摘要：合成孔径雷达（SAR）遥感农业监测技术凭借其全天候、全天时的工作特性，突破了光学遥感在云雨天气条件下的观测局限，为农业资源调查、作物长势监测与灾害评估提供了全新的技术手段。本文系统阐述了SAR遥感的基本原理及其在农业领域的核心应用场景，包括农作物类型识别与分类、土壤水分反演、水稻种植面积提取、耕地变化检测以及农业灾害损失评估等方面。结合时维遥感在SAR农业监测领域的实践案例，深入分析了多极化、多模式SAR数据融合处理的技术路径，并探讨了该技术在中国农业遥感监测体系中的应用前景与发展趋势。

合成孔径雷达遥感的基本原理与技术特征

合成孔径雷达（Synthetic Aperture Radar，SAR） 是一种主动式微波遥感系统，通过发射微波脉冲并接收地物后向散射信号来获取地表信息。与光学遥感不同，SAR系统工作在微波频段（通常为L、C、X波段），波长在厘米至分米量级，因此能够穿透云层、雨雾等大气障碍，实现全天候、全天时的观测能力。这一特性使得SAR遥感在多云多雨的农业主产区具有不可替代的监测优势。

SAR系统的核心原理是利用雷达平台沿航向的运动，通过多普勒频率处理合成一个等效的大孔径天线，从而获得高方位向分辨率。距离向分辨率则由发射脉冲的带宽决定。当前主流星载SAR系统如Sentinel-1、RADARSAT-2、TerraSAR-X以及中国的高分三号等，已能够在多种成像模式（条带模式、扫描模式、聚束模式）下获取米级至亚米级空间分辨率的影像数据。

SAR影像的辐射信息由地物的后向散射系数决定，而后者受到地物介电常数、表面粗糙度、几何结构等多重因素的综合影响。农作物的后向散射机制主要包括表面散射、体散射和二次散射三种分量，不同作物类型和生育阶段表现出差异化的散射特征，这为SAR农业应用提供了物理基础。

SAR遥感在农作物类型识别与分类中的应用

农作物类型识别是农业遥感监测的基础任务，SAR遥感在该领域展现出独特的技术价值。由于不同作物的冠层结构、含水量和种植方式存在显著差异，它们在SAR影像上呈现出可区分的后向散射时空特征。例如，水稻在移栽至分蘖期因田面覆水而呈现强烈的二次散射信号，而玉米等高秆作物在抽穗期则表现出显著的体散射增强效应。

多时相SAR数据是作物分类的关键数据源。通过构建覆盖作物完整生育期的时间序列后向散射曲线，可以有效捕捉各类作物在不同物候阶段的散射变化规律。研究表明，利用Sentinel-1双极化（VV/VH）时序数据，结合随机森林、支持向量机等机器学习分类算法，在主要农业区的作物识别精度可达85%以上。在华南双季稻区，基于SAR时序特征的水稻识别精度甚至可突破90% ，显著优于单一时相的分类结果。

极化分解技术是提升SAR作物分类精度的重要手段。通过将全极化SAR数据分解为表面散射、二次散射和体散射等物理分量，可以更加精确地表征作物的散射机制，从而增强不同作物类型之间的可分性。 Freeman-Durden分解、Yamaguchi分解和H/A/α分解是当前应用最为广泛的三种极化分解方法。

土壤水分反演与农业旱情监测

土壤水分是制约农作物生长的关键因子，也是农业旱情监测的核心指标。SAR遥感反演土壤水分的物理基础在于土壤介电常数与含水量之间的强正相关关系——土壤含水量越高，介电常数越大，雷达后向散射信号越强。这一关系为基于SAR数据的土壤水分定量反演提供了理论支撑。

当前，SAR土壤水分反演的主流方法包括经验模型法、半经验模型法和物理模型法三大类。其中，Oh模型、Dubois模型和IEM（积分方程模型）是应用最为广泛的半经验与物理模型。然而，裸土表面的粗糙度参数（均方根高度和相关长度）对后向散射信号的贡献往往与土壤水分的贡献相耦合，构成了反演过程中的主要不确定性来源。为解决这一难题，多入射角、多极化观测数据的联合反演策略被广泛采用，可在一定程度上解耦粗糙度与水分的混合效应。

变化检测法是另一种行之有效的土壤水分反演策略。该方法假设地表粗糙度在短期内保持不变，通过计算同一区域不同时相SAR影像的后向散射差异来消除粗糙度影响，从而提取土壤水分的相对变化信息。该方法在农业旱情动态监测中尤为实用，已被纳入多个省级农业旱情遥感监测业务体系。时维遥感在华北平原冬小麦区的旱情监测实践中，采用多时相Sentinel-1变化检测方法，成功实现了10天间隔的土壤水分动态反演，为灌溉决策提供了及时的数据支持。

水稻种植面积提取与长势监测

水稻是中国最重要的粮食作物之一，其种植面积的准确监测对保障国家粮食安全具有重要意义。然而，中国水稻主产区广泛分布于南方多云雨地区，光学遥感数据获取严重受限，SAR遥感因此成为水稻监测的首选技术手段。

水稻种植面积提取的核心依据是稻田独特的时序散射特征。水稻在移栽后至分蘖期，田面保持淹水状态，形成光滑的镜面反射面，导致雷达信号在水面产生强镜面反射，使得该时期VV和VH极化的后向散射系数显著偏低。随着水稻植株生长，冠层体散射逐渐增强，后向散射系数呈现先降后升的典型变化趋势。利用这一特征，结合时间序列SAR数据的阈值分割和变化检测算法，可以高效提取水稻种植区域。

在长势监测方面，SAR后向散射系数与水稻生物量和叶面积指数（LAI） 之间存在密切的相关关系。研究表明，VH极化后向散射系数与水稻生物量的决定系数R²可达0.75以上，而交叉极化比（VH/VV）与LAI的相关性更为显著。基于这些经验关系，结合水稻生长模型，可实现水稻长势的定量评估和产量预测。

耕地变化检测与耕地保护监测

耕地是粮食生产的命根子，遏制耕地 "非农化" 和 "非粮化" 是当前中国耕地保护的重大战略任务。SAR遥感在耕地变化检测领域具有全天候监测的独特优势，特别是在南方多云地区，能够保障耕地变化信息的时效性和连续性。

基于SAR数据的耕地变化检测主要采用差值法、比值法和分类后比较法三种策略。差值法和比值法通过计算两个时相SAR影像的后向散射差异来识别变化区域，方法简单高效但对配准精度和辐射定标要求较高。分类后比较法则先对两个时相影像分别进行地表覆盖分类，再通过比较分类结果的差异来提取变化信息，虽然精度更稳定但受分类误差累积的影响。

相干性变化检测是InSAR技术在耕地监测中的创新应用。当耕地地表发生显著改变（如建筑物施工、土地翻耕等），干涉相干性会大幅下降，据此可以有效识别耕地变化区域。该方法对细微的地表变化高度敏感，在违法用地早期发现方面具有重要应用价值。

SAR遥感在农业灾害评估中的应用

农业灾害评估是SAR遥感的重要应用方向。洪涝灾害发生时，受淹区域的水体在SAR影像上呈现极低后向散射特征，通过与灾前影像的对比分析，可以快速划定洪水淹没范围，评估受灾作物面积和灾损程度。与光学遥感相比，SAR能够在暴雨天气条件下持续获取影像，确保灾情评估的时效性。

在干旱监测方面，SAR土壤水分反演产品可直接用于农业旱情等级划分和干旱影响评估。时维遥感利用SAR土壤水分产品结合作物水分胁迫模型，在东北玉米主产区实现了干旱对产量影响的定量评估，评估结果与农业部门地面调查数据的吻合度超过82% 。

此外，SAR遥感在作物倒伏监测方面也展现出良好的应用潜力。作物倒伏后冠层结构发生剧烈改变，后向散射特征随之产生异常变化，通过时序SAR数据的异常检测可以快速识别倒伏区域并评估倒伏等级。

多源SAR数据融合与处理技术

随着SAR卫星数量的快速增长，多源SAR数据融合已成为提升农业监测精度和时效性的重要技术途径。多星联合观测可以将重访周期缩短至1-2天，显著增强时序信息的密度，从而更精确地刻画作物的散射时序变化特征。

多源SAR数据融合的关键挑战在于不同传感器之间的辐射一致性和几何配准问题。辐射交叉定标是消除不同SAR系统辐射差异的必要步骤，通常需要借助稳定散射体（如角反射器）或统计归一化方法来实现。几何配准则要求将不同空间分辨率和成像几何的SAR影像精确对齐，配准精度通常需达到亚像元级别。

在信息融合层面，特征级融合和决策级融合是两种主流策略。特征级融合将不同SAR数据源提取的后向散射特征、极化特征和纹理特征进行组合，形成更加丰富完整的特征空间，从而提升分类和反演精度。决策级融合则对各数据源独立处理的结果进行综合判别，具有更强的灵活性和鲁棒性。

SAR农业监测技术的发展趋势

展望未来，SAR农业监测技术呈现以下几个发展趋势：

一是高分辨率与高频次观测。新一代SAR卫星如Capella、ICEYE等商业微纳SAR星座，能够提供亚米级分辨率和小时级重访的影像数据，将极大提升农业监测的精细化水平和时效性。

二是多模式协同观测。将条带、扫描、聚束等多种成像模式有机结合，兼顾大范围宏观监测和局部精细化观测的需求，实现农业监测任务的自适应调度。

三是AI深度学习赋能。基于深度卷积神经网络（CNN）、循环神经网络（RNN）和Transformer架构的SAR影像智能解译方法，正在显著提升作物分类、土壤水分反演和变化检测的自动化水平和精度。

四是SAR与光学协同融合。构建SAR-光学联合观测与协同解译体系，充分发挥SAR全天候能力与光学高光谱信息的互补优势，将为农业遥感监测提供更加全面和可靠的数据保障。

结语

合成孔径雷达遥感农业监测技术以其独特的全天候、全天时观测能力，已成为现代农业遥感监测体系中不可或缺的重要组成部分。从农作物类型识别到土壤水分反演，从水稻面积提取到耕地变化检测，从洪涝灾害评估到干旱监测预警，SAR遥感技术正持续拓展其在农业领域的应用广度和深度。随着SAR卫星数据获取能力的不断增强和人工智能处理技术的快速发展，时维遥感等专业技术机构将持续推动SAR农业监测技术从研究走向业务化应用，为中国农业现代化和粮食安全保障提供强有力的技术支撑。