统对当地气候条件的适应性[24]。

1.1.3 澳大利亚作物模型

澳大利亚同样采用集成单一作物模型的方式，研发了APSIM模型[25]，该模型适用于多种作物，以土壤水、盐为主要驱动[26]，主要应用在作物育种、种植制度管理、区域水平衡、气候变化对作物的影响以及土地利用等方面[10]。APSIM模型的重点关注对象不是植被，而是侧重于描述土壤环境与作物生长的交互关系，因此，在有效模拟连作、轮作、间作以及农林混作效应方面优势明显[11]。APSIM模型在中国农业生产中同样具有广泛应用。王亚许等利用APSIM模型模拟春玉米生长过程及产量，并以标准化降水指数（SPI）变化所引起的产量变化率构建旱灾损失敏感性指标，从而定量评估春玉米不同生育期旱灾损失敏感性[27]。

1.1.4 中国作物模型

中国自20世纪80年代中期开始学习作物模型，虽然起步较晚，但经过多年的研究与创新，在主要粮食作物小麦、水稻、玉米和经济作物棉花的生长模拟上取得了一定的成果。目前，应用较为广泛的是高亮之等研发的CCSODS系列模型，该模型主要由参数数据库、模拟模型、优化模型和决策系统四部分组成。适用于水稻、小麦、玉米和棉花，在中国多个地区的区域化应用中得到验证[28]。该模型将作物模拟技术与作物优化管理相结合，能够针对中国不同地理区域的气候环境和土壤条件模拟出最优栽培方案[29−32]。潘学标等[33]建立了COTGROW棉花模型，描述了土壤−棉花−大气系统的主要理化过程，兼顾理论性与实用性[34]。曹卫星等建立了WheatGrow小麦模型，该模型包括物候期、生长发育、光合作用、物质分配、水分养分平衡和氮素平衡６个子模块[35]。中国作物模型由于采用作物生长发育机理与作物栽培优化原理相结合的方法，具有较强的机理性、普适性、实用性和预测性[11]，但一般更注重实用性和预测性，所以地域性和经验性较强[36]。2013年，中国国家气候中心以WOFOST、ORYZA2000、WheatSM、ChinaAgroy这4个作物模型为核心，构建了中国作物生长监测系统CGMS-China[37]。

这些中国自主研发的作物模型已被广泛应用到作物长势评价、产量预测及农业气象灾害评估中。肖浏骏等研究发现，耦合低温胁迫效应算法后的WheatGrow模型，在模拟叶面积指数、茎生物量、地上部生物量和籽粒产量上均好于原WheatGrow模型，且在弱低温条件下的模拟效果好于强低温条件[38]。侯英雨等利用CGMS-China对2014年冬小麦主产省进行产量预报，各省平均预报相对误差为7%，大部分省（自治区）相对误差小于10%[37]。

1.2 作物模型与遥感数据集成技术

1.2.1 强迫法

强迫法的原理是直接通过遥感数据反演出作物模型中初始参数的值或用遥感反演值直接替代作物模型中某个输出参数的值，同时替代下一次模拟的输入值，从而提高作物模型的模拟精度[1]。由于作物模型在每个步长上都必须有一个状态变量值，但在作物的整个生育期时间序列上通过遥感反演得到的对应变量值是有限的，且一般情况下作物模型的步长小于遥感反演的周期[39]，所以在使用强迫法时，需要对遥感反演值进行插值，获得与作物模型步长一致的遥感观测数据，再将其代入模型运行[36]。

强迫法的实际操作比较简单，但使用该方法进行数据集成后，作物模型的模拟精度几乎完全取决于遥感反演精度以及可获取的遥感观测次数[36]，所以强迫法在遥感观测值比模型模拟值更准确的前提条件下才能进行。它的局限性是对遥感数据的时间、空间分辨率以及反演参数的精度要求较高[40]。强迫法只在早期的数据集成研究中运用较多。

1.2.2 同化法

1.2.2.1 同化算法

同化法则是当前作物模型与遥感信息集成领域的主流方法。同化法的原理是通过校准作物模型中与生长发育和产量形成密切相关的初始参数或状态变量的值来缩小观测值与模拟值之间的差距，从而改善模型的模拟精度[40]。目前国际上广泛应用的同化算法，按照理论基础大体分为两类：一是基于估计理论的滤波法，二是基于代价函数的参数优化法。

（1）滤波法

滤波法又称顺序同化法，原理是融合不同分辨率的遥感观测数据，动态更新状态变量的模拟值，使用新的状态变量重新初始化作物模型[41−42]。因此，滤波法可以使模型模拟的状态变量不断更新为最优值，具有时间连续的特点和实时模拟的能力[19]。卡尔曼滤波系列算法包括卡尔曼滤波法（KF）、扩展卡尔曼滤波法（EKF）和集合卡尔曼滤波法（EnKF）[10]。卡尔曼滤波法假定观测算子和模型都与模型状态变量呈线性关系，扩展卡尔曼滤波法适用于非线性关系，集合卡尔曼滤波法假定观测算子和模型的误差服从高斯分布，可以处理非线性观测算子，并采用蒙特卡洛方法计算预报误差协方差，适用于高维问题，且计算强度较低，易于并行计算。粒子滤波法（PF）基于贝叶斯估计理论，使用蒙特卡洛方法对后验概率分布进行采样，用一组随机样本粒子逼近状态的概率密度分布，具有较强的非线性和非高斯分布处理能力，易于并行计算，具有较为广阔的应用前景[43]。

（2）参数优化法

参数优化法又称连续同化法，原理是利用作物整个生育期时间序列的遥感数据或状态变量的遥感反演值对作物模型进行重新初始化或参数化[44]。主要包括以下几个步骤：首先构建基于状态变量模拟值和观测值的代价函数，然后利用优化算法求解代价函数方程，通过重复迭代得到代价函数为最小值时的最优解，即最佳参数集或最佳初始条件[11]。优化算法包括单纯型搜索算法、复合型混合演化算法（SCE-UA）、粒子群算法（PSO）、Powell共轭方向法、模拟退火法（SA）、遗传算法等[43]。其中，模拟退火法和遗传算法适用于搜索全局最优解而非局部，是最常用的2种全局优化方法[40]。代价函数包括均方根误差、最小二乘法、变分法（3DVAR、4DVAR）等[43]。参数优化法可以一次处理所有数据，但由于需要不断迭代，计算时间较长，计算效率较低，常用于站点尺度[11]。

1.2.2.2 同化变量

（1）状态变量

以作物生长过程中的状态变量为同化变量是指以遥感反演值为依据，调整作物模型的关键参数值或初始值，使调整后模型模拟的状态变量值与同时间遥感反演值的差距最小[40]。因此，以状态变量为同化变量对遥感反演的精度要求较高[36]。常用的状态变量有叶面积指数（LAI）、蒸散量（ET）、土壤水分含量（SM）等[10]。

Dente等将CERES-Wheat模型与雷达数据反演的LAI进行同化，调整了作物模型中的小麦播种日期、田间持水量和萎蔫含水量，显著提高了播种日期或土壤条件未知情况下的模型预测能力[45]。Jégo等利用航空数据或多光谱数据反演LAI，对播种日期、播种密度和田间持水量进行了参数优化，结果表明雨养玉米、豌豆和春小麦的产量和生物量的模拟精度显著提高，尤其是在水分胁迫情况下，模拟值非常接近实际值[46]。

黄健熙等利用冬小麦关键生育期的遥感数据和SWAP模型中LAI、ET的模拟值，构建了向量夹角代价函数和一阶差分代价函数，使用SCE-UA算法对SWAP 模型中的出苗日期和灌溉量进行了参数最优估计，结果表明，冬小麦产量的估测精度显著提高，并且基于向量夹角代价函数的优化算法的单产估测精度高于一阶差分代价函数[47]。包姗宁等使用SCE-UA算法同化MODIS-LAI、MODIS-ET数据与WOFOST模型，结果表明在水分胁迫情况下，同化双变量的估产精度明显高于单变量[48]。

侯英雨等使用PSO-NDVI、PSO-LAI、SCE-UA、SCE-LAI四种同化策略，利用同化后的CGMS-China对2011年山西洪洞县雨养和灌溉小麦进行估产，结果表明四种同化策略均能显著提高估产精度，与实际观测产量的相对误差均小于11%[38]。王利民等使用协同克里金方法插值获取SWAP 模型的气象输入参数，再将SWAP 模型与遥感反演的LAI和ET进行同化，通过调整玉米灌溉量和出苗日期，得出同化后的模型能够较准确地预测黑龙江南部区域玉米产量[49]。

潘海珠将EnKF算法扩展到多模型集合预报方法贝叶斯模型平均（BMA）框架内，形成了多模型同化算法EnKF+BMA，以遥感反演的LAI 时序为同化变量，利用EnKF+BMA与SAFY-WB、WOFOST和CERES-Wheat构建区域多作物模型同化方案，结果显示该方案冬小麦LAI和产量的模拟精度高于利用EnKF算法同化单一作物模型，并且同化冬小麦关键生育期（抽穗期和开花期）的遥感反演LAI即可明显提高模拟精度[50]。

刘明星等将遥感反演的LAI与SAFY模型进行同化，利用主成分分析的复合型混合演化（SP-UCI）算法对出苗日期、有效光能利用率和衰老温度进行参数优化，结果表明同化后模型能够较准确地估算冬小麦地上生物量[51]。王鹏新等使用EnKF算法将LAI遥感数据与CERES-Maize模型进行同化，并利用随机森林回归法计算同化和未同化的LAI权重，建立玉米单产估测模型，结果显示同化后模型的区域单产估测精度明显提高[52]。

刘正春等使用4DVAR和EnKF两种同化算法将Sentinel多源数据反演的叶面积指数LAI、土壤含水率θ与CERES-Wheat模型进行同化，对比四种同化策略的冬小麦估产精度，4DVAR-LAI和4DVAR-θ高于EnKF-LAI和EnKF-θ，且4DVAR-LAI更能精确识别冬小麦的物候期[53]。王鹏新等使用粒子滤波算法同化CERES-Maize模型和MODIS数据反演的叶面积指数（LAI）、条件植被温度指数（VTCCI），并应用随机森林回归算法计算夏玉米不同生育期LAI和VTCI的权重，构建区域单产估测模型。结果表明归一化均方根误差和平均相对误差均显著下降，模型估测精度提高[54]。

（2）冠层反射率

以遥感观测的冠层反射率为同化变量是指在将作物模型与辐射传输模型进行耦合的基础上，缩小反射率观测值或基于反射率构建的植被指数、雷达的后向散射系数等与耦合模型的反射率模拟值的差距，优化作物模型的初始值和关键参数值[40]。需要注意的是，辐射传输模型对土壤和作物信息的准确性要求较高[36]。

将EPIC模型与SAIL模型耦合，采用AVHRR数据进行同化，通过调整EPIC模型中的最大LAI、叶面积下降速度和叶面积下降时间，可以使区域小麦产量的模拟效果有所改善[55]。在GIS系统中，将作物模型PROMET-V与辐射传输模型GeoSAIL耦合，校正GeoSAIL模型中的叶面积指数、绿叶/褐叶比例和土壤水分，对PROMET-V模型中的种植密度和收获日期进行参数优化，可以使区域尺度上模拟的生物量、产量、植株高度空间分布精度得到明显提高[56]。

将SUCROS模型与SAIL模型耦合，并将SPOT数据、航空摄影数据与耦合模型进行同化，调整模型中的部分敏感性参数，可以提高产量估测精度，使均方根误差下降10%[57]。将植被模型STEP与辐射传输模型耦合，融合SPOT-NDVI和ASAR后向散射系数2种数据与耦合模型进行同化，构建同时同化2种数据的代价函数，并对耦合模型中的9个参数进行最优估计，可以明显改善模型的模拟效果[58]。将CERES-Maize 模型与辐射传输模型MCRM进行耦合，再分别与MODIS-LAI、NDVI、EVI以及LAI-NDVI、LAI-EVI进行同化，得到的模拟玉米产量与实际统计数据一致性较高[59]。

马玉平等通过耦合WOFOST模型与SAILPROSPECT模型，并利用土壤调整植被指数SAVI实现WOFOST模型与MODIS数据的同化，对冬小麦出苗期和返青期生物量进行了参数最优估计，使得模拟开花期、成熟期以及贮存器官干重空间分布的准确性有所提高[60]。吴伶等通过耦合WOFOST 模型与辐射传输模型PROSAI，使用PSO算法对土壤调节植被指数SAVI进行最优估计，采用MODIS数据反演获得区域化参数，并以此驱动模型逐像元计算生长参数，获得时空连续的生长参数模拟值[61]。靳华安等采用MODIS和Landsat TM 2种尺度的数据，将CERES-Maize模型与SAIL模型耦合，使用SCE-UA算法对种植日期、种植密度、光周期敏感参数、叶片红光和近红外波段反射率进行参数优化，结果显示3a间玉米估测总产量的误差分别减小了7.49%、1.21%和5.23%[62]。Machwitz等通过耦合APSIM模型与PROSAI辐射传输模型，使用粒子滤波法同化Rapid Eye数据，使得玉米生物量动态变化的模拟效果得到提高[63]。Dong等将DSSAT模型与PROSAIL辐射传输模型进行耦合，使用4DVAR方法和模拟退火算法同化Landsat TM的NDVI数据，能够更有效地进行冬小麦产量估测[64]。

2 存在问题

2.1 作物模型模拟结果的不确定性

作物模型模拟结果的不确定性来自三个方面，一是模型结构；二是模型参数；三是气象数据[65]。

由于作物生产系统的复杂性，作物模型在机理表达上总会存在一定程度的简化，忽略一些非决定性的细节过程，如没有考虑极端天气和病虫害的影响等，但这些因素同样会对作物生长发育产生重要影响。此外，作物模型对光合作用、肥料营养、水分变化等过程的定量描述还存在一定的误差[6]。这些来自模型结构的问题增加了模型模拟结果的不确定性。

模型参数存在不确定性的主要原因是田间管理参数和作物品种遗传参数难以直接获取。田间管理参数的估计方法是用特定模型中的一组最优参数代替[66]，遗传参数的标定方法是试错法，即依据一定数量的实测值，调整几个特定参数，使模拟值与实测值的差距减小到一定程度，将此时的遗传参数作为标定参数，但试错法具有较大的主观性[6, 43]。此外，由于空间数据量的限制，通常会采用合并品种和管理参数进行模拟，合并参数可能是区域内最优或最具代表性的品种和管理参数，但与实际情况差异较大，不能反映区域品种和管理的多样性[43]。

气象数据是作物模型重要的输入数据之一。受当前大气观测技术和处理方法等的限制,实测气象要素数据存在一定的不确定性,这种不确定性会影响模型模拟结果的精度。例如，在模型运行过程中，为了获得时空连续的气候数据集，一般需要使用插值法，但插值法在降水、风速等空间分布不均的非连续宏观现象上应用的可靠性仍有待验证[65]。

2.2 遥感反演数据的不确定性

植被类型的多样性、植被时空分布和辐射传输过程的复杂性，使植被参数的遥感反演过程存在较大的不确定性[67]。植被结构及时空分布的复杂性会带来两个问题，一是光谱反射率各组分的共同贡献，弱吸收组分的光谱信号分离与独立探测都异常困难；二是植被高度空间异质性难以通过建模精确表达。植被参数遥感反演本身是一个病态反演，一方面，植被环境的多变性导致反演模型复杂，求解困难；另一方面，植被参数获取的限制导致遥感反演中的关键信息量不足。并且由于地表特征的非均匀性，地表特征参数的非线性，观测手段的相对性等特点，遥感反演本身存在尺度效应，即不同尺度的地表特征参数存在差异。参数反演的精度与数据源和反演算法有关，数据源可分为单一和多源，反演算法包括经验关系、物理模型和神经网络模型等[6]。研究表明，MODIS-LAI产品将作物的叶面积指数低估了33%～50%[68−69]，MODIS-ET产品在森林地区与实测值的误差较小，在农田地区误差较大[70]。

2.3 数据同化策略的多样性

在数据同化策略的选择上，滤波法和参数优化法各有利弊。滤波法的同化效率较高，可进行实时预测。不足之处在于，由于滤波法直接更新状态变量，而时间序列上某些状态变量如LAI的变化容易导致作物生育期变化，从而发生“物候漂移”现象[71]。卡尔曼滤波系列算法对观测算子和模型的误差都存在一定的预设条件，即两者只存在随机误差不存在系统偏差，但由于遥感观测和作物模型存在尺度差异，系统偏差不可避免，这些假设在区域尺度的模型实际运行中无法成立[6]。因此在使用滤波法时，需要选择站点尺度[72]或利用其他手段修正观测数据[73]，这是滤波法在区域尺度应用上的一大限制。

在参数优化法中，基于先验知识构建的代价函数具有完善的理论体系，不仅引入先验知识项，还考虑了其他各项的不确定性[3]，但对先验知识的依赖性也在一定程度上限制了模型的实际应用能力。不同于滤波法，参数优化法通过计算最优解获取最具代表性的模型参数，来提高预测精度，在一定程度上，能够减少同化过程中遥感数据误差的积累和传播[43]。但最优参数集的获取需要经过大量重复迭代，且获取次数随参数的增加呈指数增长，所以在区域化应用中参数优化法的同化效率偏低。参数优化法虽然不存在“物候飘移”现象，但由于每一次迭代都需要运行整个时间周期，所以在实时预测上不如滤波法灵活高效[6]。

由于同化算法本身的优缺点以及不同区域尺度间同化效果差异较大，需要不断改进和优化这些算法，或将不同算法结合使用，达到优势互补的目的。目前已有研究者将集合卡尔曼滤波法、粒子滤波法分别与变分法结合应用，并取得了较好的同化效果[74]。

2.4 模型模拟数据与遥感数据匹配的尺度效应

作物模型与遥感信息集成系统中的尺度效应是指，区域尺度遥感反演的参数与单点尺度作物模型模拟的参数之间存在尺度差异及尺度不匹配问题[66]。产生尺度效应的主要原因有二，一是作物模型针对各个参数采用不同的区域化方法，导致区域化后的模型参数之间存在尺度差异；二是地表空间的异质性以及作物模型的非线性，导致尺度效应不可忽略[6]。解决尺度不匹配问题的常用方法是对模型参数进行升尺度转换，将物候信息与低空间分辨率的遥感数据相结合，通过中高分辨率遥感影像反演得到相对精确值，并以此调整模型模拟的参数，提高同化精度[75]。此外，解决尺度效应的大多数研究集中在点尺度或空间重采样后的数据，受同化效率影响，在高空间分辨率、大区域尺度上仍没有给出完整有效的解决方案[19]。

3 未来研究方向

3.1 遥感数据的多源融合

光学遥感数据经常用来反演LAI，但容易受云雨天气等环境因素的影响，导致作物关键发育期监测数据缺失，在时间和观测量上难以满足同化需求。微波遥感数据经常用来反演土壤水分，与光学遥感数据相比，其优势在于可以全天候观测且不受云雾阻挡[6, 10]。因此，LAI和SM的双变量同化估产研究经常需要使用光学遥感和微波遥感的融合数据[76−77]。遥感数据由单一向多源转变将是未来作物模型与遥感信息集成研究的发展方向。

目前使用的遥感观测数据在时空分辨率上存在矛盾。空间分辨率较高的数据其时间分辨率较低，难以捕捉作物生长旺盛期的动态变化规律。时间分辨率较高的数据其空间分辨率较低，如MODIS和AVHRR影像，在进行数据融合时会出现混合像元问题，当像元中存在多个地物时，该像元只能体现混杂的波谱、时间、角度等特征，这是提高遥感反演精度的一大瓶颈。随着遥感信息的日益丰富，可以通过融合不同时空分辨率的多源数据，得到更精准的农作物长势和产量动态变化[11]。

3.2 同化过程的多变量协同

叶面积指数是影响地表辐射传输、物质能量平衡的重要植被生物物理学参数，也是连接作物光合作用、呼吸作用等微观生物化学过程的重要参数，所以在作物模型与遥感信息集成研究中，叶面积指数是最常用的同化变量。但是单变量往往无法定量描述作物对多因子的响应，且研究表明，双变量的同化效果往往优于单变量[48]。土壤湿度、实际蒸散与潜在蒸散的比值分别反映了土壤水分状况和作物水分胁迫程度。在雨养农业区，联合同化叶面积指数和土壤湿度、叶面积指数和实际蒸散与潜在蒸散的比值能够更好地校准土壤水分平衡和作物冠层生长与发育动态过程。值得注意的是，在选择多种同化变量前需要分析变量之间的相关性，在相关性很强的变量之间选择一个即可[6]。多变量协同方法是今后作物模型与遥感信息集成研究中的一个重要方向。

3.3 作物模型的多类型耦合

作物模型是对复杂作物生长过程和环境的简化描述，不同作物模型的结构原理及适用条件存在明显差异。某一作物模型可能具有足够能力模拟实际过程的某些方面，但是要完全消除作物生产系统复杂性的影响几乎是不可能的。例如，WOFOST模型的核心是定量描述产量形成过程[78]，STICS模型重点考虑了田间管理措施对作物生长的影响[12]，AquaCrop模型强调作物对水分胁迫的反应[13]，APSIM模型突出不同耕作方式对作物生长的效应[26]。因此，耦合多个作物模型可以实现优势互补，从而更准确地模拟气象、土壤、管理措施、气候变化等因子对农作物生长发育的影响。

3.4 数据集成的高性能并行计算

当前作物模型、遥感观测和集成算法等技术逐渐成熟，使用更丰富多源、更高分辨率、更大区域尺度的数据进行作物模型与遥感信息集成研究的现实需求也逐渐突显[66]。然而由于农业生产系统的复杂性、遥感数据使用和作物模型模拟过程中的不确定性，使得密集的计算限制了大区域尺度数据集成精度的提高。随着作物模型研究的深入与遥感数据空间分辨率的逐渐提高，单机模式的数据处理方法显然无法满足在大区域尺度应用数据集成技术对计算效率和灵活度的要求。高性能计算机、分布式算法、并行计算等大数据处理方法更具性能优势，效率更高[10]。研究表明，将驱动作物模型的参数以栅格数据形式存储，运用SPARK的内存计算方法实现多次迭代和参数优化，可以极大地提高计算效率，足以应用于全国尺度[79]。因此，未来在完善和创新数据集成技术时，需要着重考虑性能与效率。

[1] 王东伟.遥感数据与作物生长模型同化方法及其应用研究[D].北京:北京师范大学,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] 刘布春,王石立,马玉平.国外作物模型区域应用研究进展[J].气象科技,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,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 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,王鹏新,王蕾,等.基于作物及遥感同化模型的小麦产量估测[J].农业工程学报,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] 王卓颖,刘杨晓月,杨骥,等.风云卫星系列及CLDAS 土壤水分产品多尺度精度验证与评价:以青藏高原那曲地区为例[J].中国农业气象,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] 黄健熙,黄海,马鸿元,等.遥感与作物生长模型数据同化应用综述[J].农业工程学报,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耦合模型的玉米遥感估产研究[D].兰州:兰州大学,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.遥感与作物生长模型多变量协同数据同化的冬小麦产量估测方法研究[D].北京:中国农业大学,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 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] 孙宁.作物模拟技术在气候变化对农业生产影响研究中的应用[J].地学前缘,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] 杨霏云,郑秋红,李文科,等.基于WOFOST模型的辽宁省春玉米干旱灾损风险评估[J].干旱地区农业研究,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,杨建利,朱晓华,等.陕西关中冬油菜生长发育不同模型模拟精度研究[J].农业机械学报,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] 马于茗,陈捷,金志凤,等.基于AquaCrop模型的茶叶产量和开采期预报[J].中国生态农业学报(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] 马鸿元.遥感与作物模型数据同化的冬小麦产量集合预报方法研究[D].北京:中国农业大学,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] 范兰,吕昌河,陈朝.EPIC模型及其应用[J].地理科学进展,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,韩智博,张宝庆,等.黑河中游主要农作物灌溉制度优化[J].生态学报,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] 王学春,王红妮,黄晶,等.基于EPIC模型的四川丘陵区黑麦草生长过程及其土壤水分动态变化模拟[J].草业学报,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,郭瑞鸽,等.用ORYZA_V3水稻模型模拟江西直播早稻的适宜性分析[J].中国农业气象,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] 马兆骏,帅艳民,邵聪颖,等.基于WOFOST模型分析不同气候情景对辽宁典型雨养春玉米产量的影响[J].中国农业气象,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] 王亚许,孙洪泉,吕娟,等.基于APSIM 模型的春玉米生育期旱灾损失敏感性定量分析[J].灾害学,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 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] 葛道阔,曹宏鑫,张利华,等.WCSODS中小麦生育期模型在淮河流域旱涝胁迫环境下的改进[J].江苏农业学报,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] 马新明,张娟娟,刘合兵,等.基于氮素胁迫的WCSODS模型订正与检验[J].中国农业科学,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] 马新明,张娟娟,刘合兵,等.小麦生长模型(WCSODS)在河南省的适应性评价研究[J].中国农业科学,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,金之庆,郑国清,等.小麦栽培模拟优化决策系统(WCSODS)[J].江苏农业学报,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] 潘学标,韩湘玲,石元春.COTGROW:棉花生长发育模拟模型[J].棉花学报,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] 陈思宁.基于集合卡尔曼滤波的遥感信息和作物模型结合研究[D].南京:南京信息工程大学,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] 曹卫星,罗卫红.作物系统模拟及智能管理[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] 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:中国科学院遥感应用研究所,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,靳宁,等.中国作物生长模拟监测系统构建及应用[J].农业工程学报,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] 肖浏骏,刘蕾蕾,邱小雷,等.小麦生长模型对拔节期和孕穗期低温胁迫响应能力的比较[J].中国农业科学,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] 吴峰峰,朱波,周恺,等.虚拟作物模型的研究现状及展望[J].北方园艺,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] 卢必慧,于堃.遥感信息与作物生长模型同化应用的研究进展[J].江苏农业科学.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.基于遥感信息与作物模型同化的冬小麦产量预测研究[D].长沙:中南大学,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,摆玉龙.顺序数据同化的Bayes滤波框架[J].地球科学进展,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 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] 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 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 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,刘佳,等.基于SWAP模型同化遥感数据的黑龙江南部春玉米产量监测[J].农业工程学报,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.基于作物多模型遥感数据同化的区域冬小麦生长模拟研究[D].北京:中国农业科学院,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] 刘明星,李长春,李振海,等.基于高光谱遥感与SAFY模型的冬小麦地上生物量估算[J].农业机械学报,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] 王鹏新,胡亚京,李俐,等.基于EnKF和随机森林回归的玉米单产估测[J].农业机械学报,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] 刘正春,徐占军,毕如田,等.基于4DVAR和EnKF的遥感信息与作物模型冬小麦估产[J].农业机械学报,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] 王鹏新,胡亚京,李俐,等.基于双参数和粒子滤波同化算法的夏玉米单产估测[J].农业机械学报,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] 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(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] 吴伶,刘湘南,周博天,等.多源遥感与作物模型同化模拟作物生长参数时空域连续变化[J].遥感学报,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, 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] 宋丽娟,叶万军,陆忠军,等.遥感与作物生长模型数据同化在水稻上的应用进展[J].中国稻米,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] 刘洋,刘荣高,陈镜明,等.叶面积指数遥感反演研究进展与展望[J].地球信息科学学报,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,屈永华,王锦地.MODIS LAI产品真实性检验与偏差分析[J].遥感学报,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] 杨飞,孙九林,张柏,等.基于PROSAIL模型及TM与实测数据的MODIS-LAI精度评价[J].农业工程学报,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] 姜志伟.区域冬小麦估产的遥感数据同化技术研究[D].北京:中国农业科学院,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] 毕海芸,马建文.粒子滤波算法在数据同化中的应用研究进展[J].遥感技术与应用,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,赵俊芳,谢鸿飞,等.作物模型应用与遥感信息集成技术研究进展[J].中国农业气象,2022,43(8):644-656

2021−10−09

国家重点研发计划项目（2017YFA0603004）

赵俊芳，女，博士，研究员，主要从事全球变化与农业气象研究，E-mail: zhaojf@cma.gov.cn

彭慧文，E-mail: 1151898909@qq.com