在作物灌溉管理上，水资源是作物生长的一个重要限制因子。随着人口的不断增加，人们对生活用水和工业用水的需求也不断增加，进而导致农业水资源使用的竞争不断加大。在灌溉农业区域，对于农业来说，水资源变得越来越缺乏。水分生产力(WP)或水分利用效率（WUE，它被作为分析水资源利用效率的一个指标）用来改善灌溉农业地区的水资源管理。在灌溉农业区域，通过改善该地区作物的WUE，从而解决当前该地区水资源严重短缺和需要更多作物产量的问题。合理的田间灌溉管理措施，可以提高作物的WUE和增加作物的产量，进而解决灌溉农业地区水资源严重不足的问题。然而，当前传统的WUE测量方法，需要研究人员花费大量的人力物力和时间。随着遥感技术在农业水分管理上的应用，使遥感影像数据在区域尺度上估算作物的WUE成为可能。　　在本研究中，在冬小麦的整个生长阶段获得田间的ASD高光谱数据、卫星影像数据（光学和雷达影像数据）、气象数据、冬小麦的叶面积指数(LAI)，冠层覆盖度(CC)、生物量(BY)和产量(GY)等数据。基于AquaCrop模型和多源遥感数据对研究区域的冬小麦WUE进行估算研究主要包括五个方面:1）应用全局敏感性分析方法对AquaCrop模型的产量和相关的动态输出变量进行敏感性分析;2）在华北平原，应用AquaCrop模型对不同灌溉和不同播种日期的冬小麦CC、BY和GY进行模拟分析;3）整合田间ASD高光谱数据和AquaCrop模型，对冬小麦的WUE进行了估算;4）使用环境卫星和RADARSAT-2影像数据构建新的光学-雷达整合植被指数对冬小麦的CC和生物量进行估算;5）基于粒子群优化算法，将AquaCrop模型与光学和雷达影像数据整合，对陕西杨凌地区的冬小麦WUE进行估算。一些重要的结论归结为:　　1)作物参数敏感性随着作物参数变化范围的变化而变化。对于一阶敏感性指数来说，当设置作物参数的变化范围在正常值±10％变化时，作物参数对冬小麦最大干生物量从最高到最低的重要性顺序为wp、 cc、stbio和mcc，作物参数对春小麦最大干生物量从最高到最低的重要性顺序为stbio、cc、wp和mcc。与上面的研究结果类似，当设置作物参数的变化范围在正常值±30％变化时，作物参数对冬小麦和春小麦最大干生物量的重要性及选择的顺序是相同的。当设置作物参数的变化范围在正常值±50％变化时，作物参数对冬小麦和春小麦最大干生物量的重要性及选择的顺序存在一定的差异。对于总的敏感性指数来说，当设置作物参数的变化范围在正常值±10％变化时，作物参数的重要性和选择的作物参数对冬小麦最大干生物量(wp、cc、stbio、rootdep、polmn、mcc，和psto)和春小麦最大干生物量（stbio、cc，wp和mcc）之间存在一些差异。然而，当设置作物参数的变化范围在正常值±30％变化时，作物参数的重要性和选择的作物参数对冬小麦最大干生物量（wp、cc，stbio和mcc）和春小麦最大干生物量（wp、cc，stbio和mcc）之间是相同的。当设置作物参数的变化范围在正常值±50％变化时，作物参数的重要性和选择的作物参数对冬小麦最大干生物量（wp、cc，stbio和mcc）和春小麦最大干生物量(stbio、cc、wp、dcc、rmexup、pstoshp、hilen、anaer、hi、mcc、remd，eme和psto)之间存在较大差异。时间序列敏感性分析结果表明，作物参数ssc、stbio、plomn、wp、cc，mcc和num的时间序列一阶敏感性对冬小麦或春小麦的冠层覆盖度和干生物量最敏感。作物参数总的敏感性指数和时间序列总的敏感性指数比作物参数一阶敏感性指数和时间序列一阶敏感性指数更加敏感。北京的冬小麦和加拿大的春小麦之间一阶敏感性指数和时间序列一阶敏感性指数具有较好的一致性。然而，冬小麦和春小麦之间总的敏感性指数和时间序列总的敏感性指数存在较大差异。　　2)本研究证明AquaCrop模型可以较好的模拟不同播种日期和不同灌溉策略的冬小麦冠层覆盖度(CC)，生物量(BY)，产量(GY)。通过4年的研究表明AquaCrop模型模拟的CC与实测的CC具有较好的一致性。冬小麦模拟的CC与实测的CC的R2，RMSE和E值变化范围分别为0.89到0.98，3.18％到7.19％和0.90到0.96。模拟的BY与实测的BY具有较好的关系。实测的BY用来校正AquaCrop模型，它的预测统计误差为0.92＜R2＜0.98，1.12＜ RMSE＜1.84 ton ha-1和0.92＜ E＜0.96。模拟的GY也与实测的GY具有较好的一致性，AquaCrop模型模拟的GY也与实测的GY的RE，RMSE和E值分别为0.93，0.52 tonha-1和0.92。同时研究结果也证明，在2010/2011年冬小麦，通过频繁少量的多次灌溉可以显著地改善BY，GY，生物量和籽粒的水分利用效率。这些结果表明AquaCrop模型模拟值和实际测量值具有较高的一致性和稳定性，它可以用来模拟华北平原(NCP)不同播种日期和不同灌溉策略的冬小麦CC，BY和GY。因此，我们可以得出这样的结论，AquaCrop模型是一个有用的决策工具，用它可以有效的优化冬小麦的播种日期和灌溉策略。　　3)研究结果表明，蒸渗仪获取的ET数据与Aquacrop模型模拟的ET数据具有较好的一致性（R2=0.96和RMSE=0.47 mm）。植被指数NDMI与冬小麦生物量存在较好的关系，对应的R2和RMSE值分别为0.84 and1.43 ton/ha。所有的植被指数与水分利用效率(WUE)具有较高的相关性，我们的研究结果说明植被指数TBWI为最好的WUE估算回归方程，对应的R2和RMSE值分别为0.73和0.15 kg/m3。用AquaCrop模型模拟的冬小麦生物量和产量与实测的冬小麦生物量和产量存在较好的关系。本研究结果说明数据整合方法(R2=0.79和RMSE=0.12 kg/m3)优于经验统计植被指数方法（R2=0.72和RMSE=0.15 kg/m3）对冬小麦WUE的估算精度。　　4) LAI和BY与光学光谱植被指数（OSVIs;增强型植被指数，EVI;改善三角植被指数2，MTVI2）和雷达极化植被指数（RPVIs;雷达植被指数，RVI;双向反射特征值相对差异，DERD）存在较好的关系。光学雷达植被指数(ORVIs)[MTVI2×DERD(R2=0.67)和MTVI2×RVI(R2=0.68)]与LAI有较高的相关性。但是，ORVIs[优化土壤调节植被指数(OSAVI)×DERD(R2=0.79)和EVI×RVI(R2=0.80)]与生物量有较高的相关性。 ORVIs优于单独用OSVIs和RPVIs对LAI和BY的估算精度。研究结果表明，ORVIs对改善冬小麦LAI和BY的估算精度有很大潜力。　　5)使用粒子群优化算法将光学和雷达影像数据与AquaCrop模型进行整合，用来估算杨凌的冬小麦产量和WUE。以CC或BY分别作为状态变量，预测的CC(R2=0.66和RMSE=10.45％)和BY(R2=0.79和RMSE=1.53 ton/ha)与实测的CC和BY之间有很好的一致性。当以CC作为状态变量时，预测的GY（R2=0.31和RMSE=0.94 ton/ha）和WUE（R2=0.34和RMSE=0.29 kg/m3）与实测的GY和WUE有较好的一致性。当以BY作为状态变量时，预测的GY(R2=0.42和RMSE=0.81 ton/ha)和WUE(R2=0.43和RMSE=0.25kg/m3)与实测的GY和WUE也有较好的一致性。研究结果表明，以BY作为状态变量优于以CC作为状态变量对冬小麦GY和WUE的估算结果。