基于遙感數(shù)據(jù)與作物模型結(jié)合的重慶市水稻估產(chǎn)方法

中圖分類號(hào)： S511;S127 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)： 1000-4440（2025）05-0893-12

Abstract：Riceisaprimaryfoodcrop globall，andaccurate predictionof itsyield isof greatsignificanceforfoodsecurityandagricultural resource management.ThisstudyusedtheORYZA（V3）crop modeland MODIS remote sensingdatato establisha rice yield estimation model for Chongqing.The main conclusions were as follows：thecrop parameters inthe model werecalibratedusingricestagedsowing experimentdata.Thecalibrationresultsshowed that thesimulationerorofthemodel for the growth period was less than 5% ，and the determination coefficients（ R² ）between the simulated and measured values of total aboveground biomass（ WAGT ）andpaniclebiomass （WSO）exceeded O.97o.The normalized root mean square error（nRMSE）waslessthan 22.0% ，whichimproved the applicability of the model in Chongqing.Through regressionanalysis of LAI and rice yield under multiple parametercombinations of the model，aregression model of LAI andriceyieldundertheoptimalcombinationdate（182nd dayof theyear，July1）was established.Basedon this，

the estimation of rice yield in Chongqing in 2O23 was completed with an average accuracy of 87% ，and the overall effect wasgood，especiallinthemainriceproducingareassuchasthewestern，central，andsoutheasternregions，wherethe accuracywas higher.Theresearch results confirm thatcombining crop models withremotesensing datacan efectively improve theaccuracyof regionalcrop yieldestimationand show great application prospects inthefieldofcropyield prediction.

Key words： rice；crop models；remote sensing yield estimation；data combination

水稻作為中國(guó)最重要的糧食作物之一，其播種面積和總產(chǎn)量分別占中國(guó)糧食作物總播種面積、總產(chǎn)量的 25% 和 31%^[1] ，因此水稻在保障中國(guó)糧食安全中占有極其重要的地位。在全球氣候變化、水資源短缺、人口持續(xù)增長(zhǎng)和農(nóng)業(yè)災(zāi)害頻發(fā)等多重挑戰(zhàn)下，獲取區(qū)域尺度上時(shí)空連續(xù)的水稻生長(zhǎng)動(dòng)態(tài)和產(chǎn)量估算信息可為指導(dǎo)農(nóng)業(yè)生產(chǎn)、制定糧食政策提供評(píng)估數(shù)據(jù)和科學(xué)依據(jù)，也可為明晰氣候變化與農(nóng)作物之間的交互作用、制定合理的水資源分配策略等提供重要的數(shù)據(jù)支撐[2]

遙感技術(shù)和作物模型是開展區(qū)域農(nóng)作物估產(chǎn)的前沿手段，已有眾多學(xué)者針對(duì)2種手段分別開展區(qū)域尺度的農(nóng)作物估產(chǎn)研究[3-8]。作物模型是在單點(diǎn)尺度上基于作物光合、呼吸、蒸騰等機(jī)理過程的動(dòng)態(tài)生長(zhǎng)模型，能對(duì)作物生長(zhǎng)及其與環(huán)境的相互影響進(jìn)行定量描述[9-10]，但在區(qū)域應(yīng)用上，獲取大面積的作物模型輸入?yún)?shù)較為困難，難以準(zhǔn)確表達(dá)區(qū)域尺度下農(nóng)作物生長(zhǎng)過程的空間差異[1]。遙感技術(shù)能提供大面積同步的周期性觀測(cè)，但易受陰雨等不良天氣的影響，存在一定的不確定性，且不具有機(jī)理性[12]。如何有機(jī)結(jié)合兩者的優(yōu)勢(shì)對(duì)區(qū)域尺度下時(shí)空連續(xù)、準(zhǔn)確的農(nóng)作物生長(zhǎng)過程監(jiān)測(cè)和單產(chǎn)估算具有重要意義。近年來(lái)，遙感數(shù)據(jù)與作物模型結(jié)合的產(chǎn)量預(yù)測(cè)研究成為熱點(diǎn)[13-18]。Lu等[19]構(gòu)建了一種作物模型和遙感數(shù)據(jù)相結(jié)合的深度學(xué)習(xí)方法，對(duì)水稻產(chǎn)量進(jìn)行估算，成功提高了水稻產(chǎn)量預(yù)測(cè)的準(zhǔn)確性；邢會(huì)敏等[20對(duì)冬小麥冠層覆蓋度、地上生物量和產(chǎn)量進(jìn)行計(jì)算，使用模擬退火算法、復(fù)合型混合演化算法和粒子群優(yōu)化算法3種同化算法進(jìn)行AquaCrop作物模型與農(nóng)業(yè)遙感的同化耦合，對(duì)比發(fā)現(xiàn)，3種同化算法均能有效模擬冬小麥的冠層覆蓋度、地上生物量和產(chǎn)量，其中，復(fù)合型混合演化算法無(wú)論在運(yùn)算效率還是同化結(jié)果的精度上均優(yōu)于粒子群優(yōu)化算法和模擬退火算法。然而，這類研究對(duì)作物模型的模擬精度和遙感的監(jiān)測(cè)精度有較高的依賴性，作物模型、遙感反演的不確定性以及數(shù)據(jù)融合的方法對(duì)結(jié)果的影響較大，不同地區(qū)生產(chǎn)條件和管理措施的差異對(duì)結(jié)果也有較大影響[21-24]，因此如何增強(qiáng)遙感數(shù)據(jù)和作物模型的區(qū)域適用性，還需進(jìn)一步研究。

重慶地區(qū)作為丘陵山地水稻種植的主產(chǎn)區(qū)之一，其復(fù)雜的地理環(huán)境為遙感研究帶來(lái)了不確定性，為解決這一難題，發(fā)展適用于復(fù)雜地形的遙感和作物模型結(jié)合方法顯得尤為重要[25]。ORYZA系列模型是由國(guó)際水稻研究所（Internationalriceresearchinstitute，IRRI）開發(fā)的基于水稻生長(zhǎng)過程的作物模型，基于輸入的氣象數(shù)據(jù)、田間管理數(shù)據(jù)以及作物參數(shù)，該模型可以模擬水稻生長(zhǎng)、發(fā)育過程以及最終單產(chǎn)水平，其模擬效果在不同地區(qū)和多種田間管理措施下得到了大量的檢驗(yàn)和應(yīng)用分析[26]，在水稻生長(zhǎng)發(fā)育及水稻葉面積等方面的模擬與預(yù)測(cè)具有較高的準(zhǔn)確性[27]。ORYZA（V3）模型是ORYZA2000 模型的更新版本，在ORYZA2000模型的基礎(chǔ)上提升了干旱、氮肥不足和不同灌溉措施對(duì)水稻生長(zhǎng)影響的定量評(píng)估。因此，本研究擬選取ORYZA（V3）模型，以重慶市水稻種植區(qū)為研究對(duì)象，結(jié)合水稻田間試驗(yàn)，開展重慶地區(qū)不同氣候條件和生產(chǎn)管理?xiàng)l件下的遙感數(shù)據(jù)與作物模型結(jié)合的水稻產(chǎn)量預(yù)測(cè)研究，提高作物模型與遙感數(shù)據(jù)在重慶地區(qū)的應(yīng)用能力，以期為該地區(qū)的水稻產(chǎn)量預(yù)測(cè)提供技術(shù)支撐。

材料與方法

1.1 研究區(qū)概況

重慶市位于中國(guó)西南部，長(zhǎng)江上游，青藏高原與長(zhǎng)江中下游平原的過渡地帶。全市地貌以中山、低山（占全市總面積的 75.9% ）和丘陵（占全市總面積的 17.0% ）為主，地貌類型組合特征和分布具有明顯的區(qū)域差異，山巒疊翠，氣候溫和，山地平均海拔1200m ，無(wú)嚴(yán)寒，春季氣溫回暖早。研究區(qū)域如圖1所示。

1.2 試驗(yàn)數(shù)據(jù)

1.2.1作物模型所需數(shù)據(jù)ORYZA（V3）模型運(yùn)行需要?dú)庀髷?shù)據(jù)、土壤參數(shù)、作物參數(shù)、管理數(shù)據(jù)等。ORYZA（V3）模型參數(shù)校正所使用田間試驗(yàn)數(shù)據(jù)來(lái)源于江津現(xiàn)代農(nóng)業(yè)氣象試驗(yàn)站2020-2022年的分期播種試驗(yàn)，試驗(yàn)種植品種為宜香優(yōu)2115，它是重慶市水稻代表品種。試驗(yàn)共設(shè)置4個(gè)播期，分別為2月20日3月2日3月12日和3月22日，在水稻種植過程中觀測(cè)水稻的生育期、生物量干重、生物量鮮重和單產(chǎn)等。模型校正中使用的觀測(cè)數(shù)據(jù)包括水稻種植田間管理信息（如施肥量、種植密度等）和水稻播種、移栽、孕穗、成熟的日期，以及不同生長(zhǎng)階段的葉面積指數(shù)（LAI）、葉干重、莖稈干重、穗干重和地上總干重；模型校正所需的氣象數(shù)據(jù)為江津區(qū)氣象臺(tái)站觀測(cè)的2020-2022年逐日氣象觀測(cè)數(shù)據(jù)，包括最高氣溫、最低氣溫、日照時(shí)數(shù)、降水量、相對(duì)濕度和風(fēng)速；為進(jìn)一步構(gòu)建估產(chǎn)模型，本研究用校正后的作物模型模擬結(jié)果代替實(shí)測(cè)數(shù)據(jù)，開展大量的作物模型模擬，共使用了重慶市10個(gè)氣象站點(diǎn)2013-2023年的逐日氣象數(shù)據(jù)、重慶市水稻種植管理數(shù)據(jù)等。

1.2.2 遙感數(shù)據(jù)

1.2.2.1水稻識(shí)別使用數(shù)據(jù)本研究使用的遙感數(shù)據(jù)源為通過美國(guó)宇航局研制的中分辨率成像光譜儀（MODIS）獲取的地表反射率產(chǎn)品MOD09A1，空間分辨率為 500m ，可提供可見光至短波紅外共7個(gè)波段的地表反射率信息，共獲取了2023年覆蓋重慶市的46景影像，并基于重慶市矢量邊界進(jìn)行空間范圍裁剪，得到水稻空間分布信息提取的輸入數(shù)據(jù)。1.2.2.2 LAI 數(shù)據(jù)產(chǎn)品本研究使用了美國(guó)宇航局研制的中分辨率成像光譜儀（MODIS）獲取的 LAI 數(shù)據(jù)產(chǎn)品MCD15A3H，空間分辨率為 500m ，共獲取了2023年覆蓋重慶市的92景影像，并基于重慶市矢量邊界進(jìn)行空間范圍裁剪。

1.3 研究方法

1.3.1作物模型參數(shù)校正方法 ORYZA（V3）模型中的絕大多數(shù)參數(shù)都是通過大量試驗(yàn)所得，具有普適性。但有一部分參數(shù)需要根據(jù)當(dāng)?shù)貙?shí)測(cè)數(shù)據(jù)來(lái)調(diào)整，這些參數(shù)可分為兩部分：（1）水稻發(fā)育速率參數(shù)，包括基本營(yíng)養(yǎng)階段發(fā)育速率、光敏感階段發(fā)育速率、穗形成階段發(fā)育速率和籽粒灌漿階段發(fā)育速率；（2）水稻生長(zhǎng)參數(shù)，包括比葉面積、干物質(zhì)分配系數(shù)、葉片相對(duì)生長(zhǎng)速率、葉片死亡速率、莖同化物轉(zhuǎn)移系數(shù)及最大穗粒重等。本研究使用2020-2022年第2個(gè)和第3個(gè)播期（即3月2日、3月12日）的水稻觀測(cè)數(shù)據(jù)和氣象數(shù)據(jù)作為ORYZA（V3）模型作物參數(shù)的校正數(shù)據(jù)，第1個(gè)和第4個(gè)播期（即2月20日、3月22日）的水稻觀測(cè)數(shù)據(jù)作為驗(yàn)證數(shù)據(jù)。

水稻發(fā)育速率參數(shù)通過作物模型自帶的DRATES模塊確定，共計(jì)得到6組（2020-2022年共3年，每年2個(gè)播期）參數(shù)，取其平均值作為最終參數(shù)；本研究使用的水稻生長(zhǎng)參數(shù)由作物模型自帶的AutoCalibration （v2.1） 模塊確定，該模塊根據(jù)實(shí)測(cè)數(shù)據(jù)對(duì)作物參數(shù)進(jìn)行校正。每個(gè)參數(shù)的取值范圍為其默認(rèn)值上下浮動(dòng) 30% 后的范圍（如穗生長(zhǎng)因子默認(rèn)值為64900，則其參數(shù)優(yōu)化的取值范圍為45430至84370），當(dāng)某一參數(shù)組合下模擬的穗生物量和地上總生物量與實(shí)測(cè)結(jié)果誤差［以歸一化均方根誤差（nRMSE）和決定系數(shù) （R²） ）衡量]最小時(shí)，則該參數(shù)組合為最優(yōu)參數(shù)組合。以上參數(shù)校正共使用3年2個(gè)播期的觀測(cè)數(shù)據(jù)，其中觀測(cè)數(shù)據(jù)包括水稻地上總生物量和穗生物量的數(shù)據(jù)，地上總生物量全生育期測(cè)量7次，穗生物量測(cè)量3次，共計(jì)60個(gè)觀測(cè)數(shù)據(jù)。1.3.2重慶市水稻空間分布信息提取方法開展重慶市水稻遙感長(zhǎng)勢(shì)監(jiān)測(cè)和估產(chǎn)的重要前提是獲取重慶市水稻種植的空間分布信息。本研究基于美國(guó)宇航局發(fā)射的中分辨率成像光譜儀（MODIS）獲取地表反射率信息，參考Xiao等[28]提出的水稻遙感識(shí)別方法，提取重慶市水稻空間分布信息。

1.3.2.1計(jì)算用于水稻空間分布信息提取的遙感指數(shù)所需遙感指數(shù)包括歸一化植被指數(shù)（NDVI）、增強(qiáng)型植被指數(shù)（EVI）和地表水分指數(shù)（LSWI）。其中NDVI和EV7與地表覆蓋的植被信息相關(guān)性較高，而LSWI與植被含水量或地表水分覆蓋信息相關(guān)性較高，3種遙感指數(shù)的計(jì)算公式如下：

式中， R，B，NIR 和SWIR分別代表紅光波段、藍(lán)光波段、近紅外波段和短波紅外波段的反射率。1.3.2.2水稻淹水信息提取水稻種植過程中的灌水過程是水稻區(qū)別于其他作物的重要特征，而識(shí)別水稻淹水信息也是水稻遙感識(shí)別的關(guān)鍵過程。本研究參考Xiao等[28]基于MODIS遙感影像提出的規(guī)則識(shí)別水稻淹水信息的提取方法，即當(dāng)水稻移栽期間滿足公式（4）的條件時(shí)該像元被判定為淹水像元。

淹水像元

1.3.2.3水稻識(shí)別及后處理針對(duì)每個(gè)MODIS像元，對(duì)水稻移栽期前后 30d 的MODIS時(shí)序數(shù)據(jù)識(shí)別淹水信息，當(dāng)淹水信息數(shù)量大于1時(shí)，則認(rèn)為該像元為潛在的水稻像元。隨后，對(duì)識(shí)別結(jié)果進(jìn)行后處理，將永久水體、自然植被、陡坡等背景剔除，具體規(guī)則如下：

① 永久水體：將NDVI小于O.1且NDVI小于LSWI的像元?jiǎng)澐譃榈乇砀菜荒曛械乇砀菜畷r(shí)間超過80d（即某像元在MODIS時(shí)間序列上存在10次以上被認(rèn)為覆水的情況），則被認(rèn)為是永久水體。

② 自然植被：當(dāng)某像元一年中NDVI高于0.7的時(shí)間超過160d（即在MODIS時(shí)間序列上存在20次以上NDVI大于0.7的情況），則被認(rèn)為是常綠森林；當(dāng)某像元不存在LSWI小于0.15的情況時(shí)，則被認(rèn)為是常綠灌木。

③ 陡坡：當(dāng)某地坡度大于 2^° 時(shí)則認(rèn)為該地區(qū)坡度較陡，不適合水稻種植。坡度由距離-多普勒地形校正方法和航天飛機(jī)雷達(dá)地形測(cè)量任務(wù)（STRM）的90m 數(shù)字高程模型（DEM）產(chǎn)品進(jìn)行坡度分析得到。1.3.3結(jié)合遙感數(shù)據(jù)和作物模型的水稻估產(chǎn)方法構(gòu)建本研究在參考以往研究的基礎(chǔ)上，構(gòu)建了一種耦合作物模型與遙感觀測(cè)的水稻單產(chǎn)估算方法，降低了區(qū)域尺度下開展農(nóng)作物估產(chǎn)的難度以及對(duì)實(shí)測(cè)數(shù)據(jù)的依賴性。

1.3.3.1水稻生長(zhǎng)模擬及單產(chǎn)預(yù)測(cè)模型構(gòu)建在以往的研究中，學(xué)者將特定時(shí)期的遙感植被指數(shù)或LAI 數(shù)據(jù)與單產(chǎn)進(jìn)行關(guān)聯(lián)，以用于農(nóng)作物估產(chǎn)，并取得了較高的精度[29]，但特定時(shí)期的選擇、地面觀測(cè)以及單產(chǎn)數(shù)據(jù)的獲取難度較大，而在缺乏觀測(cè)數(shù)據(jù)的條件下如何準(zhǔn)確預(yù)測(cè)作物單產(chǎn)是個(gè)難題。針對(duì)這個(gè)問題，本研究在參考以往研究結(jié)果[30]的基礎(chǔ)上，以O(shè)RYZA（V3）作物模型模擬結(jié)果代替實(shí)測(cè)數(shù)據(jù)，比較研究區(qū)內(nèi)的氣象、作物管理的差異，設(shè)置不同的氣象條件、作物管理的參數(shù)組合（表1），開展大量的作物模型模擬，以代表真實(shí)情況下的水稻生長(zhǎng)狀況。然后在此基礎(chǔ)上，以日為單位，探究在多種參數(shù)組合下，模型模擬的逐日 LAI 與單產(chǎn)之間的關(guān)系，并基于兩者相關(guān)性[使用決定系數(shù) （R² ）表示]最高的日期構(gòu)建線性回歸模型，以用于水稻單產(chǎn)預(yù)測(cè)。

1.3.3.2單產(chǎn)預(yù)測(cè)基于ORYZA（V3）模型模擬和回歸分析的結(jié)果，得到最優(yōu)回歸日期（即 LAI 與單產(chǎn)相關(guān)性最高的日期），將該日期對(duì)應(yīng)的回歸模型應(yīng)用于對(duì)應(yīng)日期的MODIS LAI 數(shù)據(jù)上，得到最終的水稻單產(chǎn)預(yù)測(cè)值。由于模型模擬的 LAI 與MODIS影像反演的 LAI 可能存在數(shù)值范圍的差異，因此在應(yīng)用回歸模型前對(duì)MODIS LAI 的數(shù)值進(jìn)行縮放，縮放系數(shù)（ratio）如下：

其中， LAI_model 表示作物模型模擬的葉面積指數(shù)，LAI_uoDIS 表示MODIS遙感影像反演的葉面積指數(shù)；date表示獲取特定日期的葉面積指數(shù)；∑表示對(duì)所有模擬結(jié)果或像元進(jìn)行求和； n_model 和 n_MODIS 分別表示模型模擬的葉面積指數(shù)結(jié)果的數(shù)量和水稻像元數(shù)。

2 結(jié)果與分析

2.1水稻空間分布信息提取結(jié)果

水稻空間分布信息提取結(jié)果如圖3所示，水稻總體上主要分布于重慶市西部和中部，其中水稻種植面積較廣的區(qū)（縣）包括合川區(qū)、江津區(qū)、永川區(qū)、涪陵區(qū)、榮昌區(qū)、大足區(qū)、潼南區(qū)、銅梁區(qū)、南川區(qū)、墊江縣、梁平區(qū)、忠縣、酉陽(yáng)土家族苗族自治縣、秀山土家族苗族自治縣等，空間分布結(jié)果與實(shí)際情況基本一致。

2.2作物模型校正結(jié)果

由DRATES程序獲取的水稻發(fā)育速率參數(shù)見表2，總體上水稻生育期模擬結(jié)果與實(shí)測(cè)日期之間的誤差小于 5% ，符合模擬應(yīng)用的需求。

由AutoCalibration（v2.1）模塊獲取了水稻作物參數(shù)，圖4是ORYZA（V3）模型的模擬結(jié)果與觀測(cè)數(shù)據(jù)之間的差異?？傮w上，模型模擬的水稻生物量與實(shí)測(cè)結(jié)果之間吻合度較高，與實(shí)際的水稻干物質(zhì)積累和分配過程較為一致，說明參數(shù)校正后ORYZA（V3）能夠較好地描述研究區(qū)水稻生長(zhǎng)的過程。進(jìn)一步開展定量分析，結(jié)果顯示，不同年份和不同播期下，ORYZA（V3）模型模擬的地上總生物量（WAGT）和穗生物量（WSO）與實(shí)測(cè)值之間的 R² 均在0.970以上，歸一化均方根誤差（nRMSE）低于 22.0% （表3）。其中WAGT的模擬值與實(shí)測(cè)值之間的 R² 為0.981～0.996 ，均值為0.989，其nRMSE為 8.6% ～21.6% ，均值為 13.7% ： WSO 的模擬值與實(shí)測(cè)值之間的 R² 為 10.971～0.999 ，均值為0.988，其 nRMSE 為6.1%～16.2% ，均值為 10.0% （表3、圖5～圖7）。以上結(jié)果表明，經(jīng)過參數(shù)校正后的ORYZA（V3）模型可以較好地模擬水稻生長(zhǎng)和單產(chǎn)的形成過程，使用該參數(shù)模擬重慶市水稻生長(zhǎng)狀態(tài)和單產(chǎn)的結(jié)果可信度較高。

2.3 最優(yōu)結(jié)合日期的確定

經(jīng)過對(duì)模型模擬的多參數(shù)組合下的 LAI 與單產(chǎn)的回歸分析，得到了不同日序下 LAI 與水稻單產(chǎn)之間相關(guān)性的分布圖（圖8）?？傮w上，兩者之間的相關(guān)性隨日序變化呈現(xiàn)先升高后降低的趨勢(shì)，其中相關(guān)性最高的日序?yàn)?82（7月1日），為水稻孕穗期，其 R² 達(dá)到0.33，而在水稻分蘗期和成熟期也有相對(duì)較高的相關(guān)性?；诘?82d的模擬 LAI 和模擬單產(chǎn)構(gòu)建回歸模型（圖9），模型可以表示為：

2.4水稻單產(chǎn)估算精度

根據(jù)前文建立的回歸模型，選取2023年觀測(cè)日期與最優(yōu)結(jié)合日期（日序182）最為接近的MO-DIS LAI 影像，并設(shè)置縮放系數(shù)為0.8，最終得到2023年重慶市水稻單產(chǎn)估算結(jié)果（圖10）。整體來(lái)看，全市水稻單產(chǎn)估算平均準(zhǔn)確率達(dá)到了 87% ，模擬效果較好，尤其是在重慶市西部、中部、東南部等水稻主產(chǎn)區(qū)，估算結(jié)果更加精確；東北部的部分區(qū)域水稻單產(chǎn)反演結(jié)果與實(shí)際情況存在一定偏差（圖11），可能是因?yàn)槭艿組ODIS LAI 產(chǎn)品精度的影響。此外，東北部氣候特征與其余地區(qū)相比存在較大差異，進(jìn)一步影響了估產(chǎn)模型的準(zhǔn)確性。為了進(jìn)一步提升遙感和作物模型結(jié)合的估產(chǎn)精細(xì)化水平，在未來(lái)的研究中需要結(jié)合更高分辨率的遙感數(shù)據(jù)和更準(zhǔn)確的地面實(shí)測(cè) LAI 數(shù)據(jù)，實(shí)現(xiàn)更精確的水稻單產(chǎn)估算。

黑色斜線為建立的單產(chǎn)與 LAI₁₈₂ （第182d的葉面積指數(shù)）的回歸模型。

3討論

本研究探究了一種結(jié)合ORYZA（V3）水稻生長(zhǎng)模型和遙感數(shù)據(jù)的估產(chǎn)方法，該方法在準(zhǔn)確性方面表現(xiàn)出較高的潛力，然而遙感信息與作物模型均會(huì)受到諸多因素的影響，比如作物模型的本地化應(yīng)用情況對(duì)大田試驗(yàn)數(shù)據(jù)具有較大的依賴性，調(diào)參算法有待進(jìn)一步優(yōu)化；重慶地區(qū)多陰雨天氣，而遙感數(shù)據(jù)受陰雨等氣候因素影響較大，給該地區(qū)水稻反演精度的提高帶來(lái)不利影響，加大了大面積水稻估產(chǎn)的難度。

未來(lái)的研究還需從多個(gè)方面進(jìn)一步深入：開展大量的大田試驗(yàn)以得到適用性更強(qiáng)的作物模型參數(shù)組合，結(jié)合不同作物模型的優(yōu)勢(shì)提高模型的本地化應(yīng)用能力：提高遙感數(shù)據(jù)的精度并加強(qiáng)對(duì)多個(gè)過程變量（如葉面積指數(shù)、光合有效輻射、蒸散量等）結(jié)合的研究，以增強(qiáng)遙感數(shù)據(jù)的應(yīng)用效果；遙感信息和作物模型的結(jié)合算法更是一大難點(diǎn)，在作物估產(chǎn)上具有較大的應(yīng)用潛力，有待深入研究。隨著近年來(lái)對(duì)地觀測(cè)技術(shù)的不斷發(fā)展，農(nóng)業(yè)生產(chǎn)對(duì)作物生長(zhǎng)動(dòng)態(tài)監(jiān)測(cè)的時(shí)空精細(xì)化需求日益迫切。在此背景下，多參數(shù)協(xié)同優(yōu)化、多源數(shù)據(jù)融合、多模型結(jié)合已成為深化作物模型與遙感結(jié)合研究的必然發(fā)展趨勢(shì)[31-32] 。

4結(jié)論

本研究針對(duì)重慶地區(qū)，將ORYZA（V3）作物生長(zhǎng)模型與遙感數(shù)據(jù)相結(jié)合，建立了區(qū)域水稻估產(chǎn)模

型，主要結(jié)論如下：

（1）水稻生長(zhǎng)信息提取?；贛ODIS數(shù)據(jù)完成了重慶市水稻生長(zhǎng)信息的提取，得到重慶市水稻種植分布，結(jié)果顯示，西部、中部、東南部為水稻主產(chǎn)區(qū)，與實(shí)際情況基本一致。

（2）作物模型參數(shù)調(diào)整。結(jié)合氣象數(shù)據(jù)、分期播種試驗(yàn)數(shù)據(jù)，對(duì)作物模型的作物參數(shù)進(jìn)行調(diào)整，使其能模擬重慶地區(qū)的水稻生長(zhǎng)發(fā)育過程，結(jié)果顯示：生育期模擬結(jié)果誤差小于 5% ；地上總生物量的模擬值與實(shí)測(cè)值之間的 R² 為 0.981～0.996 ，均值為0.988，其nRMSE為 8.6%～21.6% ，均值為 13.7% 穗生物量的模擬值與實(shí)測(cè)值之間的 R² 為 0.971～ 0.999，均值為0.988，其nRMSE為 6.1%～16.2% ，均值為 10.0% ，模擬結(jié)果具有較高的可信度。

（3）建立作物模型與遙感數(shù)據(jù)結(jié)合的估產(chǎn)方法。利用優(yōu)化后的作物模型，對(duì)模型多參數(shù)組合下的 LAI 與單產(chǎn)進(jìn)行回歸分析，建立了在最優(yōu)結(jié)合日期（日序182）下的 LAI 與水稻單產(chǎn)的回歸模型，據(jù)此完成全市2023年水稻單產(chǎn)估算，平均準(zhǔn)確率達(dá)到87% ，總體效果較好，尤其是對(duì)西部、中部、東南部等水稻主產(chǎn)區(qū)水稻單產(chǎn)估算的精度較高，東北部部分區(qū)域的水稻單產(chǎn)反演結(jié)果與實(shí)際情況存在一定差異。

參考文獻(xiàn)：

[1] 國(guó)家統(tǒng)計(jì)局.中國(guó)統(tǒng)計(jì)年鑒［M].北京：中國(guó)統(tǒng)計(jì)出版社， 2022.

[2] 張強(qiáng)，張戈麗，朱道林，等.1980-2018年中國(guó)水稻生產(chǎn)變化 的時(shí)空格局[J].資源科學(xué)，2022，44（1）：687-700.

[3] 王鵬新，齊璇，李俐，等.基于隨機(jī)森林回歸的玉米單產(chǎn)估 測(cè)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（7）：237-245.

[4] 吳炳方，張淼，曾紅偉，等.全球農(nóng)情遙感速報(bào)系統(tǒng)20年 [J].遙感學(xué)報(bào)，2019，23（6）：1053-1063.

[5] WUBF，MA Z H，YAN NN. Agricultural drought mitigating indicesderived from the changes in drought characteristics[J].RemoteSensing of Environment，2020，244：111813.

[6] LIUWH，LIZT，LIY，et al.Heterogeneous impacts of excessivewetness on maize yields in China：evidence from statistical yieldsand process-based cropmodels[J].Agricultural and Forest Meteorology，2022，327：109205.

[7]ZHANG Z T，SUN S，ZHANGFL，et al. Using estimated radiationin crop models amplified the negative impacts ofclimate variabilityonmaizeand winterwheatyieldsin China[J].Agricultural andForest Meteorology，2022，318：108914.

[8] CHENN，LIXY，SHIHB，etal.Modelingeffectsofbiodegradable film mulching on evapotranspiration and crop yieldsin Inner Mongolia[J].AgriculturalWaterManagement，2023，275：107996.

[9] JINXL，KUMARL，LIZH，etal.Areviewof data assimilation ofremote sensing and crop models[J].European Journal of Agronomy，2018，92：141-152.

[10]YUSX，ZHANGNY，KAISERE，et al. Integrating chlorophyll fluorescence parameters into a crop model improves growth predicuonunu uugnJ，ngruunuiai anu gy，2021，303：108367.

[11］趙龍才，李粉玲，常慶瑞.農(nóng)作物遙感識(shí)別與單產(chǎn)估算研究綜 述[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（2）：1-19.

[12］陳仲新，任建強(qiáng)，唐華俊，等.農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望 [J].遙感學(xué)報(bào)，2016，20（5）：748-767.

[13]DORIGO WA，ZURITA-MILLAR，DE WITAJW，et al.A review on reflective remote sensing and data assmilation techniques for enhanced agroecosystem modeling[J]. International Journal of Applied Earth Observation and Geoinformation，2007，9（2） ：165- 193.

[14]LI Y，ZHOU QG， ZHOU J，et al. Assimilating remote sensing information into a coupled hydrology-crop growth model to estimate regional maizeyieldinarid regions[J].Ecological Modelling， 2014，291：15-27.

[15]ZHANG L，GUO C L，ZHAO L Y，et al. Estimating wheat yield by integrating the WheatGrow and PROSAIL models[J].Field Crops Research，2016，192：55-66.

[16］錢鳳魁，王化軍，王祥國(guó)，等.基于WOFOST模型與遙感數(shù)據(jù)同 化的縣級(jí)尺度玉米估產(chǎn)研究[J].沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2024，55 （2）：138-152.

[17］WANGD，STRUIKPC，LIANGL，etal.Developing remote sensing- and crop model-based methods to optimize nitrogen management in rice fields[J]. Computersand Electronics in Agriculture，2024，220：108899.

[18］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.

[19]LUJ，LIJ，F(xiàn)UHK，et al.Estimation of rice yield using multisource remote sensing data combined with crop growth model and deep learning algorithm[J].Agriculturaland Forest Meteorology， 2025，370：110600.

[20］邢會(huì)敏，李振海，徐新剛，等.基于遙感和 AquaCrop 作物模型 的多同化算法比較[J].農(nóng)業(yè)工程學(xué)報(bào)，2017，33（13）：183- 192.

[21]XIEY，WANGPX，BAI XJ，et al.Assimilation of the leaf area index and vegetation temperature condition index for winter wheat yield estimation using Landsat imagery and the CERES-Wheat model[J].Agricultural and Forest Meteorology，2017，246：194- 206.

[22] DE WIT A，DUVEILLER G，DEFOURNY P. Estimating regional winter wheat yield with WOFOST through the assimilation of green area index retrieved from MODIS observations[J].Agricultural and Forest Meteorology，2012，164：39-52.

[23]ZILIANI MG，ALTAF M U，ARAGON B，et al. Early season predictionofwithin-field cropyield variabilitybyassimilating CubeSat data into a crop model[J].Agricultural and Forest Meteorology，2022，313：108736.

[24]WU SR，YANGP，RENJQ，et al.Regional winter wheat yield estimation based on the WOFOST model and a novel VW4DEnSRF assimilationalgorithm[J].Remote Sensing of Environment，2021，255：112276.

[25]ZHENG JH，ZHANG S. Improving rice phenology simulations based on the Bayesian model averaging method［J].European Journal ofAgronomy，2023，142：126646.

[26]YUQN，CUI YL，LIULG.Assessment of the parameter sensitivity for theORYZA model at theregional scale-A case studyin theYangtzeRiver Basin[J].Environmental Modellingamp; Software， 2023，159：105575.

[27]YOUNGMDB，GOWINGJW，WYSEUREGCL，etal.Parchedthirst：developmentandvalidationofaprocess-basedmodelofrainwaterharvesting[J].Agricultural Water Management，20O2，55（2）：121- 140.

[28]XIAO XM，BOLESS，LIUJY，et al.Mapping paddy rice agriculture in Southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment，2005，95（4）：480-492.

[29]CLEVERSJGPW.A simplified approach foryield prediction of sugarbeet based on optical remote sensingdata[J].Remote SensingofEnvironment，1997，61（2）：221-228.

[30]LOBELLDB，THAUD，SEIFERTC，etal.Ascalablesatellitebased crop yield mapper[J].Remote Sensing of Environment， 2015，164：324-333.

[31]MARTREP，WALLACHD，ASSENGS，etal.Multimodel ensembles of wheat growth：many models are better than one[J]. Global Change Biology，2015，21（2）：911-925.

[32]RUANEAC，HUDSONNI，ASSENGS，et al.Multi-wheat-modelensembleresponsestointerannualclimatevariability[J].Environmental Modellingamp; Software，2016，81：86-101.

（責(zé)任編輯：陳海霞）