遥感数据与作物模型结合是当前农业信息技术应用研究热点之一。遥感的实时性、区域性和生长模型的机理性、预测性相结合优势互补,能实现农作物大面积长势监测和作物估产。目前,遥感与模型耦合方法多基于初始化/参数化法,即以遥感反演的农学参数为耦合点,该方法建立在假定遥感反演值比模型模拟值更准确的前提之上,但实际上农学参数的遥感反演也存在较大误差。因此,直接利用遥感信息(如植被指数)作为耦合点的同化法可避免遥感反演农学参数过程所产生的误差。另外,目前遥感与生长模型耦合反演模型初始参数的过程主要采用栅格计算的方法,需要重复多次调用生长模型进行模拟,从而带来计算量大的问题。近年来,计算效率问题也成为遥感模型耦合研究的热点之一。本研究采用两种不同的耦合策略:一是基于初始化/参数化法,将多源、多时遥感信息通过统计模型反演农学参数(LAI和LNA),即"遥感反演值",与小麦生长模型(WheatGrow)模拟的状态变量作为信息耦合点,反演区域尺度生长模型难以准确获取的某些栽培管理参数(播种期、播种量和施氮量);二是基于同化法,通过将PROSAIL模型与小麦生长模型(WheatGrow)连接得到耦合模型模拟冠层光谱,与多源、多时遥感数据提取的光谱信息,即"遥感观测值"直接比较,反演区域尺度生长模型的播种期、播种量和施氮量等输入参数,从而实现区域尺度小麦的监测预测。比较了两种不同的耦合机制,正确性验证的结果表明,在"遥感反演值"足够准确的前提下,反演的播种期、播种量和施氮量能达到较好精度,且以"遥感观测值"为耦合指标的反演方法并未表现出明显的优势;以地面光谱数据为外部同化数据源的耦合预测结果表明,以"遥感观测值"为耦合指标的预测结果明显优于以"遥感反演值"为耦合指标的结果,可能原因是基于统计模型的遥感反演农学参数过程存在一定误差的原因。结合模拟分区的方法,对研究区土壤养分指标(有机质、全氮和速效钾)及小麦冠层不同生育时期RVI进行空间自相关性分析,并在此基础上进行了模拟分区。结果显示,各分区内有机质、全氮和速效钾的变异系数分别为2.8-6.6%、34.2-55.1%和5.7-8.2%,均小于3各指标在整个区域的变异系数7.63%、65.99%和9.89%;各子区3时期小麦冠层RVI变异系数分别为4.4-17.8%、3.1-5.7%和5.6-9.5%,均小于各指标在整个区域的变异系数25.38%、9.61%和16.52%,表明分区达到了较好效果。在各分区基础上运行耦合模型,减少了运算单元,从而解决了区域尺度反演计算量大的问题。借助数据融合技术,将高空间分辨率与高时间分辨率影像融合得到的时序性高时空分辨率影像,并将其作为遥感-模型信息融合点,通过对耦合模型构建基于管理措施参数(播种期、播种量和施氮量)与植被指数间的查找表,实现了对区域尺度生长模型运行时难以准确获取的部分管理措施参数的反演,并最终提高了区域尺度WheatGrow模拟精度。同时,利用不同年份不同生态点的试验数据研究了遥感与耦合模型的最佳耦合植被指数、最佳耦合时期。结果表明:(1)以3波段的RNir(RRed+RGreen)或SAVI(RNir,RRed)为耦合指标的结果最优;(2)如用一个时期遥感数据作为同化耦合点,则抽穗开花期是耦合的最佳时期;(3)如能获取多个生育期的高时空分辨率影像,则当同化拔节后期到灌浆前期的3-4景影像时,预测精度最高。基于上述研究结论较好的模拟了两个不同生态点冬小麦长势和生产力指标的时空分布情况。研究结果可为区域尺度冬小麦生长的监测预测提供重要技术支撑。