地表植被叶面积指数(LAI)是进行作物长势监测的重要指标,准确估算LAI是卫星遥感数据定量应用的一个重要需求。目前,从卫星遥感数据获取地表植被LAI的主要手段有经验公式法、物理模型反演方法、查找表法(LUT)和非参数方法。其中经验公式法和非参数方法由于缺乏物理背景,从而导致其应用受到限制;LUT由于计算效率高则在卫星遥感产品中得到应用;物理模型反演方法是将描述卫星遥感观测信号与LAI之间关系的物理模型进行反演,从而得到LAI的估计值。由于作物(可以广义扩展到植被)在不同生育阶段的LAI往往具有时间关联性,如果能够充分利用这种作物生长时间相关信息,将会极大改善LAI反演效果。这种时间相关信息的表达是利用这种信息的基本问题,而作物生长模型恰恰可以描述这种信息。作物生长模型可以用于模拟作物生长过程和生长参数随生育期的变化,也揭示了环境因素对作物生长的影响原因。因此,在作物生长模型渐趋成熟、遥感技术迅速发展的今天,将两个具有互补性的先进技术结合起来,进行地表作物生长参数遥感提取方法研究,是一个既具有一定理论意义又具有广阔应用前景的课题,也是国际上近年来陆地表面参数遥感提取研究的新理念。数据同化技术的发展则为综合这两种信息提供了必要的手段,目前普遍采用的数据同化技术主要包括集合卡尔曼滤波算法(ENKF-Ensemble Kalman Filter)和变分同化算法,但近几年兴起的粒子滤波算法在模型参数的同化反演中也具有较大的应用潜力。针对目前国内外在LAI遥感反演研究和遥感数据产品应用中存在的主要问题,考虑国内现有的技术资料条件,本文的研究内容集中在将遥感信息与作物生长模型相结合同化反演LAI算法方面,同时也尝试利用建立的算法实现区域尺度时间序列LAI变化信息提取,及其在农作物产量预报中的应用。本文的主要研究工作和结论是:1.同化遥感数据和作物生长模型的集合卡尔曼滤波算法采用简化的作物生长模型LOGISTIC和时序遥感数据,研究采用集合卡尔曼滤波算法对农作物LAI进行同化反演的方法,以地面冠层实测二向反射率数据为例,验证了这种方法对改进LAI遥感产品质量的可行性;2.遥感数据与作物生长模型结合的变分同化算法及其效果验证采用简化的作物生长模型LOGISTIC来描述作物LAI随作物生长积温的变化趋势,以作物生长发育过程中LAI最大值作为待优化参数,发展了对LAI进行反演的变分同化算法,验证了算法的可行性,并初步阐述了将其推广应用到区域尺度的LAI遥感估算方法;3.遥感数据与作物生长模型结合的变分同化算法在区域尺度上的应用研究由于变分同化算法在结合作物生长模型和时序遥感数据方面具有较大的潜力,本文进一步采用机理化的作物生长模型CERES-Wheat对顺义地区的冬小麦LAI进行遥感数据同化反演;并针对研究中LAI同化结果的缺陷,采用对“中国典型地物标准波谱数据库”中冬小麦生长参数数据的统计结果,将LAI地面观测先验信息引入到变分数据同化算法。4.遥感数据与作物生长模型结合的粒子滤波算法研究及其在区域尺度上的应用研究考虑到各种同化算法对被反演参数后验概率的高斯性假设,或在算法中采用后验概率分布高斯性处理对算法的限制,本文最后引入能够对被反演参数后验概率进行合理评估的粒子滤波算法,对其在遥感同化反演LAI方面进行了方法论探讨。提出了估算同化反演模型中观测算子和遥感观测数据所涉及的观测项误差方法,改进了区域尺度LAI同化反演结果;同时将构建的粒子滤波算法应用于吉林省榆树地区玉米LAI反演研究,也初步探讨了其在产量评估方面的应用。论文最后对遥感数据同化反演地表参数进行了展望,讨论了各种同化算法在实际应用于区域尺度时的潜在发展空间以及局限性。