雷达遥感技术在水稻识别中的研究进展

王松寒，何隆华

（1.东南大学交通学院，南京210096；2.中国科学院南京地理与湖泊研究所，南京210008）

雷达遥感技术在水稻识别中的研究进展

王松寒1，何隆华2

（1.东南大学交通学院，南京210096；2.中国科学院南京地理与湖泊研究所，南京210008）

合成孔径雷达技术拥有全天时、全天候、高分辨率和不受云层干扰的特点，利用SAR在我国水稻种植区进行水稻识别拥有无可比拟的优势。该文主要对雷达遥感技术在水稻识别和监测中的应用情况进行了综述。首先总结了合成孔径雷达的发展历史，介绍了目前用于水稻识别的SAR传感器的参数和特点；介绍了水稻的后向散射特性，根据水稻的后向散射模型分析了影响其后向散射系数的因素；综述了国内外利用SAR进行水稻识别的各种方法，并对未来利用SAR监测水稻进行了展望。

SAR；水稻识别；研究进展；雷达遥感；水稻估产

1 引 言

水稻是全球20多亿人口赖以生存的主要粮食作物之一。掌握水稻的种植面积信息，可以监测水稻的生产状况、预报和评估水稻的产量、为粮食价格的预测提供依据。同时，水稻的种植信息对于水资源的合理利用和监测，以及评估人类活动对于大气环境的影响均有重要的意义。

传统的水稻识别方法通常是通过收集地面资料和统计学方法来实现，这种方法在小区域内可以对水稻面积进行监测，但是当监测范围较大时，其费时费力、统计结果不准确等缺点就会显现出来。近年来，光学遥感已经成为水稻识别和监测的重要手段［1－7］。然而，我国的水稻种植区大多分布在东南部地区，这些区域常年阴雨天气多、云量大，常规的光学遥感卫星很难获取到清晰的水稻分布图像。利用SAR技术则可以很好地解决这一问题。SAR是一种主动遥感测量技术，其发射的微波信号（1mm～1m），对于云层、小雨等拥有较强的穿透能力，同时还具有全天时、全天候、高分辨率和观测范围大等特点。所以相比于光学遥感影像，利用SAR遥感技术进行水稻识别有较大的优势。

本文将综述雷达影像在水稻识别领域的已有研究成果，通过介绍用于水稻识别的SAR数据源和水稻的后向散射模型，对影响水稻后向散射系数的因素进行了分析，并对利用SAR进行水稻识别的方法进行了探讨。

2 用于水稻识别的SAR传感器

自1978年美国发射了全球首颗载有SAR传感器的遥感卫星之后，很多国家相继在其发射的资源卫星上搭载SAR传感器。随着SAR逐步从单极化、单视角变为多极化、多视角，空间分辨率从25m提高到1m～5m，观测带宽度从100km提高到500km，成像方式由模拟式发展到数字式，其在水稻识别方面的应用也愈来愈多。截止目前，应用于水稻面积监测的SAR传感器主要有ERS－1／2、Radarsat－1／2、ENVISAT ASAR、ALOS PLASAR、TerraSAR－X等（表1）。

表1 常用SAR的基本参数

SAR通过主动发射微波脉冲，并接收目标物体对微波信号的后向散射信号，根据其强度的不同进行成像。不同品种的农作物，其后向散射机理也不尽相同，这是利用SAR进行农作物识别的主要机理。国内外许多学者早在八九十年代就开始对SAR遥感技术在水稻识别中的应用进行了研究。1989年，Toan等人通过分析X波段SAR影像中地物的后向散射特征，发现水稻的后向散射系数随时相的变化比其他作物较为明显，以此建立利用SAR识别水稻的理论模型［8］，并将上述理论模型应用于ERS－1的观测数据，表明其单极化数据可以用于水稻的识别［9］。在此基础上，Aschbacher等人利用多时相单极化的ERS－1影像，对泰国西部地区的稻田进行了监测，识别精度接近90%［10］。近年来，随着ENVISAT ASAR、Radarsat－2、ALOS－PLASAR等新型雷达的不断升空，交叉极化模式的数据可以同时提供研究区内两种不同极化模式的雷达影像，为水稻识别提供了新的思路。Li和Shao等人利用Radarsat－2数据，比较了不同极化组合在水稻识别中的效果，发现HH／HV和HH数据的组合更适宜于水稻的识别，其精度可以达到93%［11－12］。Yang和Konishi等人分析了地表覆盖、入射角等对ASAP交叉极化数据的影响，并分别利用HH／HV和VV／VH数据对水稻进行了识别，表明交叉极化的数据在水稻识别中拥有优势［13－14］。Wu等人利用Radarsat－2的交叉极化数据，结合水稻的生长模型，对海南地区的水稻进行了识别，精度可以达到89%［15］。随着雷达技术的不断发展，高频波段、多时相、多极化、多倾角和高空间分辨率的雷达卫星不断发射升空，必将为水稻的监测和识别提供更为多样和精确的数据。

3 水稻在SAR影像中的后向散射特性

3.1 水稻的后向散射机理

同一般的光学遥感和热红外遥感不同，SAR通过主动发射微波脉冲，接收目标地物对微波的后向散射信号，以图像的方式记录下来，所以不同的地物类型具有不同的后向散射信号强度。Bouman等对农作物的后向散射机理进行了研究，指出农作物在SAR影像中的后向散射强度与其冠层的结构和底层表面的土壤有密切的关系，这种关系在冠层结构为竖直、狭长型的农作物中尤其明显，例如某些谷类作物［16］。除此之外，水稻种植区域的底层表面主要包含两种情况：水面覆盖或者土壤覆盖。所以，水稻种植区的后向散射机理主要是由微波、植被、水和土壤相互作用的结果。Sun和Sinmott等人根据上述原理提出了连续冠层模型［17－18］，Toan等人在研究利用ERS的SAR数据提取水稻面积时对该模型进行了改进［9］，图1展示了水稻冠层模型的后向散射机理。

图1 水稻冠层模型的后向散射机理（修改自Toan等人的论文［9］）

在ERS数据被用于识别水稻之后，国内外的学者相继对水稻的后向散射机理进行了研究，旨在探究影响水稻后向散射强度的因子。Ribbes等利用Radarsat－1的数据对水稻识别和估产进行了研究，认为水稻的后向散射系数与水稻的某些参数密切相关，例如水稻的生长阶段、株高和单位体积的生物量等［19］。Dong等认为不仅水稻的生长参数（株高、物候期、植被密度、生物量、植株形状）会影响其后向散射系数，微波信号的极化方式和入射角也有不可忽视的影响［20］。在此基础上，他们采用ENVISAT ASAR的数据，对Sun和Sinmontt等提出的连续冠层模型进行改进，该模型考虑到了植株的形状和尺寸，并将其作为模型的输入参数来模拟水稻的后向散射系数［21］。

3.2 水稻后向散射系数的影响因素

影响水稻后向散射系数的因素不仅包括水稻的株高、生物量、含水量，遥感雷达的微波波段、入射角、极化方式，还包括田间管理的人为因素、地形条件、土壤条件和水稻品种等多种因素，在此将重要的影响因素进行总体概括，分为以下几个部分：

3.2.1 水稻

根据连续冠层模型及其改进模型，水稻的后向散射系数必然与其生长阶段有关，这一结论在Inoue等人的研究中可以得到证实［22］。通常情况下，水稻在一个完整的生长周期内，分为多个物候期，其中从移栽期开始直至成熟期，都可以利用SAR影像来进行识别。在水稻移栽期时，植株的个体很小，密度很低，其种植区的后向散射系数非常低，接近于水面的后向散射系数［23］。从分蘖期开始，随着水稻冠层的逐渐增大，微波信号的后向散射主要是冠层和水面的复合散射模式，这时候其后向散射系数会逐渐增大，在抽穗期达到最大值［24］。进入成熟期后，随着水稻的成熟，水稻田中的水量逐渐变少，茎叶的密度也在逐渐下降，导致后向散射系数有所降低［25］。Lim等人利用C波段的微波信号进行试验，分析了水稻整个生长周期内的后向散射系数，发现在抽穗期至成熟期之间，尽管谷粒逐渐成熟，水稻植株的茎叶仍旧是影响后向散射系数的主要因素［26］。

除了水稻的物候期，水稻种植区的植被结构（例如，水稻的种植密度、株高、生物量等）也会影响水稻的后向散射系数。Bouman等经过研究发现，水稻种植的行距对微波的后向散射有显著的影响［16］。Wang等人认为，水稻种植间距的不同，会造成微波之间的相长干涉和相消干涉，从而对其后向散射系数造成影响［27］。

3.2.2 SAR传感器的参数

水稻的后向散射系数随SAR的波段不同而有不同的变化趋势。Inoue等人选择了Ka波段（35.25GHz）、Ku波段（15.95GHz）、X波段（9.6GHz）、C波段（5.75GHz）和L波段（1.26GHz）5个不同波段的波段进行了实验，发现高频率的雷达波段（Ka波段和Ku波段）并不适合于进行水稻的监测［22］。在SAR影像用于水稻面积提取时，一般只用到X波段、C波段和L波段。在3个波段中，L波段和C波段的后向散射系数随物候期的变化基本相似，但L波段的值较小；X波段后向散射系数的变化则与前两者显著不同［22］。不论是L波段、C波段还是X波段，后向散射的主导部分都是水面与水稻之间的散射。由于X波段的波长较短，散射的衰减较大，所以在水稻生长后期下降幅度较大，且随物候期、入射角、极化方式等的不同出现较大的波动。但是，X波段的数据也有优势，其更为精细的纹理数据有利于细碎地块稻田的识别［28］。在水稻识别领域，目前利用C波段建立水稻后向散射系数与植株高度、物候期的统计效果最好。

SAR传感器的极化方式也会影响水稻的后向散射系数。汪小钦等人在利用ASAR数据识别水稻时，发现交叉极化（VH／HV）方式下其后向散射系数比同极化方式（VV／HH）小［29］。一般情况下，L波段下VV极化的后向散射系数值大于HH极化；C波段与X波段相似，HH极化的值大于VV极化；HV极化与VH极化类似，均小于同极化方式。

通常情况下，农作物的后向散射系数对于入射角的变化不敏感。但是水稻因其种植方式的不同（水田耕种），对于入射角的变化较为敏感。Inoue等发现在高频波段（Ka波段、Ku波段、X波段），后向散射系数的变化在小入射角区域更为敏感；而低频波段（C波段、L波段），后向散射系数的变化在大入射角区域更为敏感［22］。由于土壤或者水面的回波叠加，水稻的后向散射系数在入射角接近于垂直角时有明显的增大。

3.2.3 复合因素

近年来，多倾角、多极化、高空间分辨率的SAR传感器不断涌现，研究物候期、极化方式、入射角等多种复合因素对于后向散射系数变化的影响就有重要的意义。

在水稻的不同物候期，SAR的极化方式对于后向散射系数的影响有很大的不同。Kim和Bouvet等人研究发现，在水稻生长的早期，VV极化的后向散射系数大于HH极化的后向散射系数；在水稻生长中期，情况则正好相反，HH极化的后向散射系数值大于VV极化的值［30－31］。Lim等人认为在生长早期，水稻的叶茎较少，叶面短小竖直，造成VV极化的值较大；而生长期内微波信号的强度会因繁茂的枝叶而衰减［26］。国内的陈亨霖和田昕等人［32－33］分别利用ASAR和PLASAR双极化（HH和VV）的数据在福建进行水稻识别时，也发现了上述这一规律。

多极化方式与多时相数据的结合可以更好地识别水稻，许多学者对于最佳极化方式和时相的选择方面进行了研究。邵芸等在进行地面测量的同时获取了试验区的Radarsat遥感图像，通过对比分析，发现HH极化和VV极化可以作为水稻生长初期和成熟期相对独立的水稻冠层测量数据，在分孽期和抽穗期则效果不好［34］。杨沈斌等在此基础上，对提取水稻面积最佳时相参数的选择进行了研究，结果表明单时相情况下，最佳时相是水稻生长中后期，即水稻幼穗分化期至水稻收割前期内的任一时相；而多时相情况下，最佳时相为一组时相的组合，即应至少包含水稻移栽期和水稻生长中后期各一时相［35］。谭炳香等利用多时相的ASAR数据进行水稻识别，认为利用水稻齐穗期至近成熟期的HH和VV极化的图像能较好区分水稻与非水稻［36］。

4 SAR影像中水稻识别的方法

目前，除了传统的遥感影像分类法，在SAR影像中通过确定合理的后向散射系数阈值识别水稻、与水稻生长模型相结合识别水稻已获得了良好的效果，与光学影像的融合应用也是未来的发展方向。

4.1 阈值法

尽管传统的遥感影像分类法可以识别水稻，但是由于各个地区降雨量等的不同，水稻种植时间也会有相当大的差异，最终这种差异会以后向散射系数变化的形式在SAR影像上显现出来，使得水稻在雷达影像上的后向散射特征有很强的时间特征，这是利用传统遥感分类方法进行水稻识别的缺陷。基于这一特征，Toan等在1997年提出了一种识别水稻的方法——阈值法［9］。Liew等于1998年提出了相似的方法，主要思想是利用变化的后向散射系数阈值来实现分类［37］。

利用阈值法识别稻田需要分析不同时相、不同极化方式下合理的阈值，常用的方法有比值法和差值法，实验证实比值法通常能够达到较好的效果［38］。Chen等利用广东省ASAR的多时相数据，测试了在多种HH／HV比例的情况下稻田的识别精度，发现一景生长早期的HH极化图像和一景生长晚期的HV极化图像结合能够最精准地识别稻田［39］。Lam等测试了湄公河三角洲的ASAR数据的合理极化比例，结果显示，最合理的阈值为HH／VV的比例大于3dB并且VV极化的后向散射系数小于－7dB，此时识别精度可以达到93%［40］。国内的李章成等也对此进行了研究，他们分别获取了拔节期和乳熟期的交叉极化ALOS－PLASAR数据，经过对比分析，得出HH－HV≥1.5、0.2≤HH／HV≤0.6（拔节期）和0.15≤HH／HV≤0.6（乳熟期）为水稻的阈值区域，在此条件下，识别精度超过了93%［41］。

4.2 与水稻生长模型相结合

不同地区的水稻物候期有很大的差别，而水稻的后向散射系数受到物候期的影响非常大，所以与生长模型相结合的方法在水稻识别中应用非常广泛。利用单极化数据识别水稻，需要与水稻生长模型相结合，通过对水稻物候期各个阶段后向散射系数的变化规律，选择多时相的雷达影像数据，以提高精度。Holecz等分析了水稻物候期后向散射系数变化的规律，选取合适的多时相ERS和Radarsat数据实现了对斯里兰卡和越南试验田的识别［42］。Takashi等人通过获取试验田的ERS－1雷达数据，对水稻生长天数与后向散射系数进行了回归分析，并给出了具体的计算公式［43］。Shao等人利用多时相、多模式的Radarsat数据，采用图像直接提取与地面实地测量相结合的方式，建立了水稻生长模型，分析了水稻的时域散射特性，认为利用水稻插秧期、收获期两个时相就可以进行水稻识别［44］。李岩等采用Radarsat－1窄波扫描模式（SNB）数据，结合水稻生长图谱，以广东省为例进行了大范围水稻识别的实验［45］。

4.3 与光学影像的融合应用

SAR影像在云雾气候下对水稻的识别有独特的优势，但是其时间分辨率通常较大，并且SAR影像的处理和应用也比光学影像复杂得多。如果在旱季利用光学影像，在雨季利用SAR影像，水稻的识别和监测就能够更加完善。Okamoto等人结合旱季的TM影像和种植初期水淹时的ERS－1影像数据进行水稻识别，精度可以达到86%以上［46］；杨沈斌等人利用ASAR的交叉极化数据与CBERS－02的CCD数据进行融合，认为HIS变换融合方法生成的融合图可以用于水稻识别［47］。SAR影像和光学影像的融合图在农作物的分类和种植面积调查方面，比单独应用光学影像或雷达影像更具有独特的优势，减少了异物同谱等现象对分类的影响。

5 结束语

由于雷达遥感技术拥有全天时、全天候、高分辨率和不受云层干扰的特点，利用SAR影像识别水稻已经成为一种行之有效的方法。随着雷达遥感技术的发展，SAR的工作模式、各项技术指标都在不断进步和发展。新型SAR遥感卫星（TerraSAR－X、 TecSAR、COSMO－SkyMed等）不断出现，这些具备高空间分辨率、多波段、多时相、全／多极化数据获取能力的雷达卫星，势必能够为水稻识别提供更广泛的数据来源［48－49］，也将为雷达遥感技术在水稻识别中的应用提供广阔的发展前景。

面对SAR卫星性能的逐渐提高，其能够提供的数据种类和精度也逐渐提升，如何更好地将这些数据有效地应用在稻田识别中，也是需要继续研究的方向。例如，目前水稻的识别主要还是针对于同极化（HH／VV）的数据，随着SAR卫星逐渐向全极化的方向发展，全极化的雷达数据的应用势必能够提升稻田识别的精度。

雷达遥感影像与光学遥感影像的结合能够更好地实现对水稻的识别和监测，也是目前的研究热点。近几年，已经有一些研究将SAR影像和ETM＋、MODIS等光学影像结合起来进行水稻识别，取得了很好的效果［50－51］。但是，对于SAR影像和光学影像的融合机理、数据选择、最佳融合方式等方面并没有成熟的理论。随着多参数雷达遥感时代的到来，如何有效地将多波段、多入射角、多极化的雷达数据和各有优势的光学数据进行结合，势必是水稻识别领域的热点。

［1］ FANG H L，WU B F，LIU H Y，et al.Using NOAA AVHRR and Landsat TM to estimate rice area year－by－year［J］.International Journal of Remote Sensing，1998，（19）：521－525.

［2］ DIUK M A，BAGAYOKO M，SOGOBA N，et al.Mapping rice field anopheline breeding habitats in Mali，west africa，using Landsat ETM＋sensor data［J］.International Journal of Remote Sensing，2004，（25）：359－376.

［3］ NGUYEN T T H，BIE C，AMJAD A，et al.Mapping the irrigated rice cropping patterns of the mekong delta，vietnam，through hyper－temporal SPOT NDVI image analysis［J］.International Journal of Remote Sensing，2012，33（2）：415－434.

［4］ XIAO X，BOLES S，FROLKING S，et al.Mapping paddy rice agriculture in south and southeast asia using multitemporal MODIS images［J］.Remote Sensing of Environment，2006，100（1）：95－113.

［5］ XIAO X，BOLES S，LIU J，et al.Mapping paddy rice agriculture in southern China using multi－temporal MODIS images［J］.Remote Sensing of Environment，2005，95（4）：480－492.

［6］ 王力凡，潘剑君.基于CBERS－02B卫星影像光谱信息的水稻种植面积提取方法——以南京市溧水县为例［J］.南京农业大学学报，2013，（1）：87－91.

［7］ PENG D L，HUETE A R，HUANG J F，et al.Detection and estimation of mixed paddy rice cropping patterns with MODIS data［J］.International Journal of Applied Earth Observation and Geoinformation，2011，13（1）：13－23.

［8］ TOAN T L，LAUR H，MOUGIN E，et al.Multi－temporal and dual－polarisation observation of agricultural vegetation covers by X－band SAR images［J］.IEEE Transactions of Geo－science and Remote Sensing，1989，27（6）：709－718.

［9］ TOAN T L，RIBBES F，WANG L F，et al.Rice crop mapping and monitoring using ERS－1data based on experiment and modeling results［J］.IEEE Geoscience and Remote Sensing，1997，（35）：41－56.

［10］ ASCHBACHER J，PONGSRIHADULCHAI A，KARNCHANASUTHAM S，et al.Assessment of ERS－1SAR data for rice crop mapping and monitoring［C］.IEEE International Geoscience and Remote Sensing Symposium.Firenze：IEEE，1995.

［11］ LI K，SHAO Y，ZHANG F L.Paddy rice identification using polarimetric SAR data in southern China［C］.IEEE International Conference on Multimedia Technology.Ningbo，China：IEEE，2010.

［12］ LI K，ZHANG F，SHAO Y，et al.Polarization signature analysis of paddy rice in southern China［J］.Canadian Journal ofRemote Sensing，2011，37（1）：122－135.

［13］ YANG S B，SHEN S H，LI B B，et al.Rice mapping and monitoring using ENVISAT ASAR data［J］.IEEE Geoscience and Remote Sensing Letters，2008，5（1）：108－112.

［14］ KONISHI T，SUGA Y，OMATU S，et al.Rice crop growth monitoring using ENVISAT－1／ASAR APmode［J］.SPIE Proceedings Series，2007：6749.

［15］ WU F，WANG C，ZHANG H，et al.Rice crop monitoring in south China with RADARSAT－2quad－polarization SAR data［J］.IEEE Geoscience and Remote Sensing Letters，2011，8（2）：196－200.

［16］ BOUMAN B.Crop modelling and remote sensing for yield prediction［J］.Netherlands Journal of Agriculture Science，1995，（43）：143－161.

［17］ SUN G Q，SIMONETT D S.A composite L－band radar backscattering model coniferous forest stands［J］.Photogrammetric Engineering and Remote Sensing，1988，54（8）：1195－1201.

［18］ SUN G Q，DAVID S S.Simulation of L－band HH microwave backscattering from coniferous forest stands：A comparison with SIR－B data［J］.International Journal of Remote Sensing，1988，9（5）：907－925.

［19］ RIBBES F，TOAN T L.Rice parameter retrieval and yield prediction using Radarsat data［C］.Towards Digital Earth－Proceedings of the International Symposium in Digital Earth.Toulouse，France：Science Press，1999.

［20］ DONG Y F，SUN G Q，PANG Y.Monitoring of rice crop using ENVISAT ASAR data［J］.Science in China：Series D Earth Sciences，2006，（49）：755－63.

［21］ 董彦芳，庞勇，孙国清，等.ENVISAT ASAR数据用于水稻监测和参数反演［J］.武汉大学学报（信息科学版），2006，（2）：124－127.

［22］ INOUE Y，KUROSU T，MAENO H，et al.Season－Long daily measurements of multi－frequency（Ka，Ku，X，C，and L）and full－polarization backscatter signatures over paddy rice field and their relationship with biological variables［J］.Remote Sensing of Environment，2002，（81）：194－204.

［23］ CHEN C，MCNAIRN H.A neural network integrated approach for rice crop monitoring［J］.International Journal of Remote Sensing，2006，（27）：1367－1393.

［24］ 邵芸，郭华东，范湘涛，等.水稻时域散射特征分析及其应用研究［J］.遥感学报，2001，（5）：340－345.

［25］ 凌飞龙，汪小钦，史晓明.多时相SAR图像水稻分布信息提取方法研究［J］.福建师范大学学报（自然科学版），2007，（3）：15－19.

［26］ LIM K S，KOO V C，EWE H T.Multi－angular scatterometer measurements for various stages of rice growth［J］.Progress in Electromagnetics Research，2008，（83）：385－396.

［27］ WANG L，KONG J A，DING K H，et al.Electromagnetic scattering model for rice canopy based on monte carlo simulation［J］.Progress in Electromagnetics Research，2005，（52）：153－171.

［28］ JIA K，LI Q，TIAN Y，et al.Crop classification using multi－configuration SAR data in the north China plain［J］.International Journal of Remote Sensing，2012，33（1）：170－183.

［29］ 汪小钦，王钦敏，史晓明，等.基于主成分变换的ASAR数据水稻种植面积提取［J］.农业工程学报，2008，（10）：122－126.

［30］ KIM Y，HONG S，LEE H.Radar backscattering measurements of paddy rice field using multi－frequency（L，C and X）and full polarization［C］.Geoscience and Remote Sensing Symposium.Boston：IEEE International，2008.

［31］ BOUVET A，TOAN T L，NGUYEN L D.Monitoring of the rice cropping system in the mekong delta using ENVISAT／ASAR dual polarization data［J］.IEEE Transactions on Geoscience and Remote Sensing，2009，47（2）：517－526.

［32］ 陈亨霖，汪小钦.基于ENVISAT ASAR的长乐市水稻种植面积监测［J］.福建农林大学学报（自然科学版），2009，（3）：289－294.

［33］ 田昕，陈尔学，李增元，等.基于多极化星载SAR数据的水稻／旱田识别—以江苏省海安县为例［J］.遥感技术与应用，2012，27（3）：406－412.

［34］ 邵芸，廖静娟，范湘涛，等.水稻时域后向散射特性分析：雷达卫星观测与模型模拟结果对比［J］.遥感学报，2002，（6）：440－450.

［35］ 杨沈斌，赵小艳，申双和，等.基于ASAR数据的水稻制图最佳时相参数提取［J］.江苏农业学报，2009，（3）：518－523.

［36］ 谭炳香，李增元，李秉柏，等.单时相双极化ENVISAT ASAR数据水稻识别［J］.农业工程学报，2006，（12）：121－127.

［37］ LIEW S C，KAM S P，TUONG T P，et al.Application of multi－temporal ERS－2synthetic aperture radar in delineating rice cropping systems in the mekong river delta，vietnam［J］.IEEE Transactions on Geoscience and Remote Sensing，1998，（36）：1412－1420.

［38］ RIGNOT E J M，ZYL J J.Change detection techniques for ERS－1SAR data［J］.IEEE Transactions on Geoscience and Remote Sensing，1993，31（4）：896－906.

［39］ CHEN C，LIN H，PEI Z.Application of ENVISAT ASAR data in mapping rice crop growth in southern China［J］.IEEE Geoscience and Remote Sensing Letters，2007，（4）：431－435.

［40］ LAM－DAO N，APAN A，YOUNG F，et al.Rice monitoring using ENVISAT ASAR data：Preliminary results of a case study in the mekong river delta，vietnam［C］.28th Asian Conference on Remote Sensing.Kuala Lumpur，Malaysia：2007.

［41］ 李章成，李源洪，周华茂.基于ALOS＿PALSAR双极化雷达影像遥感监测水稻的研究——以德阳地区为例［J］.西南师范大学学报（自然科学版），2012，（6）：62－67.

［42］ HOLECZ F，DWYER E，MONACO S，et al.An operational rice field mapping tool using space－bone SAR data［C］.ERSENVISAT Symposium.Goteborg：Sweden，2000.

［43］ KUROSU T，FUJITA M，CHIBA K.Monitoring of rice crop growth from space using the ERS－1C－band SAR［J］.IEEE Transactions on Geoscience and Remote Sensing，1995，33（4）：1092－1096.

［44］ SHAO Y，FAN X T，LIU H，et al.Rice monitoring and production estimation using multitemporal Radarsat［J］.Remote Sensing of Environment，2001，（76）：310－325.

［45］ 李岩，彭少麟，廖其芳，等.RADARSAT SNB SAR数据在大面积水稻估产中的应用研究［J］.地球科学进展，2003，（1）：109－115.

［46］ OKAMOTO K.Estimation of rice－planted area in the tropical zone using a combination of optical and microwave satellite sensor data［J］.International Journal of Remote Sensing，1999，20（5）：1045－1048.

［47］ 杨沈斌，李秉柏，申双和.ENVISATASAR数据与CBERS－02数据的融合及应用初探［J］.江苏农业科学，2008，（2）：227－231.

［48］ BAGHDADI N，BOYER N，TODOROFF P，et al.Potential of SAR sensors TerraSAR－X，ASAR／ENVISAT and PALSAR／ALOS for monitoring sugarcane crops on reunion island［J］.Remote Sensing of Environment，2009，（113）：1724－1738.

［49］ LOPEZ J M，BALLESTER J D，CLOUDE S R.Monitoring and retrieving rice phenology by means of satellite SAR polarimetry at X－band［C］.2011IEEE International Geoscience and Remote Sensing Symposium（IGARSS）.Vancouver，BC：IEEE，2011.

［50］ KARILA K，NEVALAINEN O，KROOKS A，et al.Monitoring changes in rice cultivated area from SAR and optical satellite images in ben tre and tra vinh provinces in mekong delta，vietnam［J］.Remote Sensing，2014，6（5）：4090－4108.

［51］ TORBICK N，SALAS W A，HAGEN S，et al.Monitoring rice agriculture in the sacramento valley，USA with multitemporal PALSAR and MODIS imagery［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2011，4（2）：451－457.

Advances of Rice Recognition by SAR

WANG Song－han1，HE Long－hua2
（1.College of Transportation，Southeast University，Nanjing210096；2.Nanjing Institute of Geography and Limnology，CAS，Nanjing210008）

Due to its all－weather，all－time，high resolution and non－cloud interference characteristics，Synthetic Aperture Radar（SAR）techniques have unparalleled advantages for rice recognition in China.This article gives a review on the SAR techniques for rice recognition.It summarizes the development history of SAR，describes the parameters and characteristics of SAR sensors used for rice recognition，and analyzes the factors influencing backscattering coefficient based on the backscattering model of rice monitoring.This paper also reviews various methods for rice recognition based on SAR in domestic and abroad.Finally，the paper discusses the prospect in the related fields.

SAR；rice recognition；advances；RADAR remote sensing；rice yield estimation

10.3969／j.issn.1000－3177.2015.02.001

S127

A

1000－3177（2015）138－0003－07

2014－06－05

2014－07－17

国家自然科学基金资助项目（41271418）。

王松寒（1992～），男，硕士研究生，主要从事农作物遥感、热红外遥感方面的研究。

E－mail：wangsonghan＠qq.com

何隆华（1966～），男，博士，副研究员，主要从事遥感作物监测及3S应用等。

E－mail：lhhe＠niglas.ac.cn