摘要:為精準,、高效,、實時地實現(xiàn)區(qū)域冬小麥產量估算,以河南省鶴壁市淇縣橋盟鄉(xiāng)石橋村為研究區(qū),,基于分辨率10m的Sentinel-2多時相光學遙感影像,,利用集合卡爾曼濾波(Ensemble Kalman filter,EnKF)算法同化PROSAIL輻射傳輸模型反演的多期葉面積指數(shù)(Leaf area index,,LAI)到PyWOFOST作物生長模型中實現(xiàn)一定數(shù)量不同長勢單點產量的估測,,最后利用建立的機器學習模型和面域數(shù)據(jù)反演區(qū)域冬小麥產量,實現(xiàn)作物生長模型與機器學習算法的應用耦合及一種新的區(qū)域冬小麥估產模式,。研究基于Sobol參數(shù)敏感性分析法量化對貯藏器官總干重質量(Total dry weight of storage organs,,TWSO)與LAImax的敏感性參數(shù),,并基于反演的多期LAI和粒子群優(yōu)化(Particle swarm optimization,PSO)算法優(yōu)化與LAImax相關的TDWI,、TBASE,、CVS、CVL敏感性參數(shù),,將其輸入到PyWOFOST模型中,,利用EnKF算法和時序LAI數(shù)據(jù)調整對TWSO相關的AMAXTB1、TDWI,、TSUMEM,、CVO敏感性參數(shù),,實現(xiàn)單點產量的估算,;與實測單點產量相比,該方法估算的R2,、RMSE,、MAE、Bias分別為0.8665,、468.64kg/hm2,、385.70kg/hm2和103.08,為建立隨機森林回歸(Random forest regression,,RFR)區(qū)域估產算法提供準確的單點產量訓練數(shù)據(jù),。針對研究區(qū)(309.32hm2),基于不同長勢人工樣點產量數(shù)據(jù)建立的RFR區(qū)域估產算法,,區(qū)域估產精度為99.44%,,每公頃算法運行用時1.55s;應用EnKF算法同化多時期面域LAI到PyWOFOST作物生長模型中的區(qū)域估產精度為89.01%,,每公頃算法運行用時約0.47h,;耦合PyWOFOST作物生長模型與RFR機器學習算法的區(qū)域估產精度達到95.58%,每公頃算法運行用時8.85s(訓練數(shù)據(jù)的單點產量計算占總時長約81.35%),,顯著降低機器學習算法所需的人工成本和同化變量過程計算的時間及算力成本,。研究結果為準確、快速的大區(qū)域作物估產提供理論支持和技術參考,。