欢迎您访问《智慧农业(中英文)》官方网站! English
专题--智能农业传感器技术

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
展开
  • 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
李 俐,博士,副教授,研究方向为微波遥感及其农业应用。E-mail:

洪玉娇,研究方向为农作物长势监测。E-mail:

HONG Yujiao, E-mail:

收稿日期: 2023-08-16

  网络出版日期: 2024-01-26

Research Progresses of Crop Growth Monitoring Based on Synthetic Aperture Radar Data

  • HONG Yujiao , 1, 2 ,
  • ZHANG Shuo 1, 2 ,
  • LI Li , 1, 2
Expand
  • 1. College of Land Science and Technology, China Agricultural University, Beijing 100083, China
  • 2. Key Laboratory of Remote Sensing for Agri-Hazards, Ministry of Agriculture and Rural Affairs, Beijing 100083, China
LI Li, E-mail:

Received date: 2023-08-16

  Online published: 2024-01-26

Supported by

National Natural Science Foundation of China(42171324)

Copyright

copyright©2024 by the authors

摘要

目的/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]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/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。

本文引用格式

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, 2024 , 6(1) : 46 -62 . DOI: 10.12133/j.smartag.SA202308019

Abstract

Significance Crop production is related to national food security, economic development and social stability, so timely information on the growth of major crops is of great significance for strengthening the crop production management and ensuring food security. The traditional crop growth monitoring mainly judges the growth of crops by manually observing the shape, color and other appearance characteristics of crops through the external industry, which has better reliability and authenticity, but it will consume a lot of manpower, is inefficient and difficult to carry out monitoring of a large area. With the development of space technology, satellite remote sensing technology provides an opportunity for large area crop growth monitoring. However, the acquisition of optical remote sensing data is often limited by the weather during the peak crop growth season when rain and heat coincide. Synthetic aperture radar (SAR) compensates well for the shortcomings of optical remote sensing, and has a wide demand and great potential for application in crop growth monitoring. However, the current research on crop growth monitoring using SAR data is still relatively small and lacks systematic sorting and summarization. In this paper, the research progress of SAR inversion of crop growth parameters were summarized through comprehensive analysis of existing literature, clarify the main technical methods and application of SAR monitoring of crop growth, and explore the existing problems and look forward to its future research direction. Progress] The current research status of SAR crop growth monitoring were reviewed, the application of SAR technology had gone through several development stages: from the early single-polarization, single-band stage, gradually evolving to the mid-term multi-polarization, multi-band stage, and then to the stage of joint application of tight polarization and optical remote sensing. Then, the research progress and milestone achievements of crop growth monitoring based on SAR data were summarized in three aspects, namely, crop growth SAR remote sensing monitoring indexes, crop growth SAR remote sensing monitoring data and crop growth SAR remote sensing monitoring methods. First, the key parameters of crop growth were summarized, and the crop growth monitoring indexes were divided into morphological indicators, physiological and biochemical indicators, yield indicators and stress indicators. Secondly, the core principle of SAR monitoring of crop growth parameters was introduced, which was based on the interaction between SAR signals and vegetation, and then the specific scattering model and inversion algorithm were used to estimate the crop growth parameters. Then, a detailed summary and analysis of the radar indicators mainly applied to crop growth monitoring were also presented. Finally, SAR remote sensing methods for crop growth monitoring, including mechanistic modeling, empirical modeling, semi-empirical modeling, direct monitoring, and assimilation monitoring of crop growth models, were described, and their applicability and applications in growth monitoring were analyzed. Conclusions and Prospects Four challenges exist in SAR crop growth monitoring are proposed: 1) Compared with the methods of crop growth monitoring using optical remote sensing data, the methods of crop growth monitoring using SAR data are obviously relatively small. The reason may be that SAR remote sensing itself has some inherent shortcomings; 2) Insufficient mining of microwave scattering characteristics, at present, a large number of studies have applied the backward scattering intensity and polarization characteristics to crop growth monitoring, but few have applied the phase information to crop growth monitoring, especially the application study of polarization decomposition parameters to growth monitoring. The research on the application of polarization decomposition parameter to crop growth monitoring is still to be deepened; 3) Compared with the optical vegetation index, the radar vegetation index applied to crop growth monitoring is relatively less; 4 ) Crop growth monitoring based on SAR scattered intensity is mainly based on an empirical model, which is difficult to be extended to different regions and types of crops, and the existence of this limitation prevents the SAR scattering intensity-based technology from effectively realizing its potential in crop growth monitoring. Finally, future research should focus on mining microwave scattering features, utilizing SAR polarization decomposition parameters, developing and optimizing radar vegetation indices, and deepening scattering models for crop growth monitoring.

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)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( U C)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( g 3)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
表1 农作物长势关键参数

Table 1 Key parameters of crop growth

分类 参数名称 定义
形态指标 株高(Plant Height)61 植物的根茎部到顶部的距离,其中顶部是指植物的主干顶
冠层覆盖度(Canopy Coverage)62 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
倒伏率(Fall Rate)63 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
生理生化指标 叶面积指数(Leaf Area Index)64 单位土地面积上植物叶片总面积与该土地面积之比

叶片叶绿素含量

(Leaf Chlorophyll Content)6566

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
产量指标 生物量(Biomass)6768 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。
胁迫指标 植株含水量(Plant Water Content)69 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
干旱胁迫(Drought Stress)因子70 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
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1~30 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 characteristics

类型 SAR参数 应用特性
H/A/ α ¯分解 散射熵Entropy(H)7374 H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
反熵Anisotropy(A)75 A反映了Cloude分解中 λ 2λ 3对应的两种散射机制的关系;当A较小时,λ 3所对应的散射机制会影响散射结果;而当A较大时, λ 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
散射角Alpha( α76 α取值范围为[0°, 90°],其和目标的散射机理相关。当 α=0°时,目标为平面散射;当 α=45°时,目标为体散射;当 α=90°时,目标为偶次散射,与H相似, α也对作物的茎高敏感
极化特征参数 特征值λ77 λ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
香农熵Shannon Entropy (SE)7879 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
相干矩阵主对角线元素(S HHS VV77 S HHS VV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Base Height80 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
散射强度特征指数 VV-HV、HH-HV、HH-VV、HH/VV、VH/VV、HH+HV、HH+VV、VV+VH2081-83 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
植被指数 Radar Vegetation Index ( R V I K i m84 R V I K i m = 8 σ H V 0 σ H H 0 + σ V V 0 + 2 σ H V 0     ( 1 ) ,   0 R V I K i m 1 , R V I K i m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
Radar Vegetation Index ( R V I V V85 R V I V V = 4 σ V H 0 σ V V 0 + σ V H 0      ( 2 ) ,   0 R V I V V 1 R V I V V是对 R V I K i m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 R V I K i m差异很小,适用于农作物监测
Dual Polarimetric Radar Vegetation Index ( D p R V I86 D p R V I = 1 - m β        ( 3 ) ,   0 D p R V I 1 m = 1 - 4 C 2 ( T r ( C 2 ) ) 2   ( 4 ) D p R V I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
Generalized Radar Vegetion Index(GRVI87

G R V I = β f V     ( 5 ) , 0 G R V I 1 f V = 1 - G D V ( 6 ) ,    β = ( p q ) 2 G D V   ( 7 )

p = m i n G D K , K t G D K , K c G D K , K d G D K , K n d    8 ,    q = m a x G D K , K t G D K , K c G D K , K d G D K , K n d ( 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

Compact-pol Radar Vegetation Index(CpRVI88

C p R V I = β f I D    ( 10 ) , 0 C p R V I 1 β = ( p q ) 2 ( 3 / 2 G D I D ) ( 11 )

p = m i n   S C , O C    12 ,    q = m a x   S C , O C ( 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

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;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。
图1 玉米生物量与后向散射系数之间的关系

Fig. 1 Relationship between maize biomass

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

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)、 α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
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,R 2分别为0.83、0.81和0.86,且VH/VV和春小麦的LAI也显著相关,R 2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,R 2分别为0.96、0.95和0.95,与大豆的相关性稍低一点,R 2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,R 2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、 α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、 α、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、α、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α与油菜和小麦株高的相关性,R 2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,R 2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,R 2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:π/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-δ和m-χ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-δ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,R 2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(θi =θs =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/m²。
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( φ)、方位角( ε)、表面粗糙度( Γ 1 Γ 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,主要包括LAI和生物量等130。例如,Bériaux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R 2分别为0.72和0.85,与VWC的R 2分别为0.62和0.75。此外,Mandal等86还提出双极化雷达植被指数(DpRVI),在加拿大的一个试验点上评估了该指数作为油菜、大豆和小麦作物生长动态指标的实用性。生物物理变量的统计分析表明,DpRVI与油菜、大豆和小麦都产生了显著的相关性,其中油菜的DpRVI与生物物理变量的相关性最高,R 2分别为0.79(PAI)和0.82(VWC)。

3.5 作物生长模型同化监测法

同化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。该方法通过遥感反演模型,如辐射传输模型等,与作物生长模型结合建立代价函数,将观测数据与模型模拟值进行比较,通过调整模型中与生长发育和产量形成密切相关的参数值来提高模型精度137。这种方法能够处理一些难以获取的参数值,从而更好地描述作物生长过程。目前,许多研究人员已经探索了如何使用雷达遥感数据来同化作物生长模型,取得了一定的进展和成果。例如,Dente等138利用同化技术将SAR数据与作物生长模型融合,并把同化模型输出的结果应用于农作物长势监测研究。这一方法有效拓展了作物生长监测的时间和空间覆盖范围,并证明其在作物长势监测方面具有有效性。此外,使用同化技术进行水稻监测和产量估计已被证实是一种可行且有效的方法。例如,谭正139提出了一种融合SAR数据和生长模型的同化方法,把不同生育时期的水稻生物量作为信息融合的依据,实现对水稻产量的预测。研究结果表明,同化模型能够较好地模拟研究区水稻的主要发育期,并且同化后与实测值的误差从同化前的38.7%下降到22.8%。

4 SAR监测农作物长势的问题及展望

雷达遥感在农作物长势监测中具有独特的优势。经过几十年的发展,SAR在监测农作物长势方面已经从最初的单极化、单波段数据演化为利用全极化、紧致极化数据,以及结合光学遥感数据进行监测。同时,监测的关键技术也从只依靠后向散射信息扩展到包括后向散射和极化信息为主的监测技术,监测方法也越来越丰富。

4.1 存在的问题

虽然SAR技术在农作物长势监测方面已经取得了一些进展,但实际应用的成熟度还不够高,仍存在一些问题需要解决。
1)基于SAR数据的农作物长势监测方法研究整体较少。与利用光学遥感数据进行农作物长势监测的方法相比,用SAR数据进行农作物长势监测的方法明显相对较少,原因可能是SAR遥感自身固有的不足。其一是SAR仅对地物几何结构和介电常数敏感,而地物的几何结构和介电常数又难以反映作物的长势状况;其二是获取高分辨率SAR数据的成本相对较高,对于研究者来说可能是一个重要的考虑因素;其三是SAR数据处理和解译相对复杂,需要较高的遥感处理技术和计算能力。这对于不具备相关技术或资源的研究者来说可能是一项挑战。
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。SAR数据包含了有关地物的丰富信息,包括后向散射强度、极化特性、相位信息等。目前,大量研究将后向散射强度和极化特性应用在农作物长势监测中,却鲜有把相位信息应用在农作物长势监测中的研究。而且极化分解技术作为SAR观测的独特特性,在长势监测领域却未受到充分重视,发展比较缓慢。以往的极化分解参数研究主要侧重于农作物分类和识别,农作物长势监测的应用则是近些年才开始逐渐发展起来38
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。与光学遥感中已经确立的光学植被指数类似,从SAR数据得出的雷达植被指数可作为作物生长监测的一种替代方法。RVI是衡量植被散射过程中随机性的一种度量指标。研究表明,它对于入射角和环境条件的敏感性较低,可用于推测植被的含水量和生物量等长势参数。与光学植被指数相比,目前应用到农作物长势监测中的RVI相对较少,主要有CpRVI、DpRVI、RVIkim、RVIvv、GRVI。此外,利用RVI来监测农作物长势的研究主要集中在国外,国内的相关研究较少,其应用也未得到充分发挥。
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。经验模型具有简单的理论基础和易于实现的优点,但对实际测量数据的要求较高,受外界影响因素较大。且经验模型往往只适用于特定的场景,难以推广到不同类型和地区的农作物,这种限制的存在使得基于SAR散射强度的技术无法有效发挥其在农作物长势监测方面的潜力。

4.2 展望

随着星载SAR技术的发展,SAR技术在农作物长势监测方面越来越成熟。未来,需要从以下几个方面进行深入研究和改进。
第一,针对SAR数据在农作物长势监测中的应用,未来的研究可以集中在微波散射特征(如后向散射强度和相位信息)的更深入挖掘上。后向散射强度与作物的健康状况有关。健康的作物通常具有更高的后向散射强度;相位信息对于检测土壤湿度和土壤类型等与作物生长密切相关的参数非常重要;对这些特征进行挖掘可以进一步提高SAR技术监测农作物长势的精度。
第二,深化对SAR极化分解参数的研究。利用SAR极化分解参数进行长势监测研究是一个潜力较大的领域,通过极化分解提取的特征参数,可以更准确地捕捉农作物的生长特征,包括作物结构、叶片方向和湿度等,因此未来的研究可以探索如何利用SAR极化分解参数来改进农作物长势监测的精度和可靠性。
第三,进一步发展和优化雷达植被指数。传统的NDVI等植被指数基于光学遥感数据,对云遮挡和夜间观测存在局限性。而基于SAR数据的RVI不受天气和时间限制,可以提供连续的农作物长势监测信息,且可以推测植被的含水量和生物量等长势参数,因此,未来的研究可以进一步发展和优化RVI。
第四,加强对散射模型的研究。不同农作物在SAR图像中的散射特征各不相同,因此需要开展更深入的研究,以建立针对不同农作物的精确模型,克服经验模型的局限性。通过分析和比较不同模型的效果,可以选出最适合特定地区和农作物类型的模型,从而提高农作物长势监测的准确性。

利益冲突声明

本研究不存在研究者以及与公开研究成果有关的利益冲突。

1
杨邦杰, 裴志远. 农作物长势的定义与遥感监测[J]. 农业工程学报, 1999, 15(3): 214-218.

YANG B J, PEI Z Y. Definition of crop condition and crop monitoring using remote sensing[J]. Transactions of the Chinese society of agricultural engineering, 1999, 15(3): 214-218.

2
王翔宇, 杨菡, 李鑫星, 等. 基于无人机可见光谱遥感的玉米长势监测[J]. 光谱学与光谱分析, 2021, 41(1): 265-270.

WANG X Y, YANG H, LI X X, et al. Research on maize growth monitoring based on visible spectrum of UAV remote sensing[J]. Spectroscopy and spectral analysis, 2021, 41(1): 265-270.

3
王蕾, 王鹏新, 李俐, 等. 河北省中部平原玉米长势遥感综合监测[J]. 资源科学, 2018, 40(10): 2099-2109.

WANG L, WANG P X, LI L, et al. Integrated maize growth monitoring based on gray correlation analysis and remote sense data in the central plain of Hebei province[J]. Resources science, 2018, 40(10): 2099-2109.

4
魏青, 张宝忠, 魏征, 等. 基于无人机多光谱遥感的冬小麦冠层叶绿素含量估测研究[J]. 麦类作物学报, 2020, 40(3): 365-372.

WEI Q, ZHANG B Z, WEI Z, et al. Estimation of canopy chlorophyll content in winter wheat by UAV multispectral remote sensing[J]. Journal of triticeae crops, 2020, 40(3): 365-372.

5
李平湘, 赵伶俐, 任烨仙. 合成孔径雷达在农业监测中的应用和展望[J]. 地理空间信息, 2017, 15(3): 1-4, 10.

LI P X, ZHAO L L, REN Y X. Outlook and application of the synthetic aperture radar in agriculture monitoring[J]. Geospatial information, 2017, 15(3): 1-4, 10.

6
HOSSEINI M, MCNAIRN H. Using multi-polarization C- and L-band synthetic aperture radar to estimate biomass and soil moisture of wheat fields[J]. International journal of applied earth observation and geoinformation, 2017, 58: 50-64.

7
陈仲新, 郝鹏宇, 刘佳, 等. 农业遥感卫星发展现状及中国监测需求分析[J]. 智慧农业, 2019, 1(1): 32-42.

CHEN Z X, HAO P Y, LIU J, et al. Technical demands for agricultural remote sensing satellites in China[J]. Smart agriculture, 2019, 1(1): 32-42.

8
陈仲新, 任建强, 唐华俊, 等. 农业遥感研究应用进展与展望[J]. 遥感学报, 2016, 20(5): 748-767.

CHEN Z X, REN J Q, TANG H J, et al. Progress and perspectives on agricultural remote sensing research and applications in China[J]. Journal of remote sensing, 2016, 20(5): 748-767.

9
张王菲, 陈尔学, 李增元, 等. 雷达遥感农业应用综述[J]. 雷达学报, 2020, 9(3): 444-461.

ZHANG W F, CHEN E X, LI Z Y, et al. Review of applications of Radar remote sensing in agriculture[J]. Journal of radars, 2020, 9(3): 444-461.

10
杨知. 基于极化SAR的水稻物候期监测与参数反演研究[D]. 北京: 中国科学院大学(中国科学院遥感与数字地球研究所), 2017.

YANG Z. Rice phenology estimation and parameter retrieval based on polarimetric synthetic aperture radar (SAR) [D]. Beijing: University of Chinese Academy of Sciences (Institute of Remote Sensing and Digital Earth Chinese Academy of Sciences), 2017.

11
LIEW S C, CHEN P, KAM S P, et al. Rice crops monitoring in the Mekong River delta using combined ERS and RADARSAT synthetic aperture radar[C]// IGARSS ' 98. Sensing and Managing the Environment. 1998 IEEE International Geoscience and Remote Sensing. Symposium Proceedings. (Cat. No.98CH36174). Piscataway, New Jersey, USA: IEEE, 1998: 2746-2748.

12
DURDEN S L, MORRISSEY L A, LIVINGSTON G P. Microwave backscatter and attenuation dependence on leaf area index for flooded rice fields[J]. IEEE transactions on geoscience and remote sensing, 1995, 33(3): 807-810.

13
CHAKRABORTY M, PARIHAR J S, MANJUNATH K R, et al. Evaluation of ERS-1 SAR data for agricultural crop monitoring in India[J]. Geocarto international, 2002, 17(1): 69-72.

14
ASCHBACHER J, PONGSRIHADULCHAI A, KARNCHANASUTHAM S, et al. Assessment of ERS-1 SAR data for rice crop mapping and monitoring[C]// 1995 International Geoscience and Remote Sensing Symposium, IGARSS ' 95. Quantitative Remote Sensing for Science and Applications. Piscataway, New Jersey, USA: IEEE, 1995: 2183-2185.

15
KUROSU T, FUJITA M, CHIBA K. Monitoring of rice crop growth from space using theERS-1 C-band SAR[J]. IEEE transactions on geoscience and remote sensing, 1995, 33(4): 1092-1096.

16
LE TOAN T, RIBBES F, WANG L F, et al. Rice crop mapping and monitoring using ERS-1 data based on experiment and modeling results[J]. IEEE transactions on geoscience and remote sensing, 1997, 35(1): 41-56.

17
RIBBES F. Rice field mapping and monitoring withRADARSAT data[J]. International journal of remote sensing, 1999, 20(4): 745-765.

18
SHAO Y, FAN X T, LIU H, et al. Rice monitoring and production estimation using multitemporal RADARSAT[J]. Remote sensing of environment, 2001, 76(3): 310-325.

19
孙芳, 罗贤云, 尹志盈, 等. 农作物后向散射特性的测量[J]. 遥感学报, 1999, 3(2): 128-133.

SUN F, LUO X Y, YIN Z Y, et al. Measurement of backscattering properties on crops[J]. Journal of remote sensing, 1999, 3(2): 128-133.

20
INOUE Y, KUROSU T, MAENO H, et al. Season-long daily measurements of multifrequency (Ka, Ku, X, C, and L) and full-polarization backscatter signatures over paddy rice field and their relationship with biological variables[J]. Remote sensing of environment, 2002, 81(2/3): 194-204.

21
KIM S, KIM B, KONG Y, et al. Radar backscattering measurements of rice crop using X-band scatterometer[J]. IEEE transactions on geoscience and remote sensing, 2000, 38(3): 1467-1471.

22
东朝霞, 王迪, 周清波, 等. 基于SAR遥感的北方旱地秋收作物识别研究[J]. 中国农业资源与区划, 2016, 37(8): 27-36.

DONG Z X, WANG D, ZHOU Q B, et al. Dryland crop identification based on synthetic aperture radar in the North China plain[J]. Chinese journal of agricultural resources and regional planning, 2016, 37(8): 27-36.

23
吴永辉, 计科峰, 郁文贤. 利用SVM的全极化、双极化与单极化SAR图像分类性能的比较[J]. 遥感学报, 2008, 12(1): 46-53.

WU Y H, JI K F, YU W X. Comparison of classification performance of full-, dual- and single-polarization SAR images using SVM[J]. Journal of remote sensing, 2008, 12(1): 46-53.

24
王迪, 周清波, 陈仲新, 等. 基于合成孔径雷达的农作物识别研究进展[J]. 农业工程学报, 2014, 30(16): 203-212.

WANG D, ZHOU Q B, CHEN Z X, et al. Research advances on crop identification using synthetic aperture radar[J]. Transactions of the Chinese society of agricultural engineering, 2014, 30(16): 203-212.

25
MCNAIRN H, HOCHHEIM K, RABE N. Applying polarimetric radar imagery for mapping the productivity of wheat crops[J]. Canadianjournal of remote sensing, 2004, 30(3): 517-524.

26
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.

TAO L L, LI J, JIANG J B, et al. Leaf area index inversion of winter wheat using RADARSAT-2 data and modified water-cloud model[J]. Journal of triticeae crops, 2016, 36(2): 236-242.

27
SATALINO G, MATTIA F, LE TOAN T, et al. Wheat crop mapping by usingASAR AP data[J]. IEEE transactions on geoscience and remote sensing, 2009, 47(2): 527-530.

28
OUAADI N, JARLAN L, EZZAHAR J, et al. Monitoring of wheat crops using the backscattering coefficient and the interferometric coherence derived from Sentinel-1 in semi-arid areas[J]. Remote sensing of environment, 2020, 251: ID 112050.

29
MERONI M, MARINHO E, SGHAIER N, et al. Remote sensing based yield estimation in a stochastic framework: Case study of durum wheat in Tunisia[J]. Remote sensing, 2013, 5(2): 539-557.

30
何磊. 小麦微波散射机理与生物量参数反演研究[D]. 成都: 电子科技大学, 2017.

HE L. Research on microvave scattering mechanism and inversion of biomass of wheat [D]. Chengdu: University of Electronic Science and Technology of China, 2017.

31
MATTIA F, LE TOAN T, PICARD G, et al. Multitemporal c-band radar measurements on wheat fields[J]. IEEE transactions on geoscience and remote sensing, 2003, 41(7): 1551-1560.

32
TACONET O, VIDAL-MADJAR D, EMBLANCH C, et al. Taking into account vegetation effects to estimate soil moisture from C-band radar measurements[J]. Remote sensing of environment, 1996, 56(1): 52-56.

33
TACONET O, BENALLEGUE M, VIDAL-MADJAR D, et al. Estimation of soil and crop parameters for wheat from airborne radar backscattering data in C and X bands[J]. Remote sensing of environment, 1994, 50(3): 287-294.

34
HE F C, GU L J, ZHENG X M, et al. Semiempirical calibration of the WCM for estimating maize biomass in northeast China[J]. IEEE geoscience and remote sensing letters, 2021, 18(4): 582-586.

35
HOSSEINI M, MCNAIRN H, MERZOUKI A, et al. Estimation of leaf area index (LAI) in corn and soybeans using multi-polarization C- and L-band radar data[J]. Remote sensing of environment, 2015, 170: 77-89.

36
MANDAL D, HOSSEINI M, MCNAIRN H, et al. An investigation of inversion methodologies to retrieve the leaf area index of corn from C-band SAR data[J]. International journal of applied earth observation and geoinformation, 2019, 82: ID 101893.

37
孙盛, 刘立露, 胡忠文, 等. 基于Sentinel-1A双极化时序数据的甘蔗株高反演方法[J]. 农业机械学报, 2022, 53(2): 186-194.

SUN S, LIU L L, HU Z W, et al. Inversion method of sugarcane plant height based on Sentinel-1A dual-polarization time series data[J]. Transactions of the Chinese society for agricultural machinery, 2022, 53(2): 186-194.

38
YANG H, YANG G J, GAULTON R, et al. In-season biomass estimation of oilseed rape (Brassica napus L.) using fully polarimetric SAR imagery[J]. Precision agriculture, 2019, 20(3): 630-648.

39
SOUYRIS J, STACY N, AINSWORTH T, et al. Sar compact polarimetry (cp) for earth observation and planetology: Concept and challenges a study case at p band[C]// International Workshop on Science and Applications of SAR Polarimetry and Polarimetric Interferometry, Noordwijk, Netherlands: European Space Agency, 2007.

40
RANEY R K, CAHILL J T S, PATTERSON G W, et al. The m-chi decomposition of hybrid dual-polarimetric radar data with application to lunar craters[J]. Journal of geophysical research: Planets, 2012, 117(E12): 5093-5096.

41
CARTER L M, CAMPBELL D B, CAMPBELL B A. Impact crater related surficial deposits on Venus: Multipolarization radar observations with Arecibo[J]. Journal of geophysical research: Planets, 2004, 109(E6): DOI:1029/2003JE002227.

42
张红, 谢镭, 王超, 等. 简缩极化SAR数据信息提取与应用[J]. 中国图象图形学报, 2013, 18(9): 1065-1073.

ZHANG H, XIE L, WANG C, et al. Information extraction and application of compact polarimetric SAR data[J]. Journal of image and graphics, 2013, 18(9): 1065-1073.

43
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: 中国林业科学研究院, 2015.

YANG H. Study on quantitative crop monitoring by time series of fully polarimetric and compact polarimetric SAR imagery[D]. Beijing: Chinese Academy of Forestry, 2015.

44
ZHANG W F, CHEN E X, LI Z Y, et al. Rape (Brassica napus L.) growth monitoring and mapping based on radarsat-2 time-series data[J]. Remote sensing, 2018, 10(2): ID 206.

45
YANG Z, LI K, LIU L, et al. Rice growth monitoring using simulated compact polarimetricC band SAR[J]. Radio science, 2014, 49(12): 1300-1315.

46
曾亮. 多波段多极化SAR图像融合解译研究[D]. 杭州: 杭州电子科技大学, 2011.

ZENG L. A study on multi-bands and multi-polarimetric SAR image fusion interpretation[D]. Hangzhou: Hangzhou Dianzi University, 2011.

47
MICHELSON D B, LILJEBERG B M, PILESJÖ P. Comparison of algorithms for classifying Swedish landcover using Landsat TM and ERS-1 SAR data[J]. Remote sensing of environment, 2000, 71(1): 1-15.

48
DONG J W, XIAO X M, CHEN B Q, et al. Mapping deciduous rubber plantations through integration of PALSAR and multi-temporal Landsat imagery[J]. Remote sensing of environment, 2013, 134: 392-402.

49
王乐, 樊彦国, 樊博文, 等. 基于高分卫星的冬小麦长势监测及驱动因素分析[J]. 灌溉排水学报, 2023, 42(5): 24-32, 51.

WANG L, FAN Y G, FAN B W, et al. Monitoring winter wheat growth and analyzing its determinants using high-resolution satellite imagery[J]. Journal of irrigation and drainage, 2023, 42(5): 24-32, 51.

50
PARK J G, TATEISHI R, MATSUOKA M. A proposal of the temporal window operation (TWO) method to remove high-frequency noises in AVHRR NDVI time series data[J]. Journal of the Japan society of photogrammetry and remote sensing, 1999, 38(5): 36-47.

51
HALDAR D, TRIPATHY R, DAVE V, et al. Monitoring cotton crop condition through synergy of optical and radar remote sensing[J]. Geocarto international, 2022, 37(2): 377-395.

52
ALEBELE Y, ZHANG X E, WANG W H, et al. Estimation of canopy biomass components in paddy rice from combined optical and SAR data using multi-target Gaussian regressor stacking[J]. Remote sensing, 2020, 12(16): ID 2564.

53
WU B F, ZHANG M, ZENG H W, et al. Challenges and opportunities in remote sensing-based crop monitoring: A review[J]. Nationalscience review, 2023, 10(4): ID nwac290.

54
任建强, 刘杏认, 陈仲新, 等. 基于作物生物量估计的区域冬小麦单产预测[J]. 应用生态学报, 2009, 20(4): 872-878.

REN J Q, LIU X R, CHEN Z X, et al. Prediction of winter wheat yield based on crop biomass estimation at regional scale[J]. Chinese journal of applied ecology, 2009, 20(4): 872-878.

55
路贵和, 安海润. 作物抗旱性鉴定方法与指标研究进展[J]. 山西农业科学, 1999, 27(4): 39-43.

LU G H, AN H R. Progress in the research of crop drought-resistance appraise methods and indexes[J]. Journal of Shanxi agricultural sciences, 1999, 27(4): 39-43.

56
赵娟, 黄文江, 张耀鸿, 等. 冬小麦不同生育时期叶面积指数反演方法[J]. 光谱学与光谱分析, 2013, 33(9): 2546-2552.

ZHAO J, HUANG W J, ZHANG Y H, et al. Inversion of leaf area index during different growth stages in winter wheat[J]. Spectroscopy and spectral analysis, 2013, 33(9): 2546-2552.

57
刘姣娣, 曹卫彬, 马蓉. 棉花叶面积指数的遥感估算模型研究[J]. 中国农业科学, 2008, 41(12): 4301-4306.

LIU J D, CAO W B, MA R. Study on remote sensing estimation models about LAI of cotton[J]. Scientia agricultura sinica, 2008, 41(12): 4301-4306.

58
刘畅, 杨贵军, 李振海, 等. 融合无人机光谱信息与纹理信息的冬小麦生物量估测[J]. 中国农业科学, 2018, 51(16): 3060-3073.

LIU C, YANG G J, LI Z H, et al. Biomass estimation in winter wheat by UAV spectral information and texture information fusion[J]. Scientia agricultura sinica, 2018, 51(16): 3060-3073.

59
兰仕浩, 李映雪, 吴芳, 等. 基于卫星光谱尺度反射率的冬小麦生物量估算[J]. 农业工程学报, 2022, 38(24): 118-128.

LAN S H, LI Y X, WU F, et al. Winter wheat biomass estimation based on satellite spectral-scale reflectance[J]. Transactions of the Chinese society of agricultural engineering, 2022, 38(24): 118-128.

60
贺佳, 刘冰锋, 李军. 不同生育时期冬小麦叶面积指数高光谱遥感监测模型[J]. 农业工程学报, 2014, 30(24): 141-150.

HE J, LIU B F, LI J. Monitoring model of leaf area index of winter wheat based on hyperspectral reflectance at different growth stages[J]. Transactions of the Chinese society of agricultural engineering, 2014, 30(24): 141-150.

61
WATANABE K, GUO W, ARAI K, et al. High-throughput phenotyping of sorghum plant height using an unmanned aerial vehicle and its application to genomic prediction modeling[J]. Frontiers in plant science, 2017, 8: ID 421.

62
JAMES N T. The use of bose-einstein statistics in analysing the distribution of intracellular organelles: The development of a bose-einstein probe[J]. Experientia, 1989, 45(11/12): 1078-1081.

63
龚有锐. 小麦的倒伏和防止措施[J]. 湖北农业科学, 1982, 21(9): 4-7.

GONG Y R. Lodging of wheat and its preventive measures[J]. Hubei agricultural sciences, 1982, 21(9): 4-7.

64
CHEN J M, PAVLIC G, BROWN L, et al. Derivation and validation of Canada-wide coarse-resolution leaf area index maps using high-resolution satellite imagery and ground measurements[J]. Remote sensing of environment, 2002, 80(1): 165-184.

65
梁亮, 杨敏华, 张连蓬, 等. 基于SVR算法的小麦冠层叶绿素含量高光谱反演[J]. 农业工程学报, 2012, 28(20): 162-171, 294.

LIANG L, YANG M H, ZHANG L P, et al. Chlorophyll content inversion with hyperspectral technology for wheat canopy based on support vector regression algorithm[J]. Transactions of the Chinese society of agricultural engineering, 2012, 28(20): 162-171, 294.

66
李云梅, 倪绍祥, 王秀珍. 线性回归模型估算水稻叶片叶绿素含量的适宜性分析[J]. 遥感学报, 2003, 7(5): 364-371.

LI Y M, NI S X, WANG X Z. The robustness of linear regression model in rice leaf chlorophyll concentration prediction[J]. Journal of remote sensing, 2003, 7(5): 364-371.

67
PENG D L, HUANG J F, LI C J, et al. Modelling paddy rice yield using MODIS data[J]. Agricultural and forest meteorology, 2014, 184: 107-116.

68
ATZBERGER C. Advances in remote sensing of agriculture: Context description, existing operational monitoring systems and major information needs[J]. Remote sensing, 2013, 5(2): 949-981.

69
FELDMAN A F, SHORT GIANOTTI D J, TRIGO I F, et al. Land-atmosphere drivers of landscape-scale plant water content loss[J]. Geophysical research letters, 2020, 47(22): ID e2020GL090331.

70
鞠乐, 齐军仓, 陈培育, 等. 干旱胁迫对大麦种子萌发、幼苗生长及生理特性的影响[J]. 新疆农业科学, 2023, 60(8): 1879-1886.

JU L, QI J C, CHEN P Y, et al. Effects of drought stress on seed germination, seedling growth and physiological characteristics of barley[J]. Xinjiang agricultural sciences, 2023, 60(8): 1879-1886.

71
安文韬. 基于极化SAR的目标极化分解与散射特征提取研究[D]. 北京: 清华大学, 2010.

AN W T. The polarimetric decomposition and scattering characteristic extraction of polarimetric SAR[D]. Beijing: Tsinghua University, 2010.

72
KIM Y, JACKSON T, BINDLISH R, et al. Retrieval of wheat growth parameters with radar vegetation indices[J]. IEEE geoscience and remote sensing letters, 2014, 11(4): 808-812.

73
尼格拉·吐尔逊, 依力亚斯江·努尔麦麦提, 王远弘, 等. 基于H/A/α分解全极化合成孔径雷达数据的干旱区土壤盐渍化分类[J]. 江苏农业科学, 2019, 47(22): 273-279.

NIGELA T, YILIYASIJIANG N, WANG Y H, et al. Classification of soil salinization in arid areas based on H/A/α polarimetric decomposition method of POLSAR data[J]. Jiangsu agricultural sciences, 2019, 47(22): 273-279.

74
FERRO-FAMIL L, POTTIER E, LEE J S. Unsupervised classification of multifrequency and fully polarimetricSAR images based on the H/A/Alpha-wishart classifier[J]. IEEE transactions on geoscience and remote sensing, 2001, 39(11): 2332-2342.

75
MACRÌ PELLIZZERI T. Classification of polarimetric SAR images of suburban areas using joint annealed segmentation and "H/A/α" polarimetric decomposition[J]. ISPRS journal of photogrammetry and remote sensing, 2003, 58(1/2): 55-70.

76
张微, 林健, 陈玲, 等. 基于极化分解的极化SAR数据地质信息提取方法研究[J]. 遥感信息, 2014, 29(1): 10-14.

ZHANG W, LIN J, CHEN L, et al. Geological information extraction using polarimetric SAR based on polarization decomposition[J]. Remote sensing information, 2014, 29(1): 10-14.

77
CLOUDE S R, POTTIER E. A review of target decomposition theorems in radar polarimetry[J]. IEEE transactions on geoscience and remote sensing, 1996, 34(2): 498-518.

78
赵丽仙, 张王菲, 李云, 等. 基于高分三号卫星数据与H/A/ α ¯ 分解特征参数的农作物分类研究[J]. 浙江农业学报, 2022, 34(11): 2491-2503.

ZHAO L X, ZHANG W F, LI Y, et al. Crops classification based on GF-3 satellite data and H/A/ α ¯ decomposition characteristic parameters[J]. Acta agriculturae Zhejiangensis, 2022, 34(11): 2491-2503.

79
张继超, 郭伟, 周沛希. 雷达植被指数与香农熵在GF-3影像分类中的应用[J]. 测绘科学, 2020, 45(10): 48-54.

ZHANG J C, GUO W, ZHOU P X. Application of radar vegetation index and Shannon entropy in GF-3 image classification[J]. Science of surveying and mapping, 2020, 45(10): 48-54.

80
WISEMAN G, MCNAIRN H, HOMAYOUNI S, et al. RADARSAT-2 polarimetric SAR response to crop biomass for agricultural production monitoring[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2014, 7(11): 4461-4471.

81
ULABY F. Radar measurement of soil moisture content[J]. IEEE transactions on antennas and propagation, 1974, 22(2): 257-265.

82
ULABY F T, BATLIVALA P P, DOBSON M C. Microwave backscatter dependence on surface roughness, soil moisture, and soil texture: Part I-bare soil[J]. IEEE transactions on geoscience electronics, 1978, 16(4): 286-295.

83
ULABY F. Radar response to vegetation[J]. IEEE transactions on antennas and propagation, 1975, 23(1): 36-45.

84
KIM Y, JACKSON T, BINDLISH R, et al. Radar vegetation index for estimating the vegetation water content of rice and soybean[J]. IEEE geoscience and remote sensing letters, 2012, 9(4): 564-568.

85
NASIRZADEHDIZAJI R, BALIK SANLI F, ABDIKAN S, et al. Sensitivity analysis of multi-temporal sentinel-1 SAR parameters to crop height and canopy coverage[J]. Applied sciences, 2019, 9(4): ID 655.

86
MANDAL D, KUMAR V, RATHA D, et al. Dual polarimetric radar vegetation index for crop growth monitoring using Sentinel-1 SAR data[J]. Remote sensing of environment, 2020, 247: ID 111954.

87
RATHA D, MANDAL D, KUMAR V, et al. A generalized volume scattering model-based vegetation index from polarimetric SAR data[J]. IEEE geoscience and remote sensing letters, 2019, 16(11): 1791-1795.

88
MANDAL D, RATHA D, BHATTACHARYA A, et al. A radar vegetation index for crop monitoring using compact polarimetric SAR data[J]. IEEE transactions on geoscience and remote sensing, 2020, 58(9): 6321-6335.

89
董彦芳, 孙国清, 庞勇. 基于ENVISAT ASAR数据的水稻监测[J]. 中国科学(D辑: 地球科学), 2005, 35(7): 682-689.

DONG Y F, SUN G Q, PANG Y. Rice monitoring based on ENVISAT ASAR data[J]. Science in China, SerD, 2005, 35(7): 682-689.

90
CHEN J S, LIN H, PEI Z Y. Application of ENVISAT ASAR data in mapping rice crop growth in southern China[J]. IEEE geoscience and remote sensing letters, 2007, 4(3): 431-435.

91
DENTE L, SATALINO G, MATTIA F, et al. Assimilation of leaf area index derived from ASAR and MERIS data into CERES-Wheat model to map wheat yield[J]. Remote sensing of environment, 2008, 112(4): 1395-1407.

92
ZHANG W F, CHEN E X, LI Z Y, et al. Using compact polarimetric parameters for rape (Brassica napus L.) LAI inversion[C]// 2017 IEEE International Geoscience and Remote Sensing Symposium (IGARSS). Piscataway, New Jersey, USA: IEEE, 2017: 5846-5849.

93
MCNAIRN H, BRISCO B. The application of C-band polarimetric SAR for agriculture: A review[J]. Canadian journal of remote sensing, 2004, 30(3): 525-542.

94
康伟, 张王菲, 张亚红, 等. 小麦生物量极化分解参数响应及反演[J]. 沈阳农业大学学报, 2019, 50(5): 585-594.

KANG W, ZHANG W F, ZHANG Y H, et al. Inversion and polarimetric information response analysis of wheat biomass[J]. Journal of Shenyang agricultural university, 2019, 50(5): 585-594.

95
XU F, JIN Y Q. Deorientation theory of polarimetric scattering targets and application to terrain surface classification[J]. IEEE transactions on geoscience and remote sensing, 2005, 43(10): 2351-2364.

96
LIU C, SHANG J L, VACHON P W, et al. Multiyear crop monitoring using polarimetric RADARSAT-2 data[J]. IEEE transactions on geoscience and remote sensing, 2013, 51(4): 2227-2240.

97
FREEMAN A, DURDEN S L. A three-component scattering model for polarimetricSAR data[J]. IEEE transactions on geoscience and remote sensing, 1998, 36(3): 963-973.

98
CANISIUS F, FERNANDES R. ALOS PALSAR L-band polarimetric SAR data and in situ measurements for leaf area index assessment[J]. Remote sensing letters, 2012, 3(3): 221-229.

99
BLAES X, VANHALLE L, DEFOURNY P. Efficiency of crop identification based on optical and SAR image time series[J]. Remote sensing of environment, 2005, 96(3/4): 352-365.

100
张亚红, 吴娇娇, 胥喆, 等. 合成孔径雷达在农作物长势监测中的应用[J]. 安徽农业科学, 2016, 44(27): 220-222, 244.

ZHANG Y H, WU J J, XU Z, et al. Application of synthetic aperture radar in crop growth monitoring[J]. Journal of Anhui agricultural sciences, 2016, 44(27): 220-222, 244.

101
YANG Z, LI K, SHAO Y, et al. Estimation of paddy rice variables with a modified water cloud model and improved polarimetric decomposition using multi-temporal RADARSAT-2 images[J]. Remote sensing, 2016, 8(10): ID 878.

102
CANISIUS F, SHANG J L, LIU J G, et al. Tracking crop phenological development using multi-temporal polarimetric RADARSAT-2 data[J]. Remote sensing of environment, 2018, 210: 508-518.

103
JIAO X F, MCNAIRN H, SHANG J L, et al. The sensitivity of RADARSAT-2 polarimetric SAR data to corn and soybean leaf area index[J]. Canadian journal of remote sensing, 2011, 37(1): 69-81.

104
邹斌, 张腊梅, 孙德明, 等. PolSAR图像信息提取技术及应用的发展[J]. 遥感技术与应用, 2009, 24(3): 263-273.

ZOU B, ZHANG L M, SUN D M, et al. Development and application of information extraction using polarimetric SAR data[J]. Remote sensing technology and application, 2009, 24(3): 263-273.

105
张腊梅, 段宝龙, 邹斌. 极化SAR图像目标分解方法的研究进展[J]. 电子与信息学报, 2016, 38(12): 3289-3297.

ZHANG L M, DUAN B L, ZOU B. Research development on target decomposition method of polarimetric SAR image[J]. Journal of electronics & information technology, 2016, 38(12): 3289-3297.

106
DEY S, BHATTACHARYA A, RATHA D, et al. Target characterization and scattering power decomposition for full and compact polarimetric SAR data[J]. IEEE transactions on geoscience and remote sensing, 2021, 59(5): 3981-3998.

107
LEE J S, POTTIER E. Polarimetric radar imaging: From basics to applications[M]. Boca Raton: Crc Press-Taylor & Francis Group, 2009.

108
CLOUDE S. Polarisation: Applications in remote sensing[M]. Oxford: Oxford University Press, 2009.

109
SOUYRIS J C, IMBO P, FJORTOFT R, et al. Compact polarimetry based on symmetry properties of geophysical media: The/spl Pi// 4 mode[J]. IEEE transactions on geoscience and remote sensing, 2005, 43(3): 634-646.

110
ZHANG H, XIE L, WANG C, et al. Investigation of the capability of h-alpha decomposition of compact polarimetric SAR[J]. IEEE geoscience and remote sensing letters, 2014, 11(4): 868-872.

111
RANEY R. Hybrid-polarity SAR architecture[C]// 2007 IEEE International Symposium on Geoscience and Remote Sensing. Piscataway, New Jersey, USA: IEEE, 2007: 3397-3404.

112
ULABY F T, SARABANDI K, MCDONALD K, et al. Michigan microwave canopy scattering model[J]. Internationaljournal of remote sensing, 1990, 11(7): 1223-1253.

113
STILES J M, SARABANDI K. Electromagnetic scattering from grassland. Part I. A fully phase-coherent scattering model[J]. IEEE transactions on geoscience and remote sensing, 2000, 38(1): 339-348.

114
LIANG P, PIERCE L E, MOGHADDAM M. Radiative transfer model for microwave bistatic scattering from forest canopies[J]. IEEE transactions on geoscience and remote sensing, 2005, 43(11): 2470-2483.

115
TOURE A, THOMSON K P B, EDWARDS G, et al. Adaptation of theMIMICS backscattering model to the agricultural context-wheat and canola at L and C bands[J]. IEEE transactions on geoscience and remote sensing, 1994, 32(1): 47-61.

116
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.

LI X. Technology research of vegetation information extraction based on fully polarimetric SAR image[D]. Chengdu: University of Electronic Science and Technology of China, 2015

117
吴学睿. GNSS-R陆面遥感散射特性研究[D]. 大连: 大连海事大学, 2012.

WU X R. GNSS-R land surface remote sensing scattering properties study[D]. Dalian: Dalian Maritime University, 2012.

118
JIA M Q, TONG L, ZHANG Y Z, et al. Rice biomass estimation using radar backscattering data at S-band[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2014, 7(2): 469-479.

119
LANG R, SALEH H. Microwave inversion of leaf area and inclination angle distributions from backscattered data[J]. IEEE transactions on geoscience and remote sensing, 1985, GE-23(5): 685-694.

120
KASISCHKE E S, CHRISTENSEN N L. Connecting forest ecosystem and microwave backscatter models[J]. International journal of remote sensing, 1990, 11(7): 1277-1298.

121
CHEN G Q, ZHANG J W, LIU P, et al. An empirical model for changes in the leaf area of maize[J]. Canadian journal of plant science, 2014, 94(4): 749-757.

122
杨沈斌. 基于ASAR数据的水稻制图与水稻估产研究[D]. 南京: 南京信息工程大学, 2008.

YANG S B. Study on rice mapping and rice yield estimation based on ASAR data[D]. Nanjing: Nanjing University of Information, 2008.

123
东朝霞. 基于全极化SAR数据的旱地作物识别与生物学参数反演研究[D]. 北京: 中国农业科学院, 2016.

DONG Z X. Dryland crop identification and biological parameters estimation based on full-polarization SAR data[D]. Beijing: Chinese Academy of Agricultural Sciences, 2016.

124
张晓倩, 刘湘南, 谭正. 基于全极化RADARSAT-2数据的水稻生物量估算模型[J]. 农业现代化研究, 2012, 33(2): 249-252.

ZHANG X Q, LIU X N, TAN Z. Rice biomass estimation based on full-polarization radarsat-2 data[J]. Research of agricultural modernization, 2012, 33(2): 249-252.

125
SINGH D. Scatter meter performance with polarization discrimination ratio approach to retrieve crop soybean parameter at X-band[J]. International journal of remote sensing, 2006, 27(19): 4101-4115.

126
NDIKUMANA E, TONG MINH DHO, DANG NGUYEN H, et al. Estimation of rice height and biomass using multitemporal SAR Sentinel-1 for Camargue, Southern France[J]. Remote sensing, 2018, 10(9): ID 1394.

127
BAGHDADI N, HOLAH N, ZRIBI M. Soil moisture estimation using multi-incidence and multi-polarizationASAR data[J]. International journal of remote sensing, 2006, 27(10): 1907-1920.

128
许涛, 廖静娟, 沈国状, 等. 植被微波散射模型研究综述[J]. 遥感信息, 2015, 30(5): 3-13.

XU T, LIAO J J, SHEN G Z, et al. Progresses on microwave scattering model of vegetation[J]. Remote sensing information, 2015, 30(5): 3-13.

129
ATTEMA E P W, ULABY F T. Vegetation modeled as a water cloud[J]. Radioscience, 1978, 13(2): 357-364.

130
CHAMPION I, PREVOT L, GUYOT G. Generalized semi-empirical modelling of wheat radar response[J]. Internationaljournal of remote sensing, 2000, 21(9): 1945-1951.

131
BÉRIAUX E, WALDNER F, COLLIENNE F, et al. Maize leaf area index retrieval from synthetic quad pol SAR time series using the water cloud model[J]. Remote sensing, 2015, 7(12): 16204-16225.

132
张晓倩, 郭琳, 马尚杰, 等. 利用时序合成孔径雷达数据监测水稻叶面积指数[J]. 农业工程学报, 2014, 30(13): 185-193.

ZHANG X Q, GUO L, MA S J, et al. Monitoring rice leaf area index using time-series SAR data[J]. Transactions of the Chinese society of agricultural engineering, 2014, 30(13): 185-193.

133
DE ROO R D, DU Y, ULABY F T, et al. A semi-empirical backscattering model at L-band and C-band for a soybean canopy with soil moisture inversion[J]. IEEE transactions on geoscience and remote sensing, 2001, 39(4): 864-872.

134
陈怀亮, 李颖, 张红卫. 农作物长势遥感监测业务化应用与研究进展[J]. 气象与环境科学, 2015, 38(1): 95-102.

CHEN H L, LI Y, ZHANG H W. Operational application and research review of crop growth monitoring with remote sensing[J]. Meteorological and environmental sciences, 2015, 38(1): 95-102.

135
KIM Y, HONG S, LEE K, et al. Estimating wheat growth for radar vegetation indices[C]// 2013 IEEE International Geoscience and Remote Sensing Symposium - IGARSS. Piscataway, New Jersey, USA: IEEE, 2013: 3219-3222.

136
HALDAR D, DAVE V, MISRA A, et al. Radar Vegetation Index for assessing cotton crop condition using RISAT-1 data[J]. Geocarto international, 2020, 35(4): 364-375.

137
赵艳霞, 周秀骥, 梁顺林. 遥感信息与作物生长模式的结合方法和应用——研究进展[J]. 自然灾害学报, 2005, 14(1): 103-109.

ZHAO Y X, ZHOU X J, LIANG S L. Methods and application of coupling remote sensing data and crop growth models: Advance in research[J]. Journal of natural disasters, 2005, 14(1): 103-109.

138
DENTE L, RINALDI M, MATTIA F, et al. On the assimilation of C-band radar data into CERES-wheat model[C]// IEEE International Geoscience and Remote Sensing Symposium, 2004. IGARSS ' 04. Proceedings. 2004. Piscataway, New Jersey, USA: IEEE, 2004: 1284-1287.

139
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(北京), 2012.

TAN Z. Study on rice growth monitoring and yield prediction based on assimilation of SAR data and crop growth model[D]. Beijing: China University of Geosciences, 2012.

文章导航

/