遥感与作物生长模型数据同化在水稻上的应用进展

doi:10.3969/j.issn.1006-8082.2020.05.019

摘要/Abstract

摘要： 遥感和作物生长模型在农业资源监测、作物产量预测等方面发挥着重要作用。遥感监测是获取大面积地表信息的最有效手段，作物生长模型则是在机理层面上对作物产量进行建模，可以实现单点尺度作物生长发育的动态模拟。但两者各有优缺点，而遥感信息和作物生长模型的数据同化可以有效结合两者的优势，实现大尺度、高精准的农业监测与预报。运用文献分析法从作物生长模型、卫星遥感、数据同化研究进展、遥感与作物模型数据同化在水稻上的研究进展，以及遥感与作物生长模型数据同化研究趋势等方面进行了概述。为今后开展水稻遥感与作物生长模型同化研究提供思路，为农作物长势监测和产量预测提供技术支持。

关键词: 水稻, 遥感, 作物生长模型, 数据同化

Abstract: Remote sensing and crop growth models play an irreplaceable role in agricultural resource monitoring and crop yield prediction. Remote sensing monitoring is the most effective method to obtain large-area surface information. The crop growth models model crop yield at the mechanism level, which could realize dynamic simulation of crop growth at a single point scale. But the two have their own advantages and disadvantages, and the assimilation of remote sensing information and crop growth models could effectively combine their respective advantages to achieve large-scale and high-precision agricultural monitoring and forecasting. This article summarized the research progress of crop growth models, satellite remote sensing, data assimilation, remote sensing and crop model data assimilation on rice, and research trends of remote sensing and crop growth model data assimilation. To provide ideas for the future research on rice remote sensing and crop growth model assimilation, and to provide technical support for crop growth monitoring and yield budget.

Key words: rice, remote sensing, crop growth models, data assimilation

中图分类号:

S511

宋丽娟1,叶万军2,陆忠军1,付斌1,辛蕊1,黄楠1,王美璇3,毕洪文1* . 遥感与作物生长模型数据同化在水稻上的应用进展[J]. 中国稻米, DOI: 10.3969/j.issn.1006-8082.2020.05.019 .

参考文献

[1] 陈劲松，黄健熙，林珲，等. 基于遥感信息和作物生长模型同化的水稻估产方法研究[J]. 中国科学：信息科学，2010，40（suppl1）：177-187. [2] 林忠辉，莫兴国，项月琴. 作物生长模型研究综述[J]. 作物学报，2003，29（5）：750-758. [3] 高亮之，金之庆，黄耀，等. 农业模型学[M]. 北京：气象出版社，2019. [4] 黄剑熙，黄海，马鸿元，等. 遥感与作物生长模型数据同化应用综述[J]. 农业工程学报，2018，34（11）：144-156. [5] 杨飞，孙九林，张柏，等. 基于PROSAIL模型及TM与实测数据的MODIS LAI精度评价[J]. 农业工程学报，2010，26（4）：192-197. [6] 付立哲，屈永华，王锦地. MODIS LAI产品真实性检验与偏差分析[J]. 遥感学报，2017，21（2）：206-217. [7] 王敏. 基于GF-1与HJ-1数据的水稻重金属胁迫监测最优尺度研究[D]. 武汉：中国地质大学， 2018. [8] 金铭. 水稻重金属胁迫生理功能变化遥感分析方法研究[D]. 武汉：中国地质大学，2017. [9] 刘明. 基于监测指标和同化策略优化的水稻重金属胁迫评估[D]. 武汉：中国地质大学，2017. [10] 王淼鑫. 基于物候分段同化的水稻重金属胁迫遥感监测时间尺度优化[D]. 武汉：中国地质大学，2017. [11] 王晶. 基于多源遥感数据融合与数据同化的水稻信息提取研究[D]. 杭州：浙江大学，2016. [12] 刘烽. 基于时空尺度优化的遥感同化方法评估水稻重金属胁迫[D]. 武汉：中国地质大学， 2016. [13] 吴伶，刘湘南，王春乙，等. 光谱信息与作物生长模型数据同化中的时间尺度优化[J]. 农业工程学报， 2015，31 （24）：142-148. [14] 赵利婷，刘湘南，丁超，等. 遥感同化WOFOST模型动态监测水稻重金属污染胁迫[J]. 农业环境科学学报，2015，34（2）：248-256. [15] 吴伶. 基于遥感与作物生长模型同化的水稻生长参数时空分析[D]. 武汉：中国地质大学，2013. [16] 刘达. 遥感与作物生长模型同化评估水稻长势[D]. 武汉：中国地质大学，2013. [17] 吴伶，刘湘南，周博天，等. 多源遥感与作物模型同化模拟作物生长参数时空域连续变化[J]. 遥感学报，2012，16（6）：1097. [18] 谭正. 基于SAR数据和作物生长模型同化的水稻长势监测与估产研究[D]. 武汉：中国地质大学，2012. [19] 谭正，刘湘南，张晓倩，等. 作物生长模型同化SAR数据模拟作物生物量时域变化特征[J]. 中国农学通报，2011，27（27）：161-167. [20] 王航. 基于遥感信息与模型耦合的水稻生长预测技术研究[D]. 南京：南京农业大学，2011. [21] 朱元励，朱艳，黄彦，等. 应用粒子群算法的遥感信息与水稻生长模型同化技术[J]. 遥感学报，2010，14（6）：1 226-1 240. [22] 朱元励. 基于遥感和模型同化的水稻生长监测预测技术研究[D]. 南京：南京农业大学，2009. [23] 杨沈斌，申双和，李秉柏，等. ASAR数据与水稻作物模型同化制作水稻产量分布图[J]. 遥感学报，2009，13（2）：282-290. [24] 李志鹏，李正国，刘珍环，等. 基于中分辨率TM数据的水稻提取方法对比研究[J]. 中国农业资源与区划，2014，35（1）：27-33. [25] 李志鹏，刘珍环，李正国. 水稻空间分布遥感提取研究进展与展望[J]. 中国农业资源与区划，2014，35（6）：9-18.