雷达遥感农业应用综述

张王菲 陈尔学 李增元 杨 浩 赵 磊

①(西南林业大学林学院 昆明 650224)

②(中国林业科学研究院资源信息研究所 北京 100091)

③(北京市农林科学院北京农业信息技术研究中心 北京 100097)

1 引言

1.1 研究背景

雷达是微波遥感应用中的主要传感器。微波遥感的优势主要包括3个方面：(1) 微波具有穿透云层甚至穿透雨区的能力；(2) 微波比光波能更深地穿透植被；(3) 微波与光学遥感得到的信息是不同的，它可以得到研究对象面或体的几何特性和介电特性[1]。由于雷达遥感全天时、全天候监测的能力，在对植被散射体形状、结构、介电常数敏感的同时具有一定的穿透能力，因此在农业监测中极具潜力。

雷达遥感目前在农业中的应用主要包括农作物分类与识别、农田参数(含水量和地表粗糙度)反演、农作物长势参数反演(生物量，叶面积指数(Leaf Area Index,LAI)和高度)、农作物物候期划分、农作物灾害监测和农作物估产等。

农作物分类与识别是农情监测技术体系的初始和关键环节。精准识别各种农作物类型可实现对农作物种植面积、结构及空间分布的准确估计，并为农作物估产模型提供关键输入参数[2]。各种农作物具有不同的冠层结构、几何特性和介电常数等，从而导致在不同频率和极化的合成孔径雷达(Synthetic Aperture Radar,SAR)影像中表现为不同的特征，这是采用雷达遥感进行农作物分类和识别的理论基础。

农田参数反演中利用雷达数据进行土壤含水量反演是雷达遥感最经典的应用之一。但是在农田土壤含水量反演中，特别是在裸土含水量反演中，受到地表粗糙度的影响较大，另外，地表粗糙度也是农学、土壤学、地质学和气候学中的重要参数，因此地表粗糙度的反演也逐渐发展为一个独立的分支[3]。此外，在有农作物覆盖的地区，农田土壤含水量反演中还要考虑农作物植被层的影响。将植被冠层、土壤粗糙度的影响从雷达信号中分离后，雷达后向散射系数和土壤含水量之间具有较好的相关性，通常通过建立雷达后向散射系数与土壤体积含水量之间的关系模型就可实现农田土壤含水量的估测[2—4]。

农作物长势即农作物生长状况和趋势，直接影响农作物的产量和品质[5]。农作物长势参数主要包括生物量、LAI高度和密度等。长势参数通常是农作物生长状况的有效表征，因此农作物的长势监测通常通过长势参数的反演来实现。雷达的后向散射参数、极化特征参数和干涉特征参数常被用于农作物生物量、LAI和高度的反演。

农作物物候信息是农业生态系统的重要特征之一，是农业生产、田间管理、计划决策等的重要依据。农作物物候期划分主要是区分农作物形态发生显著变化所对应的时间段，即从出苗到收获所经历的生长时间周期[6—8]。由于极化SAR特征对农作物结构、形态变化敏感，近年来被广泛应用于农作物物候期的划分。

农作物灾害类型较多，包括洪涝、干旱、病虫害、倒伏等。雷达遥感在农作物灾害中的应用目前开展较少，多集中在倒伏的监测，特别是对垂直结构明显的农作物倒伏的监测具有较大潜力，这主要是利用了极化特征对农作物结构变化敏感的特点[9]。

农作物精确估产是农业遥感监测的最终目标。目前农作物估产可通过农作物生长模型和遥感估测两种手段进行。前者通过数学建模方法在单点尺度模拟农作物生长，可以实现高精度的农作物单点估产；后者可获取农作物区域尺度上的面状特征，两者优势互补，集成应用于农作物估产可以提高估产的准确性和机理化[8,9]。雷达遥感目前应用于农作物估产也是通过遥感数据与农作物生长模型的同化来实现，但是相关的研究也仅在近期展开[3,8]。

1.2 现有研究综述概况

随着雷达遥感技术在农业应用研究中的深入，目前不少研究者从多个应用领域对其研究情况进行了文献综述。王迪等人[2]综述了SAR技术在农作物分类与识别中的研究进展，总结得出：目前用于农作物识别与分类的SAR特征包括单波段、单极化特征、多极化特征和多波段特征；分类方法包括非机理性的基于像元统计特征的分类方法、利用极化分解理论分析和农作物散射特征发展的机理性分类算法。他们同时指出目前的识别分类精度还较低，多数识别精度不足85%，其可能原因是分类算法的机理性研究不足。施建成等人[4]综述了土壤水分反演中用到的雷达数据源、各数据源的局限、目前采用的算法及不足等；刘健等人[10]则综述了土壤水分反演中粗糙度、植被覆盖等的影响及相应的解决措施，并指出现有反演方法的准确性和普适性有待进一步提高，融合不同观测模式(多波段、多极化、多角度)的SAR数据是未来的发展趋势。Liu等人[3]和Mcnairn等人[11]综述了基于SAR技术的农作物长势监测，指出目前用于农作物长势监测的长势参数包括生物量、LAI和高度，使用的SAR特征包括后向散射特征、极化特征和干涉特征。李平湘等人[9]对基于SAR技术的农作物物候期监测进行了简单的综述，指出目前主要的方法包括两大类，即利用分类和时序动态跟踪两种方法。他们还总结得出目前SAR技术在农业灾害监测中的研究还开展较少，已有研究主要集中在“农作物倒伏”方面。黄健熙等人[12,13]综述了遥感数据与农作物生长模型同化在农作物估产中的应用，指出SAR 遥感数据与农作物生长模型同化在农作物估产中的潜力，但目前应用较少，是未来农作物估产主要的发展方向之一。

现有的研究综述从多个方面说明了雷达遥感在农业应用中的优势和不足，对推动雷达遥感技术在农业中的应用有积极的意义。然而，随着SAR技术的发展及应用需求的推动，SAR数据获取方式由单频率、单极化、单角度等发展到多频率、多极化、多角度和多时相等综合获取方式。原有的针对单一观测量和几个观测量的简单组合已经不适于描述观测对象的复杂散射特征和提高定量遥感的精度,SAR观测方式的改变使得农作物的散射机理及其在SAR图像中的表征呈现出复杂性，不仅影响了采用SAR技术对农作物的认知和理解，也影响了传统估测方法在联合观测维度下SAR技术在农业应用中的适用性。为了适应SAR多维度观测技术的需求，需要从不同SAR数据获取方式出发，系统地梳理农业应用中SAR参数的提取方式及其对农作物各相关参数的响应情况[14]。已有的研究中，初期用于农业相关监测的传感器主要是雷达散射计，近期使用的传感器则多为SAR，目前的综述研究多集中于SAR应用的研究。然而初期基于雷达散射计的研究是后续SAR技术应用的实验基础，其研究结果对微波遥感理论的验证也是SAR技术进一步发展的理论保障，因此有必要对其研究结果进行全面的梳理和总结。此外，已有的综述文献中部分发表较早，近年来新的研究成果并未加入，特别是对干涉、极化干涉SAR技术、层析SAR技术在农业中应用的文献未作深入总结。鉴于此本文首先对雷达散射计在农业应用中的现状进行综述、总结；然后以不同的SAR观测技术为基础，综述各类SAR技术在农业各领域中的应用现状；以期能够较全面的梳理目前SAR技术在整个农业系统应用中的优势和不足，并为将来更深入的应用提出可能的方向和思路。

2 雷达散射计农业应用

雷达散射计在农业应用中的研究多集中在农田土壤水分的反演。初期的研究也探索了其在植被冠层结构、农作物制图、农作物长势监测和农作物识别分类中的应用，但相比土壤水分的研究，这些方面的研究成果较少。采用雷达散射计的研究成果按照遥感平台，可以分为地基散射计、机载散射计和星载散射计，下面我们将以遥感平台为基础，总结目前的研究进展。

2.1 地基雷达散射计

雷达散射计能够获取目标的散射截面观测量，可以用于深入理解微波和自然目标相互作用的机理。散射计通过发射系列脉冲并测量其回波，然后通过将回波特性定量化来获得目标的散射截面测量结果。散射计的荷载平台包括星载、机载和地面平台，其中地面平台主要搭载在高塔上或者卡车上，又称为地基散射计。散射计量测的目标散射截面除了受到目标自身特性的影响外，散射计的频率、入射角、极化方式均会影响其测量结果[15]。

表1总结了使用地基雷达散射计开展的研究，同时整理了其研究结论。由表1可知，基于地基散射计进行土壤水分反演方面的研究最早开始于60年代末70年代初，前期的研究目的主要是为星载散射计、星载SAR在相关研究中的优选参数设置提供理论和实验支撑。堪萨斯大学使用主被动辐射计(Microwave Active and Passive Spectrometer,MAPS)或主动散射计(Microwave Active Spectrometer,MAS)研究了频率范围为1～18 GHz之间，入射角范围在0°～80°之间各种极化组合下，后向散射系数对土壤水分变化的反映情况。研究结果表明：采用后向散射系数反演土壤水分受到频率、极化、入射角、土壤粗糙度和地表覆盖植被的影响；土壤粗糙度的影响可以通过选择合适的频率、入射角来剔除或降低；低频低入射角更适合土壤水分反演。极化特征对农作物结构变化敏感，各极化与高频、大入射角特征组合更容易区分不同的作物类型[16—23]。荷兰的微波植被观察项目(Radar Observation of VEgetation,ROVE)主要研究了X-波段各极化后向散射在不同入射角变化下对农作物参数的响应情况，研究表明：农作物的地表覆盖率达到一定程度时，后向散射系数会出现饱和现象；多频率观测可以提高农作物生长参数的估测精度，研究结果同时肯定了大入射角更适合植被监测[24—27]。日本学者Inoue等人[28]基于Ka-,Ku-,X-,C-和L-波段地基散射计数据对农作物长势监测的研究则指出C-波段适合LAI反演，而L-波段则适合生物量估测。加拿大遥感中心的相关研究指出HV极化对农作物类型识别、农作物残茬识别有较好的识别效果；同时指出后向散射对农田区每日含水量动态变化响应明显，但其相关性受到频率、田间农作物生长阶段的影响[29—33]。我国研究者主要探索了土壤水分在X-,C-波段不同极化、不同入射角的后向散射变化及其影响因子，研究表明垄向对与其平行的极化方式的后向散射有显著影响；土壤含水量反演中，粗糙度的影响可以通过选择特定入射角的数据来剔除[34—37]。另外一些其它的实验也取得了与以上研究类似的结论[38—42]。

表1 地基雷达散射计研究现状总结Tab.1 Summary of studies using ground-based scatterometers

2.2 机载和星载雷达散射计

尽管地基散射计操作方便、成本较低，但是由于平台较低，观测结果受到几何关系影响较大，并且观测范围受到很大限制，因此采用机载平台可以扩大观测范围，提高观测效率。机载平台主要作为地面平台的补充，为星载雷达传感器参数的设置提供理论和实验支持。在荷兰ROVE项目中即包括侧视机载雷达数据，Kurl等人[42]使用该数据研究了农作物整个生长期X-波段后向散射系数的变化，发现动态变化范围为3～15 dB。大量的研究成果基于欧洲的1～18 GHz DUTSCAT和C-/X-波段的ERASME机载散射计[43,44]。Bouman等人[45]和Ferrazzoli等人[46]采用DUTSCAT的多频数据肯定了文献[27]的研究结果，同时指出X-,Ku-波段适合农作物分类，而L-波段更适合土壤水分反演；Benallegue等人[47]使用ERASME的多频、多角度数据分析了土壤水分反演的可行性，得出的结论与文献[16—23]相近。

根据地基和机载的实验结果，星载散射计主要的工作波段在C-(5.3 GHz)和Ku-(13.5 GHz)波段。C-波段波长较长，受云雨因素影响较小；Ku-波段频率高，对目标特征变化更敏感。表2列举了到目前为止主要的星载散射计的主要信息[48—51]。星载散射计数据在农业中主要应用于土壤水分反演和农作物参数反演。WoodHouse等人[52,53]采用ERS-1 AMI散射计数据反演了植被覆盖度、植被覆盖下的土壤水分、植被的季节变化等，研究结果表明土壤水分反演结果受到植被覆盖的影响，因此具有地域依赖性。Frison等人[54]则发现植被的季节变化观测结果会受到空气和地表温度的影响。Frolking等人[55]采用QuickSCAT SeaWinds在美国27个地点监测了多种植被的物候期，并与MODIS LAI数据进行了对比，发现两者的结果基本一致，但是采用后向散射特征监测的各物候期总早于MODIS LAI的结果。Lu等人[56]在中国22个地点采用相同数据的研究结果与该研究的结论一致。Wen等人[57]也采用ERS-1 AMI数据反演了西藏地区的土壤水分，散射计估测结果与地面调查的0～4 cm表层土壤水分的相关性达到0.78。多个学者基于星载散射计的数据，完成了全球范围土壤水分制图[58,59]，也有学者指出全球性土壤水分制图应该考虑地表植被动态变化的影响[60]。Kim等人[61,62]采用蒙特卡洛模拟的方法，研究了适用于16种植被和裸土表面的前向散射模型，并将其用于土壤介电常数、粗糙度、植被含水量等参数的模拟，以期为NASA的SMAP数据提供分析方法。Naemi等人[63]和Wagner等人[64]则基于这些数据进行了反演算法、模型的优化。

早期围绕地基和机载散射计数据开展的研究阐述了采用后向散射特征进行土壤水分反演和农作物分类的可行性，星载散射计的应用进一步优化了早期的反演方法，更推动了星载散射计在土壤水分和植被参数反演方面的应用。随着成像雷达、特别是SAR技术发展，SAR技术被广泛应用到农业各领域的应用中，由于散射计观测的灵活性、低成本、快速重复观测能力等使得其在农业应用中仍然是SAR数据应用的一个重要补充。

3 SAR农业应用

相比散射计，SAR可以提供图像特征和除后向散射特征以外的其它观测量，近些年来被广泛应用于农业各类监测中。综合目前SAR技术可以提供的特征，应用于农业中的特征可划分为四类：后向散射特征、极化特征、干涉特征和层析特征，其中层析特征是干涉或极化干涉特征在垂直空间中的进一步拓展。

表2 星载散射计信息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世纪80年代末—2002年)的SAR数据仅可获得单频率、单极化的影像，因此其可应用的特征仅为后向散射特征。SAR后向散射特征在农业中的应用基本上是基于散射计获得的后向散射特征在农业应用中的进一步验证和深入，因此初期的研究多是对基于散射计数据研究结果的验证，使用的方法也多基于散射计研究的方法和模型[65—70]。在采用单波段、单极化后向散射特征进行农作物的识别时，由于水稻下垫面(水面)独特的散射机制，使得其与其它农作物的区别明显，因此基于后向散射系数的农作物识别多以水稻为研究对象。为了提高识别的精度，基于后向散射的时相特征被用于农作物识别、长势监测及估产中。利用这些特征进行水稻识别时，分类精度可以达到80%,91%和98%[65]。然而，这些研究的区域多位于空间异质性比较低的地区，对于地块破碎、种植结构比较复杂的区域，分类识别的效果明显降低[65,66]。土壤水分和农作物长势参数反演中多通过建立后向散射与反演参数之间的模型来实现，这些模型包括经验模型、半经验模型和机理模型。经验模型通常通过实验观察数据来建立，因此对实验数据获取的条件敏感，例如气象条件、成像几何、农作物情况、农作物类型、物候特征、土壤水分状态等。这些敏感特征会造成反演结果的不确定性，同时降低模型的适用性。由于经验模型的这些局限，一些研究开始发展半经验模型和机理模型。在基于后向散射的裸土水分反演中，采用较多的模型为积分方程模型(Integral Equation Model,IEM)、高级积分方程模型(Advanced Integral Equation Model,AIEM)以及基于这两者改进的相关模型。常用的算法包括变化检测法、回归分析法、基于模型的人工神经网络法等[67]。用于植被参数反演的具有代表性的半经验模型为水云模型(Water Cloud Model,WCM)[68]，机理模型为密歇根植被散射模型(MIchigan MIcrowave Canopy Scattering,MIMICS)[69]。这两类模型也常被用于植被覆盖区土壤水分反演时降低植被的影响。为了更精确的提高这两类模型在生长参数反演中的精度，不少学者通过引入更多的特征对其进行了改进[70—75]，文献[3]综述了这两个模型在农业中的详细应用现状。目前采用雷达数据进行农作物估产中使用的特征多为后向散射系数。农作物估产方式通过两类方法实现：一是直接采用后向散射系数进行农作物估产；二是通过基于后向散射的生长参数估测结果与农作物生长模型同化进行农作物估产。直接采用后向散射系数进行产量估测通常是建立后向散射系数与产量的关系模型，然后反演产量，属于经验模型，尽管在特定区域可以获得较好的估测精度，但是受到经验估测模型自身缺陷的影响，无法大面积推广[76,77]。基于SAR遥感信息与农作物生长模型同化的研究于近年来才刚刚展开，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极化特征

全极化SAR数据起源于是20世纪90年代初，记录了地物HH,HV,VH和VV,4种极化状态的散射振幅和相位特征，极化特征的提取通常包括极化合成和极化分解技术。采用极化合成技术可以计算任意一种极化状态的后向散射回波，进而提取地物更多的特征；而通过极化分解技术也可以将地物的特征进一步细化，以此增强地物的探测能力。由于极化特征不仅具有后向散射对农作物生理特征敏感的特征，同时具有对农作物散射方向、形状敏感的极化特征，在农业的各项研究领域中均具有极大的潜力，也是目前农业应用中使用最广泛、研究最深入的SAR特征。表3列出了目前极化特征在农业主要领域中的应用现状。

从表3可知，极化特征已应用到农业中的诸多方面。农作物识别和分类是极化特征在农业中应用最早的领域。初期的研究多通过增加不同极化的后向散射特征来提高农作物的分类精度，研究发现随着极化特征的加入，可以将仅采用单一极化特征的农作物分类精度有效提高，部分地区某些农作物的分类精度可提高37%[91,92]。随着多种极化分解方法的提出，不同学者的研究表明：引入不同的极化分解参数，可以有效提高分类的精度，这些分类结果的精度范围在70%～96%之间变化。分类的对象包括农作物中的玉米、大豆、小麦、水稻等；也包括农作物与森林、裸土、建筑物等[93—95]。文献[65]也详细总结了使用这些特征进行分类的方法。

在农田土壤水分反演中，极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确定性[96,97]。不少学者提出了多极化数据反演算法来提高土壤水分的反演精度[98—100]，加入极化特征后土壤体积含水量的反演均方根误差可以低于4%[98]。极化特征对土壤粗糙度的敏感性最早也通过极化合成参数对其的响应得到证实，研究表明圆极化相关参数对土壤粗糙度最为敏感[101]。随后，极化分解参数被应用于土壤水分反演中土壤粗糙度影响的剔除，并在此基础上提出了X-Bragg模型来改进传统土壤水分反演模型——小扰动模型(Small Perturbation Method,SPM)无法表征交叉极化、去极化特征的弊端[102,103]。随着全极化数据的丰富，一些研究开始探索更多可以表征土壤粗糙度的特征参数[104,105]。

极化参数在农作物长势参数中的反演也是目前研究的热点之一，近年来涌现出不少研究成果。加拿大农业与食品学会的研究团队针对多种农作物，以Radarsat数据为主要数据源，开展了多个长势参数的反演及农作物估产研究[106—108]。国内中科院邵芸团队[109,110]也采用全极化和简缩极化数据，以水稻为主要研究对象，研究了极化特征在农作物长势监测及估产中的应用。Jiao等人[106]和Mcnairn等人[107]采用极化参数(HV强度、基准高度、极化分解的体散射分量等)证实了SAR极化特征对LAI的敏感性，并通过改进传统的水云模型，克服了采用后向散射反演LAI的低饱和点的局限，同时也论证了LAI可以作为农作物估产有效指标。Wiseman等人[108]则全面分析了C-波段极化参数对玉米、大豆、油菜、春小麦的干生物量的响应情况，指明各极化参数对农作物的敏感性受到农作物类型和生长物候期的影响，也表明极化特征在农作物物候期监测中的潜力。Zhang等人[111]通过提取27个简缩极化参数表明了不同极化参数在农作物生物量、LAI和株高中反演的潜力。然而，以上研究多采用极化参数与农作物长势参数直接建立关系来实现反演，地域依赖性强，一些研究利用了半经验模型折衷的优势，将极化特征用于WCM模型来提高反演结果的精度和适用性[112,113]。SAR技术应用于物候期的识别多数采用了极化特征对农作物生长期结构变化敏感的优势，首先通过覆盖物候期的SAR极化影像提取极化特征；然后分析农作物在整个生长过程中各极化参数的变化特征，进而选取合适的极化参数进行各个物候期的划分，初期物候期划分的方法多采用影像分类的方法[84,85]。为了克服该方法中经验阈值鲁棒性低的问题，一些研究者发展了动态建模的方法，如Kalman滤波和粒子滤波等方法[114,115]。考虑到监测物候期中时间序列影像缺失对物候期反演结果的影响问题，一些研究通过采用替代参数和滤波方法相结合来弥补[86—88]。

杨浩等人[90]率先将极化特征用于小麦倒伏灾害的识别，研究发现小麦倒伏前后，HH和VV极化的散射能量对比会发生明显的反转现象，并且多个极化组合参数在小麦倒伏前后特征变化显著，因此这些极化特征可以用于倒伏现象的监测。

极化SAR特征的应用，使得SAR信息在农业中的应用得到了进一步的深入，已有这些研究结果均证明极化特征在农业应用中，特别是在农作物识别、农作物长势参数反演及估产中的巨大潜力，在未来可能成为精准农业实施重要手段之一。

3.3 SAR干涉特征

干涉技术最初发展的目的是利用简单的相位-高程关系(φ=kzh)获得对地形高程的测量。传统的干涉测量合成孔径雷达(Interferometric Synthetic Aperture Radar,InSAR)一般采用单波段、单极化方式进行，不考虑散射体的极化特征，用到的特征包括单极化的干涉相位和干涉幅度特征。极化干涉测量合成孔径雷达(Polarimetric Interferometric Synthetic Aperture Radar,PolInSAR)极化干涉特征在原有干涉幅度和相位特征的基础上又增加了极化特征，其利用全极化观测进行干涉处理，结合了干涉特征对空间分布敏感以及极化特征对散射体物理性质敏感的特性，可以同时把目标的精细结构特征与空间分布特征结合起来，提高干涉应用性能，并区分分辨单元内不同散射机制的垂直分布特征[116]。

InSAR特征在植被中的应用主要基于干涉获得的相位特征中包含了“植被偏差”引起的相位特征。“植被偏差”引起的相位变化同时受到植被结构和SAR成像参数的影响，为了分析植被结构的影响，PolInSAR被用于“植被偏差”的监测。这些特征最早被用于森林高度的估测，根据可获取的特征、植被散射的特征发展了基于几何关系和基于物理模型的森林高度估测方法[117]。InSAR和PolIn-SAR特征在农业中的应用目前主要集中在农作物高度的估测。重轨InSAR数据的时间失相干严重影响着其在植被覆盖区的应用：例如即使仅有24小时时间差的TanDEM数据也会受到时间失相干的影响，尽管如此，该数据的相干性与多种农作物的高度还是具有明显的相关性，在农作物高度估测中极具潜力[118]。随着PolInSAR数据的丰富，一些研究者提出了适用于极化干涉SAR数据的植被散射模型，用于植被参数的反演。随机体地表散射模型(Random Vegetation over Ground,RVoG)和有向体地表散射模型(Orientation Vegetation over Ground,OVoG)为目前应用最广泛和最有代表性的两类植被散射模型。前者中的RV表示随机体，即电磁波在其中传播时衰减系数与极化状态无关，后者中的OV代表有向体，即电磁波在其中传播时衰减系数是极化的函数[119,120]。RVoG和OVoG模型经常被用于森林高度的反演，Lopez-Sanchez[121]率先分析了这两类模型在农作物高度反演中的可行性和局限性，表明OVoG模型更能描述农作物的散射特征，并且基于实验数据证实了其在玉米和水稻高度反演中的可行性。随后基于机载PolInSAR数据的农作物高度反演研究逐渐开展，基于RVoG模型的相位-幅度联合反演法被用于油菜、玉米、小麦、大麦和甜菜的高度反演，研究结果表明该模型具有农作物类型依赖性，获得的油菜、玉米和甜菜的反演高度较好，标准差在0.20～0.31 m之间，而大麦和燕麦则较差，标准差在0.33～0.61 m之间。随着覆盖全球范围的无时间失相干的TerraSAR/TanDEM星载干涉、极化干涉SAR数据的丰富，基于该数据展开的农作物高度反演的研究近些年开始涌现。Erten等人[122]和Rossi等人[123]研究了覆盖水稻整个生长期的相位差变化，并用该信息分析了干涉相位和水稻冠层高度的关系，证实了HH和VV极化的选择会明显影响水稻高度估测结果；Lee等人[124]基于TerraSAR/TanDEM干涉SAR数据，提出了水稻生长区地相位的估计方法，采用RVoG模型和对照表法反演了研究区水稻的高度，反演结果的RMSE为0.10 m；国贤玉等人[125]采用双极化TerraSAR/TanDEM干涉SAR数据发展了RVoG模型，并用于水稻高度的反演，研究表明当水稻株高高于0.4 m时，可以取得较好的估测结果，反演值与真值的R2为0.86，均方根误差为6.79 cm。

已有针对不同农作物高度反演的结果充分表明了干涉、极化干涉特征在农作物垂直结构变化相关监测中的潜力。然而由于农作物覆盖区体散射受时间失相干影响严重，使得重轨干涉影像噪声较大，影响反演结果，因此其广泛应用受到了较大的限制。随着无时间失相干数据的出现，使得采用干涉、极化干涉SAR特征进行农作物垂直结构监测成为可能，目前尽管已经展开了一些研究，但是干涉特征在农业应用中的潜力还有待进一步挖掘。

3.4 SAR层析特征

层析SAR技术(SAR Tomography,TomoSAR)的提出是为了实现地物垂直方向上的观测，目前SAR应用中，主要有两种层析技术：一种是多基线SAR层析技术，即在垂直于视线方向上增加多幅干涉天线来对观测场景实现重复观测，相当于在垂直于视线方向上合成一个较大的孔径来获得高度维的特征，通常通过谱分析方法来获得场景沿垂直方向的散射值[126—128]；一种是利用不同极化状态下的干涉相干系数反演植被垂直结构分布的极化相干层析技术，即利用不同极化的干涉相干变化来重建观测场景后向散射随高度变化的方程，然后利用观测的相干数据获得植被高度和地形相位，将获得的植被高度和地形相位特征带入以傅里叶-勒让德级数展开的垂直结构方程，求解各系数获得场景沿垂直方向的散射值[126,128,129]。多基线SAR层析技术的成像算法包括三大类：非参数谱估计方法、参数谱估计方法、稀疏谱估计方法。稀疏谱估计方法可以有效的解决SAR层析成像中由于基线非均匀分布采用插值计算方法中计算量大、耗时费力的弊端，提高了层析SAR数据处理的效率，近年来基于此发展了大量相关的成像算法[130,131]。已有研究发现：单基线极化相干层析技术仅能提高混合表面/体散射的体散射层深度和地表相位特征，无法真正得到目标的垂直向结构信息。双基线比单基线的分辨率高，但当基线数量超过3时，该方法的稳定性下降；此外该方法需要输入先验知识，如地相位和植被高度，这些信息通过PolInSAR技术获得，因此一方面存在对植被高度的低估，另一方面很大程度上依赖PolInSAR技术的发展[129,131]。

SAR层析技术的应用目前仍然处在应用研究的初期，其在农业中的应用也刚刚展开。SAR层析技术目前被广泛用于森林生物量的反演[131]，但是由于农作物生长变化的快速性及其复杂环境场景的影响，目前的研究多集中在农作物高度参数反演、各个频段农作物整个生长期垂直方向的后向散射变化、农作物覆盖区的地表、体散射的区分中[3,132—139]。初期研究者们采用室内和室外地基雷达实验数据对X-,C-和L-波段小麦、玉米的三维散射剖面进行了研究，探索了其受到极化方式、入射角和频率的影响[133—135]。随着机载TomoSAR数据的出现，Pichierri等人[139]采用机载TomoSAR数据研究了层析特征在农田场景的应用可行性。他们以OVoG模型为基础，采用双基线极化相干层析的方法分析了X-,C-和L-波段在小麦、燕麦、玉米和油菜高度反演中的可行性。研究结果指出了基线长度、频率对不同农作物高度反演的影响：基线较小时，极化干涉相干性与农作物高度的敏感性降低；L-波段用于油菜、玉米高度反演时，均方根误差约为10%，而X-波段用于大麦和小麦等谷物的高度反演时，均方根误差低于24%。Joerg等人[132]采用Capon非参数谱滤波方法获得了玉米、大麦和小麦在X-,C-和L-波段不同生长期的垂直方向后向散射剖面图。从获取的垂直剖面图中可以看出，玉米覆盖区具有明显的二次散射机制；小麦冠层具有明显的表面散射机制，并且田垄散射的影响明显；大麦的HH散射特征几乎不可见。基于这些农作物覆盖区的散射剖面，这些研究者们进一步分析了采用其进行体散射和地表散射机制分离的可行性及有效的方法。由于农作物在整个生长周期中变化的快速性，时间序列TomoSAR数据的获取对其在农业中的深入应用也有着显著的影响，这些研究同时也说明了时间失相干对极化干涉相干层析特征在农作物监测中的影响[132,140]。

SAR层析特征在提高农作物分类精度、农作物高度和生物量反演精度中具有重要的潜在应用价值。然而目前该特征在农业中的应用还较少，反演的方法、应用的农作物对象等还存在较多的探索空间，随着多基站SAR观测技术的实现，新体制SAR卫星计划的实施，层析SAR特征在农业中的应用需要未来进一步深入研究。

4 总结与展望

4.1 总结

目前雷达技术在农业中的多个方面均展开了应用研究，也取得了丰硕的研究成果。然而，在农业应用中，不同的利益相关组织或个人关注和需求的农情信息不同，对雷达技术在农业各领域中应用的需求也不尽相同。尽管目前在各个领域都有一些研究结论，但是针对具体的需求和深入的应用都需要进一步的探索和开发。例如在农作物识别和分类方面，尽管也出现了全球尺度的分类产品，但是这些产品偏重于用地表覆盖类型的划分，而精细的农作物类型的划分则存在不少问题；此外农作物识别和分类的研究成果多集中在成片的同质性区域，对于斑块破碎、种植类型复杂的区域，则很难达到需求的精度。以精准农业为例，在具体的需求中更需要了解在农业中这些田地是如何使用的，在整个农作物生长过程中田间操作是如何实施的。农业灾害类型较多，多种灾害对农作物产量影响严重，特别是洪涝灾害监测是雷达监测的优势，然而目前相关的研究也开展较少。粮食产量的预估是目前各国政府和相关利益人或组织均关注的问题，目前基于雷达技术的估产研究较少，方法多集中在利用后向散射系数与农作物产量做简单的经验统计，尽管可以得到粗略的产量结果，但是估计结果的质量如何，相关的研究则展开较少，已有的研究也多集中在农田同质性较强的国家和地区。尽管目前也采用同化的方法展开了部分估产的研究，但是目前还集中在理论的研究，并且其在大区域、异质性强的地区的研究也相对较少。

雷达技术的发展过程本质上也是对微波电磁波资源不断发掘和利用的过程。通过对各类雷达特征在农业中应用可知：雷达各类特征在农业中的应用差异较大，目前应用最广泛的特征是后向散射特征和极化特征，而SAR影像中的干涉、极化干涉和层析特征在农业应用中的相关研究则刚刚展开。后向散射系数应用较多的领域是农作物长势参数和土壤水分的反演。在长势参数反演中多基于经验和半经验模型，研究对象主要为水稻，而不同的农作物、相同农作物在不同生长期的散射机制变化明显，直接影响后向散射特征，这使得这些经验和半经验模型的广泛应用受到极大的限制；另外目前的半经验模型和机理模型多为非相干散射模型，无法利用SAR数据的相位特征。土壤水分反演的模型多基于特定的土壤观测数据建立，在大面积的土壤水分反演时不确定性较大，另外对相位特征也没有有效的利用。极化特征应用较成熟的领域是农作物识别、分类和农作物长势参数反演。目前基于极化特征的农作物分类局限在同质性区域，散射机制较简单的几类农作物的分类中，对于一些散射机制复杂的作物，其极化散射机理仍然不明确，其相应的分类方法也还在研究中。在采用极化分解参数进行的农作物长势参数反演中，由于多数分解方法假设农作物冠层由匀质散射体构成，这样构建的模型无法描述农作物冠层复杂的散射情况，从而使得反演结果不确定性增大、适用性降低。此外，长势参数反演和农作物估产的研究中，目前对于农作物生长的水文、气象、环境等影响因子考虑较少，无法全面揭示农作物生长及产量形成的机制。

4.2 展望

雷达遥感的独特优势使得其在农业遥感监测中可以发挥重要的作用，经过几十年的发展，雷达在农业中的应用由初期的地面观测，逐步发展到机载和星载观测。传感器从最初的散射计发展到现在的多频、多极化、多角度、多时相等多维SAR观测。目前雷达遥感在农作物识别和分类、农田参数反演、农作物长势参数反演、农作物物候期划分等方面均取得了诸多的进展，但在农作物灾害监测和农作物估产中的研究则还处在实验阶段，并且目前在农业领域应用相关的技术和方法多数仍处在研究阶段，在实际应用中还未进行大范围推广和实施。造成该现状的原因一方面是由于发展的方法、模型等还具有一定的局限性，需要进一步改进和发展；另一方面是由于目前支撑农业实时监测的SAR数据资源还相对匮乏，像极化干涉SAR数据、层析SAR数据等目前多依赖国外的机载和部分星载实验数据，使得深入分析和研究稳健的算法和模型受到限制。在灾害监测中，由于对多种灾害的微波散射机制还未完全明确，因此目前应用的还较少；而作物的准确估产又依赖于作物生长状态，而作物生长状态信息与SAR信息融合的研究还处于研究的初级阶段。在目前农业应用中，被动微波遥感数据由于获取方便、时间分辨率较高且数据处理简单，可以成为雷达遥感在农业中应用的有效补充。尽管如此，雷达技术在农业中的应用已经展现出极大的优势和潜力，正成为推动精准农业、智慧农业有效实施、高效快速发展的有力手段。随着SAR数据类型、成像模式丰富，基于多频、多极化、多角度、多时相等多维SAR观测将成为可能，未来农业领域的应用不仅要细化各维度SAR特征在农业各领域的方法和模型，还要结合农业行业各相关利益人的需求，从而推动雷达技术在农业领域的深入、有效利用。