遙感與作物生長(zhǎng)模型數(shù)據(jù)同化在水稻上的應(yīng)用進(jìn)展

宋麗娟 葉萬(wàn)軍 陸忠軍 付斌 辛蕊 黃楠 王美璇 畢洪文*

（1 黑龍江省農(nóng)業(yè)科學(xué)院農(nóng)業(yè)遙感與信息研究所，哈爾濱150086；2 黑龍江省農(nóng)業(yè)科學(xué)院園藝分院，哈爾濱150069；3 黑龍江省農(nóng)業(yè)科學(xué)院，哈爾濱150086；第一作者：songlijuan-2007@163.com ；*通訊作者：bhw01@126.com）

水稻是世界上三大主糧作物之一，中國(guó)是水稻的生產(chǎn)和消費(fèi)大國(guó)，水稻種植面積僅次于印度，但稻谷總產(chǎn)量卻居世界首位，在確保國(guó)家糧食安全中作用巨大。2019 中國(guó)農(nóng)作物播種總面積為16 593.07 萬(wàn)hm2，糧食作物播種面積達(dá)到11 703.82 萬(wàn)hm2，而水稻播種面積為2 966.67 萬(wàn)hm2，水稻種植面積占農(nóng)作物總面積的17.88%，占糧食作物總播種面積的26.56%；稻谷總產(chǎn)量為20 961 萬(wàn)t，占糧食總產(chǎn)量的31.57%。遙感和作物生長(zhǎng)模型在農(nóng)業(yè)資源監(jiān)測(cè)、作物產(chǎn)量預(yù)測(cè)等方面發(fā)揮著不可替代的重要作用。遙感監(jiān)測(cè)是獲取大面積地表信息的最有效手段，作物生長(zhǎng)模型是在機(jī)理層面對(duì)作物產(chǎn)量進(jìn)行建模，可以實(shí)現(xiàn)單點(diǎn)尺度作物生長(zhǎng)發(fā)育的動(dòng)態(tài)模擬，但兩者各有優(yōu)缺點(diǎn)。而遙感信息和作物生長(zhǎng)模型的數(shù)據(jù)同化可以有效結(jié)合兩者的優(yōu)勢(shì)，實(shí)現(xiàn)大尺度、高精準(zhǔn)的農(nóng)業(yè)監(jiān)測(cè)與預(yù)報(bào)。隨著社會(huì)政治經(jīng)濟(jì)格局翻天覆地的變化以及極端氣候頻發(fā)，越來(lái)越需要及時(shí)準(zhǔn)確地掌握我國(guó)乃至全球水稻種植主產(chǎn)區(qū)水稻的生長(zhǎng)狀況并提早估測(cè)水稻產(chǎn)量，以應(yīng)對(duì)復(fù)雜多變的世界環(huán)境，為我國(guó)水稻貿(mào)易提供決策服務(wù)，同時(shí)對(duì)我國(guó)水稻農(nóng)業(yè)政策的制定和價(jià)格的宏觀調(diào)控具有重要的指導(dǎo)意義。

1 作物生長(zhǎng)模型研究進(jìn)展

隨著計(jì)算機(jī)技術(shù)的迅猛發(fā)展，農(nóng)作物的生長(zhǎng)模擬模型已被廣泛用于預(yù)測(cè)農(nóng)作物的生長(zhǎng)狀態(tài)和估測(cè)農(nóng)作物的產(chǎn)量[1]。主要有荷蘭的Wageningen 模型（de Wit 學(xué)派）、美國(guó)DSSAT 系列模型和GOSSYM 模型、澳大利亞APSIM 模型、中國(guó)CCSODS 系列模型[2]，具體見(jiàn)表1。這些模型都需要輸入大量的參數(shù)，分析農(nóng)作物生長(zhǎng)和環(huán)境因子（太陽(yáng)輻射、溫度、水分供應(yīng)、土壤養(yǎng)分營(yíng)養(yǎng)供給等）的關(guān)系、計(jì)算農(nóng)作物生長(zhǎng)發(fā)育的速度，從而模擬農(nóng)作物整個(gè)生育時(shí)期的一系列的生理生化過(guò)程（從播種到成熟期的光合作用、呼吸作用、蒸騰速率、營(yíng)養(yǎng)分配等）和生物量的累積，進(jìn)而估算農(nóng)作物的生理物理參數(shù)（例如LAI）和預(yù)測(cè)產(chǎn)量。但是模型模擬僅能代表取樣點(diǎn)作物的生長(zhǎng)狀況，在不同的種植區(qū)域、不同的氣候條件和土壤類型，要想確保作物模型的模擬精度，就需要提供更多的模型參數(shù)。然而有些模型參數(shù)隨著作物的生長(zhǎng)很難獲取，比如突發(fā)的自然災(zāi)害等會(huì)限制作物模型的使用和應(yīng)用，并且降低預(yù)測(cè)的精準(zhǔn)度。

國(guó)內(nèi)外的水稻作物模型大致可以分成兩大類（見(jiàn)表2）[3]：一是水稻模擬模型，即輸入大量的參數(shù)來(lái)模擬水稻的生長(zhǎng)發(fā)育、光合作用、干物質(zhì)積累、產(chǎn)量形成等過(guò)程。目前多數(shù)的水稻模型都屬于這一類，如國(guó)際水稻研究所與荷蘭聯(lián)合研發(fā)的ORYZA 系列水稻模型，美國(guó)CERES-Rice 模型，日本崛江武（T.Horie）水稻模型，中國(guó)黃策、王天澤水稻模型，中國(guó)駱世明RSM 水稻模型，中國(guó)RICAM 模型（水稻生長(zhǎng)日歷模擬模型），RiceGrow模型。這類模型對(duì)于揭示水稻生長(zhǎng)發(fā)育的規(guī)律是有積極貢獻(xiàn)的，對(duì)于估算在不同環(huán)境條件下水稻的生產(chǎn)潛力也很有幫助，但直接應(yīng)用于指導(dǎo)水稻生產(chǎn)相對(duì)比較困難。二是將水稻模擬模型與優(yōu)化模型相結(jié)合進(jìn)行各種水稻栽培決策的模型，也稱為水稻模擬優(yōu)化決策模型，比如中國(guó)的RCSODS 模型。這類水稻模型可以直接指導(dǎo)水稻生產(chǎn)。

表1 國(guó)內(nèi)外主要農(nóng)作物生長(zhǎng)模型介紹

表2 國(guó)內(nèi)外主要水稻生長(zhǎng)模型介紹

2 衛(wèi)星遙感研究進(jìn)展

隨著衛(wèi)星遙感技術(shù)的迅猛發(fā)展，其在農(nóng)業(yè)上的應(yīng)用越來(lái)越廣泛，主要包括作物種植面積監(jiān)測(cè)、作物長(zhǎng)勢(shì)監(jiān)測(cè)、作物產(chǎn)量估算、土壤墑情估算、作物病蟲(chóng)害監(jiān)測(cè)與預(yù)報(bào)等。衛(wèi)星遙感影像可以間接地反映地上部生物量（BM）、葉面積指數(shù)（LAI）、土壤水分含量（SM）、蒸散發(fā)量（ET）等作物模型需要的參數(shù)，并能夠客觀、準(zhǔn)確、及時(shí)地提供農(nóng)作物時(shí)空分布信息，在大中區(qū)域尺度的農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量預(yù)測(cè)上具有顯著優(yōu)勢(shì)[1]。然而，農(nóng)作物的生長(zhǎng)和最終的產(chǎn)量易受環(huán)境、品種、地域、田間管理措施等諸多因素的影響，并且是一個(gè)長(zhǎng)期和動(dòng)態(tài)變化的過(guò)程，衛(wèi)星遙感信息反映的是過(guò)境當(dāng)日地表或農(nóng)作物冠層的瞬時(shí)物理狀況，因使用的衛(wèi)星不同、過(guò)境時(shí)間間隔不同，以及過(guò)境時(shí)天氣的云量多少都會(huì)影響瞬間地表信息，衛(wèi)星遙感既不能從作物生長(zhǎng)發(fā)育的機(jī)理層面上揭示作物生長(zhǎng)發(fā)育和產(chǎn)量形成的內(nèi)在關(guān)系，也不能揭示作物生長(zhǎng)發(fā)育狀況與環(huán)境和氣候因素間的關(guān)系。因此，將農(nóng)業(yè)遙感與作物模型有機(jī)結(jié)合起來(lái)，發(fā)揮各自的優(yōu)勢(shì)，彌補(bǔ)對(duì)方的缺點(diǎn)，通過(guò)數(shù)據(jù)同化算法提高作物估產(chǎn)精確度。常見(jiàn)的衛(wèi)星主要有Landsat 8 等，具體見(jiàn)表3。

表3 國(guó)內(nèi)外常見(jiàn)衛(wèi)星介紹

3 數(shù)據(jù)同化研究進(jìn)展

數(shù)據(jù)同化的研究思想是1969 年由CHARNEY 等提出來(lái)的，將各類多源的時(shí)空不完整的觀測(cè)數(shù)據(jù)添加到作物生長(zhǎng)模型中，能更加準(zhǔn)確地估計(jì)作物生長(zhǎng)過(guò)程的不同狀態(tài)變量，因此被逐漸地應(yīng)用到各個(gè)領(lǐng)域[4]。數(shù)據(jù)同化系統(tǒng)包含動(dòng)態(tài)模型、觀測(cè)數(shù)據(jù)、同化算法等3 個(gè)基本組成部分。

動(dòng)態(tài)模型即上述“作物生長(zhǎng)模型研究進(jìn)展”中討論的基本模型，根據(jù)用途和要解決的問(wèn)題選擇相應(yīng)的模型；觀測(cè)數(shù)據(jù)主要是遙感和地面實(shí)驗(yàn)數(shù)據(jù)；整個(gè)系統(tǒng)的運(yùn)行效率和精度受同化算法性能的直接影響，主要包括基于代價(jià)函數(shù)的參數(shù)優(yōu)化方法和基于估計(jì)理論的集合濾波方法[4]。參數(shù)優(yōu)化法的核心是代價(jià)函數(shù)，主要是用迭代來(lái)調(diào)整常規(guī)方式難以獲得的參數(shù)或初始條件，最小化遙感觀測(cè)值與模型模擬值間差異，優(yōu)化作物模型。影響該方法的因素主要是同化變量、優(yōu)化算法和目標(biāo)函數(shù)形式。優(yōu)化算法主要包括單純型搜索算法、最大似然法、復(fù)合型混合演化算法、遺傳算法、Powell 共軛方向法、模擬退火法、粒子群算法等；代價(jià)函數(shù)主要包括最小二乘法、三維變分、四維變分、均方根誤差等。濾波算法又稱順序同化法，核心是融合不同分辨率的遙感觀測(cè)信息，依靠外部觀測(cè)而自動(dòng)調(diào)整模型軌跡，最終減小誤差?？梢詴r(shí)刻更新最優(yōu)預(yù)報(bào)值，進(jìn)行實(shí)時(shí)模擬。優(yōu)化算法主要包括擴(kuò)展卡爾曼濾波、集合卡爾曼濾波、粒子濾波等。

最小分辨率、遙感參數(shù)反演的不確定性、作物生長(zhǎng)模型的不確定性、數(shù)據(jù)同化策略及參數(shù)結(jié)合點(diǎn)、尺度效應(yīng)及轉(zhuǎn)換模型等是影響同化精度的主要因素。最小分辨率的大小選擇主要取決于作物模型輸入?yún)?shù)、要解決的應(yīng)用問(wèn)題和遙感反演參數(shù)的時(shí)空分辨率。最小分辨率越小，空間差異性就越顯著，最小分辨率減小到一定程度，精度的提高將會(huì)飽和。在最小分辨率的選擇上要充分考慮農(nóng)田地塊大小。遙感參數(shù)反演的不確定性：有研究表明，MODIS LAI 產(chǎn)品對(duì)農(nóng)作物葉面積指數(shù)（LAI）低估約33%～50%[5-6]。作物生長(zhǎng)模型的不確定性主要來(lái)源于模型的結(jié)構(gòu)、氣象驅(qū)動(dòng)數(shù)據(jù)和模型的參數(shù)。模型不能對(duì)作物光合作用、肥料營(yíng)養(yǎng)和水分變化等進(jìn)行準(zhǔn)確定量的描述，是模型不確定性的主要體現(xiàn)，同時(shí)模型也不能反映病蟲(chóng)害、極端災(zāi)害天氣的變化、漬災(zāi)等減產(chǎn)因素的影響，隨著地域條件的變化，模型中部分初始田間管理?xiàng)l件和參數(shù)很難直接獲取，而是在一些特定的模型結(jié)構(gòu)中找到一組最優(yōu)參數(shù)來(lái)代替，上述因素影響了模型的輸出結(jié)果和模擬效果。氣象數(shù)據(jù)需要使用插值法等方法得到區(qū)域范圍內(nèi)的氣象數(shù)據(jù)，由于降水和風(fēng)速等非連續(xù)宏觀現(xiàn)象的空間分布是不均勻的，所以在使用插值法時(shí)其可靠性存在廣泛爭(zhēng)議[4]。數(shù)據(jù)同化策略上順序?yàn)V波和參數(shù)優(yōu)化方法各有千秋，順序?yàn)V波同化效率較高，且可實(shí)現(xiàn)實(shí)時(shí)預(yù)測(cè)，但容易引起“物候漂移”，因而只能選擇站點(diǎn)尺度數(shù)據(jù)進(jìn)行修正，限制了順序?yàn)V波的區(qū)域化應(yīng)用。參數(shù)優(yōu)化方法不存在“物候漂移”現(xiàn)象，但需要大量迭代計(jì)算搜索最優(yōu)參數(shù)集合，計(jì)算效率是優(yōu)化方法的主要瓶頸，迭代需要時(shí)間長(zhǎng)，不能實(shí)時(shí)預(yù)報(bào)。尺度效應(yīng)指遙感反演參數(shù)的區(qū)域尺度和作物模型模擬的參數(shù)的單點(diǎn)尺度獲取的葉面積指數(shù)（LAI）、蒸散發(fā)量（ET）、土壤水分（SM）和地上部生物量（AGB）等之間的差異以及不匹配及空間尺度轉(zhuǎn)換的問(wèn)題。

表4 國(guó)內(nèi)水稻遙感與作物模型同化研究情況

4 遙感與作物模型數(shù)據(jù)同化在水稻上的研究進(jìn)展

以“水稻+數(shù)據(jù)同化”為主題詞在中國(guó)知網(wǎng)（http://www.cnki.net/）進(jìn)行文獻(xiàn)檢索，共檢索出23 篇文獻(xiàn)，經(jīng)人工識(shí)別獲得有效文獻(xiàn)19 篇。知網(wǎng)數(shù)據(jù)中顯示，在水稻領(lǐng)域開(kāi)展遙感與作物模型數(shù)據(jù)同化方面較早的中文文獻(xiàn)是由南京農(nóng)業(yè)大學(xué)曹衛(wèi)星團(tuán)隊(duì)2009 年發(fā)表的，隨后研究機(jī)構(gòu)逐漸增多，中國(guó)地質(zhì)大學(xué)劉湘南團(tuán)隊(duì)在國(guó)內(nèi)發(fā)文最多。國(guó)內(nèi)研究區(qū)域包括湖南、浙江、江蘇、吉林等省，應(yīng)用目標(biāo)涉及水稻重金屬污染監(jiān)測(cè)、水稻長(zhǎng)勢(shì)監(jiān)測(cè)、產(chǎn)量估計(jì)等3 個(gè)領(lǐng)域。選用的作物生長(zhǎng)模型有WOFOST、Rice Grow、ORYZA 2000；遙感數(shù)據(jù)主要來(lái)源于 GF -1、HJ -1A/B、Landsat -8、MODIS、Radarsat -2、ASAR；數(shù)據(jù)同化算法包括POS、SA、SCE；數(shù)據(jù)同化變量包括LAI、BM、LAN（具體見(jiàn)表4）。綜上所述，遙感與作物生長(zhǎng)模型的數(shù)據(jù)同化研究結(jié)果表明，MODIS 衛(wèi)星遙感數(shù)據(jù)是大區(qū)域同化應(yīng)用的主要衛(wèi)星遙感數(shù)據(jù)，Landsat TM 衛(wèi)星遙感數(shù)據(jù)是中等區(qū)域尺度應(yīng)用的主要衛(wèi)星遙感數(shù)據(jù)；作物模型以WOFOST 使用最為廣泛，而Rice Grow 是我國(guó)自主研發(fā)的水稻生長(zhǎng)模型；LAI 是遙感與作物模型同化中最常用的同化變量。

5 遙感與作物生長(zhǎng)模型數(shù)據(jù)同化在水稻產(chǎn)量估測(cè)典型案例分析

以陳勁松等[1]利用國(guó)產(chǎn)環(huán)境衛(wèi)星HJ-1A/B 數(shù)據(jù)與WOFOST 作物模型相結(jié)合，運(yùn)用SCE 數(shù)據(jù)同化方法對(duì)廣東臺(tái)山水稻種植區(qū)進(jìn)行產(chǎn)量估算，充分利用了遙感數(shù)據(jù)的低成本、大面積、宏觀全面和作物模型強(qiáng)機(jī)理性優(yōu)勢(shì)，解決了早期遙感估產(chǎn)采用的通過(guò)單個(gè)生育期光譜指數(shù)和產(chǎn)量進(jìn)行直接統(tǒng)計(jì)回歸分析而造成估測(cè)精度低的問(wèn)題。將遙感反映的水稻實(shí)時(shí)動(dòng)態(tài)信息帶入到作物生長(zhǎng)模型中，可以使模型模擬的過(guò)程更加符合水稻生長(zhǎng)的實(shí)際情況，進(jìn)而提高了水稻估產(chǎn)的精度，研究結(jié)果表明修正后的模型估產(chǎn)精度誤差從64 g/m2減少到35 g/m2，估產(chǎn)精度增幅為45%。國(guó)產(chǎn)環(huán)境衛(wèi)星HJ-1A/B提供的主要是光譜數(shù)據(jù)，易受水稻種植區(qū)云雨天氣的影響，如何利用微波遙感數(shù)據(jù)和光學(xué)遙感數(shù)據(jù)結(jié)合反演水稻生理參數(shù)是今后的研究重點(diǎn)，同時(shí)數(shù)據(jù)同化過(guò)程需要時(shí)間，算法上仍需進(jìn)一步提高。王晶[11]利用環(huán)境衛(wèi)星HJ-1A/B、美國(guó)陸地衛(wèi)星landsat-8 和資源一號(hào)衛(wèi)星AY1-02C 與WOFOST 作物模型結(jié)合運(yùn)用卡爾曼濾波數(shù)據(jù)同化算法對(duì)浙江省德清縣水稻進(jìn)行產(chǎn)量估測(cè)，研究結(jié)果表明，選用10 天LAI 遙感反演信息進(jìn)行區(qū)域水稻產(chǎn)量估測(cè)，地面觀測(cè)樣點(diǎn)產(chǎn)量實(shí)測(cè)值與同化模擬值達(dá)到極顯著水平，引用遙感信息后模型可以克服單一生態(tài)點(diǎn)的局限，進(jìn)行區(qū)域尺度的產(chǎn)量預(yù)測(cè)，為完善栽培管理規(guī)劃農(nóng)業(yè)生產(chǎn)功能區(qū)提供更多信息。

6 遙感與作物生長(zhǎng)模型數(shù)據(jù)同化存在的問(wèn)題

遙感信息與作物生長(zhǎng)模型結(jié)合是學(xué)科的交叉融合，互相取長(zhǎng)補(bǔ)短。該方法是近期提出的，在國(guó)際上仍屬于新興研究課題，研究結(jié)果較分散，可比性不強(qiáng)，成熟統(tǒng)一的結(jié)論不多。主要基于LAI 變量上進(jìn)行同化，大多基于自行試驗(yàn)獲得的地面光譜測(cè)量數(shù)據(jù)和航攝數(shù)據(jù)為主，對(duì)于模型的復(fù)雜性考慮較少，耦合也較為簡(jiǎn)單，同時(shí)同化算法研究還較少，研究深度和廣度還有待于進(jìn)一步提高。

7 遙感與作物生長(zhǎng)模型數(shù)據(jù)同化研究方向

隨著衛(wèi)星遙感與作物生長(zhǎng)模型在數(shù)據(jù)同化方面研究的深入，作物模型、數(shù)據(jù)和同化算法上也將逐漸完善。數(shù)據(jù)同化技術(shù)在農(nóng)業(yè)上應(yīng)用時(shí)要充分考慮時(shí)間和空間的現(xiàn)實(shí)需求，數(shù)據(jù)同化研究趨勢(shì)在同化變量上從單參數(shù)向多參數(shù)轉(zhuǎn)變；在數(shù)據(jù)來(lái)源上從單一遙感數(shù)據(jù)源向多數(shù)據(jù)源轉(zhuǎn)變；在應(yīng)用方向上從監(jiān)測(cè)向預(yù)測(cè)轉(zhuǎn)變；在模型選擇上從單一作物模型向多作物模型耦合轉(zhuǎn)變；在運(yùn)行方式上從單機(jī)同化模式向高性能并行計(jì)算模式轉(zhuǎn)變。然而農(nóng)業(yè)系統(tǒng)的復(fù)雜性導(dǎo)致了遙感和作物生長(zhǎng)模型同化的較大不確定性，如何能更精確地描述大區(qū)域尺度作物生長(zhǎng)的狀態(tài)，需要通過(guò)優(yōu)化模型參數(shù)、數(shù)據(jù)同化算法和定量遙感反演等關(guān)鍵技術(shù)的共同發(fā)展和進(jìn)步，從而進(jìn)一步提高數(shù)據(jù)同化系統(tǒng)的精準(zhǔn)度。同時(shí)多參數(shù)的協(xié)同、多數(shù)據(jù)的融合、動(dòng)態(tài)的預(yù)測(cè)以及多模型的耦合是今后農(nóng)業(yè)遙感與作物生長(zhǎng)模型數(shù)據(jù)同化系統(tǒng)的必然發(fā)展趨勢(shì)和研究重點(diǎn)[24-25]。