WOFOST模型同化时序HJCCD数据反演叶面积指数 (1)

第 28卷 第 11期 农 业 工 程 学 报 Vol.28 No.11 158 2012年 6月 Transactions of the Chinese Society of Agricultural Engineering Jun. 2012 WOFOST模型同化时序 HJ CCD数据反演叶面积指数 赵 虎 1，裴志远 1※，马尚杰 1，王连林 2，马志平 2 （1. 农业部规划设计研究院，北京 100125； 2. 河北省玉田县农业区划办，玉田 064100） 摘 要：为增强作物叶面积指数遥感反演的机理性并提高反演精度，在深入分析作物长势模型WOFOST机理的基础上， 采用最小二乘法作为同化算法，以生长季内获取的时序 HJ CCD遥感数据作为外部数据源，反演冬小麦叶面积指数进行 长势监测和估产应用。以河北省玉田县为试验区，以三要素法和实测 LAI作为基准，模型模拟产量和 LAI作为反演精度 的度量指标，成熟期 LAI估算误差由模型同化前的 14.95%降至同化后的 9.97%，产量误差由同化前的 18.17%降为同化后 的 15.89%。叶面积指数的同化结果与实测数据具有较好的拟合度，明该方法的具有一定可行性，为作物生长模型区域 化应用提供了参考。 关键词：遥感，最小二乘法，算法，环境减灾小卫星 CCD，同化，叶面积指数，WOFOST doi：10.3969/j.issn.1002-6819.2012.11.026 中图分类号：S127 文献标志码：A 文章编号：1002-6819(2012)-11-0158-06 赵 虎，裴志远，马尚杰，等. WOFOST模型同化时序 HJ CCD数据反演叶面积指数[J]. 农业学报，2012，28(11)： 158－163. Zhao Hu, Pei Zhiyuan, Ma Shangjie, et al. Retrieving LAI by assimilating time series HJ CCD with WOFOST[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2012, 28(11): 158－163. (in Chinese with English abstract) 0 引 言 叶面积指数（leaf area index, LAI）对作物冠层光合 作用和蒸腾蒸散等起到关键作用，是反映作物生物物理 过程的重要指标[1]。快速、准确地获取作物叶面积指数是 农业遥感研究的热点，LAI在作物长势、物候期、产量和 净初生产力预估与获取等方面具有重要的意义。近年来， 将遥感观测数据和作物生长模型进行耦化成为反演 作物叶面积指数的重要手段[2]，受到了越来越多的关注。 目前关于两者结合方法的研究主要有 2 类：“强迫法” （又称“驱动法”）和“同化法”（又称“初始化/参数 化法”[3-4]。强迫法基于“遥感观测值比模型模拟值更准 确”[5]这一假设将遥感观测值通过时序内插直接用于更新 作物生长模型的输出参数，是早期遥感数据和作物生长 模型的主要结合方法。“同化法”通过一定的优化算法 不断调整作物生长模型的参数使得模型的模拟值和遥感 观测值之间的差距达到最小[6-7]，然后将最优状态下的模 型输出值作为最终结果，兼顾了遥感观测的便捷性和模 型模拟的机理性。根据同化对象的不同可以分为以冠层 反射率或作物生长状态变量作为同化变量 2 种方法。前 收稿日期：2011-12-20 修订日期：2012-01-09 基金项目：国防科工委 HJ-1 卫星数据应用研究专题（项目编号： 2009A02A0100），农业部规划设计研究院自选课题（项目编号：201104） 作者简介：赵 虎（1981－），男，湖北人，博士，2008年赴美国交流访问， 主要从事遥感与地理信息系统在农业中的研究与应用工作。农业工程学会会 员：E040100119M。北京市朝阳区麦子店街 41 号，农业部规划设计研究院 100125。Email: jhaohu@gmail.com ※通信作者：裴志远（1968－），男，研究员，主要从事农业遥感应用与研 究工作。北京市朝阳区麦子店街 41 号，农业部规划设计研究院 100125。 Email:peizhiyuan@tom.com 者需要将辐射传输模型和作物生长模型连接起来，后者 通过遥感模型直接反演作物冠层结构变量（如 LAI、ET 等）作为同化对象。 由于研究尚处于起步阶段，前期的大量工作主要集 中在遥感观测值同作物生长模型的同化模式、同化算法 和应用潜力等方面。遥感数据选择方面，大多选择时间 分辨率高、易获取的中低分辨率遥感数据，如： MODIS[8-9]、AVHRR[10]、MERIS[11-12]等。中国自主研制 并于 2008年成功发射的环境减灾小卫星HJ1A/B CCD数 据具有 30 m的空间分辨率，每 3～4 d可以重访一次，在 国内很多领域得到了大量应用[1,13-16]。作物生长模型方面 多选用以经验公式为基础、实用性较强的 CERES[17-18] （crop-environment resource synthesis）、EPIC[19-23]（erosion productivity impact calculator）等。荷兰瓦赫宁根大学开 发的WOFOST（world food studies）模型是广泛应用于欧 洲的机理模型，已被证实在中国具有较好的适应性[24-25]。 中国人多地少，地块破碎情况较为普遍，使用中低分辨 率遥感数据存在混合像元[2]的问题，HJ CCD数据能够在 一定程度上弥补这种缺陷。本文以 LAI作为同化结合点， 用WOFOST模型同化时序 HJ CCD数据进行叶面积指数 的反演，在分析WOFOST模型机理的基础上，探讨最小 二乘法作为同化算法的可行性，为发展适合中国国情的 作物模型与遥感数据同化方法奠定基础。 1 试验材料与方法 1.1 试验区与实测数据 本研究试验地点选择在位于华北平原的河北省玉田 县（如图 1）。经纬度范围位于 E117°31′～117°56′和 N39°30′～39°58′之间，主要地貌为北部丘陵，中部平原， 第 11期 赵 虎等：WOFOST模型同化时序 HJ CCD数据反演叶面积指数 159 南部为低平原或洼地。土质主要为中壤土和重壤土，主 要农作物类型为玉米和冬小麦，冬小麦主要品种为京冬 8 号和轮选 987，平均产量约为 3750～6000 kg/hm2。 图 1 玉田县试验点分布 Fig.1 Distribution of experiment sites 根据自然条件和冬小麦种植情况选择 38个试验点进 行地面数据采集，试验点分布情况如图 1 所示。试验点 的选取充分估计了试验点空间分布的均匀性，试验点所 在地块种植冬小麦的面积不小于 200 m×200 m以保证像 素的纯净性。根据该地区冬小麦的物候规律，选择在返 青期、拔节期、抽穗期、灌浆期和蜡熟期分别采集试验 点的数据，对应日期分别为 2011 年 3 月 28 日至 4 月 1 日，4 月 22 日至 25 日，5 月 10 日至 14 日，5 月 25 至 27日，6月 12至 14日。 叶面积指数采集的方法是：在每个试验点内均匀选 择 3 个子区域，分别对每个子区域采集 LAI 值。在每个 子区域采用 LAI2000 冠层分析仪在不同位置分别测量 5 次取平均值作为该子区域的 LAI 值，然后将 3 个子区域 的 LAI值取平均作为本期该试验点的 LAI真实值，采集 时间集中在 08:00－18:00之间。 除 LAI 外，同时的地面数据还有试验点中心经 纬度，土壤湿度，冬小麦株高、行距、叶绿素含量、光 谱曲线等，作为辅助数据使用[26]。 1.2 遥感数据 试验所采用的环境星数据为 3月 27日、4月 27日、 5月 15日、5月 25日和 6月 13日的 HJ1A/B-CCD2数据。 经过辐射定标、大气校正、几何校正得到真实的地表反 射率。大气校正采用MODTRAN 4+辐射传输模型消除大 气和光照等因素对地物反射的影响。几何校正采用日本 ALOS（advanced land observing satellite）卫星携带的 AVNIR-2 传感器获取的几何精纠正图像作为参考图像， 纠正误差控制在 0.5个像元以内。 通过地表反射率数据得到常用的植被指数，并将试 验点采集的实测 LAI 数据和对应点的植被指数进行回归 分析得到 LAI与增强植被指数（EVI）之间的回归关系， 作为遥感反演作物 LAI 的基础（LAI=2.091lnx+5.33,拟合 优度 R2=0.9348，F0.05检验为 375.556，2 个系数的 T0.05 检验分别为 109 201和 4 427.35）。提取冬小麦的范围方 面，采用时序增强植被指数和数字高程模型（DEM）作 为分类指标，采用分类与回归树（ classification and regression tree, CART）算法进行作物分类[27]得到冬小麦 种植范围，将试验区 2009年本地调查使用的 ALOS图像 （10 m分辨率，多光谱）解译得到的冬小麦结果作为真实 值评价本文的分类结果，分类精度达到 93.3%。 1.3 作物生长模型 WOFOST 在本文的研究中，作物生长模型WOFOST被用来作 为生成 LAI的机理性模型。WOFOST起源于世界粮食研 究中心组织的多学科综合的世界粮食潜在产量和研究项 目，由荷兰瓦赫宁根大学开发，它根据气象、土壤和作 物品种信息实现对作物根、茎、叶、穗的生物量及土壤 水分的动态模拟[25]。需要输入的参数主要为：作物参数、 土壤参数和气象参数，气象参数来源于中国气象局中国 气象科学数据共享服务网（http://cdc.cma.gov.cn/）提供的 月平均气象资料。土壤参数根据玉田县农业区划办提供的 玉田县土质普查情况进行设置，结合以往的研究结果[24-25]， 部分作物参数初始设置如表 1所示。 表 1 WOFOST部分参数设置 Table 1 WOFOST parameters settings 类型 参数 意义 取值 作物参数 TBASEM 出苗最低温度 0.0 TEFFMX 出苗最高有效温度 30.0 TSUMEM 播种到出苗的积温 107.9 TSUM1 出苗到开花的积温 600 TSUM2 开花到成熟的积温 750 LAIEM 出苗时的叶面积指数 0.15 SPAN 叶片在 35℃时的生命期 28 CVL 干物质转化为叶片的效率 0.685 CVO 干物质转化为贮存器管的效率 0.709 CVR 干物质转化为根的效率 0.694 CVS 干物质转化为茎的效率 0.662 Q10 温度变化 10℃时呼吸作用变化的速率 2.00 RML 叶的维持呼吸作用消耗 0.03 RMO 贮存器官的维持呼吸作用消耗 0.01 RMR 根的维持呼吸作用消耗 0.015 RMS 茎的维持呼吸作用消耗 0.015 PERDL 水分胁迫引起的叶片死亡速率 0.03 RGRLAI 叶面积指数最大日增量 0.0082 土壤参数 SMW 枯萎系数 0.11 SMFCF 田间持水率 0.28 SMO 饱和含水率 0.34 CRAIRC 土壤空气含率 0.075 KO 饱和导水率 18.1 SPADS 深苗床第一层表土渗漏参数 0.80 SPODS 深苗床第二层表土渗漏参数 0.04 SPASS 浅苗床第一层表土渗漏参数 0.90 SPOSS 浅苗床第二层表土渗漏参数 0.07 农业工程学报 2012年 160 1.4 待优化参数集 本文将叶面积指数作为遥感数据和作物生长模型的 同化结合点。根据 WOFOST 对模型的解释（wofost. wikispaces.com/FAQ），关于叶面积指数的计算是根据不 同部位（叶、茎、果实）对叶面积指数的贡献进行累加 计算的，从WOFOST模型的 CROPSI.FOR文件中获得其 计算公式如下 0LASUM LASUM LASUM SLA LV LAI LASUM SSA WST SPA WSO          式中，SLA、SSA和 SPA分别表示叶、茎和果实对叶面积 的贡献，实际运行过程中，SLA为比叶面积（specific leaf area），在不同物候期（development stages，DVS）分别 表示叶片生长 3 个阶段（指数生长阶段、线性生长阶段 和衰亡阶段）叶片对叶面积的贡献率，在模型中由变量 SLATB表示，SSA和 SPA由于不易获取通常设为 0，LV 表示与叶龄相关的函数，其计算与出苗时叶面积指数 （LAIEM）、叶面积指数最大日增量（RGRLAI）和叶片 在 35℃的生命期（SPAN）3个变量密切相关。结合以上 分析，选用 SLATB、LAIEM 、RGRLAI 和 SPAN 作为 待优化的参数集进行 LAI的优化。 1.5 代价函数与优化算法 同化的目的是为了确定待优化参数集的最佳取值， 而判断“最佳”的条件即为模型模拟的 LAI 值和遥感反 演得到的 LAI之间的均方根误差最小，即  1 2 3 4 0 , , , ( ) n i i i f I I I I LAIrs LAIm    其中，I1,I2,I3,I4分别为 4个待优化参数，LAIrs和 LAIm分 别表示由遥感反演和模型模拟得到的 LAI值，n表示试验 点的个数。 在优化算法的研究方面，已有不少研究成果，如全 局优化算法[28-29]、变分同化算法[2]、卡尔曼滤波算法[30]、 模拟退火法[31]等。这些算法在不同的应用中已被证实有 较好的适应性，但大多运算复杂，在推广应用中存在一 定的困难。最小二乘法（least square method）作为一种应 用广泛、复杂度适中的优化技术在很多领域得到了应用 和推广。它通过使模拟值和实测值之间的均方根误差达 到最小对模拟函数进行参数优化，即 2 , , 0 [ ] min n rs i m i i LAI LAI    根据实际情况，当遇到以下 3种情况时，优化过程结 束：1）临近 5个优化函数的值之差小于其自身值的 1%； 2）迭代次数超过 10 000次；3）待优化参数均达到边界值。 其中第 3条主要是为了保障待优化参数的合理性，避免出 现仅符合数学意义而不符合实际情况的待优化参数值。 为验证结果的可靠性，本研究用 LAI 和产量 2 个指 标作为检验的。将同期进行的三要素（亩穗数、穗 粒数和千粒重）测产法测得的产量结果作为实测产量， 与同化前后模型模拟产量进行比较，需要说明的是，返 青期和拔节期无法进行三要素测产试验，因此本文仅在 抽穗期、灌浆期和成熟期进行同化精度分析。用田间实 测叶面积指数与同化前后的叶面积指数进行比较，同化 误差的计算方法为实测值和同化前后对应的模拟值之差 的绝对值与实测值的比值。 2 试验结果及分析 作物生长模型同化遥感数据后得到的结果仅为试验 点所在地块的模拟结果，本文通过将模拟结果与对应试 验点的遥感观测值进行差值化运算的结果进行空间克里 金插值，得到研究区内的差值结果，然后将其与研究区 遥感数据相加得到区域上的模型模拟结果，如图 2所示。 图 2结果表明，将遥感观测值作为外部同化数据时， 作物生长模型通过调整待优化的模型参数值能够较好的 模拟叶面积指数，同化结果反映了遥感观测和作物模型 模拟的综合作用，可以用于作物生长模型区域化应用过 程中的叶面积指数同化反演。 选择图 1中所示的 38个试验点的平均值分抽穗期、 灌浆期和成熟期 3 个时期进行同化效果的评价。同化前 采用的值为作物模型在初始值条件下的LAI和作物产量， 同化后采用的值为经过参数优化调整后模型的输出值。 第 11期 赵 虎等：WOFOST模型同化时序 HJ CCD数据反演叶面积指数 161 图 2 遥感观测与同化 LAI比较 Fig.2 Comparison between LAIs from remote sensing observations and data assimilation 由表 2可知，与同化前相比，同化后误差显著降低， 更接近实测值。成熟期 LAI 估算误差由模型同化前的 14.95%降至同化后的 9.97%，产量误差由同化前的 18.17%降为同化后的 15.89%。除抽穗期外，其他时期 LAI 的同化效果均好于产量，可能的原因是本文以 LAI 作为 优化的结合点，而产量没有进入代价函数的缘故。以单 个试验点的 LAI为例（如图 3），同化后的时序数据与遥 感数据相比更加接近实测数据。 表 2 模型同化精度分析 Table 2 Accuracy analysis of assimilation 类型 实测值 同化前模拟值 同化后模拟值 平均 LAI/ (m2·m-2) 抽穗期 3.87 4.44 4.27 灌浆期 4.03 4.53 4.35 成熟期 3.21 3.69 3.53 误差/% 抽穗期 / 14.73 10.34 灌浆期 / 12.41 7.94 成熟期 / 14.95 9.97 平均产量/ (kg·hm-2) 抽穗期 4 710.43 5 499.83 5 056.27 灌浆期 4 850.45 5 599.14 5 368.64 成熟期 5 197.04 6 141.73 6 023.23 误差/% 抽穗期 / 16.75 7.34 灌浆期 / 15.44 10.67 成熟期 / 18.17 15.89 图 3 时序 LAI同化效果分析 Fig.3 Assimilation effect analysis of time series LAI 3 结论与讨论 在深入分析WOFOST模型 LAI计算原理的基础上， 最小二乘法可以作为模型同化的优化算法对待定参数进 行优化，同化结果验证了最小二乘法作为同化算法的可 行性。最小二乘法简便易行，可以应用于同化指标机理 明确的模型同化研究和实践中。研究表明，应用广泛、 机理性强的 WOFOST 模型可以同化符合中国国情的 HJ CCD数据进行 LAI的反演和提取，能够有效提高 LAI的 反演精度。 以 LAI作为结合点进行模型同化，结果表明 LAI的 同化效果好于产量的同化效果，由于作物模型同化的最 终目的是在综合模拟效果上达到最优，进一步的研究应 该将综合考虑叶面积指数、产量和其他需要关注的信息， 形成多要素的约束条件对模型参数进行优化。 [参 考 文 献] [1] 张竞成，顾晓鹤，王纪华，等. 基于 HJ-CCD与 TM影像 的水稻 LAI 估测一致性分析[J]. 农业工程学报，2010， 26(7)：186－193. Zhang Jingcheng, Gu Xiaohe, Wang Jihua, et al. Analysis of consistency between HJ-CCD images and TM images in monitoring rice LAI[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(7): 186－193. (in Chinese with English abstract) [2] 王东伟，王锦地，梁顺林. 作物生长模型同化 MODIS 反 射率方法提取作物叶面积指数[J]. 中国科学：地球科学， 2010，40(1)：73－83. Wang D W, Wang J D, Liang S L. Retrieving crop leaf area index by assimilation of MODIS data into crop growth model[J]. Sci China Earth Sci, 2010, 40(1): 73－83. (in Chinese with English abstract) [3] 邢雅娟，刘东升，王鹏新. 遥感信息与作物生长模型的耦合 应用研究进展[J]. 地球科学进展，2009，24(4)：444－451. Xing Yajuan, Liu Dongsheng, Wang Pengxin. Advances of the coupling application of remote sensing information and crop growth model[J]. Advances in Earth Science, 2009, 24(4): 444－451. (in Chinese with English abstract) [4] 李存军，王纪华，王娴，等. 遥感数据和作物模型集成方 法与应用前景[J]. 农业工程学报，2008，24(11)：295－301. 农业工程学报 2012年 162 Li Cunjun, Wang Jihua, Wang Xian, et al. Methods for integration of remote sensing data and crop model and their prospects in agricultural application[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2008, 24(11): 295－ 301. (in Chinese with English abstract) [5] Weiss M, Troufleau D, Baret F, et al. Coupling canopy functioning and radiative transfer models for remote sensing data assimilation[J]. Agricultural and Forest Meteorology, 2001, 108(2): 113－128. [6] Fang H, Liang S, Hoogenboom G. Integration of MODIS LAI and vegetation index products with the CSM-CERES- Maize model for corn yield estimation[J]. International Journal of Remote Sensing, 2011, 32(4): 1039－1065. [7] Guerif M, Duke C. Adjustment procedures of a crop model to the site specific characteristics of soil and crop using remote sensing data assimilation[J]. Agriculture, Ecosystems and Environment, 2000, 81(1): 57－69. [8] Houborg R, Soegaard H, Boegh E. Combining vegetation index and model inversion methods for the extraction of key vegetation biophysical parameters using Terra and Aqua MODIS reflectance data[J]. Remote Sensing of Environment, 2011, 106(1): 39－58. [9] Becker-Reshef I, Vermote E, Lindemanet M, et al. A generalized regression-based model for forecasting winter wheat yields in Kansas and Ukraine using MODIS data[J]. Remote Sensing of Environment, 2010, 114(6): 1312－1323. [10] McNider R, Christy J, Moss D, et al. A Real-Time Gridded Crop Model for Assessing Spatial Drought Stress on Crops in the Southeastern US[J]. Journal of Applied Meteorology and Climatology, 2011, 50(7): 1459－1475. [11] Dente L, Satalino G, Mattia F, et al. Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield[J]. Remote Sensing of Environment, 2008, 112(4): 1395－1407. [12] Duthoit S, Demarez V, Gastellu-Etchegorry J, et al. Assessing the effects of the clumping phenomenon on BRDF of a maize crop based on 3D numerical scenes using DART model[J]. Agricultural and Forest Meteorology, 2008 (8/9): 1341–1352. [13] 郭琳，裴志远，张松龄，等. 基于环境星 CCD 图像的甘 蔗叶面积指数反演方法[J]. 农业工程学报，2010，26(10)： 201－205. Guo Lin, Pei Zhiyuan, Zhang Songling, et al. Estimation method of sugarcane leaf area index using HJ CCD images[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(10): 201－205. (in Chinese with English abstract) [14] 陈雪洋，蒙继华，杜鑫，等. 基于环境星 CCD 数据的冬 小麦叶面积指数遥感监测模型研究[J]. 国土资源遥感， 2010，2(84)：55－58. Chen Xueyang, Meng Jihua, Du Xin, et al. The monitoring of winter wheat leaf area index based on HJ-1 CCD Data[J]. Remote sensing for land and resource, 2010, 2(84): 55－58. (in Chinese with English abstract) [15] 孙源，顾行发，余涛，等. 基于 HJ-IA CCD数据的辐射传 输模型反演叶面积指数研究[J]. 安徽农业科学，2011， 39(8)：5012－5015. Sun Yuan, Gu Xingfa, Yu Tao, et al. Research on the inversion of leaf area index based on radiative transfer model of HJ-IACCD Data[J]. Journal of Anhui Agricultural Sciences, 2011, 39(8): 5012－5015. (in Chinese with English abstract) [16] 朱高龙，李明泽，居为民，等. HJ-1 CCD与 Landsat-5 TM 在森林叶面积指数反演中的比较分析[J]. 东北林业大学 学报，2011，39(1)：127－130. Zhu Gaolong, Li Mingze, Ju Weiming, et al. Difference in leaf area index in forests retrieved from HJ-1 CCD and TM data of maoershan mountain, heilongjiang province[J]. Journal of Northeast Forestry University, 2011, 39(1): 127－ 130. (in Chinese with English abstract) [17] Gungula, D, Kling J, Togun A. CERES-Maize predictions of maize phenology under nitrogen-stressed conditions in Nigeria[J]. Agronomy Journal. 2003, 95(4): 892-899. [18] Timsina J, Humphreys E. Performance of CERES-Rice and CERES-Wheat models in rice-Wheat systems: A review[J]. Agricultural Systems. 2006, 90(1/3): 5－31. [19] Tan G, Shibasaki R. Global estimation of crop productivity and the impacts of global warming by GIS and EPIC integration[J]. Ecological Modelling, 2003, 168(3): 357－ 370. [20] Barros I, Williams J, Gaiser T. Modeling soil nutrient limitations to crop production in semiarid NE of Brazil with a modified EPIC version - II: Field[J]. Ecological Modelling. 2005, 181(4): 567－580. [21] Ko J, Piccinni G, Steglich E. Using EPIC model to manage irrigated cotton and maize[J]. Agricultural Water Management, 2009, 96(9): 1323-1331. [22] Liu J, Williams J, Zehnder A, et al. GEPIC - modelling wheat yield and crop water productivity with high resolution on a global scale[J]. Agricultural Systems, 2007, 94(2): 478－493. [23] Liu J, Williams J, Wang X, et al. Using MODAWEC to generate daily weather data for the EPIC model[J]. Environmental Modelling and Software, 2009, 24(5): 655－ 664. [24] 王涛，吕昌河，于伯华. 基于WOFOST模型的京津冀地 区冬小麦生产潜力评价[J]. 自然资源学报，2010，25(3)： 475－487. Wang Tao, Lü Changhe, Yu Bohua. Assessing the potential productivity of winter wheat using WOFOST in the Beijing- Tianjin-Hebei Region[J]. Journal of Natural Resources, 2010, 25(3): 475－487. (in Chinese with English abstract) 第 11期 赵 虎等：WOFOST模型同化时序 HJ CCD数据反演叶面积指数 163 [25] 邬定荣，欧阳竹，赵小敏，等. 作物生长模型 WOFOST 在华北平原的适用性研究[J]. 植物生态学报，2003，27(5)： 594－602. Wu Dingrong, Ou Yangzhu, Zhao Xiaomin, et al. The applicability research of WOFOST model in north China Plain[J]. Chinese Journal of Plant Ecology, 2003, 27(5): 594 －602. (in Chinese with English abstract) [26] 赵虎，裴志远，马尚杰，等. 利用 HJ-1-A/B CCD2数据反 演冬小麦叶面积指数[J]. 农业工程学报，2012，28(10)： 172－176. Zhao Hu, Pei Zhiyuan, Ma Shangjie, et al. Retrieving leaf area index of winter wheat using HJ-1-A/B CCD2 data [J]. Transactions of the Chinese Society of Agricultural Eneineering (Transactions of the CSAE), 2012, 28(10): 172 －176. (in Chinese with English abstract) [27] Wardlow B, Egbert S. Large-area crop mapping using time-series MODIS 250 m NDVI data: An assessment for the US Central Great Plains[J]. Remote Sensing of Environment, 2008, 112(3): 1096－1116. [28] 闫岩，柳钦火，刘强，等. 基于遥感数据与作物生长模型 同化的冬小麦长势监测与估产方法研究[J]. 遥感学报， 2006，10(5)：804－811. Yan Yan, Liu Qinhuo, Liu Qiang, et al. Methodolagy of winter wheat yield prediction based on assimilation of remote sensing data with crop growth model[J]. Journal of Remote Sensing, 2006, 10(5): 804－811. (in Chinese with English abstract) [29] 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D辑：地球科学， 2010，40(增刊)：173－183. Chen Jingsong, Huang Jianxi, Lin Hui, et al. Rice yield estimation by assimilation remote sensing into crop growth model[J]. Scientia Sinica Terrae, 2010, 40(Supp.): 173－183. (in Chinese with English abstract) [30] 刘翔舸，刘春红，王鹏新，等. 基于卡尔曼滤波的小麦叶 面积指数同化方法[J]. 农业工程学报，2010，26(增刊 1)： 176－181. Liu Xiangge, Liu Chunhong, Wang Pengxin, et al. Assimilation of ground measured wheat leaf area index into CERES-wheat model based on Kalman Filter[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(Supp.1): 176－181. (in Chinese with English abstract) [31] 刘峰，李存军，董莹莹，等. 基于遥感数据与作物生长模 型同化的作物长势监测[J]. 农业工程学报，2011，27(10)： 101－106. Liu Feng, Li Cunjun, Dong Yingying, et al. Monitoring crop growth based on assimilation of remote sensing data and crop simulation model[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2011, 27(10): 101－106. (in Chinese with English abstract) Retrieving LAI by assimilating time series HJ CCD data with WOFOST Zhao Hu1, Pei Zhiyuan1※, Ma Shangjie1, Wang Lianlin2, Ma Zhiping2 (1. Chinese Academy of Agricultural Engineering, Beijing 100125, China; 2. Yutian Agriculture Planning Office, Province, 064100, China) Abstract: For the accuracy improvement of retrieving Leaf Area Index(LAI) from remote sensing images, the least square method was used as the algorithm to assimilate time series HJ CCD images with WOFOST based on its fundamental principals analysis. The calibrated crop growth model was then used for crop growth monitoring and yield estimation in Yutian, Hebei province. The results showed that the error of yield and LAI compared with their site specific counterparts were improved by 2.28% and 4.98% respectively, which shows the feasibility of the presented method and provides a new choice for spatialising crop growth model at regional scale. Key words: remote sensing, least square method, algorithms, assimilation, LAI, HJ CCD, WOFOST