雷達遙感農業應用綜述

張王菲 陳爾學 李增元 楊 浩 趙 磊

①(西南林業大學林學院 昆明 650224)

②(中國林業科學研究院資源信息研究所 北京 100091)

③(北京市農林科學院北京農業信息技術研究中心 北京 100097)

1 引言

1.1 研究背景

雷達是微波遙感應用中的主要傳感器。微波遙感的優勢主要包括3個方面：(1) 微波具有穿透云層甚至穿透雨區的能力；(2) 微波比光波能更深地穿透植被；(3) 微波與光學遙感得到的信息是不同的，它可以得到研究對象面或體的幾何特性和介電特性[1]。由于雷達遙感全天時、全天候監測的能力，在對植被散射體形狀、結構、介電常數敏感的同時具有一定的穿透能力，因此在農業監測中極具潛力。

雷達遙感目前在農業中的應用主要包括農作物分類與識別、農田參數(含水量和地表粗糙度)反演、農作物長勢參數反演(生物量，葉面積指數(Leaf Area Index,LAI)和高度)、農作物物候期劃分、農作物災害監測和農作物估產等。

農作物分類與識別是農情監測技術體系的初始和關鍵環節。精準識別各種農作物類型可實現對農作物種植面積、結構及空間分布的準確估計，并為農作物估產模型提供關鍵輸入參數[2]。各種農作物具有不同的冠層結構、幾何特性和介電常數等，從而導致在不同頻率和極化的合成孔徑雷達(Synthetic Aperture Radar,SAR)影像中表現為不同的特征，這是采用雷達遙感進行農作物分類和識別的理論基礎。

農田參數反演中利用雷達數據進行土壤含水量反演是雷達遙感最經典的應用之一。但是在農田土壤含水量反演中，特別是在裸土含水量反演中，受到地表粗糙度的影響較大，另外，地表粗糙度也是農學、土壤學、地質學和氣候學中的重要參數，因此地表粗糙度的反演也逐漸發展為一個獨立的分支[3]。此外，在有農作物覆蓋的地區，農田土壤含水量反演中還要考慮農作物植被層的影響。將植被冠層、土壤粗糙度的影響從雷達信號中分離后，雷達后向散射系數和土壤含水量之間具有較好的相關性，通常通過建立雷達后向散射系數與土壤體積含水量之間的關系模型就可實現農田土壤含水量的估測[2—4]。

農作物長勢即農作物生長狀況和趨勢，直接影響農作物的產量和品質[5]。農作物長勢參數主要包括生物量、LAI高度和密度等。長勢參數通常是農作物生長狀況的有效表征，因此農作物的長勢監測通常通過長勢參數的反演來實現。雷達的后向散射參數、極化特征參數和干涉特征參數常被用于農作物生物量、LAI和高度的反演。

農作物物候信息是農業生態系統的重要特征之一，是農業生產、田間管理、計劃決策等的重要依據。農作物物候期劃分主要是區分農作物形態發生顯著變化所對應的時間段，即從出苗到收獲所經歷的生長時間周期[6—8]。由于極化SAR特征對農作物結構、形態變化敏感，近年來被廣泛應用于農作物物候期的劃分。

農作物災害類型較多，包括洪澇、干旱、病蟲害、倒伏等。雷達遙感在農作物災害中的應用目前開展較少，多集中在倒伏的監測，特別是對垂直結構明顯的農作物倒伏的監測具有較大潛力，這主要是利用了極化特征對農作物結構變化敏感的特點[9]。

農作物精確估產是農業遙感監測的最終目標。目前農作物估產可通過農作物生長模型和遙感估測兩種手段進行。前者通過數學建模方法在單點尺度模擬農作物生長，可以實現高精度的農作物單點估產；后者可獲取農作物區域尺度上的面狀特征，兩者優勢互補，集成應用于農作物估產可以提高估產的準確性和機理化[8,9]。雷達遙感目前應用于農作物估產也是通過遙感數據與農作物生長模型的同化來實現，但是相關的研究也僅在近期展開[3,8]。

1.2 現有研究綜述概況

隨著雷達遙感技術在農業應用研究中的深入，目前不少研究者從多個應用領域對其研究情況進行了文獻綜述。王迪等人[2]綜述了SAR技術在農作物分類與識別中的研究進展，總結得出：目前用于農作物識別與分類的SAR特征包括單波段、單極化特征、多極化特征和多波段特征；分類方法包括非機理性的基于像元統計特征的分類方法、利用極化分解理論分析和農作物散射特征發展的機理性分類算法。他們同時指出目前的識別分類精度還較低，多數識別精度不足85%，其可能原因是分類算法的機理性研究不足。施建成等人[4]綜述了土壤水分反演中用到的雷達數據源、各數據源的局限、目前采用的算法及不足等；劉健等人[10]則綜述了土壤水分反演中粗糙度、植被覆蓋等的影響及相應的解決措施，并指出現有反演方法的準確性和普適性有待進一步提高，融合不同觀測模式(多波段、多極化、多角度)的SAR數據是未來的發展趨勢。Liu等人[3]和Mcnairn等人[11]綜述了基于SAR技術的農作物長勢監測，指出目前用于農作物長勢監測的長勢參數包括生物量、LAI和高度，使用的SAR特征包括后向散射特征、極化特征和干涉特征。李平湘等人[9]對基于SAR技術的農作物物候期監測進行了簡單的綜述，指出目前主要的方法包括兩大類，即利用分類和時序動態跟蹤兩種方法。他們還總結得出目前SAR技術在農業災害監測中的研究還開展較少，已有研究主要集中在“農作物倒伏”方面。黃健熙等人[12,13]綜述了遙感數據與農作物生長模型同化在農作物估產中的應用，指出SAR 遙感數據與農作物生長模型同化在農作物估產中的潛力，但目前應用較少，是未來農作物估產主要的發展方向之一。

現有的研究綜述從多個方面說明了雷達遙感在農業應用中的優勢和不足，對推動雷達遙感技術在農業中的應用有積極的意義。然而，隨著SAR技術的發展及應用需求的推動，SAR數據獲取方式由單頻率、單極化、單角度等發展到多頻率、多極化、多角度和多時相等綜合獲取方式。原有的針對單一觀測量和幾個觀測量的簡單組合已經不適于描述觀測對象的復雜散射特征和提高定量遙感的精度,SAR觀測方式的改變使得農作物的散射機理及其在SAR圖像中的表征呈現出復雜性，不僅影響了采用SAR技術對農作物的認知和理解，也影響了傳統估測方法在聯合觀測維度下SAR技術在農業應用中的適用性。為了適應SAR多維度觀測技術的需求，需要從不同SAR數據獲取方式出發，系統地梳理農業應用中SAR參數的提取方式及其對農作物各相關參數的響應情況[14]。已有的研究中，初期用于農業相關監測的傳感器主要是雷達散射計，近期使用的傳感器則多為SAR，目前的綜述研究多集中于SAR應用的研究。然而初期基于雷達散射計的研究是后續SAR技術應用的實驗基礎，其研究結果對微波遙感理論的驗證也是SAR技術進一步發展的理論保障，因此有必要對其研究結果進行全面的梳理和總結。此外，已有的綜述文獻中部分發表較早，近年來新的研究成果并未加入，特別是對干涉、極化干涉SAR技術、層析SAR技術在農業中應用的文獻未作深入總結。鑒于此本文首先對雷達散射計在農業應用中的現狀進行綜述、總結；然后以不同的SAR觀測技術為基礎，綜述各類SAR技術在農業各領域中的應用現狀；以期能夠較全面的梳理目前SAR技術在整個農業系統應用中的優勢和不足，并為將來更深入的應用提出可能的方向和思路。

2 雷達散射計農業應用

雷達散射計在農業應用中的研究多集中在農田土壤水分的反演。初期的研究也探索了其在植被冠層結構、農作物制圖、農作物長勢監測和農作物識別分類中的應用，但相比土壤水分的研究，這些方面的研究成果較少。采用雷達散射計的研究成果按照遙感平臺，可以分為地基散射計、機載散射計和星載散射計，下面我們將以遙感平臺為基礎，總結目前的研究進展。

2.1 地基雷達散射計

雷達散射計能夠獲取目標的散射截面觀測量，可以用于深入理解微波和自然目標相互作用的機理。散射計通過發射系列脈沖并測量其回波，然后通過將回波特性定量化來獲得目標的散射截面測量結果。散射計的荷載平臺包括星載、機載和地面平臺，其中地面平臺主要搭載在高塔上或者卡車上，又稱為地基散射計。散射計量測的目標散射截面除了受到目標自身特性的影響外，散射計的頻率、入射角、極化方式均會影響其測量結果[15]。

表1總結了使用地基雷達散射計開展的研究，同時整理了其研究結論。由表1可知，基于地基散射計進行土壤水分反演方面的研究最早開始于60年代末70年代初，前期的研究目的主要是為星載散射計、星載SAR在相關研究中的優選參數設置提供理論和實驗支撐?？八_斯大學使用主被動輻射計(Microwave Active and Passive Spectrometer,MAPS)或主動散射計(Microwave Active Spectrometer,MAS)研究了頻率范圍為1～18 GHz之間，入射角范圍在0°～80°之間各種極化組合下，后向散射系數對土壤水分變化的反映情況。研究結果表明：采用后向散射系數反演土壤水分受到頻率、極化、入射角、土壤粗糙度和地表覆蓋植被的影響；土壤粗糙度的影響可以通過選擇合適的頻率、入射角來剔除或降低；低頻低入射角更適合土壤水分反演。極化特征對農作物結構變化敏感，各極化與高頻、大入射角特征組合更容易區分不同的作物類型[16—23]。荷蘭的微波植被觀察項目(Radar Observation of VEgetation,ROVE)主要研究了X-波段各極化后向散射在不同入射角變化下對農作物參數的響應情況，研究表明：農作物的地表覆蓋率達到一定程度時，后向散射系數會出現飽和現象；多頻率觀測可以提高農作物生長參數的估測精度，研究結果同時肯定了大入射角更適合植被監測[24—27]。日本學者Inoue等人[28]基于Ka-,Ku-,X-,C-和L-波段地基散射計數據對農作物長勢監測的研究則指出C-波段適合LAI反演，而L-波段則適合生物量估測。加拿大遙感中心的相關研究指出HV極化對農作物類型識別、農作物殘茬識別有較好的識別效果；同時指出后向散射對農田區每日含水量動態變化響應明顯，但其相關性受到頻率、田間農作物生長階段的影響[29—33]。我國研究者主要探索了土壤水分在X-,C-波段不同極化、不同入射角的后向散射變化及其影響因子，研究表明壟向對與其平行的極化方式的后向散射有顯著影響；土壤含水量反演中，粗糙度的影響可以通過選擇特定入射角的數據來剔除[34—37]。另外一些其它的實驗也取得了與以上研究類似的結論[38—42]。

表1 地基雷達散射計研究現狀總結Tab.1 Summary of studies using ground-based scatterometers

2.2 機載和星載雷達散射計

盡管地基散射計操作方便、成本較低，但是由于平臺較低，觀測結果受到幾何關系影響較大，并且觀測范圍受到很大限制，因此采用機載平臺可以擴大觀測范圍，提高觀測效率。機載平臺主要作為地面平臺的補充，為星載雷達傳感器參數的設置提供理論和實驗支持。在荷蘭ROVE項目中即包括側視機載雷達數據，Kurl等人[42]使用該數據研究了農作物整個生長期X-波段后向散射系數的變化，發現動態變化范圍為3～15 dB。大量的研究成果基于歐洲的1～18 GHz DUTSCAT和C-/X-波段的ERASME機載散射計[43,44]。Bouman等人[45]和Ferrazzoli等人[46]采用DUTSCAT的多頻數據肯定了文獻[27]的研究結果，同時指出X-,Ku-波段適合農作物分類，而L-波段更適合土壤水分反演；Benallegue等人[47]使用ERASME的多頻、多角度數據分析了土壤水分反演的可行性，得出的結論與文獻[16—23]相近。

根據地基和機載的實驗結果，星載散射計主要的工作波段在C-(5.3 GHz)和Ku-(13.5 GHz)波段。C-波段波長較長，受云雨因素影響較??；Ku-波段頻率高，對目標特征變化更敏感。表2列舉了到目前為止主要的星載散射計的主要信息[48—51]。星載散射計數據在農業中主要應用于土壤水分反演和農作物參數反演。WoodHouse等人[52,53]采用ERS-1 AMI散射計數據反演了植被覆蓋度、植被覆蓋下的土壤水分、植被的季節變化等，研究結果表明土壤水分反演結果受到植被覆蓋的影響，因此具有地域依賴性。Frison等人[54]則發現植被的季節變化觀測結果會受到空氣和地表溫度的影響。Frolking等人[55]采用QuickSCAT SeaWinds在美國27個地點監測了多種植被的物候期，并與MODIS LAI數據進行了對比，發現兩者的結果基本一致，但是采用后向散射特征監測的各物候期總早于MODIS LAI的結果。Lu等人[56]在中國22個地點采用相同數據的研究結果與該研究的結論一致。Wen等人[57]也采用ERS-1 AMI數據反演了西藏地區的土壤水分，散射計估測結果與地面調查的0～4 cm表層土壤水分的相關性達到0.78。多個學者基于星載散射計的數據，完成了全球范圍土壤水分制圖[58,59]，也有學者指出全球性土壤水分制圖應該考慮地表植被動態變化的影響[60]。Kim等人[61,62]采用蒙特卡洛模擬的方法，研究了適用于16種植被和裸土表面的前向散射模型，并將其用于土壤介電常數、粗糙度、植被含水量等參數的模擬，以期為NASA的SMAP數據提供分析方法。Naemi等人[63]和Wagner等人[64]則基于這些數據進行了反演算法、模型的優化。

早期圍繞地基和機載散射計數據開展的研究闡述了采用后向散射特征進行土壤水分反演和農作物分類的可行性，星載散射計的應用進一步優化了早期的反演方法，更推動了星載散射計在土壤水分和植被參數反演方面的應用。隨著成像雷達、特別是SAR技術發展，SAR技術被廣泛應用到農業各領域的應用中，由于散射計觀測的靈活性、低成本、快速重復觀測能力等使得其在農業應用中仍然是SAR數據應用的一個重要補充。

3 SAR農業應用

相比散射計，SAR可以提供圖像特征和除后向散射特征以外的其它觀測量，近些年來被廣泛應用于農業各類監測中。綜合目前SAR技術可以提供的特征，應用于農業中的特征可劃分為四類：后向散射特征、極化特征、干涉特征和層析特征，其中層析特征是干涉或極化干涉特征在垂直空間中的進一步拓展。

表2 星載散射計信息Tab.2 Major space-borne radar scatterometry and their basic information

3.1 SAR后向散射特征

由于初期(20世紀80年代末—2002年)的SAR數據僅可獲得單頻率、單極化的影像，因此其可應用的特征僅為后向散射特征。SAR后向散射特征在農業中的應用基本上是基于散射計獲得的后向散射特征在農業應用中的進一步驗證和深入，因此初期的研究多是對基于散射計數據研究結果的驗證，使用的方法也多基于散射計研究的方法和模型[65—70]。在采用單波段、單極化后向散射特征進行農作物的識別時，由于水稻下墊面(水面)獨特的散射機制，使得其與其它農作物的區別明顯，因此基于后向散射系數的農作物識別多以水稻為研究對象。為了提高識別的精度，基于后向散射的時相特征被用于農作物識別、長勢監測及估產中。利用這些特征進行水稻識別時，分類精度可以達到80%,91%和98%[65]。然而，這些研究的區域多位于空間異質性比較低的地區，對于地塊破碎、種植結構比較復雜的區域，分類識別的效果明顯降低[65,66]。土壤水分和農作物長勢參數反演中多通過建立后向散射與反演參數之間的模型來實現，這些模型包括經驗模型、半經驗模型和機理模型。經驗模型通常通過實驗觀察數據來建立，因此對實驗數據獲取的條件敏感，例如氣象條件、成像幾何、農作物情況、農作物類型、物候特征、土壤水分狀態等。這些敏感特征會造成反演結果的不確定性，同時降低模型的適用性。由于經驗模型的這些局限，一些研究開始發展半經驗模型和機理模型。在基于后向散射的裸土水分反演中，采用較多的模型為積分方程模型(Integral Equation Model,IEM)、高級積分方程模型(Advanced Integral Equation Model,AIEM)以及基于這兩者改進的相關模型。常用的算法包括變化檢測法、回歸分析法、基于模型的人工神經網絡法等[67]。用于植被參數反演的具有代表性的半經驗模型為水云模型(Water Cloud Model,WCM)[68]，機理模型為密歇根植被散射模型(MIchigan MIcrowave Canopy Scattering,MIMICS)[69]。這兩類模型也常被用于植被覆蓋區土壤水分反演時降低植被的影響。為了更精確的提高這兩類模型在生長參數反演中的精度，不少學者通過引入更多的特征對其進行了改進[70—75]，文獻[3]綜述了這兩個模型在農業中的詳細應用現狀。目前采用雷達數據進行農作物估產中使用的特征多為后向散射系數。農作物估產方式通過兩類方法實現：一是直接采用后向散射系數進行農作物估產；二是通過基于后向散射的生長參數估測結果與農作物生長模型同化進行農作物估產。直接采用后向散射系數進行產量估測通常是建立后向散射系數與產量的關系模型，然后反演產量，屬于經驗模型，盡管在特定區域可以獲得較好的估測精度，但是受到經驗估測模型自身缺陷的影響，無法大面積推廣[76,77]?；赟AR遙感信息與農作物生長模型同化的研究于近年來才剛剛展開，目前用于同化的信息主要包括基于SAR后向散射特征反演的生物量和LAI[78,79]。

3.2 SAR極化特征

全極化SAR數據起源于是20世紀90年代初，記錄了地物HH,HV,VH和VV,4種極化狀態的散射振幅和相位特征，極化特征的提取通常包括極化合成和極化分解技術。采用極化合成技術可以計算任意一種極化狀態的后向散射回波，進而提取地物更多的特征；而通過極化分解技術也可以將地物的特征進一步細化，以此增強地物的探測能力。由于極化特征不僅具有后向散射對農作物生理特征敏感的特征，同時具有對農作物散射方向、形狀敏感的極化特征，在農業的各項研究領域中均具有極大的潛力，也是目前農業應用中使用最廣泛、研究最深入的SAR特征。表3列出了目前極化特征在農業主要領域中的應用現狀。

從表3可知，極化特征已應用到農業中的諸多方面。農作物識別和分類是極化特征在農業中應用最早的領域。初期的研究多通過增加不同極化的后向散射特征來提高農作物的分類精度，研究發現隨著極化特征的加入，可以將僅采用單一極化特征的農作物分類精度有效提高，部分地區某些農作物的分類精度可提高37%[91,92]。隨著多種極化分解方法的提出，不同學者的研究表明：引入不同的極化分解參數，可以有效提高分類的精度，這些分類結果的精度范圍在70%～96%之間變化。分類的對象包括農作物中的玉米、大豆、小麥、水稻等；也包括農作物與森林、裸土、建筑物等[93—95]。文獻[65]也詳細總結了使用這些特征進行分類的方法。

在農田土壤水分反演中，極化特征的加入有效降低了基于后向散射特征反演土壤水分中的不確定性[96,97]。不少學者提出了多極化數據反演算法來提高土壤水分的反演精度[98—100]，加入極化特征后土壤體積含水量的反演均方根誤差可以低于4%[98]。極化特征對土壤粗糙度的敏感性最早也通過極化合成參數對其的響應得到證實，研究表明圓極化相關參數對土壤粗糙度最為敏感[101]。隨后，極化分解參數被應用于土壤水分反演中土壤粗糙度影響的剔除，并在此基礎上提出了X-Bragg模型來改進傳統土壤水分反演模型——小擾動模型(Small Perturbation Method,SPM)無法表征交叉極化、去極化特征的弊端[102,103]。隨著全極化數據的豐富，一些研究開始探索更多可以表征土壤粗糙度的特征參數[104,105]。

極化參數在農作物長勢參數中的反演也是目前研究的熱點之一，近年來涌現出不少研究成果。加拿大農業與食品學會的研究團隊針對多種農作物，以Radarsat數據為主要數據源，開展了多個長勢參數的反演及農作物估產研究[106—108]。國內中科院邵蕓團隊[109,110]也采用全極化和簡縮極化數據，以水稻為主要研究對象，研究了極化特征在農作物長勢監測及估產中的應用。Jiao等人[106]和Mcnairn等人[107]采用極化參數(HV強度、基準高度、極化分解的體散射分量等)證實了SAR極化特征對LAI的敏感性，并通過改進傳統的水云模型，克服了采用后向散射反演LAI的低飽和點的局限，同時也論證了LAI可以作為農作物估產有效指標。Wiseman等人[108]則全面分析了C-波段極化參數對玉米、大豆、油菜、春小麥的干生物量的響應情況，指明各極化參數對農作物的敏感性受到農作物類型和生長物候期的影響，也表明極化特征在農作物物候期監測中的潛力。Zhang等人[111]通過提取27個簡縮極化參數表明了不同極化參數在農作物生物量、LAI和株高中反演的潛力。然而，以上研究多采用極化參數與農作物長勢參數直接建立關系來實現反演，地域依賴性強，一些研究利用了半經驗模型折衷的優勢，將極化特征用于WCM模型來提高反演結果的精度和適用性[112,113]。SAR技術應用于物候期的識別多數采用了極化特征對農作物生長期結構變化敏感的優勢，首先通過覆蓋物候期的SAR極化影像提取極化特征；然后分析農作物在整個生長過程中各極化參數的變化特征，進而選取合適的極化參數進行各個物候期的劃分，初期物候期劃分的方法多采用影像分類的方法[84,85]。為了克服該方法中經驗閾值魯棒性低的問題，一些研究者發展了動態建模的方法，如Kalman濾波和粒子濾波等方法[114,115]?？紤]到監測物候期中時間序列影像缺失對物候期反演結果的影響問題，一些研究通過采用替代參數和濾波方法相結合來彌補[86—88]。

楊浩等人[90]率先將極化特征用于小麥倒伏災害的識別，研究發現小麥倒伏前后，HH和VV極化的散射能量對比會發生明顯的反轉現象，并且多個極化組合參數在小麥倒伏前后特征變化顯著，因此這些極化特征可以用于倒伏現象的監測。

極化SAR特征的應用，使得SAR信息在農業中的應用得到了進一步的深入，已有這些研究結果均證明極化特征在農業應用中，特別是在農作物識別、農作物長勢參數反演及估產中的巨大潛力，在未來可能成為精準農業實施重要手段之一。

3.3 SAR干涉特征

干涉技術最初發展的目的是利用簡單的相位-高程關系(φ=kzh)獲得對地形高程的測量。傳統的干涉測量合成孔徑雷達(Interferometric Synthetic Aperture Radar,InSAR)一般采用單波段、單極化方式進行，不考慮散射體的極化特征，用到的特征包括單極化的干涉相位和干涉幅度特征。極化干涉測量合成孔徑雷達(Polarimetric Interferometric Synthetic Aperture Radar,PolInSAR)極化干涉特征在原有干涉幅度和相位特征的基礎上又增加了極化特征，其利用全極化觀測進行干涉處理，結合了干涉特征對空間分布敏感以及極化特征對散射體物理性質敏感的特性，可以同時把目標的精細結構特征與空間分布特征結合起來，提高干涉應用性能，并區分分辨單元內不同散射機制的垂直分布特征[116]。

InSAR特征在植被中的應用主要基于干涉獲得的相位特征中包含了“植被偏差”引起的相位特征?！爸脖黄睢币鸬南辔蛔兓瑫r受到植被結構和SAR成像參數的影響，為了分析植被結構的影響，PolInSAR被用于“植被偏差”的監測。這些特征最早被用于森林高度的估測，根據可獲取的特征、植被散射的特征發展了基于幾何關系和基于物理模型的森林高度估測方法[117]。InSAR和PolIn-SAR特征在農業中的應用目前主要集中在農作物高度的估測。重軌InSAR數據的時間失相干嚴重影響著其在植被覆蓋區的應用：例如即使僅有24小時時間差的TanDEM數據也會受到時間失相干的影響，盡管如此，該數據的相干性與多種農作物的高度還是具有明顯的相關性，在農作物高度估測中極具潛力[118]。隨著PolInSAR數據的豐富，一些研究者提出了適用于極化干涉SAR數據的植被散射模型，用于植被參數的反演。隨機體地表散射模型(Random Vegetation over Ground,RVoG)和有向體地表散射模型(Orientation Vegetation over Ground,OVoG)為目前應用最廣泛和最有代表性的兩類植被散射模型。前者中的RV表示隨機體，即電磁波在其中傳播時衰減系數與極化狀態無關，后者中的OV代表有向體，即電磁波在其中傳播時衰減系數是極化的函數[119,120]。RVoG和OVoG模型經常被用于森林高度的反演，Lopez-Sanchez[121]率先分析了這兩類模型在農作物高度反演中的可行性和局限性，表明OVoG模型更能描述農作物的散射特征，并且基于實驗數據證實了其在玉米和水稻高度反演中的可行性。隨后基于機載PolInSAR數據的農作物高度反演研究逐漸開展，基于RVoG模型的相位-幅度聯合反演法被用于油菜、玉米、小麥、大麥和甜菜的高度反演，研究結果表明該模型具有農作物類型依賴性，獲得的油菜、玉米和甜菜的反演高度較好，標準差在0.20～0.31 m之間，而大麥和燕麥則較差，標準差在0.33～0.61 m之間。隨著覆蓋全球范圍的無時間失相干的TerraSAR/TanDEM星載干涉、極化干涉SAR數據的豐富，基于該數據展開的農作物高度反演的研究近些年開始涌現。Erten等人[122]和Rossi等人[123]研究了覆蓋水稻整個生長期的相位差變化，并用該信息分析了干涉相位和水稻冠層高度的關系，證實了HH和VV極化的選擇會明顯影響水稻高度估測結果；Lee等人[124]基于TerraSAR/TanDEM干涉SAR數據，提出了水稻生長區地相位的估計方法，采用RVoG模型和對照表法反演了研究區水稻的高度，反演結果的RMSE為0.10 m；國賢玉等人[125]采用雙極化TerraSAR/TanDEM干涉SAR數據發展了RVoG模型，并用于水稻高度的反演，研究表明當水稻株高高于0.4 m時，可以取得較好的估測結果，反演值與真值的R2為0.86，均方根誤差為6.79 cm。

已有針對不同農作物高度反演的結果充分表明了干涉、極化干涉特征在農作物垂直結構變化相關監測中的潛力。然而由于農作物覆蓋區體散射受時間失相干影響嚴重，使得重軌干涉影像噪聲較大，影響反演結果，因此其廣泛應用受到了較大的限制。隨著無時間失相干數據的出現，使得采用干涉、極化干涉SAR特征進行農作物垂直結構監測成為可能，目前盡管已經展開了一些研究，但是干涉特征在農業應用中的潛力還有待進一步挖掘。

3.4 SAR層析特征

層析SAR技術(SAR Tomography,TomoSAR)的提出是為了實現地物垂直方向上的觀測，目前SAR應用中，主要有兩種層析技術：一種是多基線SAR層析技術，即在垂直于視線方向上增加多幅干涉天線來對觀測場景實現重復觀測，相當于在垂直于視線方向上合成一個較大的孔徑來獲得高度維的特征，通常通過譜分析方法來獲得場景沿垂直方向的散射值[126—128]；一種是利用不同極化狀態下的干涉相干系數反演植被垂直結構分布的極化相干層析技術，即利用不同極化的干涉相干變化來重建觀測場景后向散射隨高度變化的方程，然后利用觀測的相干數據獲得植被高度和地形相位，將獲得的植被高度和地形相位特征帶入以傅里葉-勒讓德級數展開的垂直結構方程，求解各系數獲得場景沿垂直方向的散射值[126,128,129]。多基線SAR層析技術的成像算法包括三大類：非參數譜估計方法、參數譜估計方法、稀疏譜估計方法。稀疏譜估計方法可以有效的解決SAR層析成像中由于基線非均勻分布采用插值計算方法中計算量大、耗時費力的弊端，提高了層析SAR數據處理的效率，近年來基于此發展了大量相關的成像算法[130,131]。已有研究發現：單基線極化相干層析技術僅能提高混合表面/體散射的體散射層深度和地表相位特征，無法真正得到目標的垂直向結構信息。雙基線比單基線的分辨率高，但當基線數量超過3時，該方法的穩定性下降；此外該方法需要輸入先驗知識，如地相位和植被高度，這些信息通過PolInSAR技術獲得，因此一方面存在對植被高度的低估，另一方面很大程度上依賴PolInSAR技術的發展[129,131]。

SAR層析技術的應用目前仍然處在應用研究的初期，其在農業中的應用也剛剛展開。SAR層析技術目前被廣泛用于森林生物量的反演[131]，但是由于農作物生長變化的快速性及其復雜環境場景的影響，目前的研究多集中在農作物高度參數反演、各個頻段農作物整個生長期垂直方向的后向散射變化、農作物覆蓋區的地表、體散射的區分中[3,132—139]。初期研究者們采用室內和室外地基雷達實驗數據對X-,C-和L-波段小麥、玉米的三維散射剖面進行了研究，探索了其受到極化方式、入射角和頻率的影響[133—135]。隨著機載TomoSAR數據的出現，Pichierri等人[139]采用機載TomoSAR數據研究了層析特征在農田場景的應用可行性。他們以OVoG模型為基礎，采用雙基線極化相干層析的方法分析了X-,C-和L-波段在小麥、燕麥、玉米和油菜高度反演中的可行性。研究結果指出了基線長度、頻率對不同農作物高度反演的影響：基線較小時，極化干涉相干性與農作物高度的敏感性降低；L-波段用于油菜、玉米高度反演時，均方根誤差約為10%，而X-波段用于大麥和小麥等谷物的高度反演時，均方根誤差低于24%。Joerg等人[132]采用Capon非參數譜濾波方法獲得了玉米、大麥和小麥在X-,C-和L-波段不同生長期的垂直方向后向散射剖面圖。從獲取的垂直剖面圖中可以看出，玉米覆蓋區具有明顯的二次散射機制；小麥冠層具有明顯的表面散射機制，并且田壟散射的影響明顯；大麥的HH散射特征幾乎不可見?；谶@些農作物覆蓋區的散射剖面，這些研究者們進一步分析了采用其進行體散射和地表散射機制分離的可行性及有效的方法。由于農作物在整個生長周期中變化的快速性，時間序列TomoSAR數據的獲取對其在農業中的深入應用也有著顯著的影響，這些研究同時也說明了時間失相干對極化干涉相干層析特征在農作物監測中的影響[132,140]。

SAR層析特征在提高農作物分類精度、農作物高度和生物量反演精度中具有重要的潛在應用價值。然而目前該特征在農業中的應用還較少，反演的方法、應用的農作物對象等還存在較多的探索空間，隨著多基站SAR觀測技術的實現，新體制SAR衛星計劃的實施，層析SAR特征在農業中的應用需要未來進一步深入研究。

4 總結與展望

4.1 總結

目前雷達技術在農業中的多個方面均展開了應用研究，也取得了豐碩的研究成果。然而，在農業應用中，不同的利益相關組織或個人關注和需求的農情信息不同，對雷達技術在農業各領域中應用的需求也不盡相同。盡管目前在各個領域都有一些研究結論，但是針對具體的需求和深入的應用都需要進一步的探索和開發。例如在農作物識別和分類方面，盡管也出現了全球尺度的分類產品，但是這些產品偏重于用地表覆蓋類型的劃分，而精細的農作物類型的劃分則存在不少問題；此外農作物識別和分類的研究成果多集中在成片的同質性區域，對于斑塊破碎、種植類型復雜的區域，則很難達到需求的精度。以精準農業為例，在具體的需求中更需要了解在農業中這些田地是如何使用的，在整個農作物生長過程中田間操作是如何實施的。農業災害類型較多，多種災害對農作物產量影響嚴重，特別是洪澇災害監測是雷達監測的優勢，然而目前相關的研究也開展較少。糧食產量的預估是目前各國政府和相關利益人或組織均關注的問題，目前基于雷達技術的估產研究較少，方法多集中在利用后向散射系數與農作物產量做簡單的經驗統計，盡管可以得到粗略的產量結果，但是估計結果的質量如何，相關的研究則展開較少，已有的研究也多集中在農田同質性較強的國家和地區。盡管目前也采用同化的方法展開了部分估產的研究，但是目前還集中在理論的研究，并且其在大區域、異質性強的地區的研究也相對較少。

雷達技術的發展過程本質上也是對微波電磁波資源不斷發掘和利用的過程。通過對各類雷達特征在農業中應用可知：雷達各類特征在農業中的應用差異較大，目前應用最廣泛的特征是后向散射特征和極化特征，而SAR影像中的干涉、極化干涉和層析特征在農業應用中的相關研究則剛剛展開。后向散射系數應用較多的領域是農作物長勢參數和土壤水分的反演。在長勢參數反演中多基于經驗和半經驗模型，研究對象主要為水稻，而不同的農作物、相同農作物在不同生長期的散射機制變化明顯，直接影響后向散射特征，這使得這些經驗和半經驗模型的廣泛應用受到極大的限制；另外目前的半經驗模型和機理模型多為非相干散射模型，無法利用SAR數據的相位特征。土壤水分反演的模型多基于特定的土壤觀測數據建立，在大面積的土壤水分反演時不確定性較大，另外對相位特征也沒有有效的利用。極化特征應用較成熟的領域是農作物識別、分類和農作物長勢參數反演。目前基于極化特征的農作物分類局限在同質性區域，散射機制較簡單的幾類農作物的分類中，對于一些散射機制復雜的作物，其極化散射機理仍然不明確，其相應的分類方法也還在研究中。在采用極化分解參數進行的農作物長勢參數反演中，由于多數分解方法假設農作物冠層由勻質散射體構成，這樣構建的模型無法描述農作物冠層復雜的散射情況，從而使得反演結果不確定性增大、適用性降低。此外，長勢參數反演和農作物估產的研究中，目前對于農作物生長的水文、氣象、環境等影響因子考慮較少，無法全面揭示農作物生長及產量形成的機制。

4.2 展望

雷達遙感的獨特優勢使得其在農業遙感監測中可以發揮重要的作用，經過幾十年的發展，雷達在農業中的應用由初期的地面觀測，逐步發展到機載和星載觀測。傳感器從最初的散射計發展到現在的多頻、多極化、多角度、多時相等多維SAR觀測。目前雷達遙感在農作物識別和分類、農田參數反演、農作物長勢參數反演、農作物物候期劃分等方面均取得了諸多的進展，但在農作物災害監測和農作物估產中的研究則還處在實驗階段，并且目前在農業領域應用相關的技術和方法多數仍處在研究階段，在實際應用中還未進行大范圍推廣和實施。造成該現狀的原因一方面是由于發展的方法、模型等還具有一定的局限性，需要進一步改進和發展；另一方面是由于目前支撐農業實時監測的SAR數據資源還相對匱乏，像極化干涉SAR數據、層析SAR數據等目前多依賴國外的機載和部分星載實驗數據，使得深入分析和研究穩健的算法和模型受到限制。在災害監測中，由于對多種災害的微波散射機制還未完全明確，因此目前應用的還較少；而作物的準確估產又依賴于作物生長狀態，而作物生長狀態信息與SAR信息融合的研究還處于研究的初級階段。在目前農業應用中，被動微波遙感數據由于獲取方便、時間分辨率較高且數據處理簡單，可以成為雷達遙感在農業中應用的有效補充。盡管如此，雷達技術在農業中的應用已經展現出極大的優勢和潛力，正成為推動精準農業、智慧農業有效實施、高效快速發展的有力手段。隨著SAR數據類型、成像模式豐富，基于多頻、多極化、多角度、多時相等多維SAR觀測將成為可能，未來農業領域的應用不僅要細化各維度SAR特征在農業各領域的方法和模型，還要結合農業行業各相關利益人的需求，從而推動雷達技術在農業領域的深入、有效利用。