本文的研究内容仍集中在遥感信息与作物模式结合方法的研究，同时也尝试利用建立的遥感－作物反演模型在区域尺度上进行作物模式参数反演和估产方面的初步应用。全文分为两部分： 第一部分，方法研究。在遥感信息与作物模式结合方法研究中，主要建立了两个遥感－作物反演模型：遥感－DSSAT小麦反演模型和遥感－COSIM棉花反演模型。 1.遥感－DSSAT小麦反演模型遥感－DSSAT小麦反演模型是将遥感信息与目前国际上较为公认的DSSAT的核心模型CERES中小麦生长模型，以LAI为结合点，利用同化原理，采用Powell优化算法结合而成的。反演的参数为播种期和种植密度。模型通过优化初始参数播种期和密度，最终模拟出最佳产量。但是，从反演模型可行性检验的模拟试验结果看出，反演模型反演的参数存在较大不确定性，而且反演模型对外部同化数据LAI的误差、初始值及初始上下界等反应过于敏感，因此该反演模型的实际应用性较差。主要原因是Powell方法自身的缺陷造成的，即它只是一个局部而非全局的优化算法，无法从全局层面上优化参数。 2.遥感－COSIM棉花反演模型遥感－COSIM棉花反演模型是将遥感信息与目前国内较为成熟COSIM棉花模型，以LAI为结合点，利用同化原理，采用SCE，SA，DE三种优化算法分别结合而成的。反演的参数为播种期、种植密度、生育期总施氮量和灌溉量。通过对反演模型可行性检验认为： (1)利用相同的外部同化数据，采用不同优化方案反演的同一参数，其值有所不同。因此就参数反演而言，不同的方案反演同一参数存在一定的不确定性。但对产量模拟影响不大。 (2)无论外部同化数据LAI是否存在误差，都是播种期和种植密度的反演结果较好，而施氮量和灌溉量较差。COSIM棉花模型氮肥和水分模块不够完善是导致施氮量和灌溉量反演不稳定的主要原因。因此作物模型本身的好坏对参数反演准确性影响很大。 (3)SCE、SA和DE方案的反演模型均与反演参数的初始值无关(这与Powell优化算法完全不同)，因此客观上减少了反演模型的一个可能的误差来源，体现出该方法可行性的一面。 (4)同一方案下，随着外部同化数据随机误差的增加，各项参数反演的误差和产量的模拟误差总体上也逐步增大。但误差并不与外部同化数据随机误差同步增加，这也是这种方法具有可行性的一面。 (5)在LAI序列上取不同时段的LAI作为外部同化数据的模拟试验得出，三种优化方案下的反演模型均表现出同时取前中期的LAI作为外部同化数据时，参数反演的误差总体上最小，模拟的产量误差也全部为最小。这一特点对充分利用前中期的数据提前做出产量预测十分有利。这是这种方法用于估产具有可行性的另一个方面。 (6)实际应用的“仿真试验”，即在带有随机误差的LAI序列上取不同时段的3至5个LAI作为外部同化数据时所做的模拟试验结果表明，不同误差水平(3％，5％，7％和10％)之下三种方案的反演模型模拟的产量误差范围均较小。以外部同化数据的随机误差为10％为例，SCE、SA和DE方案下的反演模型模拟的产量误差分别为5.0～6.9％、4.6～7.0％和5.7～8.1％。对于大面积估产来说误差都算较小，但相比之下SCE和SA方案下的反演模型估产误差更小，DE方案下的反演模型估产误差相对较大。而且，还有一点值得一提，就是从计算的时间效率来看，SCE方案远远优于SA和DE，SA居中，DE最差。因此，综合各方面因素，认为SCE优化方案下的反演模型最优。 (7)对于初始值上下界范围对反演结果的影响，情况较为复杂，是反演模型实际应用时的一个可能的误差来源。但根据丰富的先验知识给定一个合理的范围值，是解决问题的方法之一，另外也可以根据数学等方法设立“软边界”加以解决，这有待于今后进一步研究。 第二部分，应用研究。利用所建遥感－作物反演模型在区域上进行应用的研究。主要选用了SCE优化方案下遥感－COSIM棉花反演模型在新疆北部棉花主产区11个县市进行棉花参数反演和估产的应用。 (1)总体来说，根据已知的大面积棉区的产量和播种期、种植密度、施氮量和灌溉量的粗略资料，与相应的区域应用计算结果进行比较，二者基本一致，可以定性地说明应用效果较好。 (2)将两个单点的实际观测值与相应区域上两个点的计算结果进行对比，可以看出，在大面积应用时遥感－COSIM反演模型的应用效果是比较好的，产量的模拟误差分别为-5.8％和-5.1％，对于大面积遥感估产来说，这个误差水平很低，说明该方法用于大面积估产是可行的。如果COSIM模型的模拟准确性更好的化，相信各项误差还会更小一些。 总之，从理论上说，将遥感信息与作物模型结合是一种很好的、先进的遥感估产的方法，应用研究中也表现出良好的应用效果。但限于目前区域应用时一些资料主要是缺乏详细的土地利用信息和区域上更多的观测和统计数据，使得对模型应用效果的检验还不够充分，也限制了模型及早在区域上进行实际应用。