農業遙感與作物模型同化技術研究進展

陳仁谷 安霞

摘 要：農業遙感與作物模型的數據同化作為精準農業中的新一代技術，目前已被廣泛應用于農作物的生長狀況監測與作物估產等領域[1]。該文簡述了農業遙感與作物模型同化的定義，以及農業遙感與作物模型的數據同化技術在實際農業生產中的應用，提出了農業遙感與作物模型的數據同化技術存在的問題，旨在為農業的高精度高效率同化技術研究提供參考。

關鍵詞：數據同化技術;作物模型;農業遙感

中圖分類號 TP79文獻標識碼 A文章編號 1007-7731（2021）09-0112-02

Abstract： As one of the new generation technologies in precision agriculture， data assimilation of agricultural remote sensing and crop model is widely used in crop growth monitoring and crop yield estimation. This paper briefly introduces the definition of agricultural remote sensing and crop model assimilation， introduces the application of data assimilation technology of agricultural remote sensing and crop model in actual agricultural production， and puts forward the existing problems of data assimilation technology of agricultural remote sensing and crop model， so as to provide reference for the research of high precision and high efficiency assimilation technology of agriculture.

Key words： Data assimilation technology; Crop model; Agricultural remote sensing

在世界人口快速增長狀況下，以精準農業為背景的農業生產問題一直是農學與計算機交叉學科研究的熱點，準確實時掌握農作物的長勢、精確預測農作物的增產是減輕農業生產風險的重要工具。作物生長模型用以模擬農作物在不同條件下的發育過程，可以掌握作物在不同時期下的生長發育狀況，但不能反映農作物在空間上的差異。而遙感衛星可以實時獲取大面積農作物的數據，但不能定量描述作物的生長過程。由于之前大多數研究都是基于單一的作物生長模型或者單一的農業遙感信息來監測作物生長狀況及其產量，最終的研究結果并不理想，因此尋求一個新技術已成為科學家的研究重點。

隨著遙感衛星技術和遙感反演產品更為成熟以及作物模型的疾速發展，目前越來越多的專家學者開始致力于農業遙感與作物模型兩者同化的研究，利用作物模型與農業遙感的數據同化技術跟蹤監測作物的生長情況，采取相關管理決策，以此保證產量穩定。因此，開展農業遙感與作物模型的同化技術研究非常必要。

1 農業遙感與作物模型同化概述

作物模型一般指作物生長模型，顧名思義就是通過計算機的信息處理能力來模擬農作物的生長過程及產量，需要輸入的參數有氣候（包含降雨量、日照輻射）、田間管理（包含灌溉）、土壤（溫濕度）、作物生理等數據，通過計算機對輸入參數和數學方程進行分析處理，最終得出作物的模擬結果。

遙感作為新一代的精準農業技術之一，已被廣泛應用于農業領域。農業遙感主要表現在作物面積、長勢、產量、災害遙感監測方面[2]，或者用于提取作物的生物參數，如葉面積指數、葉綠素含量、生物量、水分含量等[3]。

數據同化，又稱資料同化，最先應用在數值天氣預報中，目前已被廣泛應用于大氣、海洋、陸面和水文等領域。不同領域的專家學者對數據同化在各自領域的看法與定義不一樣，但綜合而言，數據同化一般由動態模型、觀測數據和同化算法3個部分組成，主要是通過同化算法不斷結合模型框架和不同分辨率的觀測數據來減少不確定因素，從而獲取最優值。

將作物模型、遙感技術及數據同化三者聯結起來，構建適用農業方面的同化系統，是農作物的長勢監測和產量預測的趨勢。同化作物生長模型與農業遙感信息可以充分利用兩者的優勢，來提高農作物的產量估算精度。

2 農業遙感與作物模型同化的研究現狀

由于作物模型和農業遙感自身存在的缺點，單獨使用這2種方法都不能滿足農業需求，因此，越來越多的專家學者開始重視農業遙感與作物模型的同化研究。目前，同化農業遙感與作物模型已成為作物長勢監測與產量估算研究的重要技術。

劉峰等[4]根據數據同化系統的已有研究并結合作物模型與農業遙感，對CERES-Wheat作物模型中影響作物生長發育的關鍵參數進行調整，最終將極快速模擬退火VFSA算法應用到農業遙感與CERES-Wheat模型上。通過小麥LAI的同化，對該數據同化系統進行檢驗，發現冬小麥同化葉面積指數與觀測值的吻合度較高。

為了提高區域范圍內的農作物估產精度，陳勁松等[5]以廣東臺山水稻為研究對象，通過SCE數據同化方法，將HJ-1A/B衛星數據反演的葉面積指數與WOFOST模型進行耦合集成，對水稻生長模型的初始參數進行優化，結果表明，采用SCE同化算法可以明顯提高水稻產量估產精度。

同化效率的提升是數據同化方法應用研究的一個重要方面，但前人的研究一般都只是考慮同化結果，而對同化效率并不怎么關注。為此，吳伶[6]等研究了WOFOST模型與遙感光譜信息在時間尺度上的同化優化方法，并通過對比發現，同化的尺度與效率成反比例關系，與精度成正比例關系。因此，適用步長介于10～20d的時間尺度作為WOFOST模型與農業遙感光譜信息的同化時間尺度是最優的。表明優化作物的同化時間尺度可以明顯提升同化方法的效率。

邢會敏等[7]對冬小麥冠層覆蓋度、地上生物量和產量進行計算，模擬退火算法、復合型混合演化算法和粒子群優化算法3種同化算法進行Aqua Crop作物模型與農業遙感的同化耦合。研究對比發現，3種同化算法均能有效地模擬冬小麥的冠層覆蓋、生物量和產量，其中，復合型混合演化同化算法無論在運算效率還是同化結果的精度上均優于粒子群優化算法和模擬退火同化算法。

Wagner等[8]提出了一種新的利用粒子群優化算法和統計距離度量相結合的數據同化方法，該方法能夠靈活地處理模型和輸入不確定性。通過將Sentinel-2數據中的冠層覆蓋信息同化到AquaCrop-OS模型中，用以改進冬小麥像素和田間水平的產量估計，并將其與簡單更新方法和擴展卡爾曼濾算法進行了比較，探討了新提出的方法的潛力。結果表明，該方法優于簡單更新，與擴展卡爾曼濾波更新方法相似或更好。此外，該方法特別成功地減少了產量估計中的偏差。

綜上所述，就目前而言，粒子群優化算法在實際應用中表現出色，農業遙感和作物模型的數據同化技術在農作物的長勢掌握與產量估算的開展工作上已取得了很大的進步。在今后的研究中，保證同化結果的同時提高同化效率是同化技術研究的重難點。

3 存在的問題

近幾年，隨著更多的專家學者不斷地深入研究，遙感數據同化越來越成熟，但仍存在諸多缺陷。（1）大部分相關研究僅使用到LAI參數的遙感數據，參數比較單一;（2）研究的對象主要是水稻和冬小麥，缺少對果樹的研究;（3）可用的免費農業遙感產品數據質量不高;（4）模型所需的初始數據不夠完備;（5）在節約計算機性能與運行時間的同時，需要提高同化算法的效率與精確度。

4 結語

為了打破技術限制，尋找耦合農作物模型和農業遙感技術的最佳數據同化算法，使精準農業方面有更長足的發展，實現農業的可持續發展，我國專家學者通過大量的研究收獲諸多成效，在數據同化技術方面取得了很多關鍵性的重大突破。并且國家對精準農業的投入力度明顯比以前加大很多。相信在不久的將來，農作物模型與遙感技術的同化技術越來越成熟，未來該同化技術將在前人的基礎上，進一步提升農作物的長勢監測能力和估產精度，為糧食生產提供預測預警、田間管理決策等提堅實支撐，對于保障作物產量的穩定增長、增強農業可持續發展能力以及促進精準農業發展具有重要作用。

參考文獻

[1]劉焱選，白慧東，蔣桂英.中國精準農業的研究現狀和發展方向[J].中國農學通報，2007（07）：577-582.

[2]陳仲新，任建強，唐華俊，等.農業遙感研究應用進展與展望[J].遙感學報，2016，20（05）：748-767.

[3]趙春江.農業遙感研究與應用進展[J].農業機械學報，2014，45（12）：277-293.

[4]劉峰，李存軍，董瑩瑩，等.基于遙感數據與作物生長模型同化的作物長勢監測[J].農業工程學報，2011，27（10）：101-106.

[5]陳勁松，黃健熙，林琿，等.基于遙感信息和作物生長模型同化的水稻估產方法研究[J].中國科學：信息科學，2010，40（S1）：173-183.

[6]吳伶，劉湘南，王春乙，等.光譜信息與作物生長模型數據同化中的時間尺度優化[J].農業工程學報，2015，31（24）：142-148.

[7]邢會敏，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].農業工程學報，2017，33（13）：183-192.

[8]Wagner M P， Slawig T， Taravat A， et al. Remote Sensing Data Assimilation in Dynamic Crop Models Using Particle Swarm Optimization[J]. International Journal of Geo-Information， 2020，9（2）：105.

（責編：張宏民）