遥感与作物生长模型作为区域产量估测的两类重要科学手段,已经得到了广泛应用和验证。数据同化技术融合了遥感的大面积信息获取能力和作物生长模型的机理过程特性优势,是提高区域估产精度的重要方法之一。然而,当前作物模型遥感同化中还存在不确定性量化不明确、高空间分辨率遥感数据同化效率偏低的问题,而基于贝叶斯理论的马尔科夫链蒙特卡洛（Markov Chain Monte Carlo,MCMC）方法在依据少量的地面观测数据标定复杂的作物生长模型、量化参数不确定性方面相较于传统的试错法、最小二乘法等参数优化方法具有显著优势。因此,针对上述问题并围绕区域冬小麦单产估测,本文构建了引入贝叶斯后验参数集合的集合卡尔曼滤波（Ensemble Kalman Filter,EnKF）同化估产方法和基于贝叶斯后验预测集合的10 m分辨率遥感数据快速同化方法,建立了统一于贝叶斯概率框架下的10 km、250 m,以及10 m分辨率的区域冬小麦单产估测技术流程。本文重点研究如何将MCMC标定的后验不确定性传递到遥感与作物模型的同化系统以提升同化估产精度、加快同化估产效率,为遥感数据与作物模型的同化估产应用研究提供创新方法。本文的主要研究工作及结果如下:（1）基于遥感数据、区域统计数据、站点观测以及地块实测等数据,在不同尺度上开展了作物生长模型的MCMC标定和后验不确定性分析。首先基于农气站点的物候观测（出苗、开花、成熟期）构建似然函数,运用MCMC方法对世界粮食研究（WOrld FOod Studies,WOFOST）模型的物候参数进行标定。然后分别以250m分辨率的全球陆表特征参量（Global land surface satellite,GLASS）叶面积指数（Leaf area index,LAI）产品统计的县域LAI时间序列和县域统计单产、250 m分辨率的GLASS LAI时间序列和地块实测产量构建似然函数,在县域尺度和地块尺度运用MCMC方法对WOFOST模型的关键参数进行了标定与不确定性估计。结果表明,基于不同的观测数据,MCMC方法能够合理量化模型参数的不确定性及其相关性,为数据同化系统提供模型不确定性的定量估计。（2）探究MCMC标定后验不确定性与EnKF数据同化算法有机结合方法,构建了引入贝叶斯后验参数集合的EnKF同化估产方法,以实现将上一年MCMC标定所获取的参数不确定性传递到当年的EnKF同化系统中。在此基础上开展多年（2018～2021年）、多分辨率（10 km、250 m）、大范围（河南省、河北省）的同化估产应用,并与经典的EnKF同化进行对比。结果表明,基于地块实测产量验证250 m分辨率同化结果,按平均绝对百分比误差（Mean Absolute Percentage Error,MAPE）计算,整体精度达92%,其确定系数（R-Squared,R~2）达0.41,均方根误差（Root Mean Square Error,RMSE）达686 kg/ha,明显优于经典的EnKF同化结果（R~2为0.22～0.38,RMSE为708～928 kg/ha）;基于县域统计产量验证10 km分辨率同化结果,按MAPE计算,整体精度达88%～90%,其R~2达0.42～0.68,RMSE达619～813 kg/ha,整体优于经典的EnKF同化结果（按MAPE计算,多年平均精度82%～88%）。表明所提出的同化方法能够更加客观合理量化模型的不确定性且整体上产量估测精度更优。（3）为改善高空间分辨率遥感同化估产的运算效率,研究基于作物生长模型MCMC生成的后验预测集合和遥感LAI的产量映射方法,构建了适用于高空间分辨率遥感数据的快速同化估产方法。以河北省衡水市2016年的县域统计产量、2017年的田间实测作物生长信息,以及Sentinel-2和Landsat 8反演的遥感LAI估测该市2017年10 m分辨率的冬小麦产量,结果显示,所构建的方法在地块内部的产量估测精度为R~2=0.29,RMSE=574kg/ha,在县域尺度的产量估测精度为R~2=0.52,RMSE=442kg/ha;同时,所构建方法的运算效率大约是经典的EnKF同化的90倍。