第一章绪论
1.1研究意义
水稻原产于亚洲热带地区，是我国第一大粮食作物。从目前种植现状来看，水稻种植面积占全国耕地面积的30%，其产量约占全国粮食总产的一半；从国家政策来看，我国政府对水稻生产十分重视，在"十一五"期间，农业部就提出并实现了全国粮食综合生产能力达到1万亿斤的目标，特别是在2007以来连续4年稳定达到预期目标，并对即将到来的"十二五"时期提出了更高的要求。随着近些年来计算机技术的迅速发展，作物模拟、专家系统、3S等高新技术被越来越多地用于构建水稻生长模型、管理专家系统，实时监测水稻面积、长势和灾害，以及准确预报水稻产量等。这些技术在指导各地水稻生产、保障全国粮食安全方面发挥了积极的作用。卫星遥感技术的应用为研究区域作物生产提供新的手段，具有重要的现实意义。相对于传统的田间观测法，卫星遥感由于具有实时、宏观、准确、动态等诸多优点，因此成为大范围作物生长监测和产量预测的有效手段。
当前，国内外在利用遥感估产理论模型研究、作物长势实时监测、遥感估产业务系统建立等方面均取得了丰硕成果，由于当前的遥感信息和技术还不能定量反映作物生长发育和产量形成的内在机理及其与气象条件、土壤等环境因子之间的复杂的内在数量关系。而作物生长模拟模型从农业生态系统的物质、能量守恒原理以及物质能量转换原理出发，对作物光合作用、呼吸作用、蒸腾作用等重要生理生态过程及其与外界环境因子之间的关系进行数值模拟，具有面向过程、机理性强和动态性的特点，是数字农业发展的新方向。近20年来，在国际和国内的科研机构相继推出了多种作物模型，主要以荷兰和美国所开发的模型为代表。由荷兰Wageningen农业大学和研究中心开发的SUCROS模型系列已被人们广泛应用包括WOFOST (WORLD FOOD STUDY)的简化模型，荷兰与国际水稻研究所（IRRI)协作的水稻模型ORYZA通过水稻产量模拟和系统分析（SARP)项目已经在东南亚广泛验证。美国的换决策支持系统（DSSAT)在国际上使用也非常广泛，还有禾本科作物组CERES 、豆科作物模拟模型组CROPGRO[4]，还有澳大利亚使用的农业产量系统模拟（APSIM) [5—7]等。作物模型广泛的应用在农作物田间管理、精确农业、气候变化对农业的影响、农业科研等方面；由于绝大多数模型都是基于单个试验点的空间时间尺度进行开发的，当基于单点的作物生长模型在区域上研究使用时，模型的应用遇到了诸多困难，如区域宏观资料的获取、模型参数（品种遗传参数等）区域升尺度、模型本身的区域升尺度的问题。因此，如何集成作物模拟和卫星遥感这两项技术的优势、寻求作物模拟和卫星遥感的结合途径与方法具有重要的科学意义和现实意义。既能将两者有机的结合起来动态的反映作物生长发育和产量形成的内在机理，又能凸显卫星遥感宏观、实时、动态监测的优点，优势互补，必将提高农情监测和农情评价的实时性、机理性和精确性。
1.2国际研究状况
遥感信息应用于模型模拟，在国外起步较早。在几十年前，遥感信息就与一些统计模型或半经验模型结合起来，在作物长势监测、作物灾害监测以及农作物估产等方面的得到应用。如美国、荷兰、法国等国家以及FAO、 IGBP等国际组织，已经在这个领域的研究和应用方面进行了大量的工作。二十世纪九十年代以来，随着作物机理模型的快速发展，将机理性较强的作物生长模拟模型代替统计模型或半经验模型与遥感相结合的研究及应用是本领域的新趋势。美国LACIE (large area crop inventory experiment)计划证明，遥感信息的入可以扩大作物生长模拟模型的应用范围并在区域上改进模拟的精度，经过此后的不断发展，作物生长模型与遥感信息的结合无论在研究和还是在应用上都取得了很大进步。目前，作物生长模型与遥感信息的结合方式主要有4种，即验证法、驱动法、初始化/参数化法（调控法）、同化法。验证法是将作物生长模型的模拟结果与遥感信息反演的数据进行比对验证。
驱动法有两种方式，方式一是将遥感信息反演出来的参数值直接代入作物模型并驱动模型运行，方式二是以遥感信息反演出来的参数值代替原有参数加入到模型中并驱动模型运行。驱动法立足于这样的假定条件：遥感的"测量值"比相应从模型模拟得到的模拟值更加合理和准确，因而可以采用了这种"替代"。作物模拟模型普遍以固定的时间步长运行（如可以以"天"或"小时"为步长），在时间上是"连续的"，但遥感信息的获取往往无法满足这种时间高分辨率，可能会导致模拟的精度降低。
为了使遥感信息时间"连续"，通常的做法是用多次遥感得到的"测量值"（如LAI)做模拟曲线，然后以该模拟曲线和遥感得到的"测量值"（如LAI)按照模型要求的时间步长进行内插获得。例如，Delecolle和Guerif[8]利用法国南部Camargue地区的小麦SPOT/HRV遥感数据反演出LAI值，但考虑到整个生长季内LAI的时间分辨率太低，于是利用统计内插法，形成LAI逐日变化廓线，作为作物模型AFRCWHEAT的输入变量。这种方法显著改善了模型预测产量的能力。芬兰的karvonen等[9]利用同样方法确定了作物的LAI，并以之作为农业气象模型CROPWATN的输入变量，以模拟地段作物产量。后来等在利用作物生长监测系统估测区域作物产量的研究中，使用上述遥感数据的"内插"和"替代"与作物模型模拟的产量作为CGMS的输入量，也取得较好的结果。Maas在玉米田间进行地面辐射观测，用光学数据反演得出LAI，通过遥感数据反演叶温并以此计算了水分胁迫指数，然后将这些"测量值"代入作物模拟模型，使模型对玉米生长的模拟得到一定的改善。
1.3 国内研究状况 .....................14-15
1.4 研究内容 .....................15-16
1.5 论文结构 .....................16-17
第二章 研究区概况与研究数据 .....................17-25
2.1 研究区概况 .....................17
2.1.1 地理位置 .....................17
2.1.2 土壤 .....................17
2.1.3 气候 .....................17
2.2 研究数据 .....................17-25
第三章 水稻模拟模型ORYZA2000调试 .....................25-38
3.1 作物模型简介 .....................25-30
3.1.1 主要的模型介绍 .....................25-26
3.1.2 水稻作物模型的相关研究 .....................26-27
3.1.3 ORYZA2000模型简介 .....................27-30
3.2 ORYZA2000模型的校正和验证 .....................30-36
3.3 对江苏省各试验站的定标 .....................36-38
3.3.1 江苏省各站点的水稻生育期情况 .....................36
3.3.2 参数定标 .....................36-38
第四章 遥感信息提取叶面积指数 .....................38-48
4.1 植被指数简介 .....................38-40
4.1.1 归一化植被指数.....................38-39
4.1.2 增强植被指数.....................39-40
4.2 植被指数与叶面积指数的关系 .....................40-41
4.3 遥感图像的处理 .....................41-48
第五章 遥感信息与作物模型结合的水稻生长监测及产量预报 .............48-60
5.1 研究内容与方法 .....................48
5.2 镇江市遥感信息与ORYZA2000模型相结合对水稻的识别 .........48-50
5.3 镇江市遥感信息与ORYZA2000模型相结合对水稻产量的模拟 .........50
5.4 对江苏省的区域模拟情况 .....................50-58
5.5 小结 .....................58-60
结论
本论文以江苏省为研究区域，使用多时相遥感信息与水稻作物模型ORYZA2000相结合进行大区域水稻估测的方案。该研究包括以下几个部分
(1)先利用镇江市水稻田间试验数据对水稻生长模拟模型ORYZA2000进行订正和验证，经过订正和验证的ORYZA2000模型可以在当地适用；进一步以江苏省以8个站点农气观测资料，对模型参数做适当调整，应用于以8个站点为代表的全省的水稻模拟；
(2)对收集的遥感数据HJ环境小卫星数据和MODIS数据进行几何校正、辐射校正、大气校正等处理，通过ENVI软件运算得到相关的植被指数NDVI和EVI;建立植被指数与试验区内观测水稻LAI的回归分析，得出由HJ环境小卫星数据得到的LAI-EVI模式为较优模式；
(3)将遥感反演的LAI与ORYZA2000模型模拟水稻LAI联系起来，以LAI为联系纽带实现遥感信息与作物模型的结合：假定在整个水稻生长发育阶段某一像元点的LAI的变化曲线符合典型的水稻生长（可以被水稻生长模型模拟）的LAI的变化情况，于是认为该像元作物为水稻，且其符合某一类型的水稻生长。从作物模拟的角度假设多种当地的水稻播期，为了将各种水稻包含进去，以模拟的LAI上下浮动10%为符合该种模拟，在建立的遥感图像反演的LAI时间序列找出符合条件像元点，即符合某种水稻生长模拟，亦即就是此种水稻的生长状况的，于是实现了区域上水稻生长的模拟；
参考文献
[1]宇振荣，P M Driessen.基于遥感反演作物冠层温度的作物生长模拟和预报[J].中国农业大学学报,2003,8(增刊):71-75.
[2]辛景峰.基于3S技术与生长模型的作物长势监测与估产方法研究[D].北京:中国农业大学资源与环境学院，2001: 56- 64.
[3]王颖,刘华祥，陈娟等.现代农业发展与"3S"技术的有机结合[J].安徽农业科学,2004 32(6): 1293-1295
[4]曹卫星，作物智能栽培学：信息科学与作物栽培学的结合[J].科技导报，2000,139(1):37-40
[5]王纯枝,宇振荣，辛景峰.基于遥感和作物生长模型的作物产量差估测[J].农业工程学报，2005,21: 84-89.
[6]王纪华,赵春江，黄文江等.定量遥感参数与作物肥水模型链接初探[J].华北农学报，2001, 16:52- 58.
[7]马玉平,王石立，张黎等.基于遥感信息的作物模型重新初始化/参数化方法研究初探[J].植物生态学报，2005 ， 29: 918-926.
[8]马玉平,王石立，张黎等.基于遥感信息的华北冬小麦区域生长模型及模拟研究[J].气象学报，2005, 63: 204-215.
[9]王人潮,王坷，沈掌泉等.水稻单产遥感估测建模研究[J].遥感学报，1998, 2 (2)：119-124.
[10]杨星卫，薛正平,陆贤.水稻遥感动力估产模拟初探[J].环境遥感，1994, 9 (4)：281 -286.