水稻是世界三大主要农作物之一。我国是水稻生产和消费大国，水稻种植面积仅次于印度，但总产量位居世界第一，对保障国家粮食安全具有重要作用。2019年，我国农作物总播种面积为16593.07万hm2，粮食作物播种面积达到11703.82万hm2，而水稻播种面积为2966.6万hm2，占农作物总播种面积的17.88%，占粮食作物总播种面积的26.56%。水稻总产量20961万吨，占粮食总产量的31.57%。遥感和作物生长模型在农业资源监测和作物产量预测中发挥着不可替代的作用。遥感是获取大面积地表信息最有效的手段，而作物生长模型是在机理层面对作物产量进行建模，可以实现单点尺度的作物生长发育动态模拟，但两者各有利弊。然而，遥感信息与作物生长模型的数据同化可以有效结合两者的优势，实现大规模、高精度的农业监测预报。随着社会政治经济格局发生翻天覆地的变化，极端天气频发，越来越需要及时准确地掌握我国乃至世界水稻主产区的水稻生长状况，提前预估水稻产量，以应对复杂多变的世界环境，为我国水稻贸易提供决策服务，同时对我国水稻种植政策的制定和价格的宏观调控具有重要的指导意义。

随着计算机技术的快速发展，作物生长模拟模型已被广泛用于预测作物生长状态和估计农产品产量。主要有荷兰的Wageningen模型(de Wit School)、美国的DSSAT系列模型和GOSSYM模型、澳大利亚的APSIM模型和中国的CCSODS系列模型[2]。详见表1。这些模型需要输入大量参数，分析作物生长与环境因素(太阳辐射、温度、供水、土壤养分供应等)的关系。)，并计算作物生长发育的速度，从而模拟一系列生理生化过程(光合作用、呼吸作用、蒸腾速率、养分分布等)。)和农作物整个生长期的生物量积累，进而估算作物的生理物理参数(如LAI)。然而，模型模拟只能代表作物在采样点的生长状态。为了保证不同种植区域、不同气候带、不同土壤类型作物模型的模拟精度，需要提供更多的模型参数。然而，一些模型参数很难随着作物的生长而获得，如突发性自然灾害等，这将限制作物模型的使用和应用，降低预测的准确性。

国内外水稻作物模型大致可分为两类(见表2)[3]:一类是水稻模拟模型，输入大量参数模拟水稻的生长发育、光合作用、干物质积累、产量形成等过程。目前大多数水稻模型都属于这一类，如国际水稻研究所与荷兰联合开发的谷维素系列水稻模型、美国的CERES-Rice模型、日本的T.Horie水稻模型、中国的黄策和王天泽水稻模型、中国的罗世明RSM水稻模型、中国的RICAM模型(水稻生长日历模拟模型)和RiceGrow模型。这类模型对揭示水稻生长发育规律有积极贡献，对估算不同环境条件下水稻的生产潜力也很有帮助，但直接应用于指导水稻生产相对困难。二是将水稻模拟模型和优化模型相结合，做出各种水稻栽培决策，也称水稻模拟优化决策模型，如我国的RCSODS模型。这种水稻模式可以直接指导水稻生产。

随着卫星遥感技术的快速发展，其在农业中的应用越来越广泛，主要包括作物种植面积监测、作物生长监测、作物产量估算、土壤水分估算、作物病虫害监测预报等。遥感影像可以间接反映作物模型所需的参数，如地上生物量(BM)、叶面积指数(LAI)、土壤含水量(SM)、蒸散量(ET)等。能够客观、准确、及时地提供作物的时空分布信息，在大中地区作物生长监测和产量预测方面具有显著优势[1]。然而，作物的生长和最终产量容易受到环境、品种、地区、田间管理措施等多种因素的影响，是一个长期的动态过程。卫星遥感信息反映了过境当天地表或作物冠层的瞬时物理状况。由于使用的卫星不同、过境时间间隔不同、过境云量不同，瞬时地表信息会受到影响。卫星遥感不能从作物生长发育机制揭示作物生长发育与产量形成的内在联系，也不能揭示作物生长发育与环境气候因素的关系。因此，将农业遥感与作物模型有机结合，充分发挥各自优势，取长补短，通过数据同化算法提高作物产量估算精度。最常见的卫星有陆地卫星8号等。详见表3。

作物生长模型研究进展

数据同化的研究思想是 1969 年由 CHARNEY 等 提出来的，将各类多源的时空不完整的观测数据添加 到作物生长模型中，能更加准确地估计作物生长过程 的不同状态变量，因此被逐渐地应用到各个领域[4]。数 据同化系统包含动态模型、观测数据、同化算法等 3 个 基本组成部分。

动态模型即上述“作物生长模型研究进展”中讨论 的基本模型，根据用途和要解决的问题选择相应的模 型；观测数据主要是遥感和地面实验数据；整个系统的 运行效率和精度受同化算法性能的直接影响，主要包 括基于代价函数的参数优化方法和基于估计理论的集 合滤波方法[4]。参数优化法的核心是代价函数，主要是 用迭代来调整常规方式难以获得的参数或初始条件， 最小化遥感观测值与模型模拟值间差异，优化作物模 型。影响该方法的因素主要是同化变量、优化算法和目 标函数形式。优化算法主要包括单纯型搜索算法、最大 似然法、复合型混合演化算法、遗传算法、Powell 共轭 方向法、模拟退火法、粒子群算法等；代价函数主要包 括最小二乘法、三维变分、四维变分、均方根误差等。滤 波算法又称顺序同化法，核心是融合不同分辨率的遥 感观测信息，依靠外部观测而自动调整模型轨迹，最终 减小误差。可以时刻更新最优预报值，进行实时模拟。 优化算法主要包括扩展卡尔曼滤波、集合卡尔曼滤波、 粒子滤波等。 最小分辨率、遥感参数反演的不确定性、作物生长 模型的不确定性、数据同化策略及参数结合点、尺度效 应及转换模型等是影响同化精度的主要因素。最小分 辨率的大小选择主要取决于作物模型输入参数、要解决的应用问题和遥感反演参数的时空分辨率。最小分 辨率越小，空间差异性就越显著，最小分辨率减小到一 定程度，精度的提高将会饱和。在最小分辨率的选择上 要充分考虑农田地块大小。遥感参数反演的不确定性： 有研究表明，MODIS LAI 产品对农作物叶面积指数 （LAI）低估约 33%～50%[5-6]。作物生长模型的不确定性 主要来源于模型的结构、气象驱动数据和模型的参数。 模型不能对作物光合作用、肥料营养和水分变化等进 行准确定量的描述，是模型不确定性的主要体现，同时 模型也不能反映病虫害、极端灾害天气的变化、渍灾等 减产因素的影响，随着地域条件的变化，模型中部分初 始田间管理条件和参数很难直接获取，而是在一些特 定的模型结构中找到一组最优参数来代替，上述因素 影响了模型的输出结果和模拟效果。气象数据需要使 用插值法等方法得到区域范围内的气象数据，由于降 水和风速等非连续宏观现象的空间分布是不均匀的， 所以在使用插值法时其可靠性存在广泛争议[4]。数据同 化策略上顺序滤波和参数优化方法各有千秋，顺序滤 波同化效率较高，且可实现实时预测，但容易引起“物 候漂移”，因而只能选择站点尺度数据进行修正，限制 了顺序滤波的区域化应用。参数优化方法不存在“物候漂移”现象，但需要大量迭代计算搜索最优参数集合， 计算效率是优化方法的主要瓶颈，迭代需要时间长，不 能实时预报。尺度效应指遥感反演参数的区域尺度和 作物模型模拟的参数的单点尺度获取的叶面积指数 （LAI）、蒸散发量（ET）、土壤水分（SM）和地上部生物量 （AGB）等之间的差异以及不匹配及空间尺度转换的问 题。

遥感与作物模型数据同化在水稻上的研 究进展

以“水稻+数据同化”为主题词在中国知网（http:// www.cnki.net/）进行文献检索，共检索出 23 篇文献，经 人工识别获得有效文献 19 篇。知网数据中显示，在水 稻领域开展遥感与作物模型数据同化方面较早的中文 文献是由南京农业大学曹卫星团队 2009 年发表的，随 后研究机构逐渐增多，中国地质大学刘湘南团队在国 内发文最多。国内研究区域包括湖南、浙江、江苏、吉林 等省，应用目标涉及水稻重金属污染监测、水稻长势监 测、产量估计等 3 个领域。选用的作物生长模型有 WOFOST、Rice Grow、ORYZA 2000；遥感数据主要来源 于 GF -1、HJ -1A/B、Landsat -8、MODIS、Radarsat -2、ASAR；数据同化算法包括 POS、SA、SCE；数据同化变 量包括 LAI、BM、LAN（具体见表 4）。综上所述，遥感与 作物生长模型的数据同化研究结果表明，MODIS 卫星 遥感数据是大区域同化应用的主要卫星遥感数据， Landsat TM 卫星遥感数据是中等区域尺度应用的主要 卫星遥感数据；作物模型以 WOFOST 使用最为广泛， 而 Rice Grow 是我国自主研发的水稻生长模型；LAI 是 遥感与作物模型同化中最常用的同化变量。

遥感与作物生长模型数据同化在水稻产 量估测典型案例分析

以陈劲松等[1]利用国产环境卫星 HJ-1A/B 数据与 WOFOST 作物模型相结合，运用 SCE 数据同化方法对 广东台山水稻种植区进行产量估算，充分利用了遥感 数据的低成本、大面积、宏观全面和作物模型强机理性 优势，解决了早期遥感估产采用的通过单个生育期光 谱指数和产量进行直接统计回归分析而造成估测精度 低的问题。将遥感反映的水稻实时动态信息带入到作 物生长模型中，可以使模型模拟的过程更加符合水稻 生长的实际情况，进而提高了水稻估产的精度，研究结 果表明修正后的模型估产精度误差从 64 g/m2 减少到 35 g/m2 ，估产精度增幅为 45%。国产环境卫星 HJ-1A/B 提供的主要是光谱数据，易受水稻种植区云雨天气的 影响，如何利用微波遥感数据和光学遥感数据结合反 演水稻生理参数是今后的研究重点，同时数据同化过 程需要时间，算法上仍需进一步提高。王晶[11]利用环境 卫星 HJ-1A/B、美国陆地卫星 landsat-8 和资源一号卫 星 AY1-02C 与 WOFOST 作物模型结合运用卡尔曼滤 波数据同化算法对浙江省德清县水稻进行产量估测， 研究结果表明，选用 10 天 LAI 遥感反演信息进行区域 水稻产量估测，地面观测样点产量实测值与同化模拟 值达到极显著水平，引用遥感信息后模型可以克服单 一生态点的局限，进行区域尺度的产量预测，为完善栽 培管理规划农业生产功能区提供更多信息。

遥感与作物生长模型数据同化存在的问题

遥感信息与作物生长模型结合是学科的交叉融 合，互相取长补短。该方法是近期提出的，在国际上仍 属于新兴研究课题，研究结果较分散，可比性不强，成 熟统一的结论不多。主要基于 LAI 变量上进行同化，大 多基于自行试验获得的地面光谱测量数据和航摄数据为主，对于模型的复杂性考虑较少，耦合也较为简单， 同时同化算法研究还较少，研究深度和广度还有待于 进一步提高

随着卫星遥感与作物生长模型在数据同化方面研 究的深入，作物模型、数据和同化算法上也将逐渐完 善。数据同化技术在农业上应用时要充分考虑时间和 空间的现实需求，数据同化研究趋势在同化变量上从 单参数向多参数转变；在数据来源上从单一遥感数据 源向多数据源转变；在应用方向上从监测向预测转变； 在模型选择上从单一作物模型向多作物模型耦合转 变；在运行方式上从单机同化模式向高性能并行计算 模式转变。然而农业系统的复杂性导致了遥感和作物 生长模型同化的较大不确定性，如何能更精确地描述 大区域尺度作物生长的状态，需要通过优化模型参数、 数据同化算法和定量遥感反演等关键技术的共同发展 和进步，从而进一步提高数据同化系统的精准度。同时 多参数的协同、多数据的融合、动态的预测以及多模型 的耦合是今后农业遥感与作物生长模型数据同化系统 的必然发展趋势和研究重点[24-25]。

作者：宋丽娟、叶万军、陆忠军、 付斌 、 辛蕊、黄楠、 王美璇、 毕洪文

来源：中国稻米

欢迎大家在评论区交流分享

更多精彩资讯，请持续关注数字农业分会官方账号！