³/cm³;且模型解算的植被茎秆介电常数与植被生物量、含水量具有一定的线性相关性。（2）土壤湿度反演的影响因素分析:在多维度极化目标分解模型解算过程中,需要根据观测数据计算地表去极化角,并设定偶次散射模型中的同极化相位差（（?）=0°）。本文对比分析了不同物候期作物冠层对地表去极化角参数估计的影响,以及不同地表去极化角、同极化相位差条件下的土壤湿度反演精度。研究发现,作物冠层覆盖度的增加会减小地表去极化角与均方根高度的线性相关性,进而降低土壤湿度的反演精度;选择非零同极化相位差能够提高反演精度,且不同作物类型的同极化相位差大小不同。（3）时序多入射角alpha近似模型土壤湿度反演算法改进:基于alpha近似模型,利用极化目标分解算法去除植被散射的影响;并通过引入多入射角极化观测数据增加观测量,构建多入射角alpha近似时序观测模型。此外,在参数解算时利用Dubois裸地散射模型和地表粗糙度先验知识来优化土壤介电常数解算的约束条件。实验结果表明,在农作物覆盖区,本文方法能够有效提高土壤湿度的反演精度,且在垂直极化的表现（VV:RMSE=4.64 cm³/cm³）要优于水平极化（HH:RMSE=7.46 cm³/cm³）。（4）基于动态系统理论和粒子滤波算法的时序农作物生物物理参数估计:以水稻为例,基于站点实测数据构建了Do S时间坐标系下的作物物候期（BBCH）、高度参数的演化模型;基于SENTINEL-1数据后向散射特征参数(₍(1（1）、₍（1）,₍（1）/₍（1（1））和站点实测物候期、高度信息构建了SAR特征参数观测模型。在此基础上,将上述两种模型嵌入到粒子滤波算法中,实现作物参数的时序估计。实验结果表明,在农作物生长初期（BBCH<40）,本文方法的作物物候期（BBCH）参数估计精度可达RMSE=3.7,高度参数精度RMSE=4.1。由于SENTINEL-1后散射信息在BBCH>40时存在饱和现象,在水稻生长的中、后期,物候期、高度参数存在一定的低估问题。尽管如此,本研究可为PolSAR地表、植被散射解耦和土壤湿度反演提供植被参数先验知识,降低对光学遥感数据和地面实测数据的依赖。

文章关键词:

论文DOI:10.27379/d.cnki.gwhdu.2021.000142

论文分类号:S152.75;S127

文章来源：《生物物理学报》 网址: http://www.swwlxb.cn/qikandaodu/2022/0130/760.html