水稻监测进展-雷达遥感

本文是对综述文献的整理和总结，以通俗易懂形式整理学术论文的精华部分。
本文结构为：

1. 背景简单描述；
2. 水稻种植面积提取进展；
3. 水稻生理参数反演进展；
4. 水稻物候于熟制识别进展；
5. 展望。

1 背景描述

星载合成孔径雷达 SAR （Synthetic Aperture Radar） 可以不受天气状况影响持续对地成像，因此成为水稻遥感 监测的重要数据源。
波段、极化和时空分辨率是 SAR 成像的关键指标。

1. 波段表征雷达发射的电磁波频率，目前常见的有L波段 （如PALSAR-2）、C波段 （如 Sentinel-1、Radarsat-2 和高分三号） 和 X 波段 （如TerraSAR-X和Cosmo-Skymed）。不同波段的电 磁波拥有不同的波长，因而对探测目标的尺寸敏 感性不同。C 波段和 L 波段电磁波的波长与水稻 植株器官 （茎杆、叶片和稻穗等） 的尺寸接近， 对植株生长过程的散射响应最为明显，因此被广 泛用于水稻遥感监测 （Suga 和 Konishi，2008）。
2. 极化表征电磁波的电场取向，分为水平极化 H （Horizontal） 和垂直极化 V （Vertical），根据收发 信号的配置组合产生同极化 （HH 和 VV） 和交叉 极化 （HV 和 VH） 通道。星载 SAR 传感器经历了 从单极化到全极化成像的发展历程。不同极化信 号对地物有不同的电磁作用机制，极化方式的增 加使 SAR 获取的水稻散射信息更丰富。
3. 时空分辨率表征卫星成像的重访周期和空 间精细度，水稻生长迅速且地块狭小，故而需要 高时空分辨率 SAR 对地观测。受相干成像机理影 响，SAR 数据不可避免地存在斑点噪声，时空分 辨率的提高可以为噪声抑制提供更多的散射信息 参考。

SAR 影像特征参数主要有后向散射系数和各种极化参数，后向散射系数是最基本的SAR参数， 表征地物后向散射强度，与水稻介电和几何特性 密切相关。极化参数主要来源于紧缩极化模拟、 极化分解，以及其他极化运算，如极化相干和相位差。通过相干或协方差矩阵运算可以综合 SAR 数据的幅度和相位信息，得到数理意义明确的极化参数，更为清晰地描述水稻散射的能量组成。
目前水稻雷达监测研究主要聚焦种植面积提取、生理参数反演、物候与熟制识别等。

种植面积提取研究关注水稻耕作的空间分布，基于水稻与其他地表覆盖类型的后向散射特征时空差异进行 SAR 影像分类，经历了从先验阈值决策判别到 时空特征机器学习的发展过程。生理参数反演研 究关注水稻生育相关参量 （如株高、叶面积指数 和生物量），基于植株生理参数与后向散射特征的 时空关联性进行参量映射，方法主要有经验回归、 机器学习、机理建模和数据同化。物候和熟制识 别研究关注水稻的生育节律和复种情况，基于水 稻后向散射特征的时间变化规律进行生长情况判 读，方法主要有时序检测法和机器学习法。

2 水稻种植面积提取进展

获取水稻种植面积是生理参数反演、物候熟 制识别和产量预估工作的基础，早期水稻雷达监测应用也主要着力于水稻空间分布信息提取。种植面积提取的本质是 SAR 影像中水稻像元识别， 根据特定时期水稻与其他地表覆盖类型的后向散射差异进行影像分类。
从技术分类角度，利用SAR影像进行分类的方法主要可分为监督分类和非监督分类。

2.1 时序特征检测

作为人工培育的作物，水稻有着特殊的耕作 生长过程，在 SAR 影像中表现出区别于其他地物 的散射变化规律，随气候和耕种管理的差异表现 出地域性的时序特征。针对性地获取相应时相的 SAR 影 像，通过对时序变化特征的统计分析，识别与水 稻生长规律相符的像元，实现水稻种植面积的提取。

变化阈值检测是最经典的水稻识别方法，通过分析研究区特定时段内水稻像元和其他像元的 散射变化差异，确定时变阈值进行决策分类。水稻生育周期可分为移栽期、营养生长期、生殖生 长期和成熟期 4 个阶段 ，其中移栽期到营 养生长期水稻植株快速生长，是变化阈值监测法最关注的时段。
变化阈值检测法简单高效，适用于地表覆盖 类型简单、地形平坦的稻作区，主要的缺点有：

（1） 依赖研究区域的水稻物候先验知识，需要确 定适合阈值检测的最优前后时相；
（2） 需要足够数量的水稻及非水稻样本，用于散射变化差异的 统计分析；
（3） 识别精度受成像噪声和田间管理 （如移栽日期、灌溉方式和施肥选种等） 差异的显著影响。
因此，变化阈值检测法多用于足够先验 信息支撑下的小样区水稻面积快速提取。

针对变化阈值法的缺陷，通过分析水稻散射的时间变化规律，提取散射时序曲线特征，如极值、曲率和拐点日期间隔 ，进行阈值规则判别或相似性度量，从而实现水稻属性识别。其中相似性度量通过测试 未知类型曲线与水稻标准曲线的形态匹配度，进行水稻散射模式判别，对经验阈值的依赖较小， 是更为自动化的水稻识别方法，典型的算法有波 谱相似性算法和时间动态规划 算法。

时序特征识别法是高时间分辨率 SAR 数据应用的有效方法，借助水稻生育周期的高频次雷达 观测，避免了分类时相的人工选择，水稻识别精 度略高于变化阈值检测法。

补充：
移栽是水稻特有的栽种方式，水稻先在育秧 田中完成从种子到秧苗的发育，期间对稻作田进 行浇灌蓄水，随后将水稻秧苗从育秧田移栽入稻 作田，即为水稻的移栽期。随后水稻将经历快速 的植株生长，地面观测特征主要有茎秆数目增加 （分蘖）、叶片增多、茎秆直径和长度增加 （拔 节）、植株孕穗，同时田间积水逐渐减少，这一阶 段称为水稻的营养生长期。
从移栽期到营养生长期田间水分和植被覆盖 的独特变化趋势造就了这一时期水稻遥感信号的 显著特点，在光学遥感信号中表现为水稻像元绿 度加深，植被指数快速增大，土壤水分指数逐步 降低。对雷达观测而言，移栽期间的稻田主要表 现出田间积水的散射特征，水对微波能量的吸收 和侧视成像造成的水体镜面散射，导致此时雷达 接收的回波信号较为微弱。而营养生长期的水稻 散射则由植株和土壤的散射能量组成，植株冠层 的体散射、粗糙地表的表面散射、植株—土壤之间 的 多 次 散 射 ， 共 同 贡 献 出 较 强 的 回 波 能 量 。

2.2 机器学习方法

水稻种植面积提取的本质是图像分类，因此 数字图像处理领域的各种机器学习算法也被广泛 引入水稻识别研究，并成为目前最常用的面积提 取方法，主要包括不需要人工干预的非监督分类 方法、人工选择样本的监督分类方法和自动提取 数据特征的深度学习方法。
1. 非监督分类

非监督分类不需要地类先验样本，在对 SAR 影像特征进行聚集统计分析的基础上，自动确定 特征参数和决策规则，从而实现水稻像元集群的聚类。目前应用于水稻种植面积提取的非监督分 类算法包括 K 均值聚类 、 层次聚类分析 和迭代自组 织数据分析 。
非监督分类方法的优点是无须人为干预、参 数设置简单和类内同质性高，缺点是水稻识别精 度不高 （一般在80%左右），且分类结果与地表覆 盖类型的对应关系不明确，需对分类结果进行人 工分析判读才能确定水稻聚类。SAR 影像“同物 异谱—同谱异物”现象和斑点噪声显著，水稻极 易与其他地类混淆，进一步增加了类别匹配的难 度，因此非监督方法常用于水稻识别前的地物类别粗提取，作为非水稻 （如水体和城镇） 像元剔 除和异质水稻像元归并的属性参考。

2. 监督分类

监督分类是在已知样本提供类别先验信息的基础上，筛选SAR影像特征参数进行分离度测试， 通过线性或非线性判别算法实现水稻和非水稻像元的分离，通常有以下几个步骤：
（1） 分类样本选取。通过实地调查或高分辨率光学影像目视解 译获得水稻和非水稻样本点；
（2） 影像获取与特 征选择。根据实验需求获取各类成像模式 （如多 频段、多极化和多时相） 的 SAR 数据集，提取并筛选出对水稻特征敏感的 SAR 参数 （如后向散射 系数和极化分解参数）;
（3） 分类器选择与算法参 数调整。根据研究区和样本情况选择合适的分类算 法 ，如、最大似然 法， 人 工 神 经 网 络 、 随 机 森 林 和支持向量机 等；
（4） 分类后处理与精度验证。对分类 结果中可能存在的错分和漏分等制图误差进行合 理修正，并基于验证样本测试分类精度。

注：
监督分类算法是最主流的水稻种植面积提取方法，其优点是样本特征可人工调整优化、分类 过程可控、类别属性明确且精度较高 （一般在 90%以上），缺点是分类前需要进行专业细致的地 面调查或光学影像判读，训练样本的采集和特征 参数的评估工作量较大，样本的完备性和可靠性 易受人为因素影响。此外，SAR 影像波段信息较 少，不同地类的散射特征易混淆，往往需要补充 多时相数据才能获得较高的分类精度，而最优成像日期的选择需要经验知识和反复试验。

3. 深度学习

传统的机器学习算法需要人工提取筛 选对水稻生长状态敏感的 SAR 分类特征，而深度学习模型是含有多个隐藏层的神经网络，能够通 过分层处理自动学习水稻特征。
通过对多极化多时相影像的样本学习，以及对模型的结构参数优化，深度学习算法往往能取得极高的水稻识别精 度 。
深度学习算法的缺点主要是模型设计复杂、计算量庞大，对训练数据的数量和质量要求高，因而目前多是样区尺度的研究。
从训练数据角度来看， 深度学习的理论基础仍然是概率统计，在样区研究中取得不错效果的模型，很难保证基准数据集之外的分类精度，复杂多样的水稻生长场景需要使用庞大的标注特征来描述，数据量过小会造成模型的过拟合。
从模型设计角度来看，深度学习 超参数众多，参数调整在很大程度上依赖实验经 验，设置不同的学习率、梯度下降方法、参数初 始化方法、样本组织方法和归一化方法等都会影 响 模 型 效 果 ， 验 证 过 程 需 要 很 高 的 计 算 成 本 （GPU 等硬件算力） 和时间成本 （数天至数月）。

4. 面向对象的分类算法

使用传统基于像元的影像分类方法进行水稻制图， 难以完整提取地块边界轮廓，且识别结果存在显著噪声。
面向对象的分类算法是降低分类噪声、 提高目标地物识别完整性的有效手段，目前在水 稻识别研究中越来越受到关注。
该方法首先根据散射信息同质性对 SAR 像元进行合并和分割，形成由同质像元组成的目标对象，然后在对象尺度 进行散射特征提取与筛选，最后选用适当的影像 分类算法实现水稻田块的整体识别 。
为保证图像分割效果，往往需要使用多时相 SAR 数 据 ， 提 取 多 种 极 化 特 征 ，或者辅助使用光学数据 和地理信息数据。
面向对象的图像分类方法可以充分利用地物的波谱、纹理和拓扑信息，刻画地物的散射、几何和邻接属性，在识别破碎田块和稻田边界方面显示出优势。
该方法的缺点是存在最优分割尺度选择的问题， 对象分割的质量对分类效果有较大的影响。

5. 光学和SAR数据协同

SAR 数据对水稻的介电特性和几何结构特性 敏感，光学数据对水稻的光合组分特性敏感，在成 像条件支持的情况下获取高质量光学卫星数据，利 用光学精细成像和SAR全天候观测的优势，可以有 效提高水稻识别精度。
数据协同策略分为特征级协同和决策级协同:

1. 典型的特征级协同是将光学和 SAR 影像特征参数联合输 入分类决策器，这是最常见的多源数据使用 方案。
2. 决策级协同一般是使用光学遥感信息对 SAR 分类过程进行指导或修正，比如先使用光学影像进行地表覆盖粗分类 或对象分割，在此基 础上使用 SAR 影像特征识别水稻。决策级协同在技术路径上考虑了两种传感器的成像信息差异， 是更具机理性的方法。此外，非遥感数据 （如 DEM 数据和水文数据） 的补充也对识别精度的提 升有积极贡献 。

3 水稻生理参数反演

水稻长势监测是掌握水稻时空分布后的又一项重要工作，水稻生理参数反演是实现水稻长势监测的具体手段，关注对象包括叶面积指数 LAI 、 光 合 有 效 辐 射 吸 收 率 FPAR 、株高、生物量和含水量等，通过经验拟合和辐射传输建模等方法，建立 SAR 特征参数 和 水 稻 生 理 参 数 之 间 的 映 射 关 系 和 预 测 模 型 。

1. 早期雷达反演研究主要基于概率统计理论， 使用经验模型 （回归拟合和机器学习） 反演水稻生理参数。
2. 为提高反演过程机理性，各种基于辐射传输理论的物理模型和半经验模型被提出，揭 示了水稻生理参数和微波散射机制的内在联系。
3. 此后又出现了耦合水稻散射模型和生长模型的数据同化方法，实现了植株生长机理驱动下的参数动态反演。
   考虑到 SAR 数据无法反映水稻光合组分变化，也有研究在反演过程中加入光学遥感特征，弥补了雷达的观测局限性。
   

3.1 经验模型

经验建模是反演水稻生理参数的经典方法， 通过分析 SAR 影像参数和水稻生理参数的统计特征和数值关联性，建立映射模型实现参数估算 ，统计回 归分析和机器学习是最常用于确定映射关系的方 法。

如，Ndikumana等（2018b）获取双极化Sentinel-1 数据，使用回归模型和机器学习算法反演水稻株 高和干生物量，发现支持向量回归 （株高：R2 = 0.89，RMSE=9.2 cm；生物量：R2 =0.86，RMSE= 193 g/m2 ） 和随机森林 （株高：R2 =0.91，RMSE= 8.2 cm；生物量：R2 =0.89，RMSE=174 g/m2 ） 算法 的参数反演效果优于多元线性回归方法（株高：R2 = 0.79，RMSE=12.4 cm；生物量：R2 =0.83，RMSE= 213 g/m2 ），且生物量与VH极化的相关性很高。

经验反演方法简单易行，在训练样本质量足够高的情况下，能获得不错的参数反演精度，适用于种植模式单一的小样区，其弱点是缺乏对散射过程的物理认知和机理解释，普适性较差。当 研究区域、成像时期和数据来源发生变化时，需 要重新进行参数训练，因而无法适应大范围复杂环境的水稻遥感监测，但从经验模型获得的参数响应规律仍可以为水稻散射的机制理解和物理建模提供参考。

3.2 物理模型

物理模型通过前向运算模拟不同空间结构和理化状态下的水稻植株和土壤雷达回波，根据水稻冠层场景建模和辐射传输机理建立水稻生理参数和雷达散射的映射关系，结合真实 SAR 影像和最优化算法，反向运算获得生理参数估计值。

物理模型能够较为精确地模拟目标散射过程，在解释水稻后向散射机制方面有重要意义，其对水稻植株结构及散射机制进行不同程度的简化，将水稻地表器官 （如茎秆、叶片和稻穗） 描述为具有 一定尺寸、形状、数量和空间分布规律的规则几何体，根据生长阶段的不同，通常茎秆和稻穗被 描述为尺寸不同的圆柱体，而叶片被描述为椭圆 盘或针状体 。在此 基础上进行辐射传输方程解算 或 蒙 特 卡 洛 模 拟 ，从而获得关键散射 类型成分，包括冠层体散射、下垫面散射、冠层 与下垫面之间的双次散射等。

水稻微波散射模型最初多是针对森林场景构 建，如 Karam 模型、Sun 模型 和 MIMICS ， 在水稻场景建模中将森林散射模型中的树干层描述去除，同时调整冠层组分的介电和结构参数， 即可用于水稻等低矮作物的散射模拟。
物理模型描述了电磁传播过程和能量辐射机理，数理基础完备，使水稻生理参数反演不再盲目，其缺点是 算法复杂，需要获取植株和土壤的介电参数，同 时对冠层散射体的大小、形状、方向和空间分布 等几何结构参数进行测量和假设，模型的使用难度较大，为适应大区域监测中复杂的水稻耕作情况，物理模型的结构应进行适当简化。

3.3 半经验模型

半经验模型对水稻散射过程做更为简化的描述，既保留对散射机制的物理表达，又兼有易于计算的优点，是介于经验模型和物理模型之间的折中建模方案。

水云模型 （Water Cloud Model） 是 最常用的半经验散射模型， 其将冠层描述为空间中均匀分布的水分粒子云团， 将雷达回波分解为植被体散射和植被双层衰减后的土壤散射两部分。水云模型中冠层属性可以借由长势相关参数 （如LAI和株高） 来表达，下垫面 散射贡献可以使用土壤含水量经验拟合获得。

水云模型是对植被散射场景的巨大简化，未考虑到水稻等茎秆作物的冠层结构在水平和垂直 方向具有异质性，也忽略了水稻植株与下垫面之间的多次散射，因此参数反演精度受到一定影响。

半经验模型简洁地描述了水稻散射机制，植株和下垫面理化特性的量化指标较少，参数测量 和模型训练都更易实施，在算法复杂度和机理性 方面取得了平衡，可以灵活地与光学遥感指数、 土壤散射模型以及水稻生长模型耦合使用，在大区域监测中有很大的应用潜力。

3.4 数据同化

水稻生理参数反演需要开展与 SAR 成像同步的地面观测实验，对植株生长状态进行动态采样， 获得生理参数变化规律的统计表达，往往需要等 到生长季结束才能完成全生育周期的参数采集和 模型训练，因此无法及时预测卫星成像下一时刻 的水稻生长。

水稻生长模型基于作物生长原理，机理性地描述水稻生长过程与环境条件的关系，先于实际观测给出下一时刻的水稻长势预估，可以在单点尺度较好地模拟水稻生理参数变化。

为获得区域尺度的生长模型预测，需要引入数据同化技术， 将多时相 SAR 数据、水稻生长模型和散射模型耦合起来，利用遥感观测信息不断进行生长模型的 参数校正或替代，动态缩小预测误差 。

数据同化方法将 SAR 时序观测与水稻生长模型有效地结合起来，利用动态迭代不断降低生长模型的预测偏差，使模拟结果接近真实过程，还 通过生长模型获得众多作物状态参量。

目前遥感数据同化研究大多基于光学数据，使用 SAR 数 据与水稻生长模型进行同化反演的研究成果较为零散。

这一方面是因为SAR数据的波谱信息较少， 与水稻长势因子的相关性弱于光学指数，另一方 面也是受 SAR 数据较长的重访周期和较高的获取 成本限制。随着 SAR 成像获取能力的提高、水稻 生长机制和散射机制的研究深入，数据同化应用 将迎来新的发展契机。

3.5 光学和SAR数据协同

光学影像有较高的波谱分辨率和较小的成像噪声，对水稻植株光谱反射率变化的响应较为敏 感，而 SAR 数据对水稻及其下垫面的介电性质和 几何结构变化敏感，两种成像方式优势互补，可以从不同角度反映水稻信息。

目前光学和 SAR 数 据协同反演水稻生理参数的研究尚不深入，以特征参数的简单组合为主。Alebele 等基于 Sentinel-1/2数据构造了SAR和光学组合植被指数， 作为高斯过程回归的输入，用以估计水稻植株器 官的生物量，结果表明使用组合植被指数的反演 精度 优于只使用光学指数 或 SAR 指数 。

目前数据协同策略多是特征组合，光学和SAR特征被视为独立变量， 联合输入回归方程或机器学习模型，这类协同方式缺乏对异构数据的关联性挖掘，未考虑两种遥感特征的机理互补性。同时，特征组合需要在光学卫星可以高质量成像的前提下实现，因而不适用于气象干扰频繁的地区。

4 水稻物候与熟制识别

物候是水稻生长的时间节律，表征植株发育和耕作条件的规律性变化，包括育苗、移栽、分 蘖、拔节、孕穗、抽穗、扬花、灌浆、成熟和收割等具体阶段。
熟制是稻作区受气候和社会发展水平的影响，耕地田块的水稻年度种植次数，主要分为单季稻 （如川渝贵地区）、双季稻 （如粤桂 地区） 和三季稻 （海南部分地区）。

通过物候信息可以判断水稻的发育状况，指导田间种植管理， 而熟制信息可以反映水稻种植强度，为区域估产 提供依据。物候和熟制信息相互补充，共同描述 了一年中各时刻的水稻长势。

水稻物候和熟制的遥感提取需要借助多时相对地观测，通过分析水稻散射的时间变化规律， 筛选能够指示水稻生长状态的SAR 特征因子。

早期的研究通常将不同物候或熟制的田块视作不同的地物类型，采用影像分类的思路进行物候和熟制判别。

随着高时间分辨率 SAR 数据的出现，通过识别季内和年内的散射时序波动特征提取水稻物候和熟制成为可能。

物候识别方法主要有
1. 阈值分割法

阈值分割法分析水稻在多个关键生长期的 SAR 特征参数聚集分布情况，在参数空间设置阶段阈值实现不同物候期的分割，Yang 等 （2014） 分析紧缩极化 SAR 参数对水稻物候变化的时域响应，获取物候分割最优参数及经验阈值，采用决策树方法实现水稻物候识别 ;

2. 监督分类法

监督分类法将不同物候期的水稻视为不同地类，筛选对水稻物候变化敏感的 SAR 特征，通过对监督分类模型进行样本训练实现物候识别。Kucuk等 （2016） 从多时相 TerraSAR-X 数据中提取极化和纹理特征，将水稻生育周期分阶段进行类别标注，使用支持向 量机 、和决策 树 等方法 实现了水稻物候期分类识别。

3. 时序特征法

时序特征法通过密集 SAR 观测获取水稻散射时序，使用平滑滤波和多阶求导等方法提取时序曲线的峰值、谷值和曲 率极值等作为物候指示节点，Nguyen 等 （2016） 分析了Sentinel-1 VH和VV极化后向散射在水稻生长周期的时间变化规律，发现VH极化受田间积水变化的影响更小，对 VH 极化时序进行平滑求导， 提取了水稻生长的移栽期 （时序谷值）、抽穗期 （时序峰值） 和耕作季长度 （峰谷间隔） 等物候特征。

在对大量观测样本进行统计分析和模型训练的基础上，阈值分割法和监督分类法能取得不错的物候识别效果，但其普适性易受各种经验因素的制约。

时序特征法依赖高频次卫星观测，通过对散射时序曲线的构建与分析，能够较好地追踪水稻的物候发育过程，然而 SAR 时序特征与水稻 精细物候的对应关系，目前尚缺乏统一认识。

熟制识别方法主要分为多时相分类法和时序特征法，多时相分类法在一年中适宜栽植水稻的时间段内获取多期 SAR 影像，通过季节分段依次分类和多季影像叠合分类 两种思路识别水稻多熟种植情 况。Lasko等 （2018） 通过地面调查获取水稻样本熟制信息，对 Sentinel-1数据进行多季叠合，使用 随机森林算法实现了水稻熟制提取 （总体精度= 93.5%）。时序特征法分析单、双和三季稻的散射 时序变化规律 ，提取时序曲线的物候节点 特征 （如峰谷值） 以识别单个生长周期，统计物 候节点重复次数实现耕作轮次的判断，精度一般 在85%左右 （Nguyen等，2015）。多时相分类法对 SAR 观测频次的要求不高，且影像分类算法较为 成熟，因而实际应用更为普遍。时序特征法适用于成像时间密集的 SAR 数据，在峰形识别中需要 解决成像噪声和轮种、间种作物造成的伪波峰问 题，而多时相分类法的技术关键是分类时相和分 类样本的合理选择。

水稻散射与植株生育状态息息相关，高频次 对地观测可以提供较为连续的水稻散射时序信息， 时序曲线的季相波动可以表征水稻物候和熟制， 因此未来应重点开展时序特征提取和模式识别工 作，分析水稻生长机理和散射机制的内在联系， 完善复杂种植条件下水稻散射时序的机理性表达， 逐步降低对经验样本的依赖。

5 困难点与挑战

虽然 SAR 数据已成功应用于水稻生长监测的 诸多方面，但要准确描述水稻散射的时空谱特性 仍需解决多项难题：
（1） 破碎地块和复杂地形。平原地区规模化种植是水稻遥感监测的理想场景，然而以中国南 方丘陵地区为代表的稻作区地块破碎且地形复杂， 这类区域同样有大量稻田分布。这些稻田形状大 小各异，面积最小处宽度仅数米，毗邻道桥、屋 舍、沟渠、园林和坡埂等非农耕地类，同时耕地分散经营模式导致种植类型多样、稻田分布零散。 目前常用的 SAR 卫星影像空间分辨率多为 10 m 量 级，稻田像元极易受到非水稻地物的散射干扰， 且 SAR 斑点噪声会进一步劣化破碎田块的水稻散射特性表达。
丘陵地区稻作耕地受地形起伏影响，邻近田 块存在明显的高程差异，山岭地区为提高土地利用率还存在依托山体开垦梯田的情况，邻近高差不仅使相邻田块的雷达局部入射角存在差异， 导致田块边界出现高度不一的坡埂，这些土质立面与水稻下垫面形成朝向各异的二面角结构，对 SAR 侧视成像信号造成了严重干扰，此外 SAR 影 像会在地势起伏区域出现叠掩和阴影等异常散射， 进一步干扰水稻散射特征获取。
（2） 稻田栽培条件多样性。稻田栽培条件包括田间管理和植株性状两个方面，田间管理多样 性主要指植秧技术 （育苗、耕犁和移栽）、栽作技 术 （株簇密度和垄行朝向）、管水技术 （淹水、灌 溉和排水）、施肥技术 （肥料类型和用量）、除草 技术 （除草方式和频次）、晒田技术 （晒田日期和 时长）、病害管控 （虫害和倒伏防治） 水平的田块间差异。植株性状多样性主要是由水稻品种和水 肥差异导致的植株地表器官 （茎叶穗） 数量、尺 寸、含水量和质地的差异，以及发育速度和生育 周期的区别。 稻田散射特征受下垫面和植株的理化特性共 同影响，田间管理和植株性状的多样化影响因子 会显著增加水稻散射的描述难度。虽然物理散射 模型和作物生长模型的同化技术可以模拟 SAR 信 号对稻田栽培条件的响应，但受限于模型参数获 取和算法复杂度，其应用于生产实际的难度很大。
（3） 季候异步和轮作间作。受地形、水文、 气候、社会发展水平以及耕作分散经营等因素的影响，不同地区的水稻熟制 （单、双、三季稻和 再生稻等）、轮作 （同一田块轮流种植不同种类的 作物）、间作 （田垄边界种植不同种类的作物，或 田间混合种植不同品种的水稻） 方式存在差异， 耕作节律并不同步，导致水稻散射的季候规律极 为复杂，比如单季中稻区 （如川渝贵地区） 通常 在 5 月移栽、7 月抽穗、9 月收割，轮作油菜，间作玉米，而双季稻区 （如粤桂地区） 的早稻一般 在4月移栽、6月抽穗、7月收割，晚稻一般在8月 移栽、9 月抽穗、11 月收割，轮作间作各类蔬菜。
不同于光学遥感植被指数典型的时序曲线峰型征，SAR 数据对水稻生育过程的响应往往局限于移栽期至抽穗期，且极易受田间管理因素和成像 噪声干扰，难以形成稳定的物候动态响应。
对于大区域水稻种植遥感监测而言，先验信 息的获取是极为复杂繁重的工作，水稻多样化的 耕作实践也导致先验信息的代表性和可靠性难以 保证，因此现有研究成果的适用范围一般局限于样本训练区，水稻监测的精细程度不够理想。

【参考】：

何泽，李世华.2023.水稻雷达遥感监测研究进展.遥感学报，27（10）： 2363-2382 DOI： 10.11834/jrs.20221701.

本文从水稻遥感监测的三个部分：种植面积提取、生理参数反演、物候和熟制识别，对综述文献进行整理和总结，从中提取重点部分，以便快速了解水稻检测的目前进展。
同时欢迎私信咨询讨论学习，咨询讨论的方向不限于：地物分类/语义分割(如水体，云，建筑物，耕地，冬小麦等各种地物类型的提取）,变化检测,夜光遥感数据处理，目标检测，图像处理(几何矫正，辐射矫正(大气校正)，图像去噪等)，遥感时空融合，定量遥感（土壤盐渍化/水质参数反演/气溶胶反演/森林参数(生物量，植被覆盖度，植被生产力等)/地表温度/地表反射率等反演）以及高光谱数据处理等领域以及深度学习，机器学习等技术算法讨论，以及相关实验指导论文指导等多方面。
遥感专栏