1、作物生長模型和遙感信息是作物生長監(jiān)測預(yù)測的2個有力工具，將水稻生長模型和遙感有機(jī)結(jié)合，有助于模型的過程性、機(jī)理性與遙感的空間性、實時性優(yōu)勢互補(bǔ)，既提高水稻生長模型的區(qū)域應(yīng)用能力，又增強(qiáng)遙感監(jiān)測預(yù)測的機(jī)理性。本研究提出了一種基于地空遙感信息與生長模型耦合的水稻產(chǎn)量預(yù)測方法，該方法基于同化策略，以不同生育時期的水稻葉面積指數(shù)(LAI)和葉片氮積累量(LNA)為信息融合點，將地面光譜數(shù)據(jù)(ASD)及HJ-1 A/B數(shù)據(jù)與水稻生長模型(Rice

2、Grow)相耦合，反演得到區(qū)域尺度生長模型運行時難以準(zhǔn)確獲取的部分管理措施參數(shù)(播種期/移栽期、播種量和施氮量)，在此基礎(chǔ)上實現(xiàn)了對水稻產(chǎn)量的有效預(yù)測。結(jié)果表明，將LNA和LAI共同作為遙感和模型的耦合點反演效果較好，粒子群同化算法(PSO)相比于復(fù)合型混合演化算法(SCE_UA)更適合耦合同化過程，對模型輸入?yún)?shù)如播種期/移栽期、播種量和施氮量反演的RMSE值分別為1.25 d、4.52 kg·hm-2和3.69 kg·hm-2。在此

3、基礎(chǔ)上實現(xiàn)了對水稻生長狀況和產(chǎn)量的有效預(yù)測。
　　 將過程更新策略(updating strategy)和同化策略(assimilation strategy)相結(jié)合，研究建立了基于更新與同化結(jié)合策略的遙感模型耦合技術(shù)。在遙感信息與水稻生長模型(RiceGrow)的耦合過程中，先利用集合平方根濾波(EnSRF)算法，綜合考慮模型模擬和遙感反演生理指標(biāo)的誤差，得到葉面積指數(shù)(LAI)和葉片氮積累量(LNA)的更新值，再以這一更新的

4、生理指標(biāo)序列作為遙感與模型的耦合點，利用初始化策略獲取關(guān)鍵初始參數(shù)(播種期/移栽期、播種量和施氮量)。結(jié)果表明，結(jié)合更新和同化策略后模擬的LAI、LNA相比與模型模擬值和遙感監(jiān)測值，更加接近實測值。且將獲取到的參數(shù)輸入模型運行得到的產(chǎn)量結(jié)果也優(yōu)于單純同化策略，田塊和區(qū)域尺度產(chǎn)量預(yù)測結(jié)果與實測值和統(tǒng)計值之間有很好的一致性。因此，基于更新和同化策略相結(jié)合的遙感信息與水稻生長模型耦合技術(shù)提高了模型的預(yù)測精度，可為水稻生長監(jiān)測和生產(chǎn)力預(yù)測提供重

5、要技術(shù)依據(jù)。
　　 根據(jù)面向?qū)ο蟪绦蛟O(shè)計原理，以Microsoft.NET Framework3.5為開發(fā)環(huán)境，C＃為編程語言實現(xiàn)系統(tǒng)整體架構(gòu)和界面定制，調(diào)用IDL組件實現(xiàn)遙感信息處理功能，調(diào)用GIS組件ESRI ArcGIS Engine9.3實現(xiàn)GIS空間分析和專題制圖功能，另外將利用C＃語言編寫的水稻生長模型組件和上述耦合技術(shù)的代碼進(jìn)行集成，在此基礎(chǔ)構(gòu)建了基于遙感信息與生長模型耦合的水稻生長預(yù)測系統(tǒng)(RGMPS)，實現(xiàn)了影