微波遥感在农业中的应用研究进展

微波是指波长1~ 1 000 mm 的电磁波。从19 世纪60 年代初至今，微波遥感已逐渐发展成为一种观测地球的重要手段。相对于光学遥感，它有自身的特殊优点。它能够穿透云层和在某种程度上穿透雨区，不依赖于太阳作为辐射源，而且比光波能更深地穿透植被。微波得到的信息与可见光、红外波段得到的信息不同，微波波段的测量值主要取决于研究对象的几何特性和介电特性。通常按照工作模式可以把微波传感器分成两类：主动式和被动式微波传感器。主动式微波传感器自己提供照射源，有发射机和接收机，例如雷达、散射计和高度计；被动式微波传感器仅是一部接收机，可以测量被观察场景发出的辐射，如微波辐射计。

从1974 年，美国国家航空航天局（NASA）、农业部（USDA）和国家海洋大气局（NOAA）等机构联合开展/ 大面积农作物估产实验（LACIE）0计划以来，遥感在农业方面逐步得到应用。25 年后，该项目的负责人美国农业部的Moran 等对ERS-2 SAR 数据和Landsat TM 数据进行农作物和土壤状况监测的比较，认为光学遥感存在不能穿透云层和大气衰减的局限性，应鼓励利用SAR 图像进行农作物和土壤评估的研究。微波遥感在农业中的应用研究已经在国内外广泛开展，笔者介绍了植被的微波散射与辐射的物理机理，综述了近20 年来微波遥感在农作物识别和面积提取、长势监测和农作物覆盖下的土壤水分监测、产量估算研究的最新进展，展望了未来微波遥感农业应用研究的重点，期望能为国内微波遥感在农业方面的研究应用提供参考。

1、植被的微波散射与辐射物理基础

1.1、植被微波散射原理

为研究电磁波与植被的相互作用机制和过程，发展了许多微波后向散射模型。散射模型的研究旨在用数理方法精细刻画目标物的介电特征和空间几何特征。雷达后向散射模型分为3 类：经验模型、物理模型和半经验模型。经验模型一般是从观测的后向散射数据利用分析、回归等数学方法得到主要要素的贡献。物理模型基于电磁场理论和辐射传输理论，通过辐射传输方程来求解散射系数。半经验模型是综合经验模型和物理模型的优点产生的，既考虑模型的定性物理含义，又采用经验参数建模，例如水云模型、MIMICS 模型、圣巴巴拉微波冠层后向散射模型（SBM）等。

忽略植被自身发射的矢量辐射传输方程如下：

（1）

式中，I 为Stokes 矢量；μ= cosθ，（θ，Φ）为电磁波的传播方向；K 是4X 4 的衰减矩阵，反映电磁波沿传播方向的衰减；F 是散射源函数，反映由各方向散射至（μ，i）方向的增加量。 

1.2、植被微波辐射原理

在有植被覆盖的土壤表面，植被层既削弱了土壤的发射又增加了自身的发射。在低频率微波波段，经常用一个简单的辐射传输模型来模拟微波亮度温度，也被称为τ-ω模型。该模型基于两个参数: 光学厚度τ和单次散射反照率ω，它把总发射看成3 部分之和：直接的植被发射，经土壤反射和冠层衰减的植被发射和经植被衰减的土壤发射。其公式为：

（2）

式中，T_v、T_soil为土壤和植被有效温度；ω为单次散射反照率，它受入射角和极化状态影响；γ为植被透过率，可以用光学厚度τ和入射角θ来表示；Γ_s为土壤反射率，主要取决于土壤湿度、植被粗糙度和纹理。 

2、微波遥感农业应用研究

2.1、农作物识别与面积提取

农作物识别是建立一个农作物监测系统关键的第1 步。对农作物进行识别后，可以估算每种作物类型的种植面积，从而为基于面积的农作物管理提供统计数据，并为估产模型提供输入参数。利用遥感进行农作物识别，需要选择作物生长期的特定时间段获取遥感数据。雷达可以穿透云层全天时全天候的工作，为农作物识别研究提供了有保障的数据源。

由于被动微波数据的空间分辨率多为几十千米，无法满足作物的分类和提取研究要求，农作物提取的数据源多为主动微波即雷达数据。早在1969 年，美国堪萨斯大学的Hara-lick 等对K 波段的雷达图像进行研究，表明植被类型影响信号强度，并且与光学图像相比较，在作物区分中表现良好。1977 年，为美国航天飞机成像雷达的发射做准备，Bush 等就利用机载雷达进行实验，对雷达作为农作物分类器进行了评价。近年来，利用雷达数据进行农作物的提取多注重于数据获取时间的选择和对多参数雷达数据及雷达与光学数据结合应用的探索。

进行作物识别时，数据获取时间的选择非常重要。根据不同类型作物的生长阶段，选择进行农作物提取合适的图像获取时间可以提高提取精度。分析要提取的植被和其共生植被的后向散射特性，避开它们容易混淆的时间。有研究表明，7 月份获取的数据在植被提取上比其他时间更优越。另一方面，多时相雷达数据也可以提高提取精度。Shao 等利用4 月中下旬和5 月中旬的两幅RADARSAT 图像对水稻种植区进行提取，精度达91%。

多波段多极化的雷达数据及雷达和光学数据相结合可以改进农作物分类精度。多波段多极化的数据包含作物在不同波段和极化状态下的后向散射特性的信息，因此提供了更高的可分性。Ferrazzoli 等对多波段多极化雷达分类进行了实验，结果表明，单波段单极化的SAR 数据识别农作物是有局限性的，利用多波段多极化的雷达数据，可以获取高达90% 的精确度。另外，和雷达数据主要反映植被的结构特征与介电特征不同，光学数据反映了植被的光谱信息，两种数据结合，可以获得一种数据达不到的精度。Michelson 等利用Jeffries-Matusita 距离计算类别可分性，得出Landsat TM和ERS-1 数据结合时可以达到最高的可分性。通常，在多云雨天气的区域，雷达数据是光学数据的有利补充。

综上所述，理论上，多时相的雷达数据和光学数据结合可以获取最佳的农作物识别和提取效果。在具体应用中，还要结合需要判别的作物类型、所获取数据的卫星过境时间和数据可获取性，综合分析进行数据选择。