基于合成孔径雷达数据的农作物长势监测研究进展.pdf

2024 年 1 月 第 6 卷 第 1 期Jan.2024 Vol.6,No.1智慧农业（中英文）Smart Agriculture基于合成孔径雷达数据的农作物长势监测研究进展洪玉娇1，2，张硕1，2，李俐1，2*（1.中国农业大学 土地科学与技术学院，北京 10083，中国；2.农业农村部农业灾害遥感重点实验室，北京 10083，中国）摘要：目的目的/意义意义农作物长势监测能及时提供农作物的生长状态信息，对于加强中国作物生产管理、确保国家粮食安全具有重要的意义。卫星遥感技术的发展为大面积的作物长势监测提供了契机。然而，在雨热同期的作物生长旺季，光学遥感数据的获取经常受到天气的限制。因此，近年微波雷达遥感技术受到了广泛重视。进展进展梳理了利用合成孔径雷达（Synthetic Aperture Radar,SAR）数据进行农作物长势监测的国内外研究现状，从农作物长势SAR遥感监测指标、农作物长势SAR遥感监测数据和农作物长势SAR遥感监测方法3个方面对基于SAR数据农作物长势监测研究进展与标志性成果进行总结。在分析常用于农作物长势监测的方法及其适用性的基础上，对它们在长势监测中应用情况进行分析。结论结论/展望展望提出了 4 个国内外 SAR 监测农作物长势所存在的问题：1）基于SAR数据的农作物长势监测方法研究整体较少；2）微波散射特征挖掘不够，特别是对极化分解参数的长势监测应用研究还有待深入；3）针对农作物长势监测中的雷达植被指数相对较少，其应用尚未得到充分发挥；4）基于SAR散射强度的农作物长势监测主要采用经验模型，难以推广到不同地区和类型的农作物上。最后，展望未来的研究应聚焦于挖掘微波散射特征、利用SAR极化分解参数、发展和优化雷达植被指数以及深化散射模型来监测农作物长势。关键词：长势监测；合成孔径雷达；雷达植被指数；机理模型法中图分类号：TN958；S12 文献标志码：A 文章编号：SA202308019引用格式：洪玉娇,张硕,李俐.基于合成孔径雷达数据的农作物长势监测研究进展J.智慧农业(中英文),2024,6(1):46-62.DOI：10.12133/j.smartag.SA202308019HONG Yujiao,ZHANG Shuo,LI Li.Research Progresses of Crop Growth Monitoring Based on Synthetic Aperture Radar DataJ.Smart Agriculture,2024,6(1):46-62.DOI：10.12133/j.smartag.SA202308019(in Chinese with English abstract)0 引 言农作物长势监测是指监测农作物生长过程的状况和趋势，旨在为田间管理和早期估产提供数据支持与估产依据1。中国是农业大国，农作物生产情况关系到国家粮食安全、经济发展和社会稳定。及时掌握中国主要农作物的长势信息，对于加强作物生产管理、确保国家粮食安全有重要的意义2。传统的作物长势监测主要通过外业人工观察作物的形态、颜色等外观特征判断作物的生长情况，具有较好的可靠性和真实性，但会耗费大量的人力，效率低下，难以进行大面积的监测3,4。随着空间技术的发展，卫星遥感技术为农作物长势的大范围监测提供了有效的观测手段。20世纪80年代以来，国内外众多学者利用光学遥感影像对不同时空尺度下的多种农作物进行了类型识别和长势监测研究。目前，光学遥感技术已经在农作物长势监测上取得了长足发展5。然而，在进行北方旱地作物及南方水稻监测时发现，作物生长关键期经常受到阴雨天气影响。光学遥感数据的可获取性和数据治理具有较严重的局限性6。合成孔径雷达（Synthetic Aperture Radar,SAR）收稿日期：2023-08-16基金项目：国家自然科学基金（42171324）作者简介：洪玉娇，研究方向为农作物长势监测。E-mail：*通信作者：李 俐，博士，副教授，研究方向为微波遥感及其农业应用。E-mail：copyright2024 by the authors洪玉娇等：基于合成孔径雷达数据的农作物长势监测研究进展Vol.6,No.1是一种高分辨率的成像微波传感器，具有全天时、全天候的地表信息获取能力，很好地弥补了光学遥感的不足，在农作物长势监测方面具有广泛的使用需求及巨大的应用潜力7,8。SAR具有一定的植被穿透能力，且对植被结构的介电特性和几何特性敏感，可以被充分应用到农作物长势监测中9。目前，遥感作物长势监测的研究日益增多，然而基于微波遥感数据的监测研究还相对较少，且缺乏系统的梳理和分析总结。本文通过对已有文献进行综合分析，总结SAR反演作物长势参数的研究进展，厘清 SAR 监测农作物长势的主要技术方法，明晰SAR技术在农作物长势监测中的应用情况，探究目前采用 SAR技术进行农作物长势监测中存在的问题，并对其未来研究方向进行了展望。1 国内外研究现状 在农作物长势监测领域，SAR技术的应用经历了多个发展阶段：从早期的单极化、单波段阶段，逐渐演变至中期的多极化、多波段阶段，再到现在的紧致极化及与光学遥感联合应用的阶段10。1.1 基于单极化、单波段SAR数据的农作物长势监测自20世纪80年代开始，SAR图像在提取植被信息和监测长势方面的优势就已展现出来，成为了重要的遥感数据源。早期的长势监测主要集中于水稻11-14。研究者利用多时相ERS-1 C波段SAR数据进行了面积约为 0.3 km2的小区域水稻长势监测研究，首次验证了后向散射系数与水稻作物参数（株高、干重）之间具有相关性，证明利用水稻后向散射来预测水稻生长阶段是可行的15。之后，Le Toan等16利用ERS-1 C波段SAR数据对印度尼西亚三宝垄试验场的水稻进行监测。监测面积扩展到2 km2。随着监测技术的发展，RADARSAT-1数据与ERS-1数据相比，提供了更多可选的入射角和更高的空间分辨率，为进一步扩大研究区的面积提供了可能。Ribbes17使用 RADARSAT-1 C 波段 SAR数据对印度尼西亚爪哇岛附近水稻的面积和生长状态进行监测，此时研究区的面积扩展到 70 km2左右，相较于前几年的小面积监测，取得了显著进步。此外，大面积监测使得数据采集、数据处理和计算模型的复杂程度都显著增加。Shao等18利用多时相RADARSAT-1 C波段SAR数据监测4种水稻类型及产量评估，以广东肇庆3个县和2个行政区为研究区，共采集了20景RADARSAT-1数据，通过改进经验模型算法，采用 3 次多项式来模拟水稻后向散射特性随时间的变化规律，进一步将研究区扩大到 5 000 km2左右。由此可见，随着时间和技术的发展，监测水稻长势的研究面积不断增大，研究区由小面积的方法尝试扩展到大面积的监测应用。1.2 基于多极化、多波段SAR数据的农作物长势监测随着雷达技术的不断进步，ENVISAT、ALOS-PALSAR、Tera-SAR、COSMO-Sky Med、RADARSAT-2、Sentinel-1 和 GF-3 等 SAR 卫星陆续升空，具有多极化、多波段成像能力的SAR遥感卫星成为作物长势监测研究的主要工具。研究表明，以单极化、单波段SAR遥感为基础的作物长势监测主要集中在水稻上。由于独特的种植模式，水稻具有较高的介电常数和在不同生育阶段差异显著的后向散射系数，因而成为一个易于监测的对象19,20。具体而言，水稻在插秧期前后，土壤表面平整且含水量高，产生镜面反射，从而导致较低的后向散射系数。然而，当水稻进入移苗期和抽穗期，伴随着土壤含水量的逐渐降低及水稻的株高、叶片长度的持续增长，其后向散射系数明显增大20,21。相对而言，玉米、小麦等旱地作物在整个生长周期内，下垫面无明显变化，介电常数与周边植被差异也不显著，再加上复杂的种植模式，使用单极化、单波段SAR数据对其进行长势监测较为困难22。多极化、多波段SAR的成像技术为此提供了突破口。通过组合不同的波段和极化方式，SAR影像能够更精细地捕捉各类作物的几何结构和介电常数信息23-25，为旱地作物长势的科学监测提供了新的可能性。在这一阶段，不少学者对小麦长势进行监测研究，通过比较不同极化SAR数据和波段，发现小麦的生长特性和结构在这些参数中的响应存在差47Vol.6,No.1智慧农业（中英文）Smart Agriculture异26-29。具体而言，与VV极化相比，HH极化对小麦的生长和发育变化更为敏锐，而HV极化则在捕获小麦的结构细节上显示出独特优势30。在波段方面，起初的研究主要依赖L波段。L波段较长的波长能够深入穿透小麦，提供小麦内部的关键信息。然而，随着研究深入和技术进步，学者们发现C波段对小麦的表面散射响应更为明显，可以清晰地捕捉小麦叶片和茎秆的散射特性31。这为估计小麦的叶面积指数和生物量提供了更为精确的数据。因此，随着时间的推移，越来越多的研究开始转向使用C波段，或者将L波段与C波段结合起来监测小麦长势32,33。对于玉米而言，其茎秆和叶片的形态结构在不同的生长阶段都有明显变化。HV极化可以捕捉玉米在幼苗期、开花期和成熟期的结构差异；HH和VV极化则更适用于估测土壤含水量和玉米生物量34。值得注意的是，在玉米的幼苗阶段，L波段可以穿透玉米冠层，提供有关土壤湿度的重要信息35。但是，随着玉米持续生长，其冠层日益密集，茎秆和叶片的生物物理特性成为SAR监测的主要目标，此时C波段和X波段的价值逐渐显现。由于它们的波长相对较短，对玉米茎秆和叶片的散射响应表现出较高的敏感性，因此在评估玉米的生物量和叶面积指数（Leaf Area Index,LAI）时，这两个波段优势很明显36。利用SAR技术监测玉米长势的焦点从最初的L波段逐渐转向了C 波段和 X 波段。这种逐步转变不仅展现了各个SAR波段在玉米特定生长阶段的优势，还有利于提高SAR监测玉米长势的精度。此外，还有研究者开始探索利用多极化、多波段SAR数据对油菜、甘蔗等旱地作物的长势进行监测37,38。总的来说，多极化、多波段 SAR技术弥补了单极化、单波段 SAR的不足，丰富了农作物种类的监测范围，从最初的下垫面是水面的水稻扩展到小麦、玉米、油菜、甘蔗等旱生作物。1.3 基于紧致极化 SAR 数据的农作物长势监测近十年来，随着人们对极化雷达理论的深入了解，紧致极化SAR（Compact Polarimetric SAR,CP SAR）系统的优势逐渐引起大家的注意39-41。尽管全极化SAR数据在作物长势监测中优势很大，但覆盖范围较窄，限制了其在大型区域监测活动中的实际应用。相比之下，CP SAR提升了成像覆盖范围，克服了全极化SAR的局限性42。此外，CP SAR在发射入射波时，可以同时接收来自两个不同方向的回波信号，这样不仅减少了数据量，还可以保持较好的极化信息43。鉴于实际获取的CP SAR数据较少，一般利用全极化SAR数据模拟CP SAR进行作物长势监测。目前，利用CP SAR数据监测农作物长势，主要聚焦在利用CP SAR参数反演作物的生物量、叶面积等长势参数上。例如，有研究利用Stokes参数及其子参数、分解参数和后向散射系数提取了27个CP SAR参数，以比较这些CP SAR参数对油菜长势参数的敏感性。结果表明圆极化比（UC）反演油菜生物量的效果最好，左旋圆极化和右旋圆极化分量的功率（g3）为反演油菜茎秆和叶面积指数的最佳CP SAR参数44。此外，还有研究者对利用 CP SAR 参数反演水稻物候进行了研究45。现有的研究已经展示了CP SAR在作物长势监测方面的巨大潜力。然而，由于可用数据的局限性，利用CP SAR监测农作物长势还有许多尚未开发的可能性。1.4 SAR结合光学遥感的农作物长势监测在现代遥感技术中，多源数据融合已成为提高监测效果的关键策略46-48，尤其是在农作物长势监测领域。雷达遥感具备不受天气影响、依靠后向散射系数捕捉地物的几何结构特性和介电特性等特点9，而光学遥感可以捕获目标地物的光谱信息49。相较于单一的数据源，将SAR数据和光学遥感数据结合起来可以有效提高监测农作物长势的精度50。因此，目前有许多研究致力于将SAR数据和光学遥感数据联合来监测农作物长势。其中，将雷达植被指数和光学指数联合应用成为主流研究方向。具体而言，部分研究团队通过整合雷达植被指数、归一化植被指数和植被水分含量指数对棉花长势进行监测。研究结果显示，混合植被指数可以提高反演棉花叶面积指数的精度，在某些具有挑战性的环境条件下（如雨季和阴天）效果更为明显51。此外，Alebele等52将雷达植被指数和光学48洪玉娇等：基于合成孔径雷达数据的农作物长势监测研究进展Vol.6,No.1指数与水稻实测生物量之间进行了相关分析，随后选取表现最好的雷达植被指数和光学指数创建了SAR 与光学倍增植被指数（Synthetic Aperture Radar and Optical Multiplication Vegetation Index,SOMVI）和SAR与光学差分植被指数（Synthetic Aperture Radar and Optical Differential Vegetation Index,SODVI）。结果显示，在所有情景下混合植被指数（SOMVI 和 SODVI）都比单独使用光学或 SAR 影像的指数具有更好的反演性能。2 作物长势监测指标与雷达参数 作物长势监测主要监测作物的苗情、生长状态及其变化，要求能够及时、全面反映作物生长过程53。该过程是一个极其复杂的生理生态变化过程，可以用一些能够反映生长特征的长势监测指标表征54。参考路贵和安海润55的研究，可以将农作物长势监测指标划分为形态指标、生理生化指标、产量指标、胁迫指标，如表1所示。其中，株高信息不易从传统光学或雷达遥感数据获取，冠层覆盖度常用于早期苗情的监测，倒伏率和干旱胁迫因子参数一般针对特定灾害和胁迫场景进行监测。相对来说，LAI和生物量是最具代表性的常用长势参数56-60。SAR 监测作物长势参数的核心原理基于 SAR信号与植被的相互作用，再经由特定的散射模型及反演算法来估计作物长势参数。SAR的工作波段主要在 130 cm 范围内，包括 S、C、X、L 和 K 波段，其中，短波C波段、X波段和L波段的SAR数据被广泛应用于监测作物长势71。当微波信号照射到作物时，部分信号被叶片吸收；而另一部分被叶片反射或散射。这种相互作用导致SAR的后向散射系数与作物的长势特征紧密关联19。以监测作物的 LAI为例，有研究发现 SAR 后向散射系数与LAI成正比关系。LAI可用来表征作物的叶片数量和垂直分布，通常，高LAI区由于其厚重的叶片分布，会发生更强烈的微波反射，从而在SAR图像中产生更强的后向散射强度36。为了更为精确地实施这种监测，研究者们采用了各种与作物长势敏感的雷达参数来反演其长势参数。目前，常用于反演农作物长势参数的雷达遥感参数有多种，如后向散射强度特征指数、雷达植被指数等72。本文对常用于农作物长势参数反演的雷达遥感参数类型及其应用特性进行了归纳总结，见表2。表2 主要雷达指标及应用特性Table 2 Main radar indicators and application characteristicsH/A/分解散射熵Entropy（H）73，74反熵Anisotropy（A）75H的取值范围为 0，1，代表散射随机性的大小，H越小表示散射随机程度越低；H对植物的茎高有较高的敏感性A反映了Cloude分解中2和3对应的两种散射机制的关系；当A较小时，3所对应的散射机制会影响散射结果；而当A较大时，2所对应的散射机制对散射结果产生影响；A对作物的物候期变化最为敏感类型SAR参数应用特性表1 农作物长势关键参数Table 1 Key parameters of crop growth分类形态指标生理生化指标产量指标胁迫指标参数名称株高（Plant Height）61冠层覆盖度（Canopy Coverage）62倒伏率（Fall Rate）63叶面积指数（Leaf Area Index）64叶片叶绿素含量（Leaf Chlorophyll Content）65，66生物量（Biomass）67，68植株含水量（Plant Water Content）69干旱胁迫（Drought Stress）因子70定义植物的根茎部到顶部的距离，其中顶部是指植物的主干顶植物冠层覆盖地表的面积与该区域表面积之比，通常用百分比表示分为根倒和茎折。根倒是指倒伏倾斜度大于45者作为倒伏指标，以百分比表示；茎折是指抽雄后，果穗以下部位折断的植株占全区株树的百分比单位土地面积上植物叶片总面积与该土地面积之比叶片中所含叶绿素的量。测定叶片叶绿素含量可以反映叶片光合能力和生长状态某一时刻单位面积内实存生活的有机物质（干重）总量，通常用kg/m2或t/ha表示。植被冠层体积内的含水量，其动态可以捕捉植物的水分胁迫由于干旱条件下植物获取的水分有限，因此植物生长明显受到抑制的现象49Vol.6,No.1智慧农业（中英文）Smart Agriculture极化特征参数散射强度特征指数植被指数散射角Alpha（）76特征值77香农熵Shannon Entropy（SE）78，79相干矩阵主对角线元素（SHH、SVV）77基高Base Height80VV-HV、HH-HV、HH-VV、HH/VV、VH/VV、HH+HV、HH+VV、VV+VH20，81-83Radar Vegetation Index（RVIKim）84Radar Vegetation Index（RVIVV）85Dual Polarimetric Radar Vegetation Index（DpRVI）86Generalized Radar Vegetion Index（GRVI）87Compact-pol Radar Vegetation Index（CpRVI）88取值范围为 0，90，其和目标的散射机理相关。当=0时，目标为平面散射；当=45时，目标为体散射；当=90时，目标为偶次散射，与H相似，也对作物的茎高敏感是通过对相干矩阵进行分解获得的，其大小和分布可以提供有关信号的极化特性和目标散射特性的信息，适用于对作物的健康监测将SE引入极化雷达应用中，有助于测量地物目标散射的信息量，同时反映了地物目标散射的随机性，可以准确反映作物的散射特征SHH、SVV通常用来描述SAR接收到的极化信号的功率，可以用来追踪作物的健康状况变化；健康的作物有较高的极化信号率，而有疾病或营养不良的作物则有较低的极化信号功率基高参数在极化SAR中是一个关键参数，可以用于监测不同作物的生长情况；不同类型的作物在生长期间会有不同的高度变化，通过基高参数的变化，可以追踪作物的生长进程，识别作物类型并评估其生长状况VV和HH为同极化，VV表示SAR接收和发射的信号都为垂直分量，HH表示SAR接收和发射的信号都为水平分量；HV和VH都为交叉极化，HV表示SAR发射的是水平信号，接收的反射信号为垂直信号，VH则与HV相反；通过加减乘除构建散射强度特征指数，可以突出作物的特征。例如，VV-VH对玉米冠层很敏感，HH/VV对小麦LAI敏感RVIKim=80HV0HH+0VV+20HV (1)，0 RVIKim 1，RVIKim用于全极化SAR数据，是散射随机性的度量，对植被生物量与介电特性敏感RVIVV=40VH0VV+0VH (2)，0 RVIVV 1，RVIVV是对RVIKim的改进，用于双极化数据（VV与VH），是体散射的度量，当体散射为主要散射机制时其与RVIKim差异很小，适用于农作物监测DpRVI=1-m (3)，0 DpRVI 1，m=1-4|C2(Tr(C2)2 (4)；DpRVI对植被形态结构和介电特性敏感，与植被含水量、种植面积和干生物量相关性高，适用于大区域农作物长势监测以及作物生物物理参数的反演GRVI=fV (5)，0 GRVI 1，fV=1-GDV(6)，=(pq)2GDV(7)，p=minGD()K，KtGD()K，KcGD()K，KdGD()K，Knd (8)，q=maxGD()K，KtGD()K，KcGD()K，KdGD()K，Knd(9)；GRVI对植被形态结构和介电特性敏感，与植被含水量和植物面积指数相关性好，适用于农作物长势监测以及作物生物物理参数的反演CpRVI=fID (10)，0 CpRVI 1，=(pq)2(3 2GDID)(11)，p=min SC，OC (12)，q=max SC，OC(13)，CpRVI是对GRVI的改进，用于紧致极化合成孔径雷达（CP-SAR），其对植被介电特性和冠层结构，适用于农作物长势监测，但性能弱于GRVI续表类型SAR参数应用特性后向散射强度即后向散射系数幅度取决于与SAR信号相互作用的散射体的几何和物理特征89。研究表明，农作物的关键长势参数，如LAI、生物量和株高与后向散射系数密切相关。图1图4给出了玉米生物量、水稻生物量、水稻株高、小麦LAI与后向散射系数的关系。可以看出，对于生物量参数，无论是玉米还是水稻，SAR后向散射系数都与之成对数相关，而且两者之间的大体趋势也是一样的，后向散射系数都随着生物量的增加而逐渐增大，且交叉极化的数值都比同极化的数值小34；50洪玉娇等：基于合成孔径雷达数据的农作物长势监测研究进展Vol.6,No.1对于株高参数，以在广东省泰山试验点水稻为例90，其与后向散射系数呈近线性相关关系，相关系数都大于0.8，且HH极化比HV极化的线性相关斜率更大一些；LAI参数与后向散射系数也有明显的相关性，以Matera站点2003年和2004年分蘖末期至抽穗期的 LAI与对应的 HH/VV后向散射比数据为例91，LAI与HH/VV比值的散点图呈抛物线关系，HH/VV的值随着LAI的增加而增大，而且两者的决定系数为0.82。近年来，随着多极化SAR数据的增多以及极化分解理论的不断完善。研究者发现，极化特性在反演植被分布、结构和生长状态等方面具有独特优势，利用SAR极化特征来监测农作物长势情况的技术受到越来越多的关注9,92,93。目前，农作物长势参数反演主要是利用极化SAR数据直接提取的特征参数以及极化分解得到的特征参数来监测农作物长势。其中，利用极化SAR数据直接提取的特征参数主要包括线性后向散射系数（HH、HV、VH、VV）和圆形后向散射系数（LL、RR、LR）、各种极化比值（HH/VV、HV/HH、VH/VV、HV/VV）、雷达植被指数RVI、基座高度和总功率等；利用极化分解得到的特征参数主要有Entropy（H）、反熵Anisotropy（A）、角、香农熵（SE）、单次反射特征值相对差异度（Single Bounce Eigenvalue Relative Difference,SERD）、二次反射特征值相对差异度（Double Bounce Eigenvalue Relative Difference,DERD）、基准高度（Pedestal Height,PH）、极化比（Polarization Fraction,PF）、极化不对称性（Polarimetric Asymmetry,PA）、单 次 散 射 分 量（Odd Bouncer,Odd）、偶次散射分量（Double Bounce,Dbl）和体散射分量（Volume Scattering,Vol）94-97、单次散射与整体散射能量比值参数（Odd/Span）、体散射与单次散射比值参数（Vol/Odd）、体散射与总体散射能量比值参数（Vol/Span）、偶次散射与整体散射能量比值参数（Dbl/Span）等98,99。此外，依据数据的不同，可将极化分解分为使用全极化数据 的 极 化 分 解 和 使 用 紧 致 极 化 数 据 的 极 化分解45,100,101。图3 水稻株高与后向散射系数之间的关系Fig.3 Relationship between rice plant height and backscattering coefficients图2 水稻生物量与后向散射系数之间的关系Fig.2 Relationship between rice biomass图4 小麦LAI与HH/VV后向散射系数之间的关系Fig.4 Relationship between LAI and HH/VV backscattering coefficients in wheat图1 玉米生物量与后向散射系数之间的关系Fig.1 Relationship between maize biomass51Vol.6,No.1智慧农业（中英文）Smart Agriculture目前，利用极化SAR数据直接提取的特征参数来反演农作物长势参数已经有一定的研究。例如，Canisius 等102利用 C 波段 RADARSAT-2 全极化SAR 数据研究了春小麦和油菜的物候特征与极化SAR参数的相关性，结果发现，特征参数HV/HH、VH/VV 和 RVI 都与油菜株高显著相关，R2分别为0.83、0.81和0.86，且VH/VV和春小麦的LAI也显著相关，R2为0.77。Jiao等103研究了极化SAR参数与玉米和大豆 LAI 的相关性，结果表明，HV、LL和RR极化与玉米的LAI相关性极为显著，R2分别为0.96、0.95和0.95，与大豆的相关性稍低一点，R2分别为0.86、0.86和0.83。基座高度和总功率与玉米和大豆的 LAI 也显著相关，R2分别为 0.96 和0.84、0.84和0.80。而全极化数据常用的极化分解方法主要包括相干分解和非相干分解两种104-106。在这两者之中，非相干分解方法更接近自然界中的分布式目标，因此在地物散射特征提取方面得到广泛应用。且农作物通常表现为非相干回波的分布式目标，故在农作物长势参数反演中多使用非相干分解方法获得特征参数。非相干分解方法主要包括Freeman-Durden 三分量分解、Cloude-Pottier 分解、Yamaguchi四分量分解107,108。目前，应用在农作物长势监测上的主要有基于特征矢量的Cloude-Pottier分解方法和基于模型的Freeman-Durden三分量分解方 法。前 文 提 到 的 H、A、角、SE、SERD、DERD、PH、PF、PA等特征参数都是Cloude-Pottier 的分解参数或者扩展参数；Odd、Dbl、Vol、Odd/Span、Vol/Odd、Vol/Span、Dbl/Span等特征参数都是Freeman-Durden的分解参数或者扩展参数。其 中，H、A、Odd、Dbl、Vol、Odd/Span、Vol/Span 等参数在长势参数反演中应用较多。例如，针对LAI参数，Jiao等103利用加拿大食品检验局研究农场数据实现对玉米和大豆LAI的反演，验证了H、Vol与LAI之间的相关关系。针对株高参数，Canisius等102以加拿大尼皮辛农业区为例，证实了与油菜和小麦株高的相关性，R2分别为0.91和0.66。针对生物量参数反演的研究较多，如 Zhang等44在中国东北部的内蒙古尚古里的研究发现，Vol与油菜生物量有明显的相关性，决定系数为 0.82。Wiseman 等80以加拿大马尼托巴省为例对油菜和玉米的干生物量进行反演。结果表明，H和干生物量之间的相关性，R2分别为0.81和0.84。康伟等94以内蒙古自治区上库力农场为例，实现了对小麦生物量的反演，验证了 Odd、Vol、Odd/Span、Vol/Span、Vol/Odd与小麦生物量在对数模型下具有高相关性，R2分别为 0.706、0.798、0.808、0.791和0.815。近年来，紧致极化 SAR 传感器还处于探索阶段，目前主要有3种常用的紧致极化成像模式：/4模式109、双圆极化模式（Dual Circular Polarization，DCP）110和 混 合 极 化 工 作 模 式（Circular Transmit and Dual Orthogonal Linear Receive,CTLR）111。目前关于紧致极化数据的实际样本量相对较少，因此研究中通常使用全极化数据来模拟紧致极化数据，且紧致极化分解技术主要应用在对生物量的监测上。例如，杨浩43采用5景全极化RADARSAT-2 数据模拟紧致极化 SAR 数据，采用CTLR模式，通过基于全极化数据模拟的紧致极化数据m-和m-三分量分解得到的极化参数，成功地监测了油菜的生物量。其中，基于紧致极化数据的 m-极化分解得到的极化参数 Dbl 在油菜生物量反演中表现最佳，R2为 0.92，均方根误差为56.5 g/m2。值得注意的是，在全极化的极化分解中，通常忽略了 Dbl 的贡献，并对 Vol 过度估计，而在紧致极化的极化分解中，更加重视了Dbl的影响。综上所述，极化分解技术在作物长势监测中表现出良好的效果，然而，目前对于极化分解技术在农作物长势监测方面的应用仍然较为有限，还需要进行更广泛的研究和实验验证。3 农作物长势SAR遥感监测方法 在利用SAR数据进行作物长势监测时，常用的方法主要包括机理模型法、经验模型法、半经验模型法、直接监测法和作物生长模型同化监测法。其中，机理模型法是一种根据植被散射机理来建立散射模型的方法；经验模型法是一种利用遥感信息参数和地面观测数据进行统计分析的方法；半经验模型法是一种介于经验模型法和机理模型法之间的方法，通常在机理模型的基础上加入实测的数据来修正和完善机理模型；直接监测法是一种基于遥感指52洪玉娇等：基于合成孔径雷达数据的农作物长势监测研究进展Vol.6,No.1标的方法；作物生长模型同化监测法是一种利用遥感观测数据直接推断作物生长模型参数的方法。3.1 机理模型法机理模型主要根据植被散射机理来建立散射模型。目前，常见的植被机理散射模型主要有密歇根微波植被散射模型（Michiigan Microwave Canopy Scattering Model,MIMICS）112、一阶草类离散相干散 射 模 型（the Coherent Polarimetric Microwave Scattering Model for Grassland,GIMICS）113和双站雷达散射模型 Bi-MIMICS114。MIMICS 模型用植被的微波散射特性来模拟其后向散射，并将植被覆盖地表分为植被冠层、茎秆和植被下的地表3个部分，被广泛应用于农作物微波散射特征研究。Toure等115基于MIMICS模型对小麦和油菜两种作物的后向散射机理进行了分析。李昕116利用MIMICS模型对水稻进行了后向散射系数的模拟，并使用神经网络算法实现全极化SAR图像的生物量反演。为了进一步提高MIMICS模型的反演精度，学者们对MIMICS模型进行了简化和改进，提出了一系列更适合监测农作物长势的物理模型。例如，吴学睿117利用Bi-MIMICS模型对小麦生物量的敏感性进行了分析。研究结果表明，不同镜像角（i=s=5，20，50）对小麦生物量的敏感性不一样，入射角越大，Bi-MIMICS 模型对小麦的生物量越敏感。Jia等118采用 Monte Carlo方法模拟了水稻后向散射模型，并利用简单训练模型和相关训练模型两种神经网络模型对水稻生物量进行估计，结果表明，相关训练模型的均方根误差更低，为0.816 kg/m。上述研究表明，机理模型可以反演农作物长势参数，但是在实际应用中，难以获得诸多输入参数，包括复介电常数（）、方位角（）、表面粗糙度（1，2）等SAR传感器参数，植被含水量、植被高度等植被参数，模型的应用受到很大限制。3.2 经验模型法经验模型是一种利用遥感信息参数和地面观测数据进行统计分析的方法119,120。它不考虑遥感机理问题，而是利用测量到的物体散射数据，对数据进行分析总结，找出规律，建立不同地物参数和散射参量之间的函数关系121，通常采用线性函数、幂函数、指数函数等多种形式来建立模型。例如，杨沈斌122通过建立水稻VV极化后向散射强度与LAI的线性回归分析模型，并基于ENVISAT ASAR数据对江苏省兴化市水稻试验区水稻 LAI 进行反演。东朝霞123在河北省利用多时相、全极 RADARSAT-2数据进行了玉米LAI研究，直接利用经验拟合公式进行了2014年7月21日和8月14日两个时相条件下的玉米 LAI 反演。结果表明，利用HV 极化进行玉米 LAI识别时，精度在 80%以上，证实了经验模型对玉米LAI反演具有良好效果。张晓倩等124通过建立非线性回归模型、二次多项式模型与指数模型，基于全极化 RADARSAT-2 数据对苏州市东桥试验区水稻生物量进行反演。结果表明，指数模型普遍优于二次多项式模型，HH/VV指数模型效果出众。此外，Singh125利用X波段散射计对大豆的生物量进行监测，建立最小二乘优化回归（Least Squares Regression,LSE）模型来反演大豆生物量。Ndikumana 等126通过建立水稻 VV极化和VH极化后向散射强度与生物量的多元线性回归模型，并基于Sentinel-1数据对法国南部卡马尔格水稻生物量进行反演。相对来说，经验模型可以较好地反映后向散射系数与农作物生长参数之间的关系，不需要了解背后的散射过程也无需大量输入参数，但模型对研究区的作物类型和区域特征具有很强的依赖性，不具有通用性，且需要大量野外实测数据127。3.3 半经验模型法半经验模型是介于经验模型和机理模型之间的一种关系模型。它一般在基于机理模型的基础上，加入实际测量得到的数据，通过对数据的拟合来修正和完善机理模型128。相比于机理模型，半经验模型在实际应用中具有更高的精度和较少的参数。相比于经验模型，半经验模型更具有物理可解释性和普适性，主要包括水云模型、改进的水云模型和Roo模型。水云模型129是基于辐射传输理论的半经验模型，已成功用于估算多种农作物的长势参数，主要53Vol.6,No.1智慧农业（中英文）Smart Agriculture包括 LAI和生物量等130。例如，Briaux等131基于RADARSAT-2数据，利用水云模型对玉米的LAI进行了反演。陶亮亮等26提出了一种改进的水云模型来反演小麦 LAI，利用中国地面观测数据和RADARSAT-2数据对模型模拟的后向散射系数与实测数据进行了验证，并利用查找表算法计算植被含水量值，根据植被含水量与 LAI 的线性关系反演LAI。张晓倩等132采用广东雷州地区多时相多入射角精细全极化 RADARSAT-2 数据，将简化模拟的水稻水云模型应用于水稻生育期内多期四极化精细合成孔径雷达数据，反演水稻关键生育期LAI，最终实现动态监测区域尺度水稻LAI的目标。另一种半经验模型 Roo 模型简化了 MIMICS 模型133，在考虑植被层时忽略了树干层的作用，将植被层视为由麦秆和叶子组成。与原始的水云模型相比，Roo模型不仅在表示植被的散射特性方面更准确，而且在模拟植被散射值时也更精确。因此，可以利用水云模型来监测农作物的生长状况，而且通过对该模型的改进可以有效提高农作物生长参数的反演精度。3.4 直接监测法直接监测法是利用遥感指标来评估作物的长势，通过分析这些遥感指标和作物长势参数之间的相关性，从而确定作物长势等级134。与光学遥感中已确立的光谱指数类似，从SAR数据得出的RVI可以作为农作物生长监测的一种替代方法，目前已有研究将RVI用于作物长势监测和生物物理参数统计84,135,136。此外，Mandal等88还提出了一个紧致极化雷达植被指数（CpRVI），通过 研 究 小 麦 和 大 豆 的 CpRVI 与 植 物 面 积 指 数（Plant Area Index,PAI）和植被含水量（Vegetation Water Content,VWC）的关系，并采用CpRVI监测了加拿大马尼托巴省的小麦和大豆的生长状况。研究结果表明，CpRVI与小麦和大豆的PAI、VWC均显著相关，与PAI的R2分别为0.72和0.85，与VWC的R2