張王菲 陳爾學(xué) 李增元 楊 浩 趙 磊

①(西南林業(yè)大學(xué)林學(xué)院 昆明 650224)

②(中國(guó)林業(yè)科學(xué)研究院資源信息研究所 北京 100091)

③(北京市農(nóng)林科學(xué)院北京農(nóng)業(yè)信息技術(shù)研究中心 北京 100097)

1 引言

1.1 研究背景

雷達(dá)是微波遙感應(yīng)用中的主要傳感器。微波遙感的優(yōu)勢(shì)主要包括3個(gè)方面：(1) 微波具有穿透云層甚至穿透雨區(qū)的能力；(2) 微波比光波能更深地穿透植被；(3) 微波與光學(xué)遙感得到的信息是不同的，它可以得到研究對(duì)象面或體的幾何特性和介電特性[1]。由于雷達(dá)遙感全天時(shí)、全天候監(jiān)測(cè)的能力，在對(duì)植被散射體形狀、結(jié)構(gòu)、介電常數(shù)敏感的同時(shí)具有一定的穿透能力，因此在農(nóng)業(yè)監(jiān)測(cè)中極具潛力。

雷達(dá)遙感目前在農(nóng)業(yè)中的應(yīng)用主要包括農(nóng)作物分類與識(shí)別、農(nóng)田參數(shù)(含水量和地表粗糙度)反演、農(nóng)作物長(zhǎng)勢(shì)參數(shù)反演(生物量，葉面積指數(shù)(Leaf Area Index,LAI)和高度)、農(nóng)作物物候期劃分、農(nóng)作物災(zāi)害監(jiān)測(cè)和農(nóng)作物估產(chǎn)等。

農(nóng)作物分類與識(shí)別是農(nóng)情監(jiān)測(cè)技術(shù)體系的初始和關(guān)鍵環(huán)節(jié)。精準(zhǔn)識(shí)別各種農(nóng)作物類型可實(shí)現(xiàn)對(duì)農(nóng)作物種植面積、結(jié)構(gòu)及空間分布的準(zhǔn)確估計(jì)，并為農(nóng)作物估產(chǎn)模型提供關(guān)鍵輸入?yún)?shù)[2]。各種農(nóng)作物具有不同的冠層結(jié)構(gòu)、幾何特性和介電常數(shù)等，從而導(dǎo)致在不同頻率和極化的合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)影像中表現(xiàn)為不同的特征，這是采用雷達(dá)遙感進(jìn)行農(nóng)作物分類和識(shí)別的理論基礎(chǔ)。

農(nóng)田參數(shù)反演中利用雷達(dá)數(shù)據(jù)進(jìn)行土壤含水量反演是雷達(dá)遙感最經(jīng)典的應(yīng)用之一。但是在農(nóng)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(nóng)學(xué)、土壤學(xué)、地質(zhì)學(xué)和氣候?qū)W中的重要參數(shù)，因此地表粗糙度的反演也逐漸發(fā)展為一個(gè)獨(dú)立的分支[3]。此外，在有農(nóng)作物覆蓋的地區(qū)，農(nóng)田土壤含水量反演中還要考慮農(nóng)作物植被層的影響。將植被冠層、土壤粗糙度的影響從雷達(dá)信號(hào)中分離后，雷達(dá)后向散射系數(shù)和土壤含水量之間具有較好的相關(guān)性，通常通過(guò)建立雷達(dá)后向散射系數(shù)與土壤體積含水量之間的關(guān)系模型就可實(shí)現(xiàn)農(nóng)田土壤含水量的估測(cè)[2—4]。

農(nóng)作物長(zhǎng)勢(shì)即農(nóng)作物生長(zhǎng)狀況和趨勢(shì)，直接影響農(nóng)作物的產(chǎn)量和品質(zhì)[5]。農(nóng)作物長(zhǎng)勢(shì)參數(shù)主要包括生物量、LAI高度和密度等。長(zhǎng)勢(shì)參數(shù)通常是農(nóng)作物生長(zhǎng)狀況的有效表征，因此農(nóng)作物的長(zhǎng)勢(shì)監(jiān)測(cè)通常通過(guò)長(zhǎng)勢(shì)參數(shù)的反演來(lái)實(shí)現(xiàn)。雷達(dá)的后向散射參數(shù)、極化特征參數(shù)和干涉特征參數(shù)常被用于農(nóng)作物生物量、LAI和高度的反演。

農(nóng)作物物候信息是農(nóng)業(yè)生態(tài)系統(tǒng)的重要特征之一，是農(nóng)業(yè)生產(chǎn)、田間管理、計(jì)劃決策等的重要依據(jù)。農(nóng)作物物候期劃分主要是區(qū)分農(nóng)作物形態(tài)發(fā)生顯著變化所對(duì)應(yīng)的時(shí)間段，即從出苗到收獲所經(jīng)歷的生長(zhǎng)時(shí)間周期[6—8]。由于極化SAR特征對(duì)農(nóng)作物結(jié)構(gòu)、形態(tài)變化敏感，近年來(lái)被廣泛應(yīng)用于農(nóng)作物物候期的劃分。

農(nóng)作物災(zāi)害類型較多，包括洪澇、干旱、病蟲(chóng)害、倒伏等。雷達(dá)遙感在農(nóng)作物災(zāi)害中的應(yīng)用目前開(kāi)展較少，多集中在倒伏的監(jiān)測(cè)，特別是對(duì)垂直結(jié)構(gòu)明顯的農(nóng)作物倒伏的監(jiān)測(cè)具有較大潛力，這主要是利用了極化特征對(duì)農(nóng)作物結(jié)構(gòu)變化敏感的特點(diǎn)[9]。

農(nóng)作物精確估產(chǎn)是農(nóng)業(yè)遙感監(jiān)測(cè)的最終目標(biāo)。目前農(nóng)作物估產(chǎn)可通過(guò)農(nóng)作物生長(zhǎng)模型和遙感估測(cè)兩種手段進(jìn)行。前者通過(guò)數(shù)學(xué)建模方法在單點(diǎn)尺度模擬農(nóng)作物生長(zhǎng)，可以實(shí)現(xiàn)高精度的農(nóng)作物單點(diǎn)估產(chǎn)；后者可獲取農(nóng)作物區(qū)域尺度上的面狀特征，兩者優(yōu)勢(shì)互補(bǔ)，集成應(yīng)用于農(nóng)作物估產(chǎn)可以提高估產(chǎn)的準(zhǔn)確性和機(jī)理化[8,9]。雷達(dá)遙感目前應(yīng)用于農(nóng)作物估產(chǎn)也是通過(guò)遙感數(shù)據(jù)與農(nóng)作物生長(zhǎng)模型的同化來(lái)實(shí)現(xiàn)，但是相關(guān)的研究也僅在近期展開(kāi)[3,8]。

1.2 現(xiàn)有研究綜述概況

隨著雷達(dá)遙感技術(shù)在農(nóng)業(yè)應(yīng)用研究中的深入，目前不少研究者從多個(gè)應(yīng)用領(lǐng)域?qū)ζ溲芯壳闆r進(jìn)行了文獻(xiàn)綜述。王迪等人[2]綜述了SAR技術(shù)在農(nóng)作物分類與識(shí)別中的研究進(jìn)展，總結(jié)得出：目前用于農(nóng)作物識(shí)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(jī)理性的基于像元統(tǒng)計(jì)特征的分類方法、利用極化分解理論分析和農(nóng)作物散射特征發(fā)展的機(jī)理性分類算法。他們同時(shí)指出目前的識(shí)別分類精度還較低，多數(shù)識(shí)別精度不足85%，其可能原因是分類算法的機(jī)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(dá)數(shù)據(jù)源、各數(shù)據(jù)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(yīng)的解決措施，并指出現(xiàn)有反演方法的準(zhǔn)確性和普適性有待進(jìn)一步提高，融合不同觀測(cè)模式(多波段、多極化、多角度)的SAR數(shù)據(jù)是未來(lái)的發(fā)展趨勢(shì)。Liu等人[3]和Mcnairn等人[11]綜述了基于SAR技術(shù)的農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)，指出目前用于農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)的長(zhǎng)勢(shì)參數(shù)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(duì)基于SAR技術(shù)的農(nóng)作物物候期監(jiān)測(cè)進(jìn)行了簡(jiǎn)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(shí)序動(dòng)態(tài)跟蹤兩種方法。他們還總結(jié)得出目前SAR技術(shù)在農(nóng)業(yè)災(zāi)害監(jiān)測(cè)中的研究還開(kāi)展較少，已有研究主要集中在“農(nóng)作物倒伏”方面。黃健熙等人[12,13]綜述了遙感數(shù)據(jù)與農(nóng)作物生長(zhǎng)模型同化在農(nóng)作物估產(chǎn)中的應(yīng)用，指出SAR 遙感數(shù)據(jù)與農(nóng)作物生長(zhǎng)模型同化在農(nóng)作物估產(chǎn)中的潛力，但目前應(yīng)用較少，是未來(lái)農(nóng)作物估產(chǎn)主要的發(fā)展方向之一。

現(xiàn)有的研究綜述從多個(gè)方面說(shuō)明了雷達(dá)遙感在農(nóng)業(yè)應(yīng)用中的優(yōu)勢(shì)和不足，對(duì)推動(dòng)雷達(dá)遙感技術(shù)在農(nóng)業(yè)中的應(yīng)用有積極的意義。然而，隨著SAR技術(shù)的發(fā)展及應(yīng)用需求的推動(dòng)，SAR數(shù)據(jù)獲取方式由單頻率、單極化、單角度等發(fā)展到多頻率、多極化、多角度和多時(shí)相等綜合獲取方式。原有的針對(duì)單一觀測(cè)量和幾個(gè)觀測(cè)量的簡(jiǎn)單組合已經(jīng)不適于描述觀測(cè)對(duì)象的復(fù)雜散射特征和提高定量遙感的精度,SAR觀測(cè)方式的改變使得農(nóng)作物的散射機(jī)理及其在SAR圖像中的表征呈現(xiàn)出復(fù)雜性，不僅影響了采用SAR技術(shù)對(duì)農(nóng)作物的認(rèn)知和理解，也影響了傳統(tǒng)估測(cè)方法在聯(lián)合觀測(cè)維度下SAR技術(shù)在農(nóng)業(yè)應(yīng)用中的適用性。為了適應(yīng)SAR多維度觀測(cè)技術(shù)的需求，需要從不同SAR數(shù)據(jù)獲取方式出發(fā)，系統(tǒng)地梳理農(nóng)業(yè)應(yīng)用中SAR參數(shù)的提取方式及其對(duì)農(nóng)作物各相關(guān)參數(shù)的響應(yīng)情況[14]。已有的研究中，初期用于農(nóng)業(yè)相關(guān)監(jiān)測(cè)的傳感器主要是雷達(dá)散射計(jì)，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(yīng)用的研究。然而初期基于雷達(dá)散射計(jì)的研究是后續(xù)SAR技術(shù)應(yīng)用的實(shí)驗(yàn)基礎(chǔ)，其研究結(jié)果對(duì)微波遙感理論的驗(yàn)證也是SAR技術(shù)進(jìn)一步發(fā)展的理論保障，因此有必要對(duì)其研究結(jié)果進(jìn)行全面的梳理和總結(jié)。此外，已有的綜述文獻(xiàn)中部分發(fā)表較早，近年來(lái)新的研究成果并未加入，特別是對(duì)干涉、極化干涉SAR技術(shù)、層析SAR技術(shù)在農(nóng)業(yè)中應(yīng)用的文獻(xiàn)未作深入總結(jié)。鑒于此本文首先對(duì)雷達(dá)散射計(jì)在農(nóng)業(yè)應(yīng)用中的現(xiàn)狀進(jìn)行綜述、總結(jié)；然后以不同的SAR觀測(cè)技術(shù)為基礎(chǔ)，綜述各類SAR技術(shù)在農(nóng)業(yè)各領(lǐng)域中的應(yīng)用現(xiàn)狀；以期能夠較全面的梳理目前SAR技術(shù)在整個(gè)農(nóng)業(yè)系統(tǒng)應(yīng)用中的優(yōu)勢(shì)和不足，并為將來(lái)更深入的應(yīng)用提出可能的方向和思路。

2 雷達(dá)散射計(jì)農(nóng)業(yè)應(yīng)用

雷達(dá)散射計(jì)在農(nóng)業(yè)應(yīng)用中的研究多集中在農(nóng)田土壤水分的反演。初期的研究也探索了其在植被冠層結(jié)構(gòu)、農(nóng)作物制圖、農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)和農(nóng)作物識(shí)別分類中的應(yīng)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(dá)散射計(jì)的研究成果按照遙感平臺(tái)，可以分為地基散射計(jì)、機(jī)載散射計(jì)和星載散射計(jì)，下面我們將以遙感平臺(tái)為基礎(chǔ)，總結(jié)目前的研究進(jìn)展。

2.1 地基雷達(dá)散射計(jì)

雷達(dá)散射計(jì)能夠獲取目標(biāo)的散射截面觀測(cè)量，可以用于深入理解微波和自然目標(biāo)相互作用的機(jī)理。散射計(jì)通過(guò)發(fā)射系列脈沖并測(cè)量其回波，然后通過(guò)將回波特性定量化來(lái)獲得目標(biāo)的散射截面測(cè)量結(jié)果。散射計(jì)的荷載平臺(tái)包括星載、機(jī)載和地面平臺(tái)，其中地面平臺(tái)主要搭載在高塔上或者卡車(chē)上，又稱為地基散射計(jì)。散射計(jì)量測(cè)的目標(biāo)散射截面除了受到目標(biāo)自身特性的影響外，散射計(jì)的頻率、入射角、極化方式均會(huì)影響其測(cè)量結(jié)果[15]。

表1總結(jié)了使用地基雷達(dá)散射計(jì)開(kāi)展的研究，同時(shí)整理了其研究結(jié)論。由表1可知，基于地基散射計(jì)進(jìn)行土壤水分反演方面的研究最早開(kāi)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(jì)、星載SAR在相關(guān)研究中的優(yōu)選參數(shù)設(shè)置提供理論和實(shí)驗(yàn)支撐?？八_斯大學(xué)使用主被動(dòng)輻射計(jì)(Microwave Active and Passive Spectrometer,MAPS)或主動(dòng)散射計(jì)(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(shù)對(duì)土壤水分變化的反映情況。研究結(jié)果表明：采用后向散射系數(shù)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(guò)選擇合適的頻率、入射角來(lái)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(duì)農(nóng)作物結(jié)構(gòu)變化敏感，各極化與高頻、大入射角特征組合更容易區(qū)分不同的作物類型[16—23]。荷蘭的微波植被觀察項(xiàng)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(duì)農(nóng)作物參數(shù)的響應(yīng)情況，研究表明：農(nóng)作物的地表覆蓋率達(dá)到一定程度時(shí)，后向散射系數(shù)會(huì)出現(xiàn)飽和現(xiàn)象；多頻率觀測(cè)可以提高農(nóng)作物生長(zhǎng)參數(shù)的估測(cè)精度，研究結(jié)果同時(shí)肯定了大入射角更適合植被監(jiān)測(cè)[24—27]。日本學(xué)者Inoue等人[28]基于Ka-,Ku-,X-,C-和L-波段地基散射計(jì)數(shù)據(jù)對(duì)農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)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(cè)。加拿大遙感中心的相關(guān)研究指出HV極化對(duì)農(nóng)作物類型識(shí)別、農(nóng)作物殘茬識(shí)別有較好的識(shí)別效果；同時(shí)指出后向散射對(duì)農(nóng)田區(qū)每日含水量動(dòng)態(tài)變化響應(yīng)明顯，但其相關(guān)性受到頻率、田間農(nóng)作物生長(zhǎng)階段的影響[29—33]。我國(guó)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?qū)εc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(guò)選擇特定入射角的數(shù)據(jù)來(lái)剔除[34—37]。另外一些其它的實(shí)驗(yàn)也取得了與以上研究類似的結(jié)論[38—42]。

表1 地基雷達(dá)散射計(jì)研究現(xiàn)狀總結(jié)Tab.1 Summary of studies using ground-based scatterometers

2.2 機(jī)載和星載雷達(dá)散射計(jì)

盡管地基散射計(jì)操作方便、成本較低，但是由于平臺(tái)較低，觀測(cè)結(jié)果受到幾何關(guān)系影響較大，并且觀測(cè)范圍受到很大限制，因此采用機(jī)載平臺(tái)可以擴(kuò)大觀測(cè)范圍，提高觀測(cè)效率。機(jī)載平臺(tái)主要作為地面平臺(tái)的補(bǔ)充，為星載雷達(dá)傳感器參數(shù)的設(shè)置提供理論和實(shí)驗(yàn)支持。在荷蘭ROVE項(xiàng)目中即包括側(cè)視機(jī)載雷達(dá)數(shù)據(jù)，Kurl等人[42]使用該數(shù)據(jù)研究了農(nóng)作物整個(gè)生長(zhǎng)期X-波段后向散射系數(shù)的變化，發(fā)現(xiàn)動(dòng)態(tài)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(jī)載散射計(jì)[43,44]。Bouman等人[45]和Ferrazzoli等人[46]采用DUTSCAT的多頻數(shù)據(jù)肯定了文獻(xiàn)[27]的研究結(jié)果，同時(shí)指出X-,Ku-波段適合農(nóng)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(shù)據(jù)分析了土壤水分反演的可行性，得出的結(jié)論與文獻(xiàn)[16—23]相近。

根據(jù)地基和機(jī)載的實(shí)驗(yàn)結(jié)果，星載散射計(jì)主要的工作波段在C-(5.3 GHz)和Ku-(13.5 GHz)波段。C-波段波長(zhǎng)較長(zhǎng)，受云雨因素影響較?。籏u-波段頻率高，對(duì)目標(biāo)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(jì)的主要信息[48—51]。星載散射計(jì)數(shù)據(jù)在農(nóng)業(yè)中主要應(yīng)用于土壤水分反演和農(nóng)作物參數(shù)反演。WoodHouse等人[52,53]采用ERS-1 AMI散射計(jì)數(shù)據(jù)反演了植被覆蓋度、植被覆蓋下的土壤水分、植被的季節(jié)變化等，研究結(jié)果表明土壤水分反演結(jié)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(fā)現(xiàn)植被的季節(jié)變化觀測(cè)結(jié)果會(huì)受到空氣和地表溫度的影響。Frolking等人[55]采用QuickSCAT SeaWinds在美國(guó)27個(gè)地點(diǎn)監(jiān)測(cè)了多種植被的物候期，并與MODIS LAI數(shù)據(jù)進(jìn)行了對(duì)比，發(fā)現(xiàn)兩者的結(jié)果基本一致，但是采用后向散射特征監(jiān)測(cè)的各物候期總早于MODIS LAI的結(jié)果。Lu等人[56]在中國(guó)22個(gè)地點(diǎn)采用相同數(shù)據(jù)的研究結(jié)果與該研究的結(jié)論一致。Wen等人[57]也采用ERS-1 AMI數(shù)據(jù)反演了西藏地區(qū)的土壤水分，散射計(jì)估測(cè)結(jié)果與地面調(diào)查的0～4 cm表層土壤水分的相關(guān)性達(dá)到0.78。多個(gè)學(xué)者基于星載散射計(jì)的數(shù)據(jù)，完成了全球范圍土壤水分制圖[58,59]，也有學(xué)者指出全球性土壤水分制圖應(yīng)該考慮地表植被動(dòng)態(tài)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(shù)、粗糙度、植被含水量等參數(shù)的模擬，以期為NASA的SMAP數(shù)據(jù)提供分析方法。Naemi等人[63]和Wagner等人[64]則基于這些數(shù)據(jù)進(jìn)行了反演算法、模型的優(yōu)化。

早期圍繞地基和機(jī)載散射計(jì)數(shù)據(jù)開(kāi)展的研究闡述了采用后向散射特征進(jìn)行土壤水分反演和農(nóng)作物分類的可行性，星載散射計(jì)的應(yīng)用進(jìn)一步優(yōu)化了早期的反演方法，更推動(dòng)了星載散射計(jì)在土壤水分和植被參數(shù)反演方面的應(yīng)用。隨著成像雷達(dá)、特別是SAR技術(shù)發(fā)展，SAR技術(shù)被廣泛應(yīng)用到農(nóng)業(yè)各領(lǐng)域的應(yīng)用中，由于散射計(jì)觀測(cè)的靈活性、低成本、快速重復(fù)觀測(cè)能力等使得其在農(nóng)業(yè)應(yīng)用中仍然是SAR數(shù)據(jù)應(yīng)用的一個(gè)重要補(bǔ)充。

3 SAR農(nóng)業(yè)應(yīng)用

相比散射計(jì)，SAR可以提供圖像特征和除后向散射特征以外的其它觀測(cè)量，近些年來(lái)被廣泛應(yīng)用于農(nóng)業(yè)各類監(jiān)測(cè)中。綜合目前SAR技術(shù)可以提供的特征，應(yīng)用于農(nóng)業(yè)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(jìn)一步拓展。

表2 星載散射計(jì)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(jì)80年代末—2002年)的SAR數(shù)據(jù)僅可獲得單頻率、單極化的影像，因此其可應(yīng)用的特征僅為后向散射特征。SAR后向散射特征在農(nóng)業(yè)中的應(yīng)用基本上是基于散射計(jì)獲得的后向散射特征在農(nóng)業(yè)應(yīng)用中的進(jìn)一步驗(yàn)證和深入，因此初期的研究多是對(duì)基于散射計(jì)數(shù)據(jù)研究結(jié)果的驗(yàn)證，使用的方法也多基于散射計(jì)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(jìn)行農(nóng)作物的識(shí)別時(shí)，由于水稻下墊面(水面)獨(dú)特的散射機(jī)制，使得其與其它農(nóng)作物的區(qū)別明顯，因此基于后向散射系數(shù)的農(nóng)作物識(shí)別多以水稻為研究對(duì)象。為了提高識(shí)別的精度，基于后向散射的時(shí)相特征被用于農(nóng)作物識(shí)別、長(zhǎng)勢(shì)監(jiān)測(cè)及估產(chǎn)中。利用這些特征進(jìn)行水稻識(shí)別時(shí)，分類精度可以達(dá)到80%,91%和98%[65]。然而，這些研究的區(qū)域多位于空間異質(zhì)性比較低的地區(qū)，對(duì)于地塊破碎、種植結(jié)構(gòu)比較復(fù)雜的區(qū)域，分類識(shí)別的效果明顯降低[65,66]。土壤水分和農(nóng)作物長(zhǎng)勢(shì)參數(shù)反演中多通過(guò)建立后向散射與反演參數(shù)之間的模型來(lái)實(shí)現(xiàn)，這些模型包括經(jīng)驗(yàn)?zāi)Ｐ?、半?jīng)驗(yàn)?zāi)Ｐ秃蜋C(jī)理模型。經(jīng)驗(yàn)?zāi)Ｐ屯ǔＭㄟ^(guò)實(shí)驗(yàn)觀察數(shù)據(jù)來(lái)建立，因此對(duì)實(shí)驗(yàn)數(shù)據(jù)獲取的條件敏感，例如氣象條件、成像幾何、農(nóng)作物情況、農(nóng)作物類型、物候特征、土壤水分狀態(tài)等。這些敏感特征會(huì)造成反演結(jié)果的不確定性，同時(shí)降低模型的適用性。由于經(jīng)驗(yàn)?zāi)Ｐ偷倪@些局限，一些研究開(kāi)始發(fā)展半經(jīng)驗(yàn)?zāi)Ｐ秃蜋C(jī)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(jí)積分方程模型(Advanced Integral Equation Model,AIEM)以及基于這兩者改進(jìn)的相關(guān)模型。常用的算法包括變化檢測(cè)法、回歸分析法、基于模型的人工神經(jīng)網(wǎng)絡(luò)法等[67]。用于植被參數(shù)反演的具有代表性的半經(jīng)驗(yàn)?zāi)Ｐ蜑樗颇Ｐ?Water Cloud Model,WCM)[68]，機(jī)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(qū)土壤水分反演時(shí)降低植被的影響。為了更精確的提高這兩類模型在生長(zhǎng)參數(shù)反演中的精度，不少學(xué)者通過(guò)引入更多的特征對(duì)其進(jìn)行了改進(jìn)[70—75]，文獻(xiàn)[3]綜述了這兩個(gè)模型在農(nóng)業(yè)中的詳細(xì)應(yīng)用現(xiàn)狀。目前采用雷達(dá)數(shù)據(jù)進(jìn)行農(nóng)作物估產(chǎn)中使用的特征多為后向散射系數(shù)。農(nóng)作物估產(chǎn)方式通過(guò)兩類方法實(shí)現(xiàn)：一是直接采用后向散射系數(shù)進(jìn)行農(nóng)作物估產(chǎn)；二是通過(guò)基于后向散射的生長(zhǎng)參數(shù)估測(cè)結(jié)果與農(nóng)作物生長(zhǎng)模型同化進(jìn)行農(nóng)作物估產(chǎn)。直接采用后向散射系數(shù)進(jìn)行產(chǎn)量估測(cè)通常是建立后向散射系數(shù)與產(chǎn)量的關(guān)系模型，然后反演產(chǎn)量，屬于經(jīng)驗(yàn)?zāi)Ｐ?，盡管在特定區(qū)域可以獲得較好的估測(cè)精度，但是受到經(jīng)驗(yàn)估測(cè)模型自身缺陷的影響，無(wú)法大面積推廣[76,77]?；赟AR遙感信息與農(nóng)作物生長(zhǎng)模型同化的研究于近年來(lái)才剛剛展開(kāi)，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(shù)據(jù)起源于是20世紀(jì)90年代初，記錄了地物HH,HV,VH和VV,4種極化狀態(tài)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(shù)。采用極化合成技術(shù)可以計(jì)算任意一種極化狀態(tài)的后向散射回波，進(jìn)而提取地物更多的特征；而通過(guò)極化分解技術(shù)也可以將地物的特征進(jìn)一步細(xì)化，以此增強(qiáng)地物的探測(cè)能力。由于極化特征不僅具有后向散射對(duì)農(nóng)作物生理特征敏感的特征，同時(shí)具有對(duì)農(nóng)作物散射方向、形狀敏感的極化特征，在農(nóng)業(yè)的各項(xiàng)研究領(lǐng)域中均具有極大的潛力，也是目前農(nóng)業(yè)應(yīng)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(nóng)業(yè)主要領(lǐng)域中的應(yīng)用現(xiàn)狀。

從表3可知，極化特征已應(yīng)用到農(nóng)業(yè)中的諸多方面。農(nóng)作物識(shí)別和分類是極化特征在農(nóng)業(yè)中應(yīng)用最早的領(lǐng)域。初期的研究多通過(guò)增加不同極化的后向散射特征來(lái)提高農(nóng)作物的分類精度，研究發(fā)現(xiàn)隨著極化特征的加入，可以將僅采用單一極化特征的農(nóng)作物分類精度有效提高，部分地區(qū)某些農(nóng)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(xué)者的研究表明：引入不同的極化分解參數(shù)，可以有效提高分類的精度，這些分類結(jié)果的精度范圍在70%～96%之間變化。分類的對(duì)象包括農(nóng)作物中的玉米、大豆、小麥、水稻等；也包括農(nóng)作物與森林、裸土、建筑物等[93—95]。文獻(xiàn)[65]也詳細(xì)總結(jié)了使用這些特征進(jìn)行分類的方法。

在農(nóng)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(xué)者提出了多極化數(shù)據(jù)反演算法來(lái)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(duì)土壤粗糙度的敏感性最早也通過(guò)極化合成參數(shù)對(duì)其的響應(yīng)得到證實(shí)，研究表明圓極化相關(guān)參數(shù)對(duì)土壤粗糙度最為敏感[101]。隨后，極化分解參數(shù)被應(yīng)用于土壤水分反演中土壤粗糙度影響的剔除，并在此基礎(chǔ)上提出了X-Bragg模型來(lái)改進(jìn)傳統(tǒng)土壤水分反演模型——小擾動(dòng)模型(Small Perturbation Method,SPM)無(wú)法表征交叉極化、去極化特征的弊端[102,103]。隨著全極化數(shù)據(jù)的豐富，一些研究開(kāi)始探索更多可以表征土壤粗糙度的特征參數(shù)[104,105]。

極化參數(shù)在農(nóng)作物長(zhǎng)勢(shì)參數(shù)中的反演也是目前研究的熱點(diǎn)之一，近年來(lái)涌現(xiàn)出不少研究成果。加拿大農(nóng)業(yè)與食品學(xué)會(huì)的研究團(tuán)隊(duì)針對(duì)多種農(nóng)作物，以Radarsat數(shù)據(jù)為主要數(shù)據(jù)源，開(kāi)展了多個(gè)長(zhǎng)勢(shì)參數(shù)的反演及農(nóng)作物估產(chǎn)研究[106—108]。國(guó)內(nèi)中科院邵蕓團(tuán)隊(duì)[109,110]也采用全極化和簡(jiǎn)縮極化數(shù)據(jù)，以水稻為主要研究對(duì)象，研究了極化特征在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)及估產(chǎn)中的應(yīng)用。Jiao等人[106]和Mcnairn等人[107]采用極化參數(shù)(HV強(qiáng)度、基準(zhǔn)高度、極化分解的體散射分量等)證實(shí)了SAR極化特征對(duì)LAI的敏感性，并通過(guò)改進(jìn)傳統(tǒng)的水云模型，克服了采用后向散射反演LAI的低飽和點(diǎn)的局限，同時(shí)也論證了LAI可以作為農(nóng)作物估產(chǎn)有效指標(biāo)。Wiseman等人[108]則全面分析了C-波段極化參數(shù)對(duì)玉米、大豆、油菜、春小麥的干生物量的響應(yīng)情況，指明各極化參數(shù)對(duì)農(nóng)作物的敏感性受到農(nóng)作物類型和生長(zhǎng)物候期的影響，也表明極化特征在農(nóng)作物物候期監(jiān)測(cè)中的潛力。Zhang等人[111]通過(guò)提取27個(gè)簡(jiǎn)縮極化參數(shù)表明了不同極化參數(shù)在農(nóng)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(shù)與農(nóng)作物長(zhǎng)勢(shì)參數(shù)直接建立關(guān)系來(lái)實(shí)現(xiàn)反演，地域依賴性強(qiáng)，一些研究利用了半經(jīng)驗(yàn)?zāi)Ｐ驼壑缘膬?yōu)勢(shì)，將極化特征用于WCM模型來(lái)提高反演結(jié)果的精度和適用性[112,113]。SAR技術(shù)應(yīng)用于物候期的識(shí)別多數(shù)采用了極化特征對(duì)農(nóng)作物生長(zhǎng)期結(jié)構(gòu)變化敏感的優(yōu)勢(shì)，首先通過(guò)覆蓋物候期的SAR極化影像提取極化特征；然后分析農(nóng)作物在整個(gè)生長(zhǎng)過(guò)程中各極化參數(shù)的變化特征，進(jìn)而選取合適的極化參數(shù)進(jìn)行各個(gè)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(jīng)驗(yàn)閾值魯棒性低的問(wèn)題，一些研究者發(fā)展了動(dòng)態(tài)建模的方法，如Kalman濾波和粒子濾波等方法[114,115]?？紤]到監(jiān)測(cè)物候期中時(shí)間序列影像缺失對(duì)物候期反演結(jié)果的影響問(wèn)題，一些研究通過(guò)采用替代參數(shù)和濾波方法相結(jié)合來(lái)彌補(bǔ)[86—88]。

楊浩等人[90]率先將極化特征用于小麥倒伏災(zāi)害的識(shí)別，研究發(fā)現(xiàn)小麥倒伏前后，HH和VV極化的散射能量對(duì)比會(huì)發(fā)生明顯的反轉(zhuǎn)現(xiàn)象，并且多個(gè)極化組合參數(shù)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(xiàn)象的監(jiān)測(cè)。

極化SAR特征的應(yīng)用，使得SAR信息在農(nóng)業(yè)中的應(yīng)用得到了進(jìn)一步的深入，已有這些研究結(jié)果均證明極化特征在農(nóng)業(yè)應(yīng)用中，特別是在農(nóng)作物識(shí)別、農(nóng)作物長(zhǎng)勢(shì)參數(shù)反演及估產(chǎn)中的巨大潛力，在未來(lái)可能成為精準(zhǔn)農(nóng)業(yè)實(shí)施重要手段之一。

3.3 SAR干涉特征

干涉技術(shù)最初發(fā)展的目的是利用簡(jiǎn)單的相位-高程關(guān)系(φ=kzh)獲得對(duì)地形高程的測(cè)量。傳統(tǒng)的干涉測(cè)量合成孔徑雷達(dá)(Interferometric Synthetic Aperture Radar,InSAR)一般采用單波段、單極化方式進(jìn)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(cè)量合成孔徑雷達(dá)(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(chǔ)上又增加了極化特征，其利用全極化觀測(cè)進(jìn)行干涉處理，結(jié)合了干涉特征對(duì)空間分布敏感以及極化特征對(duì)散射體物理性質(zhì)敏感的特性，可以同時(shí)把目標(biāo)的精細(xì)結(jié)構(gòu)特征與空間分布特征結(jié)合起來(lái)，提高干涉應(yīng)用性能，并區(qū)分分辨單元內(nèi)不同散射機(jī)制的垂直分布特征[116]。

InSAR特征在植被中的應(yīng)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(shí)受到植被結(jié)構(gòu)和SAR成像參數(shù)的影響，為了分析植被結(jié)構(gòu)的影響，PolInSAR被用于“植被偏差”的監(jiān)測(cè)。這些特征最早被用于森林高度的估測(cè)，根據(jù)可獲取的特征、植被散射的特征發(fā)展了基于幾何關(guān)系和基于物理模型的森林高度估測(cè)方法[117]。InSAR和PolIn-SAR特征在農(nóng)業(yè)中的應(yīng)用目前主要集中在農(nóng)作物高度的估測(cè)。重軌InSAR數(shù)據(jù)的時(shí)間失相干嚴(yán)重影響著其在植被覆蓋區(qū)的應(yīng)用：例如即使僅有24小時(shí)時(shí)間差的TanDEM數(shù)據(jù)也會(huì)受到時(shí)間失相干的影響，盡管如此，該數(shù)據(jù)的相干性與多種農(nóng)作物的高度還是具有明顯的相關(guān)性，在農(nóng)作物高度估測(cè)中極具潛力[118]。隨著PolInSAR數(shù)據(jù)的豐富，一些研究者提出了適用于極化干涉SAR數(shù)據(jù)的植被散射模型，用于植被參數(shù)的反演。隨機(jī)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(yīng)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(jī)體，即電磁波在其中傳播時(shí)衰減系數(shù)與極化狀態(tài)無(wú)關(guān)，后者中的OV代表有向體，即電磁波在其中傳播時(shí)衰減系數(shù)是極化的函數(shù)[119,120]。RVoG和OVoG模型經(jīng)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(nóng)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(nóng)作物的散射特征，并且基于實(shí)驗(yàn)數(shù)據(jù)證實(shí)了其在玉米和水稻高度反演中的可行性。隨后基于機(jī)載PolInSAR數(shù)據(jù)的農(nóng)作物高度反演研究逐漸開(kāi)展，基于RVoG模型的相位-幅度聯(lián)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(jié)果表明該模型具有農(nóng)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(biāo)準(zhǔn)差在0.20～0.31 m之間，而大麥和燕麥則較差，標(biāo)準(zhǔn)差在0.33～0.61 m之間。隨著覆蓋全球范圍的無(wú)時(shí)間失相干的TerraSAR/TanDEM星載干涉、極化干涉SAR數(shù)據(jù)的豐富，基于該數(shù)據(jù)展開(kāi)的農(nóng)作物高度反演的研究近些年開(kāi)始涌現(xiàn)。Erten等人[122]和Rossi等人[123]研究了覆蓋水稻整個(gè)生長(zhǎng)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(guān)系，證實(shí)了HH和VV極化的選擇會(huì)明顯影響水稻高度估測(cè)結(jié)果；Lee等人[124]基于TerraSAR/TanDEM干涉SAR數(shù)據(jù)，提出了水稻生長(zhǎng)區(qū)地相位的估計(jì)方法，采用RVoG模型和對(duì)照表法反演了研究區(qū)水稻的高度，反演結(jié)果的RMSE為0.10 m；國(guó)賢玉等人[125]采用雙極化TerraSAR/TanDEM干涉SAR數(shù)據(jù)發(fā)展了RVoG模型，并用于水稻高度的反演，研究表明當(dāng)水稻株高高于0.4 m時(shí)，可以取得較好的估測(cè)結(jié)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(duì)不同農(nóng)作物高度反演的結(jié)果充分表明了干涉、極化干涉特征在農(nóng)作物垂直結(jié)構(gòu)變化相關(guān)監(jiān)測(cè)中的潛力。然而由于農(nóng)作物覆蓋區(qū)體散射受時(shí)間失相干影響嚴(yán)重，使得重軌干涉影像噪聲較大，影響反演結(jié)果，因此其廣泛應(yīng)用受到了較大的限制。隨著無(wú)時(shí)間失相干數(shù)據(jù)的出現(xiàn)，使得采用干涉、極化干涉SAR特征進(jìn)行農(nóng)作物垂直結(jié)構(gòu)監(jiān)測(cè)成為可能，目前盡管已經(jīng)展開(kāi)了一些研究，但是干涉特征在農(nóng)業(yè)應(yīng)用中的潛力還有待進(jìn)一步挖掘。

3.4 SAR層析特征

層析SAR技術(shù)(SAR Tomography,TomoSAR)的提出是為了實(shí)現(xiàn)地物垂直方向上的觀測(cè)，目前SAR應(yīng)用中，主要有兩種層析技術(shù)：一種是多基線SAR層析技術(shù)，即在垂直于視線方向上增加多幅干涉天線來(lái)對(duì)觀測(cè)場(chǎng)景實(shí)現(xiàn)重復(fù)觀測(cè)，相當(dāng)于在垂直于視線方向上合成一個(gè)較大的孔徑來(lái)獲得高度維的特征，通常通過(guò)譜分析方法來(lái)獲得場(chǎng)景沿垂直方向的散射值[126—128]；一種是利用不同極化狀態(tài)下的干涉相干系數(shù)反演植被垂直結(jié)構(gòu)分布的極化相干層析技術(shù)，即利用不同極化的干涉相干變化來(lái)重建觀測(cè)場(chǎng)景后向散射隨高度變化的方程，然后利用觀測(cè)的相干數(shù)據(jù)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(jí)數(shù)展開(kāi)的垂直結(jié)構(gòu)方程，求解各系數(shù)獲得場(chǎng)景沿垂直方向的散射值[126,128,129]。多基線SAR層析技術(shù)的成像算法包括三大類：非參數(shù)譜估計(jì)方法、參數(shù)譜估計(jì)方法、稀疏譜估計(jì)方法。稀疏譜估計(jì)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(jì)算方法中計(jì)算量大、耗時(shí)費(fèi)力的弊端，提高了層析SAR數(shù)據(jù)處理的效率，近年來(lái)基于此發(fā)展了大量相關(guān)的成像算法[130,131]。已有研究發(fā)現(xiàn)：?jiǎn)位€極化相干層析技術(shù)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(wú)法真正得到目標(biāo)的垂直向結(jié)構(gòu)信息。雙基線比單基線的分辨率高，但當(dāng)基線數(shù)量超過(guò)3時(shí)，該方法的穩(wěn)定性下降；此外該方法需要輸入先驗(yàn)知識(shí)，如地相位和植被高度，這些信息通過(guò)PolInSAR技術(shù)獲得，因此一方面存在對(duì)植被高度的低估，另一方面很大程度上依賴PolInSAR技術(shù)的發(fā)展[129,131]。

SAR層析技術(shù)的應(yīng)用目前仍然處在應(yīng)用研究的初期，其在農(nóng)業(yè)中的應(yīng)用也剛剛展開(kāi)。SAR層析技術(shù)目前被廣泛用于森林生物量的反演[131]，但是由于農(nóng)作物生長(zhǎng)變化的快速性及其復(fù)雜環(huán)境場(chǎng)景的影響，目前的研究多集中在農(nóng)作物高度參數(shù)反演、各個(gè)頻段農(nóng)作物整個(gè)生長(zhǎng)期垂直方向的后向散射變化、農(nóng)作物覆蓋區(qū)的地表、體散射的區(qū)分中[3,132—139]。初期研究者們采用室內(nèi)和室外地基雷達(dá)實(shí)驗(yàn)數(shù)據(jù)對(duì)X-,C-和L-波段小麥、玉米的三維散射剖面進(jìn)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(jī)載TomoSAR數(shù)據(jù)的出現(xiàn)，Pichierri等人[139]采用機(jī)載TomoSAR數(shù)據(jù)研究了層析特征在農(nóng)田場(chǎng)景的應(yīng)用可行性。他們以O(shè)VoG模型為基礎(chǔ)，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(jié)果指出了基線長(zhǎng)度、頻率對(duì)不同農(nóng)作物高度反演的影響：基線較小時(shí)，極化干涉相干性與農(nóng)作物高度的敏感性降低；L-波段用于油菜、玉米高度反演時(shí)，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(shí)，均方根誤差低于24%。Joerg等人[132]采用Capon非參數(shù)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(zhǎng)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(qū)具有明顯的二次散射機(jī)制；小麥冠層具有明顯的表面散射機(jī)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(jiàn)?；谶@些農(nóng)作物覆蓋區(qū)的散射剖面，這些研究者們進(jìn)一步分析了采用其進(jìn)行體散射和地表散射機(jī)制分離的可行性及有效的方法。由于農(nóng)作物在整個(gè)生長(zhǎng)周期中變化的快速性，時(shí)間序列TomoSAR數(shù)據(jù)的獲取對(duì)其在農(nóng)業(yè)中的深入應(yīng)用也有著顯著的影響，這些研究同時(shí)也說(shuō)明了時(shí)間失相干對(duì)極化干涉相干層析特征在農(nóng)作物監(jiān)測(cè)中的影響[132,140]。

SAR層析特征在提高農(nóng)作物分類精度、農(nóng)作物高度和生物量反演精度中具有重要的潛在應(yīng)用價(jià)值。然而目前該特征在農(nóng)業(yè)中的應(yīng)用還較少，反演的方法、應(yīng)用的農(nóng)作物對(duì)象等還存在較多的探索空間，隨著多基站SAR觀測(cè)技術(shù)的實(shí)現(xiàn)，新體制SAR衛(wèi)星計(jì)劃的實(shí)施，層析SAR特征在農(nóng)業(yè)中的應(yīng)用需要未來(lái)進(jìn)一步深入研究。

4 總結(jié)與展望

4.1 總結(jié)

目前雷達(dá)技術(shù)在農(nóng)業(yè)中的多個(gè)方面均展開(kāi)了應(yīng)用研究，也取得了豐碩的研究成果。然而，在農(nóng)業(yè)應(yīng)用中，不同的利益相關(guān)組織或個(gè)人關(guān)注和需求的農(nóng)情信息不同，對(duì)雷達(dá)技術(shù)在農(nóng)業(yè)各領(lǐng)域中應(yīng)用的需求也不盡相同。盡管目前在各個(gè)領(lǐng)域都有一些研究結(jié)論，但是針對(duì)具體的需求和深入的應(yīng)用都需要進(jìn)一步的探索和開(kāi)發(fā)。例如在農(nóng)作物識(shí)別和分類方面，盡管也出現(xiàn)了全球尺度的分類產(chǎn)品，但是這些產(chǎn)品偏重于用地表覆蓋類型的劃分，而精細(xì)的農(nóng)作物類型的劃分則存在不少問(wèn)題；此外農(nóng)作物識(shí)別和分類的研究成果多集中在成片的同質(zhì)性區(qū)域，對(duì)于斑塊破碎、種植類型復(fù)雜的區(qū)域，則很難達(dá)到需求的精度。以精準(zhǔn)農(nóng)業(yè)為例，在具體的需求中更需要了解在農(nóng)業(yè)中這些田地是如何使用的，在整個(gè)農(nóng)作物生長(zhǎng)過(guò)程中田間操作是如何實(shí)施的。農(nóng)業(yè)災(zāi)害類型較多，多種災(zāi)害對(duì)農(nóng)作物產(chǎn)量影響嚴(yán)重，特別是洪澇災(zāi)害監(jiān)測(cè)是雷達(dá)監(jiān)測(cè)的優(yōu)勢(shì)，然而目前相關(guān)的研究也開(kāi)展較少。糧食產(chǎn)量的預(yù)估是目前各國(guó)政府和相關(guān)利益人或組織均關(guān)注的問(wèn)題，目前基于雷達(dá)技術(shù)的估產(chǎn)研究較少，方法多集中在利用后向散射系數(shù)與農(nóng)作物產(chǎn)量做簡(jiǎn)單的經(jīng)驗(yàn)統(tǒng)計(jì)，盡管可以得到粗略的產(chǎn)量結(jié)果，但是估計(jì)結(jié)果的質(zhì)量如何，相關(guān)的研究則展開(kāi)較少，已有的研究也多集中在農(nóng)田同質(zhì)性較強(qiáng)的國(guó)家和地區(qū)。盡管目前也采用同化的方法展開(kāi)了部分估產(chǎn)的研究，但是目前還集中在理論的研究，并且其在大區(qū)域、異質(zhì)性強(qiáng)的地區(qū)的研究也相對(duì)較少。

雷達(dá)技術(shù)的發(fā)展過(guò)程本質(zhì)上也是對(duì)微波電磁波資源不斷發(fā)掘和利用的過(guò)程。通過(guò)對(duì)各類雷達(dá)特征在農(nóng)業(yè)中應(yīng)用可知：雷達(dá)各類特征在農(nóng)業(yè)中的應(yīng)用差異較大，目前應(yīng)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(nóng)業(yè)應(yīng)用中的相關(guān)研究則剛剛展開(kāi)。后向散射系數(shù)應(yīng)用較多的領(lǐng)域是農(nóng)作物長(zhǎng)勢(shì)參數(shù)和土壤水分的反演。在長(zhǎng)勢(shì)參數(shù)反演中多基于經(jīng)驗(yàn)和半經(jīng)驗(yàn)?zāi)Ｐ?，研究?duì)象主要為水稻，而不同的農(nóng)作物、相同農(nóng)作物在不同生長(zhǎng)期的散射機(jī)制變化明顯，直接影響后向散射特征，這使得這些經(jīng)驗(yàn)和半經(jīng)驗(yàn)?zāi)Ｐ偷膹V泛應(yīng)用受到極大的限制；另外目前的半經(jīng)驗(yàn)?zāi)Ｐ秃蜋C(jī)理模型多為非相干散射模型，無(wú)法利用SAR數(shù)據(jù)的相位特征。土壤水分反演的模型多基于特定的土壤觀測(cè)數(shù)據(jù)建立，在大面積的土壤水分反演時(shí)不確定性較大，另外對(duì)相位特征也沒(méi)有有效的利用。極化特征應(yīng)用較成熟的領(lǐng)域是農(nóng)作物識(shí)別、分類和農(nóng)作物長(zhǎng)勢(shì)參數(shù)反演。目前基于極化特征的農(nóng)作物分類局限在同質(zhì)性區(qū)域，散射機(jī)制較簡(jiǎn)單的幾類農(nóng)作物的分類中，對(duì)于一些散射機(jī)制復(fù)雜的作物，其極化散射機(jī)理仍然不明確，其相應(yīng)的分類方法也還在研究中。在采用極化分解參數(shù)進(jìn)行的農(nóng)作物長(zhǎng)勢(shì)參數(shù)反演中，由于多數(shù)分解方法假設(shè)農(nóng)作物冠層由勻質(zhì)散射體構(gòu)成，這樣構(gòu)建的模型無(wú)法描述農(nóng)作物冠層復(fù)雜的散射情況，從而使得反演結(jié)果不確定性增大、適用性降低。此外，長(zhǎng)勢(shì)參數(shù)反演和農(nóng)作物估產(chǎn)的研究中，目前對(duì)于農(nóng)作物生長(zhǎng)的水文、氣象、環(huán)境等影響因子考慮較少，無(wú)法全面揭示農(nóng)作物生長(zhǎng)及產(chǎn)量形成的機(jī)制。

4.2 展望

雷達(dá)遙感的獨(dú)特優(yōu)勢(shì)使得其在農(nóng)業(yè)遙感監(jiān)測(cè)中可以發(fā)揮重要的作用，經(jīng)過(guò)幾十年的發(fā)展，雷達(dá)在農(nóng)業(yè)中的應(yīng)用由初期的地面觀測(cè)，逐步發(fā)展到機(jī)載和星載觀測(cè)。傳感器從最初的散射計(jì)發(fā)展到現(xiàn)在的多頻、多極化、多角度、多時(shí)相等多維SAR觀測(cè)。目前雷達(dá)遙感在農(nóng)作物識(shí)別和分類、農(nóng)田參數(shù)反演、農(nóng)作物長(zhǎng)勢(shì)參數(shù)反演、農(nóng)作物物候期劃分等方面均取得了諸多的進(jìn)展，但在農(nóng)作物災(zāi)害監(jiān)測(cè)和農(nóng)作物估產(chǎn)中的研究則還處在實(shí)驗(yàn)階段，并且目前在農(nóng)業(yè)領(lǐng)域應(yīng)用相關(guān)的技術(shù)和方法多數(shù)仍處在研究階段，在實(shí)際應(yīng)用中還未進(jìn)行大范圍推廣和實(shí)施。造成該現(xiàn)狀的原因一方面是由于發(fā)展的方法、模型等還具有一定的局限性，需要進(jìn)一步改進(jìn)和發(fā)展；另一方面是由于目前支撐農(nóng)業(yè)實(shí)時(shí)監(jiān)測(cè)的SAR數(shù)據(jù)資源還相對(duì)匱乏，像極化干涉SAR數(shù)據(jù)、層析SAR數(shù)據(jù)等目前多依賴國(guó)外的機(jī)載和部分星載實(shí)驗(yàn)數(shù)據(jù)，使得深入分析和研究穩(wěn)健的算法和模型受到限制。在災(zāi)害監(jiān)測(cè)中，由于對(duì)多種災(zāi)害的微波散射機(jī)制還未完全明確，因此目前應(yīng)用的還較少；而作物的準(zhǔn)確估產(chǎn)又依賴于作物生長(zhǎng)狀態(tài)，而作物生長(zhǎng)狀態(tài)信息與SAR信息融合的研究還處于研究的初級(jí)階段。在目前農(nóng)業(yè)應(yīng)用中，被動(dòng)微波遙感數(shù)據(jù)由于獲取方便、時(shí)間分辨率較高且數(shù)據(jù)處理簡(jiǎn)單，可以成為雷達(dá)遙感在農(nóng)業(yè)中應(yīng)用的有效補(bǔ)充。盡管如此，雷達(dá)技術(shù)在農(nóng)業(yè)中的應(yīng)用已經(jīng)展現(xiàn)出極大的優(yōu)勢(shì)和潛力，正成為推動(dòng)精準(zhǔn)農(nóng)業(yè)、智慧農(nóng)業(yè)有效實(shí)施、高效快速發(fā)展的有力手段。隨著SAR數(shù)據(jù)類型、成像模式豐富，基于多頻、多極化、多角度、多時(shí)相等多維SAR觀測(cè)將成為可能，未來(lái)農(nóng)業(yè)領(lǐng)域的應(yīng)用不僅要細(xì)化各維度SAR特征在農(nóng)業(yè)各領(lǐng)域的方法和模型，還要結(jié)合農(nóng)業(yè)行業(yè)各相關(guān)利益人的需求，從而推動(dòng)雷達(dá)技術(shù)在農(nóng)業(yè)領(lǐng)域的深入、有效利用。