微波遥感在农业中的应用研究进展

2.2.1、农作物生长状况监测。

同一种作物，由于光、温、水、土等条件的不同，其生长状况也不一样，在微波图像上表现出不同的辐射和散射特性。利用微波遥感数据，可以对植被的生物物理和生物化学参数，例如植株高度、叶面积指数、生物量、叶绿素总含量等进行反演，从而对作物的健康状况进行监测，及时地发现农作物的病虫害、旱涝等灾情，并采取应对措施，减少农业灾害所带来的损失。

植被冠层的微波特性是冠层物候历、类型和雷达频率和波段的函数，在不同的频率和极化状态下，不同类型作物响应不同。研究微波数据与农作物生长过程的关系，是发展可靠的农作物监测方法的基础和关键条件。了解农作物的微波辐射或散射特性随作物生长变化的规律，可以利用植被的后向散射或辐射模型对作物的散射或辐射过程进行模拟，也可以安装地基的微波设备，进行地面测量。前者的缺点是后向散射受很多因素的影响，建立的模型很难把各种影响都描述清楚，因而适应性和强壮性较差；反之，针对特定物种进行地面实验，可以获得微波数据和作物生长参数之间更确定的关系。

在地面实验早期，由于受设备落后和实验条件的限制，测量一般较简单，但也揭示出反映农作物生长状况的生物物理和生物化学参数与农作物的微波测量结果存在着一定关系。1983 年，意大利国家研究委员会的Paloscia 等安置地基微波辐射计，对玉米和小麦的微波发射和植被的物理状况进行了一系列的测量，发现极化指数和作物水胁迫相关。1990 年，Bouman 等对甜菜、马铃薯等农作物的微波散射进行了长达6 年的观测，他们利用地基的散射计对不同角度水平垂直极化X 波段的雷达后向散射测量，发现随着作物生长，后向散射也逐渐增强，直到饱和；不同入射角后向散射强度不同；植被的几何形状影响后向散射强度大小。随着人们对农作物微波数据需求的增强，在地面实验中进行多波段、多极化、多角度的数据的观测逐渐开展。在农作物观测实验中，2001 年，日本国家农业环境科学研究所的Inouea 等利用全自动MAPS 微波散射计对Ka、Ku、X、C、L 5 个波段、4 个入射角、全极化对水稻每天进行观测，LAI 与C 波段、生物量与L 波段、稻穗重量与Ka、Ku 波段相关性最大。2003 年，Brown 等利用地基雷达获得了小麦冠层X 和C 波段后向散射的三维图像。

利用微波数据进行植株生长状况的监测，一方面要分析作物生长状况与各种生长参数的关系，另一方面要建立微波数据与农作物生长参数的关系，利用微波数据进行生长参数的定量化提取。定量化提取的方法有统计方法，包括一元线性回归、逐步多元线性回归和部分最小二乘回归等；物理方法，对冠层反射率模型的反演，包括迭代最优化算法、查找表方法和人工神经网络等。2004 年印度的Singh 等分析了蚱蜢虫害的发生与玉米作物参数，例如植株高度、生物量、LAI、总叶绿素含量等的关系，发现总叶绿素含量和病虫害发病率有最好的相关性，建立二者经验模型；另一阶段，利用散射计测量不同生长阶段的玉米X 波段的不同极化和入射角的散射数据，对总叶绿素含量和散射数据进行线性回归分析，选择入射角和极化状态。基于两种阶段的研究，建立用微波遥感估算病虫害发生率的算法。利用该算法估算的病虫害发生率和实际情况有很高的一致性。

利用微波数据进行农作物监测时，需要注意露水的影响。2000 年，加拿大的Wood 等分析了露水对利用RADARSAT-1 图像进行业务化的作物监测的影响。露水存在时，后向散射强度会增加，但是整体的作物可分性不会受其影响。在进行农作物信息从雷达图像中定量化提取时，要注意去除露水的影响。

2.2.2、土壤湿度提取。

土壤湿度和它的时空变化是农业科学研究的一个关键因子，土壤水分的监测，是农业过程研究的主要组成部分。在区域尺度上，土壤水分的监测对农作物监测和产量估算、干旱预测是非常重要的。常规的测量方法有土壤湿度计法、电阻法等，利用这些方法进行测量，要进行大面积的土壤湿度观测，需要建立高密度的观测点网络，需要耗费大量的人力财力。用遥感进行土壤水分监测，宏观、时效性强，可以克服以上缺点。

微波遥感进行土壤水分监测，可测得地面0~ 5 cm 深度的土壤湿度，土壤水分含量影响土壤介电特性，表现在微波图像上为后向散射系数和亮度温度的变化。主动微波遥感数据的空间分辨率较高（< 100 m），应用在局部区域，被动微波遥感的分辨率一般在10 km 量级，一般应用于全球尺度。

目前，主动微波遥感土壤湿度提取，主要通过建立土壤水分含量和后向散射系数之间经验关系，提取土壤湿度。尽管一系列的物理模型，例如几何光学模型、物理光学模型和小扰模型等可用来模拟地表的后向散射机理，但是由于需要多个生物物理参数和土壤参数，它们不能直接应用于大多数的农作物覆盖地表的土壤湿度提取。近年来发展的经验方法考虑了利用多参数的微波信息提取土壤湿度。被动微波遥感土壤湿度提取有两种方法，一种和主动微波遥感相同，建立土壤发射的亮度温度和土壤湿度之间的统计关系，进行湿度提取；一种是根据辐射传输方程，建立亮度温度和土壤湿度之间的物理模型，通过最小化表示模拟亮度温度和实际测量亮度温度之间的差别的损失函数求得土壤湿度。1999 年，美国Oklahoma 州进行的南大平原（SGP99）实验中，利用机载主动和被动微波传感器（PALS）进行土壤湿度的反演，分别达3%和2% 的精度。2002 年，在美国Iowa 州进行的土壤水分实验（SMEX02）中，又对更高含水量植被覆盖下的主被动微波遥感土壤湿度提取的各种算法进行了检验。研究区域为大豆和玉米两种作物覆盖，利用多元线性回归建立微波观测数据和土壤湿度之间的统计关系，土壤湿度提取误差约为0. 05 g/ g；利用被动微波遥感原理，由基于零阶辐射传输方程的物理模型获得的提取误差约为0. 04 g/ g。实验还表明，随着植被含水量的增加，微波数据对土壤含水量的敏感度降低。2003 年，Parde 等利用L 波段多入射角双极化的微波发射数据对麦田土壤湿度提取进行研究，比较了几种基于物理模型的提取算法。根据被提取出参数的个数，他们将这些算法分为单参数法、两参数法和三参数法。其中三参数法不需要植被的辅助信息，而且土壤湿度、植被天顶角光学厚度和极化参数可以同时被提取出来，可以获得最高的湿度提取精度。利用被动微波遥感进行土壤湿度的提取时要注意去除植被覆盖、土壤温度、雪覆盖、地形和土壤地表粗糙度的影响。

2.3、农作物单产估算

农作物产量的估算对一个国家采取的国内国际经济政策有着重大的影响，对国家进行粮食管理有着重要作用。近年来，大量研究建立了各种遥感农作物单位面积产量估算的模型，这些模型考虑了气象因素、农作物生长过程等，遥感数据则作为作物估产模型的直接或间接输入参数之一。2000 年，Shao 等将RADARSAT 提取的水稻信息与传统的农学模型相结合，对水稻产量进行了估算，达到了很好的效果。