合成孔徑雷達在農作物長勢監測中的應用

張亞紅，吳嬌嬌，胥 喆，楊凱博，姬永杰，舒清態

(西南林業大學林學院，云南昆明 650224)

?

合成孔徑雷達在農作物長勢監測中的應用

張亞紅，吳嬌嬌，胥 喆，楊凱博，姬永杰，舒清態*

(西南林業大學林學院，云南昆明 650224)

在農作物收獲之前進行大范圍作物生長狀況評價，可以為早期估產提供依據，同時為田間管理提供即時信息。該研究結合合成孔徑雷達(SAR)技術的發展，分別從基于SAR后向散射系數和極化特征2個方面，結合農作物長勢參數反演，對SAR技術在農作物長勢監測中的應用情況進行了研究，總結了目前采用SAR技術進行農作物長勢監測中存在的問題，并對其未來研究方向進行了展望。

農作物；合成孔徑雷達；長勢監測；散射特征；極化特征

作物長勢即作物生長狀況和趨勢，直接影響到作物最后的產量和品質[1]。農作物長勢的動態監測可以及時了解農作物的生長狀況、土壤墑情、肥力及植物營養狀況，為采取各種管理措施保證農作物的正常生長提供參考，從而為農業政策的制定提供決策依據[2]。農作物由于生長迅速，隨時間劇烈動態變化，農作物監測對時效性要求很高。光學遙感在監測作物長勢方面已經取得長足的發展，但由于受天氣影響，往往難以進行連續監測，尤其是在作物關鍵生長期，光學遙感受到了極大的限制。

微波遙感由于具有全天時全天候的監測能力，在受到氣候影響的地區農作物監測中具有其他遙感不可比擬的優勢[3]。近年來，隨著微波遙感技術的發展，多個國家發射了攜帶多波段、多極化的數據合成孔徑雷達(SAR)衛星，使得采用SAR對農作物長勢監測的應用越來越廣泛。目前主要涉及到的作物長勢參數有葉面積指數(LAI)、生物量、高度、密度、播期、收割進度[3]。SAR技術在作物長勢監測應用方面大致可歸為2類：基于SAR散射強度和基于SAR極化特征的農作物長勢參數反演。筆者從這2個方面對SAR技術在農作物長勢監測中的應用進行了研究，總結了其中存在的問題，并對未來研究方向進行了展望。

1　SAR在農業中的應用特點

SAR是一種依靠脈沖壓縮技術，利用發射寬帶脈沖和飛行平臺運動產生的多普勒頻移，分別實現目標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，能夠全天時全天候工作，在能見度差的氣象條件下也能得到類似光學照相的高分辨率雷達圖像，是一種對地觀測的有效手段[3]。

SAR技術在農作物監測中有以下特點：①主動性。SAR是一種主動遙感模式，能夠克服云、雨、霧、霾等復雜天氣的影響，可以全天時全天候獲取數據。②穿透性。由于微波具有更長的波長，對地表植被、松散砂層、冰雪具有一定的穿透能力。③敏感性。不同于光學遙感，雷達遙感對植被結構的介電特性和幾何特性敏感，在監測這些特征時具備天然優勢。④獨特性。光學遙感利用光譜信息，而雷達遙感具備散射強度信息、極化信息、相位信息等，有更豐富的信息可供利用。雷達遙感作物長勢監測主要通過SAR散射強度和極化特征的方式反演作物長勢參數。

2　基于SAR散射強度的植被長勢參數定量反演

植被參數SAR的定量反演最早從植被的后向散射強度信息出發，通過構建植被微波散射模型，進而進行植被參數反演。常用的植被微波散射模型可分為3類：物理模型、半經驗模型、經驗模型。

2.1物理模型物理模型是借助于植被散射機理的模型。目前常見的植被機理散射模型有植被葉片散射計算模型、植被莖干散射計算模型、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]。

以最早出現的植被葉片散射模型、植被莖桿散射模型為理論基礎，MIMICS模型將植被冠層的散射分解為樹冠側、樹干層和地面散射，以此來刻畫電磁波的散射機制[7]。譚正[8]利用RADARSAT-2數據探討了基于回歸模型和MIMICS模型的雷達4種極化方式下后向散射系數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，然后用神經網絡算法實現全極化SAR圖像的生物量反演，并利用地表實測生物量值與反演值進行比對，驗證其精度得到相關系數為 0.92，均方根誤差為222.7 g/m2。

以MIMICS模型為基礎，通過模型的簡化處理，學者們提出了一些適用于農作物長勢監測的物理模型，如水稻冠層散射模型、小麥散射模型等。Jia等[6]利用Monte Carlo方法模擬了水稻后向散射模型，并用神經網絡的方法反演了生物量。張遠等[10]利用ALOS/PALSAR數據，通過改進的微波冠層散射模型和遺傳算法來模擬水稻冠層后向散射系數以及估算水稻生物量，結果顯示模擬誤差小于1 dB，估算的生物量誤差小于200 g/m2。這些研究表明，采用微波機理模型反演農作物參數具有可行性，并且可以給出合理的物理解釋，但是在實際應用中，諸多輸入參數難以獲取和確定，使得模型的應用受到了極大的限制。通過簡化物理模型可有效改善模型限制，因此出現了半經驗模型。

2.2半經驗模型半經驗模型是理論模型的簡化，在實際應用中較廣，如水云模型[11]、改進的水云模型、簡化的MIMICS模型等。

Ulaby等在1978年分析農作物的散射特性，通過簡化植被覆蓋層的散射機制，提出了適用于農作物長勢監測的水云模型。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數據，基于水云模型反演水稻生物量，反演結果顯示，HH和VV極化方式下實測值和反演值之間的相關性分別為0.75和0.70。陶亮亮等[14]通過引用其他信息，提出了一種改進的水云模型，并結合RADARSAT-2數據對關中平原農業示范基地小麥葉面積指數進行反演，結果表明，改進模型可以將HH極化與葉面積指數的相關性從0.668提高到0.850，VV極化的決定系數從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作物長勢監測，且通過對水云模型的改進能大幅度提高農作物長勢參數反演精度。

最初的MIMICS模型是針對森林建立起來的理論模型，但通過模型的簡化處理可以創建許多適合農作物長勢監測的模型[15]。吳學睿等[16]利用GNSS-R雙站遙感雷達，在MIMICS模型的基礎上，將其修改為雙站散射模型Bi-Mimics，利用該模型模擬農作物的散射特性并對其生物量進行監測，結果表明，Bi-Mimics模型在農作物散射特性的模擬和生物量監測中存在可行性，但研究工作有待進一步深入。賈明權[17]利用2年8個不同生長期的C波段數據分別建立了水稻的水云模型、改進的水云模型和簡化的MIMICS 模型，對比3個模型的HH和VV后向散射對生物量的反演結果，即水云模型、改進的水云模型、簡化的MIMICS模型得到的相關系數依次為HH極化0.862、0.990、0.992，VV極化0.935、0.969、0.991。HH和VV極化的相關系數越來越高，且VV極化數據下的相關系數均大于HH極化方式下的相關系數。由此得出基于VV極化數據的簡化MIMICS模型最適合用于模擬水稻的后向散射系數的結論。

雖然半經驗模型在農作長勢監測中被廣泛應用，但半經驗模型在模型參數確定上大多數仍依賴于地面數據而不能直接從雷達影像數據中獲取，因此嚴重限制了其廣泛應用。

2.3經驗模型經驗模型是根據實測或理論仿真數據進行統計分析建立的地物參數與散射參量之間的函數關系。常見的經驗模型有2種：建立后向散射系數與系統參數(如入射角)的經驗關系和建立后向散射系數與生長參數(生長天數、高度、生物量、LAI等)的經驗關系[17]。

(1)建立后向散射系數與系統參數的經驗關系就是探索適合農作物SAR監測的最優觀測模式[18]，選擇適合農作物長勢參數的系統參數。Singh[19]利用X波段散射計對大豆生物量進行監測，發現大豆的生物量與后向散射強度的關系比其他作物都顯著，隨著生物量的增加，HH極化和VV極化的散射系數都增加。研究還發現，在X波段當入射角小于40°時用VV極化數據比HH極化數據觀測植被覆蓋土壤水好，而當入射角大于40°時觀察大豆生長參數影響較好。Ferrazzol等[20]研究表明，P波段和L波段組合可以區別農田和其他地物，L波段和C波段結合區分農業內部領域，L波段對較低密度的農作物監測較好，而對于較高密度的農作物L波段和C波段有用，同時交叉極化數據對作物分類和生物量檢測都重要。

(2)建立后向散射系數與生長參數的經驗關系就是通過分析不同極化方式下的后向散射系數與某種農作物生長參數之間的關系，選擇適合反演這種生長參數的后向散射系數。鄭偉[21]利用水稻生長期的5個時相4種極化數據對其生長參數LAI、生物量、高度進行反演，得到以下結果：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，各個極化方式下的高度反演誤差為2%～13%，可見同極化的微波后向散射系數適合水稻LAI的反演，交叉極化下的微波后向散射系數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均可用來反演水稻高度。

雖然經驗模型能夠較好地反映微波后向散射系數與農作物長勢之間的關系，但經驗模型大多需要大量野外測量數據，并且可移植性差，在具體應用中受到場景和區域的限制。

3　基于SAR極化特征的農作物長勢參數反演

基于SAR極化特征的農作物長勢參數反演主要是通過極化分解得到的極化參數對農作物參數進行反演監測。常見的極化分解根據數據的不同可分為基于全極化數據的極化分解和基于簡縮極化的極化分解。

3.1基于全極化數據農作物長勢監測自日本ALOS-PALSAR衛星與2006年發射成功以來，全極化SAR研究開始進入熱潮[22]，基于全極化數據的農作物長勢監測主要是通過全極化數據的極化分解獲得的極化參數對農作物長勢進行監測，常見的全極化數據極化分解技術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、基于協方差矩陣的Freeman-Durden分解、基于相干矩陣的H/A/α分解等[23]。

楊浩[3]利用5景Radarsat-2數據對內蒙古試驗區的油菜播期進行監測，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，通過對不同生長期中不同極化參數和播后天數DAS構建線性模型，最終得出長勢最優監測窗口6月16日和最優極化參數體散射(Volumen)。結果表明，估計播期和真實播期高度吻合，均方根誤差為1.9 d。該結果證實了極化參數在油菜播期估計中的巨大潛力。綜上所述，基于時間序列的極化信息農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。蔡愛民等[24]基于全極化星載Radarsat-2 C波段數據，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勢的新參數LM(LM=2λ2-λ2-λ3)/2λ1，該參數可以提高冬小麥長勢反演的總體精度，使長勢好的地塊得到更好的反演，降低了錯分地類的干擾，使總體誤差減小，有利于提高總體長勢反演精度。

3.2基于簡縮極化數據的農作物長勢監測簡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，真實的簡縮簡化數據較為匱乏，研究中一般采用全極化數據來模擬簡縮極化數據。當前基于簡縮極化數據的極化分解方法主要有散射度-相對相位分解(m-δ)、散射度-散射角(m-α)、散射度-散射場橢圓率(m-Χ)、極化度-適應系數(m-μ)等[25-26]。

楊浩[3]基于全極化數據的Freeman-Durden極化分解和基于全極化數據模擬的簡縮極化數據的m-δ和m-Χ三分量分解得到極化參數對油菜生物量進行了監測，得到基于簡縮極化的m-δ極化分解得到的極化參數Dbl(偶次散射)對油菜生物量反演結果最好，即相關系數為0.92，均方根誤差為56.5 g/m2。研究證明了簡縮極化SAR數據在農作物生物量監測中的巨大潛力，為SAR在農業中的應用指明了新的方向。

簡縮極化在降低全極化系統復雜度的同時，能夠保持良好的極化信息，在許多應用中得到了較好的效果，但目前簡縮極化SAR還處于理論研究階段，極化分解技術和應用也非常有限，在農作物長勢監測中的潛力有待探索。

4　SAR在農作物長勢監測中的不足和未來的發展趨勢

隨著的星載SAR技術的發展，SAR在農作物長勢監測中的應用越來越廣泛。從已有研究成果可以看出，農作物長勢的監測從最初的單波段、單極化數據已經發展到如今的全極化、多源數據，而監測的手段也從僅僅依靠后向散射信息發展到包括后向散射信息、極化信息為主的多種監測手段。研究表明，通過極化合成及分解技術提取的極化信息對農作物長勢的監測具有極大的潛力，但目前還沒有得到廣泛的應用，因此，這將是未來農作物長勢監測的一個重要研究方向。

然而，SAR技術在農作物長勢監測中的應用實踐還不成熟，目前仍然存在著一些問題：①研究區地塊一般較大，對于農作物種植不成規模，特別是復雜破碎地塊、耕作制度和作物種類多樣的地區監測較少，且大多數集中于南方水田作物水稻，對旱地作物玉米、棉花等的監測較少。②目前基于SAR散射強度的長勢監測大多集中于經驗模型，這種模型采用常規的統計算法受制于具體場景，難以在不同作物類型、不同地區間進行選擇和應用。且目前準確考慮地形影響的植被散射模型較少，特別是針對地形起伏較大的山區和具有特殊規律的農作物覆蓋地表，需要更加準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，模型的計算就越復雜，特別是較大面積、較多參數的反演，計算會特別浪費時間，從而影響模型的實際應用。

綜上分析，在未來采用模型進行農作物長勢監測中，應該考慮不同傳感器配置參數、多個場景、入射角、土壤、降雨等多個因素對雷達散射的影響，獲取更廣泛條件和因素的散射規律，進而改善SAR在農作物長勢監測中的精度。同時，在建模過程中應當針對不同的植被地考慮其空間分布，從而更準確地表示出植被的真實場景；另外，必須重視模型間的比較和模型的精度評價，更加深入地理解植被覆蓋地表的散射機理，明確各個模型的適用范圍。

[1] 史舟，梁宗正，楊媛媛，等.農業遙感研究現狀與展望[J].農業機械學報，2015，46(2)：247-261.

[2] 吳素霞，毛任釗，李紅軍，等.中國農作物長勢遙感監測研究綜述[J].中國農學通報，2005，21(3)：319-325.

[3] 楊浩.基于時間序列全極化與簡縮極化SAR的作物定量監測研究[D].北京：中國林業科學院，2015.

[4] 劉浩.合成孔徑雷達高分辨率成像及運動目標成像新方法研究[D].北京：中國科學院電子學研究所，2003.

[5] ZHANG Y，LIU X，SU S，et al.Retrieving canopy height and density of paddy rice from Radarsat-2 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 S-band[J].IEEE journal of selected topics in applied earth observations and remote sensing，2014，7(2)：469-479.

[7] 蔡愛民，宮華澤.典型旱作物極化散射特征分析與應用研究[J].安徽農業科學，2013，41(13)：6051-6054.

[8] 譚正.基于SAR數據和作物生長模型同化的水稻長勢監測與估產研究[D].北京：中國地質大學，2012.

[9] 李昕.基于全極化SAR圖像的植被信息提取技術研究[D].成都：電子科技大學，2015.

[10] 張遠，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].農業工程學報，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] 李成鋼.冬小麥微波散射特性及參數反演研究[D].成都：電子科技大學，2013.

[13] 趙路生.基于ASAR數據的水稻制圖及生物量參數反演[D].成都：電子科技大學，2013.

[14] 陶亮亮，李京，蔣金豹，等.利用RADARSAT-2雷達數據與改進的水云模型反演冬小麥葉面積指數[J].麥類作物學報，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] 吳學睿，李穎，李傳龍.基于Bi-Mimics模型的GNCSS-R農作物生物量監測理論研究[J].遙感技術與應用，2012，27(2)：220-221.

[17] 賈明權.水稻微波散射特性研究及參數反演[D].成都：電子科技大學，2013.

[18] MATTIA F，LE TOAN T，PICARD G，et al.Multitemporal C-band 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 X-band[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] 鄭偉.基于陸基測量的水稻微波后向散射特性研究[D].成都：電子科技大學，2011.

[22] LEE J S，POTTIER E.Polarimetric radar imaging：From basics to applications[M].Boca Raton，FL，USA：CRC Press，2009.[23] 趙力文.基于目標分解理論的極化SAR圖像分類方法研究[D].長沙：國防科學技術大學，2007.

[24] 蔡愛民，宮華澤.典型旱作物極化散射特征分析與應用研究[J].安徽農業科學，2013，41(13)：6051-6054.

[25] CLOUDE S R，GOODENOUGH D G，CHEN H.Compact decomposition theory[J].IEEE geoscience and remote sensing letters，2012，9(8)：28-32.

[26] RANEY R K.Hybrid-polarity SAR architecture[J].IEEE transactions on geoscience and remote sensing，2007，45(11)：3397-3404.

Application of Synthetic Aperture Radar in Crop Growth Monitoring

ZHANG Ya-hong, WU Jiao-jiao, XU Zhe, SHU Qing-tai*et al

(Forestry School, Southwest Forestry University, Kunming, Yunnan 650224)

Crop 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.

Crops; Synthetic aperture radar; Growth monitoring; Scattering characteristics; Polarization characteristics

國家自然科學基金項目(31460194，31060114)。

張亞紅(1990- )，女，甘肅白銀人，碩士研究生，研究方向：資源環境遙感。*通訊作者，副教授，博士，從事3S技術及森林景觀經營研究。

2016-07-22

S 127

A

0517-6611(2016)27-0220-03