Polarimetric interferometric synthetic aperture radar and machine learning for rice canopy height estimation

方法

综述Pol-InSAR原理、水稻散射机制及随机森林/支持向量回归等ML方法。

发现

Pol-InSAR物理基础与ML建模结合是估算水稻冠层高度最有前景的路径。

机会点

可研究物理约束的混合ML模型、多传感器多波段融合，解决时间失相干与水层相位中心模糊问题。

准确、及时地估算水稻冠层高度对于作物监测、产量预测、倒伏评估和精准农业至关重要。在季风期水稻种植期间，光学遥感经常受到云层覆盖的制约。合成孔径雷达（SAR）和极化合成孔径雷达干涉测量（Pol-InSAR）通过利用极化散射机制，为获取冠层结构提供了一条具有物理基础的途径，传统上通过随机体散射体 over 地面（RVoG）模型方法加以形式化。本文综述了用于植被高度测量的Pol-InSAR方法的基本原理，以及冠层下方水层的存在所引起的独特水稻散射机制对RVoG方法经典假设所产生的影响。近期的机器学习（ML）方法概述了相关应用，包括随机森林和支持向量回归，并结合Pol-InSAR和PolSAR数据。持续存在的关键挑战包括时间去相关、水层相位中心模糊以及模型的跨站点适用性有限，此外还涉及物理信息混合ML模型、多传感器/多波段融合和业务化监测方法。本文认为，将Pol-InSAR的物理基础与ML建模相结合是最有前景的发展路径。