李金敏，韩景晔，余丹阳，史良胜

（武汉大学水资源与水电工程科学国家重点实验室，武汉430072）

0 引 言

中国是世界上最大的小麦生产国和消费国，小麦也是中国第3大农作物，仅次于水稻和玉米[1,2]。因此对冬小麦进行准确的生长模拟和产量预测是十分重要的。作物模型从系统科学的观点出发，运用数学物理方法和计算机技术，对作物生长过程中的光合、呼吸、蒸腾等重要生理生态过程进行定量描述和预测[3]，是作物生长发育及其对环境影响评估的重要工具[4]。

在过去的半个世纪中，研究者们开发出很多作物模型来模拟冬小麦的生长过程，比如AquaCrop[5,6]，DSSAT[7,8]，WOFOST[9]，SWAP[10]和STICS[11]等。然而，作物模型的精度通常会受到模型结构、参数和输入等因素引起的不确定性的影响，导致模拟结果和实际情况有偏差[11]。

数据同化是一种集成观测和模型这2种基本科学研究手段的重要方法，通过融合多源观测和带有不确定性的模型，从而改善对作物生长过程的模拟[13,14]。目前，数据同化方法在作物生长模拟和产量估计研究中受到广泛关注[15-19]。Wang 等结合遥感数据反演的LAI和叶片氮累积量（LNA），利用粒子群优化算法对作物生长模型RiceGrow 的播种日期、播种密度和施氮量等参数进行初始化参数校准，提高了水稻产量的预测精度[20]。Huang 等采用集合均方根滤波（EnSRF）方法，将遥感反演的LAI 和LNA作为观测加入到WheatGrow 模型数据同化系统中，成功地估计了冬小麦LAI和LNA，提高了产量的估计精度[21]。然而，这些作物模型数据同化系统大多关注作物叶面积指数（LAI），对土壤和作物水氮状态的数据同化研究相对较少。……