合成孔徑雷達(dá)在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)中的應(yīng)用

合成孔徑雷達(dá)在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)中的應(yīng)用張亞紅;吳嬌嬌;胥喆;楊凱博;姬永杰;舒清態(tài)【摘要】在農(nóng)作物收獲之前進(jìn)行大范圍作物生長(zhǎng)狀況評(píng)價(jià)，可以為早期估產(chǎn)提供依據(jù)，同時(shí)為田間管理提供即時(shí)信息。該研究結(jié)合合成孔徑雷達(dá)(SAR)技術(shù)的發(fā)展，分別從基于SAR后向散射系數(shù)和極化特征2個(gè)方面，結(jié)合農(nóng)作物長(zhǎng)勢(shì)參數(shù)反演，對(duì)SAR技術(shù)在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)中的應(yīng)用情況進(jìn)行了研究，總結(jié)了目前采用SAR技術(shù)進(jìn)行農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)中存在的問(wèn)題，并對(duì)其未來(lái)研究方向進(jìn)行了展望。%Cropgrowthmonitoringplaysasubstantialroleindeliveringtimelyinformationoncropyieldestimationandfieldmanagement.Withconcomitantdevelopmentofsyntheticapertureradar(SAR)technology,combinedwithinversionofcropgrowthparameters,theapplica-tionofSARtechnologyincropgrowthmonitoringwasstudiedfromtwoaspectsofbackscatteringcoefficientandpolarizationcharacteristicsbasedonSAR,theexistingproblemsweresummarized,theresearchdirectioninthefuturewasforecasted.【期刊名稱】《安徽農(nóng)業(yè)科學(xué)》【年(卷)，期】2016(044)027【總頁(yè)數(shù)】4頁(yè)(P220-222,244)【關(guān)鍵詞】農(nóng)作物;合成孔徑雷達(dá);長(zhǎng)勢(shì)監(jiān)測(cè);散射特征;極化特征【作者】張亞紅;吳嬌嬌;胥喆;楊凱博;姬永杰;舒清態(tài)【作者單位】西南林業(yè)大學(xué)林學(xué)院，云南昆明650224；西南林業(yè)大學(xué)林學(xué)院，云南昆明650224；西南林業(yè)大學(xué)林學(xué)院，云南昆明650224；西南林業(yè)大學(xué)林學(xué)院，云南昆明650224；西南林業(yè)大學(xué)林學(xué)院，云南昆明650224；西南林業(yè)大學(xué)林學(xué)院，云南昆明650224【正文語(yǔ)種】中文【中圖分類(lèi)】S127作物長(zhǎng)勢(shì)即作物生長(zhǎng)狀況和趨勢(shì)，直接影響到作物最后的產(chǎn)量和品質(zhì)［1］。農(nóng)作物長(zhǎng)勢(shì)的動(dòng)態(tài)監(jiān)測(cè)可以及時(shí)了解農(nóng)作物的生長(zhǎng)狀況、土壤墑情、肥力及植物營(yíng)養(yǎng)狀況，為采取各種管理措施保證農(nóng)作物的正常生長(zhǎng)提供參考，從而為農(nóng)業(yè)政策的制定提供決策依據(jù)［2］。農(nóng)作物由于生長(zhǎng)迅速，隨時(shí)間劇烈動(dòng)態(tài)變化，農(nóng)作物監(jiān)測(cè)對(duì)時(shí)效性要求很高。光學(xué)遙感在監(jiān)測(cè)作物長(zhǎng)勢(shì)方面已經(jīng)取得長(zhǎng)足的發(fā)展，但由于受天氣影響，往往難以進(jìn)行連續(xù)監(jiān)測(cè)，尤其是在作物關(guān)鍵生長(zhǎng)期，光學(xué)遙感受到了極大的限制。微波遙感由于具有全天時(shí)全天候的監(jiān)測(cè)能力，在受到氣候影響的地區(qū)農(nóng)作物監(jiān)測(cè)中具有其他遙感不可比擬的優(yōu)勢(shì)［3］。近年來(lái)，隨著微波遙感技術(shù)的發(fā)展，多個(gè)國(guó)家發(fā)射了攜帶多波段、多極化的數(shù)據(jù)合成孔徑雷達(dá)(SAR)衛(wèi)星，使得采用SAR對(duì)農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)的應(yīng)用越來(lái)越廣泛。目前主要涉及到的作物長(zhǎng)勢(shì)參數(shù)有葉面積指數(shù)(LAI)、生物量、高度、密度、播期、收割進(jìn)度［3］。SAR技術(shù)在作物長(zhǎng)勢(shì)監(jiān)測(cè)應(yīng)用方面大致可歸為2類(lèi)：基于SAR散射強(qiáng)度和基于SAR極化特征的農(nóng)作物長(zhǎng)勢(shì)參數(shù)反演。筆者從這2個(gè)方面對(duì)SAR技術(shù)在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)中的應(yīng)用進(jìn)行了研究，總結(jié)了其中存在的問(wèn)題，并對(duì)未來(lái)研究方向進(jìn)行了展望。SAR是一種依靠脈沖壓縮技術(shù)，利用發(fā)射寬帶脈沖和飛行平臺(tái)運(yùn)動(dòng)產(chǎn)生的多普勒頻移，分別實(shí)現(xiàn)目標(biāo)的距離向和方位向高分辨率成像［4］。SAR成像不受氣候、晝夜因素影響，能夠全天時(shí)全天候工作，在能見(jiàn)度差的氣象條件下也能得到類(lèi)似光學(xué)照相的高分辨率雷達(dá)圖像，是一種對(duì)地觀測(cè)的有效手段［3］。SAR技術(shù)在農(nóng)作物監(jiān)測(cè)中有以下特點(diǎn)：①主動(dòng)性。SAR是一種主動(dòng)遙感模式，能夠克服云、雨、霧、霾等復(fù)雜天氣的影響，可以全天時(shí)全天候獲取數(shù)據(jù)。②穿透性。由于微波具有更長(zhǎng)的波長(zhǎng)，對(duì)地表植被、松散砂層、冰雪具有一定的穿透能力。③敏感性。不同于光學(xué)遙感，雷達(dá)遙感對(duì)植被結(jié)構(gòu)的介電特性和幾何特性敏感，在監(jiān)測(cè)這些特征時(shí)具備天然優(yōu)勢(shì)。④獨(dú)特性。光學(xué)遙感利用光譜信息，而雷達(dá)遙感具備散射強(qiáng)度信息、極化信息、相位信息等，有更豐富的信息可供利用。雷達(dá)遙感作物長(zhǎng)勢(shì)監(jiān)測(cè)主要通過(guò)SAR散射強(qiáng)度和極化特征的方式反演作物長(zhǎng)勢(shì)參數(shù)。植被參數(shù)SAR的定量反演最早從植被的后向散射強(qiáng)度信息出發(fā)，通過(guò)構(gòu)建植被微波散射模型，進(jìn)而進(jìn)行植被參數(shù)反演。常用的植被微波散射模型可分為3類(lèi)：物理模型、半經(jīng)驗(yàn)?zāi)Ｐ汀⒔?jīng)驗(yàn)?zāi)Ｐ汀?.1物理模型物理模型是借助于植被散射機(jī)理的模型。目前常見(jiàn)的植被機(jī)理散射模型有植被葉片散射計(jì)算模型、植被莖干散射計(jì)算模型、密歇根微波植被冠層模型(MIMICS).水稻后向散射和冠層散射模型等［5-6］。以最早出現(xiàn)的植被葉片散射模型、植被莖桿散射模型為理論基礎(chǔ)，MIMICS模型將植被冠層的散射分解為樹(shù)冠側(cè)、樹(shù)干層和地面散射，以此來(lái)刻畫(huà)電磁波的散射機(jī)制［7］。譚正［8］利用RADARSAT-2數(shù)據(jù)探討了基于回歸模型和MIMICS模型的雷達(dá)4種極化方式下后向散射系數(shù)的水稻生物量反演方法。李昕［9］基于MIMICS模型模擬水稻后向散射系數(shù)，然后用神經(jīng)網(wǎng)絡(luò)算法實(shí)現(xiàn)全極化SAR圖像的生物量反演，并利用地表實(shí)測(cè)生物量值與反演值進(jìn)行比對(duì)，驗(yàn)證其精度得到相關(guān)系數(shù)為0.92，均方根誤差為222.7g/m2。以MIMICS模型為基礎(chǔ)，通過(guò)模型的簡(jiǎn)化處理，學(xué)者們提出了一些適用于農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)的物理模型，如水稻冠層散射模型、小麥散射模型等°Jia等［6］利用MonteCarlo方法模擬了水稻后向散射模型，并用神經(jīng)網(wǎng)絡(luò)的方法反演了生物量。張遠(yuǎn)等［10］利用ALOS/PALSAR數(shù)據(jù)，通過(guò)改進(jìn)的微波冠層散射模型和遺傳算法來(lái)模擬水稻冠層后向散射系數(shù)以及估算水稻生物量，結(jié)果顯示模擬誤差小于1dB，估算的生物量誤差小于200g/m2。這些研究表明，采用微波機(jī)理模型反演農(nóng)作物參數(shù)具有可行性，并且可以給出合理的物理解釋，但是在實(shí)際應(yīng)用中，諸多輸入?yún)?shù)難以獲取和確定，使得模型的應(yīng)用受到了極大的限制。通過(guò)簡(jiǎn)化物理模型可有效改善模型限制，因此出現(xiàn)了半經(jīng)驗(yàn)?zāi)Ｐ汀?.2半經(jīng)驗(yàn)?zāi)Ｐ桶虢?jīng)驗(yàn)?zāi)Ｐ褪抢碚撃Ｐ偷暮?jiǎn)化，在實(shí)際應(yīng)用中較廣，如水云模型［11］、改進(jìn)的水云模型、簡(jiǎn)化的MIMICS模型等。Ulaby等在1978年分析農(nóng)作物的散射特性，通過(guò)簡(jiǎn)化植被覆蓋層的散射機(jī)制，提出了適用于農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)的水云模型。水云模型是基于輻射傳輸方程而得到的［12］。趙路生［13］利用3景ENVISAT數(shù)據(jù)，基于水云模型反演水稻生物量，反演結(jié)果顯示，HH和VV極化方式下實(shí)測(cè)值和反演值之間的相關(guān)性分別為0.75和0.70。陶亮亮等［14］通過(guò)弓I用其他信息，提出了一種改進(jìn)的水云模型，并結(jié)合RADARSAT-2數(shù)據(jù)對(duì)關(guān)中平原農(nóng)業(yè)示范基地小麥葉面積指數(shù)進(jìn)行反演，結(jié)果表明，改進(jìn)模型可以將HH極化與葉面積指數(shù)的相關(guān)性從0.668提高到0.850,VV極化的決定系數(shù)從0.585提高到0.739，從而得到更高的葉面積反演精度。綜上所述，水云模型可以用于農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)，且通過(guò)對(duì)水云模型的改進(jìn)能大幅度提高農(nóng)作物長(zhǎng)勢(shì)參數(shù)反演精度。最初的MIMICS模型是針對(duì)森林建立起來(lái)的理論模型，但通過(guò)模型的簡(jiǎn)化處理可以創(chuàng)建許多適合農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)的模型［15］。吳學(xué)睿等［16］利用GNSS-R雙站遙感雷達(dá)，在MIMICS模型的基礎(chǔ)上，將其修改為雙站散射模型Bi-Mimics，利用該模型模擬農(nóng)作物的散射特性并對(duì)其生物量進(jìn)行監(jiān)測(cè)，結(jié)果表明，Bi-Mimics模型在農(nóng)作物散射特性的模擬和生物量監(jiān)測(cè)中存在可行性，但研究工作有待進(jìn)一步深入。賈明權(quán)［17］利用2年8個(gè)不同生長(zhǎng)期的C波段數(shù)據(jù)分別建立了水稻的水云模型、改進(jìn)的水云模型和簡(jiǎn)化的MIMICS模型，對(duì)比3個(gè)模型的HH和VV后向散射對(duì)生物量的反演結(jié)果，即水云模型、改進(jìn)的水云模型、簡(jiǎn)化的MIMICS模型得到的相關(guān)系數(shù)依次為HH極化0.862、0.990、0.992，VV極化0.935、0.969、0.991。HH和VV極化的相關(guān)系數(shù)越來(lái)越高，且VV極化數(shù)據(jù)下的相關(guān)系數(shù)均大于HH極化方式下的相關(guān)系數(shù)。由此得出基于VV極化數(shù)據(jù)的簡(jiǎn)化MIMICS模型最適合用于模擬水稻的后向散射系數(shù)的結(jié)論。雖然半經(jīng)驗(yàn)?zāi)Ｐ驮谵r(nóng)作長(zhǎng)勢(shì)監(jiān)測(cè)中被廣泛應(yīng)用，但半經(jīng)驗(yàn)?zāi)Ｐ驮谀Ｐ蛥?shù)確定上大多數(shù)仍依賴于地面數(shù)據(jù)而不能直接從雷達(dá)影像數(shù)據(jù)中獲取，因此嚴(yán)重限制了其廣泛應(yīng)用。2.3經(jīng)驗(yàn)?zāi)Ｐ徒?jīng)驗(yàn)?zāi)Ｐ褪歉鶕?jù)實(shí)測(cè)或理論仿真數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析建立的地物參數(shù)與散射參量之間的函數(shù)關(guān)系。常見(jiàn)的經(jīng)驗(yàn)?zāi)Ｐ陀?種：建立后向散射系數(shù)與系統(tǒng)參數(shù)(如入射角)的經(jīng)驗(yàn)關(guān)系和建立后向散射系數(shù)與生長(zhǎng)參數(shù)(生長(zhǎng)天數(shù)、高度、生物量、LAI等)的經(jīng)驗(yàn)關(guān)系［17］。建立后向散射系數(shù)與系統(tǒng)參數(shù)的經(jīng)驗(yàn)關(guān)系就是探索適合農(nóng)作物SAR監(jiān)測(cè)的最優(yōu)觀測(cè)模式［18］，選擇適合農(nóng)作物長(zhǎng)勢(shì)參數(shù)的系統(tǒng)參數(shù)。Singh［19］利用X波段散射計(jì)對(duì)大豆生物量進(jìn)行監(jiān)測(cè)，發(fā)現(xiàn)大豆的生物量與后向散射強(qiáng)度的關(guān)系比其他作物都顯著，隨著生物量的增加，HH極化和VV極化的散射系數(shù)都增加。研究還發(fā)現(xiàn)，在X波段當(dāng)入射角小于40°時(shí)用VV極化數(shù)據(jù)比HH極化數(shù)據(jù)觀測(cè)植被覆蓋土壤水好，而當(dāng)入射角大于40°時(shí)觀察大豆生長(zhǎng)參數(shù)影響較好。Ferrazzol等［20］研究表明，P波段和L波段組合可以區(qū)別農(nóng)田和其他地物，L波段和C波段結(jié)合區(qū)分農(nóng)業(yè)內(nèi)部領(lǐng)域，L波段對(duì)較低密度的農(nóng)作物監(jiān)測(cè)較好，而對(duì)于較高密度的農(nóng)作物L(fēng)波段和C波段有用，同時(shí)交叉極化數(shù)據(jù)對(duì)作物分類(lèi)和生物量檢測(cè)都重要。建立后向散射系數(shù)與生長(zhǎng)參數(shù)的經(jīng)驗(yàn)關(guān)系就是通過(guò)分析不同極化方式下的后向散射系數(shù)與某種農(nóng)作物生長(zhǎng)參數(shù)之間的關(guān)系，選擇適合反演這種生長(zhǎng)參數(shù)的后向散射系數(shù)。鄭偉［21］利用水稻生長(zhǎng)期的5個(gè)時(shí)相4種極化數(shù)據(jù)對(duì)其生長(zhǎng)參數(shù)LAI、生物量、高度進(jìn)行反演，得到以下結(jié)果：LAI反演中同極化反演誤差10%左右，而交叉極化反演誤差30%左右，生物量反演中交叉極化反演誤差10%以下，而交叉極化反演誤差30%左右，各個(gè)極化方式下的高度反演誤差為2%~13%，可見(jiàn)同極化的微波后向散射系數(shù)適合水稻LAI的反演，交叉極化下的微波后向散射系數(shù)適合水稻生物量的反演，而各種極化方式下的微波后向散射系數(shù)均可用來(lái)反演水稻高度。雖然經(jīng)驗(yàn)?zāi)Ｐ湍軌蜉^好地反映微波后向散射系數(shù)與農(nóng)作物長(zhǎng)勢(shì)之間的關(guān)系，但經(jīng)驗(yàn)?zāi)Ｐ痛蠖嘈枰罅恳巴鉁y(cè)量數(shù)據(jù)，并且可移植性差，在具體應(yīng)用中受到場(chǎng)景和區(qū)域的限制。基于SAR極化特征的農(nóng)作物長(zhǎng)勢(shì)參數(shù)反演主要是通過(guò)極化分解得到的極化參數(shù)對(duì)農(nóng)作物參數(shù)進(jìn)行反演監(jiān)測(cè)。常見(jiàn)的極化分解根據(jù)數(shù)據(jù)的不同可分為基于全極化數(shù)據(jù)的極化分解和基于簡(jiǎn)縮極化的極化分解。3.1基于全極化數(shù)據(jù)農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)自日本ALOS-PALSAR衛(wèi)星與2006年發(fā)射成功以來(lái)，全極化SAR研究開(kāi)始進(jìn)入熱潮［22］,基于全極化數(shù)據(jù)的農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)主要是通過(guò)全極化數(shù)據(jù)的極化分解獲得的極化參數(shù)對(duì)農(nóng)作物長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)，常見(jiàn)的全極化數(shù)據(jù)極化分解技術(shù)主要有基于散射矩陣的相干分解、基于Kennaugh矩陣的二分量分解、基于協(xié)方差矩陣的Freeman-Durden分解、基于相干矩陣的H/A/a分解等［23］。楊浩［3］利用5景Radarsat-2數(shù)據(jù)對(duì)內(nèi)蒙古試驗(yàn)區(qū)的油菜播期進(jìn)行監(jiān)測(cè)，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，通過(guò)對(duì)不同生長(zhǎng)期中不同極化參數(shù)和播后天數(shù)DAS構(gòu)建線性模型，最終得出長(zhǎng)勢(shì)最優(yōu)監(jiān)測(cè)窗口6月16日和最優(yōu)極化參數(shù)體散射(Volumen)。結(jié)果表明，估計(jì)播期和真實(shí)播期高度吻合，均方根誤差為1.9d。該結(jié)果證實(shí)了極化參數(shù)在油菜播期估計(jì)中的巨大潛力。綜上所述，基于時(shí)間序列的極化信息農(nóng)作物定量反演上存在較大的潛力，但敏感性和反演精度尚面臨較大的不確定性。蔡愛(ài)民等［24］基于全極化星載Radarsat-2C波段數(shù)據(jù)，分析了典型旱地作物冬小麥的極化特征，并基于Cloud極化分解得到的極化特征值建立反演冬小麥長(zhǎng)勢(shì)的新參數(shù)LM(LM=2入2-入2-入3)/2入1，該參數(shù)可以提高冬小麥長(zhǎng)勢(shì)反演的總體精度，使長(zhǎng)勢(shì)好的地塊得到更好的反演，降低了錯(cuò)分地類(lèi)的干擾，使總體誤差減小，有利于提高總體長(zhǎng)勢(shì)反演精度。3.2基于簡(jiǎn)縮極化數(shù)據(jù)的農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)簡(jiǎn)縮極化作為一種新的成像模式，其研究尚處于理論探索階段，真實(shí)的簡(jiǎn)縮簡(jiǎn)化數(shù)據(jù)較為匱乏，研究中一般采用全極化數(shù)據(jù)來(lái)模擬簡(jiǎn)縮極化數(shù)據(jù)。當(dāng)前基于簡(jiǎn)縮極化數(shù)據(jù)的極化分解方法主要有散射度-相對(duì)相位分解(m-8)、散射度-散射角(m-a)、散射度-散射場(chǎng)橢圓率(m-X)、極化度-適應(yīng)系數(shù)(m叩)等［25-26］。楊浩［3］基于全極化數(shù)據(jù)的Freeman-Durden極化分解和基于全極化數(shù)據(jù)模擬的簡(jiǎn)縮極化數(shù)據(jù)的m-S和m-X三分量分解得到極化參數(shù)對(duì)油菜生物量進(jìn)行了監(jiān)測(cè)，得到基于簡(jiǎn)縮極化的m-S極化分解得到的極化參數(shù)Dbl(偶次散射)對(duì)油菜生物量反演結(jié)果最好，即相關(guān)系數(shù)為0.92，均方根誤差為56.5g/m2。研究證明了簡(jiǎn)縮極化SAR數(shù)據(jù)在農(nóng)作物生物量監(jiān)測(cè)中的巨大潛力，為SAR在農(nóng)業(yè)中的應(yīng)用指明了新的方向。簡(jiǎn)縮極化在降低全極化系統(tǒng)復(fù)雜度的同時(shí)，能夠保持良好的極化信息，在許多應(yīng)用中得到了較好的效果，但目前簡(jiǎn)縮極化SAR還處于理論研究階段，極化分解技術(shù)和應(yīng)用也非常有限，在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)中的潛力有待探索。隨著的星載SAR技術(shù)的發(fā)展，SAR在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)中的應(yīng)用越來(lái)越廣泛。從已有研究成果可以看出，農(nóng)作物長(zhǎng)勢(shì)的監(jiān)測(cè)從最初的單波段、單極化數(shù)據(jù)已經(jīng)發(fā)展到如今的全極化、多源數(shù)據(jù)，而監(jiān)測(cè)的手段也從僅僅依靠后向散射信息發(fā)展到包括后向散射信息、極化信息為主的多種監(jiān)測(cè)手段。研究表明，通過(guò)極化合成及分解技術(shù)提取的極化信息對(duì)農(nóng)作物長(zhǎng)勢(shì)的監(jiān)測(cè)具有極大的潛力，但目前還沒(méi)有得到廣泛的應(yīng)用，因此，這將是未來(lái)農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)的一個(gè)重要研究方向。然而，SAR技術(shù)在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)中的應(yīng)用實(shí)踐還不成熟，目前仍然存在著一些問(wèn)題：①研究區(qū)地塊一般較大，對(duì)于農(nóng)作物種植不成規(guī)模，特別是復(fù)雜破碎地塊、耕作制度和作物種類(lèi)多樣的地區(qū)監(jiān)測(cè)較少，且大多數(shù)集中于南方水田作物水稻，對(duì)旱地作物玉米、棉花等的監(jiān)測(cè)較少。②目前基于SAR散射強(qiáng)度的長(zhǎng)勢(shì)監(jiān)測(cè)大多集中于經(jīng)驗(yàn)?zāi)Ｐ?，這種模型采用常規(guī)的統(tǒng)計(jì)算法受制于具體場(chǎng)景，難以在不同作物類(lèi)型、不同地區(qū)間進(jìn)行選擇和應(yīng)用。且目前準(zhǔn)確考慮地形影響的植被散射模型較少，特別是針對(duì)地形起伏較大的山區(qū)和具有特殊規(guī)律的農(nóng)作物覆蓋地表，需要更加準(zhǔn)確地分析植株的空間分布和地形影響。③植被散射模型的研究越深入，模型的計(jì)算就越復(fù)雜，特別是較大面積、較多參數(shù)的反演，計(jì)算會(huì)特別浪費(fèi)時(shí)間，從而影響模型的實(shí)際應(yīng)用。綜上分析，在未來(lái)采用模型進(jìn)行農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)中，應(yīng)該考慮不同傳感器配置參數(shù)、多個(gè)場(chǎng)景、入射角、土壤、降雨等多個(gè)因素對(duì)雷達(dá)散射的影響，獲取更廣泛條件和因素的散射規(guī)律，進(jìn)而改善SAR在農(nóng)作物長(zhǎng)勢(shì)監(jiān)測(cè)中的精度。同時(shí)，在建模過(guò)程中應(yīng)當(dāng)針對(duì)不同的植被地考慮其空間分布，從而更準(zhǔn)確地表示出植被的真實(shí)場(chǎng)景；另外，必須重視模型間的比較和模型的精度評(píng)價(jià)，更加深入地理解植被覆蓋地表的散射機(jī)理，明確各個(gè)模型的適用范圍?！鞠嚓P(guān)文獻(xiàn)】史舟，梁宗正，楊媛媛，等.農(nóng)業(yè)遙感研究現(xiàn)狀與展望[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2015，46(2):247261.吳素霞，毛任釗，李紅軍，等.中國(guó)農(nóng)作物長(zhǎng)勢(shì)遙感監(jiān)測(cè)研究綜述[J].中國(guó)農(nóng)學(xué)通報(bào)，2005，21(3):319-325.楊浩.基于時(shí)間序列全極化與簡(jiǎn)縮極化SAR的作物定量監(jiān)測(cè)研究[D].北京：中國(guó)林業(yè)科學(xué)院，2015.劉浩.合成孔徑雷達(dá)高分辨率成像及運(yùn)動(dòng)目標(biāo)成像新方法研究[D].北京：中國(guó)科學(xué)院電子學(xué)研究所，2003.ZHANGY，LIUX，SUS，etal.RetrievingcanopyheightanddensityofpaddyricefromRadarsat-2imageswithacanopyscatteringmodel[J].Internationaljournalofappliedearthobservationandgeoinformation，2014，28，170-180.JIAM，TONGL，ZHANGY,etal.RicebiomassestimationusingradarbackscatteringdataatS-band[J].IEEEjournalofselectedtopicsinappliedearthobservationsandremotesensing,2014,7(2):469-479.蔡愛(ài)民，宮華澤.典型旱作物極化散射特征分析與應(yīng)用研究[J].安徽農(nóng)業(yè)科學(xué)，2013,41(13):6051-6054.譚正.基于SAR數(shù)據(jù)和作物生長(zhǎng)模型同化的水稻長(zhǎng)勢(shì)監(jiān)測(cè)與估產(chǎn)研究[D].北京：中國(guó)地質(zhì)大學(xué)，2012.李昕.基于全極化SAR圖像的植被信息提取技術(shù)研究[D].成都：電子科技大學(xué)，2015.張遠(yuǎn)，張中浩，蘇世亮，等.基于微波冠層散射模型的水稻生物量遙感估算[J].農(nóng)業(yè)工程學(xué)報(bào)，2011,27⑺：100-105.GRAHAMAJ,HARRISR.Estimatingcropandwavebandspecificwatercloudmodelparametersusingatheoreticalbackscattermodel[J].Internationaljournalofremotesensing,2002,23(23):5129-5133.李成鋼.冬小麥微波散射特性及參數(shù)反演研究[D].成都：電子科技大學(xué)，2013.趙路生.基于ASAR數(shù)據(jù)的水稻制圖及生物量參數(shù)反演[D].成都：電子科技大學(xué)，2013.陶亮亮，李京，蔣金豹，等.利用RADARSAT-2雷達(dá)數(shù)據(jù)與改進(jìn)的水云模型反演冬小麥葉面積指數(shù)[J].麥類(lèi)作物學(xué)報(bào)，2016,36(2):236-242.BRACAGLIAM,FERRAZZOLIP,GUERRIEROL.Afullypolarimetricmultiplescatteringmodelforcrops[J].Remotesensingofenvironment,1995,54(3):170-179.吳學(xué)睿，李穎，李傳龍.基于Bi-Mimics模型的GNCSS-R農(nóng)作物生物量監(jiān)測(cè)理論研究[J].遙感技術(shù)與應(yīng)用，2012,27(2):220-221.賈明權(quán).水稻微波散射特性研究及參數(shù)反演[D].成都：電子科技大學(xué)，2013.MATTIAF,LETOANT,PICARDG,etal.MultitemporalC-bandradarmeasurementsonwheatfields[J].IEEEtransactionsongeoscienceandrem