论文部分内容阅读
摘要在农作物收获之前进行大范围作物生长状况评价，可以为早期估产提供依据，同时为田间管理提供即时信息。该研究结合合成孔径雷达（SAR）技术的发展，分别从基于SAR后向散射系数和极化特征2个方面，结合农作物长势参数反演，对SAR技术在农作物长势监测中的应用情况进行了研究，总结了目前采用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。
关键词农作物；合成孔径雷达；长势监测；散射特征；极化特征
中图分类号S127文献标识码A文章编号0517-6611（2016）27-0220-03
AbstractCrop growth monitoring plays a substantial role in delivering timely information on crop yield estimation and field management. With concomitant development of synthetic aperture radar （SAR） technology， combined with inversion of crop growth parameters， the application of SAR technology in crop growth monitoring was studied from two aspects of backscattering coefficient and polarization characteristics based on SAR， the existing problems were summarized， the research direction in the future was forecasted.
Key wordsCrops； Synthetic aperture radar； Growth monitoring； Scattering characteristics； Polarization characteristics
作物长势即作物生长状况和趋势，直接影响到作物最后的产量和品质[1]。农作物长势的动态监测可以及时了解农作物的生长状况、土壤墒情、肥力及植物营养状况，为采取各种管理措施保证农作物的正常生长提供参考，从而为农业政策的制定提供决策依据[2]。农作物由于生长迅速，随时间剧烈动态变化，农作物监测对时效性要求很高。光学遥感在监测作物长势方面已经取得长足的发展，但由于受天气影响，往往难以进行连续监测，尤其是在作物关键生长期，光学遥感受到了极大的限制。
微波遥感由于具有全天时全天候的监测能力，在受到气候影响的地区农作物监测中具有其他遥感不可比拟的优势[3]。近年来，随着微波遥感技术的发展，多个国家发射了携带多波段、多极化的数据合成孔径雷达（SAR）卫星，使得采用SAR对农作物长势监测的应用越来越广泛。目前主要涉及到的作物长势参数有叶面积指数（LAI）、生物量、高度、密度、播期、收割进度[3]。SAR技术在作物长势监测应用方面大致可归为2类：基于SAR散射强度和基于SAR极化特征的农作物长势参数反演。笔者从这2个方面对SAR技术在农作物长势监测中的应用进行了研究，总结了其中存在的问题，并对未来研究方向进行了展望。
1SAR在农业中的应用特点
SAR是一种依靠脉冲压缩技术，利用发射宽带脉冲和飞行平台运动产生的多普勒频移，分别实现目标的距离向和方位向高分辨率成像[4]。SAR成像不受气候、昼夜因素影响，能够全天时全天候工作，在能见度差的气象条件下也能得到类似光学照相的高分辨率雷达图像，是一种对地观测的有效手段[3]。
SAR技术在农作物监测中有以下特点：①主动性。SAR是一种主动遥感模式，能够克服云、雨、雾、霾等复杂天气的影响，可以全天时全天候获取数据。②穿透性。由于微波具有更长的波长，对地表植被、松散砂层、冰雪具有一定的穿透能力。③敏感性。不同于光学遥感，雷达遥感对植被结构的介电特性和几何特性敏感，在监测这些特征时具备天然优势。④独特性。光学遥感利用光谱信息，而雷达遥感具备散射强度信息、极化信息、相位信息等，有更丰富的信息可供利用。雷达遥感作物长势监测主要通过SAR散射强度和极化特征的方式反演作物长势参数。
2基于SAR散射强度的植被长势参数定量反演
植被参数SAR的定量反演最早从植被的后向散射强度信息出发，通过构建植被微波散射模型，进而进行植被参数反演。常用的植被微波散射模型可分为3类：物理模型、半经验模型、经验模型。
2.1物理模型
物理模型是借助于植被散射机理的模型。目前常见的植被机理散射模型有植被叶片散射计算模型、植被茎干散射计算模型、密歇根微波植被冠层模型（MIMICS）、水稻后向散射和冠层散射模型等[5-6]。
以最早出现的植被叶片散射模型、植被茎杆散射模型为理论基础，MIMICS模型将植被冠层的散射分解为树冠侧、树干层和地面散射，以此来刻画电磁波的散射机制[7]。谭正[8]利用RADARSAT-2数据探讨了基于回归模型和MIMICS模型的雷达4种极化方式下后向散射系数的水稻生物量反演方法。李昕[9]基于 MIMICS 模型模拟水稻后向散射系数，然后用神经网络算法实现全极化SAR图像的生物量反演，并利用地表实测生物量值与反演值进行比对，验证其精度得到相关系数为 0.92，均方根误差为222.7 g/m2。
以MIMICS模型为基础，通过模型的简化处理，学者们提出了一些适用于农作物长势监测的物理模型，如水稻冠层散射模型、小麦散射模型等。Jia等[6]利用Monte Carlo方法模拟了水稻后向散射模型，并用神经网络的方法反演了生物量。张远等[10]利用ALOS/PALSAR数据，通过改进的微波冠层散射模型和遗传算法来模拟水稻冠层后向散射系数以及估算水稻生物量，结果显示模拟误差小于1 dB，估算的生物量误差小于200 g/m2。 这些研究表明，采用微波机理模型反演农作物参数具有可行性，并且可以给出合理的物理解释，但是在实际应用中，诸多输入参数难以获取和确定，使得模型的应用受到了极大的限制。通过简化物理模型可有效改善模型限制，因此出现了半经验模型。
2.2半经验模型
半经验模型是理论模型的简化，在实际应用中较广，如水云模型[11]、改进的水云模型、简化的MIMICS模型等。
Ulaby等在1978年分析农作物的散射特性，通过简化植被覆盖层的散射机制，提出了适用于农作物长势监测的水云模型。水云模型是基于辐射传输方程而得到的[12]。赵路生[13]利用3景ENVISAT数据，基于水云模型反演水稻生物量，反演结果显示，HH和VV极化方式下实测值和反演值之间的相关性分别为0.75和0.70。陶亮亮等[14]通过引用其他信息，提出了一种改进的水云模型，并结合RADARSAT-2数据对关中平原农业示范基地小麦叶面积指数进行反演，结果表明，改进模型可以将HH极化与叶面积指数的相关性从0.668提高到0.850，VV极化的决定系数从0.585提高到0739，从而得到更高的叶面积反演精度。综上所述，水云模型可以用于农作物长势监测，且通过对水云模型的改进能大幅度提高农作物长势参数反演精度。
最初的MIMICS模型是针对森林建立起来的理论模型，但通过模型的简化处理可以创建许多适合农作物长势监测的模型[15] 。吴学睿等[16]利用GNSS-R双站遥感雷达，在MIMICS模型的基础上，将其修改为双站散射模型Bi-Mimics，利用该模型模拟农作物的散射特性并对其生物量进行监测，结果表明，Bi-Mimics模型在农作物散射特性的模拟和生物量监测中存在可行性，但研究工作有待进一步深入。贾明权[17]利用2年8个不同生长期的C波段数据分别建立了水稻的水云模型、改进的水云模型和简化的MIMICS 模型，对比3个模型的HH和VV后向散射对生物量的反演结果，即水云模型、改进的水云模型、简化的MIMICS模型得到的相关系数依次为HH极化0.862、0.990、0.992，VV极化0935、0969、0.991。HH和VV极化的相关系数越来越高，且VV极化数据下的相关系数均大于HH极化方式下的相关系数。由此得出基于VV极化数据的简化MIMICS模型最适合用于模拟水稻的后向散射系数的结论。
虽然半经验模型在农作长势监测中被广泛应用，但半经验模型在模型参数确定上大多数仍依赖于地面数据而不能直接从雷达影像数据中获取，因此严重限制了其广泛应用。
2.3经验模型
经验模型是根据实测或理论仿真数据进行统计分析建立的地物参数与散射参量之间的函数关系。常见的经验模型有2种：建立后向散射系数与系统参数（如入射角）的经验关系和建立后向散射系数与生长参数（生长天数、高度、生物量、LAI等）的经验关系[17]。
（1）建立后向散射系数与系统参数的经验关系就是探索适合农作物SAR监测的最优观测模式[18]，选择适合农作物长势参数的系统参数。Singh[19]利用X波段散射计对大豆生物量进行监测，发现大豆的生物量与后向散射强度的关系比其他作物都显著，随着生物量的增加，HH极化和VV极化的散射系数都增加。研究还发现，在X波段当入射角小于40°时用VV极化数据比HH极化数据观测植被覆盖土壤水好，而当入射角大于40°时观察大豆生长参数影响较好。Ferrazzol等[20]研究表明，P波段和L波段组合可以区别农田和其他地物，L波段和C波段结合区分农业内部领域，L波段对较低密度的农作物监测较好，而对于较高密度的农作物L波段和C波段有用，同时交叉极化数据对作物分类和生物量检测都重要。
（2）建立后向散射系数与生长参数的经验关系就是通过分析不同极化方式下的后向散射系数与某种农作物生长参数之间的关系，选择适合反演这种生长参数的后向散射系数。郑伟[21]利用水稻生长期的5个时相4种极化数据对其生长参数LAI、生物量、高度进行反演，得到以下结果：LAI反演中同极化反演误差10%左右，而交叉极化反演误差30%左右，生物量反演中交叉极化反演误差10%以下，而交叉极化反演误差30%左右，各个极化方式下的高度反演误差为2%～13%，可见同极化的微波后向散射系数适合水稻LAI的反演，交叉极化下的微波后向散射系数适合水稻生物量的反演，而各种极化方式下的微波后向散射系数均可用来反演水稻高度。
虽然经验模型能够较好地反映微波后向散射系数与农作物长势之间的关系，但经验模型大多需要大量野外测量数据，并且可移植性差，在具体应用中受到场景和区域的限制。
3基于SAR极化特征的农作物长势参数反演
基于SAR极化特征的农作物长势参数反演主要是通过极化分解得到的极化参数对农作物参数进行反演监测。常见的极化分解根据数据的不同可分为基于全极化数据的极化分解和基于简缩极化的极化分解。
3.1基于全极化数据农作物长势监测
自日本ALOS-PALSAR卫星与2006年发射成功以来，全极化SAR研究开始进入热潮[22]，基于全极化数据的农作物长势监测主要是通过全极化数据的极化分解获得的极化参数对农作物长势进行监测，常见的全极化数据极化分解技术主要有基于散射矩阵的相干分解、基于Kennaugh矩阵的二分量分解、基于协方差矩阵的Freeman-Durden分解、基于相干矩阵的H/A/α分解等[23]。
安徽农业科学2016年
杨浩[3]利用5景Radarsat-2数据对内蒙古试验区的油菜播期进行监测，利用基于特征矢量的Cloude-Pottier和基于模型分解的Freeman-Durden三分量分解方法，通过对不同生长期中不同极化参数和播后天数DAS构建线性模型，最终得出长势最优监测窗口6月16日和最优极化参数体散射（Volumen）。结果表明，估计播期和真实播期高度吻合，均方根误差为1.9 d。该结果证实了极化参数在油菜播期估计中的巨大潜力。综上所述，基于时间序列的极化信息农作物定量反演上存在较大的潜力，但敏感性和反演精度尚面临较大的不确定性。 蔡爱民等[24]基于全极化星载Radarsat-2 C波段数据，分析了典型旱地作物冬小麦的极化特征，并基于Cloud极化分解得到的极化特征值建立反演冬小麦长势的新参数LM（LM=2λ2-λ2-λ3）/2λ1，该参数可以提高冬小麦长势反演的总体精度，使长势好的地块得到更好的反演，降低了错分地类的干扰，使总体误差减小，有利于提高总体长势反演精度。
3.2基于简缩极化数据的农作物长势监测
简缩极化作为一种新的成像模式，其研究尚处于理论探索阶段，真实的简缩简化数据较为匮乏，研究中一般采用全极化数据来模拟简缩极化数据。当前基于简缩极化数据的极化分解方法主要有散射度-相对相位分解（m-δ）、散射度-散射角（m-α）、散射度-散射场椭圆率（m-Χ）、极化度-适应系数（m-μ）等[25-26]。
杨浩[3]基于全极化数据的Freeman-Durden极化分解和基于全极化数据模拟的简缩极化数据的m-δ和m-Χ三分量分解得到极化参数对油菜生物量进行了监测，得到基于简缩极化的m-δ极化分解得到的极化参数Dbl（偶次散射）对油菜生物量反演结果最好，即相关系数为0.92，均方根误差为56.5 g/m2。研究证明了简缩极化SAR数据在农作物生物量监测中的巨大潜力，为SAR在农业中的应用指明了新的方向。
简缩极化在降低全极化系统复杂度的同时，能够保持良好的极化信息，在许多应用中得到了较好的效果，但目前简缩极化SAR还处于理论研究阶段，极化分解技术和应用也非常有限，在农作物长势监测中的潜力有待探索。
4SAR在农作物长势监测中的不足和未来的发展趋势
随着的星载SAR技术的发展，SAR在农作物长势监测中的应用越来越广泛。从已有研究成果可以看出，农作物长势的监测从最初的单波段、单极化数据已经发展到如今的全极化、多源数据，而监测的手段也从仅仅依靠后向散射信息发展到包括后向散射信息、极化信息为主的多种监测手段。研究表明，通过极化合成及分解技术提取的极化信息对农作物长势的监测具有极大的潜力，但目前还没有得到广泛的应用，因此，这将是未来农作物长势监测的一个重要研究方向。
然而，SAR技术在农作物长势监测中的应用实践还不成熟，目前仍然存在着一些问题：
①研究区地块一般较大，对于农作物种植不成规模，特别是复杂破碎地块、耕作制度和作物种类多样的地区监测较少，且大多数集中于南方水田作物水稻，对旱地作物玉米、棉花等的监测较少。
②目前基于SAR散射强度的长势监测大多集中于经验模型，这种模型采用常规的统计算法受制于具体场景，难以在不同作物类型、不同地区间进行选择和应用。且目前准确考虑地形影响的植被散射模型较少，特别是针对地形起伏较大的山区和具有特殊规律的农作物覆盖地表，需要更加准确地分析植株的空间分布和地形影响。
③植被散射模型的研究越深入，模型的计算就越复杂，特别是较大面积、较多参数的反演，计算会特别浪费时间，从而影响模型的实际应用。
综上分析，在未来采用模型进行农作物长势监测中，应该考虑不同传感器配置参数、多个场景、入射角、土壤、降雨等多个因素对雷达散射的影响，获取更广泛条件和因素的散射规律，进而改善SAR在农作物长势监测中的精度。同时，在建模过程中应当针对不同的植被地考虑其空间分布，从而更准确地表示出植被的真实场景；另外，必须重视模型间的比较和模型的精度评价，更加深入地理解植被覆盖地表的散射机理，明确各个模型的适用范围。
参考文献
[1] 史舟，梁宗正，杨媛媛，等.农业遥感研究现状与展望[J].农业机械学报，2015，46（2）：247-261.
[2] 吴素霞，毛任钊，李红军，等.中国农作物长势遥感监测研究综述[J].中国农学通报，2005，21（3）：319-325.
[3] 杨浩.基于时间序列全极化与简缩极化SAR的作物定量监测研究[D].北京：中国林业科学院，2015.
[4] 刘浩.合成孔径雷达高分辨率成像及运动目标成像新方法研究[D].北京：中国科学院电子学研究所，2003.
[5] ZHANG Y，LIU X，SU S，et al.Retrieving canopy height and density of paddy rice from Radarsat2 images with a canopy scattering model[J].International journal of applied earth observation and geoinformation，2014，28，170-180.
[6] JIA M，TONG L，ZHANG Y，et al.Rice biomass estimation using radar backscattering data at Sband[J].IEEE journal of selected topics in applied earth observations and remote sensing，2014，7（2）：469-479.
[7] 蔡爱民，宫华泽.典型旱作物极化散射特征分析与应用研究[J].安徽农业科学，2013，41（13）：6051-6054.
[8] 谭正.基于SAR数据和作物生长模型同化的水稻长势监测与估产研究[D].北京：中国地质大学，2012.
[9] 李昕.基于全极化SAR图像的植被信息提取技术研究[D].成都：电子科技大学，2015.
[10] 张远，张中浩，苏世亮，等.基于微波冠层散射模型的水稻生物量遥感估算[J].农业工程学报，2011，27（7）：100-105.
[11] GRAHAM A J，HARRIS R.Estimating crop and waveband specific water cloud model parametersusing a theoretical backscatter model[J].International journal of remote sensing，2002，23（23）：5129-5133. [12] 李成钢.冬小麦微波散射特性及参数反演研究[D].成都：电子科技大学，2013.
[13] 赵路生.基于ASAR数据的水稻制图及生物量参数反演[D].成都：电子科技大学，2013.
[14] 陶亮亮，李京，蒋金豹，等.利用RADARSAT-2雷达数据与改进的水云模型反演冬小麦叶面积指数[J].麦类作物学报，2016，36（2）：236-242.
[15] BRACAGLIA M，FERRAZZOLI P，GUERRIERO L.A fully polarimetric multiple scattering model for crops[J].Remote sensing of environment，1995，54（3）：170-179.
[16] 吴学睿，李颖，李传龙.基于Bi-Mimics模型的GNCSS-R农作物生物量监测理论研究[J].遥感技术与应用，2012，27（2）：220-221.
[17] 贾明权.水稻微波散射特性研究及参数反演[D].成都：电子科技大学，2013.
[18] MATTIA F，LE TOAN T，PICARD G，et al.Multitemporal Cband radar measurements on wheat fields[J].IEEE transactionson geoscience and remote sensing，2003，41：1551-1560.
[19] SINGH D.Scatterometer performance with polarization discrimination ratio approach to retrieve crop soybean parameter at Xband[J].International journal of remote sensing，2006，27（19）：4101-4115.
[20] FERRAZZOLI P，PALOSCIA S，PAMPALONI P，et al.The potential of multifrequency polarimetric SAR in assessing agricultural and arboreous biomass[J].IEEE transactions on geoscience and remote sensing，1997，35（1）：5-17.
[21] 郑伟.基于陆基测量的水稻微波后向散射特性研究[D].成都：电子科技大学，2011.
[22] LEE J S，POTTIER E.Polarimetric radar imaging：From basics to applications[M].Boca Raton，FL，USA：CRC Press，2009.
关键词农作物；合成孔径雷达；长势监测；散射特征；极化特征
中图分类号S127文献标识码A文章编号0517-6611（2016）27-0220-03
AbstractCrop growth monitoring plays a substantial role in delivering timely information on crop yield estimation and field management. With concomitant development of synthetic aperture radar （SAR） technology， combined with inversion of crop growth parameters， the application of SAR technology in crop growth monitoring was studied from two aspects of backscattering coefficient and polarization characteristics based on SAR， the existing problems were summarized， the research direction in the future was forecasted.
Key wordsCrops； Synthetic aperture radar； Growth monitoring； Scattering characteristics； Polarization characteristics
作物长势即作物生长状况和趋势，直接影响到作物最后的产量和品质[1]。农作物长势的动态监测可以及时了解农作物的生长状况、土壤墒情、肥力及植物营养状况，为采取各种管理措施保证农作物的正常生长提供参考，从而为农业政策的制定提供决策依据[2]。农作物由于生长迅速，随时间剧烈动态变化，农作物监测对时效性要求很高。光学遥感在监测作物长势方面已经取得长足的发展，但由于受天气影响，往往难以进行连续监测，尤其是在作物关键生长期，光学遥感受到了极大的限制。
微波遥感由于具有全天时全天候的监测能力，在受到气候影响的地区农作物监测中具有其他遥感不可比拟的优势[3]。近年来，随着微波遥感技术的发展，多个国家发射了携带多波段、多极化的数据合成孔径雷达（SAR）卫星，使得采用SAR对农作物长势监测的应用越来越广泛。目前主要涉及到的作物长势参数有叶面积指数（LAI）、生物量、高度、密度、播期、收割进度[3]。SAR技术在作物长势监测应用方面大致可归为2类：基于SAR散射强度和基于SAR极化特征的农作物长势参数反演。笔者从这2个方面对SAR技术在农作物长势监测中的应用进行了研究，总结了其中存在的问题，并对未来研究方向进行了展望。
1SAR在农业中的应用特点
SAR是一种依靠脉冲压缩技术，利用发射宽带脉冲和飞行平台运动产生的多普勒频移，分别实现目标的距离向和方位向高分辨率成像[4]。SAR成像不受气候、昼夜因素影响，能够全天时全天候工作，在能见度差的气象条件下也能得到类似光学照相的高分辨率雷达图像，是一种对地观测的有效手段[3]。
SAR技术在农作物监测中有以下特点：①主动性。SAR是一种主动遥感模式，能够克服云、雨、雾、霾等复杂天气的影响，可以全天时全天候获取数据。②穿透性。由于微波具有更长的波长，对地表植被、松散砂层、冰雪具有一定的穿透能力。③敏感性。不同于光学遥感，雷达遥感对植被结构的介电特性和几何特性敏感，在监测这些特征时具备天然优势。④独特性。光学遥感利用光谱信息，而雷达遥感具备散射强度信息、极化信息、相位信息等，有更丰富的信息可供利用。雷达遥感作物长势监测主要通过SAR散射强度和极化特征的方式反演作物长势参数。
2基于SAR散射强度的植被长势参数定量反演
植被参数SAR的定量反演最早从植被的后向散射强度信息出发，通过构建植被微波散射模型，进而进行植被参数反演。常用的植被微波散射模型可分为3类：物理模型、半经验模型、经验模型。
2.1物理模型
物理模型是借助于植被散射机理的模型。目前常见的植被机理散射模型有植被叶片散射计算模型、植被茎干散射计算模型、密歇根微波植被冠层模型（MIMICS）、水稻后向散射和冠层散射模型等[5-6]。
以最早出现的植被叶片散射模型、植被茎杆散射模型为理论基础，MIMICS模型将植被冠层的散射分解为树冠侧、树干层和地面散射，以此来刻画电磁波的散射机制[7]。谭正[8]利用RADARSAT-2数据探讨了基于回归模型和MIMICS模型的雷达4种极化方式下后向散射系数的水稻生物量反演方法。李昕[9]基于 MIMICS 模型模拟水稻后向散射系数，然后用神经网络算法实现全极化SAR图像的生物量反演，并利用地表实测生物量值与反演值进行比对，验证其精度得到相关系数为 0.92，均方根误差为222.7 g/m2。
以MIMICS模型为基础，通过模型的简化处理，学者们提出了一些适用于农作物长势监测的物理模型，如水稻冠层散射模型、小麦散射模型等。Jia等[6]利用Monte Carlo方法模拟了水稻后向散射模型，并用神经网络的方法反演了生物量。张远等[10]利用ALOS/PALSAR数据，通过改进的微波冠层散射模型和遗传算法来模拟水稻冠层后向散射系数以及估算水稻生物量，结果显示模拟误差小于1 dB，估算的生物量误差小于200 g/m2。 这些研究表明，采用微波机理模型反演农作物参数具有可行性，并且可以给出合理的物理解释，但是在实际应用中，诸多输入参数难以获取和确定，使得模型的应用受到了极大的限制。通过简化物理模型可有效改善模型限制，因此出现了半经验模型。
2.2半经验模型
半经验模型是理论模型的简化，在实际应用中较广，如水云模型[11]、改进的水云模型、简化的MIMICS模型等。
Ulaby等在1978年分析农作物的散射特性，通过简化植被覆盖层的散射机制，提出了适用于农作物长势监测的水云模型。水云模型是基于辐射传输方程而得到的[12]。赵路生[13]利用3景ENVISAT数据，基于水云模型反演水稻生物量，反演结果显示，HH和VV极化方式下实测值和反演值之间的相关性分别为0.75和0.70。陶亮亮等[14]通过引用其他信息，提出了一种改进的水云模型，并结合RADARSAT-2数据对关中平原农业示范基地小麦叶面积指数进行反演，结果表明，改进模型可以将HH极化与叶面积指数的相关性从0.668提高到0.850，VV极化的决定系数从0.585提高到0739，从而得到更高的叶面积反演精度。综上所述，水云模型可以用于农作物长势监测，且通过对水云模型的改进能大幅度提高农作物长势参数反演精度。
最初的MIMICS模型是针对森林建立起来的理论模型，但通过模型的简化处理可以创建许多适合农作物长势监测的模型[15] 。吴学睿等[16]利用GNSS-R双站遥感雷达，在MIMICS模型的基础上，将其修改为双站散射模型Bi-Mimics，利用该模型模拟农作物的散射特性并对其生物量进行监测，结果表明，Bi-Mimics模型在农作物散射特性的模拟和生物量监测中存在可行性，但研究工作有待进一步深入。贾明权[17]利用2年8个不同生长期的C波段数据分别建立了水稻的水云模型、改进的水云模型和简化的MIMICS 模型，对比3个模型的HH和VV后向散射对生物量的反演结果，即水云模型、改进的水云模型、简化的MIMICS模型得到的相关系数依次为HH极化0.862、0.990、0.992，VV极化0935、0969、0.991。HH和VV极化的相关系数越来越高，且VV极化数据下的相关系数均大于HH极化方式下的相关系数。由此得出基于VV极化数据的简化MIMICS模型最适合用于模拟水稻的后向散射系数的结论。
虽然半经验模型在农作长势监测中被广泛应用，但半经验模型在模型参数确定上大多数仍依赖于地面数据而不能直接从雷达影像数据中获取，因此严重限制了其广泛应用。
2.3经验模型
经验模型是根据实测或理论仿真数据进行统计分析建立的地物参数与散射参量之间的函数关系。常见的经验模型有2种：建立后向散射系数与系统参数（如入射角）的经验关系和建立后向散射系数与生长参数（生长天数、高度、生物量、LAI等）的经验关系[17]。
（1）建立后向散射系数与系统参数的经验关系就是探索适合农作物SAR监测的最优观测模式[18]，选择适合农作物长势参数的系统参数。Singh[19]利用X波段散射计对大豆生物量进行监测，发现大豆的生物量与后向散射强度的关系比其他作物都显著，随着生物量的增加，HH极化和VV极化的散射系数都增加。研究还发现，在X波段当入射角小于40°时用VV极化数据比HH极化数据观测植被覆盖土壤水好，而当入射角大于40°时观察大豆生长参数影响较好。Ferrazzol等[20]研究表明，P波段和L波段组合可以区别农田和其他地物，L波段和C波段结合区分农业内部领域，L波段对较低密度的农作物监测较好，而对于较高密度的农作物L波段和C波段有用，同时交叉极化数据对作物分类和生物量检测都重要。
（2）建立后向散射系数与生长参数的经验关系就是通过分析不同极化方式下的后向散射系数与某种农作物生长参数之间的关系，选择适合反演这种生长参数的后向散射系数。郑伟[21]利用水稻生长期的5个时相4种极化数据对其生长参数LAI、生物量、高度进行反演，得到以下结果：LAI反演中同极化反演误差10%左右，而交叉极化反演误差30%左右，生物量反演中交叉极化反演误差10%以下，而交叉极化反演误差30%左右，各个极化方式下的高度反演误差为2%～13%，可见同极化的微波后向散射系数适合水稻LAI的反演，交叉极化下的微波后向散射系数适合水稻生物量的反演，而各种极化方式下的微波后向散射系数均可用来反演水稻高度。
虽然经验模型能够较好地反映微波后向散射系数与农作物长势之间的关系，但经验模型大多需要大量野外测量数据，并且可移植性差，在具体应用中受到场景和区域的限制。
3基于SAR极化特征的农作物长势参数反演
基于SAR极化特征的农作物长势参数反演主要是通过极化分解得到的极化参数对农作物参数进行反演监测。常见的极化分解根据数据的不同可分为基于全极化数据的极化分解和基于简缩极化的极化分解。
3.1基于全极化数据农作物长势监测
自日本ALOS-PALSAR卫星与2006年发射成功以来，全极化SAR研究开始进入热潮[22]，基于全极化数据的农作物长势监测主要是通过全极化数据的极化分解获得的极化参数对农作物长势进行监测，常见的全极化数据极化分解技术主要有基于散射矩阵的相干分解、基于Kennaugh矩阵的二分量分解、基于协方差矩阵的Freeman-Durden分解、基于相干矩阵的H/A/α分解等[23]。
安徽农业科学2016年
杨浩[3]利用5景Radarsat-2数据对内蒙古试验区的油菜播期进行监测，利用基于特征矢量的Cloude-Pottier和基于模型分解的Freeman-Durden三分量分解方法，通过对不同生长期中不同极化参数和播后天数DAS构建线性模型，最终得出长势最优监测窗口6月16日和最优极化参数体散射（Volumen）。结果表明，估计播期和真实播期高度吻合，均方根误差为1.9 d。该结果证实了极化参数在油菜播期估计中的巨大潜力。综上所述，基于时间序列的极化信息农作物定量反演上存在较大的潜力，但敏感性和反演精度尚面临较大的不确定性。 蔡爱民等[24]基于全极化星载Radarsat-2 C波段数据，分析了典型旱地作物冬小麦的极化特征，并基于Cloud极化分解得到的极化特征值建立反演冬小麦长势的新参数LM（LM=2λ2-λ2-λ3）/2λ1，该参数可以提高冬小麦长势反演的总体精度，使长势好的地块得到更好的反演，降低了错分地类的干扰，使总体误差减小，有利于提高总体长势反演精度。
3.2基于简缩极化数据的农作物长势监测
简缩极化作为一种新的成像模式，其研究尚处于理论探索阶段，真实的简缩简化数据较为匮乏，研究中一般采用全极化数据来模拟简缩极化数据。当前基于简缩极化数据的极化分解方法主要有散射度-相对相位分解（m-δ）、散射度-散射角（m-α）、散射度-散射场椭圆率（m-Χ）、极化度-适应系数（m-μ）等[25-26]。
杨浩[3]基于全极化数据的Freeman-Durden极化分解和基于全极化数据模拟的简缩极化数据的m-δ和m-Χ三分量分解得到极化参数对油菜生物量进行了监测，得到基于简缩极化的m-δ极化分解得到的极化参数Dbl（偶次散射）对油菜生物量反演结果最好，即相关系数为0.92，均方根误差为56.5 g/m2。研究证明了简缩极化SAR数据在农作物生物量监测中的巨大潜力，为SAR在农业中的应用指明了新的方向。
简缩极化在降低全极化系统复杂度的同时，能够保持良好的极化信息，在许多应用中得到了较好的效果，但目前简缩极化SAR还处于理论研究阶段，极化分解技术和应用也非常有限，在农作物长势监测中的潜力有待探索。
4SAR在农作物长势监测中的不足和未来的发展趋势
随着的星载SAR技术的发展，SAR在农作物长势监测中的应用越来越广泛。从已有研究成果可以看出，农作物长势的监测从最初的单波段、单极化数据已经发展到如今的全极化、多源数据，而监测的手段也从仅仅依靠后向散射信息发展到包括后向散射信息、极化信息为主的多种监测手段。研究表明，通过极化合成及分解技术提取的极化信息对农作物长势的监测具有极大的潜力，但目前还没有得到广泛的应用，因此，这将是未来农作物长势监测的一个重要研究方向。
然而，SAR技术在农作物长势监测中的应用实践还不成熟，目前仍然存在着一些问题：
①研究区地块一般较大，对于农作物种植不成规模，特别是复杂破碎地块、耕作制度和作物种类多样的地区监测较少，且大多数集中于南方水田作物水稻，对旱地作物玉米、棉花等的监测较少。
②目前基于SAR散射强度的长势监测大多集中于经验模型，这种模型采用常规的统计算法受制于具体场景，难以在不同作物类型、不同地区间进行选择和应用。且目前准确考虑地形影响的植被散射模型较少，特别是针对地形起伏较大的山区和具有特殊规律的农作物覆盖地表，需要更加准确地分析植株的空间分布和地形影响。
③植被散射模型的研究越深入，模型的计算就越复杂，特别是较大面积、较多参数的反演，计算会特别浪费时间，从而影响模型的实际应用。
综上分析，在未来采用模型进行农作物长势监测中，应该考虑不同传感器配置参数、多个场景、入射角、土壤、降雨等多个因素对雷达散射的影响，获取更广泛条件和因素的散射规律，进而改善SAR在农作物长势监测中的精度。同时，在建模过程中应当针对不同的植被地考虑其空间分布，从而更准确地表示出植被的真实场景；另外，必须重视模型间的比较和模型的精度评价，更加深入地理解植被覆盖地表的散射机理，明确各个模型的适用范围。
参考文献
[1] 史舟，梁宗正，杨媛媛，等.农业遥感研究现状与展望[J].农业机械学报，2015，46（2）：247-261.
[2] 吴素霞，毛任钊，李红军，等.中国农作物长势遥感监测研究综述[J].中国农学通报，2005，21（3）：319-325.
[3] 杨浩.基于时间序列全极化与简缩极化SAR的作物定量监测研究[D].北京：中国林业科学院，2015.
[4] 刘浩.合成孔径雷达高分辨率成像及运动目标成像新方法研究[D].北京：中国科学院电子学研究所，2003.
[5] ZHANG Y，LIU X，SU S，et al.Retrieving canopy height and density of paddy rice from Radarsat2 images with a canopy scattering model[J].International journal of applied earth observation and geoinformation，2014，28，170-180.
[6] JIA M，TONG L，ZHANG Y，et al.Rice biomass estimation using radar backscattering data at Sband[J].IEEE journal of selected topics in applied earth observations and remote sensing，2014，7（2）：469-479.
[7] 蔡爱民，宫华泽.典型旱作物极化散射特征分析与应用研究[J].安徽农业科学，2013，41（13）：6051-6054.
[8] 谭正.基于SAR数据和作物生长模型同化的水稻长势监测与估产研究[D].北京：中国地质大学，2012.
[9] 李昕.基于全极化SAR图像的植被信息提取技术研究[D].成都：电子科技大学，2015.
[10] 张远，张中浩，苏世亮，等.基于微波冠层散射模型的水稻生物量遥感估算[J].农业工程学报，2011，27（7）：100-105.
[11] GRAHAM A J，HARRIS R.Estimating crop and waveband specific water cloud model parametersusing a theoretical backscatter model[J].International journal of remote sensing，2002，23（23）：5129-5133. [12] 李成钢.冬小麦微波散射特性及参数反演研究[D].成都：电子科技大学，2013.
[13] 赵路生.基于ASAR数据的水稻制图及生物量参数反演[D].成都：电子科技大学，2013.
[14] 陶亮亮，李京，蒋金豹，等.利用RADARSAT-2雷达数据与改进的水云模型反演冬小麦叶面积指数[J].麦类作物学报，2016，36（2）：236-242.
[15] BRACAGLIA M，FERRAZZOLI P，GUERRIERO L.A fully polarimetric multiple scattering model for crops[J].Remote sensing of environment，1995，54（3）：170-179.
[16] 吴学睿，李颖，李传龙.基于Bi-Mimics模型的GNCSS-R农作物生物量监测理论研究[J].遥感技术与应用，2012，27（2）：220-221.
[17] 贾明权.水稻微波散射特性研究及参数反演[D].成都：电子科技大学，2013.
[18] MATTIA F，LE TOAN T，PICARD G，et al.Multitemporal Cband radar measurements on wheat fields[J].IEEE transactionson geoscience and remote sensing，2003，41：1551-1560.
[19] SINGH D.Scatterometer performance with polarization discrimination ratio approach to retrieve crop soybean parameter at Xband[J].International journal of remote sensing，2006，27（19）：4101-4115.
[20] FERRAZZOLI P，PALOSCIA S，PAMPALONI P，et al.The potential of multifrequency polarimetric SAR in assessing agricultural and arboreous biomass[J].IEEE transactions on geoscience and remote sensing，1997，35（1）：5-17.
[21] 郑伟.基于陆基测量的水稻微波后向散射特性研究[D].成都：电子科技大学，2011.
[22] LEE J S，POTTIER E.Polarimetric radar imaging：From basics to applications[M].Boca Raton，FL，USA：CRC Press，2009.