微波是指波長1~ 1 000 mm 的電磁波。從19 世紀60 年代初至今，微波遙感已逐漸發展成為一種觀測地球的重要手段。相對于光學遙感，它有自身的特殊優點。它能夠穿透云層和在某種程度上穿透雨區，不依賴于太陽作為輻射源，而且比光波能更深地穿透植被。微波得到的信息與可見光、紅外波段得到的信息不同，微波波段的測量值主要取決于研究對象的幾何特性和介電特性。通常按照工作模式可以把微波傳感器分成兩類：主動式和被動式微波傳感器。主動式微波傳感器自己提供照射源，有發射機和接收機，例如雷達、散射計和高度計；被動式微波傳感器僅是一部接收機，可以測量被觀察場景發出的輻射，如微波輻射計。

從1974 年，美國國家航空航天局（NASA）、農業部（USDA）和國家海洋大氣局（NOAA）等機構聯合開展/ 大面積農作物估產實驗（LACIE）0計劃以來，遙感在農業方面逐步得到應用。25 年后，該項目的負責人美國農業部的Moran 等對ERS-2 SAR 數據和Landsat TM 數據進行農作物和土壤狀況監測的比較，認為光學遙感存在不能穿透云層和大氣衰減的局限性，應鼓勵利用SAR 圖像進行農作物和土壤評估的研究。微波遙感在農業中的應用研究已經在國內外廣泛開展，筆者介紹了植被的微波散射與輻射的物理機理，綜述了近20 年來微波遙感在農作物識別和面積提取、長勢監測和農作物覆蓋下的土壤水分監測、產量估算研究的最新進展，展望了未來微波遙感農業應用研究的重點，期望能為國內微波遙感在農業方面的研究應用提供參考。

1、植被的微波散射與輻射物理基礎

1.1、植被微波散射原理

為研究電磁波與植被的相互作用機制和過程，發展了許多微波后向散射模型。散射模型的研究旨在用數理方法精細刻畫目標物的介電特征和空間幾何特征。雷達后向散射模型分為3 類：經驗模型、物理模型和半經驗模型。經驗模型一般是從觀測的后向散射數據利用分析、回歸等數學方法得到主要要素的貢獻。物理模型基于電磁場理論和輻射傳輸理論，通過輻射傳輸方程來求解散射系數。半經驗模型是綜合經驗模型和物理模型的優點產生的，既考慮模型的定性物理含義，又采用經驗參數建模，例如水云模型、MIMICS 模型、圣巴巴拉微波冠層后向散射模型（SBM）等。

忽略植被自身發射的矢量輻射傳輸方程如下：

（1）

式中，I 為Stokes 矢量；μ= cosθ，（θ，Φ）為電磁波的傳播方向；K 是4X 4 的衰減矩陣，反映電磁波沿傳播方向的衰減；F 是散射源函數，反映由各方向散射至（μ，i）方向的增加量。 

1.2、植被微波輻射原理

在有植被覆蓋的土壤表面，植被層既削弱了土壤的發射又增加了自身的發射。在低頻率微波波段，經常用一個簡單的輻射傳輸模型來模擬微波亮度溫度，也被稱為τ-ω模型。該模型基于兩個參數: 光學厚度τ和單次散射反照率ω，它把總發射看成3 部分之和：直接的植被發射，經土壤反射和冠層衰減的植被發射和經植被衰減的土壤發射。其公式為：

（2）

式中，T_v、T_soil為土壤和植被有效溫度；ω為單次散射反照率，它受入射角和極化狀態影響；γ為植被透過率，可以用光學厚度τ和入射角θ來表示；Γ_s為土壤反射率，主要取決于土壤濕度、植被粗糙度和紋理。 

2、微波遙感農業應用研究

2.1、農作物識別與面積提取

農作物識別是建立一個農作物監測系統關鍵的第1 步。對農作物進行識別后，可以估算每種作物類型的種植面積，從而為基于面積的農作物管理提供統計數據，并為估產模型提供輸入參數。利用遙感進行農作物識別，需要選擇作物生長期的特定時間段獲取遙感數據。雷達可以穿透云層全天時全天候的工作，為農作物識別研究提供了有保障的數據源。

由于被動微波數據的空間分辨率多為幾十千米，無法滿足作物的分類和提取研究要求，農作物提取的數據源多為主動微波即雷達數據。早在1969 年，美國堪薩斯大學的Hara-lick 等對K 波段的雷達圖像進行研究，表明植被類型影響信號強度，并且與光學圖像相比較，在作物區分中表現良好。1977 年，為美國航天飛機成像雷達的發射做準備，Bush 等就利用機載雷達進行實驗，對雷達作為農作物分類器進行了評價。近年來，利用雷達數據進行農作物的提取多注重于數據獲取時間的選擇和對多參數雷達數據及雷達與光學數據結合應用的探索。

進行作物識別時，數據獲取時間的選擇非常重要。根據不同類型作物的生長階段，選擇進行農作物提取合適的圖像獲取時間可以提高提取精度。分析要提取的植被和其共生植被的后向散射特性，避開它們容易混淆的時間。有研究表明，7 月份獲取的數據在植被提取上比其他時間更優越。另一方面，多時相雷達數據也可以提高提取精度。Shao 等利用4 月中下旬和5 月中旬的兩幅RADARSAT 圖像對水稻種植區進行提取，精度達91%。

多波段多極化的雷達數據及雷達和光學數據相結合可以改進農作物分類精度。多波段多極化的數據包含作物在不同波段和極化狀態下的后向散射特性的信息，因此提供了更高的可分性。Ferrazzoli 等對多波段多極化雷達分類進行了實驗，結果表明，單波段單極化的SAR 數據識別農作物是有局限性的，利用多波段多極化的雷達數據，可以獲取高達90% 的精確度。另外，和雷達數據主要反映植被的結構特征與介電特征不同，光學數據反映了植被的光譜信息，兩種數據結合，可以獲得一種數據達不到的精度。Michelson 等利用Jeffries-Matusita 距離計算類別可分性，得出Landsat TM和ERS-1 數據結合時可以達到最高的可分性。通常，在多云雨天氣的區域，雷達數據是光學數據的有利補充。

綜上所述，理論上，多時相的雷達數據和光學數據結合可以獲取最佳的農作物識別和提取效果。在具體應用中，還要結合需要判別的作物類型、所獲取數據的衛星過境時間和數據可獲取性，綜合分析進行數據選擇。