水稻雷達遙感監(jiān)測研究進展

何澤，李世華，2

1.電子科技大學 資源與環(huán)境學院,成都 611731;

2.電子科技大學 長三角研究院（湖州）,湖州 313001

1 引言

水稻生產關系國計民生，是經濟社會發(fā)展和糧食安全的基礎保障，及時準確的監(jiān)測水稻耕種狀況是農業(yè)生產管理的重中之重。傳統的種植范圍劃定和長勢觀測依賴實地調查，時效性和準確性較低。衛(wèi)星遙感技術具有觀測頻次高和覆蓋范圍廣的特點，通過數理方法和計算機技術對遙感獲取的水稻波譜響應進行分析，可以有效地識別水稻耕作和植株生長狀態(tài)（姚飛和何隆華，2016）。陸表遙感監(jiān)測研究中應用最為廣泛的光學衛(wèi)星影像具有數據源多樣、波段信息豐富、成像噪聲小和解譯難度低等優(yōu)點。然而水稻生長在氣候濕熱的季節(jié)，光學遙感在這一時期往往受云霧氣象干擾，尤其在中低緯度地區(qū)難以獲取高質量的光學影像。以成都平原為例，檢索該地區(qū)2021 年4 月中旬至9月水稻耕作季常用的Landsat 8和Sentinel-2光學衛(wèi)星數據，區(qū)域云量高于30%的影像占比接近90%，并且在6 月至8 月這一水稻快速生長期幾乎沒有可用的光學數據。星載合成孔徑雷達SAR（Synthetic Aperture Radar）通過主動發(fā)射電磁波，記錄地表散射回波特征實現目標觀測，可以不受天氣狀況影響持續(xù)對地成像，因此成為水稻遙感監(jiān)測的重要數據源。在過去的三十年（1991 年—2021年），星載SAR 傳感器持續(xù)升級迭代，成像性能和數據獲取手段不斷優(yōu)化，基于SAR 數據的水稻遙感監(jiān)測研究取得了長足的進步（唐鵬欽 等，2009）。

波段、極化和時空分辨率是SAR 成像的關鍵指標，很大程度上決定了SAR 數據的應用潛力（Zhao 等，2021）。波段表征雷達發(fā)射的電磁波頻率，目前常見的有L波段（如PALSAR-2）、C波段（如Sentinel-1、Radarsat-2 和高分三號）和X 波段（如TerraSAR-X 和Cosmo-Skymed）。不同波段的電磁波擁有不同的波長，因而對探測目標的尺寸敏感性不同。C 波段和L 波段電磁波的波長與水稻植株器官（莖桿、葉片和稻穗等）的尺寸接近，對植株生長過程的散射響應最為明顯，因此被廣泛用于水稻遙感監(jiān)測（Suga 和Konishi，2008）。極化表征電磁波的電場取向，分為水平極化H（Horizontal）和垂直極化V（Vertical），根據收發(fā)信號的配置組合產生同極化（HH 和VV）和交叉極化（HV 和VH）通道。星載SAR 傳感器經歷了從單極化到全極化成像的發(fā)展歷程。不同極化信號對地物有不同的電磁作用機制，極化方式的增加使SAR 獲取的水稻散射信息更豐富（Yang 等，2012）。時空分辨率表征衛(wèi)星成像的重訪周期和空間精細度，水稻生長迅速且地塊狹小，故而需要高時空分辨率SAR 對地觀測。受相干成像機理影響，SAR 數據不可避免地存在斑點噪聲，時空分辨率的提高可以為噪聲抑制提供更多的散射信息參考。

SAR 影像特征參數主要有后向散射系數和各種極化參數，后向散射系數是最基本的SAR 參數，表征地物后向散射強度，與水稻介電和幾何特性密切相關。極化參數主要來源于緊縮極化模擬、極化分解（Freeman 和Durden，1998；Cloude 和Pottier，1997），以及其他極化運算，如極化相干和相位差（Lopez-Sanchez 等，2012，2014）。通過相干或協方差矩陣運算可以綜合SAR 數據的幅度和相位信息，得到數理意義明確的極化參數，更為清晰地描述水稻散射的能量組成。SAR 干涉測量技術InSAR（Interferometric SAR）通過對不同軌道的SAR 數據進行干涉處理獲取地表高程的微小變化，多被用于估算水稻植株高度（Erten 等，2015，2016；Rossi 和Erten，2015；Lopez-Sanchez等，2017）。受數據質量和反演精度的制約，基于SAR 干涉技術的水稻監(jiān)測應用仍處于實驗探索階段。

目前水稻雷達監(jiān)測研究主要聚焦種植面積提取、生理參數反演、物候與熟制識別等。種植面積提取研究關注水稻耕作的空間分布，基于水稻與其他地表覆蓋類型的后向散射特征時空差異進行SAR 影像分類，經歷了從先驗閾值決策判別到時空特征機器學習的發(fā)展過程。生理參數反演研究關注水稻生育相關參量（如株高、葉面積指數和生物量），基于植株生理參數與后向散射特征的時空關聯性進行參量映射，方法主要有經驗回歸、機器學習、機理建模和數據同化。物候和熟制識別研究關注水稻的生育節(jié)律和復種情況，基于水稻后向散射特征的時間變化規(guī)律進行生長情況判讀，方法主要有時序檢測法和機器學習法。

雖然目前水稻遙感監(jiān)測精度和廣度不斷提升，但各研究案例中水稻種植情況、SAR 數據屬性、算法模型配置、訓練和驗證樣本質量均存在較大差異，導致不同技術思路的實驗結果難以橫向比較。隨著多源數據獲取能力的提高和水稻監(jiān)測對象的多元化，協同多種技術方法的復合監(jiān)測策略被廣泛采用，這種應用趨勢雖然可以有效地整合已有研究成果，發(fā)揮不同技術手段的優(yōu)勢，但也造成算法模型的發(fā)展脈絡越來越模糊。為了明晰水稻雷達遙感監(jiān)測的研究歷程、現狀與趨勢，本文系統梳理了各研究方向的理論基礎和技術瓶頸，探討了SAR 數據用于水稻遙感監(jiān)測的優(yōu)缺點和存在的科學問題，對未來的研究重點進行了討論與總結，以期為相關方向的科研人員提供參考。

2 水稻種植面積提取

獲取水稻種植面積是生理參數反演、物候熟制識別和產量預估工作的基礎，早期水稻雷達監(jiān)測應用也主要著力于水稻空間分布信息提取。種植面積提取的本質是SAR 影像中水稻像元識別，根據特定時期水稻與其他地表覆蓋類型的后向散射差異進行影像分類。

波譜信息較少和斑點噪聲較大是制約SAR 影像分類精度的主要問題，波譜信息較少導致水稻與其他植被的影像差異不顯著，斑點噪聲較大導致分類結果椒鹽噪聲明顯。從數據處理的角度，可以通過參數合成（如波段運算和極化分解）增加波譜信息，利用濾波技術（空間和時間濾波）平滑噪聲。而從技術策略的角度，則可以通過多時相和多源觀測來彌補波譜信息不足，利用空間聚類來降低像元異質性。

早期的水稻監(jiān)測研究一般選擇在生長季獲取2—5 景影像，通過變化閾值檢測法識別水稻，SAR 觀測頻次增加后，該方法被時序特征識別法取代。隨著機器學習技術的發(fā)展，監(jiān)督分類和非監(jiān)督分類算法被引入SAR 影像分類，其中監(jiān)督分類算法因其較高的靈活性和精確度成為水稻種植面積提取的主流算法，此后學者分別從算法優(yōu)化（深度學習）和特征輔助（多源協同）的角度不斷提升模型分類精度。非監(jiān)督分類算法精度較低，但基于空間聚類思想發(fā)展出的面向對象分類方法，是抑制分類噪聲的有效手段（圖1）。

圖1 水稻種植面積提取方法發(fā)展歷程Fig.1 Development of rice planting area identification methods

2.1 時序檢測法

作為人工培育的作物，水稻有著特殊的耕作生長過程，在SAR 影像中表現出區(qū)別于其他地物的散射變化規(guī)律，隨氣候和耕種管理的差異表現出地域性的時序特征。很多研究利用水稻生長的物候先驗信息，針對性地獲取相應時相的SAR 影像，通過對時序變化特征的統計分析，識別與水稻生長規(guī)律相符的像元，實現水稻種植面積的提取。

2.1.1 變化閾值檢測

變化閾值檢測是最經典的水稻識別方法，通過分析研究區(qū)特定時段內水稻像元和其他像元的散射變化差異，確定時變閾值進行決策分類。水稻生育周期可分為移栽期、營養(yǎng)生長期、生殖生長期和成熟期4 個階段（圖2），其中移栽期到營養(yǎng)生長期水稻植株快速生長，是變化閾值監(jiān)測法最關注的時段。

圖2 水稻生長關鍵物候期（He等，2018）Fig.2 Photographs for the key rice phenological periods（He et al.，2018）

移栽是水稻特有的栽種方式，水稻先在育秧田中完成從種子到秧苗的發(fā)育，期間對稻作田進行澆灌蓄水，隨后將水稻秧苗從育秧田移栽入稻作田，即為水稻的移栽期。隨后水稻將經歷快速的植株生長，地面觀測特征主要有莖稈數目增加（分蘗）、葉片增多、莖稈直徑和長度增加（拔節(jié)）、植株孕穗，同時田間積水逐漸減少，這一階段稱為水稻的營養(yǎng)生長期。

從移栽期到營養(yǎng)生長期田間水分和植被覆蓋的獨特變化趨勢造就了這一時期水稻遙感信號的顯著特點，在光學遙感信號中表現為水稻像元綠度加深，植被指數快速增大，土壤水分指數逐步降低。對雷達觀測而言，移栽期間的稻田主要表現出田間積水的散射特征，水對微波能量的吸收和側視成像造成的水體鏡面散射，導致此時雷達接收的回波信號較為微弱。而營養(yǎng)生長期的水稻散射則由植株和土壤的散射能量組成，植株冠層的體散射、粗糙地表的表面散射、植株—土壤之間的多次散射，共同貢獻出較強的回波能量（Yonezawa 等，2012；Corcione 等，2016）。很多學者通過獲取水稻生長初始階段和高峰階段的雷達數據，識別水稻回波信號由弱到強的快速增長特征（圖3），實現了總體精度在80%左右的水稻種植面積提?。˙ouvet和Le Toan，2011）。

圖3 各物候階段的水稻SAR散射特征變化（He等，2019）Fig.3 Phenological variation of the SAR polarimetric parameters（He et al.，2019）

變化閾值檢測法簡單高效，適用于地表覆蓋類型簡單、地形平坦的稻作區(qū)，主要的缺點有：（1）依賴研究區(qū)域的水稻物候先驗知識，需要確定適合閾值檢測的最優(yōu)前后時相；（2）需要足夠數量的水稻及非水稻樣本，用于散射變化差異的統計分析；（3）識別精度受成像噪聲和田間管理（如移栽日期、灌溉方式和施肥選種等）差異的顯著影響。因此，變化閾值檢測法多用于足夠先驗信息支撐下的小樣區(qū)水稻面積快速提取。

2.1.2 時序特征識別

水稻耕作物候歷呈現區(qū)域差異和年際差異，農村土地分散經營還導致同一地區(qū)不同田塊的水稻生長節(jié)律并不完全同步。高時間分辨率SAR 數據可以實現水稻復雜物候進程的精細追蹤（圖4），通過分析水稻散射的時間變化規(guī)律，提取散射時序曲線特征，如極值、曲率和拐點日期間隔（Phan等，2018），進行閾值規(guī)則判別或相似性度量，從而實現水稻屬性識別。其中相似性度量通過測試未知類型曲線與水稻標準曲線的形態(tài)匹配度，進行水稻散射模式判別，對經驗閾值的依賴較小，是更為自動化的水稻識別方法，典型的算法有波譜相似性算法（Yang 等，2018）和時間動態(tài)規(guī)劃算法（Wang等，2020）。

圖4 水稻后向散射密集時序觀測（Nguyen等，2016）Fig.4 Time series VV and VH polarized backscatter over rice fields（Nguyen et al.，2016）

時序特征識別法是高時間分辨率SAR 數據應用的有效方法，借助水稻生育周期的高頻次雷達觀測，避免了分類時相的人工選擇，水稻識別精度略高于變化閾值檢測法。變化閾值檢測法需要水稻物候先驗知識，分類效果易受閾值選取的影響。而時序相似性度量方法需要采集大量代表性樣本，在構建時序標準特征曲線時需考慮復雜的耕種實際情況，此外逐像元的長時序特征匹配也導致運算量比較高，因此該方法的區(qū)域推廣還需要開展大量的樣本標注、分析和驗證工作，同時需要高性能存儲與運算平臺的支撐。

2.2 機器學習

水稻種植面積提取的本質是圖像分類，因此數字圖像處理領域的各種機器學習算法也被廣泛引入水稻識別研究，并成為目前最常用的面積提取方法，主要包括不需要人工干預的非監(jiān)督分類方法、人工選擇樣本的監(jiān)督分類方法和自動提取數據特征的深度學習方法。

2.2.1 非監(jiān)督分類

非監(jiān)督分類不需要地類先驗樣本，在對SAR影像特征進行聚集統計分析的基礎上，自動確定特征參數和決策規(guī)則，從而實現水稻像元集群的聚類。目前應用于水稻種植面積提取的非監(jiān)督分類算法包括K 均值聚類（Gandharum 等，2021）、層次聚類分析（Rudiyanto 等，2019）和迭代自組織數據分析（ISODATA）算法（Karila等，2014）。

非監(jiān)督分類方法的優(yōu)點是無須人為干預、參數設置簡單和類內同質性高，缺點是水稻識別精度不高（一般在80%左右），且分類結果與地表覆蓋類型的對應關系不明確，需對分類結果進行人工分析判讀才能確定水稻聚類。SAR 影像“同物異譜—同譜異物”現象和斑點噪聲顯著，水稻極易與其他地類混淆，進一步增加了類別匹配的難度，因此非監(jiān)督方法常用于水稻識別前的地物類別粗提取，作為非水稻（如水體和城鎮(zhèn)）像元剔除和異質水稻像元歸并的屬性參考（Rudiyanto 等，2019）。

2.2.2 監(jiān)督分類

監(jiān)督分類是在已知樣本提供類別先驗信息的基礎上，篩選SAR 影像特征參數進行分離度測試，通過線性或非線性判別算法實現水稻和非水稻像元的分離，通常有以下幾個步驟：（1）分類樣本選取。通過實地調查或高分辨率光學影像目視解譯獲得水稻和非水稻樣本點；（2）影像獲取與特征選擇。根據實驗需求獲取各類成像模式（如多頻段、多極化和多時相）的SAR 數據集，提取并篩選出對水稻特征敏感的SAR 參數（如后向散射系數和極化分解參數）；（3）分類器選擇與算法參數調整。根據研究區(qū)和樣本情況選擇合適的分類算法，包括閾值決策（Choudhury 和Chakraborty，2006；Choudhury等，2012）、最大似然（Panigrahy等，1997）、人工神經網絡（Chen 和McNairn，2006）、隨機森 林（Hütt 等，2016；Bazzi 等，2019）和支持向量機（Tan 等，2007；Zhang 等，2009）等；（4）分類后處理與精度驗證。對分類結果中可能存在的錯分和漏分等制圖誤差進行合理修正，并基于驗證樣本測試分類精度。通過對研究區(qū)的大量代表性地物樣本選擇和SAR 影像特征優(yōu)選，監(jiān)督分類器可以較為準確的識別出雷達水稻像元。

監(jiān)督分類算法是最主流的水稻種植面積提取方法，其優(yōu)點是樣本特征可人工調整優(yōu)化、分類過程可控、類別屬性明確且精度較高（一般在90%以上），缺點是分類前需要進行專業(yè)細致的地面調查或光學影像判讀，訓練樣本的采集和特征參數的評估工作量較大，樣本的完備性和可靠性易受人為因素影響。此外，SAR 影像波段信息較少，不同地類的散射特征易混淆，往往需要補充多時相數據才能獲得較高的分類精度，而最優(yōu)成像日期的選擇需要經驗知識和反復試驗。盡管如此，在遙感大樣本和大數據蓬勃發(fā)展的背景下，監(jiān)督分類仍是水稻種植面積提取的首選方法，未來應重點完善水稻散射特征的時空譜多維描述，同時提高監(jiān)督分類模型對小樣本的泛化能力。

2.2.3 深度學習

作為目前機器學習領域的熱點分支，深度學習算法在多種信號處理和模式識別任務中表現卓越，因此也被引入SAR 影像分類和水稻種植面積提取研究。傳統的機器學習算法需要人工提取篩選對水稻生長狀態(tài)敏感的SAR 分類特征，而深度學習模型是含有多個隱藏層的神經網絡，能夠通過分層處理自動學習水稻特征。通過對多極化多時相影像的樣本學習，以及對模型的結構參數優(yōu)化，深度學習算法往往能取得極高的水稻識別精度（Ndikumana 等，2018a；Wei 等，2021）。此外還可以補充光學數據，降低斑點噪聲對SAR 影像分類結果的影響，Zhou 等（2019）使用光學影像和多尺度圖像分割算法進行地塊識別，在此基礎上將SAR 散射時序特征輸入長短時記憶網絡LSTM（Long Short-Term Memory network），實現田塊級的水稻種植面積提取（總體精度=84.2%，Kappa系數=0.81），優(yōu)于支持向量機（總體精度=75.4%，Kappa系數=0.72）和隨機森林（總體精度=77.4%，Kappa系數=0.73）算法。

深度學習算法在樣本和模型優(yōu)化的基礎上提升了水稻識別效能，在提取水稻種植面積時能保留田塊的邊界細節(jié)，辨別散射特征混淆的地物，抑制分類結果的椒鹽噪聲（de Castro 等，2020）。深度學習算法的缺點主要是模型設計復雜、計算量龐大，對訓練數據的數量和質量要求高，因而目前多是樣區(qū)尺度的研究。從訓練數據角度來看，深度學習的理論基礎仍然是概率統計，在樣區(qū)研究中取得不錯效果的模型，很難保證基準數據集之外的分類精度，復雜多樣的水稻生長場景需要使用龐大的標注特征來描述，數據量過小會造成模型的過擬合。從模型設計角度來看，深度學習超參數眾多，參數調整在很大程度上依賴實驗經驗，設置不同的學習率、梯度下降方法、參數初始化方法、樣本組織方法和歸一化方法等都會影響模型效果，驗證過程需要很高的計算成本（GPU 等硬件算力）和時間成本（數天至數月）。此外，深度學習的模型結構復雜，分類結果的可解釋性不強，模型參數的含義及其對分類結果的影響很難明確，因此深度學習應用于水稻遙感研究時，學者更為重視雷達數據使用策略的改進。傳統機器學習的模型結構直觀明晰，還有特征提取和篩選的工作流程，反而帶來了較好的可解釋性。

已有一些方法可以減少深度學習算法對訓練數據的依賴，比如遷移學習、少樣本學習、無監(jiān)督學習和弱監(jiān)督學習，雖然其分類性能尚弱于監(jiān)督學習，但對于干擾因素眾多、多樣化耕作場景難以窮舉的水稻遙感監(jiān)測而言，仍是具有重要意義的研究方向。隨著衛(wèi)星遙感數據獲取和處理能力的快速提升，各種高時空分辨率和覆蓋范圍的土地利用分類產品（如FROM-GLC10 和ESAWorldCover10m）陸續(xù)推出，結合眾源地理數據和高分辨率光學影像，水稻標簽數據集的制作與驗證工作將得到有力支撐。模型的云端訓練與調用也是很有前景的應用方向，利用遙感云平臺獲取大規(guī)模水稻標簽數據集，導入深度學習云平臺進行模型訓練與測試，最后返回遙感云平臺上進行模型調用與大區(qū)域制圖，可以在一定程度上緩解數據集獲取、存儲和計算壓力，提升遙感監(jiān)測時效性。

2.3 面向對象的分類算法

高空間分辨率SAR 影像可以提供更為精細的水稻散射信息，但由于波段信息較少且存在相干斑噪，SAR 影像空間異質性也一定程度增加。使用傳統基于像元的影像分類方法進行水稻制圖，難以完整提取地塊邊界輪廓，且識別結果存在顯著噪聲。面向對象的分類算法是降低分類噪聲、提高目標地物識別完整性的有效手段，目前在水稻識別研究中越來越受到關注。該方法首先根據散射信息同質性對SAR 像元進行合并和分割，形成由同質像元組成的目標對象，然后在對象尺度進行散射特征提取與篩選，最后選用適當的影像分類算法（如各種機器學習方法）實現水稻田塊的整體識別（翟鵬飛 等，2021）。

為保證圖像分割效果，往往需要使用多時相SAR 數據，提取多種極化特征（汪小欽 等，2008），或者輔助使用光學數據（Erasmi 和Twele，2009）和地理信息數據（杜燁 等，2014）。面向對象的分類算法可以較好地實現SAR 影像中的水稻像元的聚合和判別，提供田塊尺度的水稻制圖結果（圖5），總體精度略高于基于像素的監(jiān)督分類方法（Pierdicca等，2017）。

圖5 面向對象的水稻種植面積提取效果（Zhang等，2018）Fig.5 The performance of object-oriented classification for rice planting area identification（Zhang et al.，2018）

面向對象的圖像分類方法可以充分利用地物的波譜、紋理和拓撲信息，刻畫地物的散射、幾何和鄰接屬性，在識別破碎田塊和稻田邊界方面顯示出優(yōu)勢（Gstaiger等，2012；Clauss等，2018）。該方法的缺點是存在最優(yōu)分割尺度選擇的問題，對象分割的質量對分類效果有較大的影響。未來應關注不同種植模式下的影像多尺度分割方法，優(yōu)化尺度參數調整的效率。

2.4 光學和SAR數據協同

SAR 數據對水稻的介電特性和幾何結構特性敏感，光學數據對水稻的光合組分特性敏感，在成像條件支持的情況下獲取高質量光學衛(wèi)星數據，利用光學精細成像和SAR全天候觀測的優(yōu)勢，可以有效提高水稻識別精度（Villa 等，2015；Mansaray等，2017）。

數據協同策略分為特征級協同和決策級協同，其中典型的特征級協同是將光學和SAR 影像特征參數聯合輸入分類決策器（Torbick 等，2011；Onojeghuo等，2018），這是最常見的多源數據使用方案。而決策級協同一般是使用光學遙感信息對SAR 分類過程進行指導或修正，比如先使用光學影像進行地表覆蓋粗分類（Tian 等，2018；Lee 和Lee，2003）或對象分割（Cai 等，2019），在此基礎上使用SAR 影像特征識別水稻。決策級協同在技術路徑上考慮了兩種傳感器的成像信息差異，是更具機理性的方法。此外，非遙感數據（如DEM 數據和水文數據）的補充也對識別精度的提升有積極貢獻（Li 等，2003；Park 等，2018）。光學與SAR 成像優(yōu)勢互補，二者協同使用可以彌補單一類型傳感器的觀測局限。由于光學成像易受云霧干擾，連續(xù)高質量的光學數據獲取難以保證，因此未來應重點研究如何使用SAR 數據對光學信息時空缺失進行補償，以及如何在決策級協同框架下使用有限的光學數據最大程度提高SAR 數據的水稻制圖效能。

3 水稻生理參數反演

水稻長勢監(jiān)測是掌握水稻時空分布后的又一項重要工作，水稻生理參數反演是實現水稻長勢監(jiān)測的具體手段，關注對象包括葉面積指數LAI（Leaf Area Index）、光合有效輻射吸收率FPAR（Fraction of Absorbed Photosynthetically Active Radiation）、株高、生物量和含水量等，通過經驗擬合和輻射傳輸建模等方法，建立SAR 特征參數和水稻生理參數之間的映射關系和預測模型（Inoue 和Sakaiya，2013；Inoue 等，2014）。水稻生理參數和長勢信息不僅能適時指導田間管理（如灌溉、施肥和收割），還能及時對農業(yè)病蟲、干旱、洪澇和倒伏災害進行預警和評估，通過對關鍵指標的動態(tài)監(jiān)測，還能實現水稻產量預測，為糧食政策的制定提供技術參考。

早期雷達反演研究主要基于概率統計理論，使用經驗模型（回歸擬合和機器學習）反演水稻生理參數。為提高反演過程機理性，各種基于輻射傳輸理論的物理模型和半經驗模型被提出，揭示了水稻生理參數和微波散射機制的內在聯系。此后又出現了耦合水稻散射模型和生長模型的數據同化方法，實現了植株生長機理驅動下的參數動態(tài)反演。考慮到SAR 數據無法反映水稻光合組分變化，也有研究在反演過程中加入光學遙感特征，彌補了雷達的觀測局限性（圖6）。

圖6 水稻生理參數反演方法發(fā)展歷程Fig.6 Development of rice biophysical parameter retrieval methods

3.1 經驗模型

經驗建模是反演水稻生理參數的經典方法，通過分析SAR 影像參數和水稻生理參數的統計特征和數值關聯性，建立映射模型實現參數估算（Chakraborty 等，2005；Chen 等，2009），統計回歸分析和機器學習是最常用于確定映射關系的方法。He 等（2019）使用多時相全極化Radarsat-2數據獲取后向散射系數和極化分解參數，分析各物候階段與全生育期的水稻LAI 與SAR 參數的相關性（圖7），發(fā)現基于Freeman-Durden 分解的雷達植被指數與水稻LAI的相關性最佳，可以使用指數擬合方程描述二者的映射關系（R2=0.84，RMSE=0.81）。Ndikumana等（2018b）獲取雙極化Sentinel-1數據，使用回歸模型和機器學習算法反演水稻株高和干生物量，發(fā)現支持向量回歸（株高：R2=0.89，RMSE=9.2 cm；生物量：R2=0.86，RMSE=193 g/m2）和隨機森林（株高：R2=0.91，RMSE=8.2 cm；生物量：R2=0.89，RMSE=174 g/m2）算法的參數反演效果優(yōu)于多元線性回歸方法（株高：R2=0.79，RMSE=12.4 cm；生物量：R2=0.83，RMSE=213 g/m2），且生物量與VH極化的相關性很高。

圖7 基于RVIFD（Freeman-Durden分解雷達植被指數）和HV/VV的水稻LAI經驗反演模型（He等，2019）Fig.7 The relationship between rice LAI and RVIFD（Radar Vegetation Index based on Freeman-Durden decomposition）or HV/VV（He et al.，2019）

經驗反演方法簡單易行，在訓練樣本質量足夠高的情況下，能獲得不錯的參數反演精度，適用于種植模式單一的小樣區(qū)，其弱點是缺乏對散射過程的物理認知和機理解釋，普適性較差。當研究區(qū)域、成像時期和數據來源發(fā)生變化時，需要重新進行參數訓練，因而無法適應大范圍復雜環(huán)境的水稻遙感監(jiān)測，但從經驗模型獲得的參數響應規(guī)律仍可以為水稻散射的機制理解和物理建模提供參考。

3.2 物理模型

物理模型通過前向運算模擬不同空間結構和理化狀態(tài)下的水稻植株和土壤雷達回波，根據水稻冠層場景建模和輻射傳輸機理建立水稻生理參數和雷達散射的映射關系，結合真實SAR 影像和最優(yōu)化算法，反向運算獲得生理參數估計值。物理模型能夠較為精確地模擬目標散射過程，在解釋水稻后向散射機制方面有重要意義，其對水稻植株結構及散射機制進行不同程度的簡化，將水稻地表器官（如莖稈、葉片和稻穗）描述為具有一定尺寸、形狀、數量和空間分布規(guī)律的規(guī)則幾何體，根據生長階段的不同，通常莖稈和稻穗被描述為尺寸不同的圓柱體，而葉片被描述為橢圓盤或針狀體（Koay等，2007；Jia等，2013）。在此基礎上進行輻射傳輸方程解算（Wang 等，2009；Liu 等，2016b）或蒙特卡洛模 擬（Le Toan 等，1997；Yuzugullu 等，2017），從而獲得關鍵散射類型成分，包括冠層體散射、下墊面散射、冠層與下墊面之間的雙次散射等。

水稻微波散射模型最初多是針對森林場景構建，如Karam 模型（Karam 等，1995）、Sun 模型（Sun 等，1991）和MIMICS（Michigan Microwave Canopy Scattering Model）（McDonald和Ulaby，1993），在水稻場景建模中將森林散射模型中的樹干層描述去除，同時調整冠層組分的介電和結構參數，即可用于水稻等低矮作物的散射模擬。物理模型描述了電磁傳播過程和能量輻射機理，數理基礎完備，使水稻生理參數反演不再盲目，其缺點是算法復雜，需要獲取植株和土壤的介電參數，同時對冠層散射體的大小、形狀、方向和空間分布等幾何結構參數進行測量和假設，模型的使用難度較大，為適應大區(qū)域監(jiān)測中復雜的水稻耕作情況，物理模型的結構應進行適當簡化。

3.3 半經驗模型

半經驗模型對水稻散射過程做更為簡化的描述，既保留對散射機制的物理表達，又兼有易于計算的優(yōu)點，是介于經驗模型和物理模型之間的折中建模方案。水云模型（Water Cloud Model）是最常用的半經驗散射模型（Attema和Ulaby，1978），其將冠層描述為空間中均勻分布的水分粒子云團，將雷達回波分解為植被體散射和植被雙層衰減后的土壤散射兩部分。水云模型中冠層屬性可以借由長勢相關參數（如LAI和株高）來表達，下墊面散射貢獻可以使用土壤含水量經驗擬合獲得。張曉倩等（2014）考慮水稻生長過程中田間持續(xù)積水的情況，將水云模型中土壤散射成分視為常量，將LAI 作為水稻冠層的量化參數，使用全生育期LAI 和HH/VV 散射比進行水云模型參數訓練，使用最小二乘法成功反演水稻LAI（R2=0.73，RMSE=0.63）。

水云模型是對植被散射場景的巨大簡化，未考慮到水稻等莖稈作物的冠層結構在水平和垂直方向具有異質性，也忽略了水稻植株與下墊面之間的多次散射，因此參數反演精度受到一定影響，Yang 等（2016）針對這一缺陷對水云模型進行改進，細化了不同物候階段水稻冠層的非均勻空間分布描述，同時考慮了莖稈和稻穗的散射貢獻（圖8），將改進的水云模型和極化分解參數耦合，基于多時相Radarsat-2數據和遺傳算法反演了水稻LAI（R2=0.82，RMSE=0.48）、株高（R2=0.89，RMSE=10.37 cm）、植株體積含水量（R2=0.86，RMSE=0.57 kg/m3）和穗生物量（R2=0.85，RMSE=0.22 kg/m3）等參數，精度優(yōu)于原始的水云模型，Guo等（2018）驗證了這種改進模型與緊縮極化參數耦合用于參數反演的有效性。

圖8 考慮水稻冠層垂直和水平結構異質性的改進水云模型散射場景描述（Yang等，2016）Fig.8 The modified water cloud model considering the heterogeneity of the rice canopy in both horizontal and vertical direction（Yang et al.，2016）

半經驗模型簡潔地描述了水稻散射機制，植株和下墊面理化特性的量化指標較少，參數測量和模型訓練都更易實施，在算法復雜度和機理性方面取得了平衡，可以靈活地與光學遙感指數、土壤散射模型以及水稻生長模型耦合使用，在大區(qū)域監(jiān)測中有很大的應用潛力。

3.4 數據同化

水稻生理參數反演需要開展與SAR 成像同步的地面觀測實驗，對植株生長狀態(tài)進行動態(tài)采樣，獲得生理參數變化規(guī)律的統計表達，往往需要等到生長季結束才能完成全生育周期的參數采集和模型訓練，因此無法及時預測衛(wèi)星成像下一時刻的水稻生長。

水稻生長模型基于作物生長原理，機理性地描述水稻生長過程與環(huán)境條件的關系，先于實際觀測給出下一時刻的水稻長勢預估，可以在單點尺度較好地模擬水稻生理參數變化。為獲得區(qū)域尺度的生長模型預測，需要引入數據同化技術，將多時相SAR 數據、水稻生長模型和散射模型耦合起來，利用遙感觀測信息不斷進行生長模型的參數校正或替代，動態(tài)縮小預測誤差（Setiyono等，2018；宋麗娟 等，2020）。Shen等（2009）以水稻LAI 為媒介耦合水云模型和ORYZA2000 水稻生長模型（Bouman 和van Laar，2006），基于敏感性分析和SCE-UA 全局優(yōu)化方法對ORYZA2000 模型進行參數調整和初始化，實現了水稻產量預估（總體精度=87%）。Liu 等（2016a）使用水云模型和Radarsat-2 數據反演水稻生物量，將其同化到WOFOST 生長模型（Savin等，1997），模擬水稻根系干重并計算根系質量占比，實現水稻植株重金屬脅迫的監(jiān)測。

數據同化方法將SAR 時序觀測與水稻生長模型有效地結合起來，利用動態(tài)迭代不斷降低生長模型的預測偏差，使模擬結果接近真實過程，還能通過生長模型獲得眾多作物狀態(tài)參量。目前遙感數據同化研究大多基于光學數據，使用SAR 數據與水稻生長模型進行同化反演的研究成果較為零散。這一方面是因為SAR 數據的波譜信息較少，與水稻長勢因子的相關性弱于光學指數，另一方面也是受SAR 數據較長的重訪周期和較高的獲取成本限制。隨著SAR 成像獲取能力的提高、水稻生長機制和散射機制的研究深入，數據同化應用將迎來新的發(fā)展契機。

3.5 光學和SAR數據協同

光學影像有較高的波譜分辨率和較小的成像噪聲，對水稻植株光譜反射率變化的響應較為敏感，而SAR 數據對水稻及其下墊面的介電性質和幾何結構變化敏感，兩種成像方式優(yōu)勢互補，可以從不同角度反映水稻信息。目前光學和SAR 數據協同反演水稻生理參數的研究尚不深入，以特征參數的簡單組合為主。Alebele 等（2020）基于Sentinel-1/2數據構造了SAR 和光學組合植被指數，作為高斯過程回歸的輸入，用以估計水稻植株器官的生物量，結果表明使用組合植被指數的反演精度（R2=0.87，RMSE=0.16 kg/m2）優(yōu)于只使用光學指數（R2=0.45，RMSE=1.08 kg/m2）或SAR 指數（R2=0.60，RMSE=0.24 kg/m2）。

協同光學和SAR 數據能夠充分利用水稻在不同觀測手段下表現出的遙感特性，更為全面地反映植株及下墊面的理化性質。目前數據協同策略多是特征組合，光學和SAR 特征被視為獨立變量，聯合輸入回歸方程或機器學習模型，這類協同方式缺乏對異構數據的關聯性挖掘，未考慮兩種遙感特征的機理互補性。同時，特征組合需要在光學衛(wèi)星可以高質量成像的前提下實現，因而不適用于氣象干擾頻繁的地區(qū)。如何綜合利用多源數據的時空譜變化規(guī)律，考慮光學和SAR 特征在時間趨勢和波譜響應上的相關性，耦合光學和微波輻射傳輸機理，在有限光學信息輔助下優(yōu)化SAR參數反演效果值得進一步研究。

4 水稻物候與熟制識別

物候是水稻生長的時間節(jié)律，表征植株發(fā)育和耕作條件的規(guī)律性變化，包括育苗、移栽、分蘗、拔節(jié)、孕穗、抽穗、揚花、灌漿、成熟和收割等具體階段。熟制是稻作區(qū)受氣候和社會發(fā)展水平的影響，耕地田塊的水稻年度種植次數，主要分為單季稻（如川渝貴地區(qū)）、雙季稻（如粵桂地區(qū)）和三季稻（海南部分地區(qū)）。通過物候信息可以判斷水稻的發(fā)育狀況，指導田間種植管理，而熟制信息可以反映水稻種植強度，為區(qū)域估產提供依據。物候和熟制信息相互補充，共同描述了一年中各時刻的水稻長勢。

水稻物候和熟制的遙感提取需要借助多時相對地觀測，通過分析水稻散射的時間變化規(guī)律，篩選能夠指示水稻生長狀態(tài)的SAR 特征因子。早期的研究通常將不同物候或熟制的田塊視作不同的地物類型，采用影像分類的思路進行物候和熟制判別。隨著高時間分辨率SAR 數據的出現，通過識別季內和年內的散射時序波動特征提取水稻物候和熟制成為可能（圖9）。

圖9 水稻物候與熟制識別方法發(fā)展歷程Fig.9 Development of rice phenology and cropping intensity identification methods

物候識別方法主要有閾值分割法（Lopez-Sanchez 等，2014）、監(jiān)督分類法（Yuzugullu 等，2015）和時序特征法（Nguyen 等，2016）。閾值分割法分析水稻在多個關鍵生長期的SAR 特征參數聚集分布情況，在參數空間設置階段閾值實現不同物候期的分割，Yang 等（2014）分析緊縮極化SAR 參數對水稻物候變化的時域響應，獲取物候分割最優(yōu)參數及經驗閾值，采用決策樹方法實現水稻物候識別（總體精度=86%）。監(jiān)督分類法將不同物候期的水稻視為不同地類，篩選對水稻物候變化敏感的SAR 特征，通過對監(jiān)督分類模型進行樣本訓練實現物候識別。Kucuk等（2016）從多時相TerraSAR-X 數據中提取極化和紋理特征，將水稻生育周期分階段進行類別標注，使用支持向量機（總體精度=81.1%，Kappa 系數=0.76）、k近鄰（總體精度=81.2%，Kappa 系數=0.76）和決策樹（總體精度=73.2%，Kappa 系數=0.66）等方法實現了水稻物候期分類識別。時序特征法通過密集SAR 觀測獲取水稻散射時序，使用平滑濾波和多階求導等方法提取時序曲線的峰值、谷值和曲率極值等作為物候指示節(jié)點，Nguyen 等（2016）分析了Sentinel-1 VH 和VV 極化后向散射在水稻生長周期的時間變化規(guī)律，發(fā)現VH 極化受田間積水變化的影響更小，對VH 極化時序進行平滑求導，提取了水稻生長的移栽期（時序谷值）、抽穗期（時序峰值）和耕作季長度（峰谷間隔）等物候特征。

在對大量觀測樣本進行統計分析和模型訓練的基礎上，閾值分割法和監(jiān)督分類法能取得不錯的物候識別效果，但其普適性易受各種經驗因素的制約。時序特征法依賴高頻次衛(wèi)星觀測，通過對散射時序曲線的構建與分析，能夠較好地追蹤水稻的物候發(fā)育過程，然而SAR 時序特征與水稻精細物候的對應關系，目前尚缺乏統一認識。

熟制識別方法主要分為多時相分類法和時序特征法，多時相分類法在一年中適宜栽植水稻的時間段內獲取多期SAR 影像，通過季節(jié)分段依次分類（Bouvet 等，2009）和多季影像疊合分類（Singha 等，2019）兩種思路識別水稻多熟種植情況。Lasko 等（2018）通過地面調查獲取水稻樣本熟制信息，對Sentinel-1 數據進行多季疊合，使用隨機森林算法實現了水稻熟制提?。傮w精度=93.5%）。時序特征法分析單、雙和三季稻的散射時序變化規(guī)律（圖10），提取時序曲線的物候節(jié)點特征（如峰谷值）以識別單個生長周期，統計物候節(jié)點重復次數實現耕作輪次的判斷，精度一般在85%左右（Nguyen 等，2015）。多時相分類法對SAR 觀測頻次的要求不高，且影像分類算法較為成熟，因而實際應用更為普遍。時序特征法適用于成像時間密集的SAR 數據，在峰形識別中需要解決成像噪聲和輪種、間種作物造成的偽波峰問題，而多時相分類法的技術關鍵是分類時相和分類樣本的合理選擇。

圖10 多季稻SAR散射時序規(guī)律（Nguyen等，2015）Fig.10 Time series SAR backscatter behavior in relation to rice growing season（Nguyen et al.，2015）

水稻散射與植株生育狀態(tài)息息相關，高頻次對地觀測可以提供較為連續(xù)的水稻散射時序信息，時序曲線的季相波動可以表征水稻物候和熟制，因此未來應重點開展時序特征提取和模式識別工作，分析水稻生長機理和散射機制的內在聯系，完善復雜種植條件下水稻散射時序的機理性表達，逐步降低對經驗樣本的依賴。

5 討論

基于SAR 數據的水稻遙感監(jiān)測技術在過去三十年（1991年—2021年）取得了長足的發(fā)展，這主要歸功于SAR 成像能力增強和監(jiān)測方法進步?？臻g分辨率的提高使監(jiān)測尺度更加精細，時間分辨率的提高使生長動態(tài)捕獲更加密集，極化模式的增加使水稻散射機制理解更加全面。監(jiān)測方法的進步不僅使建模決策從經驗分析發(fā)展到機理推導，更將數學和計算機領域的前沿算法引入了水稻遙感監(jiān)測。

5.1 困難與挑戰(zhàn)

雖然SAR 數據已成功應用于水稻生長監(jiān)測的諸多方面，但要準確描述水稻散射的時空譜特性仍需解決多項難題：

（1）破碎地塊和復雜地形。平原地區(qū)規(guī)?；N植是水稻遙感監(jiān)測的理想場景，然而以中國南方丘陵地區(qū)為代表的稻作區(qū)地塊破碎且地形復雜，這類區(qū)域同樣有大量稻田分布。這些稻田形狀大小各異，面積最小處寬度僅數米，毗鄰道橋、屋舍、溝渠、園林和坡埂等非農耕地類，同時耕地分散經營模式導致種植類型多樣、稻田分布零散。目前常用的SAR 衛(wèi)星影像空間分辨率多為10 m 量級，稻田像元極易受到非水稻地物的散射干擾，且SAR 斑點噪聲會進一步劣化破碎田塊的水稻散射特性表達。

丘陵地區(qū)稻作耕地受地形起伏影響，鄰近田塊存在明顯的高程差異，山嶺地區(qū)為提高土地利用率還存在依托山體開墾梯田的情況，鄰近高差不僅使相鄰田塊的雷達局部入射角存在差異，還導致田塊邊界出現高度不一的坡埂，這些土質立面與水稻下墊面形成朝向各異的二面角結構，對SAR 側視成像信號造成了嚴重干擾，此外SAR 影像會在地勢起伏區(qū)域出現疊掩和陰影等異常散射，進一步干擾水稻散射特征獲取。

（2）稻田栽培條件多樣性。稻田栽培條件包括田間管理和植株性狀兩個方面，田間管理多樣性主要指植秧技術（育苗、耕犁和移栽）、栽作技術（株簇密度和壟行朝向）、管水技術（淹水、灌溉和排水）、施肥技術（肥料類型和用量）、除草技術（除草方式和頻次）、曬田技術（曬田日期和時長）、病害管控（蟲害和倒伏防治）水平的田塊間差異。植株性狀多樣性主要是由水稻品種和水肥差異導致的植株地表器官（莖葉穗）數量、尺寸、含水量和質地的差異，以及發(fā)育速度和生育周期的區(qū)別。

稻田散射特征受下墊面和植株的理化特性共同影響，田間管理和植株性狀的多樣化影響因子會顯著增加水稻散射的描述難度。雖然物理散射模型和作物生長模型的同化技術可以模擬SAR 信號對稻田栽培條件的響應，但受限于模型參數獲取和算法復雜度，其應用于生產實際的難度還很大。

（3）季候異步和輪作間作。受地形、水文、氣候、社會發(fā)展水平以及耕作分散經營等因素的影響，不同地區(qū)的水稻熟制（單、雙、三季稻和再生稻等）、輪作（同一田塊輪流種植不同種類的作物）、間作（田壟邊界種植不同種類的作物，或田間混合種植不同品種的水稻）方式存在差異，耕作節(jié)律并不同步，導致水稻散射的季候規(guī)律極為復雜，比如單季中稻區(qū)（如川渝貴地區(qū)）通常在5 月移栽、7 月抽穗、9 月收割，輪作油菜，間作玉米，而雙季稻區(qū)（如粵桂地區(qū)）的早稻一般在4月移栽、6月抽穗、7月收割，晚稻一般在8月移栽、9 月抽穗、11 月收割，輪作間作各類蔬菜。不同于光學遙感植被指數典型的時序曲線峰型特征，SAR 數據對水稻生育過程的響應往往局限于移栽期至抽穗期，且極易受田間管理因素和成像噪聲干擾，難以形成穩(wěn)定的物候動態(tài)響應。

對于大區(qū)域水稻種植遙感監(jiān)測而言，先驗信息的獲取是極為復雜繁重的工作，水稻多樣化的耕作實踐也導致先驗信息的代表性和可靠性難以保證，因此現有研究成果的適用范圍一般局限于樣本訓練區(qū)，水稻監(jiān)測的精細程度不夠理想。

5.2 前景與展望

數據與方法的進步，為水稻種植面積提取、生理參數反演、物候與熟制識別研究提供了具有潛力的探索方向：

（1）依賴更少先驗信息的種植面積精細識別。隨著SAR 數據空間分辨率的提高，面向對象分類算法在抑制成像噪聲和分類噪聲方面優(yōu)勢凸顯，高空間分辨率SAR 影像和面向對象分類算法的結合，是破碎稻田精細提取的有效方案。在分析水稻生長機理和散射變化規(guī)律的基礎上，生成多種典型時序曲線，進行包容度可調節(jié)的模式識別，有望降低分類過程對復雜類型稻田樣本的依賴。

（2）顧及建模效率與精度的生理參數動態(tài)反演。兼顧機理描述和計算簡化的半經驗模型，目前看來是平衡反演精度和效率的不錯選擇，此外模型能夠根據實時觀測進行參數自適應調整也很重要。數據同化方法是耦合水稻生長模型和散射模型的動態(tài)反演方法，可以做到模型實時修正和長勢預測，隨著SAR 數據時間分辨率不斷提高，該方法具有極大的應用潛力，未來對水稻生長模型的參數簡化將為數據同化方法的區(qū)域應用提供便利。

（3）結合生長機理和時序觀測的物候熟制自動識別。隨著SAR 歷史數據的積累，耕地種植狀態(tài)的年際監(jiān)測成為可能，未來的研究應結合水稻的生長機理，考慮多種典型耕作環(huán)境，進一步細化散射時序與水稻物候的對應關系，同時優(yōu)化雷達時序降噪算法，關注復雜種植結構下水稻散射的季候變化規(guī)律，通過時序模式識別實現水稻物候和熟制的自動判讀，降低因地而異的閾值依賴，提高識別算法的普適性和靈活性。

縱觀水稻雷達遙感監(jiān)測研究的發(fā)展進程，成像技術的進步一直是水稻監(jiān)測技術發(fā)展的重要驅動因子。從最初的單極化到現在的全極化，SAR數據實現了波譜信息量的提升；從早期的空間分辨率數十米到目前的數米，SAR 數據實現了空間信息量的提升；從早期的時間分辨率數十天到目前的數天，SAR 數據實現了時間信息量的提升。新一代的星載SAR 衛(wèi)星的空間分辨率能達到米級，重訪頻率也大大提高，Sentinel-1 雙星重訪周期縮短至6 d，高分三號單側視重訪周期小于3 d，有效地提高了觀測頻率和動態(tài)監(jiān)測能力，這些衛(wèi)星向用戶免費便捷地分發(fā)數據，將通過增加時間信息量有力彌補空間和波譜信息短板。

6 結論

糧食安全是經濟發(fā)展和社會穩(wěn)定的基石，水稻種植是中國糧食生產的關鍵組成部分，在多云霧稻作區(qū)使用雷達數據進行水稻遙感監(jiān)測，對于及時把握水稻耕作生長信息和指導農業(yè)管理決策有重要意義。水稻遙感監(jiān)測主要分為種植面積提取、生理參數反演、物候和熟制識別3個部分，其中種植面積提取關注水稻的空間分布信息，生理參數反演關注水稻的植株長勢信息，物候識別關注水稻的生育演化信息，熟制識別關注水稻的耕作輪次信息，這些信息共同構成水稻耕種狀態(tài)的綜合描述，可為水稻的耕作管理和產量預估提供參考依據。

伴隨著電子技術和計算機技術的發(fā)展，SAR成像能力不斷進步，各領域的前沿技術方法也在與遙感技術深度融合，水稻雷達遙感監(jiān)測朝著更大的覆蓋面積、更長的時間跨度和更精細的時空感知能力推進。這一切都需要對水稻生長機制和散射機理的深入理解、對模型復雜度和靈活性的改進、對SAR 數據獲取和處理能力的提升。高質量SAR 數據的開放獲取和云計算平臺的推廣普及，將助力水稻種植的長時序大區(qū)域精準監(jiān)測。