本發(fā)明涉及農(nóng)作物遙感監(jiān)測(cè)
技術(shù)領(lǐng)域：
，特別是涉及一種改進(jìn)的水云模型及應(yīng)用該模型的水稻參數(shù)反演方法。
背景技術(shù)：
：農(nóng)業(yè)是安天下、穩(wěn)民心的戰(zhàn)略產(chǎn)業(yè)，也是擴(kuò)內(nèi)需、調(diào)結(jié)構(gòu)的重要領(lǐng)域。糧食生產(chǎn)是農(nóng)業(yè)的核心。水稻是世界三大糧食作物之一，種植面積超過世界耕地總面積的11％，為一半以上的世界人口提供糧食來源。中國(guó)是水稻生產(chǎn)大國(guó)，年產(chǎn)量居世界第一位。2012年，我國(guó)水稻種植面積約為3013.71萬公頃，占糧食種植總面積的27.10％，稻谷產(chǎn)量占糧食總產(chǎn)的34.64％，占全國(guó)商品糧的一半以上。因此，準(zhǔn)確實(shí)時(shí)監(jiān)測(cè)水稻生產(chǎn)對(duì)我國(guó)農(nóng)業(yè)政策制定、糧食價(jià)格調(diào)控以及國(guó)內(nèi)國(guó)際糧食安全具有重要的意義。水稻生產(chǎn)監(jiān)測(cè)的核心是水稻長(zhǎng)勢(shì)(生長(zhǎng)狀況)監(jiān)測(cè)與產(chǎn)量估算。由于水稻長(zhǎng)勢(shì)和產(chǎn)量都是通過具體的水稻參數(shù)(如植株高度、葉面積指數(shù)、生物量等)來反映和衡量的，因此，水稻生產(chǎn)監(jiān)測(cè)的實(shí)質(zhì)是水稻參數(shù)反演。傳統(tǒng)的水稻參數(shù)獲取方法主要是通過田間觀測(cè)，費(fèi)時(shí)費(fèi)力，而且覆蓋范圍小、時(shí)效性差。遙感以其宏觀性、時(shí)效性、周期性等特點(diǎn)，在水稻參數(shù)反演中具有不可替代的作用。光學(xué)遙感數(shù)據(jù)(如ARHRR、MODIS、VEGETATION等)已被廣泛應(yīng)用于水稻參數(shù)反演研究，主要是利用近紅外波段和可見光紅波段生成植被指數(shù)(如NDVI、EVI、RVI等)來反映水稻的生長(zhǎng)變化，并以此為依據(jù)建立定量關(guān)系，實(shí)現(xiàn)水稻參數(shù)反演。由于植被指數(shù)受到云、大氣、傳感器等因素的干擾，反演參數(shù)之前需要利用多時(shí)相或時(shí)間序列數(shù)據(jù)，對(duì)植被指數(shù)進(jìn)行去噪和重構(gòu)，主要方法有閾值法，如最優(yōu)指標(biāo)斜率提取法；濾波平滑方法，如Savitzky-Golay濾波方法、小波變換和傅立葉變換方法；非線性擬合方法，如Logistic函數(shù)擬合方法和非對(duì)稱性高斯函數(shù)擬合法等。經(jīng)過上述方法處理，可以在一定程度上抑制云、大氣、傳感器等因素的干擾，但是仍然無法避免云雨天氣給光學(xué)遙感數(shù)據(jù)獲取帶來的困難。2009年，Motohka等針對(duì)東亞季風(fēng)區(qū)評(píng)價(jià)了光學(xué)遙感在水稻參數(shù)反演中的能力，并分析了云等干擾因素的影響，結(jié)果表明云是光學(xué)遙感水稻參數(shù)反演的最大障礙。在該實(shí)驗(yàn)區(qū)連續(xù)獲取的MODIS/Terra、Aqua長(zhǎng)時(shí)間序列數(shù)據(jù)(約548天)中，65％以上都受到云的影響；對(duì)應(yīng)水稻全生育期的數(shù)據(jù)中，80％以上被云污染，而對(duì)應(yīng)水稻生長(zhǎng)中期的數(shù)據(jù)中，Terra數(shù)據(jù)的云污染率高達(dá)91.3％，Aqua為83.7％。由此可以看出，水稻生育期內(nèi)光學(xué)遙感數(shù)據(jù)受云的影響嚴(yán)重，難以精確捕捉水稻參數(shù)的變化規(guī)律，從而無法滿足實(shí)際應(yīng)用的需求。合成孔徑雷達(dá)(SyntheticApertureRadar，SAR)，以其全天時(shí)、全天候快速成像能力以及穿透性，對(duì)幾何結(jié)構(gòu)、介電特性敏感等優(yōu)勢(shì)，成為目前水稻監(jiān)測(cè)的重要手段之一。基于SAR的水稻參數(shù)反演方法大致可以分為四類。一是經(jīng)驗(yàn)方法，即直接建立雷達(dá)后向散射系數(shù)與水稻參數(shù)之間的定量關(guān)系，進(jìn)而實(shí)現(xiàn)參數(shù)反演。該方法簡(jiǎn)單易行，但是普適性、穩(wěn)定性差。二是物理模型方法，基于電磁散射理論模型，從數(shù)學(xué)物理的角度，推導(dǎo)出雷達(dá)后向散射系數(shù)與水稻參數(shù)之間的定量關(guān)系，進(jìn)而實(shí)現(xiàn)參數(shù)反演。該方法物理意義明確、普適性強(qiáng)，但是復(fù)雜度過高，而且由于物理建模過程中存在大量的假設(shè)，實(shí)際應(yīng)用效果差強(qiáng)人意。三是半經(jīng)驗(yàn)?zāi)Ｐ头椒ǎ瑢?duì)復(fù)雜的物理模型進(jìn)行簡(jiǎn)化，同時(shí)引入經(jīng)驗(yàn)參數(shù)，既具有一定的普適性，又能保證較好的實(shí)際應(yīng)用效果，而且操作較為簡(jiǎn)單。該方法是目前SAR水稻參數(shù)反演中最常用的方法。四是基于干涉測(cè)量的方法，該方法是近年來隨著干涉測(cè)量技術(shù)發(fā)展起來的，對(duì)SAR數(shù)據(jù)軌道精度、重訪周期等具有很高的要求，很難獲取滿足要求的SAR數(shù)據(jù)，因此難以滿足業(yè)務(wù)化應(yīng)用需求。在所述半經(jīng)驗(yàn)?zāi)Ｐ头椒ㄖ?，水云模型是最?jīng)典的水稻參數(shù)反演方法。它將水稻層假設(shè)為均勻分布著均一水粒子的水平云層，并根據(jù)輻射傳輸模型0階解，構(gòu)建雷達(dá)后向散射系數(shù)與水稻參數(shù)之間的定量關(guān)系。然而，該模型卻忽略了水稻與下墊面之間的二次散射。對(duì)于水稻而言，尤其是在生長(zhǎng)發(fā)育的前期階段(抽穗期以前)，水稻層并非均勻的，而是存在很大的異質(zhì)性；而且雷達(dá)波束能通過水稻層中間的空隙直接到達(dá)下墊面，使得水稻層與下墊面之間的二次散射的貢獻(xiàn)較大。此外，水云模型只是建立了總的雷達(dá)后向散射系數(shù)與水稻參數(shù)的定量關(guān)系，沒有充分考慮不同散射機(jī)理的貢獻(xiàn)以及它們與不同水稻參數(shù)之間的相關(guān)性，因此，該模型在參數(shù)反演的精度上仍有待進(jìn)一步提高。技術(shù)實(shí)現(xiàn)要素：本發(fā)明的一個(gè)目的是提供一種改進(jìn)的水云模型，考慮了水稻冠層異質(zhì)性及其物候變化，同時(shí)考慮了水稻與下墊面之間的二次散射，使得模型架構(gòu)更加合理，更加符合植物生長(zhǎng)發(fā)育過程的實(shí)際情況。本發(fā)明的又一個(gè)目的是提供一種應(yīng)用所述改進(jìn)的水云模型的水稻參數(shù)反演方法，能夠?qū)崿F(xiàn)全生育期或某一生育階段的水稻參數(shù)反演，而且參數(shù)反演精度高，誤差小，尤其能夠在水稻生長(zhǎng)發(fā)育前幾個(gè)物候期實(shí)現(xiàn)水稻參數(shù)的準(zhǔn)確反演，使得水稻長(zhǎng)勢(shì)監(jiān)測(cè)及產(chǎn)量預(yù)估更加真實(shí)、準(zhǔn)確、可靠。為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種改進(jìn)的水云模型，所述模型設(shè)定植被區(qū)場(chǎng)景在垂直方向上分為多個(gè)層次，在水平方向上分成多個(gè)散射單元；所述每個(gè)散射單元由植株和空隙兩部分組成，所述多個(gè)層次包括下墊面及位于下墊面之上的植被層，所述植被層被劃分為多個(gè)結(jié)構(gòu)層，所述多個(gè)結(jié)構(gòu)層分別對(duì)應(yīng)不同的物候期出現(xiàn)；所述模型利用水粒子的密度來反映在所述垂直方向的多個(gè)層次上，各個(gè)散射單元兩部分的含水量差異。作為進(jìn)一步地改進(jìn)，所述模型通過下述步驟構(gòu)建：A、根據(jù)物候期構(gòu)建植被區(qū)場(chǎng)景；B、分析所述植被區(qū)場(chǎng)景下的主要散射機(jī)理，所述主要散射機(jī)理包括植被層散射、下墊面散射以及植被層與下墊面之間的二次散射；C、建立所述主要散射機(jī)理與植被參數(shù)之間的關(guān)系；D、對(duì)所述植被區(qū)的極化雷達(dá)數(shù)據(jù)進(jìn)行極化分解獲得散射分量，建立所述散射分量與主要散射機(jī)理之間的對(duì)應(yīng)關(guān)系；E、根據(jù)所述主要散射機(jī)理與植被參數(shù)之間的關(guān)系，以及所述散射分量與主要散射機(jī)理之間的對(duì)應(yīng)關(guān)系，建立所述極化雷達(dá)數(shù)據(jù)與植被參數(shù)之間的關(guān)系。所述植被區(qū)為水稻稻田，所述步驟A中根據(jù)水稻物候期構(gòu)建稻田場(chǎng)景，在所述稻田場(chǎng)景的垂直方向上，所述植被層被劃分為分別對(duì)應(yīng)不同物候期出現(xiàn)的莖桿層、葉子層和稻穗層，所述下墊面對(duì)應(yīng)不同物候期為土壤或水。所述步驟A中根據(jù)水稻物候期，將水稻全生育期劃分為幼苗期、分蘗期到孕穗期、抽穗期到揚(yáng)花期、乳熟期到成熟期4個(gè)生育階段，所述各生育階段對(duì)應(yīng)的稻田場(chǎng)景如下：所述幼苗期的稻田場(chǎng)景其植株部分包括葉子層和莖桿層，空隙部分為空氣，下墊面為水；分蘗期到孕穗期的稻田場(chǎng)景其植株部分包括葉子層和莖桿層，空隙部分出現(xiàn)葉子層，下墊面為水；所述抽穗期到揚(yáng)花期的稻田場(chǎng)景其植株部分包括葉子層、莖桿層和稻穗層，空隙部分存在葉子層，下墊面為土壤；所述乳熟期到成熟期的稻田場(chǎng)景其植株部分包括葉子層、莖桿層和稻穗層，空隙部分存在葉子層，并出現(xiàn)稻穗層，下墊面為土壤。所述步驟B中的主要散射機(jī)理根據(jù)所述不同生育階段的稻田場(chǎng)景對(duì)應(yīng)如下：所述幼苗期的稻田場(chǎng)景主要包括如下6種散射機(jī)理：水稻部分的葉子層體散射Vf_r、莖稈層面散射St、空隙部分下墊面的粗糙面散射Sg_s、經(jīng)過水稻部分衰減后下墊面的粗糙面散射Sg_r、水稻部分葉子層與下墊面之間的二次散射Dg_f、莖稈層與下墊面之間的二次散射Dg_t；所述分蘗期到孕穗期的稻田場(chǎng)景比幼苗期增加了空隙部分葉子層體散射Vf_s；所述抽穗期到揚(yáng)花期比分蘗期到孕穗期增加了水稻部分稻穗層體散射Ve_r、稻穗層與下墊面之間的二次散射Dg_e；所述乳熟期到成熟期比抽穗期到揚(yáng)花期增加了空隙部分稻穗層體散射Ve_s。所述步驟C中，建立所述主要散射機(jī)理與水稻參數(shù)之間的關(guān)系如下：Ve_r＝(1-F)·Ae1(θ)·DeVe_s＝F·Ae1(θ)·n2DeVf_r=(1-F)·Af1·(1-exp(-Bf1L/h))cos(θ)·(1-γf_r2(θ))γe_r2(θ)]]>Vf_s=F·Af1·(1-exp(-Bf1n1L/h))cos(θ)·(1-γf_s2(θ))γe_s2(θ)]]>St=(1-F)·At1mvh·γf_r2(θ)·γe_r2(θ)]]>Sg_r=(1-F)·Cg1(θ)ms·γf_r2(θ)γe_r2(θ)γt2(θ)]]>Sg_s=F·Cg1(θ)ms·γf_s2(θ)γe_s2(θ)]]>Dg-f=F·Cg2(θ)ms·Af2·(1-exp(-Bf2L/h))·γf_s2(θ)]]>Dg-e=F·Cg2(θ)ms·Ae2(θ)·Deγf_s2(θ)γe_s2(θ)]]>Dg-t=F·Cg2(θ)ms·At2mvh·γf_s2(θ)γe_s2(θ)]]>其中：θ為雷達(dá)波束入射角，γf_r2(θ)=exp(-2αfLsec(θ))]]>γf_s2(θ)=exp(-2αfn1Lsec(θ))]]>γt2(θ)=exp(-2αtmvhsec(θ))]]>γe_r2(θ)=exp(-2αeDesec(θ))]]>γe_s2(θ)=exp(-2αen2Desec(θ))]]>上述式中，F(xiàn)為體積系數(shù)，表示所述散射單元中空隙部分所占的比例；n1，n2為體積含水量系數(shù)，其中n1表示水稻部分葉子層與空隙部分葉子層體積含水量之比，n2表示水稻部分稻穗層與空隙部分稻穗層體積含水量之比；De為穗生物量，L為葉面積指數(shù)，h為水稻植株高度，mv為水稻植株體積含水量，ms為下墊面體積含水量；Ae1(θ)、Ae2(θ)、Af1、Bf1、Af2、Bf2、At1、At2、Cg1(θ)、Cg2(θ)、αf、αt、αe為模型系數(shù)，其中，Ae1(θ)、Ae2(θ)與稻穗的后向、前向散射有關(guān)；Af1、Af2與葉子的后向、前向散射有關(guān)；Bf1、Bf2表示葉子層后向、前向散射的衰減；At1、At2與莖稈的后向、前向散射有關(guān)；Cg1(θ)、Cg2(θ)與下墊面土壤的后向、前向散射有關(guān)；αf、αt、αe為與后向散射相關(guān)的衰減系數(shù)。所述步驟D中的極化雷達(dá)數(shù)據(jù)極化分解后獲得的散射分量包括粗糙面散射[Ps]、二面角散射[Pd]和體散射[Pv]三分量，所述三分量與所述主要散射機(jī)理之間的關(guān)系表達(dá)式如下：Pv=Ve_r+Ve_s+Vf_r+Vf_sPd=Dg-e+Dg-t+Dg-fPs=Sg_r+Sg_s+St.]]>應(yīng)用所述的改進(jìn)的水云模型的水稻參數(shù)反演方法，包括以下步驟：S1、開展星-地同步實(shí)驗(yàn)，獲取實(shí)驗(yàn)區(qū)的極化雷達(dá)數(shù)據(jù)，并在實(shí)驗(yàn)區(qū)選定樣本田塊測(cè)量水稻參數(shù)；S2、對(duì)所述極化雷達(dá)數(shù)據(jù)進(jìn)行極化分解，獲得散射分量；S3、提取樣本田塊對(duì)應(yīng)的所述散射分量，并結(jié)合水稻參數(shù)的實(shí)測(cè)數(shù)據(jù)，利用遺傳算法對(duì)所述改進(jìn)的水云模型進(jìn)行模型訓(xùn)練，獲取水稻參數(shù)與散射分量之間的定量關(guān)系；S4、根據(jù)水稻參數(shù)與散射分量之間的定量關(guān)系，進(jìn)行實(shí)驗(yàn)區(qū)水稻參數(shù)反演。作為進(jìn)一步地改進(jìn)，所述步驟S1中實(shí)驗(yàn)區(qū)的極化雷達(dá)數(shù)據(jù)為RADARSAT-2全極化SAR單視復(fù)數(shù)據(jù)。所述步驟S2中對(duì)所述極化雷達(dá)數(shù)據(jù)進(jìn)行基于物理模型的極化分解，所述極化分解方法包括以下優(yōu)化步驟中的一種或多種：去方向化步驟、目標(biāo)反射對(duì)稱性判斷步驟、引入廣義體散射模型的步驟。由于采用上述技術(shù)方案，本發(fā)明至少具有以下優(yōu)點(diǎn)：(1)本發(fā)明的水云模型考慮水稻冠層異質(zhì)性及其物候變化，模型架構(gòu)更加合理，更加符合水稻生長(zhǎng)發(fā)育過程的實(shí)際情況。(2)本發(fā)明的水云模型考慮了水稻與下墊面之間的二次散射，這種散射機(jī)制對(duì)于稻田總的后向散射貢獻(xiàn)較大，尤其是在水稻生長(zhǎng)發(fā)育的前幾個(gè)時(shí)期。但是，在傳統(tǒng)的水云模型中，這種散射機(jī)制是被忽略的。(3)本發(fā)明將極化分解分量與水稻主要散射機(jī)理直接建立關(guān)系，增強(qiáng)了雷達(dá)回波能量與水稻參數(shù)之間的相關(guān)性，提高了水稻參數(shù)反演精度。(4)本發(fā)明水稻參數(shù)反演方法，考慮了冠層異質(zhì)性及其物候變化，能夠自適應(yīng)的在水稻全生育期或某一生育階段實(shí)現(xiàn)參數(shù)反演，而且參數(shù)反演精度高，誤差小，尤其能夠在水稻生長(zhǎng)發(fā)育前幾個(gè)物候期實(shí)現(xiàn)水稻參數(shù)的精確反演，使得水稻長(zhǎng)勢(shì)監(jiān)測(cè)及產(chǎn)量預(yù)估更加真實(shí)、準(zhǔn)確、可靠。(5)本發(fā)明水稻參數(shù)反演方法，不僅能夠反演葉面積指數(shù)、水稻植株高度、水稻植株體積含水量和穗生物量，還可以反演水稻生物量、葉子體積含水量等與稻田10種主要散射機(jī)理相關(guān)的其他水稻參數(shù)。(6)本發(fā)明的水云模型可以通過修改下墊面和作物參數(shù)，推廣應(yīng)用到其他作物類型。附圖說明上述僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，以下結(jié)合附圖與具體實(shí)施方式對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。圖1是本發(fā)明水稻參數(shù)反演方法的總體技術(shù)路線圖。圖2是實(shí)驗(yàn)區(qū)及樣本田塊的地理位置。圖3是實(shí)驗(yàn)區(qū)水稻物候變化。圖4是本發(fā)明改進(jìn)的水云模型的架構(gòu)。圖5是散射單元的三維結(jié)構(gòu)與體積系數(shù)F的定義。圖6是稻田場(chǎng)景的物候變化與散射機(jī)理分析。圖7是水稻葉面積指數(shù)、植株高度、水稻植株體積含水量和穗生物量反演結(jié)果圖。圖8是本發(fā)明改進(jìn)的水云模型反演結(jié)果與地面測(cè)量數(shù)據(jù)的對(duì)比。圖9是模型反演結(jié)果的絕對(duì)、相對(duì)誤差。圖10是本發(fā)明的水稻參數(shù)反演方法與傳統(tǒng)水云模型方法的效果對(duì)比，(a)葉面積指數(shù)LAI反演誤差之差，(b)株高h(yuǎn)反演誤差之差，(c)水稻植株體積含水量mv反演誤差之差，(d)稻穗生物量De反演誤差之差。具體實(shí)施方式傳統(tǒng)的水云模型將植被層假設(shè)為均勻分布著均一水粒子的水平云層，然而對(duì)于一些植被而言，如小麥、水稻等作物，在它們生長(zhǎng)發(fā)育期間尤其是生長(zhǎng)發(fā)育的前期階段(抽穗期以前)，植被層并非均勻的，而是存在很大的異質(zhì)性；而且不同物候期，由于所處的生長(zhǎng)發(fā)育階段不同，植被層的結(jié)構(gòu)也會(huì)相應(yīng)發(fā)生變化。因此，考慮到上述情況，本發(fā)明提供了一種改進(jìn)的水云模型，該模型考慮了水稻冠層異質(zhì)性及其物候變化，同時(shí)考慮了水稻與下墊面之間的二次散射，使得模型架構(gòu)更加合理，更加符合植物生長(zhǎng)發(fā)育過程的實(shí)際情況。本發(fā)明所述的改進(jìn)的水云模型，所述模型設(shè)定植被區(qū)場(chǎng)景在垂直方向上分為多個(gè)層次，在水平方向上分成多個(gè)散射單元；所述每個(gè)散射單元由植株和空隙兩部分組成，所述多個(gè)層次包括下墊面及位于下墊面之上的植被層，所述植被層被劃分為多個(gè)結(jié)構(gòu)層，所述多個(gè)結(jié)構(gòu)層分別對(duì)應(yīng)不同的物候期出現(xiàn)。例如以水稻稻田為例，構(gòu)建稻田場(chǎng)景在所述垂直方向上，所述植被層被劃分為分別對(duì)應(yīng)不同物候期出現(xiàn)的莖桿層、葉子層和稻穗層，所述下墊面對(duì)應(yīng)不同物候期為土壤或水。所述模型利用水粒子的密度來反映在所述垂直方向的多個(gè)層次上，各個(gè)散射單元兩部分的含水量差異。具體地，本發(fā)明的改進(jìn)的水云模型可通過下述步驟構(gòu)建：A、根據(jù)物候期構(gòu)建植被區(qū)場(chǎng)景；B、分析所述植被區(qū)場(chǎng)景下的主要散射機(jī)理，所述主要散射機(jī)理包括植被層散射、下墊面散射以及植被層與下墊面之間的二次散射；C、建立所述主要散射機(jī)理與植被參數(shù)之間的關(guān)系；D、對(duì)所述植被區(qū)的極化雷達(dá)數(shù)據(jù)進(jìn)行極化分解獲得散射分量，建立所述散射分量與主要散射機(jī)理之間的對(duì)應(yīng)關(guān)系；E、根據(jù)所述主要散射機(jī)理與植被參數(shù)之間的關(guān)系，以及所述散射分量與主要散射機(jī)理之間的對(duì)應(yīng)關(guān)系，建立所述極化雷達(dá)數(shù)據(jù)與植被參數(shù)之間的關(guān)系。基于上述模型架構(gòu)，利用所述改進(jìn)的水云模型進(jìn)行植被參數(shù)反演，考慮了冠層異質(zhì)性及其物候變化，還考慮了植被與下墊面之間的二次散射，增強(qiáng)了雷達(dá)回波能量與植被參數(shù)之間的相關(guān)性，提高了參數(shù)反演精度。尤其對(duì)于水稻、小麥等作物的生長(zhǎng)發(fā)育前幾個(gè)物候期，能夠?qū)崿F(xiàn)作物參數(shù)的精確反演，使得作物長(zhǎng)勢(shì)監(jiān)測(cè)及產(chǎn)量預(yù)估更加真實(shí)、準(zhǔn)確、可靠。以下以水稻為例，結(jié)合說明書附圖以及具體實(shí)施方式對(duì)本發(fā)明所述的改進(jìn)的水云模型以及利用該模型的水稻參數(shù)反演方法做詳細(xì)介紹。需要指出的是，本發(fā)明所述的改進(jìn)的水云模型并不僅僅局限于水稻而言，對(duì)于其他植被或作物類型同樣適用，基于同樣的模型架構(gòu)，通過修改下墊面和作物參數(shù)，可以推廣應(yīng)用到其他植被或作物類型。請(qǐng)參閱圖1所示，作為一種實(shí)施示例，基于在實(shí)驗(yàn)區(qū)開展的全生育期實(shí)驗(yàn)，構(gòu)建本發(fā)明改進(jìn)的水云模型以及水稻參數(shù)反演主要包括以下步驟：(1)開展多次星-地同步實(shí)驗(yàn)，獲取多時(shí)相極化SAR數(shù)據(jù)集以及稻田種植結(jié)構(gòu)參數(shù)和水稻參數(shù)：第1步，選擇江蘇金湖、洪澤、盱眙三縣為實(shí)驗(yàn)區(qū)(圖2)，在實(shí)驗(yàn)區(qū)內(nèi)選擇32個(gè)樣本田塊，每個(gè)田塊面積都大于120×120m2，并且保證樣本田塊在實(shí)驗(yàn)區(qū)內(nèi)分布均勻，具有一定代表性。第2步，獲取實(shí)驗(yàn)區(qū)水稻種植物候歷(圖3)，規(guī)劃星-地同步實(shí)驗(yàn)的次數(shù)和時(shí)間安排。本實(shí)施例中，在水稻全生育期內(nèi)(6-11月)，共開展了8次星-地同步實(shí)驗(yàn)，具體時(shí)間及對(duì)應(yīng)的水稻物候期如表1所示。第3步，每次實(shí)驗(yàn)過程中，獲取實(shí)驗(yàn)區(qū)極化SAR數(shù)據(jù)(表1)，同時(shí)在樣本田塊獲取稻田種植結(jié)構(gòu)參數(shù)、水稻參數(shù)以及地理位置信息；其中稻田種植結(jié)構(gòu)參數(shù)包括：田塊內(nèi)水深，水稻種植密度參數(shù)(水稻行距、墩距、每墩株數(shù))；水稻參數(shù)主要包括：植株高度，莖稈長(zhǎng)度，莖稈直徑、傾角，每株葉片數(shù)，葉長(zhǎng)、寬、厚和傾角，穗長(zhǎng)、直徑和傾角，植株、莖、葉、穗的鮮重、干重、體積含水量，葉面積指數(shù)，水稻物候期以及下墊面體積含水量；地理位置信息包括每塊樣本田塊的位置及邊界矢量。表1RADARSAT-2極化SAR數(shù)據(jù)獲取時(shí)間及具體參數(shù)第4步，將水稻樣本田塊分為兩個(gè)集合，A1為訓(xùn)練樣本，A2為驗(yàn)證樣本。(2)建立本發(fā)明考慮冠層異質(zhì)性及其物候變化的水云模型第1步，稻田場(chǎng)景構(gòu)建針對(duì)水稻層，垂直方向上，將其分為四層，稻穗層、葉子層、莖稈層和下墊面；水平方向上，提出了“散射單元”的概念，水稻層總的后向散射由每個(gè)散射單元的貢獻(xiàn)疊加而成(圖4)。根據(jù)水云模型的定義，利用水粒子描述水稻層的含水量，并利用水粒子的密度來反映含水量的差異。第2步，定義“散射單元”每個(gè)散射單元由水稻和空隙兩部分組成(圖4、圖5(a))，水稻部分主要由水稻植株構(gòu)成，空隙部分主要由空氣組成，二者在含水量和空間比例上存在一定的差異。引入體積系數(shù)F定量描述空隙部分在散射單元中的比例，其定義為(散射單元體積-水稻部分體積)/散射單元的體積，其中散射單元的體積由行距(LL)、墩距(LR)和株高(h)決定(圖5(b))，水稻部分定義為以一墩水稻中每棵植株最低葉節(jié)點(diǎn)在水平面投影橢圓的外接矩形為底面(圖5(c))，以株高h(yuǎn)為高的矩形，其體積由外接矩形邊長(zhǎng)，即兩個(gè)垂直方向的墩直徑(DS，DL)和株高(h)決定(圖5(d))。同時(shí)引入體積含水量系數(shù)ni(i＝1,2；i＝1表示葉子層，i＝2表示稻穗層)來表示水稻部分和空隙部分二者體積含水量之間的關(guān)系(Ws＝ni*Wr)，由于水稻部分的體積含水量(Wr)大于空隙部分的體積含水量(Ws)，ni介于0-1之間。隨著水稻的物候變化(生長(zhǎng)發(fā)育)，水稻和空隙部分的含水量和空間比例會(huì)發(fā)生變化。利用系數(shù)ni和F可以定量描述散射單元隨水稻物候的變化規(guī)律。水稻不同物候期體積系數(shù)F的均值和3σ區(qū)間可以利用相應(yīng)時(shí)期地面測(cè)量數(shù)據(jù)計(jì)算獲得，而不同物候期的ni則是根據(jù)地面測(cè)量的水稻植株、葉子、稻穗體積含水量和計(jì)算得到的體積系數(shù)F，估計(jì)閾值區(qū)間。在幼苗期，水稻植株很小，散射單元中空隙部分的比例較高，因此系數(shù)n較小。從分蘗期到孕穗期，稻葉數(shù)量急劇增大，稻稈發(fā)生傾斜，水稻部分在散射單元中的比例明顯增大，因此，系數(shù)n增大。抽穗期到揚(yáng)花期，稻葉繼續(xù)增多，而且出現(xiàn)了稻穗，此時(shí)整個(gè)水稻層較為質(zhì)密而且均一，水稻部分和空隙部分的含水量差異也很小，n接近于1。乳熟期到成熟期，雖然含水量大大下降，但是整個(gè)水稻層仍然很均一，所以n基本保持不變。系數(shù)n和F都是以區(qū)間的形式給出，主要是因?yàn)樗旧L(zhǎng)具有一定的差異，不同的田塊對(duì)應(yīng)的n和F不完全相同，給出一個(gè)可靠的區(qū)間更為合理。(3)稻田場(chǎng)景的物候變化與散射機(jī)理分析圖6給出了稻田場(chǎng)景的物候變化及其主要散射機(jī)理。幼苗期(圖6(a))，水稻層在垂直方向上分為葉子層和莖桿層，由于水稻植株很小，空隙部分全部為空氣，并認(rèn)為在散射單元水稻部分，水粒子均勻分布；在水平方向上，由若干個(gè)散射單元構(gòu)成。分蘗期到孕穗期(圖6(b))，稻葉數(shù)量急劇增大，稻稈高度也增大，水稻層的含水量增大。在垂直方向上，水稻層分為莖稈和葉子層；水平方向上，由若干個(gè)散射單元構(gòu)成，而且由于稻葉數(shù)據(jù)急劇增大，空隙部分也存在一定數(shù)量的葉子。抽穗期到揚(yáng)花期(圖6(c))，水稻植株高度、密度都達(dá)到峰值，水稻層含水量繼續(xù)增大，而且出現(xiàn)了稻穗。在垂直方向上，水稻層分為莖稈、葉子和稻穗層；水平方向上，由若干個(gè)散射單元構(gòu)成，而且由于稻葉數(shù)據(jù)急劇增大，空隙部分的葉子數(shù)量繼續(xù)增大。乳熟期到成熟期(圖6(d))，水稻層含水量急劇下降，水平和垂直方向上的結(jié)構(gòu)與抽穗揚(yáng)花期相似，只是隨著稻穗重量增加，出現(xiàn)彎曲，使得空隙部分也出現(xiàn)了稻穗。除此以外，水稻層下墊面也發(fā)生了變化，幼苗期到孕穗期，下墊面為水面，抽穗期以后，下墊面為土壤。幼苗期，稻田場(chǎng)景主要包括6種散射機(jī)理(圖6(a))，水稻部分的葉子層體散射(Vf_r)、莖稈層面散射(St)、下墊面的粗糙面散射(Sg_s)、經(jīng)過水稻部分衰減后下墊面的粗糙面散射(Sg_r)、水稻部分葉子層與下墊面之間的二次散射(Dg_f)、莖稈層與下墊面之間的二次散射(Dg_t)。分蘗期到孕穗期(圖6(b))，除上述6種散射機(jī)理外，稻田場(chǎng)景還增加了1種散射機(jī)理，空隙部分葉子層體散射(Vf_s)。抽穗期到揚(yáng)花期(圖6(c))，由于出現(xiàn)了稻穗，又增加了水稻部分稻穗層體散射(Ve_r)、稻穗層與下墊面之間的二次散射(Dg_e)，同時(shí)，由于空隙部分的葉密度繼續(xù)增大，與水稻部分葉子層密度幾乎沒有差異，因此葉子層與下墊面之間的二次散射(Dg_f)可以忽略不計(jì)。乳熟期到成熟期(圖6(d))，由于稻穗重量增加，稻穗彎曲擴(kuò)散到空隙部分，因此稻田散射機(jī)理又增加了空隙部分稻穗層體散射(Ve_s)。在水稻全生育期內(nèi)，稻田場(chǎng)景共有10種主要散射機(jī)理，其中二次散射的貢獻(xiàn)較大，但是傳統(tǒng)水云模型卻忽略了二次散射。在改進(jìn)的模型中，充分考慮了稻田二次散射以及其他主要散射機(jī)理的貢獻(xiàn)，并根據(jù)輻射傳輸方程，建立了每種主要散射機(jī)理與水稻參數(shù)的定量關(guān)系，發(fā)展了考慮冠層異質(zhì)性及其物候變化的水云模型，相關(guān)表達(dá)式如下：Ve_r＝(1-F)·Ae1(θ)·De(1)Ve_s＝F·Ae1(θ)·n2De(2)Vf_r=(1-F)·Af1·(1-exp(-Bf1L/h))cos(θ)·(1-γf_r2(θ))γe_r2(θ)---(3)]]>Vf_s=F·Af1·(1-exp(-Bf1n1L/h))cos(θ)·(1-γf_s2(θ))γe_s2(θ)---(4)]]>St=(1-F)·At1mvh·γf_r2(θ)·γe_r2(θ)---(5)]]>Sg_r=(1-F)·Cg1(θ)ms·γf_r2(θ)γe_r2(θ)γt2(θ)---(6)]]>Sg_s=F·Cg1(θ)ms·γf_s2(θ)γe_s2(θ)---(7)]]>Dg-f=F·Cg2(θ)ms·Af2·(1-exp(-Bf2L/h))·γf_s2(θ)---(8)]]>Dg-e=F·Cg2(θ)ms·Ae2(θ)·Deγf_s2(θ)γe_s2(θ)---(9)]]>Dg-t=F·Cg2(θ)ms·At2mvh·γf_s2(θ)γe_s2(θ)---(10)]]>其中：θ為極化SAR圖像入射角，γf_r2(θ)=exp(-2αfLsec(θ))---(11)]]>γf_s2(θ)=exp(-2αfn1Lsec(θ))---(12)]]>γt2(θ)=exp(-2αtmvhsec(θ))---(13)]]>γe_r2(θ)=exp(-2αeDesec(θ))---(14)]]>γe_s2(θ)=exp(-2αen2Desec(θ))---(15)]]>在該模型中，共有21個(gè)未知參數(shù)，其中，F(xiàn)為體積系數(shù)，表示散射單元中空隙部分所占的比例；n1，n2為體積含水量系數(shù)，其中n1表示水稻部分葉子層與空隙部分葉子層體積含水量之比，n2表示水稻部分稻穗層與空隙部分稻穗層體積含水量之比；Ae1(θ),Ae2(θ),Af1,Bf1,Af2,Bf2,At1,At2,Cg1(θ),Cg2(θ),αf,αt和αe為模型系數(shù)，其中，Ae1(θ)、Ae2(θ)與稻穗的后向、前向散射有關(guān)；Af1、Af2與葉子的后向、前向散射有關(guān)，Bf1、Bf2表示葉子層后向、前向散射的衰減，At1、At2與莖稈的后向、前向散射有關(guān)，Cg1(θ)、Cg2(θ)與下墊面土壤的后向、前向散射有關(guān)，αf、αt、αe為與后向散射相關(guān)的衰減系數(shù)；De,L,h,mv和ms水稻參數(shù)，分別表示穗生物量、葉面積指數(shù)(注：葉面積指數(shù)在上述公式中用L表示，其完整縮寫為L(zhǎng)AI，即LeafAreaIndex)、水稻植株高度、水稻植株和下墊面體積含水量。(4)極化SAR數(shù)據(jù)處理與主要散射機(jī)理分解對(duì)8景RADARSAT-2全極化SAR單視復(fù)數(shù)據(jù)進(jìn)行處理，提取協(xié)方差矩陣[C]，在此基礎(chǔ)上，利用基于物理模型的極化分解方法，將總的雷達(dá)后向散射能量分解為粗糙面散射[Ps]、二面角散射[Pd]和體散射[Pv]三部分的貢獻(xiàn)。由于傳統(tǒng)基于物理模型的極化分解方法，存在體散射過高估計(jì)和出現(xiàn)負(fù)能量的問題，這里做了以下三點(diǎn)改進(jìn)：一是進(jìn)行去方向化，降低交叉極化回波能量，即通過矩陣旋轉(zhuǎn)，降低交叉極化回波能量。去方向化后的協(xié)方差矩陣為：其中：T為相干矩陣，A0,B0,B,C,D,E,F,G和H為Huynen參數(shù)，為旋轉(zhuǎn)角；二是利用交叉極化系數(shù)ρ判斷目標(biāo)是否為反射對(duì)稱，如果ρ<0.1，目標(biāo)為反射對(duì)稱，螺旋分量可以忽略不計(jì)：ρ=12|<SHHSHV*><|SHH|2><|SHV|2>+<SHVSVV*><|SHV|2><|SVV|2>|---(18)]]>其中：SHH,SHV,SVV是散射矩陣[S]中的元素，為復(fù)數(shù)，分別表示水平極化(HH)、交叉極化(HV)和垂直極化(VV)的后向散射回波矢量；ρ是交叉極化系數(shù)；*表示復(fù)共軛轉(zhuǎn)置，||表示取模值，<>表示集體平均。三是引入了廣義體散射模型來表征水稻體散射，該模型可以根據(jù)水稻物候變化而進(jìn)行自適應(yīng)的調(diào)整。Cvolume=132(1+γ)-γ3γ0γ/30(1+γ)/2-γ/30γ/301---(19)]]>其中：<[Cvolume]>表示協(xié)方差矩陣中體散射的貢獻(xiàn)，γ＝|SHH|2/|SVV|2然后，利用改進(jìn)的極化分解方法對(duì)8景RADARSAT-2全極化SAR進(jìn)行極化分解，獲得粗糙面散射[Ps]、二面角散射[Pd]和體散射[Pv]三分量，并對(duì)它們進(jìn)行幾何校正、地理編碼等處理。之后將32個(gè)水稻樣本田塊位置矢量疊合到圖像上，提取它們對(duì)應(yīng)的粗糙面散射[Ps]、二面角散射[Pd]和體散射[Pv]三分量的值。(5)建立考慮冠層異質(zhì)性及其物候變化的極化SAR水稻參數(shù)反演方法根據(jù)物理意義，將水稻田10種主要散射機(jī)理劃歸為粗糙面散射[Ps]、二面角散射[Pd]和體散射[Pv]三類，然后建立極化SAR分解三分量與稻田主要散射機(jī)理貢獻(xiàn)之間的關(guān)系，表達(dá)式如下：Pv=Ve_r+Ve_s+Vf_r+Vf_sPd=Dg-e+Dg-t+Dg-fPs=Sg_r+Sg_s+St---(20)]]>其中，Vf_r、St、Sg_s、Sg_r、Dg_f、Dg_t、Vf_s、Ve_r、Dg_e、Ve_s的表達(dá)式參見公式(1)-(15)。抽穗期之前，由于沒有稻穗而且稻田下墊面為水面，因此，穗生物量De不考慮，下墊面體積含水量ms飽和，稻田下墊面粗糙面散射利用水面的菲涅爾反射系數(shù)計(jì)算。抽穗期到成熟期，假設(shè)水面的后向散射系數(shù)為常數(shù)，并且由于稻穗層和葉子層對(duì)能量的衰減較大，忽略莖稈層的貢獻(xiàn)，不考慮ms和mv。即，抽穗期之前，反演參數(shù)LAI，h和mv；抽穗期之后，反演參數(shù)LAI，h和De；接著，利用遺傳算法進(jìn)行模型系數(shù)計(jì)算與水稻參數(shù)反演。選擇9個(gè)樣本田塊的數(shù)據(jù)(包括地面測(cè)量參數(shù)、極化SAR分解分量、F、n1、n2等)進(jìn)行模型訓(xùn)練，利用遺傳算法計(jì)算模型系數(shù)。利用其余23個(gè)樣本田塊進(jìn)行模型驗(yàn)證與精度評(píng)價(jià)。利用考慮冠層異質(zhì)性及其物候變化的極化SAR水稻參數(shù)反演方法，得到的水稻葉面積指數(shù)LAI、植株高度h、水稻層體積含水量mv和穗生物量De結(jié)果，如圖7所示。(6)精度評(píng)價(jià)利用8個(gè)時(shí)相、23個(gè)樣本田塊的地面測(cè)量數(shù)據(jù)，進(jìn)行參數(shù)反演的精度評(píng)價(jià)。圖8給出了反演結(jié)果與地面測(cè)量值之間的關(guān)系?？梢钥闯?，水稻LAI、h、mv和De4個(gè)參數(shù)關(guān)于y＝x的決定系數(shù)R2都大于0.82，說明利用y＝x來表征反演結(jié)果與地面測(cè)量值之間的關(guān)系是十分可靠的，即模型的反演結(jié)果與地面測(cè)量真實(shí)值是非常接近的。圖9給出了考慮冠層異質(zhì)性及其物候變化的極化SAR水稻參數(shù)反演方法得到的LAI、h、mv和De4個(gè)參數(shù)的絕對(duì)和相對(duì)誤差。LAI的絕對(duì)誤差在0.18-0.5之間；h的絕對(duì)誤差在7-16.6cm；mv的絕對(duì)誤差在0.08-0.40kg/cm3；De的絕對(duì)誤差在0.06-0.14kg/cm3。幼苗期，LAI、h、mv反演結(jié)果的相對(duì)誤差都小于33％，并隨著水稻生長(zhǎng)逐漸降低，LAI、h的相對(duì)誤差降至10％左右，mv的相對(duì)誤差降至15％左右。De反演結(jié)果的相對(duì)誤差約為15％，成熟期降至10％以內(nèi)。上述結(jié)果說明，本發(fā)明考慮了冠層異質(zhì)性及其物候變化的極化SAR水稻參數(shù)反演方法能夠在水稻全生育期內(nèi)反演葉面積指數(shù)LAI，株高h(yuǎn)，稻穗生物量De，并能反演營(yíng)養(yǎng)生長(zhǎng)階段水稻層體積含水量mv。利用地面測(cè)量真實(shí)值，該方法反演結(jié)果的決定系數(shù)R2都大于0.82；絕對(duì)誤差均較小，相對(duì)誤差在15％左右，最大不超過33％。為了進(jìn)一步說明本發(fā)明提出的一種改進(jìn)的水云模型(MWCM)及應(yīng)用該模型的水稻參數(shù)反演方法的優(yōu)越性，將該方法反演結(jié)果與傳統(tǒng)水云模型方法(WCM)反演結(jié)果進(jìn)行對(duì)比分析。圖10給出了不同物候期，兩種方法反演誤差之間的差異。考慮冠層異質(zhì)性及其物候變化的極化SAR水稻參數(shù)反演方法的絕對(duì)和相對(duì)誤差為AM、RM，傳統(tǒng)水云模型方法的絕對(duì)和相對(duì)誤差為AW、RW。Δa＝AW-AM為傳統(tǒng)水云模型與本發(fā)明方法絕對(duì)誤差之差，Δr＝RW-RM為傳統(tǒng)水云模型與本發(fā)明方法相對(duì)誤差之差，為了使絕對(duì)、相對(duì)誤差數(shù)量級(jí)一致，便于圖形顯示，LAI,mv,andDe的Δa都乘以100。對(duì)于水稻葉面積指數(shù)LAI(圖10(a))，幼苗期Δa和Δr分別為15、15％，說明傳統(tǒng)水云模型的絕對(duì)誤差比本發(fā)明方法大0.15，相對(duì)誤差大15％。隨著水稻物候變化，Δa相對(duì)穩(wěn)定，均大于0.15，說明在水稻全生育期內(nèi)本發(fā)明方法LAI反演的絕對(duì)誤差均比傳統(tǒng)水云模型至少小0.15。Δr隨水稻物候變化逐漸減小，從幼苗期的15％減小到成熟期的5％，即最差的情況下，本發(fā)明方法LAI反演的相對(duì)誤差仍然比傳統(tǒng)水云模型小5％；此外，還可以發(fā)現(xiàn)隨著水稻的物候變化(生長(zhǎng)發(fā)育)，傳統(tǒng)水云模型與本發(fā)明方法反演效果的差異逐漸減小，這是因?yàn)樗旧L(zhǎng)發(fā)育的前幾個(gè)物候期，由于水稻植株較小，其冠層的異質(zhì)性較大，水稻抽穗以后，冠層異質(zhì)性減弱，因此，在水稻生長(zhǎng)發(fā)育的前幾個(gè)物候期，本發(fā)明方法遠(yuǎn)遠(yuǎn)優(yōu)于傳統(tǒng)水云模型。然而水稻生長(zhǎng)發(fā)育的前幾個(gè)物候期對(duì)應(yīng)水稻的營(yíng)養(yǎng)生長(zhǎng)階段，是太陽(yáng)能固化為生物能的重要時(shí)期，也是決定水稻產(chǎn)量高低的重要階段，因此這一時(shí)期準(zhǔn)確及時(shí)的獲取水稻參數(shù)，對(duì)于水稻長(zhǎng)勢(shì)監(jiān)測(cè)與估產(chǎn)至關(guān)重要。對(duì)于其他三個(gè)參數(shù)(圖10(b)(d))，本發(fā)明方法反演精度也優(yōu)于傳統(tǒng)水云模型，二者差異隨水稻物候變化的趨勢(shì)與LAI相似。以上所述，僅是本發(fā)明的較佳實(shí)施例而已，并非對(duì)本發(fā)明作任何形式上的限制，本領(lǐng)域技術(shù)人員利用上述揭示的技術(shù)內(nèi)容做出些許簡(jiǎn)單修改、等同變化或修飾，均落在本發(fā)明的保護(hù)范圍內(nèi)。當(dāng)前第1頁(yè)1 2 3