2.2.1、農作物生長狀況監測。

同一種作物，由于光、溫、水、土等條件的不同，其生長狀況也不一樣，在微波圖像上表現出不同的輻射和散射特性。利用微波遙感數據，可以對植被的生物物理和生物化學參數，例如植株高度、葉面積指數、生物量、葉綠素總含量等進行反演，從而對作物的健康狀況進行監測，及時地發現農作物的病蟲害、旱澇等災情，并采取應對措施，減少農業災害所帶來的損失。

植被冠層的微波特性是冠層物候歷、類型和雷達頻率和波段的函數，在不同的頻率和極化狀態下，不同類型作物響應不同。研究微波數據與農作物生長過程的關系，是發展可靠的農作物監測方法的基礎和關鍵條件。了解農作物的微波輻射或散射特性隨作物生長變化的規律，可以利用植被的后向散射或輻射模型對作物的散射或輻射過程進行模擬，也可以安裝地基的微波設備，進行地面測量。前者的缺點是后向散射受很多因素的影響，建立的模型很難把各種影響都描述清楚，因而適應性和強壯性較差；反之，針對特定物種進行地面實驗，可以獲得微波數據和作物生長參數之間更確定的關系。

在地面實驗早期，由于受設備落后和實驗條件的限制，測量一般較簡單，但也揭示出反映農作物生長狀況的生物物理和生物化學參數與農作物的微波測量結果存在著一定關系。1983 年，意大利國家研究委員會的Paloscia 等安置地基微波輻射計，對玉米和小麥的微波發射和植被的物理狀況進行了一系列的測量，發現極化指數和作物水脅迫相關。1990 年，Bouman 等對甜菜、馬鈴薯等農作物的微波散射進行了長達6 年的觀測，他們利用地基的散射計對不同角度水平垂直極化X 波段的雷達后向散射測量，發現隨著作物生長，后向散射也逐漸增強，直到飽和；不同入射角后向散射強度不同；植被的幾何形狀影響后向散射強度大小。隨著人們對農作物微波數據需求的增強，在地面實驗中進行多波段、多極化、多角度的數據的觀測逐漸開展。在農作物觀測實驗中，2001 年，日本國家農業環境科學研究所的Inouea 等利用全自動MAPS 微波散射計對Ka、Ku、X、C、L 5 個波段、4 個入射角、全極化對水稻每天進行觀測，LAI 與C 波段、生物量與L 波段、稻穗重量與Ka、Ku 波段相關性最大。2003 年，Brown 等利用地基雷達獲得了小麥冠層X 和C 波段后向散射的三維圖像。

利用微波數據進行植株生長狀況的監測，一方面要分析作物生長狀況與各種生長參數的關系，另一方面要建立微波數據與農作物生長參數的關系，利用微波數據進行生長參數的定量化提取。定量化提取的方法有統計方法，包括一元線性回歸、逐步多元線性回歸和部分最小二乘回歸等；物理方法，對冠層反射率模型的反演，包括迭代最優化算法、查找表方法和人工神經網絡等。2004 年印度的Singh 等分析了蚱蜢蟲害的發生與玉米作物參數，例如植株高度、生物量、LAI、總葉綠素含量等的關系，發現總葉綠素含量和病蟲害發病率有最好的相關性，建立二者經驗模型；另一階段，利用散射計測量不同生長階段的玉米X 波段的不同極化和入射角的散射數據，對總葉綠素含量和散射數據進行線性回歸分析，選擇入射角和極化狀態。基于兩種階段的研究，建立用微波遙感估算病蟲害發生率的算法。利用該算法估算的病蟲害發生率和實際情況有很高的一致性。

利用微波數據進行農作物監測時，需要注意露水的影響。2000 年，加拿大的Wood 等分析了露水對利用RADARSAT-1 圖像進行業務化的作物監測的影響。露水存在時，后向散射強度會增加，但是整體的作物可分性不會受其影響。在進行農作物信息從雷達圖像中定量化提取時，要注意去除露水的影響。

2.2.2、土壤濕度提取。

土壤濕度和它的時空變化是農業科學研究的一個關鍵因子，土壤水分的監測，是農業過程研究的主要組成部分。在區域尺度上，土壤水分的監測對農作物監測和產量估算、干旱預測是非常重要的。常規的測量方法有土壤濕度計法、電阻法等，利用這些方法進行測量，要進行大面積的土壤濕度觀測，需要建立高密度的觀測點網絡，需要耗費大量的人力財力。用遙感進行土壤水分監測，宏觀、時效性強，可以克服以上缺點。

微波遙感進行土壤水分監測，可測得地面0~ 5 cm 深度的土壤濕度，土壤水分含量影響土壤介電特性，表現在微波圖像上為后向散射系數和亮度溫度的變化。主動微波遙感數據的空間分辨率較高（< 100 m），應用在局部區域，被動微波遙感的分辨率一般在10 km 量級，一般應用于全球尺度。

目前，主動微波遙感土壤濕度提取，主要通過建立土壤水分含量和后向散射系數之間經驗關系，提取土壤濕度。盡管一系列的物理模型，例如幾何光學模型、物理光學模型和小擾模型等可用來模擬地表的后向散射機理，但是由于需要多個生物物理參數和土壤參數，它們不能直接應用于大多數的農作物覆蓋地表的土壤濕度提取。近年來發展的經驗方法考慮了利用多參數的微波信息提取土壤濕度。被動微波遙感土壤濕度提取有兩種方法，一種和主動微波遙感相同，建立土壤發射的亮度溫度和土壤濕度之間的統計關系，進行濕度提取；一種是根據輻射傳輸方程，建立亮度溫度和土壤濕度之間的物理模型，通過最小化表示模擬亮度溫度和實際測量亮度溫度之間的差別的損失函數求得土壤濕度。1999 年，美國Oklahoma 州進行的南大平原（SGP99）實驗中，利用機載主動和被動微波傳感器（PALS）進行土壤濕度的反演，分別達3%和2% 的精度。2002 年，在美國Iowa 州進行的土壤水分實驗（SMEX02）中，又對更高含水量植被覆蓋下的主被動微波遙感土壤濕度提取的各種算法進行了檢驗。研究區域為大豆和玉米兩種作物覆蓋，利用多元線性回歸建立微波觀測數據和土壤濕度之間的統計關系，土壤濕度提取誤差約為0. 05 g/ g；利用被動微波遙感原理，由基于零階輻射傳輸方程的物理模型獲得的提取誤差約為0. 04 g/ g。實驗還表明，隨著植被含水量的增加，微波數據對土壤含水量的敏感度降低。2003 年，Parde 等利用L 波段多入射角雙極化的微波發射數據對麥田土壤濕度提取進行研究，比較了幾種基于物理模型的提取算法。根據被提取出參數的個數，他們將這些算法分為單參數法、兩參數法和三參數法。其中三參數法不需要植被的輔助信息，而且土壤濕度、植被天頂角光學厚度和極化參數可以同時被提取出來，可以獲得最高的濕度提取精度。利用被動微波遙感進行土壤濕度的提取時要注意去除植被覆蓋、土壤溫度、雪覆蓋、地形和土壤地表粗糙度的影響。

2.3、農作物單產估算

農作物產量的估算對一個國家采取的國內國際經濟政策有著重大的影響，對國家進行糧食管理有著重要作用。近年來，大量研究建立了各種遙感農作物單位面積產量估算的模型，這些模型考慮了氣象因素、農作物生長過程等，遙感數據則作為作物估產模型的直接或間接輸入參數之一。2000 年，Shao 等將RADARSAT 提取的水稻信息與傳統的農學模型相結合，對水稻產量進行了估算，達到了很好的效果。