；
[0070] 步骤104b :根据所述土壤速效养分含量的设定值计算所述目标地区在所述第一 生长阶段的开始时刻的土壤速效养分含量。
[0071] 其中，步骤104a的过程可以通过查找数据表格来实现。具体来说，数据表格中可 以记录不同应用场景下土壤速效养分含量的上述设定值（第一生长阶段的开始时刻的模 型中的土壤速效养分含量）与第三生长阶段结束后的状态参数之间的对应关系（每一组数 据作为一个表项，表项之间具有一定的数值间隔），从而土壤速效养分含量的反演可以通过 遍历该数据表格、查找到符合条件的表项来实现。可以理解的是，虽然数据表格的建立可能 需要很大的计算量，但是在应用场景相同或相似的一些情况下数据表格可以具有一定的通 用性，可以在多次使用时减小总体的计算量。
[0072] 作为另一种具体的示例，上述步骤104可以具体包括附图中未示出的下述步骤：
[0073] 步骤104c :按照对作物的状态参数的模拟方式，构建关于所述第一生长阶段开始 时的土壤速效养分含量与所述第三生长阶段结束后的状态参数的方程或方程组；
[0074] 步骤104d :求解所述方程或方程组，以根据得到的所述土壤速效养分含量计算所 述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含量。
[0075] 具体来说，上述步骤104c的方程或方程组的构建过程可以参照模拟作物生长过 程的方式来进行。比如，WOFOST作物生长模型中包含有根据土壤速效养分含量得到叶面积 指数的计算关系，从而基于该计算关系可以将叶面积指数作为已知量，而将土壤速效养分 含量作为未知量构建上述方程或方程组，通过求解方程或方程组来反向地求得第一生长阶 段开始时的土壤速效养分含量。可以看出，该方式对各种不同的应用场景均可以适用，并相 比构建数据表格的方式具有更小的计算量。
[0076] 需要说明的是，本发明实施例中模拟的作物生长过程需要与实际的作物生长过程 在时间上按照上述第一生长阶段、第二生长阶段和第三生长阶段相互匹配。而在实际操作 中，有关实际的作物生长过程的数据可以预先准备好，而在计算过程中则可以按照以一定 步长顺序迭代的方式按照上述步骤101至步骤104的顺序进行上述作物生长过程的模拟， 也就是说这一计算过程所用到的数据需要具备时间上的先后对应关系，而步骤101至步骤 104的进行（进行模拟计算的时间段）则不需要在时间上与上述第一至第三生长阶段（作 物实际生长的时间段）对应。
[0077] 可以看出，本发明实施例基于作物模型，以模拟作物生长与遥感数据同化相结合 的方式建立了土壤速效养分含量的反演算法，解决了现有技术难以利用遥感数据全面而精 确地计算出土壤速效养分含量的问题。进一步地，与现有技术相比，本发明实施例具有以下 有益效果：
[0078] 1.与传统基于土壤光谱特征的土壤速效养分遥感估算技术不同，本发明实施例设 计的算法针对含量低而光谱特征不明显，但却对作物生长与产量形成有更大影响的速效养 分，提出了利用作物模型基于遥感数据同化技术反向模拟土壤速效养分的方法，拓展了农 田土壤速效养分遥感估算的思路。
[0079] 2.本发明实施例充分利用了遥感在空间监测方面的高时间分辨率、高空间分辨 率、大范围、成本低等优点，并发挥作物模型生理生化基础强、原理描述详尽、结果稳定等优 点，不仅克服了经验统计方法普适性和稳定性问题，还在很大程度上降低了算法对遥感数 据质量和作物类型的依赖程度。
[0080] 3.作物模型对遥感数据光谱分辨率的低要求，有利于摆脱以往研究对高光谱数据 的依赖，降低应用的技术门槛与成本。同时，本发明实施例所提出的方法可以对氮、磷、钾进 行同时模拟，克服了传统方法只能模拟土壤单一养分含量的缺点，提高了模拟精度。
[0081] 另一方面，上述目标地区可以在空间上划分为若干个与遥感影像的像元相互对应 的格网区域，从而在每一个格网区域内均可以独立地进行上述步骤101至步骤104的流程。 基于此，在上述遥感数据同化的过程中，除了应用现有技术中的方法之外，还可以在模拟迭 代过程中的第η步与第n+1步（η为大于等于1的正整数）之间依照下式进行处理：
[0083] 其中，LAI (n+1)为格网单元在第n+1步中经过所述遥感数据同化后模拟得到 的叶面积指数；LAIwf(η)为格网单元在第η步模拟中的遥感数据同化前的叶面积指数； LAIrs(η)为由第η步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指 数；LAIrsm(η)为所有格网单元的LAIRS(n)的平均值；LAIrsmx(η)与LAI RSMN(n)分别为所有格 网单元的LAIrs (η)中的最大值与最小值；a。为预设遥感数据影响系数（大于零的数值，一般 可以取1~30) ;LAIWFM(η)为所有格网单元的LAIWF(n)的平均值。
[0084] 举例来说，对于包括400个格网单元的目标地区，第η步中对于任一个格网单元 都可以由相应的遥感数据反演得到一叶面积指数LAIrs (η)，所以根据这400个格网单元的 LAIrs (η)可以计算得到平均值LAIrsm (η)、最大值LAIrsmx (η)和最小值LAIrsmn (η)。而且，基于 第η步的叶面积指数的模拟结果LAI (η)，任一个格网单元都可以按照作物生长过程的模拟 方式得到第n+1步遥感数据同化前的叶面积指数LAIwf(η)，并且根据这400个格网单元的 LAIWF(n)可以计算得到平均值LAIWFM(n)。从而，对于任意一个特定的格网单元，可以依照上 式以该格网单元的LAIrs (η)与LAIwf(η)计算出该格网单元在第n+1步中经过所述遥感数据 同化后模拟得到的叶面积指数LAI (n+1)。需要说明的是，在实际应用中可以通过调整上述 a。的大小来调整遥感数据在状态参数校正结果中所占的比重，从而可以适应不同的应用场 景。
[0085] 不同于EnKF遥感数据同化方式，上述遥感数据同化方式可以在水分限制条件下 模拟作物生长。在实际应用中，可以根据应用场景选取适当的遥感数据同化方式，以得到不 同的土壤速效养分含量的反演算法；对于特定的土壤类型和作物种类，可以通过比较反演 结果与实际测定结果的偏差，选取最适合的土壤速效养分含量的反演算法。
[0086] 在实际获取的遥感影像中，云点像元、由云层遮挡而产生的云阴影像元，以及存在 高亮坏点的像元会干扰状态参数的反演，因此可以按照下式对其进行纠正：
[0088] 其中，LAIWF(n)为格网单元在第η步模拟中的遥感数据同化前的叶面积指数； LAIrs(η)为由第η步模拟所对应的时间段内的格网单元的遥感数据反演得到的叶面积指 数；LAI'RS(n)为进行修正后的LAIRS(n) ;LAIRSM(n)为所有格网单元的LAIRS(n)的平均值； %、Id1均为预先通过遥感影像测试得到的云点像元及云阴影像元的检测参数；a2、b2均为预 先通过遥感影像测试得到的高亮坏点像元的检测参数。
[0089] 具体来说，可以根据遥感影像测试来标定云及云阴影的检测参数&1、Id 1，并按照上 述检测条件将这些存在过多云点像元或云阴影像元的格网单元的叶面积指数反演结果修 正为该格网单元的LAIWF(n)。类似地，可以根据遥感影像测试来标定高亮坏点的检测参数 a2、b2，并按照上述检测条件将这些存在过多高亮坏点像元的格网单元的叶面积指数反演结 果修正为该格网单元的LAIWF(n)与该格网单元的LAIRS(n)之间的平均值。
[0090] 作为一种土壤速效养分含量的反演结果的应用示例，图2是本发明一个实施例中 一种土壤速效养分变换过程的步骤流程示意图。参见图2,在上述任意一种土壤速效养分的 反演方法的基础上，可以还包括：
[0091] 步骤105 :根据所述目标地区在所述第一生长阶段的开始时刻的土壤速效养分含 量，构建所述目标地区处的作物带走土壤速效养分的百分比含量关于起始时刻t。与终止时 刻心的模拟函数GUl^t1);
[0092] 步骤106 :按照下式计算从起始时刻t。到终止时刻t i的时间段内所述目标地区处 的土壤速效养分的含量变化百分比函数I (t。，:
[0093] I (t〇, ti) = F (t〇, ti) *G (t〇, ti) *K (t〇, ti) *S (t〇, ti)
[0094] 其中，F(t。，为该时间段内由水土流失和降水冲刷所引起的土壤速效养分的含 量流失百分比函数；K(t。，为该时间段内由施肥量所引起的土壤速效养分的含量增加百 分比函数；S(^t1)为该时间段内由土壤速效养分自更新所引起的土壤速效养分的含量变 化百分比函数。
[0095] 具体地，由于步骤104得到的土壤速效养分含量随时间的变化刻画了作物在生长 过程中带走土壤速效养分的过程，因此基于此可以构建目标地区处的作物带走土壤速效养 分的百分比含量关于起始时刻t。与终止时刻t i的模拟函数G α。，h)。在此基础之上，在将 农田作为一个完整的系统，忽略人为干扰、动物微生物破坏等不确定性因素的前提下，可以 按照上式计算得到目标地区处的土壤速效养分的含量变化百分比函数I a。，。根据该函 数，就可以将步骤104得到的土壤速效养分含量作为基础进行时间上的变换，用以指导后 续种植过程中的精确施肥。
[0096] 举例来说，在利用步骤101至步骤104反演得到了某一地点处一组2008年3月 份（t。）的土壤速效养分含量数据后，可以按照上述步骤105得到该地点处的作物带走土壤 速效养分的百分比含量的模拟函数G(t。，D。从而，利用上式可以计算得到2009年2月份 U1)新一轮的播种时该地点处的土壤速效养分含量。依此，可以根据计算结果和步骤101 至步骤104的模拟过