1.一种改进的水云模型,其特征在于,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。
2.根据权利要求1所述的一种改进的水云模型,其特征在于,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。
3.根据权利要求2所述的一种改进的水云模型,其特征在于,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。
4.根据权利要求3所述的一种改进的水云模型,其特征在于,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。
5.根据权利要求4所述的一种改进的水云模型,其特征在于,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。
6.根据权利要求5所述的一种改进的水云模型,其特征在于,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)·De
Ve_s=F·Ae1(θ)·n2De
其中:
θ为雷达波束入射角,
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。
7.根据权利要求5所述的一种改进的水云模型,其特征在于,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:
8.应用权利要求1-7任一项所述的改进的水云模型的水稻参数反演方法,其特征在于,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。
9.根据权利要求8所述的水稻参数反演方法,其特征在于,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。
10.根据权利要求9所述的水稻参数反演方法,其特征在于,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。