基于全极化SAR数据的玉米后向散射特征分析
极化SAR影像分类综述
基于目标分解的极化SAR图像分类摘要：极化SAR图像分类是SAR图像解译的重要内容，从现有的文献来看，基于目标分解理论的极化SAR图像分类算法是所有分类算法中较为实用、准确，且发展较快的。
以此为研究背景，论文首先介绍了雷达极化的基础理论，并在此基础上系统地分析了当前各种典型目标分解算法的特性，最后总结了几种典型的基于目标分解理论的极化SAR图像分类算法。
关键词：极化SAR 目标分解图像分类1引言极化合成孔径雷达(SAR )通过测量地面每个分辨单元内的散射回波，进而获得其极化散射矩阵以及Stokes矩阵。
极化散射矩阵将目标散射的能量特性、相位特性和极化特性统一起来，相对完整地描述了雷达目标的电磁散射特性，为更加深入地研究地物目标提供了重要的依据，极大地增强了成像雷达对目标信息的获取能力。
从极化SAR图像数据中，我们可以提取目标的极化散射特性，从而实现全极化数据的分类和聚类等其他应用。
这需要我们对极化数据进行分析，有效地分离出目标的散射特性，其理论核心是目标分解。
目标分解理论是Po1SA R图像处理技术中最基本的方法，目标分解的主要目的是把极化散射矩阵或相干矩阵和协方差矩阵分解成代表不同散射机理的若干项之和，每一项对应一定的物理意义。
目标分解的突出优点就是它们大都具有明确的物理解释。
因为目标回波的极化信息可以反映目标的几何结构和物理特性，所以极化目标分解理论可用于目标检测或分类。
目前，极化目标分解理论主要分为基于散射矩阵分解的相干目标分解方法和基于协方差矩阵或相干矩阵的部分相干目标分解两类。
本文从目标分解的基本理论出发，对这些分解方法进行了归纳和分析，以便对这些分解方法进行深刻的把握。
为目标分解方法应用于SAR图像分类提供一些参考。
2 极化SAR图像的基本理论2.1 极化合成孔径雷达概述极化合成孔径雷达是合成孔径雷达向多功能方向发展的一个重要内容，它能有效提高获取目标信息的能力，为提高目标分类的精度提供了有力的工具。
基于特征向量分解与散射机制判别指数的全极化SAR图像地物提取与分类
极化 信 息 中相 位 信 息与 地 物结 构 关 系 密切 ， 定
义 目标 的平均 散射 角嘲ａ Ａｌｈ ） ： （ ｐ ａ为
ａ ＝Ｐ１ｔ＋ Ｐ２ ２ Ｐ３ｔ ＝ ＝ ０ １ 口＋ ０ ３ （） ４
Ｗ ＡＮＧ ｎ 。， ＮＧ － ｎ ０， ＡＯ ｉｇｊ ａ 。 Ｑｉｇ ＺＥ Ｑｉｍｉｇ ＬＩ Ｊｎ －ｕ ｎ
（ Ｉｓ ｔｔｏ ｎ Ｉ Ｐ ｋｎ ｎｖ ｒｉ Ｂ ｉｉｇ １０ ７ ； ① ｎｔ ｕｅ ｆＲＳａ ｄＧ Ｓ， ｅｉｇＵ ｉｅｓｔ ｅ ｎ ０ ８ １ ｉ ｙ， ｊ
为 ６ 。 ９。 ０～ ｏ。文献 ［］ 出 了 ８个 Ｈ－ ｐ ａ平 面 分 ５给 Ａｌｈ
割 的 区域 ， 以及 每个 区域 对 应 的 电磁 波 散 射 物 理 意 义， 但其 阈值 的设 定具 有一 定 的浮动性 ， 因为在不 同 频率 、 同入射 角观 测 时 ， 射 作 用 过程 也 不 相 同 ， 不 散 对其 中 的散射机 制 描 述 也 就有 了差 异 。因此 ， 用 利 Ｈ— ｐ ａ 面可 以对 全极 化 Ｓ Ａｌｈ 平 ＡＲ数 据 进 行 粗 略 的
遥感信 息
理 论 砷 穷
标分类研究提供 了新的角度 和新的方法口 。 卅］
极 化 目标分 解技术 ［是 分析 和提取 极化 信息 的 １ ］
一
Ｈ 一
百
一 Ｐｉｏ ３ １ ｇ Ｐｆ
（） ３
种常用 方法 ， 可 以有 效 地 提 取蕴 含 在 全 极化 散 其
其 中， Ｐ 一
摘要 ｉ 基于特征 向量分解 和基 于散射模 型 的极化 目标分解是全极化 Ｓ ＡＲ非相干分解 中的典 型算 法。本 文对
基于极化分解的极化特征参数提取与应用
基于极化分解的极化特征参数提取与应用王庆;曾琪明;廖静娟【摘要】Based on the polarization decomposition, the authors obtained a set of characteristic parameters to characterize the surface features, and formed some indices by combing these characteristic parameters to extract vegetation growing information such as radar vegetation indexes. These characteristic parameters have the function of reflecting the backscattering information and indirectly obtaining such information as vegetation growing, density and distribution areas. A scene of Radarsat - 2 full polarimetric SAR data covering Poyang Lake region was chosen for this experiment and the sample data which included the biomass and vegetation density information were collected in the field at the same time. On the basis of an analysis of vegetation characteristics in this test region, the characteristic parameters were compared with each other and analyzed for their physical meaning. The radar vegetation index and field measurements of biomass sample parameters were statistically correlated. The experimental results show that the four characteristic parameters described in this paper give the same overall trend on the random scattering of vegetation, but different indexes have different indications with the increasing vegetation density, of which the most accurate index is the radar vegetation index, which has the maximum dynamic range. The radar vegetation index has a high linear correlation with the biomass of wetland vegetation, so that it can be used to quantitatively infer thevegetation covering density and the biomass information.%基于极化分解原理,获取了描述地物散射机制的特征参数,并组合成一些特征指数,如雷达植被指数等.这些特征指数具有反映体散射信息的能力,从而可间接获取植被长势、疏密程度及分布区域等信息.实验选择了鄱阳湖区Radrsat -2全极化数据,结合野外采集的样本数据,在分析该区植被特征的基础上,对不同特征参数进行了对比分析,对雷达植被指数与实地测量样本的生物量参数进行了相关分析.实验结果表明:文中给出的4种特征参数对植被引起的随机散射的描述总体趋势是一致的,但随着植被覆盖密度的增大,不同特征指数具有一定的差异,其中雷达植被指数最为准确,适用动态范围最大,并且与湿地植被生物量具有较高的线性相关性,可以定量地反映研究区的植被疏密及生物量差异信息.【期刊名称】《国土资源遥感》【年(卷),期】2012(000)003【总页数】8页(P103-110)【关键词】非相干分解;极化分解;散射机制;雷达植被指数【作者】王庆;曾琪明;廖静娟【作者单位】北京大学遥感与GIS研究所,北京100871;北京大学遥感与GIS研究所,北京100871;中国科学院对地观测与数字地球科学中心,北京100094【正文语种】中文【中图分类】TP79合成孔径雷达(synthetic aperture radar，SAR)具有全天候、全天时对地观测的能力，全极化SAR(polarimetric SAR，Pol－SAR)对地观测可获取地物散射回波的能量、相位和极化信息［1］。
极化SAR 农作物分类研究进展
文章从监测的农作物类型、使用的数据源、分类特征、算法及精度等方面系统总结 了近 10 余年来农作物极化 SAR 分类的研究进展，具体包括分类特征、分类算法以及多 源多时相数据应用 3 部分内容。在此基础上指出了现有极化 SAR 农作物分类研究的不 足，并对未来的发展趋势进行了展望。
1 极化 SAR 农作物分类特征选取
0 引言
农作物分类是农情遥感监测的重要环节，是进一步开展农作物长势、产量等专题监 测的前提［1-2］。及时、准确地获取农作物类型、面积及空间分布信息，可为农业结构的合 理调整提供科学依据，对指导农业生产、合理分配农业资源以及保障国家粮食安全具有 重要意义［3-4］。光学遥感因具有客观、准确、监测范围广、成本低等优点，已广泛应用于 农作物分类研究。20 世纪 80 年代以来，国内外众多学者基于光学遥感影像对不同时空尺 度和种植结构下的农田进行了大量的农作物分类与长势监测研究，在理论和方法层面都 得到了长足的发展［5-7］。以往的研究表明，结合农作物的物候信息，光学遥感影像可以准 确区分农作物类型和状况。但是，在农作物生长的关键物候阶段，由于受到云雨雾天气
第 32 卷第 2 期 2020 年 4 月
China Agricultural Informatics
sar后向散射系数
SAR后向散射系数简介合成孔径雷达（Synthetic Aperture Radar，简称SAR）是一种利用雷达技术进行地面观测的无源遥感技术。
SAR后向散射系数是SAR技术中的重要参数之一，用于描述目标对雷达波的反射能力。
本文将介绍SAR后向散射系数的概念、计算方法以及其在地质勘探、环境监测和军事侦察等领域的应用。
SAR后向散射系数概述SAR后向散射系数（Backscattering Coefficient）是指目标表面单位面积内反射到接收机上的电磁波功率与入射电磁波功率之比。
它是描述目标对雷达波反射性能的重要指标，常用符号为σ。
SAR后向散射系数可以通过计算目标与背景之间的辐射差异来获取。
在SAR系统中，发射机发出一束电磁波，经过目标表面反射回接收机。
接收机接收到的信号经过处理后可以得到目标表面反射回来的电磁波功率。
根据辐射定律，可以计算出目标表面单位面积内的反射功率，进而得到SAR后向散射系数。
SAR后向散射系数计算方法SAR后向散射系数的计算方法主要有两种：几何光学模型和微波散射模型。
几何光学模型几何光学模型是一种简化的计算方法，它假设目标是理想的平面、光滑的表面。
根据几何光学原理，可以通过目标表面法线与入射波方向之间的夹角来计算反射波强度。
几何光学模型适用于目标较大且相对平滑的情况，但对于复杂形状和粗糙表面的目标来说，几何光学模型无法提供准确的结果。
微波散射模型微波散射模型是一种基于电磁理论和统计方法的计算方法，可以更精确地描述目标对雷达波的反射特性。
常用的微波散射模型包括吸收-衰减模型、Kirchhoff近似模型和物理光学模型等。
这些模型考虑了目标表面材料、形状、粗糙度等因素对散射特性的影响，可以提供更准确的SAR后向散射系数计算结果。
SAR后向散射系数应用领域SAR后向散射系数在地质勘探、环境监测和军事侦察等领域具有广泛的应用。
地质勘探在石油、天然气等矿产资源勘探中，SAR后向散射系数可以提供地下目标的信息。
顾及时变特性的时序极化SAR对象级农作物分类研究
顾及时变特性的时序极化SAR对象级农作物分类研究contents •研究背景和意义•时序极化SAR图像处理技术•农作物分类方法•顾及时变特性的农作物分类模型•实验结果与分析•结论与展望目录遥感技术的快速发展为农作物分类提供了新的手段，尤其是合成孔径雷达（SAR）具有的高分辨率、全天候、广覆盖等优势，在农作物分类中具有重要应用价值。
时序SAR数据能够反映农作物的动态变化过程，对于研究农作物生长规律、监测作物长势、评估产量等具有重要意义。
现有的时序SAR农作物分类研究主要关注单一时点的目标识别，缺乏对作物生长过程中形态变化的考虑，难以实现准确的分类。
研究顾及时变特性的时序极化SAR对象级农作物分类方法，对于提高遥感技术在农作物分类中的应用水平，促进精准农业和智慧农业的发展具有重要意义。
本研究将为遥感技术在农业领域的应用提供新的理论和方法支持，有助于提升农业生产的智能化和精细化水平，为农业生产管理提供更加准确、及时的信息支持。
同时，研究成果也可以为其他领域的对象识别与分类提供参考和借鉴，推动遥感技术的发展和应用。
03SAR图像特征提取通过提取SAR图像的纹理、形状、空间关系等特征，可实现地表目标的识别和分类。
01SAR图像特点SAR图像具有其独特的散斑特性和纹理信息，这些特性可用于提取地表特征。
02SAR图像预处理预处理包括滤波、图像增强等步骤，可改善SAR图像质量，提取更多地表特征。
SAR图像处理技术时序极化SAR时序极化SAR是一种先进的SAR图像处理技术，通过分析多时相SAR图像的极化特性，提取地表特征，提高目标识别和分类的精度。
时序极化SAR图像处理流程包括多时相SAR图像配准、极化分解、特征提取、目标识别和分类等步骤。
时序极化SAR的优势时序极化SAR充分利用了SAR图像的极化特性，提供更丰富的地表信息，提高目标识别和分类的准确性。
010203时序极化SAR图像处理技术基于统计学习的分类方法支持向量机（SVM）利用统计学理论，构建一个或多个超平面，将不同类别的样本分隔开。
基于深度极化数据特征学习与多特征融合的极化SAR图像分类
02
网络模型选择
根据极化SAR图像的特点，选择合适的深度学习模型进行特征提取。
实验与分析
对比实验
与其他传统图像分类方法进行对比实验，评估基于深度学习的极化SAR图像特征提取方法的性能。
实验结果分析
对实验结果进行分析，包括准确率、召回率、F1值等指标，以评估方法的实际效果。
实验数据集
使用公开的极化SAR图像数据集进行实验验证，包括不同场景、不同分辨率的图像数据。
数据集介绍
实验设置
实验结果
05
基于深度极化数据特征学习与多特征融合的极化SAR图像分类的优势与挑战
03
强大的分类能力
基于深度学习的分类模型具有较高的分类精度和稳定性，能够满足极化SAR图像分类的实际需求。
优势分析
01
特征学习能力强
深度学习技术能够从大量极化SAR图像数据中自动提取和优化特征，提高分类准确性和效率。
可解释性的极化SAR图像处理
在追求高分类精度的同时，也需要关注模型的的可解释性。未来可以尝试研究可解释性强的极化SAR图像处理模型，以便更好地理解模型的决策过程，提高公众对模型的信任度。
未来发展方向
THANKS
感谢观看
02
极化SAR图像概述
极化SAR图像特点
极化SAR图像通过测量电磁波的极化状态来获取地表散射信息，具有高分辨率、穿透性强等优势。
极化散射矩阵
极化相干矩阵
极化度
极化椭圆
极化SAR图像的相干矩阵能够反映地表散射特性的变化，为地物分类提供依据。
极化度是衡量地表散射特性的重要参数，可以用于区分不同类型的地物。
实验与分析
在实验中，我们将基于深度学习的极化SAR图像特征提取方法与传统的图像特征进行融合，并使用融合后的特征集合训练分类器。为了评估分类器的性能，我们在数据集上进行了交叉验证，并使用了多种评估指标，如准确率、召回率、F1得分等。
基于全极化SAR数据散射机理的农作物分类
基于全极化SAR数据散射机理的农作物分类化国强;王晶晶;黄晓军;陈尔学;李秉柏【摘要】The results of eigenvalue decomposition based on the polarimetric coherency matrix using synthetic aperture radar (SAR) data were analyzed for the purposes of identification and classification of crops. This method can identify different crops and have better classification accuracy of rice, corn, and soybean. Taking Suining experimental area in Jian-gsu Province as an example, using Radarsat-2 polarimetric SAR image data of August 23, 2009, three parameters of scattering characteristics of different crops were extracted and the scattering mechanisms of these crops were analyzed. Using ground GPS data, the different crops were classified with Wishart supervised and unsupervised method. The results showed that the scattering characteristics of city and water were clear. Rice was easily distinguished from other crops for having water layer in plant bottom with the classification accuracy being 97. 92%. Corn and soybean were respectively identified according to the difference of average scattering angle. The total accuracy of paddy identification was 78. 1%. Overall, full-polarization SAR data can provide richer land scattering information which is an important data source of remote sensing monitoring of crops.%提出了利用极化相干矩阵对雷达遥感影像进行特征值分解,通过分析分解特征图达到农作物识别、分类的目的.该方法不仅能识别不同农作物,而且对水稻、玉米、大豆较好的识别精度.以江苏省睢宁地区农作物识别为例,利用2009年8月23日Radarsat-2全极化SAR影像数据,结合极化相干矩阵的方法提取不同农作物散射特征的3个参量,分析不同农作物散射机理;结合地面GPS数据进行Wishart监督分类和非监督分类.分类结果表明:城市及水体散射特征特点明显、识别清晰;水稻由于植株底部具有含水层,易与其它农作物区别,水稻分类精度达到97.92％;根据平均散射角的差异性对大豆和玉米进行了区分,最终总分类精度达到78.1％.研究结果表明,全极化雷达数据能提供更为丰富的地物散射信息,是农作物遥感监测的重要数据来源.【期刊名称】《江苏农业学报》【年(卷),期】2011(027)005【总页数】5页(P978-982)【关键词】农作物;全极化;散射特征;Wishart分类【作者】化国强;王晶晶;黄晓军;陈尔学;李秉柏【作者单位】江苏省农业科学院农业经济与信息研究所,江苏南京210014;南京信息工程大学应用气象学院,江苏南京210044;中国林业科学研究院资源信息研究所,北京100091;江苏省农业科学院农业经济与信息研究所,江苏南京210014;江苏省农业科学院农业经济与信息研究所,江苏南京210014;中国林业科学研究院资源信息研究所,北京100091;江苏省农业科学院农业经济与信息研究所,江苏南京210014【正文语种】中文【中图分类】TP79近几十年来，普通光学遥感对农作物的监测研究有很多。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
１ 试 验 区 及 数 据
１ １ 试验 区概 况 ．
玉米是世界重要粮食 、 饲料和工业原料作物 ， 种植 面积和 总产量仅 次于小麦 和水 稻 ， 玉米生长状 况及种植 面积 的监测 对 我国农业 和经济 的发展具有重要 的意义。遥感技 术的发展 及 其在农业上 的广泛应用 已取得 了显著 的经 济效益 ， 成为进 行 农业 科 学管 理 、 促进 农 业可 持续 发展 不可 缺少 的有 力 工
１ ２ Ｒ ｄ ｒａ 一２数 据 ． ａ ａｓ ｔ
系数 ， 与单极化和双极化结果 比较发现 ， 它们在精度上有着极
大的差 别 ， 这表 明增 加一种 极化方 式 的重要性 。Ｘ ｖｅ 等 ａｉｒ 在玉米长势监 测 中 ， 通过 对 比 Ｅ Ｓ Ｅ Ｖ Ｓ Ｔ Ｒ Ｄ Ｒ Ａ Ｒ 、 Ｎ ＩＡ 、 Ａ Ａ Ｓ Ｔ ３ 种图像 Ｃ一 波段 的 ＨＨ极化 、 Ｖ极 化 和交叉极 化数据 ， 现 Ｖ 发 其后向散射 系数从玉米 开始生 长至 Ｌ ｌ Ａ 达到 ４ ６时 具有较 ．
好的相关性 。张萍萍等利用多时相 Ａ Ａ Ｓ Ｒ数据 分析 了稻 田后 向散射 特性 ， 利用阈值分类混合监督分类对水稻进行识别 ， 识 别精度达到 ９ ％ 。杨 沈斌分 析 了多 时相雷 达数据 对水 稻 ０
２０ ０ ９年 ７月 ２ ３日获取 了一景覆盖试验 区的 Ｒ ｄｒ ｔ ａａｓ 一２ ａ
进行动态监测及 面积提 取。Ｍｃａｉ ｎｒ ｎ等使用机 载 ｃ一波段 极
化 数据 对苜蓿 、 玉米 、 大豆 和小 颗粒谷 物 （ 如小麦 等 ） 行识 进 别， 发现 Ｈ Ｈ—Ｈ Ｖ Ｖ— Ｖ ３种极化组合方式具 有最高 的 Ｋ ｐａ ａｐ
育期 阶段 。其 中， 苗期 阶段 主要是 根部 发育 入穗期阶段 ， 时期 叶片增 该
摘要 ： 以江苏省睢宁县为研究 区域 ， 选择 ２ ０ ０９年 ７月 ２ ３日已覆 盖该 区域的 Ｒ ｄｒ ｔ ２全 极化影像数据 ， ａａｓ 一 ａ 着重 分
析玉米全化方式后 向散射特性 ， 并将玉米生长参数与后 向散射系数 进行相关 分析 ， 建立统计 模型 ， 最后利用 不同地物 后 向散射特征 的差异 ， 采用决策树分类算法提取 玉米 种植 分布情况 。结果显示 ， 玉米叶面积指数和 ＨＨ极 化后 向散 射 系数 、 － Ｈ ＨＩ Ｖ具有 较好 的相关性 ； Ｉ ／ 经过验证 ， 采用决策树分类算法提取 玉米 种植 分布情况 ， 图总体精度达到８ ． ％ 。 制 ４１
．－—
—
５ ２— ６ － — —
江苏农业 科学 ２ １ ０ １年第 ３ ９卷第 ３期
化 国强， 靖 ， 晓军 ， 肖 黄 等．基于全极化 Ｓ Ｒ数据的玉米后 向散射特 征分析［ ］ Ａ Ｊ ．江苏农业科学 ， １ ， （ ） ５ ２ ５ ５ ２ １ ３ ３ ： — ６ ０ ９ ６
基 于全极化 Ｓ Ｒ数 据 的玉米后 向散射特征分析 Ａ
优势。
要 区域 ， 属亚热带和暖温带过渡性地带 。该地 区气候温和 ， 无
霜期 １０～２０ ｄ 热量条件 较好 ， 年两熟。其 中， ７ ０ ， 一 夏季作物
主要包括水稻 和玉米 ， 此外还种植蔬菜 。 研究 区内玉米生长期在 ６ —９月之间 ， 可以划分成 ３个生
目前 ， 大量研究结果证 明雷达数据 可以有效地 对农作 物
研究 区位 于 江 苏 省 睢 宁县 境 内， 度 与 纬 度 分 别 为 经
１７ ３ ～ １ 。９Ｅ ３ 。３ ３ 。５Ｎ， 我 国粮 食 生 产 的重 １ 。６ １ ７４ 和 ３４ ～ ４ ０ 是
具 … 。其 中， 雷达遥 感 系统全 天 时、 天候 成像及 对地 物 的 全 穿 透探 测 能力 在 对农 作 物 观 测 中 比光学 遥 感更 具 有 独 特
化国强 ，肖 靖 黄晓军 ， ， 陈尔学 李秉柏 ，
（． １ 南京信息工程大学应 用气象学 院， 苏南京 ２０ ４ ； ． 江 １０ ４ ２ 徐州空军学院 ， 江苏徐州 ２ １ ０ ； ２ ０ ２ ０ ３ 中国林业科学研究院资源信 息研究所 ， ． 北京 １０ ９ ； ． ０ ０ １ ４ 江苏省农业科学院农业资源与环境研 究所 ， 江苏南 京 ２０ １ ） １０ ４
Ｃ一波段全极化 （ Ｈ、 Ｖ、 Ｈ和 Ｖ 单视 复 型（ Ｌ ） 据。 Ｈ Ｈ Ｖ Ｖ） ＳＣ 数 Ｓ Ｃ影像方位 向和距离 向像元大小分别为 ７ ９ Ｌ ．８ｍ和４ ９ ．６ｍ， 标称 空间分辨率约 ３ 升轨模式 ， ０ｍ， 近距离入射角为 ３ ．５ 。 ９ ２ 。
对 Ｒ ｄｒａ 一 Ｌ ａａｓｔ ２Ｓ Ｃ影 像的预处理过程包括辐射定 标 、 多 视化处理 、 斑点噪声 滤波 和地 理编码 。其 中， ａａｓｔ Ｒ ｄｒ 一２影 ａ 像 的辐射定标过程根据产品给出的 Ｓｇ ａ ｉｍ 定标查 找表文件利 用公 式（ ） １ 实现 。
说明全极化雷达数据 能提供 更为丰富的地物后 向散射信息 ， 作物遥感监测 的重要数据来 源。 是农 关键词 ： 玉米 ； 全极 化 ； 向散射 系数 ； 后 决策树
中图分类 号 ： １７ Ｓ２ 文献标志码 ： Ａ 文章编号 ：０ ２—１０ （ ０ １ ０ ０ ６ ０ １０ ３２ ２ １ ） ３— ５ ２— ４
后 向散 射系数与水稻生 物学参数 的关系 ， 及基 于水 稻作物模
型和 Ｈ ／ Ｖ的水稻生物学参数的反演 ｊ ＨＶ 。 本研究利用 Ｒ ｄ ｒ ｔ ａａｓ 一２全极化 Ｓ Ｒ数 据 ， ａ Ａ 结合 玉米 地