准确地作物产量预测信息对于一个国家或地区的粮食安全预警、粮食流通贸易、管理部门决策具有至关重要的作用。传统常规区域农情信息统计调查与监测估测手段存在时效性、经济成本和准确性等方面的不足,不能表明作物生长发育的内在机理,并且难以描述气候、土壤、环境对作物生长发育的状况。利用遥感数据对作物生长模型进行同化,通过遥感信息获取作物时间上连续的变化状况,对作物生长模型进行敏感性参数的调整与分析,提高作物模型预测产量及其他方面的精度。本文以江苏省的昆山市、淮安市、徐州市2001-2010年的冬小麦为研究对象,以叶面积指数(LAI)为结合点,利用模拟退火算法对WOFOST(World Food Study)模型模拟的叶面积指数(LAI)和遥感叶面积指数(MODIS-LAI)进行同化,开展同化遥感信息和作物模型进行研究区域的冬小麦模拟分析。具体工作如下：(1)由于遥感数据常受到大气、云污染等影响,会导致MODIS数据存在数值过低及异常值,本研究运用Savitzky-Golay(S-G)滤波方法处理遥感数据,平滑时间序列曲线,并通过来源于中国气象数据共享网的研究区域的实测叶面积指数数据资料(LAI)修正MODIS-LAI.在运用S-G滤波平滑MODIS-LAI时间序列曲线过后,再通过Logistic曲线进一步修正MODIS-LAI数据,使得修正过的MODIS-LAI时间序列曲线更加符合冬小麦的实际生长发育状况。(2)为实现WOFOST作物模型模拟的实际应用,针对遥感影像中实际存在的混合像元问题,本文做了如下探究：采用2013年1月1日-2014年12月19日的46景MODIS-NDVI时间序列数据、MOD09A1反射率影像及Landsat数据,开展基于决策树分类方法和混合像元分解方法,提取了江苏省2013年冬小麦种植面积的研究,给出其空间分布图,精度评价结果表明,效果显著。(3)利用有关数据资料,包括气象数据、土壤参数、作物参数等,采用研究区域气象站点2001-2011年的气象数据,通过对作物生长发育参数的不断调整,并借鉴前人的研究,调整冬小麦的生长发育参数,建立了以昆山、淮安、徐州为代表站点的冬小麦生长模型的有关遗传参数,使得WOFOST模型基本能符合江苏省冬小麦的生长发育模拟的需要。(4)通过WOFOST模型作物参数的敏感性分析,确定了影响冬小麦生长发育的关键性作物参数,最终确定作物播种日期(Sowing Date)、比叶面积(SLATB)、最大C02同化速率(AMAXTB)作为作物模型WOFOST的同化参数,为运用模拟退火算法同化模型作物参数做准备。并运用昆山、淮安、徐州3个站点2001-2010年冬小麦的产量统计数据与徐州站点2001-2010的冬小麦生育期资料对模型本地化的适应性进行验证。(5)在作物模型本地化的基础上,运用模拟退火算法并基于MODIS-LAI同化作物模型WOFOST,通过对敏感性参数作物播种日期(Sowing Date)、比叶面积(SLATB)、最大C02同化速率(AMAXTB)进行调整与修正,并进行两组不同LAI数据对比实验,使得模型模拟的LAI与MODIS-LAI差值最小,选取合适的同化数据同化模型,结果表明,第2组实验同化数据(播种日期=290,比叶面积=0.00219,最大C02同化速率=35.96)能更好地反映研究区域冬小麦实际的生长发育状况,同化后的作物模型模拟效果良好,提高了WOFOST作物模型模拟江苏省冬小麦的精度。