微波遥感在农业中的应用研究进展

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。

2.2、农作物长势监测

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