数智赋农·让人类吃得更好

  农作物生长模型概念介绍

  作物生长模型是通过数学方法定量描述作物生长发育过程的技术体系，其核心在于耦合遥感数据与生理过程模拟。2025年发表的CropGrow模型研究显示，多时相遥感数据的整合突破了传统模型对地面观测的依赖，显著提升了叶面积指数（LAI）、叶片氮积累量（LNA）等参数的时空连续性预测能力。

  模型验证表明，基于遥感反演的叶片干物重（LDW）模拟值与实测值的决定系数R²达0.89，证实了该方法在降低模型不确定性方面的有效性。这一技术体系为作物动态监测提供了可验证的科学工具。

  农作物生长模型的模型架构与数据耦合

  CropGrow模型通过动态同化多时相遥感观测数据，构建了基于作物生理过程的状态变量更新机制。其输入端整合了覆盖作物全生育期的遥感反射率、植被指数等参数，替代了传统作物模型中依赖人工采集的田间数据，实现了大范围连续监测。

  耦合系统包含三个关键模块：

  遥感反演模块：提取冠层光谱特征与叶面积指数

  同化驱动模块：将反演结果转化为模型初始条件与边界条件

  过程模拟模块：基于光能利用率理论计算光合产物分配

  农作物生长模型的遥感融合技术的突破

  传统作物生长模型受限于地面观测数据的时空分辨率，而单纯遥感反演存在数据不连续、生理机制缺失的缺陷。CropGrow模型通过以下创新实现了技术突破：

  引入时序相关性约束，解决遥感数据因云雨干扰导致的缺失问题

  建立叶片氮含量与高光谱特征的经验模型，提升养分状态模拟精度

  开发双向数据同化算法，实现模型参数与遥感观测的闭环优化

  研究案例显示，耦合系统对抽穗期小麦LAI的预测空间分辨率达到10米，时间分辨率缩短至3天，较单一遥感反演方法提升50%以上。

  农作物模型验证与应用效果

  2025年的验证实验以黄淮海平原小麦主产区为对象，通过21个地面观测点的实测数据对比表明：

  叶片干物重（LDW）模拟值的平均绝对百分比误差为6.8%

  叶片氮积累量（LNA）在灌浆期的预测误差范围控制在±0.2g/m²

  全生育期LAI动态曲线与无人机遥感测量结果吻合度达92%

  该模型已应用于区域尺度产量预测，通过同化抽穗期遥感数据，显著提升了叶面积指数（LAI）、叶片氮积累量（LNA）和叶片干物重（LDW）等关键生长参数的预测精度。其开源代码架构支持玉米、水稻等作物的参数化扩展，为智慧农业提供基础工具支撑。