一种改进的水云模型及应用该模型的水稻参数反演方法与流程

本发明涉及农作物遥感监测
技术领域：
，特别是涉及一种改进的水云模型及应用该模型的水稻参数反演方法。
背景技术：
：农业是安天下、稳民心的战略产业，也是扩内需、调结构的重要领域。粮食生产是农业的核心。水稻是世界三大粮食作物之一，种植面积超过世界耕地总面积的11％，为一半以上的世界人口提供粮食来源。中国是水稻生产大国，年产量居世界第一位。2012年，我国水稻种植面积约为3013.71万公顷，占粮食种植总面积的27.10％，稻谷产量占粮食总产的34.64％，占全国商品粮的一半以上。因此，准确实时监测水稻生产对我国农业政策制定、粮食价格调控以及国内国际粮食安全具有重要的意义。水稻生产监测的核心是水稻长势(生长状况)监测与产量估算。由于水稻长势和产量都是通过具体的水稻参数(如植株高度、叶面积指数、生物量等)来反映和衡量的，因此，水稻生产监测的实质是水稻参数反演。传统的水稻参数获取方法主要是通过田间观测，费时费力，而且覆盖范围小、时效性差。遥感以其宏观性、时效性、周期性等特点，在水稻参数反演中具有不可替代的作用。光学遥感数据(如ARHRR、MODIS、VEGETATION等)已被广泛应用于水稻参数反演研究，主要是利用近红外波段和可见光红波段生成植被指数(如NDVI、EVI、RVI等)来反映水稻的生长变化，并以此为依据建立定量关系，实现水稻参数反演。由于植被指数受到云、大气、传感器等因素的干扰，反演参数之前需要利用多时相或时间序列数据，对植被指数进行去噪和重构，主要方法有阈值法，如最优指标斜率提取法；滤波平滑方法，如Savitzky-Golay滤波方法、小波变换和傅立叶变换方法；非线性拟合方法，如Logistic函数拟合方法和非对称性高斯函数拟合法等。经过上述方法处理，可以在一定程度上抑制云、大气、传感器等因素的干扰，但是仍然无法避免云雨天气给光学遥感数据获取带来的困难。2009年，Motohka等针对东亚季风区评价了光学遥感在水稻参数反演中的能力，并分析了云等干扰因素的影响，结果表明云是光学遥感水稻参数反演的最大障碍。在该实验区连续获取的MODIS/Terra、Aqua长时间序列数据(约548天)中，65％以上都受到云的影响；对应水稻全生育期的数据中，80％以上被云污染，而对应水稻生长中期的数据中，Terra数据的云污染率高达91.3％，Aqua为83.7％。由此可以看出，水稻生育期内光学遥感数据受云的影响严重，难以精确捕捉水稻参数的变化规律，从而无法满足实际应用的需求。合成孔径雷达(SyntheticApertureRadar，SAR)，以其全天时、全天候快速成像能力以及穿透性，对几何结构、介电特性敏感等优势，成为目前水稻监测的重要手段之一。基于SAR的水稻参数反演方法大致可以分为四类。一是经验方法，即直接建立雷达后向散射系数与水稻参数之间的定量关系，进而实现参数反演。该方法简单易行，但是普适性、稳定性差。二是物理模型方法，基于电磁散射理论模型，从数学物理的角度，推导出雷达后向散射系数与水稻参数之间的定量关系，进而实现参数反演。该方法物理意义明确、普适性强，但是复杂度过高，而且由于物理建模过程中存在大量的假设，实际应用效果差强人意。三是半经验模型方法，对复杂的物理模型进行简化，同时引入经验参数，既具有一定的普适性，又能保证较好的实际应用效果，而且操作较为简单。该方法是目前SAR水稻参数反演中最常用的方法。四是基于干涉测量的方法，该方法是近年来随着干涉测量技术发展起来的，对SAR数据轨道精度、重访周期等具有很高的要求，很难获取满足要求的SAR数据，因此难以满足业务化应用需求。在所述半经验模型方法中，水云模型是最经典的水稻参数反演方法。它将水稻层假设为均匀分布着均一水粒子的水平云层，并根据辐射传输模型0阶解，构建雷达后向散射系数与水稻参数之间的定量关系。然而，该模型却忽略了水稻与下垫面之间的二次散射。对于水稻而言，尤其是在生长发育的前期阶段(抽穗期以前)，水稻层并非均匀的，而是存在很大的异质性；而且雷达波束能通过水稻层中间的空隙直接到达下垫面，使得水稻层与下垫面之间的二次散射的贡献较大。此外，水云模型只是建立了总的雷达后向散射系数与水稻参数的定量关系，没有充分考虑不同散射机理的贡献以及它们与不同水稻参数之间的相关性，因此，该模型在参数反演的精度上仍有待进一步提高。技术实现要素：本发明的一个目的是提供一种改进的水云模型，考虑了水稻冠层异质性及其物候变化，同时考虑了水稻与下垫面之间的二次散射，使得模型架构更加合理，更加符合植物生长发育过程的实际情况。本发明的又一个目的是提供一种应用所述改进的水云模型的水稻参数反演方法，能够实现全生育期或某一生育阶段的水稻参数反演，而且参数反演精度高，误差小，尤其能够在水稻生长发育前几个物候期实现水稻参数的准确反演，使得水稻长势监测及产量预估更加真实、准确、可靠。为实现上述目的，本发明采用如下技术方案：一种改进的水云模型，所述模型设定植被区场景在垂直方向上分为多个层次，在水平方向上分成多个散射单元；所述每个散射单元由植株和空隙两部分组成，所述多个层次包括下垫面及位于下垫面之上的植被层，所述植被层被划分为多个结构层，所述多个结构层分别对应不同的物候期出现；所述模型利用水粒子的密度来反映在所述垂直方向的多个层次上，各个散射单元两部分的含水量差异。作为进一步地改进，所述模型通过下述步骤构建：A、根据物候期构建植被区场景；B、分析所述植被区场景下的主要散射机理，所述主要散射机理包括植被层散射、下垫面散射以及植被层与下垫面之间的二次散射；C、建立所述主要散射机理与植被参数之间的关系；D、对所述植被区的极化雷达数据进行极化分解获得散射分量，建立所述散射分量与主要散射机理之间的对应关系；E、根据所述主要散射机理与植被参数之间的关系，以及所述散射分量与主要散射机理之间的对应关系，建立所述极化雷达数据与植被参数之间的关系。所述植被区为水稻稻田，所述步骤A中根据水稻物候期构建稻田场景，在所述稻田场景的垂直方向上，所述植被层被划分为分别对应不同物候期出现的茎杆层、叶子层和稻穗层，所述下垫面对应不同物候期为土壤或水。所述步骤A中根据水稻物候期，将水稻全生育期划分为幼苗期、分蘖期到孕穗期、抽穗期到扬花期、乳熟期到成熟期4个生育阶段，所述各生育阶段对应的稻田场景如下：所述幼苗期的稻田场景其植株部分包括叶子层和茎杆层，空隙部分为空气，下垫面为水；分蘖期到孕穗期的稻田场景其植株部分包括叶子层和茎杆层，空隙部分出现叶子层，下垫面为水；所述抽穗期到扬花期的稻田场景其植株部分包括叶子层、茎杆层和稻穗层，空隙部分存在叶子层，下垫面为土壤；所述乳熟期到成熟期的稻田场景其植株部分包括叶子层、茎杆层和稻穗层，空隙部分存在叶子层，并出现稻穗层，下垫面为土壤。所述步骤B中的主要散射机理根据所述不同生育阶段的稻田场景对应如下：所述幼苗期的稻田场景主要包括如下6种散射机理：水稻部分的叶子层体散射Vf_r、茎秆层面散射St、空隙部分下垫面的粗糙面散射Sg_s、经过水稻部分衰减后下垫面的粗糙面散射Sg_r、水稻部分叶子层与下垫面之间的二次散射Dg_f、茎秆层与下垫面之间的二次散射Dg_t；所述分蘖期到孕穗期的稻田场景比幼苗期增加了空隙部分叶子层体散射Vf_s；所述抽穗期到扬花期比分蘖期到孕穗期增加了水稻部分稻穗层体散射Ve_r、稻穗层与下垫面之间的二次散射Dg_e；所述乳熟期到成熟期比抽穗期到扬花期增加了空隙部分稻穗层体散射Ve_s。所述步骤C中，建立所述主要散射机理与水稻参数之间的关系如下：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为雷达波束入射角，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为体积系数，表示所述散射单元中空隙部分所占的比例；n1，n2为体积含水量系数，其中n1表示水稻部分叶子层与空隙部分叶子层体积含水量之比，n2表示水稻部分稻穗层与空隙部分稻穗层体积含水量之比；De为穗生物量，L为叶面积指数，h为水稻植株高度，mv为水稻植株体积含水量，ms为下垫面体积含水量；Ae1(θ)、Ae2(θ)、Af1、Bf1、Af2、Bf2、At1、At2、Cg1(θ)、Cg2(θ)、αf、αt、αe为模型系数，其中，Ae1(θ)、Ae2(θ)与稻穗的后向、前向散射有关；Af1、Af2与叶子的后向、前向散射有关；Bf1、Bf2表示叶子层后向、前向散射的衰减；At1、At2与茎秆的后向、前向散射有关；Cg1(θ)、Cg2(θ)与下垫面土壤的后向、前向散射有关；αf、αt、αe为与后向散射相关的衰减系数。所述步骤D中的极化雷达数据极化分解后获得的散射分量包括粗糙面散射[Ps]、二面角散射[Pd]和体散射[Pv]三分量，所述三分量与所述主要散射机理之间的关系表达式如下：Pv=Ve_r+Ve_s+Vf_r+Vf_sPd=Dg-e+Dg-t+Dg-fPs=Sg_r+Sg_s+St.]]>应用所述的改进的水云模型的水稻参数反演方法，包括以下步骤：S1、开展星-地同步实验，获取实验区的极化雷达数据，并在实验区选定样本田块测量水稻参数；S2、对所述极化雷达数据进行极化分解，获得散射分量；S3、提取样本田块对应的所述散射分量，并结合水稻参数的实测数据，利用遗传算法对所述改进的水云模型进行模型训练，获取水稻参数与散射分量之间的定量关系；S4、根据水稻参数与散射分量之间的定量关系，进行实验区水稻参数反演。作为进一步地改进，所述步骤S1中实验区的极化雷达数据为RADARSAT-2全极化SAR单视复数据。所述步骤S2中对所述极化雷达数据进行基于物理模型的极化分解，所述极化分解方法包括以下优化步骤中的一种或多种：去方向化步骤、目标反射对称性判断步骤、引入广义体散射模型的步骤。由于采用上述技术方案，本发明至少具有以下优点：(1)本发明的水云模型考虑水稻冠层异质性及其物候变化，模型架构更加合理，更加符合水稻生长发育过程的实际情况。(2)本发明的水云模型考虑了水稻与下垫面之间的二次散射，这种散射机制对于稻田总的后向散射贡献较大，尤其是在水稻生长发育的前几个时期。但是，在传统的水云模型中，这种散射机制是被忽略的。(3)本发明将极化分解分量与水稻主要散射机理直接建立关系，增强了雷达回波能量与水稻参数之间的相关性，提高了水稻参数反演精度。(4)本发明水稻参数反演方法，考虑了冠层异质性及其物候变化，能够自适应的在水稻全生育期或某一生育阶段实现参数反演，而且参数反演精度高，误差小，尤其能够在水稻生长发育前几个物候期实现水稻参数的精确反演，使得水稻长势监测及产量预估更加真实、准确、可靠。(5)本发明水稻参数反演方法，不仅能够反演叶面积指数、水稻植株高度、水稻植株体积含水量和穗生物量，还可以反演水稻生物量、叶子体积含水量等与稻田10种主要散射机理相关的其他水稻参数。(6)本发明的水云模型可以通过修改下垫面和作物参数，推广应用到其他作物类型。附图说明上述仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，以下结合附图与具体实施方式对本发明作进一步的详细说明。图1是本发明水稻参数反演方法的总体技术路线图。图2是实验区及样本田块的地理位置。图3是实验区水稻物候变化。图4是本发明改进的水云模型的架构。图5是散射单元的三维结构与体积系数F的定义。图6是稻田场景的物候变化与散射机理分析。图7是水稻叶面积指数、植株高度、水稻植株体积含水量和穗生物量反演结果图。图8是本发明改进的水云模型反演结果与地面测量数据的对比。图9是模型反演结果的绝对、相对误差。图10是本发明的水稻参数反演方法与传统水云模型方法的效果对比，(a)叶面积指数LAI反演误差之差，(b)株高h反演误差之差，(c)水稻植株体积含水量mv反演误差之差，(d)稻穗生物量De反演误差之差。具体实施方式传统的水云模型将植被层假设为均匀分布着均一水粒子的水平云层，然而对于一些植被而言，如小麦、水稻等作物，在它们生长发育期间尤其是生长发育的前期阶段(抽穗期以前)，植被层并非均匀的，而是存在很大的异质性；而且不同物候期，由于所处的生长发育阶段不同，植被层的结构也会相应发生变化。因此，考虑到上述情况，本发明提供了一种改进的水云模型，该模型考虑了水稻冠层异质性及其物候变化，同时考虑了水稻与下垫面之间的二次散射，使得模型架构更加合理，更加符合植物生长发育过程的实际情况。本发明所述的改进的水云模型，所述模型设定植被区场景在垂直方向上分为多个层次，在水平方向上分成多个散射单元；所述每个散射单元由植株和空隙两部分组成，所述多个层次包括下垫面及位于下垫面之上的植被层，所述植被层被划分为多个结构层，所述多个结构层分别对应不同的物候期出现。例如以水稻稻田为例，构建稻田场景在所述垂直方向上，所述植被层被划分为分别对应不同物候期出现的茎杆层、叶子层和稻穗层，所述下垫面对应不同物候期为土壤或水。所述模型利用水粒子的密度来反映在所述垂直方向的多个层次上，各个散射单元两部分的含水量差异。具体地，本发明的改进的水云模型可通过下述步骤构建：A、根据物候期构建植被区场景；B、分析所述植被区场景下的主要散射机理，所述主要散射机理包括植被层散射、下垫面散射以及植被层与下垫面之间的二次散射；C、建立所述主要散射机理与植被参数之间的关系；D、对所述植被区的极化雷达数据进行极化分解获得散射分量，建立所述散射分量与主要散射机理之间的对应关系；E、根据所述主要散射机理与植被参数之间的关系，以及所述散射分量与主要散射机理之间的对应关系，建立所述极化雷达数据与植被参数之间的关系。基于上述模型架构，利用所述改进的水云模型进行植被参数反演，考虑了冠层异质性及其物候变化，还考虑了植被与下垫面之间的二次散射，增强了雷达回波能量与植被参数之间的相关性，提高了参数反演精度。尤其对于水稻、小麦等作物的生长发育前几个物候期，能够实现作物参数的精确反演，使得作物长势监测及产量预估更加真实、准确、可靠。以下以水稻为例，结合说明书附图以及具体实施方式对本发明所述的改进的水云模型以及利用该模型的水稻参数反演方法做详细介绍。需要指出的是，本发明所述的改进的水云模型并不仅仅局限于水稻而言，对于其他植被或作物类型同样适用，基于同样的模型架构，通过修改下垫面和作物参数，可以推广应用到其他植被或作物类型。请参阅图1所示，作为一种实施示例，基于在实验区开展的全生育期实验，构建本发明改进的水云模型以及水稻参数反演主要包括以下步骤：(1)开展多次星-地同步实验，获取多时相极化SAR数据集以及稻田种植结构参数和水稻参数：第1步，选择江苏金湖、洪泽、盱眙三县为实验区(图2)，在实验区内选择32个样本田块，每个田块面积都大于120×120m2，并且保证样本田块在实验区内分布均匀，具有一定代表性。第2步，获取实验区水稻种植物候历(图3)，规划星-地同步实验的次数和时间安排。本实施例中，在水稻全生育期内(6-11月)，共开展了8次星-地同步实验，具体时间及对应的水稻物候期如表1所示。第3步，每次实验过程中，获取实验区极化SAR数据(表1)，同时在样本田块获取稻田种植结构参数、水稻参数以及地理位置信息；其中稻田种植结构参数包括：田块内水深，水稻种植密度参数(水稻行距、墩距、每墩株数)；水稻参数主要包括：植株高度，茎秆长度，茎秆直径、倾角，每株叶片数，叶长、宽、厚和倾角，穗长、直径和倾角，植株、茎、叶、穗的鲜重、干重、体积含水量，叶面积指数，水稻物候期以及下垫面体积含水量；地理位置信息包括每块样本田块的位置及边界矢量。表1RADARSAT-2极化SAR数据获取时间及具体参数第4步，将水稻样本田块分为两个集合，A1为训练样本，A2为验证样本。(2)建立本发明考虑冠层异质性及其物候变化的水云模型第1步，稻田场景构建针对水稻层，垂直方向上，将其分为四层，稻穗层、叶子层、茎秆层和下垫面；水平方向上，提出了“散射单元”的概念，水稻层总的后向散射由每个散射单元的贡献叠加而成(图4)。根据水云模型的定义，利用水粒子描述水稻层的含水量，并利用水粒子的密度来反映含水量的差异。第2步，定义“散射单元”每个散射单元由水稻和空隙两部分组成(图4、图5(a))，水稻部分主要由水稻植株构成，空隙部分主要由空气组成，二者在含水量和空间比例上存在一定的差异。引入体积系数F定量描述空隙部分在散射单元中的比例，其定义为(散射单元体积-水稻部分体积)/散射单元的体积，其中散射单元的体积由行距(LL)、墩距(LR)和株高(h)决定(图5(b))，水稻部分定义为以一墩水稻中每棵植株最低叶节点在水平面投影椭圆的外接矩形为底面(图5(c))，以株高h为高的矩形，其体积由外接矩形边长，即两个垂直方向的墩直径(DS，DL)和株高(h)决定(图5(d))。同时引入体积含水量系数ni(i＝1,2；i＝1表示叶子层，i＝2表示稻穗层)来表示水稻部分和空隙部分二者体积含水量之间的关系(Ws＝ni*Wr)，由于水稻部分的体积含水量(Wr)大于空隙部分的体积含水量(Ws)，ni介于0-1之间。随着水稻的物候变化(生长发育)，水稻和空隙部分的含水量和空间比例会发生变化。利用系数ni和F可以定量描述散射单元随水稻物候的变化规律。水稻不同物候期体积系数F的均值和3σ区间可以利用相应时期地面测量数据计算获得，而不同物候期的ni则是根据地面测量的水稻植株、叶子、稻穗体积含水量和计算得到的体积系数F，估计阈值区间。在幼苗期，水稻植株很小，散射单元中空隙部分的比例较高，因此系数n较小。从分蘖期到孕穗期，稻叶数量急剧增大，稻秆发生倾斜，水稻部分在散射单元中的比例明显增大，因此，系数n增大。抽穗期到扬花期，稻叶继续增多，而且出现了稻穗，此时整个水稻层较为质密而且均一，水稻部分和空隙部分的含水量差异也很小，n接近于1。乳熟期到成熟期，虽然含水量大大下降，但是整个水稻层仍然很均一，所以n基本保持不变。系数n和F都是以区间的形式给出，主要是因为水稻生长具有一定的差异，不同的田块对应的n和F不完全相同，给出一个可靠的区间更为合理。(3)稻田场景的物候变化与散射机理分析图6给出了稻田场景的物候变化及其主要散射机理。幼苗期(图6(a))，水稻层在垂直方向上分为叶子层和茎杆层，由于水稻植株很小，空隙部分全部为空气，并认为在散射单元水稻部分，水粒子均匀分布；在水平方向上，由若干个散射单元构成。分蘖期到孕穗期(图6(b))，稻叶数量急剧增大，稻秆高度也增大，水稻层的含水量增大。在垂直方向上，水稻层分为茎秆和叶子层；水平方向上，由若干个散射单元构成，而且由于稻叶数据急剧增大，空隙部分也存在一定数量的叶子。抽穗期到扬花期(图6(c))，水稻植株高度、密度都达到峰值，水稻层含水量继续增大，而且出现了稻穗。在垂直方向上，水稻层分为茎秆、叶子和稻穗层；水平方向上，由若干个散射单元构成，而且由于稻叶数据急剧增大，空隙部分的叶子数量继续增大。乳熟期到成熟期(图6(d))，水稻层含水量急剧下降，水平和垂直方向上的结构与抽穗扬花期相似，只是随着稻穗重量增加，出现弯曲，使得空隙部分也出现了稻穗。除此以外，水稻层下垫面也发生了变化，幼苗期到孕穗期，下垫面为水面，抽穗期以后，下垫面为土壤。幼苗期，稻田场景主要包括6种散射机理(图6(a))，水稻部分的叶子层体散射(Vf_r)、茎秆层面散射(St)、下垫面的粗糙面散射(Sg_s)、经过水稻部分衰减后下垫面的粗糙面散射(Sg_r)、水稻部分叶子层与下垫面之间的二次散射(Dg_f)、茎秆层与下垫面之间的二次散射(Dg_t)。分蘖期到孕穗期(图6(b))，除上述6种散射机理外，稻田场景还增加了1种散射机理，空隙部分叶子层体散射(Vf_s)。抽穗期到扬花期(图6(c))，由于出现了稻穗，又增加了水稻部分稻穗层体散射(Ve_r)、稻穗层与下垫面之间的二次散射(Dg_e)，同时，由于空隙部分的叶密度继续增大，与水稻部分叶子层密度几乎没有差异，因此叶子层与下垫面之间的二次散射(Dg_f)可以忽略不计。乳熟期到成熟期(图6(d))，由于稻穗重量增加，稻穗弯曲扩散到空隙部分，因此稻田散射机理又增加了空隙部分稻穗层体散射(Ve_s)。在水稻全生育期内，稻田场景共有10种主要散射机理，其中二次散射的贡献较大，但是传统水云模型却忽略了二次散射。在改进的模型中，充分考虑了稻田二次散射以及其他主要散射机理的贡献，并根据辐射传输方程，建立了每种主要散射机理与水稻参数的定量关系，发展了考虑冠层异质性及其物候变化的水云模型，相关表达式如下：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为极化SAR图像入射角，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)]]>在该模型中，共有21个未知参数，其中，F为体积系数，表示散射单元中空隙部分所占的比例；n1，n2为体积含水量系数，其中n1表示水稻部分叶子层与空隙部分叶子层体积含水量之比，n2表示水稻部分稻穗层与空隙部分稻穗层体积含水量之比；Ae1(θ),Ae2(θ),Af1,Bf1,Af2,Bf2,At1,At2,Cg1(θ),Cg2(θ),αf,αt和αe为模型系数，其中，Ae1(θ)、Ae2(θ)与稻穗的后向、前向散射有关；Af1、Af2与叶子的后向、前向散射有关，Bf1、Bf2表示叶子层后向、前向散射的衰减，At1、At2与茎秆的后向、前向散射有关，Cg1(θ)、Cg2(θ)与下垫面土壤的后向、前向散射有关，αf、αt、αe为与后向散射相关的衰减系数；De,L,h,mv和ms水稻参数，分别表示穗生物量、叶面积指数(注：叶面积指数在上述公式中用L表示，其完整缩写为LAI，即LeafAreaIndex)、水稻植株高度、水稻植株和下垫面体积含水量。(4)极化SAR数据处理与主要散射机理分解对8景RADARSAT-2全极化SAR单视复数据进行处理，提取协方差矩阵[C]，在此基础上，利用基于物理模型的极化分解方法，将总的雷达后向散射能量分解为粗糙面散射[Ps]、二面角散射[Pd]和体散射[Pv]三部分的贡献。由于传统基于物理模型的极化分解方法，存在体散射过高估计和出现负能量的问题，这里做了以下三点改进：一是进行去方向化，降低交叉极化回波能量，即通过矩阵旋转，降低交叉极化回波能量。去方向化后的协方差矩阵为：其中：T为相干矩阵，A0,B0,B,C,D,E,F,G和H为Huynen参数，为旋转角；二是利用交叉极化系数ρ判断目标是否为反射对称，如果ρ<0.1，目标为反射对称，螺旋分量可以忽略不计：ρ=12|<SHHSHV*><|SHH|2><|SHV|2>+<SHVSVV*><|SHV|2><|SVV|2>|---(18)]]>其中：SHH,SHV,SVV是散射矩阵[S]中的元素，为复数，分别表示水平极化(HH)、交叉极化(HV)和垂直极化(VV)的后向散射回波矢量；ρ是交叉极化系数；*表示复共轭转置，||表示取模值，<>表示集体平均。三是引入了广义体散射模型来表征水稻体散射，该模型可以根据水稻物候变化而进行自适应的调整。Cvolume=132(1+γ)-γ3γ0γ/30(1+γ)/2-γ/30γ/301---(19)]]>其中：<[Cvolume]>表示协方差矩阵中体散射的贡献，γ＝|SHH|2/|SVV|2然后，利用改进的极化分解方法对8景RADARSAT-2全极化SAR进行极化分解，获得粗糙面散射[Ps]、二面角散射[Pd]和体散射[Pv]三分量，并对它们进行几何校正、地理编码等处理。之后将32个水稻样本田块位置矢量叠合到图像上，提取它们对应的粗糙面散射[Ps]、二面角散射[Pd]和体散射[Pv]三分量的值。(5)建立考虑冠层异质性及其物候变化的极化SAR水稻参数反演方法根据物理意义，将水稻田10种主要散射机理划归为粗糙面散射[Ps]、二面角散射[Pd]和体散射[Pv]三类，然后建立极化SAR分解三分量与稻田主要散射机理贡献之间的关系，表达式如下：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的表达式参见公式(1)-(15)。抽穗期之前，由于没有稻穗而且稻田下垫面为水面，因此，穗生物量De不考虑，下垫面体积含水量ms饱和，稻田下垫面粗糙面散射利用水面的菲涅尔反射系数计算。抽穗期到成熟期，假设水面的后向散射系数为常数，并且由于稻穗层和叶子层对能量的衰减较大，忽略茎秆层的贡献，不考虑ms和mv。即，抽穗期之前，反演参数LAI，h和mv；抽穗期之后，反演参数LAI，h和De；接着，利用遗传算法进行模型系数计算与水稻参数反演。选择9个样本田块的数据(包括地面测量参数、极化SAR分解分量、F、n1、n2等)进行模型训练，利用遗传算法计算模型系数。利用其余23个样本田块进行模型验证与精度评价。利用考虑冠层异质性及其物候变化的极化SAR水稻参数反演方法，得到的水稻叶面积指数LAI、植株高度h、水稻层体积含水量mv和穗生物量De结果，如图7所示。(6)精度评价利用8个时相、23个样本田块的地面测量数据，进行参数反演的精度评价。图8给出了反演结果与地面测量值之间的关系。可以看出，水稻LAI、h、mv和De4个参数关于y＝x的决定系数R2都大于0.82，说明利用y＝x来表征反演结果与地面测量值之间的关系是十分可靠的，即模型的反演结果与地面测量真实值是非常接近的。图9给出了考虑冠层异质性及其物候变化的极化SAR水稻参数反演方法得到的LAI、h、mv和De4个参数的绝对和相对误差。LAI的绝对误差在0.18-0.5之间；h的绝对误差在7-16.6cm；mv的绝对误差在0.08-0.40kg/cm3；De的绝对误差在0.06-0.14kg/cm3。幼苗期，LAI、h、mv反演结果的相对误差都小于33％，并随着水稻生长逐渐降低，LAI、h的相对误差降至10％左右，mv的相对误差降至15％左右。De反演结果的相对误差约为15％，成熟期降至10％以内。上述结果说明，本发明考虑了冠层异质性及其物候变化的极化SAR水稻参数反演方法能够在水稻全生育期内反演叶面积指数LAI，株高h，稻穗生物量De，并能反演营养生长阶段水稻层体积含水量mv。利用地面测量真实值，该方法反演结果的决定系数R2都大于0.82；绝对误差均较小，相对误差在15％左右，最大不超过33％。为了进一步说明本发明提出的一种改进的水云模型(MWCM)及应用该模型的水稻参数反演方法的优越性，将该方法反演结果与传统水云模型方法(WCM)反演结果进行对比分析。图10给出了不同物候期，两种方法反演误差之间的差异。考虑冠层异质性及其物候变化的极化SAR水稻参数反演方法的绝对和相对误差为AM、RM，传统水云模型方法的绝对和相对误差为AW、RW。Δa＝AW-AM为传统水云模型与本发明方法绝对误差之差，Δr＝RW-RM为传统水云模型与本发明方法相对误差之差，为了使绝对、相对误差数量级一致，便于图形显示，LAI,mv,andDe的Δa都乘以100。对于水稻叶面积指数LAI(图10(a))，幼苗期Δa和Δr分别为15、15％，说明传统水云模型的绝对误差比本发明方法大0.15，相对误差大15％。随着水稻物候变化，Δa相对稳定，均大于0.15，说明在水稻全生育期内本发明方法LAI反演的绝对误差均比传统水云模型至少小0.15。Δr随水稻物候变化逐渐减小，从幼苗期的15％减小到成熟期的5％，即最差的情况下，本发明方法LAI反演的相对误差仍然比传统水云模型小5％；此外，还可以发现随着水稻的物候变化(生长发育)，传统水云模型与本发明方法反演效果的差异逐渐减小，这是因为水稻生长发育的前几个物候期，由于水稻植株较小，其冠层的异质性较大，水稻抽穗以后，冠层异质性减弱，因此，在水稻生长发育的前几个物候期，本发明方法远远优于传统水云模型。然而水稻生长发育的前几个物候期对应水稻的营养生长阶段，是太阳能固化为生物能的重要时期，也是决定水稻产量高低的重要阶段，因此这一时期准确及时的获取水稻参数，对于水稻长势监测与估产至关重要。对于其他三个参数(图10(b)(d))，本发明方法反演精度也优于传统水云模型，二者差异随水稻物候变化的趋势与LAI相似。以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，本领域技术人员利用上述揭示的技术内容做出些许简单修改、等同变化或修饰，均落在本发明的保护范围内。当前第1页1 2 3