遥感作物生长模型同化是获取区域化植被生长连续动态信息的有效途径,已广泛地应用到农业领域。然而当进行大尺度推广时,目前的同化技术效率,难以满足大尺度作物生长连续动态监测的需求。因而,提高遥感作物生长模型同化的效率,对于快速准确获取区域尺度的植被生长动态信息意义重大,可以有效地指导农业生产。本研究选择我国重要的农业、工业基地——湖南省株洲市作为实验区域。收集了该区域的Landsat和HJ-1遥感影像数据、作物参数以及气象数据。选择合适的模型待优化输入参数构建了遥感/作物生长模型同化框架,在GPU(Graphics Process Units)的CUDA(Compute Unified Device Architecture)平台上成功开发了一套并行同化程序,并对比了串行程序与并行程序的同化效率。对生长季内的各生长参数进行了时空模拟,分析了2009-2016年实验区的水稻长势(叶面积指数、穗重)。本文的主要研究工作及结论如下:(1)构建了基于PSO(Particle Swarm Optimization)同化算法,以环境胁迫因子为模型待优化输入参数的遥感/WOFOST模型同化。将环境胁迫因子作为待优化输入参数,可以准确地获取研究区域中每个像元内水稻受环境胁迫影响的程度,从而准确获取水稻生长状况。(2)在GPU的CUDA平台下,开发了一套基于PSO算法的遥感/WOFOST模型并行同化程序。结果表明,对于研究区内的所有水稻像元,采用P40 GPU的CUDA平台,并行同化程序的效率相较于串行程序提高了280倍左右。(3)对2009-2016年的水稻长势进行时空分析。结果表明,2014年的水稻长势较差,环境胁迫对水稻生长过程影响较大;2009和2013年的水稻长势较好,环境胁迫影响较小;其他年份的水稻长势和环境胁迫处于中等水平。本研究在保证同化精度的前提下,基于GPU的CUDA平台,采用并行的同化算法,大幅提高了遥感作物生长模型的同化效率,从而实现了快速、准确地获取长时间序列、大区域尺度的水稻生长信息。该方法在农业遥感领域具有重要的应用价值。