内蒙古呼伦贝尔市满洲里市气象局 李潮

1 研究背景

由于微波遥感具有全天24 小时监控功能，当地区农作物受到自然气候灾害时，其监控作用要远远大于其他遥感技术。近些年来，伴随微波遥感这一技术不断地发展，多个国家发射合成孔径雷达（SAR）通信卫星多存量波段、多极化数据，促进了利用SAR 监测作物生长情况。在这个阶段，作物生长的关键参数是叶面积指数（LAI）、土壤含水量、纵横比、相对密度、播种日期和收获进度。SAR 技术在作物生长监测的应用层面大致可以分为两类：根据SAR 传输抗压强度和根据SAR 电极化特性，监测作物生长反演技术的主要参数。

2 合成孔径雷达在农业中的应用特点

SAR 主要以脉冲压缩技术所形成的高清图像为主要基础，随后通过网络脉冲导航栏综合服务平台引起的频率误差来达到整体目标距离和方向。SAR 成像不易受温度、昼夜等因素的影响。它可以24 小时不间断工作，在低能见度温度因素下，也可以获取具有较高分辨率的图像，此图像清晰度与电光照片类似，是一种具有较高有效性的观察方式。在农作物监测过程中，SAR 这一技术所具备的特点主要如下：传统性，作为一种具有较强主动性的地理信息系统，SAR 能够有效对云、雨、雾霾等复杂气候影响进行有效预防，并且能够在二十四小时内不间断获得相关气候数据；渗透性，由于微波加热光波长较长，对植物种类的土层、疏松和强烈的风化、风雪有一定的穿透作用；灵敏度，与光电地理信息系统不同，在农作物结构与几何特征方面，SAR 具有更高敏感性，在检测这一特征过程中，SAR 所具有的优势要更加强烈；独特性，在电子光学地理信息系统当中，其主要以频谱分析仪为基础，针对信息内容进行飞信，其中，信息内容传输、电极化、相角等诸多信息内容皆能够被SAR 所充分利用。

3 农作物分类与面积提取

在农业遥感监测工作当中，农作物的分类鉴别是其中的重要内容，在农作物产量计算过程中，支持向量机算法是其计算准确性的首要前提，由于农作物之间冠层结构、主要包含几何特征和电极化特征等所存有差异，具体表现为在不同频率和电极化SAR 图像中呈现不同特征，通过SAR 能够为分类工作精准性打下良好基础。县级阶段，在农作物分类当中存有诸多方式，并且从传统的单一分类方式转变为多元化、多维度的分离方式，这一方式主要分类依据为多极化、多频率、多时间等多维度信息，推动了粮食作物的高精度分类。基于场的快速传输的无偏纵横比，许多方法改进了分割方案。农作物分类方式不仅能够有效检测图像当中所存有的小黑点与噪音，同时也能够令分类速度加快，促进农作物分类精准性，一方面，县级阶段所使用的蚁群分类算法主要基于光偏振传输系统和数据统计进行分类；另一方面，在对相关传输特征进行获取过程中，通过对其电极化、纹理等相关高维空间特征的转化，引入深度神经网络方法，如svm 算法、随机森林、深度神经元网络等，促进农作物区分能力；在完成分类工作后，可以图像分辨率为基础，获取不同农作物的总种植量区域。虽然目前有的科学研究可以使其精度达到99%，但是，伴随农作物不断生长，其结构、水分等相关信息内容也处于不断变化的状态之中，不同类型农作物的可分离性会发生变化。

4 农业物理与生物参数反演

4.1 农田含水量反演

通过SAR 数据信息为基础开发的含水量反演技术是目前应用范围最为广泛的方式之一，含水量反演主要以裸土水分、农作物土壤覆盖为基础，同时，通过理论模型、工作模型等作为支撑实体模型。使用水分含量、表面粗糙度、倾斜度和电极化等变量来创建裸土运输的实体模型。标记实体模型包括Oh 实体模型、Dubois 实体模型、Shi 实体模型、积分方程实体模型（IEM）和高级积分方程实体模型（AIEM）等。其中，裸土含水量反演对于地表有着较大影响，而逆变技术自身精度不仅不会受到模型的影响，还体现在对土层表面粗糙度的精准测量和应用上。为了更好地降低土层表面粗糙度测量不准确对含水率逆变技术的危害，目前一些科学研究已经将地表粗糙度作为关键的改善参数。数据分析和深度神经网络方法也常用于水组分反演技术。这一技术也被广泛使用。但是，在一些实验中，存在多种共线性标准，实体模型的基本参数必须根据现场的数据和信息进行调整。

与裸土相比，作物覆盖的层状土壤含水量反演技术相对复杂。除了道路的基本参数外，向后传动对它的危害也很大。同时，农作物树冠对道路和树冠也非常有害，相互影响也增加了模型的难度系数。作物覆盖的土壤水分反演技术的关键问题在于如何区分土壤与农作物的后向传播，从而将农作物对于含水量反演的影响降至最低，陷入及所使用方式主要基于电子光学和SAR 植物群落层的及时模型数据信息的三类协同逆变技术，以及基于电极熔化基本参数的三类逆变技术。虽然变形或改进是在不同频率、倾斜角度和等高线类型的标准下进行的，但由于粮食作物的冠层不是茂密的森林，所以一般采用水云物理模型。根据光电器件与SAR 数据信息协同反演技术方法，通过光电器件数据信息获取NDVI、叶面积指数（LAI）等植物群落基本参数，反映植物群落在郊区，因此物理模型很重要，仿真模拟植物群落层，采用光偏振熔化法进行逆变技术是基于奇偶数传输实体模型和地面垂直平面，体积传输对于与植物群落层传输相关的特性很重要，二次透射和整体目标的溶解是基于光的偏振的整体目标的溶解而获得的。

4.2 农作物物候检测

农作物检测不仅能够使农业管理更加规范，从而实现高产，同时也能够为政府部门按照可利用时间进行分配提供有效帮助，及时进行市场需求分析和价格调整。一般情况下，粮食作物物候期通常由农牧业环境监测管理中心现场观测。虽然得到的结果更准确，但这类方法费时费力，只能利用于一些数据量不是很大的行业。目前，利用时间序列分析SAR 进行物候相位差检测的一个重要途径是应用分类和时间序列分析动态跟踪。根据分类物候环节，将同种但不同种植期的陆生绿色植物划分为不同的类型，每个类型都与一定的物候环节保持一致。重要的是整个过程首先将SAR 图像上层时间序列分析特征的物理意义与廊道的不同物候联系相匹配。这里也可以全程进行svm 算法，得到最终的物候期。这是最有意义的一组技术。众所周知，SAR 图像可以得到的特征有很多，在进行物候接触分类之前，有必要分析该特征的关键表达与物候接触之间的对应关系；除此之外，所获得决策模型通常是对当前地区部分农作物具有一定预期效果，但是在应用过程中却受到较多因素制约，其中，始终频率动态跟踪这一方式主要是通过农作物生长过程中所生成的动态信息，对逆变电源的技术性质进行开发设计，解决了应用分类法不引入时间变量的问题。这一方式主要为监理农作物生长动态模型，并在信息内容当中对农作物进行建模，主要是利用卡尔曼率比、粒子滤波等方式针对农作物生长动态进行跟踪，在跟踪过程中，首先在温度、如让、灌溉规模、放射性物质等因素皆不明确的调价下，以SAR 图像为基础，对农作物始终频率进行变换，随后生成生长动态模型。该方法以作物生长发育的整个过程建模为整个动态过程，在动态系统的上下文信息内容框架内将物候联系的概率建模。典型的方式是利用卡尔曼滤波、粒子滤波等方法对作物生长发育动态的全过程进行建模和跟踪。整个过程是，首先，在未知温度、土壤质地、灌溉规格、放射性物质规格等条件下，基于作物在SAR 图像上的时钟频率变换，创建作物生长发育的数字模型，然后应用明确的统计分析方法和传输概率方法，根据前一环节得到的观测和估计，开发和设计下一阶段状态变量的概率，并进行作物生长的适时反演技术。它是相对于根据分类物候链接的获取方法。这种方法的优势在于，在分析方法明确后，可以根据获得的数据和信息实时进行物候链接，其普遍意义仍然有限。

5 农业灾害监测

农牧业灾害种类繁多，洪涝灾害、严重干旱、病虫害、落苗等常见农牧业灾害对粮食作物生产造成较为严重的破坏。农牧业洪水灾害检测是SAR 成像的优势。即使是降水和温度也不会产生影响，植物物种的茎和淹没的道路也很容易造成不同的传输，可以作为一个包容性的表达特征。干旱和病虫害对作物植株反射面的特性危害很大，但短期内结构变化不显著，可以用多光谱分析仪或高光谱图像进行检测，但是这个特征在SAR 图像上面并不显著，苗木塌陷后作物最明显的转变就是冠层结构的转变。由于光电器件地理信息系统利用作物光谱分析仪的特点，其对落苗检测的有效性相对有限，SAR 对作物结构的转变更为敏感，尤其是对垂直结构的转变更为敏感。粮食作物（如小麦、水稻等）落苗检测具有很大的发展前景。目前的科研方法是通过传输系统软件的改造来获得落苗总面积，但是粮食作物的生长或衰退也会引起传输重量的变化，并且存在一定程度表达的特异性。

6 结语

综合上文所述，在农作物生长检测模型的选择中，应考虑不同传感器的主要参数、几种场景、倾斜角度、土层、降水等几个因素对雷达检测的危害散射，并获得更通用的标准和元素，从而提高SAR 在粮食作物生长检测中的准确度。同时，在整个建模过程中，要考虑不同植被的空间布局，从而更准确地表示植被的真实场景。此外，要重视模型之间的比较和模型的准确性评估。为了更深入地了解植被覆盖土层的散射原理，建立各个模型的应用领域。