全 文 ：利用遥感技术实现作物模拟模型区域
应用的研究进展 3
马玉平 3 3 　王石立
(中国气象科学研究院 ,北京 100081)
【摘要】　作物模拟模型从单点发展到区域应用时 ,模型中一些宏观资料的获取和参数的区域化方面出现
困难 ,利用遥感技术将实现作物模拟模型的区域应用. 文中综述了近年来遥感反演作物模型所需的地表生
物物理参数的方法、利用遥感信息直接获取生物量的途径和遥感信息与作物模拟模型之间时空匹配问题
等方面的研究概况 ,重点介绍了利用遥感技术实现作物模拟模型区域应用的 3 种解决方案 (强迫型、调控
型和验证型)及其研究进展 ,并讨论了目前存在的问题和今后研究的方向.
关键词 　作物模拟模型 　区域尺度应用 　遥感技术
文章编号 　1001 - 9332 (2004) 09 - 1655 - 07 　中图分类号 　TP79 　文献标识码 　A
A review on research of implement application for crop simulation model in regional scale by using remote
sensing technology. MA Yuping , WAN G Shili ( Chinese Academy of Meteorological Sciences , Beijing 100081 ,
China) . 2Chin. J . A ppl . Ecol . ,2004 ,15 (9) :1655～1661.
When applying crop simulation model developed from plot2scale level to regional scale ,some challenges such as ac2
quirement of some broader spatial data and regionalization of parameters will arise ,while satellite can monitor
crop growth status by remote sensing. Therefore ,regional application of crop simulation model will be implement
by remote sensing technique. In this paper ,some research advances are reviewed ,which include the methods of
biophysical parameters retrieved from remote sensing data for crop model ,the approach of biomass obtained by
remote sensing data directly ,and the means of matching temporal and spatial resolution between remote sensing
data and crop model input . Three solutions (forcing ,recalibration and validation) to the application of crop model
in region scale by using remote sensing technique were emphasized ,and the current problem and future research
orientation in this filed were discussed in brief .
Key words 　Crop simulation model , Application in regional scale , Remote sensing technique.
3 国家自然科学基金资助项目 (40275035) .3 3 通讯联系人.
2003 - 06 - 30 收稿 ,2004 - 01 - 08 接受.
1 　引 　　言
近年来 ,利用作物生长动力模拟模型进行区域作物生长
动态监测和产量预测 ,以及气候变化对农业影响评估成为人
们的研究热点. 但是 ,作物模拟模型是在单点基础上建立的 ,
当发展到区域尺度应用时 ,模型中一些宏观资料的获取和参
数的区域化存在很多困难. 而遥感作为一门新兴的现代化技
术系统 ,对大范围地表生物物理参数监测的特点恰好可以弥
补作物模拟模型区域应用的不足 ,从而促进作物模拟模型在
区域上的应用. 国外学者已就这方面的研究进行了大量探
索 ,并取得了一定进展[14 ,42 ] . 国内还鲜见相关研究报道. 本
文重点就利用遥感技术实现作物模拟模型区域应用的研究
进展作一简要综述 ,期望对我国相关研究的深入开展有所裨
益.
2 　作物模拟模型及其区域应用对遥感技术的需求
211 　主要作物模拟模型
作物模拟模型是一种从农业生态系统物质平衡和能量
守恒原理以及物质能量转换原理出发 ,以光、温、水、土壤等
条件为环境驱动变量 ,应用物理数学方法和计算机技术 ,对
作物生育期内光合、呼吸、蒸腾等重要生理生态过程及其与
气象、土壤等环境条件的关系进行逐日数值模拟 ,人为再现
农作物生长发育过程的现实虚拟映像. 1965 年 ,荷兰人 de
Wit [7 ]在前人有关作物对光截获和转化、叶片光合作用的研
究基础上 ,构建了作物冠层的光合作用模式 ,并定义了从潜
在产量到水分胁迫到养分胁迫及病虫害限制产量的作物模
拟 4 个水平或 4 个阶段[47 ] . 1967 年 ,美国人 Duncan[11 ]发表
了玉米叶面积与叶片角度对群体光合作用影响的模式. 这些
开创性工作和后来的类似研究 ,以及计算机技术的飞速发
展 ,使作物光合作用、呼吸作用、生长过程模式研究广泛开
展 ,从而产生了大量模拟作物整个生长发育过程的综合模
型.
目前已经建立的各种作物模拟模型至少有 100 种 ,主要
以美国和荷兰所建的模型为代表. 美国的农业科技转换决策
支持系统 (DSSA T)是目前使用最广泛的模型系统之一 1 它
由17 种不同的作物模拟模型组成 ,包括禾本科作物组
应 用 生 态 学 报 　2004 年 9 月 　第 15 卷 　第 9 期 　　　　　　　　　　　　　　　　　　　　　　　　　　　　　　
CHIN ESE JOURNAL OF APPL IED ECOLO GY ,Sep. 2004 ,15 (9)∶1655～1661
(CERES) 、豆科作物模拟模型组 (CROPGRO) 、马铃薯模型
(SUBSTOR) 、甘蔗模型 (CAN EGRO) 、木薯模型 (CROPSIM)
和向日葵模型 (OILCROP) [25 ]等. 由荷兰 Wageningen 大学研
究中心开发的 SUCROS模型组也被人们广泛应用 [4 ,48 ] . SU2
CROS模型系列中包括 MACROS和 BACROS模型以及被称
为 WOFOST 的简化模型. 荷兰政府资助与 IRRI 协作的水
稻模型 OR YZA 通过水稻产量模拟和系统分析 (SARP) 项目
已经在东南亚广泛验证 [30 ] . 另外 ,还有澳大利亚使用的农业
产量系统模拟 (APSIM) 等. 国内在学习、引进美国和荷兰模
型的基础上 ,依据自己的试验研究成果消化并改进后建立了
许多作物生长模拟模型 [13 ,17～19 ,46 ,50 ,55 ,56 ,68 ,69 ,76 ] . 这些模型
已经广泛应用于农业、生态、环境等应用研究领域 ,并推动其
向定量化、机理性研究发展.
212 　模型区域应用对遥感技术的需求
近年来 ,全球变化倍受人们关注 ,全球变化对农业的影
响及农业对全球变化的响应成为研究热点. 作物模拟模型具
有很强的机理性 ,能够科学地揭示环境对作物生长发育的影
响过程 ,受到全球变化影响研究者的关注 [36 ,73 ] . 但是 ,早先
研制的作物模拟模型通常仅仅适合模拟田块尺度上的作物
生长 ,而当作物模拟从单点研究发展到区域尺度应用时 ,模
型中一些宏观资料的获取和参数的区域化方面出现很多困
难.例如地表和作物状况的非均匀性导致区域性模拟时初始
条件 (出苗期、初始生物量、初始土壤水分状况等) 难以确定 ;
对计算作物冠层光合作用及干物质积累非常重要的变量叶
面积指数 ,其受品种、气候、土壤等因素影响地域变异很大 ,
精确模拟有一定难度 ;又如大范围作物表面蒸腾量、土壤水
分含量、水分胁迫状况的估算往往会受到区域内土壤条件的
复杂性和土壤水文常数、灌溉量等资料获取困难等因素的制
约.另外 ,一些突发性天气灾害造成作物生长的剧烈变化也
很难用作物模模型准确地模拟出来. 而遥感则可以弥补这方
面的不足.
遥感作为一门新兴的现代化技术系统 ,可以利用可见
光、红外线、微波等探测仪器 ,通过摄影或扫描方式获取地面
目标物的图像或数据 ,并对这些图像或数据进行传输和处
理 ,从而识别地面目标的特征、性质和状态. 其快速、宏观、准
确、动态等优点 ,可以满足作物模拟模型从单点研究发展到
区域应用的需求. 借助遥感技术的优势 ,将遥感数据反演、推
算的一些宏观信息嵌入作物模拟模型或者校正有关参数 ,解
决作物模拟模型参数区域化过程中的技术问题 ,将提高区域
尺度作物模拟的精度 ,从而促进作物模拟技术的发展和应
用.
3 　研究进展
311 　借助遥感反演获取作物模拟模型所需的地表生物物理
参数
31111 植被指数反演法 　植被指数反演法指根据植被对不
同波段光谱反射特性的差异进行各种数学组合形成植被指
数 ,然后运用数理统计等方法获得地表生物物理参数与植被
指数的定量关系 ,进而获取地表生物物理参数. 大量研究证
明 ,植被指数是遥感监测地面植被生长和分布的一种行之有
效的方法. 自 1969 年 Jordan 提出了比值植被指数 ( RV I) 以
来 ,植被指数的发展大致经历了 3 个阶段 [63 ] . 第一阶段主要
是基于波段的线性组合或原始波段的比值而合成的植被指
数 ,如 RV I 等 ;第二阶段将光谱辐射、大气、植被覆盖和土壤
背景的相互作用结合在一起考虑 ,并通过数学、物理、逻辑经
验以及模拟等方法将原植被指数不断改进而构造出一些新
的表达形式 , 如 ARV I、GEMI、AV I、NDV I、PV I、SAV I、
TSAV I 等 ;第三阶段是针对高光谱遥感及热红外遥感而构
造的植被指数 ,如 DV I、Ts2V I、PRI 等. 后面这些植被指数是
近几年来基于遥感技术发展和应用的深入而产生的新的表
现形式.
经验和理论均表明 ,植被指数在特定条件下与地表生物
物理参数有关. 如植被指数与 LAI 的关系可以由 Beer 法则
确定[2 ] :
V I = V I ∞( V Ig - V I ∞) ·exp ( - KV I ·LAI)
其中 , V I 为植被指数 , g 表示裸土 , ∞为 LAI > 8 的情况 ,
KV I 为控制斜率. 张仁华等[75 ]根据大量高塔观测资料研究
表明 ,植被指数 NDV I 和 RV I 与叶面积指数 LAI 的相关性
很高 ,且与 LAI 呈非线性关系. 2000 年美国 NASA GSFC 发
布的 NOAA2AVHRR 反演的逐月平均 LAI ,利用光合有效辐
射比 (NDV I2FPAR)2植被覆盖度 (Vcover)2LAI 建立转换关
系 ,提高了 LAI 的反演精度[73 ] . 近年 Xiao 等[71 ]在中国江苏
的 5 个观测点上 ,在水稻生长季每 10 天测一次 LAI ,用
SPO T 的 V GT 数据计算 NDV I ,发现水稻的LAI 与植被指数
线形相关 :
L A I = - 1150 + 7193NDV I 　r2 = 0175 , n = 25 , P <
010001
LA I = - 1109 + 3170 NDVI 　r2 = 0181 ,n = 25 , P <
010001
国内关于植被指数与 LAI 关系的研究成果较多. 另有
研究表明 ,植被指数与光合有效辐射、绿蔽度等地表生物物
理参数有关[37 ] .
应当指出 ,尽管植被指数反演法在遥感应用研究中被广
泛使用 ,但有一定局限性. 植被指数和生物物理参数的统计
关系只有在确定所反演的参数直接影响遥感探测到的光谱
信号时反演才有意义. 而且 ,这种经验关系还往往受时空条
件的限制和其它参量的调控 [62 ] .
31112 辐射传输反演法 　辐射传输反演法是从植被冠层光
谱辐射传输理论入手 ,从机理上研究植被各种生物物理参数
与光谱的关系 ,最终获得作物模拟模型所需的一些参数值的
方法. 冠层辐射传输理论主要研究植被和植被覆盖地表的双
向反射现象 ,在过去十几年中是一个非常活跃的领域 ,国内
外学者已发展了一系列双向反射模型 [60 ] ,主要有辐射传输
模型 (RT) 、几何光学模型 ( GO) 、混合模型 ( GO2RT) 和计算
机模拟模型等四大类别.
近年来 ,有很多利用双向反射模型结合多角度遥感数据
6561 应 　用 　生 　态 　学 　报 　　　　　　　　　　　　　　　　　　15 卷
反演植被生物物理参数的研究 [16 ,34 ,72 ] . Rahman[51 ]利用植被
方向反射数据 ,依据非线形最优策略对植被反射率模型进行
逆推 ,然后运用柯西2牛顿算法迭代求得模型理论值与实测
值之差的最小值 ,从而确定了反演函数. 这种方法能够合理
地反演叶面积指数、叶片反射率、叶片透射率、土壤反射率等
参数. Rastogi 等[52 ]利用 Price 模型法成功反演了叶面积指
数.有人通过一些试验来完善植被双向反射模式中对物理过
程的描述 ,了解模式反演过程的控制. 如采用浑浊介质假定
下的辐射传输模式 [53 ]进行反演控制试验 ,对卫星遥感的观
测时段选择和卫星遥感数据进行了选取和分析 [70 ] .
辐射传输理论详细描述了光谱在作物冠层内传输的生
物、物理过程 ,特别是太阳入射角度和观测角度上 (双向) 的
辐射传输差异. 这种差异与冠层结构有密切的关系. 因此 ,通
过辐射传输反演可以获取更多的冠层信息. 但是 ,双向模型
需要同一冠层多角度的反射辐射信息 ,LANDSA T、NOAA 卫
星资料均无法满足这种需求 ,还需要地面观测辅助信息. 李
小文等[35 ]指出 ,反演中引入先验知识非常重要. 因此 ,双向
反射模型目前还处于模型实验阶段 ,利用该模型反演叶面积
指数需要大量的实验数据支持.
除了以上两种反演地表生物物理参数的方法外 ,近年来
还注意开发一些算法以求从遥感光谱中获得更多地表特征
信息. 如基于神经原网络的反演 [1 ]和专家系统反演[29 ] ,由于
技术上的问题或先验知识难以获取 ,这两种反演方法还处于
起步阶段.
312 　利用遥感信息直接获取作物生物量
31211 经验模型 　即直接建立植被指数或遥感反演的各种
植被状态变量与作物最终生物量之间的经验统计关系. 冬小
麦地面辐射观测显示作物产量与生长季植被指数的累积有
很强的相关关系[64 ] . 其它各种作物也有类似关系 [20 ] . Tucker
等[65 ]使用卫星数据建立了基于累积植被指数计算生物量的
经验模型. 根据 Hatfield[24 ]的研究 ,如果作物生长后期的环
境条件正常 ,作物生长初期的植被指数将和潜在产量有关.
Hayes和 Decher[25 ]利用 NOAA/ AVHRR 数据计算了连续 8
年的全球植被指数 ( GV I) ,然后在一个小区域建立该植被指
数序列与产量的经验关系 ,进而预测作物产量. Manjunath
等[39 ]建立了一个 NDV I、降水量与产量之间的辐射气象统
计模型 ,预测结果显示比用单一 NDV I 或单一降水量所建模
型的预测效果要好. Labus 等[31 ] 建立作物生长的 AVHRR2
NDV I 季节变化廓线来预测区域和田块尺度上的小麦产量.
统计结果表明 ,在这两种空间尺度上 ,瞬时 NDV I 和 NDV I
的时间累积都与产量有很强的相关关系 ,而且越靠近作物生
长后期的瞬时 NDV I 与产量的相关性越强. 另外 ,在区域尺
度上产量预测效果比田块尺度上的好. 目前还有许多类似的
研究[3 ] . 经验模型方法简单 ,应用方便 ,但仍然存在时空局限
性.
31212 半经验模型 　半经验模型部分地考虑了遥感信息与
作物生物量之间的生物物理关系. 如从生物量形成的能量转
换观点出发 ,利用太阳总辐射乘以光合有效辐射比例、辐射
截光系数及能量干物质转换效率等系数计算生物量的 Mon2
teith 效率模型[41 ] . 使用不同波段的遥感数据计算 Monteith
模型中 3 个系数 ,进而可以估计作物生物量. Leblon 等 [33 ]使
用 SPO T 可见光和近红外波段辐射估计水稻的截光系数.
Seguin 等[54 ]利用远红外辐射观测数据获得半干旱地区的作
物冠层表面温度 T s ,根据 Ts 和气温 Ta 差计算的水分胁迫
系数 ,订正转换效率[58 ] . Guriff 等[21 ]利用 AVHRR 数据计算
上述系数 ,合理估计了 Algeria 的谷物产量. Loudjani 等[38 ]也
利用 Monteith 模型估计冬小麦产量. Monteith 模型使用简
便 ,也考虑到一部分机理性 ,但是仍缺乏对作物生长发育过
程的详细描述.
31213 机理模型 　作物模型主要以气候因子为驱动变量 ,模
拟作物生长发育过程及其与环境气候条件的相互关系. 其中
模拟的作物状态变量 LAI 直接影响着太阳辐射吸收、水分
蒸散及碳同化等过程. 而目前模型中植被生长发育与干物质
分配到叶片等过程还是经验关系 ,使估计最终生物量存在误
差.因此 ,有研究试图利用遥感获得的作物状态变量 (如
LAI)直接代替作物模型相应的模拟结果来驱动其它模拟过
程或重新调整模型参数 ,以提高模型的模拟能力. 如可见光
和近红外波段获得植被冠层结构和光合作用的活动 ,远红外
波段获得水分状态 ,微波波段获得水分含量、土壤湿度和冠
层结构等.
313 　作物模拟模型与遥感信息间时空分辨率问题的解决
作物模拟模型利用遥感信息解决区域应用问题的前提
是遥感探测器可以监测到作物的实时变化 ,如作物生长开
始、发育进程、成熟收获以及影响产量的偶发事件出现 (如严
重干旱等) . 但是 ,二者在时空分辨率上的不同产生了数据匹
配的困难. 作物模拟模型的运行步长一般为一天 ,而遥感监
测可以从一天几次到十几天一次 (如果不考虑云的影响) . 高
空间分辨率的遥感信息由于低的时间分辨率而无法满足作
物模拟模型的需求 ;相反 ,高时间分辨率的遥感信息又由于
空间分辨率较低而出现从混合辐射信号提取作物独立光谱
特征的技术问题. 许多研究在两种信息时空分辨率匹配方面
进行了尝试. 如对遥感反演 LAI 进行时间内插以满足作物
模型需求[8 ] . 或利用改进型傅立叶变换技术 ( HAN TS) 重建
遥感影象时间序列 ,解决遥感数据不连续问题 [67 ] . 对混合象
元也有许多解决方法.
31311“空间分解”法 　“空间分解”法认为低空间分辨率遥
感图像的象元相互变异主要是由于各象元之间土地利用状
况不同所致 ,可以利用作物光谱信号的差异或空间变化对混
合信号进行分解. 如 Puyou2Lascassies 等[49 ] 、Kerdiles 等[28 ]首
先假设区域内某种作物的个体光谱特征是固定的 ,然后通过
简单经验统计方法获取区域内作物的平均光谱特征. Faivre
等[12 ]认为 ,由于土壤、气候或耕作措施在空间上的不同会引
起作物反射率的空间变异 ,因而建立考虑某单一作物反射率
空间变异的模型 ,除了输出每种作物的平均反射率外 ,还给
出出现反射率偏差的位置和偏差大小 ,对改善作物模型非常
有用. Ouaidrari 等[45 ]使用一个线形混合模型从低分辨率图
75619 期 　　　　　　　　　　　马玉平等 :利用遥感技术实现作物模拟模型区域应用的研究进展 　　　　　　　　　　　
像中提取某种作物个体光谱特征.
31312“时间分解”法 　“时间分解”法是根据区域内光谱信
号随时间变化的廓线进行混合象元分解. 如 Fischer 等 [14 ]使
用经验模型建立的作物 NDV I 时间变化廓线 (不同作物使用
不同参数组) . 利用各种作物单个时间廓线乘以实际种植比
例之和描述区域作物的综合时间廓线 ,结合土地利用和综合
时间辐射廓线中就可以检索出主要作物的单个时间廓线.
比较两种做法可以看出 ,混合象元的空间分解法需要了
解作物的具体位置 (每个象元的土地利用) ,而时间分解法则
仅仅需要对土地利用状况进行简单的数学统计 (如区域内给
定作物所占的比例) . 但是 ,使用时间廓线的半经验模型需要
整个生长季的监测图像序列 ,而空间分解法可以在单独一张
低分辨率图像上进行. 使用哪种方法取决于研究者的目的以
及资料占有情况.
31313 低分辨率遥感信息的完全建模 　与上述分解混合象
元提取给定作物独立光谱特征的方法不同 ,低分辨率遥感信
号的完全建模是指在给定区域内 ,通过作物模拟模型和作物
的经验反射率廓线对不同种植面积的各种作物低分辨率光
谱信号进行耦合 ,最后输出区域内作物综合光谱特征. 例如 ,
Moulin 等[42 ]利用完全建模法模拟了一个谷物占大部分比例
区域的作物光谱特征 ,模拟值非常符合 NOAA/ AVHRR 监
测信息的时间变化特征.
利用时间、空间分解或完全建模可以获取单一作物或农
田综合光谱特征 ,进而反演作物模拟模型的一些生物物理参
数.但是 ,这种混合象元的解决只是一种简单的数学统计方
法 ,分离结果仍然存在误差.
314 　利用遥感技术实现作物模拟模型区域应用的解决方案
31411 强迫型 　强迫型将遥感反演的作物状态参数作为作
物模拟模型的输入变量驱动模型运转. 例如 ,Delecolle 和
Guerif [8 ]利用 Camargue (法国南部) 的小麦 SPO T/ HRV 遥感
数据反演 LAI 值. 考虑到整个生长季内 LAI 的时间分辨率
太低 ,利用统计方法内插 ,形成 LAI 逐日时间变化廓线 ,作
为 AFRCWHEA T 作物模型的输入变量. 这种方法显著改善
了模型的产量预测能力. 在芬兰 , Karvonen 等[27 ]利用遥感数
据确定作物的 LAI ,作为农业气象模型 CROPWA TN 的输入
变量模拟地段作物产量. 后来 ,Supit 等[61 ]进一步将上述模
拟产量作为作物生长监测系统 (CGMS) 的输入量估测区域
作物最终产量.
强迫型是作物模型与遥感信息结合的最初形式 ,方法简
单 ,易于实现. 在遥感反演比较准确的情况下 ,该方法可以获
得较好的模拟效果 [15 ] .
31412 调控型 1 　调控型 1 利用遥感反演数据校准作物模拟
模型的某些关键过程或重新初始化作物模拟模型来优化模
型. 例如 ,Mass[40 ]从 Landsat/ TM 数据反演获得玉米的 LAI ,
然后与 GRAMI 模型模拟的 LAI 相比较 ,利用最优化方法调
整 GRAMI 作物模拟模型出苗时的 LAI 值 (它对冠层生长和
产量形成有很大影响) . 经过调整的 GRAMI 作物模拟模型
能较好地预测出产量. 又如 Clevers 和 van Leeuwen[6 ]利用地
面和航空辐射观测获得甜菜 LAI ,通过类似方法重新调整了
SUCROS甜菜模型的播种日期、生长速率、光能利用效率和
最大 LAI ,大大改善了模型的产量预测能力.
强迫型和调控型 1 中 ,即使卫星遥感数据经过大气纠
正 ,并且克服了方向反射效应和土壤背景影响 ,LAI 还会因
所采用的统计方法本身的缺陷而存在扰动. 同时 ,LAI 与植
被指数的关系在 LAI 增加到一定程度后存在饱和现象而产
生较大误差. 此外 ,强迫型因缺乏理想的冠层描述 ,LAI 的时
间插值也容易产生误差. 因此这两种类型不是最理想的.
31413 调控型 2 　此类方法中 ,遥感数据不再用来反演冠层
变量 ,而是直接以其本身 (辐射观测值)去校准作物模拟模型
的某些关键过程或重新初始化/ 参数化作物模拟模型 ,达到
优化模型的目的. 例如 ,Bouman[4 ]将一个模拟冠层可见光和
近红外光谱反射率的辐射传输模型和一个模拟雷达后向散
射的模型与 SUCROS 模型相连接 ,使用甜菜的地面辐射观
测来调整作物模拟模型的一些敏感性参数 ,如出苗日期 ,或
一些与品种有关的经验参数 ,如相对生长速率、光利用效率
和最大叶面积. 这些关键参数的调整使得作物模型模拟的不
同时段的生物量更加接近田间观测值 ,大大改善了模型的产
量预测能力.
调控型 2 通过冠层作物状态参数将冠层辐射传输模型
与作物模拟模型直接连接 ,对冠层辐射传输模型模拟的冠层
辐射信号和经大气校正的卫星遥感探测到的冠层辐射数据
进行比较和优化 ,重新初始化/ 参数化作物模拟模型. 由于在
这一过程中遥感数据被同化 ,因而调控型也称同化法 [23 ] .
Moulin 等[42～44 ] , Guerif ,Duke[21～23 ] 和 Fischer 等[14 ,15 ] 就此
做了大量研究工作. Duke 通过 LAI 将冠层辐射传输模型
SAIL [66 ]与作物模拟模型 SUCROS相连接 ,使用最优环境条
件下作物生长所获得的试验数据校准作物模型 ,以适应区域
尺度模拟. 然后利用作物和土壤的先验知识估算 SAIL 参
数 ,并用 FSEOPT 最优化软件 [59 ]调整作物模拟模型的有关
参数 ,使模拟反射率和遥感探测反射率之间的差异达到最小
(如最后定苗数、播种到出苗的累积温度、出苗时叶面积指
数、生长前期叶片相对生长率等) ,从而较好地模拟生长过程
及预测产量[22 ] . 在后来的研究中 ,他们认为调整的准确性更
加依赖于 SAIL 参数 (土壤反射率、叶片透光特性、叶倾角)
而不是 LAI. 随机模拟也显示土壤和作物特征变量的先验知
识可以改善同化遥感探测反射率的效果 ,而且因为 TSAV I
可以使土壤对反射率的影响降至最小 [2 ] ,所以用 TSAV I 代
替冠层反射率时 ,对播种和出苗日期等参数的调整效果会更
好[23 ] . Moulin 等[44 ]为了考虑夏季水分胁迫的影响 ,利用上
述方法将 SUCROS 模型与 SAIL 模型结合 ,利用 Launay
等[32 ]的试验数据检验后重新调整了 SUCROS 模型的两种
作物参数 (播种到出苗的积温和初始 LAI) 及两种作物土壤
水分平衡参数 (根的日增长率和最大根深) . 所模拟的区域产
量的相对平方根误差从 2717 %降到 1211 % ,而模拟和实测
产量之间的相关系数从 0123 增至 0184. Stern 等[57 ] 通过
SAIL 辐射传输模型将遥感数据和 EPIC 作物模拟模型连
8561 应 　用 　生 　态 　学 　报 　　　　　　　　　　　　　　　　　　15 卷
接 ,利用光谱特征扩展技术 ( Signature extension) 确定
AVHRR 与 TM 相似的光谱特征进行区域作物分类 ,然后利
用 AVHRR 数据调整作物模拟模型的最大 LAI、叶面积下降
速度和叶面积下降的时间 ,最终改善了区域小麦产量的模拟
效果[10 ] . 近来 ,他们用空间分辨率更高的 MODIS 数据反演
获得作物 LAI ,直接作为模型的输入参数 ,通过比较实测产
量与模拟产量 ,重新调整作物模拟模型的初始参数 ,也取得
了较好效果[9 ] .
调控型通过对作物模型模拟结果与遥感观测结果的比
较获取比较理想的初始值或参数值组合 ,同时 ,由于可以利
用作物生育期间所有可以获得的多次遥感资料重新初始化
和重新参数化 ,消除了遥感资料随机误差带来的影响 ,从而
改善了作物模型的模拟能力. 对作物模型参数值和状态变量
初始值重新调整的效果还取决于被调参数的选择. 如果被调
参数不太多 ,给定取值范围比较小 ,则调整效果较好. 调控型
2 的机理性很强 ,并且消除了植被指数和 LAI 统计关系带来
的误差. 从理论上来说 ,这种同化遥感数据的方法是最理想
的.
验证型是利用遥感技术运转作物模拟模型的另一种方
法.该类型并不能改善作物模拟模型的任何过程 ,只是根据
遥感观测值对作物模拟模型最后输出结果的准确性进行验
证.
4 　展 　　望
　　在作物模拟模型中利用遥感反演、推算的一些宏观信息
解决作物模拟模型区域应用中的问题 ,将提高区域尺度作物
模拟的精度 ,促进作物模拟技术的发展和应用 ,是一个值得
研究的方向. 但同时需要解决好若干技术问题 :
在遥感反演作物模型所需的地表生物物理参数方面 ,植
被指数反演法的研究比较成熟 ,但存在一定的经验性 ,一般
只在建立关系所用资料范畴内有效. 而且作物是一种非朗伯
体 ,从不同角度所获得数据将获得不同地表生物物理参数 ,
目前在正确滤除土壤背景方面仍然没有良策 (除非应用成像
光谱仪) ,不同视角下的数据也存在可比性问题. 辐射传输反
演法从生物物理过程入手 ,理论基础较强 ,但需要同一冠层
多角度的反射辐射以及大量地面观测辅助信息 ,目前还处于
模型的实验完善阶段. 发展尽可能少地依赖地面观测数据而
仅须遥感信息的辐射传输模型应该是解决区域辐射模拟问
题的可行方案之一.
在利用遥感信息直接获取生物量方面 ,经验模型估计生
物量往往较准确. 为了不受时间、地点限制 ,需要建立描述作
物生长发育过程的机理模型. 这也是目前的研究热点. 但是 ,
伴随着模型机理性的增强 ,其参数一般会增多. 而参数是模
型不稳定的因素之一 ,如何更好地确定众多参数 ,特别是一
些有空间分布特征的参数在不同地区的取值是应当探索的
问题.
在遥感信息与作物模拟模型之间的时空分辨率问题上 ,
低时间分辨率遥感信息与作物模拟模型运转时间步长 (日)
不匹配的问题一般通过对遥感反演参数或遥感探测辐射值
的时间插值解决 ;低空间分辨率遥感信息与作物模型的空间
匹配问题主要依赖于解决遥感信息混合象元问题 ,国内外学
者主要通过“空间分解”法和“时间分解”法解决 ,但目前还不
十分完善. 调控型利用优化方法引入遥感信息时 ,如果与中
分辨率的 MODIS数据相匹配 ,则对离散点气象数据格点插
值分辨率及插值精度的要求很高 ,而且优化过程的机时也将
是惊人的. 如果格点分辨率太低 ,其混合象元问题会更严重.
因此 ,遥感信息和作物模型二者在时空匹配时合理的格点分
辨率是应当探讨的问题.
在利用遥感技术实现作物模拟模型区域应用的几种不
同途径和具体解决方案中 ,强迫型和调控型 1 受具体时间、
地点的限制 ,强迫型只是早期人们研究的类型 ;验证型只能
对作物模拟模型输出结果的准确性进行验证 ,无法改善作物
模型本身的模拟能力. 而调控型 2 (同化法) 是将冠层辐射传
输模型与作物模拟模型相耦合 ,较好地描述作物生长发育与
环境条件互相影响的过程 ,机理性最强 ,也是目前学者们着
力研究的方向. 但是 ,目前一些描述过程的生物物理参数还
无法准确或及时获取 ,调控型 2 的研究还处于初期阶段.
参考文献
1 　Abuelgasim AA , Gopal S ,Strahler AH. 1998. Forward and inverse
modeling of canopy directional reflectance using a neural network.
Int J Remote Sens ,19 (3) :453～471
2 　Baret F , Guyot G. 1991. Potentials and limits of vegetation indices
for LAI and APAR assessment . Remote Sens Envi ron ,35 : 161～
173
3 　Boken V K ,Shaykewich CF. 2002. Improving an operational wheat
yield model using phenological phase2based Normalized Difference
Vegetation Index. Int J Remote Sens ,23 :4155～4168
4 　Bouman BAM ,van Keulen H ,van Laar HH , et al . 1996. The School2of2
de2Wit crop growth simulation models : A pedigree and historical
overview. A gric Syst ,52 (2～3) :171～198
5 　Bouman BAM. 1991. The linking of crop growth models and multi2
sensor remote sensing data. 5th Int . Colloq. on Physical Measure2
ments and Signature in Remote Sensing. January 14 ～ 18 ,
Courchevel ,France. Esa SP2319 :583～588
6 　Clevers J GPW , van Leeuwen HJ C. 1996. Combined use if optical
and microwave remote sensing data for crop growth monitoring.
Remot Sens Envi ron ,56 :42～51
7 　de Wit CT. 1965. Photosynthesis of leaf canopies. Agricultural re2
search report 663. PUDOC ,Wageningen , The Netherlands. 57P
8 　Delecolle R , Guerif M. 1988. Introducing spectral data into a plant
process model for improving its prediction ability. Proc. 4th Int .
Colloq. on Spectral Signatures of Objects in Remote Sensing. Jan2
uary 18～22 ,Aussois ,France. Esa SP2287 :125～127
9 　Doraiswamy PC , Hollinger S , Sinclair TR , et al . 2001. application
of MODIS derived parameters for regional yield assessment . Proc.
Remote Sensing for Agriculture ,Ecosystems ,and Hydrolory Ⅲ,17
～21 September 2001. Toulouse ,France.
10 　Doraiswamy PC ,Moulin S ,Paul WC , et al . 2003. Crop yield assess2
ment from remote sensing. Photogr Engin Remote Sens ,69 :665～
674
11 　Duncan WG ,Loomis RS , Williams WA , et al . 1967. A model for
simulating photosynthesis in plant communities. Hilgardia ,38 :181
～205
12 　Faivre R ,Fischer A. 1997. Predicting crop reflectance using satellite
data observing mixed pixels. J A gric Biol Envi ron S tatist ,2 :1～21
13 　Feng L2P(冯利平) , Gao L2Z(高亮之) ,Jin Z2Q (金之庆) . 1997.
Studies on the simulation model for wheat phenology. Acta A gron
95619 期 　　　　　　　　　　　马玉平等 :利用遥感技术实现作物模拟模型区域应用的研究进展 　　　　　　　　　　　
Sin (作物学报) ,23 (4) :418～424 (in Chinese)
14 　Fischer A , Kergoat L ,Dedieu G. 1997. Coupling satellite data with
vegetation functional models : Review of different approaches and
perspectives suggested by the assimilation strategy. Remot Sens
Rev ,15 :283～303
15 　Fischer A. 1994. A model for the seasonal variation of vegetation in2
dices in coarse resolution data and its inversion to extract crop pa2
rameter. Remot Sens Envi ron ,48 :220～230
16 　Gao F (高 　峰) . 1997. Inversion of Vegetation Canopies Using
Multiangular Remote Sensing. Ph. D. Dissertation. Beijing : Beijing
Normal University. (in Chinese)
17 　Gao L2Z(高亮之) ,Jin Z2Q (金之庆) , Huang Y(黄 　耀) , et al .
1989. Rice clock model —A computer simulation model of rice de2
velopment . Chin J A grometeorol (中国农业气象) ,10 (3) :3～10
(in Chinese)
18 　Gao L2Z(高亮之) ,Jin Z2Q (金之庆) ,Zheng G2Q (郑国清) ,et al .
2000. Wheat cultivational simulation2optimization2decision making
system( WCSODS) . Jiangsu J A gron Sci (江苏农业学报) ,16 (2) :
65～72 (in Chinese)
19 　Gao X(高　翔) ,Wang F2T(王馥棠) . 1995. Research on the sim2
ulation model of double2harvest rice growth. In : Wang F2T (王馥
棠) ed. Research on the Possible Effects of Climate Change on Agri2
culture in China. Beijing :Meteorology Press. 1～8 (in Chinese)
20 　Gilabert MA , Gandia S , Mekia J . 1996. Analysis of spectral2bio2
physical relationships for a corn canopy. Remote Sens Envi ron ,55 :
50～58
21 　Guerif M ,Duke CL . 2000. Adjustment procedure of a crop model to
the site specific characteristics of soil and crop using remote sensing
data assimilation. A gric Ecosyst Envi ron ,81 :57～69
22 　Guerif M ,Duke C. 1998. Calibration of the SUCROS emergence
and early growth module for sugarbeet using optical remote sensing
data assimilation. Eur J A gron ,9 :127～136
23 　Guriff M ,DE Brisis S ,Seguin B. 1993. Combined NOAA2AVHRR
and SPOT2HRV data for assessing crop yields of semiarid environ2
ment . EA RSeL A dv Remot Sens ,2 :110～123
24 　Hatfield J K. 1983. Remote sensing estimators of potential and actu2
al crop yield. Remot Sens Envi ron ,13 :301～311
25 　Hayes MJ ,Decker WL . 1996. Using NOAA AVHRR data to esti2
mate maize production in the US corn belt . Int J Remote Sens ,17 :
3189～3200
26 　Hoogenboom G , Wilkens PW , Tsuji GY , eds. 1999. DSSAT v3.
Vol. 4. Honolulu ,Hawaii :University of Hawaii. 286pp
27 　Karvonen T ,Laurila H , Kleemola J . 1991. Estimation of agricultural
crop production using satellite information. Helsinki , Fenland : Uni2
versity of Helsinki. 73P.
28 　Kerdiles H , Grondona MO. 1995. NOAA2AVHRR NDVI decompo2
sition and subpixel classification using liner missing in the Argentina
Pampa. Int J Remot Sens ,16 :1303～1325
29 　Kimes DS ,Harrison PR ,Ratcliffe PA. 1991. A knowledge2based es2
pert system for inferring vegetation characteristics. Int J Remot
Sens ,12 (10) :1987～2020
30 　Kropff MJ ,van Laar HH , Matthews R. 1994. ORAZA1 ,An Eco2
physiological Model for Irrigation Rice Production. SARP Research
Proceedings. DLO Research Institute for Agrobiology and Soil Fer2
tility. Wageningen ,the Netherlands. 110pp .
31 　Labus MP ,Nielsen GA ,Lawrence RL . 2002. Wheat yield estimates
using multi2temporal NDVI satellite imagery. Int J Remot Sens ,
23 :4169～4180
32 　Launay M , Guerif M. 2001. Remote sensing data assimilation in a
sugar beet growth model as a tool for spatial crop development vari2
ability forecast and diagnosis. 8 th International Symposium“Physical
Measurements and Signatures in Remote Sensing ”. Aussois
( France) .
33 　Leblon B , Guerif M ,Baret F. 1991. The use of remotely sensed data
in estimation of PRA use efficiency and biomass production of
flooded rice. Remot Sens Envi ron ,38 :147～158
34 　Li X2W(李小文) ,Wang J2D (王锦地) , Hu B2X(胡宝新) , et al .
1998. The use of prior knowledge in remote sensing inversion. Sci
China (Series D) (中国科学·D 辑) ,28 (1) :67～72 (in Chinese)
35　Li X2W (李小文) , Yan G2J (阎广建) ,Liu Y (刘 　毅) , et al .
1997. Uncertainty and sensitivity matrix of parameters in inversion
of physical BRDF models. Chin J Remot Sens (遥感学报 ) , 1
(supp . ) :113～122 (in Chinese)
36 　Liu B2C(刘布春) ,Wang S2L (王石立) ,Ma Y2P (马玉平) . 2002.
Research advances of regional application of crop simulation model
out china. Meteorol Sci Tech (气象科技) , 30 ( 4) : 193～203 (in
Chinese)
37 　Liu Y2J (刘玉洁) , Yang Z2D (杨忠东) ,eds. 2001. Principium and
Algorithm of Remote Sensing Information Process in MODIS. Bei2
jing :Science Press. 232～260 (in Chinese)
38 　Loudjani P ,Delecolle R , Guerif M , et al . 1995. Combined use of
NOAA2AVHRR and SPOT2HRV data for the estimation of Euro2
pean crop yields on a regional scale. International Colloquium Photo2
synthesis and Remote Sensing. Montpellier ,France. 28～30 August
1995. EARSeL2ISPRS(Strasbourg : EARSeL) .
39 　Manjunath KR , Potdar MB , Purohit NL . 2002. Large area opera2
tional wheat yield model development and validation based on spec2
tral and meteorological data. Int J Remot Sens ,23 :3023～3038
40 　Mass SJ . 1988. Using satellite data to improve model estimates of
crop yield. A gron J ,80 :655～662
41 　Monteith JL . 1977. Climate and the efficiency of crop production in
Britain. Philosoph Trans Royal Soci L ondon ,B281 :277～294
42 　Moulin S ,Bondeau A ,Delecolle R. 1998. Combining agricultural crop
models and satellite observations :From field to regional scales. Int J Re2
mote Sens ,19 (6) :1021～1036
43 　Moulin S ,Fischer A ,Dedieu G , et al . 1995. Temporal variations in
satellite reflectances at field and regional scales compared with val2
ues simulated by linking crop growth ad SAIL models. Remot Sens
Envi ron ,54 :261～272
44 　Moulin S ,Launay M , Guerif M. 2001. The crop growth monitoring
at a regional scale based on the combination of remote sensing and
process2based models. International Symposium“Crop monitoring
and Prediction at Regional Scales”. February. Tsukuba (Japan) .
45 　Ouaidrari H ,Begue A , Imbernon J , et al . 1996. Extraction of the
pure spectral response of the landscape components in NOAA/
AVHRR mixed pixels : Application to the HAPEX2Sahel degree
square. Int J Remot Sens ,17 :2259～2280
46 　Pan X2B(潘学标) , Han X2L (韩湘玲) ,Shi Y2C (石元春) , et al .
1996. COTDROW : Cotton growth and development simulation
model. Acta Gossypii S in (棉花学报) , 8 ( 4) : 180～188 (in Chi2
nese)
47 　Penninning de Vries FWT ,eds. 1988. Trans. Wang F2T(王馥棠) ,
et al . 1988. Simulation of Plant Growth and Crop Production. Bei2
jing :Science Press. 10～45 (in Chinese)
48 　Penninning de Vries FWT ,Jansen DM , ten Berge HFM , et al .
1989. Simulation of ecophysiological processes of growth of several
annual crops. Simulation Monographs. Wageningen : Centre for A2
gricultural Publishing and Documentation ( Pudoc) .
49 　Puyou2Lascassies PH ,Flouzat G , Gay M , et al . 1994. Validation if
the use of multiple liner regression as a tool for unmixing coarse
spatial resolution image. Remot Sens Envi ron ,49 :155～166
50 　Qiu G2W(裘国旺) ,Wang F2T(王馥棠) . 1998. Numerical simula2
tion study on the potential impact of climate change on double crop2
ping of rice in the south of Yangtze river valley of china. J A ppl
Meteorol Sci (应用气象学报) ,9 (2) :151～159 (in Chinese)
51 　Rahman H. 2001. Influence of atmospheric correction on the esti2
mation of biophysical parameters of crop canopy using satellite re2
mote sensing. Int J Remot Sens ,22 :1245～1268
52 　Rastogi A , Kalra N ,Agarwal PK , et al . 2000. Estimation of wheat
leaf area index From IRS L ISS2Ⅲ data using Price model. Int J
Remot Sens ,21 :2943～2949
53 　Schluesel G ,Dickinson RE , Privette JL , et al . 1994. Modelling the
bidirectional reflectance distribution function of mixed finite plant
canopies and soil. J Geophy Res ,99 :10577～10600
54 　Seguin B ,Lagouarde J P , Aavane M. 1991. The assessment if re2
gional crop water conditions from meteorological satellite thermal
infrared data. Remot Sens Envi ron ,35 :141～148
55 　Shang Z2B(尚宗波) , Yang J2W(杨继武) , Yin H(殷 　红) . 2000.
0661 应 　用 　生 　态 　学 　报 　　　　　　　　　　　　　　　　　　15 卷
A physiological2ecological simulation model of maize growth. Acta
Bot S in (植物学报) ,42 (2) :184～194 (in Chinese)
56 　Shen S2Y(沈思渊) . 1990. Simulation and modelling of crop pro2
duction. Chin J A ppl Ecol (应用生态学报) , 1 (3) : 270～276 (in
Chinese)
57 　Stern AJ ,Doraiswamy PC ,Cook PW. 2001. Spring wheat classifica2
tion in an AVHRR image by signature extension from a landsat TM
classified image. Potogr Engin Remot Sens ,67 :207～211
58 　Stinmentz S , Guerif M ,Delecolle R , et al . 1990. Spectral estimates
of the absorbed photosynthetically active radiation and light2use ef2
ficiency of a winter wheat crop subjected to nitrogen and water defi2
ciencies. Int J Remot Sens ,11 :1797～1808
59 　Stol W , Rouse DI ,van Kraalingen DWG. 1992. FSEOPT a FOR2
TRAN program for calibration and uncertainty analysis of simula2
tion models. Simulation Report CABO2TT ,No. 24 ,CABO2DLO and
Agricultural University ,Wageningen. 24 pp .
60 　Strahler AH. 1997. Vegetation canopy reflectance modeling —Re2
cent developments and remote sensing perspectives. Remot Sens
Rev ,15 :179～194
61 　Supit I , Hoojier CA , et al . 1994. System description of the WOFOST
6. 0 crop simulation model implemented in CGMS. The Winand Starting
Centre for Intergrated Land. Soil and Water Research (SC2DLO) . Wa2
geningen ,The Netherlands. 144p
62 　Tang S2H(唐世浩) . 2001. Studies on Inverse Theories and Meth2
ods of Terrestrial Parameters in Remote Sensing. Ph. D. Disserta2
tion. Beijing :Beijing Normal University. (in Chinese)
63 　Tian Q2J (田庆久) ,Min X2J (闵祥军) . 1998. Advances in study on
vegetation indices. A dv Earth Sci (地球科学进展) ,13 (4) :327～
333 (in Chinese)
64 　Tucker CJ , Holben BN , Elgin J H , et al . 1981. Remote sensing of
total dry2matter accumulation in winter wheat . Remot Sens Envi2
ron ,11 :179～189
65 　Tucker CJ ,Vanpreat CL ,Sharman MJ , et al . 1985. Satellite remote
sensing of total herbaceous production in the Senegalese Sahel 1980
～1984. Remot Sens Envi ron ,17 :232～249
66 　Verhoef W. 1984. Light scattering by leaf layers with application to
canopy reflectance modeling : The SAIL model. Remot Sens Envi2
ron ,16 :125～141
67 　Verhoef W. 1996. Application of Harmonic Analysis of NDVI Time
Series( HAN TS) . In :Azzali S ,Menenti M ,eds. Fourier Analysis of
Temporal NDVI in the southern African and American Continents.
DLO Winand Staring Center ,Wageningen , The Nether Lands. Re2
port ,108 :19～24
68 　Wang F2T(王馥棠) , Wang S2L (王石立) ,Li Y2W (李友文) , et
al . 1990. On the evolution of yellowed leaves of spring wheat and
its simulative model. J A ppl Meteorol Sci (应用气象学报) ,1 (3) :
305～311 (in Chinese)
69 　Wang S2L (王石立) , Wang F2T (王馥棠) ,Li Y2W (李友文) , et
al . 1991. A study on simplified simulation model of the spring
wheat growth. J A ppl Meteorol Sci (应用气象学报) ,2 (3) :293～
299 (in Chinese)
70 　Wen G(温　刚) . 1999. Inversion of a bidirectional reflectance dis2
tribution function model of vegetation. Chin J Remot Sens (遥感学
报) ,3 (3) :176～182 (in Chinese)
71 　Xiao X ,He L ,Li C , et al . 2002. Quantitative relationships between
field2measured leaf area index and vegetation index derived from
vegetation images for paddy rice fields. Int J Remot Sens ,23 :3595
～3604
72 　Yan G2J (阎广建) , Wu J (吴 　均) , Wang J2D (王锦地) . 2002.
Spectral prior knowledge and its use in the rmote sensing based in2
version of vegetation structure. Chin J Remot Sens (遥感学报) ,6
(1) :1～6 (in Chinese)
73 　Yang J2P(杨京平) ,Wang Z2Q (王兆骞) . 1999. Crop growth simu2
lation model and its application. Chin J A ppl Ecol (应用生态学
报) ,10 (4) :501～505 (in Chinese)
74 　Zhang J2H(张佳华) ,Fu C2B(符淙斌) . 2002. Study response of e2
cological system on east Asian monsoon by LAI from remote sens2
ing inversion. A dv Nat Sci (自然科学进展) ,12 (10) :1098～1100
(in Chinese)
75 　Zhang R2H(张仁华) . 1996. Remote Sensing Model Based Ground
Experiment . Beijing :Science Press. 106～119 (in Chinese)
76 　Zhang Y(张　宇) , Wang S2L (王石立) , Wang F2T (王馥棠) , et
al . 2000. Research on the possible effects of climate change on
growth and yield of wheat in China. J A ppl Meteorol Sci (应用气
象学报) ,11 (3) :264～270 (in Chinese)
作者简介 　马玉平 ,男 ,1975 年出生 ,硕士生 ,主要从事遥感
和作物模拟模型的研究 ,发表论文 5 篇. Tel :010268409845 ;
E2mail :mayp @cams. cma. gov. cn
16619 期 　　　　　　　　　　　马玉平等 :利用遥感技术实现作物模拟模型区域应用的研究进展