精准监测作物生长动态与区域产量估算是保障国家粮食安全的关键环节。然而，传统经验模型泛化能力有限，机器学习方法存在“黑箱”问题，而单一机理模型又常因参数不确定性导致模拟精度不足。为克服上述局限，本研究以华北冬小麦主产区（北京市昌平区小汤山镇、山东省滨州市明集镇）为研究对象，构建了融合遥感反演、模型耦合与数据同化的多源信息协同技术框架，旨在实现城镇与农场尺度下冬小麦产量的高精度估算。基于Sentinel-2和Landsat-7/8多源遥感数据，提取归一化植被指数（NDVI）、增强型植被指数2（EVI2）等关键植被指数，结合蜣螂优化算法（Dung Beetle Optimizer, DBO）对CBA-Wheat模型关键参数进行优化，显著提升了全生育期地上生物量（Aboveground Biomass, AGB）的遥感反演精度。同时，采用非支配排序遗传算法II（NSGA-II）对WOFOST机理模型的关键生理参数（如第一、二阶段积温需求TSUM1/TSUM2、比叶面积SLATB等）进行多目标校准，深入解析作物生物量分配机制。进一步地，引入集合卡尔曼滤波（Ensemble Kalman Filter, EnKF）方法，将遥感反演获得的AGB分解为叶片（WLV）、茎秆（WST）和贮藏器官（WSO）干物质组分，实现多组分生物量的动态同化，有效修正模型模拟偏差。以2019年与2023年田间实测生物量及产量数据为验证基准，结果表明：经DBO优化后，CBA-Wheat模型在生物量反演精度上显著提升；通过EnKF同化后的WOFOST模型在区域尺度上表现出优异的模拟能力，生物量模拟决定系数（R²）达0.97，产量估算的均方根误差（RMSE）显著降低。本研究通过融合数据驱动与机理模型优势，构建了一套适用于城镇—农场多尺度冬小麦产量预测的技术体系，不仅提升了产量估算的准确性与可靠性，也为推动精准农业发展和国家粮食安全保障提供了有力的方法支撑。
 

WOFOST,CBA-Wheat,生物量同化,NSGA-II,城镇农场尺度