作物生长模型与遥感信息耦合,结合了模型的机理性、预测性与遥感的空间性、实时性等特点,既有利于作物生长模型的区域应用,又能增强遥感监测预测的机理性。本研究以冬小麦为对象,依托不同品种、不同种植密度、不同施氮水平的小麦田间实验及张家港地区田间调查数据,对WheatGrow模型耦合遥感信息的适宜时期和次数进行了分析,构建了基于同化与更新结合策略的模型遥感耦合技术与基于模型分区的模型-感耦合区域产量预测技术。并在此基础上构建并完善了基于生长模型与遥感信息耦合技术的小麦生长监测预测系统。从而为小麦长势监测与产量预测提供了有效的技术支撑。为提高小麦区域生产力的预测精度问题,将同化策略(Assimilation strategy)和过程更新策略(Updating strategy)相结合,建立了基于同化—更新结合策略的遥感—模型耦合技术,用于区域小麦产量的预测。在遥感与小麦生长模型(WheatGrow)的耦合过程中,基于粒子群优化算法(Particle Swarm Optimization, PSO)和集合平方根滤波算法(Ensemble Square Root Filter, EnSRF),以叶面积指数(Leaf Area Index, LAI)和叶片氮积累量(Leaf Nitrogen Accumulation, LNA)共同作为同化耦合点和更新耦合点,将小麦拔节期至抽穗期遥感数据用于模型参数的初始化,灌浆期遥感数据用于模型模拟的更新,进而预测了最终产量。研究结果显示,在单点和区域尺度,同化—更新策略能够较好的描述冬小麦生长指标和产量的时空分布特征。研究结果可为区域尺度的作物生长监测和产量预测提供技术支撑。为解决空间尺度上模型与遥感耦合的计算效率问题,采用模拟分区的思想,利用小麦不同生育期的HJ-A/B CCD影像提取的比值植被指数(RVI)与土壤养分指标(全氮、有机质、速效钾)为数据源,在空间变异性分析的基础上,采用模糊C均值聚类算法分别对冬小麦关键生育期的RVI和土壤养分指标进行聚类分区,然后在子区的基础上采用同化—更新策略进行遥感与模型的耦合研究。结果表明,采用模拟分区作为计算单元,计算次数明显少于逐像元计算。各子区内RVI、土壤养分指标及产量的变异均小于整个区域的变异,其中采用单一时期遥感影像时,抽穗期分区结果与产量分布结构类似,且分区效果较好；采用三个时期RVI进行分区的效果较单一时期更优,叠置土壤养分指标分区结果后,增加分区数目,模拟结果更接近逐像元耦合模拟值。基于模拟分区后的遥感——生长模型预测的产量较逐像元预测的产量精度有所提高,更接近当地统计值,表明模拟分区可在保证预测精度的条件下提高遥感—模型耦合计算效率。基于小麦生长模型与遥感耦合技术,根据面向对象程序设计原理,以Microsoft.NET Framework3.5为开发环境,选择C#为编程语言实现系统整体架构和界面定制,以IDL组件集成RS功能模块为基础,在利用二次开发技术实现GIS相关功能的同时,实现了小麦生长模型与遥感信息的耦合,并构建了基于模型和遥感信息耦合的小麦生长监测与生产力预测系统,实现了影像预处理与光谱信息提取、遥感监测、模拟预测、专题制图、并行计算等功能。同时,系统基于CUDA (Compute Unified Device Architecture)架构实现了粒子群优化算法的并行计算,从而提高了系统运算效率。