随着经济和科技水平的发展及人民生活水平的提高,在重视粮食产量的同时,农产品品质和质量安全的关注日益增加。特别是加入WTO后,中国农产品参与国际竞争所面临的压力越来越大,并且在国内市场也日益受到国外农产品的冲击,农产品质量问题日益凸显。对于小麦而言,发展优质专用小麦、实现优质高效的产业化生产,已成为中国作物生产发展的亮点。如何实时、快速、大面积进行籽粒品质提前预报,进而实现小麦调优栽培,以及收割分类、分级贮存和按质收购成为当前研究的重要课题之一。具有快速、瞬时及空间连续监测的遥感技术和具有时间连续监测的作物生长模型技术为解决这一问题提供了可行及有效的手段。本研究围绕遥感数据与作物生长模型同化这一关键问题,以冬小麦产量和籽粒蛋白质含量(Grain protein content, GPC)预报为目的,特别是以GPC作为重点,选择DSSAT (Decision Support System for Agrotechnology Transfer)作物生长模型作为冬小麦长势动态监测及产量和GPC预报的模型,并在模型参数敏感性、参数本地化、作物生化参数遥感反演、同化策略构建、气象预报节点确定等一系列问题上进行探索研究。主要得到以下几方面结论：(1)采用扩展傅里叶振幅敏感性检验(Extended Fourier Amplitude Sensitivity Test, EFAST)方法重点对模型中的作物遗传参数(包括品种型参数和生态型参数)和部分土壤参数进行敏感性分析。除了分析参数对产量和GPC的敏感性外,同时还分析几个关键生长过程变量[叶面积指数(LAI)、地上部生物量(AGB)和植株氮素累积量(AGN)]在时间序列上的参数敏感性。结果表明,与LAI较为敏感的作物及土壤参数包括PHINT、P1、LSPHS、 LAIS、SLAS、GN%S、SALB、VEFF和TDFAC;与AGB较为敏感的参数包括PHINT、 SLPF、PARUE、PARU2和P1；与AGN较为敏感的参数包括PHINT、P1、PARUE、RDGS、P1D和SLPF;不同生长过程变量的敏感性参数有异同之处,并且在时间序列上表现出差异性。与产量敏感的参数(PARUE、SLPF、G1、G2、P1和PARU2)和与GPC敏感的参数(G1、GN%S、P5、PARUE、PARU2、SLPF和G2)之间也表现差异性。有些对生长过程敏感的参数(PHINT, LSPHS, LAIS, SALB, VEFF, TDFAC, P1D和RDGS),在产量或GPC的敏感性中没有体现出来,在应用调试的过程中,需要兼顾收获期产量和GPC的敏感性参数和生长过程变量的敏感性参数。(2)采用极大似然不确定性估计方法(Generalized likelihood uncertainty estimation, GLUE)并结合参数系统调试过程和敏感性分析结果进行DSSAT模型的参数自动逐步系统调试,并进行LAI、AGB、AGN、产量和GPC的模拟验证。LAI、AGB和AGN的模拟值与实测值的均方根误差(RMSE)、标准均方根误差(NRMSE)、效率系数(E)和一致性系数(d)分别为0.42、0.17、0.64和0.87,1.77 ton ha-1、0.28、0.78和0.92,33.04 kg ha-10.28、0.41和0.79,其中以AGB的模拟结果最优。产量和GPC的模拟值与实测值比较一致,其模拟值与实测值的RMSE、NRMSE.E和d分别为0.23 ton ha-10.05、0.77和0.94,1.91%、0.12、-19.85和0.28,产量的模拟精度高于GPC的模拟精度。研究表明利用DSSAT模型对研究区域进行作物长势和营养监测以及产量和GPC预测是一个有效工具。(3)以AGN作为状态变量,采用粒子群算法(Particle swarm optimization,PSO)进行遥感数据和DSSAT模型同化,尝试同化方法应用于冬小麦GPC预报的可行性。结果表明选择与氮素相关的植被指数可以进行AGN遥感反演,其中NDRE构建的回归模型精度最高,其AGN的模拟值与实测值的R2和RMSE分别为0.663和34.05 kg ha-1。数据同化方法得到AGN的结果(R2=0.729,RMSE=32.02 kg ha-1)优于植被指数反演法。预测的冬小麦产量(R2=0.711,RMSE=0.63 ton ha-1)和GPC(R2=0.367,RMSE=1.95%)与实测产量和GPC也具有较好的一致性。对强筋小麦和中强筋小麦分别进行模拟,对GPC的总体预测精度(R2=0.519,RMSE=1.53%)有明显的提高。利用数据同化方法可以较好的实现冬小麦产量和GPC的预测。(4)进一步分析遥感同化结果,以LAI和AGN同时作为同化状态变量,开展双状态变量数据同化方法进行冬小麦产量和GPC预测的研究。基于MSR构建的LAI反演模型(R2 =0.829,RMSE=0.598)以及NDRE构建的AGN反演模型(R2=0.794,RMSE=37.75 kg ha-1)精度最高。利用双变量同化得到的LAI的模拟值与实测值之间的R2和RMSE为0.828和0.494；AGN的模拟值与实测值之间的R2和RMSE为0.808和30.26 kg ha-1,双状态变量同化可以很好的避免单一状态变量在同化过程单一过程变量模拟精度较高,而非状态变量模拟精度不高的现象。双状态变量同化方法得到的冬小麦产量(R2=0.698,RMSE =0.726 ton ha-1)和GPC(R2=0.758,RMSE=1.16%)预测精度也比较理想。利用双变量同化方法较单一状态变量同化结果更加可靠。(5)分析北京地区收获前不同时间节点上冬小麦产量与GPC的预报精度,以此确定最佳生育时期产量和GPC预报节点。通过分析不同预报节点正常气象条件和三种极端条件(极端光照条件、极端温度条件和极端降水条件)下的产量和GPC预报结果。研究表明,前期进行产量和GPC预报,由于未知气象数据较多,产量和GPC预报结果与实际气象条件的产量和GPC预报结果偏差较大,并且极端天气条件造成的预报产量和GPC波动较大,预报结果的可靠性较差。根据本研究所设置的预报节点,开花期末(5月21日左右)进行产量预报,预报的产量结果与实际气象条件下的产量预报结果基本一致,并且后期极端天气条件对最终产量的影响不大,产量预报结果的可靠性较高,可以确定为冬小麦产量预报的最佳预报节点。GPC预报的最佳预报节点较产量预报的最佳预报节点有所推迟,灌浆期初期(5月31日)作为北京地区GPC预报的最佳预报时期较为合理。(6)结合作物模型与遥感数据同化和气象预报的研究结果开展区域冬小麦产量GPC预报研究。结果表明,利用波谱响应函数将田间高光谱数据转换为Landsat-5卫星TM的多光谱数据进行LAI和AGN反演模型构建,反演LAI和AGN最优的模型分别为MSR和GNVI;通过优化迭代次数和粒子群数目、遥感影像重采样处理和计算机并行计算方法可以提高同化算法的效率；将遥感数据同化和气象预报结合,实现区域冬小麦产量和GPC预报,产量预报结果与实测值之间达到极显著水平(p<0.01),GPC预报结果与实测值之间达到显著性水平(p<0.05),两者模拟值与实测值具有较好的一致性。DSSAT作物模型结合遥感同化和气象预报在灌浆期能够实现区域尺度冬小麦产量和GPC预报。