農作物長勢SAR遙感監測方法研究進展

2025年03月18日05:12:04 科學 1520

本文節選自：

洪玉嬌, 張碩, 李俐. 基於合成孔徑雷達數據的農作物長勢監測研究進展[J]. 智慧農業(中英文), 2024, 6(1): 46-62.

HONG Yujiao, ZHANG Shuo, LI Li. Research Progresses of Crop Growth Monitoring Based on Synthetic Aperture Radar Data[J]. Smart Agriculture, 2024, 6(1): 46-62.

官網免費閱讀

知網閱讀

農作物長勢SAR遙感監測方法研究進展

在利用SAR數據進行作物長勢監測時，常用的方法主要包括機理模型法、經驗模型法、半經驗模型法、直接監測法和作物生長模型同化監測法。其中，機理模型法是一種根據植被散射機理來建立散射模型的方法；經驗模型法是一種利用遙感信息參數和地面觀測數據進行統計分析的方法；半經驗模型法是一種介於經驗模型法和機理模型法之間的方法，通常在機理模型的基礎上加入實測的數據來修正和完善機理模型；直接監測法是一種基於遙感指標的方法；作物生長模型同化監測法是一種利用遙感觀測數據直接推斷作物生長模型參數的方法。

1. 機理模型法

機理模型主要根據植被散射機理來建立散射模型。目前，常見的植被機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）、一階草類離散相干散射模型（the Coherent Polarimetric Microwave Scattering Model for Grassland, GIMICS）和雙站雷達散射模型Bi-MIMICS。MIMICS模型用植被的微波散射特性來模擬其後向散射，並將植被覆蓋地表分為植被冠層、莖稈和植被下的地表3個部分，被廣泛應用於農作物微波散射特徵研究。Toure等基於MIMICS模型對小麥和油菜兩種作物的後向散射機理進行了分析。李昕利用MIMICS模型對水稻進行了後向散射係數的模擬，並使用神經網路演算法實現全極化SAR圖像的生物量反演。為了進一步提高MIMICS模型的反演精度，學者們對MIMICS模型進行了簡化和改進，提出了一系列更適合監測農作物長勢的物理模型。例如，吳學睿利用Bi-MIMICS模型對小麥生物量的敏感性進行了分析。研究結果表明，不同鏡像角（θ_i=θ_s=5°，20°，50°）對小麥生物量的敏感性不一樣，入射角越大，Bi-MIMICS模型對小麥的生物量越敏感。Jia等採用Monte Carlo方法模擬了水稻後向散射模型，並利用簡單訓練模型和相關訓練模型兩種神經網路模型對水稻生物量進行估計，結果表明，相關訓練模型的均方根誤差更低，為0.816 kg/m²。

上述研究表明，機理模型可以反演農作物長勢參數，但是在實際應用中，難以獲得諸多輸入參數，包括復介電常數（φ）、方位角（ε）、表面粗糙度（Γ₁，Γ₂）等SAR感測器參數，植被含水量、植被高度等植被參數，模型的應用受到很大限制。

2. 經驗模型法

經驗模型是一種利用遙感信息參數和地面觀測數據進行統計分析的方法。它不考慮遙感機理問題，而是利用測量到的物體散射數據，對數據進行分析總結，找出規律，建立不同地物參數和散射參量之間的函數關係，通常採用線性函數、冪函數、指數函數等多種形式來建立模型。例如，楊沈斌通過建立水稻VV極化後向散射強度與LAI的線性回歸分析模型，並基於ENVISAT ASAR數據對江蘇省興化市水稻試驗區水稻LAI進行反演。東朝霞在河北省利用多時相、全極RADARSAT-2數據進行了玉米LAI研究，直接利用經驗擬合公式進行了2014年7月21日和8月14日兩個時相條件下的玉米LAI反演。結果表明，利用HV極化進行玉米LAI識別時，精度在80%以上，證實了經驗模型對玉米LAI反演具有良好效果。張曉倩等通過建立非線性回歸模型、二次多項式模型與指數模型，基於全極化RADARSAT-2數據對蘇州市東橋試驗區水稻生物量進行反演。結果表明，指數模型普遍優於二次多項式模型，HH/VV指數模型效果出眾。此外，Singh利用X波段散射計對大豆的生物量進行監測，建立最小二乘優化回歸（Least Squares Regression, LSE）模型來反演大豆生物量。Ndikumana等通過建立水稻VV極化和VH極化後向散射強度與生物量的多元線性回歸模型，並基於Sentinel-1數據對法國南部卡馬爾格水稻生物量進行反演。

相對來說，經驗模型可以較好地反映後向散射係數與農作物生長參數之間的關係，不需要了解背後的散射過程也無需大量輸入參數，但模型對研究區的作物類型和區域特徵具有很強的依賴性，不具有通用性，且需要大量野外實測數據。

3. 半經驗模型法

半經驗模型是介於經驗模型和機理模型之間的一種關係模型。它一般在基於機理模型的基礎上，加入實際測量得到的數據，通過對數據的擬合來修正和完善機理模型。相比於機理模型，半經驗模型在實際應用中具有更高的精度和較少的參數。相比於經驗模型，半經驗模型更具有物理可解釋性和普適性，主要包括水雲模型、改進的水雲模型和Roo模型。

水雲模型是基於輻射傳輸理論的半經驗模型，已成功用於估算多種農作物的長勢參數，主要包括LAI和生物量等。例如，Bériaux等基於RADARSAT-2數據，利用水雲模型對玉米的LAI進行了反演。陶亮亮等提出了一種改進的水雲模型來反演小麥LAI，利用中國地面觀測數據和RADARSAT-2數據對模型模擬的後向散射係數與實測數據進行了驗證，並利用查找表演算法計算植被含水量值，根據植被含水量與LAI的線性關係反演LAI。張曉倩等採用廣東雷州地區多時相多入射角精細全極化RADARSAT-2數據，將簡化模擬的水稻水雲模型應用於水稻生育期內多期四極化精細合成孔徑雷達數據，反演水稻關鍵生育期LAI，最終實現動態監測區域尺度水稻LAI的目標。另一種半經驗模型Roo模型簡化了MIMICS模型，在考慮植被層時忽略了樹榦層的作用，將植被層視為由麥稈和葉子組成。與原始的水雲模型相比，Roo模型不僅在表示植被的散射特性方面更準確，而且在模擬植被散射值時也更精確。因此，可以利用水雲模型來監測農作物的生長狀況，而且通過對該模型的改進可以有效提高農作物生長參數的反演精度。

4. 直接監測法

直接監測法是利用遙感指標來評估作物的長勢，通過分析這些遙感指標和作物長勢參數之間的相關性，從而確定作物長勢等級。

與光學遙感中已確立的光譜指數類似，從SAR數據得出的RVI可以作為農作物生長監測的一種替代方法，目前已有研究將RVI用於作物長勢監測和生物物理參數統計。此外，Mandal等還提出了一個緊緻極化雷達植被指數（CpRVI），通過研究小麥和大豆的CpRVI與植物面積指數（Plant Area Index, PAI）和植被含水量（Vegetation Water Content, VWC）的關係，並採用CpRVI監測了加拿大馬尼托巴省的小麥和大豆的生長狀況。研究結果表明，CpRVI與小麥和大豆的PAI、VWC均顯著相關，與PAI的R²分別為0.72和0.85，與VWC的R²分別為0.62和0.75。此外，Mandal等還提出雙極化雷達植被指數（DpRVI），在加拿大的一個試驗點上評估了該指數作為油菜、大豆和小麥作物生長動態指標的實用性。生物物理變數的統計分析表明，DpRVI與油菜、大豆和小麥都產生了顯著的相關性，其中油菜的DpRVI與生物物理變數的相關性最高，R²分別為0.79（PAI）和0.82（VWC）。

5. 作物生長模型同化監測法

同化法是一種利用遙感觀測數據直接推斷作物生長模型參數的方法。該方法通過遙感反演模型，如輻射傳輸模型等，與作物生長模型結合建立代價函數，將觀測數據與模型模擬值進行比較，通過調整模型中與生長發育和產量形成密切相關的參數值來提高模型精度。這種方法能夠處理一些難以獲取的參數值，從而更好地描述作物生長過程。目前，許多研究人員已經探索了如何使用雷達遙感數據來同化作物生長模型，取得了一定的進展和成果。例如，Dente等利用同化技術將SAR數據與作物生長模型融合，並把同化模型輸出的結果應用於農作物長勢監測研究。這一方法有效拓展了作物生長監測的時間和空間覆蓋範圍，並證明其在作物長勢監測方面具有有效性。此外，使用同化技術進行水稻監測和產量估計已被證實是一種可行且有效的方法。例如，譚正提出了一種融合SAR數據和生長模型的同化方法，把不同生育時期的水稻生物量作為信息融合的依據，實現對水稻產量的預測。研究結果表明，同化模型能夠較好地模擬研究區水稻的主要發育期，並且同化後與實測值的誤差從同化前的38.7%下降到22.8%。

智慧農業微信交流服務群

為方便農業科學領域讀者、作者和審稿專家學術交流，促進智慧農業發展，為更好地服務廣大讀者、作者和審稿人，編輯部建立了微信交流服務群，有關專業領域內的問題討論、投稿相關的問題均可在群里諮詢。入群方法：加小編微信17346525780，備註：姓名、單位、研究方向，小編拉您進群，機構營銷廣告人員勿擾。