森林地上生物量合成孔径雷达技术反演研究综述

　　摘要：森林地上生物量是森林获取能量的重要体现，准确掌握其动态变化对了解森林生长过程、实现生态系统的有效修复具有重要意义。合成孔径雷达技术(SAR)具有全天时、全天候的特点，在森林地上生物量(AGB)反演中极具潜力。星载SAR技术的发展，使得SAR数据源日益丰富，利用极化SAR技术、干涉SAR技术、极化干涉SAR技术、层析SAR技术、多频SAR技术可以实现对森林不同维度的观测，从而提供森林不同维度的信息，进而提高采用SAR技术进行森林AGB反演的能力。文中介绍星载SAR传感器及可获取SAR数据的现状，在此基础上重点阐述基于后向散射信息、极化信息、干涉信息、极化干涉信息、层析信息、多频SAR信息在森林AGB反演中的现状及存在问题，展望了SAR技术在森林AGB反演中的发展趋势。

　　关键词：森林地上生物量，合成孔径雷达技术，后向散射，极化SAR，干涉SAR，极化干涉SAR，层析SAR，多频SAR

　　森林增汇是应对气候变化的重要及有效途径，是实现我国碳达峰与碳中和战略的重要保障之一。利用森林生物量可以揭示森林生态系统能量平衡和养分循环等特征，对衡量森林碳汇有着不可替代的作用。

　　森林地上生物量(GB)占森林生物量的70%~90%，由于其遥感监测及观测的可行性，常用于替代森林生物量来进行区域、全球碳储量的计算[1]。传统的地面调查方法对于高精度获取森林GB是非常有效的，但在偏远林区且道路基础设施不完备的区域开展地面调查通常较为困难;此外，地面调查耗时、耗力难以满足大区域尺度森林GB的获取。光学与合成孔径雷达(SAR)数据在区域尺度森林GB获取中具有较大优势，也是目前森林资源调查的主要途径，但光学数据受限于多云、多雾天气的影响，无法实现及时、动态监测。此外光学信号通常仅与森林冠层叶片发生作用，因此在高森林GB区域饱和点较低，难以获得准确的森林GB估算。

　　而SAR克服了传统光学遥感受多云、多雾天气影响的局限，具有获取森林冠层面状、垂直结构等特征的能力，成为目前森林GB反演最具潜力的遥感数据源之一。SAR成像技术的发展经历了从单频率、单极化、单角度到多频率、多极化、多角度和多时相等不同观测方式，基于SAR技术的森林生物量估测也经历了从应用单极化信息到多极化信息、干涉信息、极化干涉信息、多频SAR信息的发展过程。随着SAR成像技术的发展，涌现出大量的SAR数据，不同SAR数据包含的特征差异明显，使得其在森林GB反演中的作用及效率也有显著差异。本文将结合SAR卫星及对应数据的获取现状，系统总结采用后向散射信息、极化信息、干涉信息、极化干涉信息、层析信息、多频信息进行森林GB反演研究的进展及应用现状，讨论分析SAR技术在森林GB反演中存在的主要问题及将来发展趋势。

　　1SAR卫星及可获取数据模式

　　SAR的发展可以追溯到第二次世界大战，最早用于军事侦察。1951年美国CarlWiley创造性地提出了利用频率分析法改善雷达方位向分辨率的方法，从此开启了SAR的时代。1953—1957年第1幅非聚焦型和全聚焦型SAR影像的先后问世，标志着SAR由理论迈向实践[2-3]。

　　最初可以利用的SAR数据信息多为单频、单极化信息，荷载方式多为机载，随着SAR技术的发展，多个国家都发射了载有SAR传感器的卫星。例如，美国于1978年发射了Seasat-A卫星;苏联于1987年和1991年分别发射了ALMAZ-1和ALMAZ-2;欧空局(ESA)于1991年、1995年、2002年、2014年和2016年分别发射了ERS-1、ERS-2、ENVISATASAR、Sentinel-1A和Sentinel-1B;日本于1992年、2006年、2014年分别发射了JERS-1、ALOS-PALSAR1、ALOS2-PALSAR2;加拿大于1995年和2007年分别发射了RADARSAT-1和RADARSAT-2;德国宇航局(DLR)于2007年和2010年先后发射了TerraSAR-X及TanDEM-X;中国于2012年和2016年先后发射了HJ-1及GF-3SAR卫星[4-6]。这些卫星的发射，极大地丰富了可以利用的SAR数据源。

　　在这些卫星中，Seasat-A卫星可提供L波段HH单极化SAR数据;ALMAZ-1和ALMAZ-2可提供三频单极化SAR数据;RADARSAT-1可提供C波段HH极化和幅宽为500km的ScanSAR数据;ERS-1和ERS-2可提供C波段VV极化SAR数据;ENVISATASAR、Sentinel-1A和Sentinel-1B可提供C波段双极化数据;ALOS-PALSAR1、ALOS2-PALSAR2、RADARSAT-2可提供L波段、C波段全极化SAR数据;TerraSAR-X及TanDEM-X可提供单极化、双极化和全极化的X波段干涉SAR数据;中国的HJ-1可提供S波段VV极化数据，GF-3可提供C波段包括全极化在内的12种成像模式SAR数据。以上为目前常用、可获取的星载SAR数据现状，除星载SAR数据外，不同国家的机载SAR数据不仅可获得X波段、C波段和L波段数据，同时还可获得更长的P波段和更短的S波段SAR数据。SAR数据的丰富为采用多频、多极化、多时相信息协同对森林进行观测提供了可能。

　　2SAR技术在森林生物量反演中的应用

　　2.1基于SAR后向散射信息的森林AGB反演

　　雷达后向散射系数与森林结构参数和地上生物量具有显著相关关系，因此利用雷达后向散射系数可以反演森林参数。早期的研究多基于样点观测数据建立森林GB、森林结构参数与不同波段、不同极化、不同传感器获取的雷达后向散射系数之间的回归关系模型，基于此展开了多方面的探索，得出很多有意义的结论。例如，后向散射系数与树高、生物量和胸高面积都有一定的相关性，按顺序依次减弱;森林类型不同、树种不同，后向散射信息的差异可达到5dB[7-8];雷达后向散射与森林GB明显相关，并且其敏感性随着微波波长的增加而增加。在不同频率波段，森林GB的饱和点不同，C、L和P波段反演的饱和点分别为30～50t/hm2、60～100t/hm2、100～200t/hm2。

　　这是由于短波长C波段的后向散射主要是由冠层中树枝和树叶主导，而长波长的L和P波段的后向散射主要是由木质生物量的主体——树干和大枝主导引起的[9];同一波段不同极化方式对森林生物量的反应也有所不同，P-波段HH和HV极化表现出较VV极化更强的敏感性。

　　针对同一生物量水平，P-，L-，C-波段一般都表现出000HHHVVV[10]，但环境因子如气温等的变化，会使得后向散射系数浮动范围在不同的极化方式下有不同程度的波动[11];地形对森林后向散射有显著影响，复杂地形可引起地表反射率改变达到10%～15%，在地形起伏区，雷达视角变化对森林后向散射系数受地形影响及其校正方法也有显著影响。

　　孙国清[12]通过对北方成熟林的SAR后向散射进行三维建模发现，地形对林分后向散射影响显著，并会显著降低森林生物量的相关性及相关模型的反演精度。鉴于此，刘大伟等[13]提出二阶段校正模型进行地形辐射校正，并用HH后向散射系数与森林生物量建立回归模型估测了该地区的森林生物量，取得了较好的结果。这些研究表明，森林生物量与SAR长波段敏感，可以采用后向散射系数来进行森林生物量估测，但由于受到树种、林分结构、地形等的显著影响，模型普适性差，大范围估测精度较低。

　　采用后向散射系数反演森林生物量的另一种方法是基于机理模型模拟森林后向散射系数，进而进行森林生物量反演。机理模型是建立在人们对电磁波与森林生态系统作用过程理解的基础上，与仅采用后向散射系数与生物量简单经验关系估算的方法相比，机理模型更强调SAR散射机制与森林内部的各种作用过程，估算结果更为可靠。目前用于森林参数及生物量反演的植被微波散射模型，主要有基于辐射传输方程的密歇根微波冠层散射模型(MIMICS)[14]和水云模型(WCM)[15]。

　　Imhoff[16]利用MIMICS模型研究了热带和亚热带阔叶林林冠层生物学统计数据，分析了相同生物量水平下不同林分结构对雷达回波的影响，发现林分密度越大后向散射系数越小，林分密度越小后向散射系数越大，在一些波段和极化方式下后向散射差异达到了18dB，其结果直接影响森林生物量估计精度。高帅等[17]通过MIMICS模型模拟人工林森林组分的后向散射，发现阔叶林的模拟结果优于针叶林，由于地形的影响，无法用该模型模拟研究区针叶林的后向散射。水云模型因模型形式简单，参数易于获取，被广泛应用于C波段的森林雷达后向散射的描述和生物量估测。

　　Santoro等[8,18]基于水云模型发展了一种叫BIOMASAR的森林蓄积量SAR估算方法，并将其应用于北方森林的蓄积量估算中，估测结果的均方根误差在34.2%～48.1%，饱和点大于300m3/hm2。Askne[19]通过引入干涉相位信息参数，提出了描述森林重复轨道干涉的相干性干涉水云模型(IWCM)。Drezet等[20]基于干涉水云模型，利用ERS-1/2串行干涉相干性数据和详实的地面调查数据对英国森林的年龄进行估测，确定了碳通量、森林蓄积量、森林生长和砍伐等信息。Cartus等[21]基于干涉水云模型和ERS-1/2串行干涉相干性进行森林蓄积量估测，并用MODIS连续植被产品训练模型，在俄罗斯和中国东北的2个研究区域均取得了较好的反演精度。 机理模型能够很好地揭示SAR与森林内部作用机制，揭示林分结构对森林后向散射的影响，也得到了较广泛的应用。

　　目前主要的不足是：MIMICS模型虽然刻画森林结构细致，但涉及输入参数较多，从这种多元线性耦合系统中提取森林参数是典型的“病态”反演问题，因此在实际应用中如何通过增加观测量、减少先验知识和假设和降低不确定性，是提高其反演精度的基础;水云模型由于假设条件过于简单，对环境适用性差，实际操作性不强，虽然在L波段的研究取得了较好的结果，但这是因为L-波段的森林散射类型与水云模型的基本假设一致，即植被覆盖区域总后向散射由森林冠层体散射和受到衰减的地表散射组成，而其对于波长更长的P-波段的适用性还需在实际应用中根据森林类型具体分析[22]。

　　2.2基于极化合成与分解参数的森林AGB反演

　　全极化数据可以计算任意一种极化状态的后向散射回波，因此能够提取更多地物极化信息和目标信息，从而更准确地描述地面散射特征，提高对地物的识别能力。采用极化合成技术，还可以提取极化度、相位差、极化相干性等参数。VanZyl等[23]指出，极化度主要是由交叉极化，即多重散射(或体散射)作用引起的，极化度充分反映了交叉极化的影响程度，极化度越小，交叉极化散射强度越大，可以据此判断地物散射中体散射机制的比例。相位差反映了地物奇次散射与二面角反射的不同作用。奇次散射回波相位差为0，二面角反射相位差为180°，体散射则介于二者之间，因此可以由此识别出3种主要散射机制[24-25]。

　　Pierce等[26]基于先验知识，采用L-波段VV、HH、HV及相位差，根据体散射和面散射特征将高大植被、低矮植被、裸露地表和城区进行了成功区分。陈劲松等[27]、施建成等[28]通过分析不同极化之间的相干性发现，散射机制越单一，HH和VV之间的相关系数越大，建筑物和裸土由于散射机制单一，相关系数较高，而森林和农作物由于体散射复杂，相关系数较低，因此可以采用HH和VV之间的相关系数区别植被与其他地物。通过极化合成，可以组成任意极化响应图，从而提高地物的识别能力。陈劲松等[24]通过分析森林的极化响应图发现，森林在方位角等于45°、椭圆率角等于0°时，森林信息得到最大的增强。

　　由于极化散射矩阵S通常反映的是散射体的几何平均散射特性，直接利用它们分析地物目标的散射特性比较困难，并且不能有效利用回波中的极化信息。极化目标分解就是将地物回波的复杂散射过程分解为几种单一的散射过程，每种散射过程都有一个对应的散射矩阵，这有利于分析目标的散射特性，提高地物的解译[25,29]。董贵威等[30]、范立生等[31]以天山地区为试验区，采用SIR-C/X-SARL波段全极化数据提取了极化散射总功率、相似性参数、极化熵等参数，发现这些参数的组合结果可以使得森林地区的可区分性明显增强。

　　Musthafa等[32]采用极化分解参数成功地进行了研究区的森林变化检测。由于森林地区的散射机理非常复杂，既有稠密枝叶顶部的面散射，也有穿透植被从地面散射的面散射;既有树干与地面之间的二次散射，也有树干与树干或树枝与树干之间的二次散射;此外，还有更加复杂的体散射回波。因此，单一的极化参数往往不能准确合理地揭示出森林的散射特征。范立生等[31]通过对极化合成及分解的各参数主成分分析发现，极化熵、极化总功率、HH和VV极化相干性系数对森林区散射特征敏感，经过这些参数的合适组合可以增强森林散射特征。

　　综上分析可以发现，不同的极化参数在揭示森林散射机制、疏密度、树高、农作物结构变化等方面具有不同的优势，可以较准确地进行森林内部结构分类。目前，极化参数已经广泛应用于森林分类中，但其在森林GB反演中的应用尚有待进一步挖掘。徐星欧[33]采用Freeman-Durden极化分解参数对生物量估测方法进行探索，成功提高了森林AGB的反演精度。魏晶昱等[34]初步探索了极化分解的GF-3各分量在人工林冠层森林GB中反演的潜力，该研究区的冠层生物量最高为40.98t/hm2，研究结果表明多个极化分解分量均表现出对森林冠层生物量变化的高敏感性，且未出现明显的饱和现象。

　　已有以L-波段全极化SAR数据为例的研究分别探索了Freeman-Durden三分量、Yamaguchi四分量极化分解分量在森林蓄积量估测中的潜力，但发现部分森林的蓄积量与二次散射分量相关性较高，部分森林的蓄积量又与二次散射分量无相关性[35-37];另外，树种类型、林分起源、环境因子、森林蓄积量水平等均对极化分解分量与森林参数变化的敏感性有影响，但具体影响方式仍未探索清楚[38]。在森林GB反演中，由于极化特征可以区分不同的散射类型，因此可以采用极化特征来区分森林生物量在乔木各部位的分布。不同极化特征对森林生物量的敏感性不同也从侧面证实了极化特征区分乔木不同部位森林生物量的潜力[39]。

　　2.3基于干涉、极化干涉SAR信息的森林AGB反演

　　2.3.1干涉SAR森林AGB反演

　　干涉SAR用于森林生物量的反演主要包括了2类信息，即干涉相位和干涉幅度，由于这2类信息与森林高度的高相关性，因此可以极大地提高森林生物量反演的饱和点[40-41]。Askne等[42]采用干涉水云模型将SAR相干性幅度影响分为地表和森林冠层2个部分，从而将L-波段生物量的饱和点提高到200t/hm2左右。Gaveau[43]等结合SIBERIA项目发现，在C和L波段干涉相干性较后向散射系数对森林生物量更敏感。Askne等[42]研究表明，相干性随着森林蓄积量的增加而降低，降低速度随成像时条件不同而略有变化。Santoro等[44]提出，采用干涉相干性进行森林蓄积量反演也会受到饱和点的限制，而将其与后向散射信息相结合可以提高估测精度和效率。

　　另外，他们在采用相干性的研究中发现，相同森林生物量水平上相干性会产生差异，差异主要是由地形、林斑大小、林分结构等变化引起的去相干造成。Wanner等[45]研究也表明了该效应。除了直接将干涉相干性幅度用于生物量的反演，近年来干涉相干性和干涉相位还被广泛用于森林高度的反演，进而采用森林高度与森林生物量之间的异速生长方程来计算森林生物量。例如，范亚雄[46]采用干涉相干性幅度信息，利用SINC模型反演了根河地区的森林高度，反演精度最高可达到84.41%。随着无时间失相干TerraSAR/TanDEM星载干涉SAR数据的出现，采用相位信息的DEM差分法被广泛用于森林高度的估测，部分研究结果与地面调查数据的2值最高达到0.98[47]。

　　2.3.2极化干涉SAR森林

　　AGB反演极化干涉SAR(Pol-InSAR)主要利用极化信息形成某个特定散射机理的干涉图，将干涉图之间的相位差与植被高度联系起来，在森林GB反演中其主要用来反演树高，然后再用树高计算森林生物量。

　　采用极化干涉SAR进行树高反演，主要有以下几种方法：基于旋转不变估计信号参数理论进行参数提取的ESPRIT算法，该算法实现了地表相位中心和植被相位中心分离，从而估计出植被的高度[48];基于随机体散射模型(RVoG)的三阶段估算方法，首先通过极化基的变换和最小二乘法在干涉相干系数单位圆上进行线性拟合，然后利用拟合出来的直线估算地表相位以达到植被偏移的消除，最后进行植被高度和衰减系数的估算[49];基于样本相关矩阵的最大似然估计法可进行树高反演，但该算法计算过程复杂，并且有些参数在实际测量中难以获得[50]。

　　基于干涉、极化干涉SAR数据进行森林AGB反演，一般可以通过干涉相干性直接反演森林AGB，也可以通过反演森林高度，进而获得森林GB。但是目前也存在一些问题，例如采用干涉相干性进行生物量反演也会存在饱和现象。首先通过反演森林高度，进而求取森林生物量虽然可以极大地提高饱和点，但是林业中应用的多为描述胸径和森林GB的异速生长方程，当前用于描述区域森林高度和生物量的异速生长关系模型还相对较少;此外，森林AGB不仅与高度有关，还与胸径、林分密度等诸多因子有关，因此大区域获得的森林高度无法准确地转换为森林GB[51-53]。

　　2.4基于多频SAR数据协同反演森林生物量

　　随着SAR数据源的丰富，采用SAR数据可以提供的信息类型越来越多。不同波长的SAR数据对森林冠层的穿透性不同，有可以反映冠层散射的X-、C-波段，也有能够穿透冠层与树干、树枝作用的L-、P-波段[9,63];SAR数据的极化信息对散射体的形状、方向敏感，可用于森林类型、结构的高精度识别[28,49,64];SAR后向散射对冠层含水量变化敏感，可用于森林冠层含水量反演[65-66]。

　　多频SAR数据的积累，使得我们可以从多个维度进行森林资源动态监测，不仅可以全面阐释森林的SAR散射特征，提高森林生物量遥感反演的饱和点，还可有效提高森林AGB的估测精度。在采用不同频段SAR技术的森林AGB反演中，目前采用的SAR参数主要为不同极化的后向散射系数或其比值参数，反演模型则多为非参数模型[67-70]。

　　目前研究成果多集中于L波段，然后依次是C-波段、P-波段、X-波段、VHF波段和S-波段。随着不同频段SAR森林散射机制研究成果的丰富，各频段SAR在森林场景中的观测优势差异逐渐明晰，在森林场景中，SAR总的后向散射为森林中的地表、树干、树枝和树叶后向散射的总和。不同频段SAR后向散射来自于森林的不同部位，例如，C-波段或X-波段森林总的后向散射多来自于植被表层的针叶、小树枝或者树冠顶层的散射，而林下灌木或地表则对总的后向散射贡献较少。在波长较长的L-波段或P-波段中，SAR后向散射则多来自森林中树木的树干、大枝条以及林下地表，树叶和小树枝对总后向散射的贡献则少得多。

　　鉴于以上原因，一些研究尝试融合多频SAR技术提高森林AGB反演的精度和饱和点。Englhart[67]利用X-波段和L-波段SAR图像结合将生物量反演的饱和点提高到了617t/hm2。Cartus等[71]探索了多频SAR数据在热带林森林生物量反演中的潜力，发现在使用水云模型进行森林生物量反演时，仅有将L-和P-波段进行组合时反演结果精度和饱和点会有所提高，其他波段的组合则无明显改进。

　　综上所述，目前协同多频SAR数据反演森林生物量或分部位生物量，均采用提取后向散射系数的特征，或利用不同波长数据、不同极化下的后向散射系数的差值、比值等组合特征，采用的模型也多是经验或半经验模型，反演结果均高于采用单频段反演的结果;尽管融合多频SAR信息可以有效提高森林生物量反演精度，饱和点也可以有效提高，部分区域达到600t/hm2以上，但其在不同森林类型中的适用性有待进一步探索。

　　3存在问题及研究展望

　　区域和全球范围内森林GB的遥感估测是区域和全球尺度碳储量动态变化监测的有效方法之一，同时也是研究全球碳平衡及全球气候变化的有效方法之一。SAR技术在区域及全球尺度进行森林GB反演中具有独特的优势。从目前研究可以看出，采用部分SAR技术可以较大的提升遥感技术估测森林GB的饱和点限制，部分研究区在森林GB达到650t/hm2时仍未见饱和现象，在区域和全球尺度开展的部分研究也证明了有效利用SAR技术和不同SAR数据源可以提高区域和全球尺度森林GB高精度反演的可行性。尽管如此，目前采用SAR技术进行森林GB估测的相关技术和方法仍处在研究阶段，还存在以下问题：

　　1)尽管目前星载SAR数据已比较丰富，但是还未有长波长的干涉SAR数据、极化干涉SAR数据;另外层析SAR的数据目前还多依赖机载数据，且研究区多在国外，对于国内研究而言，这些SAR数据及地面调查数据均为非原始数据，不利于发展依赖该数据的森林GB估测算法的分析及研究。

　　2)在目前可以使用的SAR信息中，后向散射信息是分析最全面、积累研究成果最多的SAR信息，但是SAR后向散射信息无法区分森林结构变化与森林AGB变化引起的后向散射系数变化，尽管也发展了一些机理模型来降低森林结构变化对采用后向散射系数进行森林GB反演的影响，但模型或过于复杂或过于简单，在实际应用中推广还存在一定的难度。

　　3)极化信息对森林结构变化敏感，但是极化信息中可以表征森林散射的体散射模型过于单一，无法全面描述森林的复杂结构特征，而充分认识和理解森林结构的极化作用机制是提升采用极化SAR信息在森林GB反演中有效应用的基础和关键。另外，目前的极化信息多用于森林的分类，对于森林参数定量反演仍然需要进一步挖掘其散射机理。

　　4)干涉、极化干涉SAR相位信息的利用，可以较精确地获得森林高度，进而获得更高精度的森林生物量信息，但是用于描述森林高度和生物量异速生长关系的模型还相对较少，将反演的森林高度计算为森林生物量时还存在较大的不确定性。另外干涉、极化干涉SAR数据源还有待进一步丰富。层析SAR尽管在森林AGB反演饱和点提高中极具潜力，但目前已有的研究方法尚不能充分利用层析SAR获取的森林三维剖面信息。

　　5)采用单频、单极化后向散射信息进行森林AGB反演饱和点低，在森林生物量高于300t/hm2的区域，后向散射对森林AGB的变化不再敏感;多频SAR技术极大地提高了森林GB反演的饱和点，但目前多频SAR使用的信息多为后向散射信息，对森林类型具有较好区分能力的极化信息和相干信息均未做深入探讨。由于多频SAR数据较层析、干涉、极化干涉SAR数据源丰富且易于获取，因此未来多频SAR数据协同进行森林生物量研究将成为SAR进行森林生物量反演的热点之一。

　　未来多频SAR协同将以星载或机载X-、C-、L-和P-波段多频SAR数据为支撑;提取可反映研究区森林水平和垂直结构水平的各极化散射特征和干涉特征等多种特征;深入分析森林各因子在多频段SAR中的散射机制;并研究具有物理解释性的参数模型及机器学习类的非参数模型在各波段森林生物量的适宜性;探明各波段SAR森林生物量反演的精度及适用范围;探讨从反演饱和点、精度、模型适用范围及不确定性等方面进行进一步突破。此外，随着对森林穿透力更强的P波段BIOSAR卫星的升空，基于长波长极化SAR数据的森林AGB监测将成为未来的研究热点之一，因此现阶段应进一步深入开展基于机载P-波段全极化SAR数据的森林散射机制的分析、散射模型的研究。

　　参考文献

　　[1]HAYASHIM,MOTOHKAT,SAWADAY.AbovegroundbiomassmappingusingALOS-2/PALSAR-2time-seriesimagesforBorneo'sforest[J].IEEEJournalofSelectedTopicsinAppliedEarthObservationsandRemoteSensing,2019(99):1-11.

　　[2]SHERWINCW,RUINAJP,RAWCLIFFERD.Someearlydevelopmentsinsyntheticapertureradarsystems[J].IreTransactionsonMilitaryElectronics,2009,MIL-6(2):111-115.

　　[3]BROWNWM,PORCELLOLJ.Anintroductiontosynthetic-apertureradar[J].IEEESpectrum,1969,6(9):52-62.

　　[4]杨浩.基于时间序列全极化与简缩极化SAR的作物定量监测研究[D].北京:中国林业科学研究院,2015.

　　作者：姬永杰张王菲