彭慧文，趙俊芳，謝鴻飛，房世波

作物模型應(yīng)用與遙感信息集成技術(shù)研究進(jìn)展*

彭慧文，趙俊芳**，謝鴻飛，房世波

（中國氣象科學(xué)研究院災(zāi)害天氣國家重點(diǎn)實(shí)驗(yàn)室，北京 100081）

作物模型和遙感技術(shù)以各自獨(dú)有的優(yōu)勢在作物生產(chǎn)監(jiān)測、評估及未來預(yù)測等方面發(fā)揮著關(guān)鍵作用。作物模型與遙感信息集成技術(shù)在大尺度、高精準(zhǔn)的農(nóng)業(yè)生產(chǎn)監(jiān)測、評估與預(yù)測上具有明顯的應(yīng)用優(yōu)勢和廣闊的發(fā)展前景。為了促進(jìn)這些技術(shù)在區(qū)域尺度上的作物產(chǎn)量預(yù)測、農(nóng)業(yè)氣象災(zāi)害影響評估及農(nóng)業(yè)應(yīng)對氣候變化決策等方面更加廣泛地應(yīng)用，本文采用文獻(xiàn)綜述的方法，系統(tǒng)歸納了歐洲、美國、澳大利亞及中國作物模型的發(fā)展與應(yīng)用，總結(jié)了當(dāng)前主流的數(shù)據(jù)集成方法的原理、特點(diǎn)和不足，概述了作物模型與遙感信息集成技術(shù)的實(shí)際應(yīng)用，探討了提升數(shù)據(jù)集成精度存在的問題，并對未來研究方向進(jìn)行展望。結(jié)果表明，國內(nèi)外對于作物模型及其與遙感數(shù)據(jù)集成的研究與應(yīng)用廣泛而深入，利用同化方法能夠有效提高作物模型模擬精度，為作物模型實(shí)現(xiàn)區(qū)域尺度作物生長及產(chǎn)量評估、氣候變化對產(chǎn)量影響、農(nóng)田管理決策等提供技術(shù)支撐。作物模型模擬結(jié)果及遙感反演數(shù)據(jù)的不確定性、數(shù)據(jù)同化策略的多樣性以及尺度效應(yīng)是進(jìn)一步提高集成系統(tǒng)精度與效率的限制因素。因此，遙感數(shù)據(jù)多源融合、同化過程多變量協(xié)同、作物模型多類型耦合以及數(shù)據(jù)高性能并行計(jì)算是未來作物模型與遙感數(shù)據(jù)集成研究的發(fā)展趨勢。

遙感；作物模型；數(shù)據(jù)集成技術(shù)

作物模型基于土壤?作物?大氣系統(tǒng)，綜合融入氣象參數(shù)、土壤參數(shù)、作物參數(shù)、田間管理措施等要素，在單點(diǎn)尺度上以特定時(shí)間步長動(dòng)態(tài)模擬作物的生長發(fā)育過程，對與作物生長發(fā)育及產(chǎn)量形成密切相關(guān)的光合、呼吸、蒸騰、營養(yǎng)和生殖生長等生理過程進(jìn)行定量表達(dá)，既可以監(jiān)測作物生長狀態(tài)和產(chǎn)量，也可以監(jiān)測作物生長發(fā)育和產(chǎn)量形成對環(huán)境變化和栽培措施的響應(yīng)，以做出促進(jìn)高產(chǎn)、優(yōu)質(zhì)、高效的田間管理決策。目前作物模型主要應(yīng)用于作物生長及產(chǎn)量評估、氣候變化對產(chǎn)量影響、農(nóng)田管理決策支持等方面[1]。但是在應(yīng)用尺度從單點(diǎn)擴(kuò)展到區(qū)域時(shí)，受到地表環(huán)境非均勻性和復(fù)雜性的影響，會出現(xiàn)模型中一些宏觀資料難以獲取以及參數(shù)區(qū)域化方面的問題[2]。

遙感技術(shù)以其快速、宏觀、實(shí)時(shí)、動(dòng)態(tài)、大面積觀測以及經(jīng)濟(jì)易獲取的特點(diǎn)，廣泛應(yīng)用于各個(gè)領(lǐng)域[3]。隨著遙感觀測的時(shí)間、空間、光譜分辨率不斷提升，以及遙感反演算法和產(chǎn)品的日益完善，遙感已成為區(qū)域尺度作物長勢監(jiān)測和產(chǎn)量估測工作的主要技術(shù)手段。但是受時(shí)間分辨率的制約，遙感無法對作物進(jìn)行無間斷觀測，獲得的是時(shí)間序列離散的觀測數(shù)據(jù)，反映的是地表瞬時(shí)物理狀況，不能表達(dá)作物生長發(fā)育的內(nèi)在機(jī)理過程及其與環(huán)境因素的關(guān)系[4]。

數(shù)據(jù)集成系統(tǒng)是通過融合不同數(shù)據(jù)源、不同時(shí)間或空間分辨率的觀測信息，利用集成算法將動(dòng)態(tài)模型和觀測數(shù)據(jù)集成為基于自動(dòng)觀測且誤差較小的綜合預(yù)報(bào)系統(tǒng)[5]。因此，數(shù)據(jù)集成系統(tǒng)由觀測數(shù)據(jù)、動(dòng)態(tài)模型和集成算法這三要素組成。集成算法是耦合觀測數(shù)據(jù)和動(dòng)態(tài)模型的媒介，其性能直接影響數(shù)據(jù)集成系統(tǒng)的運(yùn)行效率與精度[6]。利用數(shù)據(jù)集成技術(shù)耦合作物模型與遙感信息，能夠?qū)崿F(xiàn)兩者的優(yōu)勢互補(bǔ)，使區(qū)域化作物模型突破參數(shù)獲取困難的瓶頸，使遙感對地觀測具備解釋作物生長發(fā)育機(jī)理性的能力，提高作物模型在區(qū)域尺度上的模擬精度。

作物模型與遙感信息集成技術(shù)對大區(qū)域尺度作物長勢監(jiān)測及產(chǎn)量預(yù)測的精確化、高效化具有重要意義，本文系統(tǒng)歸納了歐洲、美國、澳大利亞及中國作物模型的發(fā)展與應(yīng)用，總結(jié)當(dāng)前主流的數(shù)據(jù)集成方法的原理、特點(diǎn)和不足，概述作物模型與遙感信息集成技術(shù)的實(shí)際應(yīng)用，對提高數(shù)據(jù)集成精度存在的問題，以及未來完善集成系統(tǒng)的技術(shù)重點(diǎn)和發(fā)展趨勢進(jìn)行探討，旨在為作物模型與遙感信息集成技術(shù)在作物產(chǎn)量預(yù)測、農(nóng)業(yè)氣象災(zāi)害影響評估及農(nóng)業(yè)應(yīng)對氣候變化決策等方面實(shí)現(xiàn)更加廣泛地應(yīng)用提供參考。

1 研究進(jìn)展

1.1 作物模型發(fā)展與應(yīng)用

1.1.1 歐洲作物模型

1970年，荷蘭瓦赫寧根大學(xué)的de Wit學(xué)派開發(fā)了世界上第一個(gè)作物模型ELCROS模型[7]，該模型通用性較強(qiáng)，可以模擬不同環(huán)境條件下的作物生產(chǎn)潛力。至20世紀(jì)80年代，de Wit學(xué)派基于ELCROS模型研發(fā)了BACROS模型，該模型能夠較好地模擬大田作物的光合、呼吸、同化和蒸騰等生理過程[8]。之后，又在BACROS模型的基礎(chǔ)上改進(jìn)推出了SUCROS模型，該模型不僅能夠模擬不同環(huán)境條件下作物的生長發(fā)育過程，而且適用于不同作物[9]。

1986年，瓦赫寧根大學(xué)與世界糧食研究中心共同研發(fā)出WOFOST模型，該模型由一系列基本模塊構(gòu)成，主要包括作物生長發(fā)育模塊、葉面積指數(shù)模塊、CO2同化模塊、呼吸模塊、蒸騰模塊、土壤水平衡模塊、干物質(zhì)分配與干物質(zhì)積累模塊等，可分3種模式模擬作物生長發(fā)育狀態(tài)，包括潛在生長模式、養(yǎng)分脅迫模式和水分脅迫模式[10]。CGMS是集WOFOST模型和衛(wèi)星遙感一體化的作物長勢監(jiān)測系統(tǒng)，該系統(tǒng)為歐洲各國大區(qū)域尺度上的作物產(chǎn)量預(yù)測、氣候變化影響評價(jià)和農(nóng)業(yè)生產(chǎn)風(fēng)險(xiǎn)評估等方面的研究提供了技術(shù)支撐[11]。

法國農(nóng)業(yè)部基于當(dāng)時(shí)存在或簡化的作物模型，開發(fā)出適用于多種作物的STICS模型。該模型采用日氣象數(shù)據(jù)驅(qū)動(dòng)，能夠模擬作物生長發(fā)育、土壤水分以及氮平衡過程[12]。由于開發(fā)者認(rèn)為田間管理模式的不同很大程度上決定了作物生長發(fā)育過程中差異，STICS模型重點(diǎn)考慮了田間管理措施對作物生長的影響[9]。

聯(lián)合國糧食及農(nóng)業(yè)組織（FAO）為提高干旱地區(qū)的作物生產(chǎn)力，開發(fā)了以水分消耗為驅(qū)動(dòng)力的AquaCrop模型[13]，該模型通過實(shí)際蒸騰量和收獲指數(shù)估測作物產(chǎn)量，并且考慮到冠層覆蓋度容易從遙感信息中獲取的特點(diǎn)，采用通過冠層覆蓋度先確定蒸騰量，再確定生物量的方式，簡潔闡明了冠層覆蓋度的變化對作物生長發(fā)育的影響[14]。AquaCrop模型不僅能較好地模擬灌溉區(qū)的作物生長，還考慮了不同施肥狀況對產(chǎn)量的影響，可用于指導(dǎo)灌溉和施肥管理[11]。

目前，這些歐洲作物模型已在世界各國被廣泛使用。楊霏云等發(fā)現(xiàn)WOFOST模型可以較好地模擬遼寧省春玉米生長過程以及干旱對產(chǎn)量的影響，確定了不同干旱風(fēng)險(xiǎn)等級下遼寧省東、中、西部春玉米的災(zāi)損范圍[15]。毛鑫等比較分析了STICS、DSSAT和APSIM 3種作物模型對陜西關(guān)中地區(qū)冬油菜物候期和產(chǎn)量的模擬精度，STICS模型最高，APSIM模型次之，DSSAT模型最差[16]。馬于茗等發(fā)現(xiàn)AquaCrop 模型對浙江地區(qū)不同品種茶葉具有較好的適用性，基于逐步回歸的AquaCrop茶樹開采期預(yù)測模型效果較好，可用于指導(dǎo)實(shí)際生產(chǎn)[17]。

1.1.2 美國作物模型

20世紀(jì)80年代，美國農(nóng)業(yè)部在集成了CROPGRO系列、CERES系列和 GOSSYM等8個(gè)子模型的基礎(chǔ)上，對輸入?yún)?shù)、過程變量和輸出結(jié)果進(jìn)行格式標(biāo)準(zhǔn)化，由此開發(fā)了DSSAT模型[18?19]。該模型能夠模擬26種作物的營養(yǎng)、生殖生長過程，光合、呼吸、蒸騰、干物質(zhì)分配等基本生理過程，還內(nèi)嵌有土壤水平衡模塊、土壤氮素平衡模塊和病蟲害影響模塊[10?11]，可廣泛應(yīng)用于作物生產(chǎn)潛力的模擬、灌溉制度的制定與優(yōu)化、作物栽培方案的確定、土壤氮素對作物產(chǎn)量的影響評估等方面[20]。

美國農(nóng)業(yè)部與得克薩斯農(nóng)工大學(xué)黑土地研究中心合作研發(fā)了EPIC模型，該模型包括作物生長模塊、水文模塊、養(yǎng)分模塊、土壤侵蝕模塊、土壤溫度模塊等11個(gè)子模塊[21]，適用于不同作物品種、土壤類型和氣候環(huán)境，能夠模擬管理措施變化對土地生產(chǎn)力的影響，常用于大田作物、牧草等的生長模擬[22]。

目前，美國作物模型已被廣泛應(yīng)用在作物生長及產(chǎn)量監(jiān)測、氣候變化對產(chǎn)量影響等方面。李想等研究發(fā)現(xiàn)，DSSAT模型可以較好地模擬黑河中游地區(qū)玉米、小麥、油菜、馬鈴薯的生長過程，產(chǎn)量標(biāo)準(zhǔn)化均方根誤差（NRMSE）均小于15.0％，決定系數(shù)（R2）均大于0.65。優(yōu)化灌溉制度后可在明顯提高作物水分利用效率的同時(shí)保證產(chǎn)量變幅均低于5.0％，實(shí)現(xiàn)高產(chǎn)節(jié)水的目的[23]。王學(xué)春等研究發(fā)現(xiàn)EPIC模型能夠較好地模擬黑麥草生長過程，對黑麥草田土壤水分動(dòng)態(tài)變化規(guī)律模擬較為準(zhǔn)確，可以用來評價(jià)四川丘陵區(qū)以黑麥草為主的草糧輪作系統(tǒng)對當(dāng)?shù)貧夂驐l件的適應(yīng)性[24]。

1.1.3 澳大利亞作物模型

澳大利亞同樣采用集成單一作物模型的方式，研發(fā)了APSIM模型[25]，該模型適用于多種作物，以土壤水、鹽為主要驅(qū)動(dòng)[26]，主要應(yīng)用在作物育種、種植制度管理、區(qū)域水平衡、氣候變化對作物的影響以及土地利用等方面[10]。APSIM模型的重點(diǎn)關(guān)注對象不是植被，而是側(cè)重于描述土壤環(huán)境與作物生長的交互關(guān)系，因此，在有效模擬連作、輪作、間作以及農(nóng)林混作效應(yīng)方面優(yōu)勢明顯[11]。APSIM模型在中國農(nóng)業(yè)生產(chǎn)中同樣具有廣泛應(yīng)用。王亞許等利用APSIM模型模擬春玉米生長過程及產(chǎn)量，并以標(biāo)準(zhǔn)化降水指數(shù)（SPI）變化所引起的產(chǎn)量變化率構(gòu)建旱災(zāi)損失敏感性指標(biāo)，從而定量評估春玉米不同生育期旱災(zāi)損失敏感性[27]。

1.1.4 中國作物模型

中國自20世紀(jì)80年代中期開始學(xué)習(xí)作物模型，雖然起步較晚，但經(jīng)過多年的研究與創(chuàng)新，在主要糧食作物小麥、水稻、玉米和經(jīng)濟(jì)作物棉花的生長模擬上取得了一定的成果。目前，應(yīng)用較為廣泛的是高亮之等研發(fā)的CCSODS系列模型，該模型主要由參數(shù)數(shù)據(jù)庫、模擬模型、優(yōu)化模型和決策系統(tǒng)四部分組成。適用于水稻、小麥、玉米和棉花，在中國多個(gè)地區(qū)的區(qū)域化應(yīng)用中得到驗(yàn)證[28]。該模型將作物模擬技術(shù)與作物優(yōu)化管理相結(jié)合，能夠針對中國不同地理區(qū)域的氣候環(huán)境和土壤條件模擬出最優(yōu)栽培方案[29?32]。潘學(xué)標(biāo)等[33]建立了COTGROW棉花模型，描述了土壤?棉花?大氣系統(tǒng)的主要理化過程，兼顧理論性與實(shí)用性[34]。曹衛(wèi)星等建立了WheatGrow小麥模型，該模型包括物候期、生長發(fā)育、光合作用、物質(zhì)分配、水分養(yǎng)分平衡和氮素平衡６個(gè)子模塊[35]。中國作物模型由于采用作物生長發(fā)育機(jī)理與作物栽培優(yōu)化原理相結(jié)合的方法，具有較強(qiáng)的機(jī)理性、普適性、實(shí)用性和預(yù)測性[11]，但一般更注重實(shí)用性和預(yù)測性，所以地域性和經(jīng)驗(yàn)性較強(qiáng)[36]。2013年，中國國家氣候中心以WOFOST、ORYZA2000、WheatSM、ChinaAgroy這4個(gè)作物模型為核心，構(gòu)建了中國作物生長監(jiān)測系統(tǒng)CGMS-China[37]。

這些中國自主研發(fā)的作物模型已被廣泛應(yīng)用到作物長勢評價(jià)、產(chǎn)量預(yù)測及農(nóng)業(yè)氣象災(zāi)害評估中。肖瀏駿等研究發(fā)現(xiàn)，耦合低溫脅迫效應(yīng)算法后的WheatGrow模型，在模擬葉面積指數(shù)、莖生物量、地上部生物量和籽粒產(chǎn)量上均好于原WheatGrow模型，且在弱低溫條件下的模擬效果好于強(qiáng)低溫條件[38]。侯英雨等利用CGMS-China對2014年冬小麥主產(chǎn)省進(jìn)行產(chǎn)量預(yù)報(bào)，各省平均預(yù)報(bào)相對誤差為7%，大部分?。ㄗ灾螀^(qū)）相對誤差小于10%[37]。

1.2 作物模型與遙感數(shù)據(jù)集成技術(shù)

1.2.1 強(qiáng)迫法

強(qiáng)迫法的原理是直接通過遙感數(shù)據(jù)反演出作物模型中初始參數(shù)的值或用遙感反演值直接替代作物模型中某個(gè)輸出參數(shù)的值，同時(shí)替代下一次模擬的輸入值，從而提高作物模型的模擬精度[1]。由于作物模型在每個(gè)步長上都必須有一個(gè)狀態(tài)變量值，但在作物的整個(gè)生育期時(shí)間序列上通過遙感反演得到的對應(yīng)變量值是有限的，且一般情況下作物模型的步長小于遙感反演的周期[39]，所以在使用強(qiáng)迫法時(shí)，需要對遙感反演值進(jìn)行插值，獲得與作物模型步長一致的遙感觀測數(shù)據(jù)，再將其代入模型運(yùn)行[36]。

強(qiáng)迫法的實(shí)際操作比較簡單，但使用該方法進(jìn)行數(shù)據(jù)集成后，作物模型的模擬精度幾乎完全取決于遙感反演精度以及可獲取的遙感觀測次數(shù)[36]，所以強(qiáng)迫法在遙感觀測值比模型模擬值更準(zhǔn)確的前提條件下才能進(jìn)行。它的局限性是對遙感數(shù)據(jù)的時(shí)間、空間分辨率以及反演參數(shù)的精度要求較高[40]。強(qiáng)迫法只在早期的數(shù)據(jù)集成研究中運(yùn)用較多。

1.2.2 同化法

1.2.2.1 同化算法

同化法則是當(dāng)前作物模型與遙感信息集成領(lǐng)域的主流方法。同化法的原理是通過校準(zhǔn)作物模型中與生長發(fā)育和產(chǎn)量形成密切相關(guān)的初始參數(shù)或狀態(tài)變量的值來縮小觀測值與模擬值之間的差距，從而改善模型的模擬精度[40]。目前國際上廣泛應(yīng)用的同化算法，按照理論基礎(chǔ)大體分為兩類：一是基于估計(jì)理論的濾波法，二是基于代價(jià)函數(shù)的參數(shù)優(yōu)化法。

（1）濾波法

濾波法又稱順序同化法，原理是融合不同分辨率的遙感觀測數(shù)據(jù)，動(dòng)態(tài)更新狀態(tài)變量的模擬值，使用新的狀態(tài)變量重新初始化作物模型[41?42]。因此，濾波法可以使模型模擬的狀態(tài)變量不斷更新為最優(yōu)值，具有時(shí)間連續(xù)的特點(diǎn)和實(shí)時(shí)模擬的能力[19]。卡爾曼濾波系列算法包括卡爾曼濾波法（KF）、擴(kuò)展卡爾曼濾波法（EKF）和集合卡爾曼濾波法（EnKF）[10]?？柭鼮V波法假定觀測算子和模型都與模型狀態(tài)變量呈線性關(guān)系，擴(kuò)展卡爾曼濾波法適用于非線性關(guān)系，集合卡爾曼濾波法假定觀測算子和模型的誤差服從高斯分布，可以處理非線性觀測算子，并采用蒙特卡洛方法計(jì)算預(yù)報(bào)誤差協(xié)方差，適用于高維問題，且計(jì)算強(qiáng)度較低，易于并行計(jì)算。粒子濾波法（PF）基于貝葉斯估計(jì)理論，使用蒙特卡洛方法對后驗(yàn)概率分布進(jìn)行采樣，用一組隨機(jī)樣本粒子逼近狀態(tài)的概率密度分布，具有較強(qiáng)的非線性和非高斯分布處理能力，易于并行計(jì)算，具有較為廣闊的應(yīng)用前景[43]。

（2）參數(shù)優(yōu)化法

參數(shù)優(yōu)化法又稱連續(xù)同化法，原理是利用作物整個(gè)生育期時(shí)間序列的遙感數(shù)據(jù)或狀態(tài)變量的遙感反演值對作物模型進(jìn)行重新初始化或參數(shù)化[44]。主要包括以下幾個(gè)步驟：首先構(gòu)建基于狀態(tài)變量模擬值和觀測值的代價(jià)函數(shù)，然后利用優(yōu)化算法求解代價(jià)函數(shù)方程，通過重復(fù)迭代得到代價(jià)函數(shù)為最小值時(shí)的最優(yōu)解，即最佳參數(shù)集或最佳初始條件[11]。優(yōu)化算法包括單純型搜索算法、復(fù)合型混合演化算法（SCE-UA）、粒子群算法（PSO）、Powell共軛方向法、模擬退火法（SA）、遺傳算法等[43]。其中，模擬退火法和遺傳算法適用于搜索全局最優(yōu)解而非局部，是最常用的2種全局優(yōu)化方法[40]。代價(jià)函數(shù)包括均方根誤差、最小二乘法、變分法（3DVAR、4DVAR）等[43]。參數(shù)優(yōu)化法可以一次處理所有數(shù)據(jù)，但由于需要不斷迭代，計(jì)算時(shí)間較長，計(jì)算效率較低，常用于站點(diǎn)尺度[11]。

1.2.2.2 同化變量

（1）狀態(tài)變量

以作物生長過程中的狀態(tài)變量為同化變量是指以遙感反演值為依據(jù)，調(diào)整作物模型的關(guān)鍵參數(shù)值或初始值，使調(diào)整后模型模擬的狀態(tài)變量值與同時(shí)間遙感反演值的差距最小[40]。因此，以狀態(tài)變量為同化變量對遙感反演的精度要求較高[36]。常用的狀態(tài)變量有葉面積指數(shù)（LAI）、蒸散量（ET）、土壤水分含量（SM）等[10]。

Dente等將CERES-Wheat模型與雷達(dá)數(shù)據(jù)反演的LAI進(jìn)行同化，調(diào)整了作物模型中的小麥播種日期、田間持水量和萎蔫含水量，顯著提高了播種日期或土壤條件未知情況下的模型預(yù)測能力[45]。Jégo等利用航空數(shù)據(jù)或多光譜數(shù)據(jù)反演LAI，對播種日期、播種密度和田間持水量進(jìn)行了參數(shù)優(yōu)化，結(jié)果表明雨養(yǎng)玉米、豌豆和春小麥的產(chǎn)量和生物量的模擬精度顯著提高，尤其是在水分脅迫情況下，模擬值非常接近實(shí)際值[46]。

黃健熙等利用冬小麥關(guān)鍵生育期的遙感數(shù)據(jù)和SWAP模型中LAI、ET的模擬值，構(gòu)建了向量夾角代價(jià)函數(shù)和一階差分代價(jià)函數(shù)，使用SCE-UA算法對SWAP 模型中的出苗日期和灌溉量進(jìn)行了參數(shù)最優(yōu)估計(jì)，結(jié)果表明，冬小麥產(chǎn)量的估測精度顯著提高，并且基于向量夾角代價(jià)函數(shù)的優(yōu)化算法的單產(chǎn)估測精度高于一階差分代價(jià)函數(shù)[47]。包姍寧等使用SCE-UA算法同化MODIS-LAI、MODIS-ET數(shù)據(jù)與WOFOST模型，結(jié)果表明在水分脅迫情況下，同化雙變量的估產(chǎn)精度明顯高于單變量[48]。

侯英雨等使用PSO-NDVI、PSO-LAI、SCE-UA、SCE-LAI四種同化策略，利用同化后的CGMS-China對2011年山西洪洞縣雨養(yǎng)和灌溉小麥進(jìn)行估產(chǎn)，結(jié)果表明四種同化策略均能顯著提高估產(chǎn)精度，與實(shí)際觀測產(chǎn)量的相對誤差均小于11%[38]。王利民等使用協(xié)同克里金方法插值獲取SWAP 模型的氣象輸入?yún)?shù)，再將SWAP 模型與遙感反演的LAI和ET進(jìn)行同化，通過調(diào)整玉米灌溉量和出苗日期，得出同化后的模型能夠較準(zhǔn)確地預(yù)測黑龍江南部區(qū)域玉米產(chǎn)量[49]。

潘海珠將EnKF算法擴(kuò)展到多模型集合預(yù)報(bào)方法貝葉斯模型平均（BMA）框架內(nèi)，形成了多模型同化算法EnKF+BMA，以遙感反演的LAI 時(shí)序?yàn)橥兞?，利用EnKF+BMA與SAFY-WB、WOFOST和CERES-Wheat構(gòu)建區(qū)域多作物模型同化方案，結(jié)果顯示該方案冬小麥LAI和產(chǎn)量的模擬精度高于利用EnKF算法同化單一作物模型，并且同化冬小麥關(guān)鍵生育期（抽穗期和開花期）的遙感反演LAI即可明顯提高模擬精度[50]。

劉明星等將遙感反演的LAI與SAFY模型進(jìn)行同化，利用主成分分析的復(fù)合型混合演化（SP-UCI）算法對出苗日期、有效光能利用率和衰老溫度進(jìn)行參數(shù)優(yōu)化，結(jié)果表明同化后模型能夠較準(zhǔn)確地估算冬小麥地上生物量[51]。王鵬新等使用EnKF算法將LAI遙感數(shù)據(jù)與CERES-Maize模型進(jìn)行同化，并利用隨機(jī)森林回歸法計(jì)算同化和未同化的LAI權(quán)重，建立玉米單產(chǎn)估測模型，結(jié)果顯示同化后模型的區(qū)域單產(chǎn)估測精度明顯提高[52]。

劉正春等使用4DVAR和EnKF兩種同化算法將Sentinel多源數(shù)據(jù)反演的葉面積指數(shù)LAI、土壤含水率θ與CERES-Wheat模型進(jìn)行同化，對比四種同化策略的冬小麥估產(chǎn)精度，4DVAR-LAI和4DVAR-θ高于EnKF-LAI和EnKF-θ，且4DVAR-LAI更能精確識別冬小麥的物候期[53]。王鵬新等使用粒子濾波算法同化CERES-Maize模型和MODIS數(shù)據(jù)反演的葉面積指數(shù)（LAI）、條件植被溫度指數(shù)（VTCCI），并應(yīng)用隨機(jī)森林回歸算法計(jì)算夏玉米不同生育期LAI和VTCI的權(quán)重，構(gòu)建區(qū)域單產(chǎn)估測模型。結(jié)果表明歸一化均方根誤差和平均相對誤差均顯著下降，模型估測精度提高[54]。

（2）冠層反射率

以遙感觀測的冠層反射率為同化變量是指在將作物模型與輻射傳輸模型進(jìn)行耦合的基礎(chǔ)上，縮小反射率觀測值或基于反射率構(gòu)建的植被指數(shù)、雷達(dá)的后向散射系數(shù)等與耦合模型的反射率模擬值的差距，優(yōu)化作物模型的初始值和關(guān)鍵參數(shù)值[40]。需要注意的是，輻射傳輸模型對土壤和作物信息的準(zhǔn)確性要求較高[36]。

將EPIC模型與SAIL模型耦合，采用AVHRR數(shù)據(jù)進(jìn)行同化，通過調(diào)整EPIC模型中的最大LAI、葉面積下降速度和葉面積下降時(shí)間，可以使區(qū)域小麥產(chǎn)量的模擬效果有所改善[55]。在GIS系統(tǒng)中，將作物模型PROMET-V與輻射傳輸模型GeoSAIL耦合，校正GeoSAIL模型中的葉面積指數(shù)、綠葉/褐葉比例和土壤水分，對PROMET-V模型中的種植密度和收獲日期進(jìn)行參數(shù)優(yōu)化，可以使區(qū)域尺度上模擬的生物量、產(chǎn)量、植株高度空間分布精度得到明顯提高[56]。

將SUCROS模型與SAIL模型耦合，并將SPOT數(shù)據(jù)、航空攝影數(shù)據(jù)與耦合模型進(jìn)行同化，調(diào)整模型中的部分敏感性參數(shù)，可以提高產(chǎn)量估測精度，使均方根誤差下降10%[57]。將植被模型STEP與輻射傳輸模型耦合，融合SPOT-NDVI和ASAR后向散射系數(shù)2種數(shù)據(jù)與耦合模型進(jìn)行同化，構(gòu)建同時(shí)同化2種數(shù)據(jù)的代價(jià)函數(shù)，并對耦合模型中的9個(gè)參數(shù)進(jìn)行最優(yōu)估計(jì)，可以明顯改善模型的模擬效果[58]。將CERES-Maize 模型與輻射傳輸模型MCRM進(jìn)行耦合，再分別與MODIS-LAI、NDVI、EVI以及LAI-NDVI、LAI-EVI進(jìn)行同化，得到的模擬玉米產(chǎn)量與實(shí)際統(tǒng)計(jì)數(shù)據(jù)一致性較高[59]。

馬玉平等通過耦合WOFOST模型與SAILPROSPECT模型，并利用土壤調(diào)整植被指數(shù)SAVI實(shí)現(xiàn)WOFOST模型與MODIS數(shù)據(jù)的同化，對冬小麥出苗期和返青期生物量進(jìn)行了參數(shù)最優(yōu)估計(jì)，使得模擬開花期、成熟期以及貯存器官干重空間分布的準(zhǔn)確性有所提高[60]。吳伶等通過耦合WOFOST 模型與輻射傳輸模型PROSAI，使用PSO算法對土壤調(diào)節(jié)植被指數(shù)SAVI進(jìn)行最優(yōu)估計(jì)，采用MODIS數(shù)據(jù)反演獲得區(qū)域化參數(shù)，并以此驅(qū)動(dòng)模型逐像元計(jì)算生長參數(shù)，獲得時(shí)空連續(xù)的生長參數(shù)模擬值[61]。靳華安等采用MODIS和Landsat TM 2種尺度的數(shù)據(jù)，將CERES-Maize模型與SAIL模型耦合，使用SCE-UA算法對種植日期、種植密度、光周期敏感參數(shù)、葉片紅光和近紅外波段反射率進(jìn)行參數(shù)優(yōu)化，結(jié)果顯示3a間玉米估測總產(chǎn)量的誤差分別減小了7.49%、1.21%和5.23%[62]。Machwitz等通過耦合APSIM模型與PROSAI輻射傳輸模型，使用粒子濾波法同化Rapid Eye數(shù)據(jù)，使得玉米生物量動(dòng)態(tài)變化的模擬效果得到提高[63]。Dong等將DSSAT模型與PROSAIL輻射傳輸模型進(jìn)行耦合，使用4DVAR方法和模擬退火算法同化Landsat TM的NDVI數(shù)據(jù)，能夠更有效地進(jìn)行冬小麥產(chǎn)量估測[64]。

2 存在問題

2.1 作物模型模擬結(jié)果的不確定性

作物模型模擬結(jié)果的不確定性來自三個(gè)方面，一是模型結(jié)構(gòu)；二是模型參數(shù)；三是氣象數(shù)據(jù)[65]。

由于作物生產(chǎn)系統(tǒng)的復(fù)雜性，作物模型在機(jī)理表達(dá)上總會存在一定程度的簡化，忽略一些非決定性的細(xì)節(jié)過程，如沒有考慮極端天氣和病蟲害的影響等，但這些因素同樣會對作物生長發(fā)育產(chǎn)生重要影響。此外，作物模型對光合作用、肥料營養(yǎng)、水分變化等過程的定量描述還存在一定的誤差[6]。這些來自模型結(jié)構(gòu)的問題增加了模型模擬結(jié)果的不確定性。

模型參數(shù)存在不確定性的主要原因是田間管理參數(shù)和作物品種遺傳參數(shù)難以直接獲取。田間管理參數(shù)的估計(jì)方法是用特定模型中的一組最優(yōu)參數(shù)代替[66]，遺傳參數(shù)的標(biāo)定方法是試錯(cuò)法，即依據(jù)一定數(shù)量的實(shí)測值，調(diào)整幾個(gè)特定參數(shù)，使模擬值與實(shí)測值的差距減小到一定程度，將此時(shí)的遺傳參數(shù)作為標(biāo)定參數(shù)，但試錯(cuò)法具有較大的主觀性[6, 43]。此外，由于空間數(shù)據(jù)量的限制，通常會采用合并品種和管理參數(shù)進(jìn)行模擬，合并參數(shù)可能是區(qū)域內(nèi)最優(yōu)或最具代表性的品種和管理參數(shù)，但與實(shí)際情況差異較大，不能反映區(qū)域品種和管理的多樣性[43]。

氣象數(shù)據(jù)是作物模型重要的輸入數(shù)據(jù)之一。受當(dāng)前大氣觀測技術(shù)和處理方法等的限制,實(shí)測氣象要素?cái)?shù)據(jù)存在一定的不確定性,這種不確定性會影響模型模擬結(jié)果的精度。例如，在模型運(yùn)行過程中，為了獲得時(shí)空連續(xù)的氣候數(shù)據(jù)集，一般需要使用插值法，但插值法在降水、風(fēng)速等空間分布不均的非連續(xù)宏觀現(xiàn)象上應(yīng)用的可靠性仍有待驗(yàn)證[65]。

2.2 遙感反演數(shù)據(jù)的不確定性

植被類型的多樣性、植被時(shí)空分布和輻射傳輸過程的復(fù)雜性，使植被參數(shù)的遙感反演過程存在較大的不確定性[67]。植被結(jié)構(gòu)及時(shí)空分布的復(fù)雜性會帶來兩個(gè)問題，一是光譜反射率各組分的共同貢獻(xiàn)，弱吸收組分的光譜信號分離與獨(dú)立探測都異常困難；二是植被高度空間異質(zhì)性難以通過建模精確表達(dá)。植被參數(shù)遙感反演本身是一個(gè)病態(tài)反演，一方面，植被環(huán)境的多變性導(dǎo)致反演模型復(fù)雜，求解困難；另一方面，植被參數(shù)獲取的限制導(dǎo)致遙感反演中的關(guān)鍵信息量不足。并且由于地表特征的非均勻性，地表特征參數(shù)的非線性，觀測手段的相對性等特點(diǎn)，遙感反演本身存在尺度效應(yīng)，即不同尺度的地表特征參數(shù)存在差異。參數(shù)反演的精度與數(shù)據(jù)源和反演算法有關(guān)，數(shù)據(jù)源可分為單一和多源，反演算法包括經(jīng)驗(yàn)關(guān)系、物理模型和神經(jīng)網(wǎng)絡(luò)模型等[6]。研究表明，MODIS-LAI產(chǎn)品將作物的葉面積指數(shù)低估了33%～50%[68?69]，MODIS-ET產(chǎn)品在森林地區(qū)與實(shí)測值的誤差較小，在農(nóng)田地區(qū)誤差較大[70]。

2.3 數(shù)據(jù)同化策略的多樣性

在數(shù)據(jù)同化策略的選擇上，濾波法和參數(shù)優(yōu)化法各有利弊。濾波法的同化效率較高，可進(jìn)行實(shí)時(shí)預(yù)測。不足之處在于，由于濾波法直接更新狀態(tài)變量，而時(shí)間序列上某些狀態(tài)變量如LAI的變化容易導(dǎo)致作物生育期變化，從而發(fā)生“物候漂移”現(xiàn)象[71]。卡爾曼濾波系列算法對觀測算子和模型的誤差都存在一定的預(yù)設(shè)條件，即兩者只存在隨機(jī)誤差不存在系統(tǒng)偏差，但由于遙感觀測和作物模型存在尺度差異，系統(tǒng)偏差不可避免，這些假設(shè)在區(qū)域尺度的模型實(shí)際運(yùn)行中無法成立[6]。因此在使用濾波法時(shí)，需要選擇站點(diǎn)尺度[72]或利用其他手段修正觀測數(shù)據(jù)[73]，這是濾波法在區(qū)域尺度應(yīng)用上的一大限制。

在參數(shù)優(yōu)化法中，基于先驗(yàn)知識構(gòu)建的代價(jià)函數(shù)具有完善的理論體系，不僅引入先驗(yàn)知識項(xiàng)，還考慮了其他各項(xiàng)的不確定性[3]，但對先驗(yàn)知識的依賴性也在一定程度上限制了模型的實(shí)際應(yīng)用能力。不同于濾波法，參數(shù)優(yōu)化法通過計(jì)算最優(yōu)解獲取最具代表性的模型參數(shù)，來提高預(yù)測精度，在一定程度上，能夠減少同化過程中遙感數(shù)據(jù)誤差的積累和傳播[43]。但最優(yōu)參數(shù)集的獲取需要經(jīng)過大量重復(fù)迭代，且獲取次數(shù)隨參數(shù)的增加呈指數(shù)增長，所以在區(qū)域化應(yīng)用中參數(shù)優(yōu)化法的同化效率偏低。參數(shù)優(yōu)化法雖然不存在“物候飄移”現(xiàn)象，但由于每一次迭代都需要運(yùn)行整個(gè)時(shí)間周期，所以在實(shí)時(shí)預(yù)測上不如濾波法靈活高效[6]。

由于同化算法本身的優(yōu)缺點(diǎn)以及不同區(qū)域尺度間同化效果差異較大，需要不斷改進(jìn)和優(yōu)化這些算法，或?qū)⒉煌惴ńY(jié)合使用，達(dá)到優(yōu)勢互補(bǔ)的目的。目前已有研究者將集合卡爾曼濾波法、粒子濾波法分別與變分法結(jié)合應(yīng)用，并取得了較好的同化效果[74]。

2.4 模型模擬數(shù)據(jù)與遙感數(shù)據(jù)匹配的尺度效應(yīng)

作物模型與遙感信息集成系統(tǒng)中的尺度效應(yīng)是指，區(qū)域尺度遙感反演的參數(shù)與單點(diǎn)尺度作物模型模擬的參數(shù)之間存在尺度差異及尺度不匹配問題[66]。產(chǎn)生尺度效應(yīng)的主要原因有二，一是作物模型針對各個(gè)參數(shù)采用不同的區(qū)域化方法，導(dǎo)致區(qū)域化后的模型參數(shù)之間存在尺度差異；二是地表空間的異質(zhì)性以及作物模型的非線性，導(dǎo)致尺度效應(yīng)不可忽略[6]。解決尺度不匹配問題的常用方法是對模型參數(shù)進(jìn)行升尺度轉(zhuǎn)換，將物候信息與低空間分辨率的遙感數(shù)據(jù)相結(jié)合，通過中高分辨率遙感影像反演得到相對精確值，并以此調(diào)整模型模擬的參數(shù)，提高同化精度[75]。此外，解決尺度效應(yīng)的大多數(shù)研究集中在點(diǎn)尺度或空間重采樣后的數(shù)據(jù)，受同化效率影響，在高空間分辨率、大區(qū)域尺度上仍沒有給出完整有效的解決方案[19]。

3 未來研究方向

3.1 遙感數(shù)據(jù)的多源融合

光學(xué)遙感數(shù)據(jù)經(jīng)常用來反演LAI，但容易受云雨天氣等環(huán)境因素的影響，導(dǎo)致作物關(guān)鍵發(fā)育期監(jiān)測數(shù)據(jù)缺失，在時(shí)間和觀測量上難以滿足同化需求。微波遙感數(shù)據(jù)經(jīng)常用來反演土壤水分，與光學(xué)遙感數(shù)據(jù)相比，其優(yōu)勢在于可以全天候觀測且不受云霧阻擋[6, 10]。因此，LAI和SM的雙變量同化估產(chǎn)研究經(jīng)常需要使用光學(xué)遙感和微波遙感的融合數(shù)據(jù)[76?77]。遙感數(shù)據(jù)由單一向多源轉(zhuǎn)變將是未來作物模型與遙感信息集成研究的發(fā)展方向。

目前使用的遙感觀測數(shù)據(jù)在時(shí)空分辨率上存在矛盾?？臻g分辨率較高的數(shù)據(jù)其時(shí)間分辨率較低，難以捕捉作物生長旺盛期的動(dòng)態(tài)變化規(guī)律。時(shí)間分辨率較高的數(shù)據(jù)其空間分辨率較低，如MODIS和AVHRR影像，在進(jìn)行數(shù)據(jù)融合時(shí)會出現(xiàn)混合像元問題，當(dāng)像元中存在多個(gè)地物時(shí)，該像元只能體現(xiàn)混雜的波譜、時(shí)間、角度等特征，這是提高遙感反演精度的一大瓶頸。隨著遙感信息的日益豐富，可以通過融合不同時(shí)空分辨率的多源數(shù)據(jù)，得到更精準(zhǔn)的農(nóng)作物長勢和產(chǎn)量動(dòng)態(tài)變化[11]。

3.2 同化過程的多變量協(xié)同

葉面積指數(shù)是影響地表輻射傳輸、物質(zhì)能量平衡的重要植被生物物理學(xué)參數(shù)，也是連接作物光合作用、呼吸作用等微觀生物化學(xué)過程的重要參數(shù)，所以在作物模型與遙感信息集成研究中，葉面積指數(shù)是最常用的同化變量。但是單變量往往無法定量描述作物對多因子的響應(yīng)，且研究表明，雙變量的同化效果往往優(yōu)于單變量[48]。土壤濕度、實(shí)際蒸散與潛在蒸散的比值分別反映了土壤水分狀況和作物水分脅迫程度。在雨養(yǎng)農(nóng)業(yè)區(qū)，聯(lián)合同化葉面積指數(shù)和土壤濕度、葉面積指數(shù)和實(shí)際蒸散與潛在蒸散的比值能夠更好地校準(zhǔn)土壤水分平衡和作物冠層生長與發(fā)育動(dòng)態(tài)過程。值得注意的是，在選擇多種同化變量前需要分析變量之間的相關(guān)性，在相關(guān)性很強(qiáng)的變量之間選擇一個(gè)即可[6]。多變量協(xié)同方法是今后作物模型與遙感信息集成研究中的一個(gè)重要方向。

3.3 作物模型的多類型耦合

作物模型是對復(fù)雜作物生長過程和環(huán)境的簡化描述，不同作物模型的結(jié)構(gòu)原理及適用條件存在明顯差異。某一作物模型可能具有足夠能力模擬實(shí)際過程的某些方面，但是要完全消除作物生產(chǎn)系統(tǒng)復(fù)雜性的影響幾乎是不可能的。例如，WOFOST模型的核心是定量描述產(chǎn)量形成過程[78]，STICS模型重點(diǎn)考慮了田間管理措施對作物生長的影響[12]，AquaCrop模型強(qiáng)調(diào)作物對水分脅迫的反應(yīng)[13]，APSIM模型突出不同耕作方式對作物生長的效應(yīng)[26]。因此，耦合多個(gè)作物模型可以實(shí)現(xiàn)優(yōu)勢互補(bǔ)，從而更準(zhǔn)確地模擬氣象、土壤、管理措施、氣候變化等因子對農(nóng)作物生長發(fā)育的影響。

3.4 數(shù)據(jù)集成的高性能并行計(jì)算

當(dāng)前作物模型、遙感觀測和集成算法等技術(shù)逐漸成熟，使用更豐富多源、更高分辨率、更大區(qū)域尺度的數(shù)據(jù)進(jìn)行作物模型與遙感信息集成研究的現(xiàn)實(shí)需求也逐漸突顯[66]。然而由于農(nóng)業(yè)生產(chǎn)系統(tǒng)的復(fù)雜性、遙感數(shù)據(jù)使用和作物模型模擬過程中的不確定性，使得密集的計(jì)算限制了大區(qū)域尺度數(shù)據(jù)集成精度的提高。隨著作物模型研究的深入與遙感數(shù)據(jù)空間分辨率的逐漸提高，單機(jī)模式的數(shù)據(jù)處理方法顯然無法滿足在大區(qū)域尺度應(yīng)用數(shù)據(jù)集成技術(shù)對計(jì)算效率和靈活度的要求。高性能計(jì)算機(jī)、分布式算法、并行計(jì)算等大數(shù)據(jù)處理方法更具性能優(yōu)勢，效率更高[10]。研究表明，將驅(qū)動(dòng)作物模型的參數(shù)以柵格數(shù)據(jù)形式存儲，運(yùn)用SPARK的內(nèi)存計(jì)算方法實(shí)現(xiàn)多次迭代和參數(shù)優(yōu)化，可以極大地提高計(jì)算效率，足以應(yīng)用于全國尺度[79]。因此，未來在完善和創(chuàng)新數(shù)據(jù)集成技術(shù)時(shí)，需要著重考慮性能與效率。

[1] 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),2008:1-2.

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] 劉布春,王石立,馬玉平.國外作物模型區(qū)域應(yīng)用研究進(jìn)展[J].氣象科技,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,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.

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,王鵬新,王蕾,等.基于作物及遙感同化模型的小麥產(chǎn)量估測[J].農(nóng)業(yè)工程學(xué)報(bào),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] 王卓穎,劉楊曉月,楊驥,等.風(fēng)云衛(wèi)星系列及CLDAS 土壤水分產(chǎn)品多尺度精度驗(yàn)證與評價(jià):以青藏高原那曲地區(qū)為例[J].中國農(nóng)業(yè)氣象,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] 黃健熙,黃海,馬鴻元,等.遙感與作物生長模型數(shù)據(jù)同化應(yīng)用綜述[J].農(nóng)業(yè)工程學(xué)報(bào),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耦合模型的玉米遙感估產(chǎn)研究[D].蘭州:蘭州大學(xué),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.遙感與作物生長模型多變量協(xié)同數(shù)據(jù)同化的冬小麥產(chǎn)量估測方法研究[D].北京:中國農(nóng)業(yè)大學(xué),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] 王靜,李新.基于作物生長模型和多源數(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.

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] 孫寧.作物模擬技術(shù)在氣候變化對農(nóng)業(yè)生產(chǎn)影響研究中的應(yīng)用[J].地學(xué)前緣,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] 楊霏云,鄭秋紅,李文科,等.基于WOFOST模型的遼寧省春玉米干旱災(zāi)損風(fēng)險(xiǎn)評估[J].干旱地區(qū)農(nóng)業(yè)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,楊建利,朱曉華,等.陜西關(guān)中冬油菜生長發(fā)育不同模型模擬精度研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),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] 馬于茗,陳捷,金志鳳,等.基于AquaCrop模型的茶葉產(chǎn)量和開采期預(yù)報(bào)[J].中國生態(tài)農(nóng)業(yè)學(xué)報(bào)(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] 馬鴻元.遙感與作物模型數(shù)據(jù)同化的冬小麥產(chǎn)量集合預(yù)報(bào)方法研究[D].北京:中國農(nóng)業(yè)大學(xué),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] 范蘭,呂昌河,陳朝.EPIC模型及其應(yīng)用[J].地理科學(xué)進(jìn)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,韓智博,張寶慶,等.黑河中游主要農(nóng)作物灌溉制度優(yōu)化[J].生態(tài)學(xué)報(bào),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] 王學(xué)春,王紅妮,黃晶,等.基于EPIC模型的四川丘陵區(qū)黑麥草生長過程及其土壤水分動(dòng)態(tài)變化模擬[J].草業(yè)學(xué)報(bào),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,郭瑞鴿,等.用ORYZA_V3水稻模型模擬江西直播早稻的適宜性分析[J].中國農(nóng)業(yè)氣象,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] 馬兆駿,帥艷民,邵聰穎,等.基于WOFOST模型分析不同氣候情景對遼寧典型雨養(yǎng)春玉米產(chǎn)量的影響[J].中國農(nóng)業(yè)氣象,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] 王亞許,孫洪泉,呂娟,等.基于APSIM 模型的春玉米生育期旱災(zāi)損失敏感性定量分析[J].災(zāi)害學(xué),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,金之慶.RCSODS:水稻栽培計(jì)算機(jī)模擬優(yōu)化決策系統(tǒng)[J].計(jì)算機(jī)農(nóng)業(yè)應(yīng)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] 葛道闊,曹宏鑫,張利華,等.WCSODS中小麥生育期模型在淮河流域旱澇脅迫環(huán)境下的改進(jìn)[J].江蘇農(nóng)業(yè)學(xué)報(bào),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] 馬新明,張娟娟,劉合兵,等.基于氮素脅迫的WCSODS模型訂正與檢驗(yàn)[J].中國農(nóng)業(yè)科學(xué),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] 馬新明,張娟娟,劉合兵,等.小麥生長模型(WCSODS)在河南省的適應(yīng)性評價(jià)研究[J].中國農(nóng)業(yè)科學(xué),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,金之慶,鄭國清,等.小麥栽培模擬優(yōu)化決策系統(tǒng)(WCSODS)[J].江蘇農(nóng)業(yè)學(xué)報(bào),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] 潘學(xué)標(biāo),韓湘玲,石元春.COTGROW:棉花生長發(fā)育模擬模型[J].棉花學(xué)報(bào),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] 陳思寧.基于集合卡爾曼濾波的遙感信息和作物模型結(jié)合研究[D].南京:南京信息工程大學(xué),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] 曹衛(wèi)星,羅衛(wèi)紅.作物系統(tǒng)模擬及智能管理[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] 閆巖.基于定量遙感產(chǎn)品和作物生長模型同化的農(nóng)作物長勢監(jiān)測與估產(chǎn)方法研究[D].北京:中國科學(xué)院遙感應(yīng)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,靳寧,等.中國作物生長模擬監(jiān)測系統(tǒng)構(gòu)建及應(yīng)用[J].農(nóng)業(yè)工程學(xué)報(bào),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] 肖瀏駿,劉蕾蕾,邱小雷,等.小麥生長模型對拔節(jié)期和孕穗期低溫脅迫響應(yīng)能力的比較[J].中國農(nóng)業(yè)科學(xué),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] 吳峰峰,朱波,周愷,等.虛擬作物模型的研究現(xiàn)狀及展望[J].北方園藝,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] 盧必慧,于堃.遙感信息與作物生長模型同化應(yīng)用的研究進(jìn)展[J].江蘇農(nóng)業(yè)科學(xué).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),2012:3-7.

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,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.

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.

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] 黃健熙,馬鴻元,田麗燕,等.基于時(shí)間序列LAI和ET同化的冬小麥遙感估產(chǎn)方法比較[J].農(nóng)業(yè)工程學(xué)報(bào),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)學(xué)報(bào),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,劉佳,等.基于SWAP模型同化遙感數(shù)據(jù)的黑龍江南部春玉米產(chǎn)量監(jiān)測[J].農(nóng)業(yè)工程學(xué)報(bào),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.基于作物多模型遙感數(shù)據(jù)同化的區(qū)域冬小麥生長模擬研究[D].北京:中國農(nóng)業(yè)科學(xué)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] 劉明星,李長春,李振海,等.基于高光譜遙感與SAFY模型的冬小麥地上生物量估算[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),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] 王鵬新,胡亞京,李俐,等.基于EnKF和隨機(jī)森林回歸的玉米單產(chǎn)估測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),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] 劉正春,徐占軍,畢如田,等.基于4DVAR和EnKF的遙感信息與作物模型冬小麥估產(chǎn)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),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] 王鵬新,胡亞京,李俐,等.基于雙參數(shù)和粒子濾波同化算法的夏玉米單產(chǎn)估測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),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] 馬玉平,王石立,張黎,等.基于遙感信息的華北冬小麥區(qū)域生長模型及模擬研究[J].氣象學(xué)報(bào),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] 吳伶,劉湘南,周博天,等.多源遙感與作物模型同化模擬作物生長參數(shù)時(shí)空域連續(xù)變化[J].遙感學(xué)報(bào),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.

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] 宋麗娟,葉萬軍,陸忠軍,等.遙感與作物生長模型數(shù)據(jù)同化在水稻上的應(yīng)用進(jìn)展[J].中國稻米,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] 劉洋,劉榮高,陳鏡明,等.葉面積指數(shù)遙感反演研究進(jìn)展與展望[J].地球信息科學(xué)學(xué)報(bào),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,屈永華,王錦地.MODIS LAI產(chǎn)品真實(shí)性檢驗(yàn)與偏差分析[J].遙感學(xué)報(bào),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] 楊飛,孫九林,張柏,等.基于PROSAIL模型及TM與實(shí)測數(shù)據(jù)的MODIS-LAI精度評價(jià)[J].農(nóng)業(yè)工程學(xué)報(bào),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] 姜志偉.區(qū)域冬小麥估產(chǎn)的遙感數(shù)據(jù)同化技術(shù)研究[D].北京:中國農(nóng)業(yè)科學(xué)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] 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.

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,趙俊芳,謝鴻飛,等.作物模型應(yīng)用與遙感信息集成技術(shù)研究進(jìn)展[J].中國農(nóng)業(yè)氣象,2022,43(8):644-656

2021?10?09

國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2017YFA0603004）

趙俊芳，女，博士，研究員，主要從事全球變化與農(nóng)業(yè)氣象研究，E-mail: zhaojf@cma.gov.cn

彭慧文，E-mail: 1151898909@qq.com