遙感信息與作物生長模型同化應(yīng)用的研究進(jìn)展

盧必慧， 于 堃

(江蘇省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)信息研究所，江蘇南京 210014)

衛(wèi)星遙感技術(shù)和作物生長模型經(jīng)過多年的發(fā)展和完善，已經(jīng)成為2種重要的農(nóng)作物長勢監(jiān)測和估產(chǎn)手段。前者可以獲取農(nóng)作物區(qū)域尺度上的面狀信息，后者則通過數(shù)學(xué)建模方法來模擬作物的生長發(fā)育過程并從機(jī)制上來解釋該過程，雖然在模擬尺度上為單點(diǎn)模擬，但對葉面積指數(shù)、生物量和產(chǎn)量等的模擬精度比較高，在實(shí)際應(yīng)用中被廣泛認(rèn)可[1-4]。由于二者具有的優(yōu)勢互補(bǔ)性，遙感技術(shù)與作物生長模型的集成應(yīng)用已經(jīng)成為當(dāng)前農(nóng)業(yè)生產(chǎn)研究中的重要方法，在作物產(chǎn)量預(yù)測、品質(zhì)預(yù)報(bào)、施肥決策和精準(zhǔn)灌溉決策等方面得到應(yīng)用[4]。眾多研究者在這方面開展了大量的研究工作。國外研究者以及國內(nèi)研究者如趙艷霞等、邢雅娟等、李存軍等先后對遙感數(shù)據(jù)與作物生長模型的結(jié)合方法進(jìn)行了歸納和總結(jié)，大體上主要分為“驅(qū)動(dòng)法”和“同化法”2種[1-9]。驅(qū)動(dòng)法的原理是利用遙感數(shù)據(jù)提取出參數(shù)在作物整個(gè)生育期內(nèi)的值，然后按照作物生長模型的模擬步長對其進(jìn)行插值計(jì)算，將獲得的數(shù)據(jù)序列帶入模型并驅(qū)動(dòng)模型運(yùn)行，是一種比較簡單的結(jié)合方法，也稱為強(qiáng)迫法[1-2，4]。在早期的研究中，驅(qū)動(dòng)法應(yīng)用的比較多，其中以Maas和Delecolle等的研究工作最為突出，他們利用遙感數(shù)據(jù)反演作物的狀態(tài)變量葉面積指數(shù)(leaf area index，簡稱LAI)，并對參數(shù)作內(nèi)插，輸入到作物生長模型當(dāng)中，有效提高了產(chǎn)量的模擬精度[10-13]。但驅(qū)動(dòng)法的局限性比較明顯，它對遙感數(shù)據(jù)的觀測時(shí)間、空間密度以及反演參數(shù)的精度要求比較高，這些因素會(huì)直接影響模擬結(jié)果的精度和誤差。相較而言，同化法對遙感觀測誤差和時(shí)空不連續(xù)問題的容忍度更高，與遙感數(shù)據(jù)耦合得更為緊密。在近年來的研究中，作物生長模型同化遙感信息研究成為熱點(diǎn)，研究者圍繞同化變量的選擇、同化算法研究、冠層輻射傳輸模型、模型待優(yōu)化參數(shù)的選擇以及作物生長模型的區(qū)域化方法等方面開展了大量工作。本文重點(diǎn)對同化法的應(yīng)用以及數(shù)據(jù)同化算法進(jìn)行綜述。

1 遙感數(shù)據(jù)與作物生長模型的同化研究

同化法是通過同化算法來調(diào)整作物生長模型中與作物生長發(fā)育和產(chǎn)量形成密切相關(guān)的、一般方法難以獲得的初始值或參數(shù)值以縮小同化變量的遙感觀測值與相應(yīng)的模型模擬值之間的差距，從而達(dá)到估計(jì)和優(yōu)化這些初始值或參數(shù)值的目的[1-2，14-15]。根據(jù)引入遙感觀測方式的不同，同化法又分為連續(xù)同化和順序同化。

1.1 連續(xù)同化

連續(xù)同化是利用整個(gè)時(shí)間序列的遙感數(shù)據(jù)或者遙感數(shù)據(jù)反演的狀態(tài)變量對作物生長模型進(jìn)行重新初始化或參數(shù)化。該法是基于最小二乘思想，將遙感觀測值與作物生長模型的模擬值對比構(gòu)建代價(jià)函數(shù)(或目標(biāo)函數(shù))，利用同化算法，通過重復(fù)迭代的過程不斷調(diào)整模型初始參數(shù)，使代價(jià)函數(shù)達(dá)到最小值，以達(dá)到優(yōu)化的目的，這種方法也被稱為“初始化/參數(shù)化法”[1-2，4]。連續(xù)同化根據(jù)同化變量的不同， 具體也分為

如下2種形式：

1.1.1 同化遙感觀測的狀態(tài)變量對模型進(jìn)行初始化或參數(shù)化 以遙感反演的參數(shù)[如LAI、歸一化差分植被指數(shù)(normalized difference vegetation index，簡稱NDVI)、葉片氮積累量(leaf nitrogen accumulation，簡稱LNA)等]作為同化變量，來校準(zhǔn)作物生長模型中的相關(guān)參數(shù)或初始值，使調(diào)整后的模型模擬的狀態(tài)變量值與同時(shí)間的遙感觀測值相差最小，從而達(dá)到優(yōu)化模型的目的，調(diào)整后的初始值和參數(shù)值即可作為最優(yōu)值帶入模型中并驅(qū)動(dòng)模型運(yùn)行，提高產(chǎn)量模擬精度。

Dente等將ENVISAT ASAR和MERIS數(shù)據(jù)提取的LAI同化進(jìn)入CERES-Wheat來改善小麥產(chǎn)量預(yù)報(bào)的精度，結(jié)果顯示同化后的模型有效地改善了產(chǎn)量預(yù)報(bào)精度[16]；楊鵬等將作物生長模型EPIC擴(kuò)展到區(qū)域尺度，將EPIC與從TM影像提取得到的LAI數(shù)據(jù)結(jié)合來同化區(qū)域冬小麥單產(chǎn)，校正模型部分關(guān)鍵參數(shù)，有效提高了單產(chǎn)的模擬精度[17]；趙虎等采用最小二乘同化算法，將時(shí)序HJ CCD遙感數(shù)據(jù)反演的冬小麥葉面積指數(shù)同化到WOFOST中，比較同化前后產(chǎn)量和LAI的模擬精度，結(jié)果顯示成熟期LAI估算誤差由14.95%降至 9.97%，產(chǎn)量誤差則由同化前的18.17%降至15.89[18]；包姍寧等將LAI和ET作為同化變量，將MODIS LAI和ET產(chǎn)品同化到標(biāo)定后的WOFOST模型中，采用SCE-UA算法重新初始化了模型參數(shù)，對比分析了水分脅迫模式下同化單變量(LAI或ET)和同化雙變量(LAI和ET)的估產(chǎn)精度，結(jié)果表明同化雙變量的估產(chǎn)精度明顯高于同化單變量[19]。在雷達(dá)衛(wèi)星數(shù)據(jù)的同化方面，相關(guān)研究者以LAI為結(jié)合點(diǎn)，將ORYZA2000模型與半經(jīng)驗(yàn)水稻后向散射模型結(jié)合建立嵌套模型來模擬水稻后向散射系數(shù)，利用SCE-UA算法對模型部分參數(shù)重新初始化，使模擬的水稻后向散射系數(shù)與從雷達(dá)數(shù)據(jù)中提取的水稻后向散射系數(shù)二者的差異最小，提高了估產(chǎn)精度，并提出了利用雷達(dá)數(shù)據(jù)進(jìn)行水稻估產(chǎn)的方法[20-21]；譚正等通過分析生物量和SAR數(shù)據(jù)提取的后向散射系數(shù)的時(shí)域變化關(guān)系，建立反演模型估算生物量，并將其同化到WOFOST模型中，使模擬的生物量和反演的生物量差值最小，提高了估測精度[22]。

1.1.2 直接同化光譜反射率對模型進(jìn)行初始化和參數(shù)化 這種同化形式主要是以遙感的光譜反射率數(shù)據(jù)作為同化變量，通過冠層作物狀態(tài)變量(如LAI)將作物生長模型與冠層輻射傳輸模型耦合，然后比較遙感觀測的光譜反射率(或基于反射率構(gòu)建的植被指數(shù)、雷達(dá)的后向散射系數(shù)等)與耦合后的模型模擬的反射率，以調(diào)整控制作物生長發(fā)育和產(chǎn)量形成的關(guān)鍵參數(shù)或初始值，從而達(dá)到優(yōu)化目的。

與早期研究中采用光譜反射率的做法不同，Guérif等考慮到冠層輻射傳輸模型中一些參數(shù)的敏感性，采用了變形的土壤調(diào)節(jié)植被指數(shù)TSAVI取代原來的反射光譜率，改善了產(chǎn)量預(yù)測精度[23-24]；Launay等將甜菜模型SUCROS與SAIL耦合，然后把SPOT影像數(shù)據(jù)和航空攝影數(shù)據(jù)同化到耦合后的模型中，通過調(diào)整模型中的部分敏感性參數(shù)，提高了產(chǎn)量預(yù)測的精度，均方根誤差由原來的20%下降到10%[25]；Machwitz等將作物生長模型APSIM與輻射傳輸模型PROSAI耦合，運(yùn)用粒子濾波算法將Rapid Eye數(shù)據(jù)同化到耦合模型中，動(dòng)態(tài)更新了玉米生物量的模擬過程[26]。Ma等通過LAI將WOFOST模型與PROSAIL耦合，通過優(yōu)化軟件FSEOPT最小化從MODIS數(shù)據(jù)中獲取的土壤調(diào)節(jié)植被指數(shù)SAVI和耦合模型模擬的SAVI值來對模型進(jìn)行初始化，實(shí)現(xiàn)了潛在生產(chǎn)條件下的冬小麥長勢監(jiān)測和產(chǎn)量模擬[27]；Fang等首先將CERES-Maize模型與MCRM冠層輻射傳輸模型耦合，然后將MODIS LAI、歸一化植被指數(shù)NDVI、增強(qiáng)型植被指數(shù)EVI以及組合型LAI-NDVI、LAI-EVI分別同化到耦合模型中，校正模型中的相關(guān)參數(shù)，比較了5種情況下美國印第安州玉米產(chǎn)量模擬的同化效果，結(jié)果表明，模擬的玉米產(chǎn)量數(shù)據(jù)與當(dāng)?shù)剞r(nóng)業(yè)部門的統(tǒng)計(jì)數(shù)據(jù)相當(dāng)吻合[28]；Wu等將WOFOST模型與冠層輻射傳輸模型PROSAIL耦合構(gòu)建WO-PROSAIL模型，利用粒子群算法通過最小化從CCD數(shù)據(jù)獲取的土壤調(diào)節(jié)植被指數(shù)觀測值SAVI與耦合模型得到的模擬值之間的差值來優(yōu)化作物模型初始參數(shù)，并通過MODIS數(shù)據(jù)反演實(shí)現(xiàn)參數(shù)的區(qū)域化，利用區(qū)域參數(shù)驅(qū)動(dòng)模型逐像元計(jì)算生長參數(shù)，實(shí)現(xiàn)了生長參數(shù)的時(shí)空域連續(xù)模擬與監(jiān)測[29]。

上述2種連續(xù)同化方式的區(qū)別在于：第一，采用的同化變量和所構(gòu)建的代價(jià)函數(shù)不同；第二，采用遙感觀測狀態(tài)變量的同化形式對遙感反演參數(shù)的精度要求較高，而采用遙感光譜反射率數(shù)據(jù)的同化形式需要獲取準(zhǔn)確的土壤和作物信息以驅(qū)動(dòng)輻射傳輸模型，否則無法保證結(jié)果的準(zhǔn)確性。

1.2 順序同化

順序同化是在作物模型運(yùn)行過程中，利用遙感觀測反射率數(shù)據(jù)或者遙感觀測提取的狀態(tài)變量，在觀測和模型誤差分別加權(quán)的基礎(chǔ)上動(dòng)態(tài)地更新作物生長模型模擬的狀態(tài)變量，優(yōu)化模擬預(yù)測軌跡，從而獲得模型狀態(tài)的后驗(yàn)優(yōu)化估計(jì)；狀態(tài)更新后，模型利用新的狀態(tài)重新初始化，繼續(xù)向前積分，直到獲得新的觀測信息，也稱為“更新法”[30-31]。需要強(qiáng)調(diào)的是，與連續(xù)同化不同，順序同化并不對作物模型參數(shù)進(jìn)行重新初始化。

順序同化對外部觀測數(shù)據(jù)精度和模型模擬機(jī)制過程要求更具靈活性，能有效改善模型模擬預(yù)測精度，近年來在海洋、大氣、陸面、水文等相關(guān)領(lǐng)域得到廣泛研究和應(yīng)用。在作物模型的數(shù)據(jù)同化方面，De等從微波數(shù)據(jù)中反演出土壤含水量，運(yùn)用EnKF算法將其同化到WOFOST模型中，估算冬小麥和玉米的產(chǎn)量，改善了預(yù)測精度[32]；Vazifedoust等采用MODIS數(shù)據(jù)反演LAI和ET，利用EnKF算法優(yōu)化SWAP模型中的參數(shù)，顯著提高了小麥單產(chǎn)的預(yù)測精度[33]；Li等通過LAI將CERES-Wheat模型與PROSAIL模型結(jié)合得到光譜反射率和NDVI，并運(yùn)用EnKF同化算法將其與遙感觀測的反射率和NDVI數(shù)據(jù)進(jìn)行同化，以優(yōu)化和更新冬小麥的LAI，同化后的LAI與實(shí)際觀測數(shù)據(jù)基本一致[34]；Li等則將一個(gè)水文模型HYDRUS-1D與WOFOST模型結(jié)合形成水文-作物耦合模型，運(yùn)用EnKF算法將從ETM+數(shù)據(jù)中提取的LAI時(shí)序數(shù)據(jù)同化到模型中估算區(qū)域玉米參量[35]。劉翔舸等運(yùn)用 DSSAT-Wheat模型模擬LAI，并利用差值算法對其進(jìn)行插值，應(yīng)用卡爾曼濾波算法對內(nèi)插后的LAI進(jìn)行同化，得到的同化后的LAI數(shù)據(jù)較接近真實(shí)情況[36]；黃健熙等采用MODIS LAI數(shù)據(jù)產(chǎn)品，利用EnKF算法將其同化到WOFOST模型中，進(jìn)行區(qū)域冬小麥產(chǎn)量的估測，結(jié)果表明同化后的冬小麥產(chǎn)量比未同化的產(chǎn)量預(yù)測精度有顯著提高，與縣平均統(tǒng)計(jì)產(chǎn)量相比，潛在模式下決定系數(shù)由0.13提高到0.38，均方根誤差由 2 480 kg/hm2下降到880 kg/hm2[37]；黃健熙等應(yīng)用EnKF算法，將S-G濾波算法重構(gòu)時(shí)間序列的MODIS LAI、通過構(gòu)建地面觀測LAI與3個(gè)關(guān)鍵物候期Landsat TM植被指數(shù)回歸統(tǒng)計(jì)模型獲得的區(qū)域TM LAI以及通過融合前面2張LAI數(shù)據(jù)生成的尺度轉(zhuǎn)換LAI這3種不同時(shí)空分辨率的LAI數(shù)據(jù)同化到PyWOFOST模型中，結(jié)果顯示，同化尺度轉(zhuǎn)換LAI獲得最高的同化精度，潛在模式下的模擬產(chǎn)量均方根誤差由 602 kg/hm2下降到478 kg/hm2，證明了遙感數(shù)據(jù)與作物模型的EnKF同化方法是一種有效的區(qū)域作物產(chǎn)量估測方法[38]；陳思寧等以MODIS LAI數(shù)據(jù)作為外部同化數(shù)據(jù)，以LAI作為結(jié)合點(diǎn)，基于EnKF構(gòu)建了遙感信息-作物模型結(jié)合模型PyWOFOST進(jìn)行區(qū)域尺度玉米估產(chǎn)的同化模擬，同化后的玉米模擬產(chǎn)量較未同化前有明顯改善，同化后的模擬LAI普遍更接近實(shí)測LAI，區(qū)域尺度上58.82%的玉米估產(chǎn)誤差在15%以內(nèi)[39]。解毅等為了提高冬小麥的估產(chǎn)精度，采用四維變分(4DVAR)和集合卡爾曼濾波(EnKF)2種同化算法同化CERES-Wheat模型模擬的LAI和遙感數(shù)據(jù)反演的LAI，獲得單點(diǎn)尺度的LAI同化數(shù)據(jù)，并將其擴(kuò)展到區(qū)域尺度，結(jié)果表明，相比較而言，在單點(diǎn)和區(qū)域尺度上，EnKF-LAI更能反映區(qū)域冬小麥的實(shí)際生長狀況，估產(chǎn)結(jié)果也較為理想[40]；王鵬新等將遙感反演的條件植被溫度指數(shù)VTCI與CERES-Wheat模型模擬的土壤淺層含水率相結(jié)合，運(yùn)用四維變分同化算法(4D-VAR)實(shí)現(xiàn)冬小麥主要生育期旬尺度VTCI的同化，對同化前后的VTCI運(yùn)用多種決策分析方法分別建立單產(chǎn)估測模型，得到了相較于未同化VTCT構(gòu)建的估測模型，應(yīng)用同化后的VTCI構(gòu)建的估測模型精度明顯提高的結(jié)論[41]。

2 數(shù)據(jù)同化算法

同化算法是連接模型模擬結(jié)果與觀測數(shù)據(jù)的核心部分。利用數(shù)據(jù)同化算法，可以融合作物模型和遙感數(shù)據(jù)的優(yōu)點(diǎn)，得到可靠的作物產(chǎn)量監(jiān)測和產(chǎn)量模擬結(jié)果。在遙感數(shù)據(jù)與作物生長模型的同化應(yīng)用方面，對目前所采用的同化算法進(jìn)行了分類。

2.1 優(yōu)化算法

傳統(tǒng)優(yōu)化算法主要分為無約束優(yōu)化算法和約束優(yōu)化算法。無約束優(yōu)化算法針對的是沒有任何限制條件的多元函數(shù)極值問題，又可以分為直接算法和間接算法兩大類。間接算法(如快速下降法、牛頓法、共軛梯度法等)的局限性在于，其計(jì)算過程要用到目標(biāo)函數(shù)的導(dǎo)數(shù)，要求代價(jià)函數(shù)的相關(guān)值域必須是可微的；直接算法(如Powell法、單純形法、模式搜索法)雖然計(jì)算效率相對較低，但只需用到目標(biāo)函數(shù)值，在數(shù)學(xué)上容易實(shí)現(xiàn)，可以有效和簡潔地解決由于模型復(fù)雜性所衍生的不可微函數(shù)的優(yōu)化問題[42-43]。實(shí)際應(yīng)用中的大多數(shù)問題都是具有約束條件的優(yōu)化問題，針對這類問題的約束優(yōu)化算法同樣也分為2種：一種是在優(yōu)化過程中直接考慮約束條件的優(yōu)化方法(如隨機(jī)搜索法、復(fù)合形法等)；另一種是將約束優(yōu)化問題等效轉(zhuǎn)化為無約束優(yōu)化問題等相對簡單的優(yōu)化問題并在此基礎(chǔ)之上進(jìn)行求解的間接法(罰函數(shù)法、約束坐標(biāo)輪換法等)。

隨后，在傳統(tǒng)優(yōu)化算法的基礎(chǔ)上，逐漸發(fā)展了一種具有全局優(yōu)化性能，通用性強(qiáng)，且適合并行處理的全局優(yōu)化算法，又稱為現(xiàn)代啟發(fā)式算法。全局優(yōu)化算法是數(shù)據(jù)連續(xù)同化研究中普遍采用的方法，通過所構(gòu)建的代價(jià)函數(shù)重新調(diào)整作物模型中的關(guān)鍵參數(shù)來實(shí)現(xiàn)優(yōu)化過程。一般的全局優(yōu)化算法包括復(fù)合形混合演化算法(SCE-UA)、模擬退火算法(SA)、遺傳算法、粒子群算法(PSO)和神經(jīng)網(wǎng)絡(luò)等，模擬退火算法和遺傳算法是最常用的2種全局優(yōu)化方法，能夠有效定位于全局最優(yōu)值，而非局部最優(yōu)值[44]。優(yōu)化算法的選擇是影響模擬結(jié)果準(zhǔn)確性的關(guān)鍵。近年來，SCE-UA算法逐步應(yīng)用到遙感數(shù)據(jù)同化的區(qū)域作物產(chǎn)量與長勢模擬研究中。許多應(yīng)用實(shí)例表明，利用SCE-UA優(yōu)化算法和實(shí)測LAI數(shù)據(jù)進(jìn)行同化作物生長模型的作物長勢和產(chǎn)量模擬，可有效提高作物產(chǎn)量預(yù)測的精度和效率[45-51]。這為將遙感信息同化作物生長模型應(yīng)用于區(qū)域作物單產(chǎn)模擬和預(yù)測奠定了較好的基礎(chǔ)。另外，粒子群算法在近幾年的研究中也得到了較好的應(yīng)用[52]，朱元?jiǎng)?lì)等在最小化遙感反演和生長模型RiceGrow輸出的水稻生長信息差值絕對值的同化過程中，運(yùn)用PSO算法和SA算法探討了葉面積指數(shù)(LAI)和葉片氮積累量(LNA)分別作為同化變量時(shí)的同化效果，結(jié)果表明，PSO算法在同化效率和反演精度上均優(yōu)于SA，粒子群算法是一種可靠的遙感與模型同化算法[53]。

2.2 濾波算法和變分算法

國際上應(yīng)用的主流同化算法，按期理論原理可以分為2類：一是基于統(tǒng)計(jì)估計(jì)理論的數(shù)據(jù)同化算法，如卡爾曼濾波系列(卡爾曼濾波、擴(kuò)展卡爾曼濾波、集合卡爾曼濾波)、近年來新興起的粒子濾波(particle filter，簡稱PF)算法和層次貝葉斯方法等；另一類是基于最優(yōu)控制理論的全局?jǐn)M合算法，如伴隨方法、變分算法(包括三維變分3DVar、四維變分4DVar等)[54]。這2類算法中，以濾波系列算法和變分算法的技術(shù)最為成熟，應(yīng)用最為廣泛。

在濾波算法的應(yīng)用中，集合Kalman濾波是數(shù)據(jù)順序同化過程中經(jīng)常采用的算法，粒子濾波算法應(yīng)用的相對較少。事實(shí)上，這些算法均有各自的優(yōu)缺點(diǎn)和局限性，一些學(xué)者針對這些算法的同化效果和能力也進(jìn)行了探討。韓旭軍等認(rèn)為，與其他Kalman濾波相比，集合Kalman濾波以集合形式解決了非線性算子的問題，并且在非高斯條件下也能得到較理想的結(jié)果，與變分算法相比，能給出較好的預(yù)報(bào)誤差協(xié)方差的初始猜測[55]；王東偉探討了集合卡爾曼濾波算法、變分算法、粒子濾波算法在遙感數(shù)據(jù)與作物生長模型同化研究中的應(yīng)用效果，指出集合Kalman濾波雖然比較容易實(shí)現(xiàn)，在非線性高斯條件下也能得到較理想的同化效果，但是由于卡爾曼濾波系列均以基于線性卡爾曼濾波為基礎(chǔ)背景，導(dǎo)致其在非線性模型應(yīng)用中對被反演參數(shù)后驗(yàn)概率分布的不正確評估，而粒子濾波算法作為一種適用于非線性非正態(tài)約束的最優(yōu)估計(jì)統(tǒng)計(jì)濾波算法，因其較強(qiáng)的非線性、費(fèi)高斯處理能力，正引起越來越多的關(guān)注，具有非常廣闊的應(yīng)用前景[56]；姜志偉等為驗(yàn)證粒子濾波同化算法在作物模型估產(chǎn)應(yīng)用中的可行性，應(yīng)用該算法構(gòu)建了CERES-Wheat作物模型同化系統(tǒng)，并利用地面觀測數(shù)據(jù)研究了同化系統(tǒng)的估產(chǎn)能力以及粒子擾動(dòng)維數(shù)和方差對同化結(jié)果和效率的影響，研究結(jié)果表明，粒子濾波算法能夠較好地校正模型狀態(tài)軌跡，顯著提高作物產(chǎn)量模擬預(yù)測精度[57]。另外，將集合方法與變分方法相結(jié)合也是目前的研究熱點(diǎn)，更有研究人員基于集合卡爾曼濾波方法與變分方法結(jié)合應(yīng)用的成功案例，提出了將變分方法與粒子濾波方法結(jié)合應(yīng)用到未來研究中的新思路[58]。

3 討論與展望

作為陸面數(shù)據(jù)同化系統(tǒng)的重要組成部分，基于遙感信息的數(shù)據(jù)同化研究成已經(jīng)成為研究熱點(diǎn)?，F(xiàn)有研究工作和成果相對比較分散，一些關(guān)鍵技術(shù)仍需要進(jìn)行深入研究和實(shí)踐，尤其是在同化變量的選擇、同化算法的研究、作物參數(shù)的遙感反演精度以及作物生長模型的區(qū)域化應(yīng)用等方面。

(1)在同化變量的選擇上，除了常見的葉面積指數(shù)、植被指數(shù)和光譜反射率等參數(shù)外，由遙感數(shù)據(jù)獲取的蒸散發(fā)、土壤濕度、地表溫度以及雷達(dá)參數(shù)等變量正逐漸被采用，并且同化變量也將由同化單一變量向同化多變量發(fā)展，一些研究也指出，同化多變量的產(chǎn)量預(yù)算結(jié)果要優(yōu)于單變量的同化效果。

(2)在同化算法上，目前主要以優(yōu)化算法、集合卡爾曼濾波算法在同化研究中應(yīng)用較多；而粒子濾波和變分算法的應(yīng)用研究相對較少，今后需要在這些算法的同化方面開展更多的工作，分析和比較不同算法的同化能力，提高作物模型同化的模擬精度。由于算法本身的優(yōu)缺點(diǎn)和應(yīng)用范圍所帶來的同化效果差異較大，需要不斷地改進(jìn)和優(yōu)化這些算法，或考慮將不同的算法結(jié)合使用來改善同化效果。

(3)在作物參數(shù)的遙感反演方面，已有的植被參數(shù)產(chǎn)品精度和時(shí)空連續(xù)性存在較大的不確定性，對同化研究結(jié)果有較大影響。利用高時(shí)空分辨率的遙感信息產(chǎn)品如國產(chǎn)高分衛(wèi)星數(shù)據(jù)等以及綜合運(yùn)用多源遙感數(shù)據(jù)提高模型的應(yīng)用能力，應(yīng)該作為下一步研究的一個(gè)重點(diǎn)。

(4)在作物模型的區(qū)域化應(yīng)用方面，現(xiàn)有模型基本上都是單點(diǎn)模型，驅(qū)動(dòng)模型運(yùn)行的氣象和土壤數(shù)據(jù)往往是通過插值方法將點(diǎn)狀數(shù)據(jù)插值成面狀數(shù)據(jù)。由于降水和輻射等因素的影響，插值法獲得的數(shù)據(jù)存在一定的誤差性和不確定性。研究人員已經(jīng)開始嘗試將水文模型與作物生長模型耦合來提高作物模型的區(qū)域應(yīng)用能力，但這方面的工作開展得較少，研究方法還不太成熟，未來還需要大量的試驗(yàn)和驗(yàn)證。

另外，集成了遙感數(shù)據(jù)、作物模型、同化算法的作物模型同化系統(tǒng)已經(jīng)成為數(shù)據(jù)同化研究的一種新方法和手段，為實(shí)現(xiàn)區(qū)域尺度的同化需求提供了新平臺(tái)。但是，由于驅(qū)動(dòng)模型運(yùn)行的各種初始數(shù)據(jù)、遙感反演作物參數(shù)以及同化算法的不完備性，作物模型同化系統(tǒng)還無法實(shí)現(xiàn)業(yè)務(wù)化運(yùn)行，仍需要經(jīng)歷很長一段時(shí)間的實(shí)踐和驗(yàn)證。

參考文獻(xiàn)：

[1]趙艷霞，周秀驥，梁順林. 遙感信息與作物生長模式的結(jié)合方法和應(yīng)用——研究進(jìn)展[J]. 自然災(zāi)害學(xué)報(bào)，2005，14(1)：103-109.

[2]邢雅娟，劉東升，王鵬新. 遙感信息與作物生長模型的耦合應(yīng)用研究進(jìn)展[J]. 地球科學(xué)進(jìn)展，2009，24(4)：444-451.

[3]馬玉平，王石立. 利用遙感技術(shù)實(shí)現(xiàn)作物模擬模型區(qū)域應(yīng)用的研究進(jìn)展[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2004，15(9)：1655-1661.

[4]李存軍，王紀(jì)華，王 嫻，等. 遙感數(shù)據(jù)和作物模型集成方法與應(yīng)用前景[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24(11)：295-301.

[5]Plummer S E. Perspectives on combining ecological process models and remotely sensed data.[J]. Ecological Modelling，2000，129(2/3)：169-186.

[6]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.

[7]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.

[8]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，1997，15(1/2/3/4)：283-303.

[9]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.

[10]Maas S J. Use of remotely-sensed information in agricultural crop growth models[J]. Ecological modelling，1988，41(3/4)：247-268.

[11]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.

[12]Supit I. Predicting national wheat yields using a crop simulation and trend models[J]. Agricultural and Forest Meteorology，1997，88(1/2/3/4)：199-214.

[13]Matsushita B，Tamura M. Integrating remotely sensed data with an ecosystem model to estimate net primary productivity in East Asia[J]. Remote Sensing of Environment，2002，81(1)：58-66.

[14]楊 鵬，吳文斌，周清波，等. 基于光譜反射信息的作物單產(chǎn)估測模型研究進(jìn)展[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2008，24(10)：262-268.

[15]Dorigo W A，Zurita-Milla R，De Wit A J W，et al. A review on reflective remote sensing and data assimilation techniques for enhanced agro-ecosystem modeling[J]. International Journal of Applied Earth Observation and Geoinformation，2007，9(2)：165-193.

[16]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.

[17]楊 鵬，吳文斌，周清波，等. 基于作物模型與葉面積指數(shù)遙感影像同化的區(qū)域單產(chǎn)估測研究研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23(9)：130-136.

[18]趙 虎，裴志遠(yuǎn)，馬尚杰，等. WOFOST模型同化時(shí)序HI CCD數(shù)據(jù)反演葉面積指數(shù)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(11)：158-163.

[19]包姍寧，曹春香，黃健熙，等. 同化葉面積指數(shù)和蒸散發(fā)雙變量的冬小麥產(chǎn)量估測方法[J]. 地球信息科學(xué)，2015，17(7)：871-882.

[20]楊沈斌，申雙和，李秉柏，等. ASAR數(shù)據(jù)與水稻作物模型同化制作水稻產(chǎn)量分布圖[J]. 遙感學(xué)報(bào)，2009，13(2)：282-289.

[21]Shen S H，Yang S B，Li B B，et al. A scheme for regional rice yield estimation using ENVISAT ASAR data[J]. Science in China Series D：Earth Sciences，2009，52(8)：1183-1194.

[22]譚 正，劉湘南，張曉倩，等. 作物生長模型同化SAR數(shù)據(jù)模擬作物生物量時(shí)域變化特征[J]. 中國農(nóng)學(xué)通報(bào)，2011，27(27)：161-167.

[23]Guérif M，Duke C L. 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(2/3)：127-136.

[24]Guérif M，Duke C L. Adjustment procedures of a crop model to the site specific characteristics of soil and crop using remote sensing data assimilation[J]. Agriculture Ecosystems & Environment，2000，81(1)：57-69.

[25]Launay M，Guérif M. Assimilating remote sensing data into a crop model to improve predictive performance for spatial applications[J]. Agriculture Ecosystems & Environment，2006，111(1)：321-339.

[26]Machwitz M，Giustarini L，Bossung C，et al. Enhanced biomass prediction by assimilating satellite data into a crop growth model[J]. Environmental Modelling & Software，2014(62)：437-453.

[27]Ma Y，Wang S，Zhang L，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 & Geoinformation，2008，10(4)：426-437.

[28]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.

[29]Wu L，Liu X，Zhou B，et al. Spatial-time continuous changes simulation of crop growth parameters with multi-source remote sensing data and crop growth model[J]. Yaogan Xuebao- Journal of Remote Sensing，2012，16(6)：1173-1191.

[30]李 新，擺玉龍. 順序數(shù)據(jù)同化的Bayes濾波框架[J]. 地球科學(xué)進(jìn)展，2010，25(5)：515-522.

[31]武思杰. 基于遙感信息與作物模型同化的冬小麥產(chǎn)量預(yù)測研究[D]. 長沙：中南大學(xué)，2012.

[32]de Wit A J W，van Diepen 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.

[33]Vazifedoust M，van Dam J C，et al. Assimilation of satellite data into agro-hydrological Models to improve crop yield forecasts[J]. International Journal of Remote Sensing，2009，30(10)：2523-2545.

[34]Li R，Li C J，Dong Y Y，et al. Assimilation of remote sensing and crop model for LAI estimation based on Ensemble Kalman Filter[J]. Agricultural Sciences in China，2011，10(10)：1595-1602.

[35]Li Y，Zhou Q，Zhou J，et al. Assimilating remote sensing information into a coupled hydrology-crop growth model to estimate regional maize yield in arid regions[J]. Ecological Modelling，2014(291)：15-27.

[36]劉翔舸，劉春紅，王鵬新，等. 基于卡爾曼濾波的小麥葉面積指數(shù)同化方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2010，26(增刊1)：176-181.

[37]黃健熙，武思杰，劉興權(quán)，等. 基于遙感信息與作物模型集合卡爾曼濾波同化的區(qū)域冬小麥產(chǎn)量預(yù)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(4)：142-148.

[38]黃健熙，李昕璐，劉帝佑，等. 順序同化不同時(shí)空分辨率LAI的冬小麥估產(chǎn)對比研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(1)：240-248.

[39]陳思寧，趙艷霞，申雙和，等. 基于PyWOFOST作物模型的東北玉米估產(chǎn)及精度評估[J]. 中國農(nóng)業(yè)科學(xué)，2013，46(14)：2880-2893.

[40]解 毅，王鵬新，劉峻明，等. 基于四維變分和集合卡爾曼濾波同化方法的冬小麥單產(chǎn)估測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(1)：187-195.

[41]王鵬新，孫輝濤，王 蕾，等. 基于4D-VAR和條件植被溫度指數(shù)的冬小麥單產(chǎn)估測[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47(3)：263-271.

[42]趙艷霞，秦 軍，周秀驥. 遙感信息與棉花模型結(jié)合反演模型初始值和參數(shù)的研究研究[J]. 棉花學(xué)報(bào)，2005，17(5)：280-284.

[43]弄文訓(xùn)，謝金星. 現(xiàn)代優(yōu)化計(jì)算方法[M]. 北京：清華大學(xué)出版社，2006.

[44]王 靜，李 新. 基于作物生長模型和多元數(shù)據(jù)的融合技術(shù)研究進(jìn)展[J]. 遙感技術(shù)與應(yīng)用，2015，30(2)：209-219.

[45]閆 巖，柳欽火，劉 強(qiáng)，等. 基于遙感數(shù)據(jù)與作物生長模型同化的冬小麥長勢監(jiān)測與估產(chǎn)方法研究研究[J]. 遙感學(xué)報(bào)，2006，10(5)：804-811.

[46]Fang H，Liang S，Hoogenboom G，et al. Corn-yield estimation through assimilation of remotely sensed data into the CSM-CERES-Maize model[J]. International Journal of Remote Sensing，2008，29(10)：3011-3032.

[47]陳勁松，黃健熙，林 琿，等. 基于遙感信息和作物生長模型同化的水稻估產(chǎn)方法研究[J]. 中國科學(xué)，2010，40(增刊1)：173-183.

[48]黃 彥，朱 艷，王 航，等. 基于遙感與模型耦合的冬小麥生長預(yù)測[J]. 生態(tài)學(xué)報(bào)，2011，31(4)：1073-1084.

[49]任建強(qiáng)，陳仲新，唐華俊，等. 基于遙感信息與作物生長模型的區(qū)域作物單產(chǎn)模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(8)：257-264.

[50]劉 峰，李存軍，董瑩瑩，等. 基于遙感數(shù)據(jù)與作物生長模型同化的作物長勢監(jiān)測[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2011，27(10)：101-106.

[51]靳華安，王錦地，柏延臣，等. 基于作物生長模型和遙感數(shù)據(jù)同化的區(qū)域玉米產(chǎn)量估算[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(6)：162-173.

[52]Li Z，Jin X，Zhao C，et al. Estimating wheat yield and quality by coupling the DSSAT-CERES model and proximal remote sensing[J]. European Journal of Agronomy，2015，71：53-62.

[53]朱元?jiǎng)?lì)，朱 艷，黃 彥. 2010應(yīng)用粒子群算法的遙感信息與水稻生長模型同化技術(shù). 遙感學(xué)報(bào)，14(6)：1226-1240.

[54]馬建文，秦思嫻. 數(shù)據(jù)同化算法研究現(xiàn)狀綜述[J]. 地球科學(xué)進(jìn)展，2012，27(7)：747-757.

[55]韓旭軍，李 新. 非線性濾波方法與陸面數(shù)據(jù)同化[J]. 地球科學(xué)進(jìn)展，2008，23(8)：813-820.

[56]王東偉. 遙感數(shù)據(jù)與作物生長模型同化方法及其應(yīng)用研究[D]. 北京：北京師范大學(xué)，2008.

[57]姜志偉，陳仲新，任建強(qiáng)，等. 粒子濾波同化方法在CERES-Wheat作物模型估產(chǎn)中的應(yīng)用[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2012，28(14)：138-146.

[58]畢海蕓，馬建文. 粒子濾波算法在數(shù)據(jù)同化中的應(yīng)用研究進(jìn)展[J]. 遙感技術(shù)與應(yīng)用，2014，29(5)：701-710.