农作物长势SAR遥感监测方法研究进展

2025年03月18日05:12:04 科学 1520

本文节选自：

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(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.

官网免费阅读

知网阅读

农作物长势SAR遥感监测方法研究进展

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。

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）、一阶草类离散相干散射模型（the Coherent Polarimetric Microwave Scattering Model for Grassland, GIMICS）和双站雷达散射模型Bi-MIMICS。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（θ_i=θ_s=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（Γ₁，Γ₂）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。

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。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，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，Singh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。

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。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。例如，Bériaux等基于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，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。

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。

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。此外，Mandal等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R²分别为0.72和0.85，与VWC的R²分别为0.62和0.75。此外，Mandal等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，R²分别为0.79（PAI）和0.82（VWC）。

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。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%。

智慧农业微信交流服务群

为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编微信17346525780，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。