基于Radarsat-2雷达数据的水稻参数反演

合集下载

雷达遥感技术在水稻识别中的研究进展

雷达遥感技术在水稻识别中的研究进展王松寒;何隆华【摘要】Due to its all-weather,all-time,high resolution and non-cloud interference characteristics,Synthetic Aperture Radar (SAR)techniques have unparalleled advantages for rice recognition in China.This article gives a review on the SAR techniques for rice recognition.It summarizes the development history of SAR,describes the parameters and characteristics of SAR sensors used for rice recognition,and analyzes the factors influencing backscattering coefficient based on the backscattering model of rice monitoring.This paper also reviews various methods for rice recognition based on SAR in domestic and abroad. Finally,the paper discusses the prospect in the related fields.%合成孔径雷达技术拥有全天时、全天候、高分辨率和不受云层干扰的特点，利用 SAR 在我国水稻种植区进行水稻识别拥有无可比拟的优势。

该文主要对雷达遥感技术在水稻识别和监测中的应用情况进行了综述。

首先总结了合成孔径雷达的发展历史，介绍了目前用于水稻识别的SAR 传感器的参数和特点；介绍了水稻的后向散射特性，根据水稻的后向散射模型分析了影响其后向散射系数的因素；综述了国内外利用 SAR 进行水稻识别的各种方法，并对未来利用 SAR 监测水稻进行了展望。

GF-1以及RADARSAT-2数据处理及其土壤水分反演模型构建技术流程

GF-1影像处理一．正射纠正纠正前多光谱影像纠正后多光谱影像纠正前PAN影像纠正后PAN影像二．数据定标式中：Gain为定标斜率；DN 为卫星载荷观测值；Bias为定标截距。

定标前数据统计定标后数据统计三、波普响应文件制作四、影像裁剪裁剪多光谱和DEM打开需要裁减的影像和矢量文件，点击subset data via ROI五、计算DEM平均值计算DEM平均值，用于下面的大气校正六、大气纠正FLAASH定标文件->Edit ENVI Header->修改中心波段和BIL、BIP注：问题：在将其转换成BIL或BIP时候影像出现分层现象（未解决）定标文件->Edit ENVI Header->修改中心波段->convert interleave注：文件名称要短点若输入影像提示“输入影像是不连续的波段”，解决办法：定标文件->Edit ENVI Header->修改中心波段大气校正前影像大气校正后影像大气纠正前散点图大气纠正后散点图七、影像融合先重投影和RADARSAT-2一样之后又裁减了一次（问题：背景扩大了？）PAN和多光谱，既保留了多光谱的光谱特性有保留了PAN高分辨率的特性2mPAN和8m多光谱融合融合前多光谱影像融合后多光谱影像2mPAN和16m多光谱融合融合前影像融合后影像五、影像分类1.监督分类1）分类监督分类初分类成果图 2）分类后处理分类统计：分类曲线图Class Distribution Summary●聚合和筛选聚合筛选前聚合筛选后●混淆矩阵：RADARSAT-2影像处理一．导入二．多视向处理三．滤波处理四．地里编码和辐射校正五．获取单像元值ARCgis1.将.kmz文件转为.shp转换工具->由.kml转图层注：在输出数据名称上填写文件类型（.shp）2.提取像元值用spacialAnaslyst 工具->提取分析->值提取到点3.生成报表和Excel模型建立及其应用一．土壤介电常数和土壤含水量之间的关系1、曲线拟合法利用1stopt软件和地面实测数据拟合出了土壤介电常数和土壤含水量之间的关系：1．1最佳拟合曲线公式：y=p1+p2*Ln(x)+p3*(Ln(x))^2+p4*(Ln(x))^3+p5*(Ln(x))^4+p6*(Ln(x))^5+p7*(Ln(x))^6+p8*(Ln(x))^7+p9*(Ln(x))^8+p10*(Ln(x))^9+p11*(Ln(x))^101.2最适模型：由于所采用的实测数据建立的模型，实测数据具有特殊性，因此模型也具有特殊性，所以根据模型参数个数、相关系数、均方根误差从符合精度要求（大于99%）的2632个模型中筛选出具有代表性的多个模型函数作为后续的研究对象模型6拟合曲线图（99%相关）模型5拟合曲线图（999%相关）模型3、4拟合曲线图（9999%相关）模型1、2拟合曲线图（99999%相关）分析：蓝色为土壤含水量实测值，红色为由模型计算出的土壤含水量值，通过以上四幅曲线拟合图可以很明显看出实测值和由模型计算出的值几乎趋于一条曲线。

水稻冠层参数微波雷达反演系统设计与实现

水稻冠层参数微波雷达反演系统设计与实现王君毅;杨彬;张远【摘要】利用遥感数据对水稻参数反演时,经验统计方法在精度方面依然存在较大误差,而机理模型又不易被用户理解和使用且存在反演过程可视化效果差、时间开销大等问题.针对这种现状,该文提出了将微波极化散射模型和优化搜索算法相集成的系统开发思路.根据参数反演的逻辑流程,采用Matlab/GUI和Fortan语言混合编程的方式,实现了基于雷达遥感数据对水稻冠层后向散射特征的模拟、参数的敏感性分析以及逐像元水稻参数反演的各项功能;利用"格网化"计算思想对提高反演进程进行了尝试.分析和实验结果表明,该反演系统具有较好的可运行性,可为区域水稻监测及估产提供重要的信息和技术支持.%For inversion of rice parameters using remote sensing data,the retrieval accuracy produced by empirical statistical method is often unsatisfactory.Also,the physical models are not easy to understand for operational use.Therefore,this paper proposes a system developing method by integrating the polarization scattering model with optimization searching algorithm to make the inversion process visual and the procedure more time-efficient.The software system developed with Matlab and Fortran hybrid programming can simulate the microwave radar backscattering characteristics of rice canopy,conduct sensitivity analysis and inverse rice canopy parameters.The inversion system could provide important information and technique support for the regional rice monitoring and yield estimation.【期刊名称】《遥感信息》【年(卷),期】2016(031)002【总页数】6页(P30-35)【关键词】水稻;冠层参数;微波雷达;反演;系统设计【作者】王君毅;杨彬;张远【作者单位】华东师范大学地理科学学院,上海 200241;辽宁行政学院信息技术系,沈阳 110161;华东师范大学地理科学学院,上海 200241【正文语种】中文【中图分类】TP79农业为人类社会提供赖以生存的基本生活资料，在国民经济中具有基础地位，并突出地表现在粮食生产上。

基于高分一号与Radarsat-2的鄱阳湖湿地植被叶面积指数反演

基于高分一号与Radarsat-2的鄱阳湖湿地植被叶面积指数反演许涛;廖静娟;沈国状;王娟;杨晓慧;王蒙【期刊名称】《红外与毫米波学报》【年(卷),期】2016(035)003【摘要】叶面积指数(LAI)是衡量湿地生态系统健康状况的重要指标.根据鄱阳湖湿地植被生长密集、LAI动态范围大的特点,针对雷达数据的复杂散射机制,利用Freeman-Durden极化分解技术,定义了一种雷达植被指数,并考虑光学植被指数的饱和性,尝试将光学植被指数和雷达植被指数相结合,构建融合植被指数来估算植被LAI.通过实测数据和理论模型模拟数据与LAI的相关性分析,表明融合植被指数能有效地提高与LAI的相关性.利用融合植被指数、光学植被指数、雷达植被指数与LAI构建最佳拟合模型得出:光学微波融合植被指数能更准确地估算鄱阳湖湿地植被LAI.【总页数】9页(P332-340)【作者】许涛;廖静娟;沈国状;王娟;杨晓慧;王蒙【作者单位】中国科学院遥感与数字地球研究所,数字地球重点实验室,北京100094;中国科学院大学,北京100049;中国科学院遥感与数字地球研究所,数字地球重点实验室,北京100094;中国科学院遥感与数字地球研究所,数字地球重点实验室,北京100094;中国科学院遥感与数字地球研究所,数字地球重点实验室,北京100094;中国科学院大学,北京100049;中国农业科学院农田灌溉研究所,河南新乡453002;中国科学院遥感与数字地球研究所,数字地球重点实验室,北京100094;中国科学院大学,北京100049【正文语种】中文【中图分类】TP79【相关文献】1.基于全极化SAR数据反演鄱阳湖湿地植被生物量 [J], 刘菊;廖静娟;沈国状2.高分一号影像水稻叶面积指数反演真实性检验 [J], 杨闫君;田庆久;黄彦;王磊;耿君;杨冉冉3.基于高分一号数据的PROSAIL模型叶面积指数反演 [J], 叶舒;范文义;孟庆岩4.基于RADARSAT-2四极化SAR影像的海面风速反演 [J], 方贺;蔡菊珍;何月;徐瑞;张育慧;张小伟;贺忠华;肖晶晶;谢涛5.利用RADARSAT-2雷达数据与改进的水云模型反演冬小麦叶面积指数 [J], 陶亮亮;李京;蒋金豹;陈曦;蔡庆空因版权原因，仅展示原文概要，查看原文内容请购买。

基于机器学习的水稻地上生物量遥感反演

基于机器学习的水稻地上生物量遥感反演作者：李武岐徐峰杨丰栓董霞周华来源：《中国科技纵横》2020年第12期摘要：地上生物量是水稻重要的生理生化参数，其估测模型对长势监测、产量估计等具有重要的意义。

高光谱遥感技术具有光谱分辨率高、蕴含信息丰富、高效无损的特点，能够大范围精准监测作物生长信息，在现代化农业中得到了广泛的应用。

本文基于ASD FieldSpec 4光谱辐射计获取的水稻的冠层光谱反射率数据，通过光谱转换获得其红边参数、植被指数等参数，利用K近邻回归（KNN）、支持向量机（SVM）、随机森林（RF）等方法开展水稻生物量估测研究，实验结果表明：其中RF建模集精度最高：R2为0.98，RMSE为94.6g·m-2，CV 为11.7%，验证集精度：R2为0.89，RMSE为194.1g·m-2，CV为23.5%，且三种机器学习建模的精度R2均高于0.86，达到较好的反演效果。

关键词：地上生物量;水稻;光谱反射率;红边参数;植被指数中图分类号：S127 文献标识码：A 文章编号：1671-2064（2020）12-0228-020研究背景水稻是我国的主要粮食作物之一，水稻的产量是人们关心的重点问题，而水稻地上生物量（AGB，Above ground Biomass）是水稻的长势监测、产量估计等的重要指标。

传统的水稻生物量测算方法需要人工在田间采集水稻样本，直接采集物理样品进行实测，这种方法具有客观准确的特点;但是，该方法成本高，耗时费力，会造成部分水稻被破坏，无法满足精准农业实时快速、大面积的估测需求。

近年来，遥感技术的飞速发展，多尺度、高光谱以及多观测角度的遥感数据能够更实时、准确、高效地反映农作物的长势信息，使用遥感技术的非破坏性或非侵入性方法可以有效避免传统方法的问题，从而更好地为生物量进行估测。

本文以ASD FieldSpec 4光谱辐射计获取的水稻的冠层反射率为数据源，提取红边参数、植被指数，基于K 近邻、支持向量机和随机森林进行回归分析，构建多品种水稻生物量反演模型。

基于Radarsat-2 SAR数据反演定西裸露地表土壤水分

基于Radarsat-2 SAR数据反演定西裸露地表土壤水分胡蝶;郭铌;沙莎;王丽娟;李巧珍;王静;刘伟刚【摘要】利用Radarsat-2 SAR数据和定西地区野外土钻法及WET仪器观测的土壤水分数据，分析了同极化后向散射系数与不同土层深度土壤水分之间的关系，采用交叉极化（VV/VH）组合模型反演土壤水分并进行对比验证。

结果表明：水平、垂直同极化后向散射系数均与10～20 cm土壤含水量相关性最好，相关系数R均为0．74；受地表粗糙度和土壤质地等影响，同极化后向散射系数与0～10 cm土壤水分相关性均较低。

交叉极化组合模型的反演值与10～20 cm实测土壤水分相关性较高，R值达0．75，而与0～10 cm和20～30 cm实测值的相关性较低（R值分别为0．47和0．52），但均通过α＝0．05的显著性检验；WET仪器实测0～6 cm土壤水分经校正后与反演值的相关系数为0．46（通过α＝0．01的显著性检验），校正后的结果有效提高了WET仪器测量精度。

交叉极化组合模型可用于裸露地表土壤水分的反演，更适用于提取10～20 cm土壤含水量信息。

%In this study,the relationships between the homology polarization backscattering coefficient and the soil moisture at different depths were analyzed based on the Radarsat-2 SAR data and the soil moisture observational data by using soil-drilling method and the WET sensor in Dingxi area,and the soil moisture from SAR was retrieved by using the cross polarization (VV/VH)combination model and validated with the measurement value.The results displayed that the horizontal and vertical polarization backscattering coef-ficients had the best correlation with soil water content at 10-20 cm depth,and their correlation coefficients R were all 0.74.Howev-er,they were not significantly correlated to soil watercontent at 0-10 cm depth due to the influence of surface roughness and soil tex-ture.The soil moisture from SAR simulated by the cross polarization combination model was significantly correlated to the measured value at 10-20 cm depth,and the correlation coefficient R was0.75,while it was lower correlated with the measured soil moisture at 0-10 cm and 20-30 cm depths,and the correlation coefficients were 0.47 and0.52,respectively,which only passed 0.05 signifi-cance test.In additional,the correlation coefficient between corrected soil moisture measured by WET sensor at 0-6 cm depth and the simulation value was 0.46 (passed 0.01 significance test),and the calibration result improved effectively the measuring accuracy by WET sensor.So the cross polarization combination model could be used to retrieve the bare soil moisture,especially for 10 -20 cm depth soil moisture.【期刊名称】《干旱气象》【年(卷),期】2014(000)004【总页数】8页(P553-559,581)【关键词】Radarsat-2 SAR;定西;裸露地表;土壤水分反演【作者】胡蝶;郭铌;沙莎;王丽娟;李巧珍;王静;刘伟刚【作者单位】中国气象局兰州干旱气象研究所，甘肃省干旱气候变化与减灾重点实验室，中国气象局干旱气候变化与减灾重点实验室，甘肃兰州 730020;中国气象局兰州干旱气象研究所，甘肃省干旱气候变化与减灾重点实验室，中国气象局干旱气候变化与减灾重点实验室，甘肃兰州730020;中国气象局兰州干旱气象研究所，甘肃省干旱气候变化与减灾重点实验室，中国气象局干旱气候变化与减灾重点实验室，甘肃兰州 730020;中国气象局兰州干旱气象研究所，甘肃省干旱气候变化与减灾重点实验室，中国气象局干旱气候变化与减灾重点实验室，甘肃兰州730020;甘肃省定西市气象局，甘肃定西 743000;中国气象局兰州干旱气象研究所，甘肃省干旱气候变化与减灾重点实验室，中国气象局干旱气候变化与减灾重点实验室，甘肃兰州 730020;中国气象局兰州干旱气象研究所，甘肃省干旱气候变化与减灾重点实验室，中国气象局干旱气候变化与减灾重点实验室，甘肃兰州 730020【正文语种】中文【中图分类】S152.7引言土壤水分(即土壤湿度、土壤含水量)在陆地—大气之间水分和能量交换的过程中扮演着非常重要的角色。

合成孔径雷达水稻识别和监测研究进展

合成孔径雷达水稻识别和监测研究进展唐鹏钦;姚艳敏;魏娜【期刊名称】《农业科学与技术（英文版）》【年(卷),期】2009(010)006【摘要】合成孔径雷达(SAR)具有全天时、全天候、高分辨率、大幅面监测地物的特征,利用SAR在阴雨天气多、云量大的水稻种植地区开展水稻识别、监测和估产具有光学遥感无可比拟的优势.目前基于雷达对水稻进行识别和监测的研究多用ERS/SAR、RADARSAT/SAR、ENVISATASAR等,其多是以民用或军民两用为主的星载合成孔径雷达,在用SAR数据监测水稻时.其后向散射系数来自4个方面:①人射波直接被水稻散射回去,即直接散射项(D-BS);②入射波经水稻层的散射到达水面后,经水面反射到水稻层,经水稻层衰减回到雷达(S RE);③入射波经水稻层衰减到达水面,经水面反射回到水稻层,经水稻层散射回去(ERS);④入射波经水稻层衰减到达水面,经水面反射到水稻层,经水稻层的散射改变厅向下行,再次经水面反射到水稻层,并经水稻层的衰减后回到雷达(W-R-W).其中,后向散射系数的主要来源是SRE 项和ERS项.SAR数据后向散射系数不仅要受到水稻物候期、植株高度、生物量、含水量等的影响,也受到自身入射角、波段、极化方式等的影响.一般地,水稻后向散射系数总体上是先随水稻生长增大,然后略有下降;水稻生长早期,后向散射系数随入射角波动的幅发较小,在水稻生长后期,后向散射系数随入射角波动的幅度变大,波动起伏次数增加;L波段和C波段的后向散射系数表明基本类同,但值要小很多,X波段则与L、C波段的表现相并较大.已有研究中大部分采用同极极化方式的后向散射系数作为研究对象.VV极化的后向散射系数变化比较平滑,HH极化的后向散射系数变化比较复杂.随着雷达卫星技术的发展,多极化、多模式、特殊波段将更能突出星载SAR的优势,拓宽SAR的应用范围,为进一步分析、识别和检测目标提供更有力的工具.【总页数】5页(P184-188)【作者】唐鹏钦;姚艳敏;魏娜【作者单位】农业部资源遥感与数字农业重点开放实验室,北京,100081;中国农业科学院农业资源与农业区划研究所,北京,100081;农业部资源遥感与数字农业重点开放实验室,北京,100081;中国农业科学院农业资源与农业区划研究所,北京,100081;农业部资源遥感与数字农业重点开放实验室,北京,100081;中国农业科学院农业资源与农业区划研究所,北京,100081【正文语种】中文因版权原因，仅展示原文概要，查看原文内容请购买。

基于机器学习的水稻地上生物量遥感反演

学术研究China Science&Technology Overview基于机器学习的水稻地上生物量遥感反演李武岐2徐峰2杨丰栓诈董霞2周华2(1.武汉大学遥感信息工程学院，湖北武汉430079;2冲国人民解放军61243部队,新疆乌鲁木齐830006)摘要:地上生物量是水稻重要的生理生化参数，其估测模型对长势监测、产量估计等具有重要的意义。

高光谱遥感技术具有光谱分辨率高、蕴含信息丰富、高效无损的特点,能够大范围精准监测作物生长信息，在现代化农业中得到了广泛的应用。

本文基于ASD FieldSpec4光谱辐射计获取的水稻的冠层光谱反射率数据，通过光谱转换获得其红边参数、植被指数等参数，利用K近邻回归(KNN)、支持向量机(SVM)、随机森林(RF)等方法开展水稻生物量估测研究，实验结果表明淇中RF建模集精度最高:R?为0.98,RMSE为94.6g•m^CV 为11.7%,验证集精度:R?为0.89RMSE为194.1g•m^C V为23.5%,且三种机器学习建模的精度R?均高于0.86,达到较好的反演效果。

关键词:地上生物量；水稻；光谱反射率；红边参数；植被指数中图分类号：S127文献标识码:A文章编号：1671-2064(2020)12-0228-020研究背景水稻是我国的主要粮食作物之一，水稻的产量是人们关心的重点问题，而水稻地上生物量(AGB,Above ground Biomass)是水稻的长势监测、产量估计等的重要指标。

传统的水稻生物量测算方法需要人工在田间采集水稻样本，直接采集物理样品进行实测，这种方法具有客观准确的特点；但是，该方法成本高，耗时费力，会造成部分水稻被破坏，无法满足精准农业实时快速、大面积的估测需求。

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)。

术手段Βιβλιοθήκη 。１材料与方法
１．１研究区概况
明，水稻是最适合于ＳＡＲ传感器监测的农作物之一。等利
用多时相ＥＲＳ一１Ｃ波段ＳＡＲ数据监测水稻，进行了水稻识
别和水稻生长参数反演；Ｋｕｒｏｓｕ等提出了一种统计模型，给出了水稻的微波后向散射系数与生长天数、高度、干重等的经验公式；Ｄｕｒｄｅｎ等描述了水稻微波后向散射系数与叶面积指数（ＬＡＩ）之间的关系 “；邵芸等利用多时相多模式雷达卫星ＲＡＤＡＲＳＡＴ数据，分析了水稻时域散射特性，建立了水
景卓鑫，张远，王珂靖，高炜
（华东师范大学地理信息科学教育部重点实验室／中国科学院对地观测与数字地球科学中心环境遥感与数据同化联合实验室，上海２００２４１）
摘要：使用雷达数据，通过神经网络方法实现水稻参数的定量估算，绘制不同时期水稻参数的空间分布图。采用覆盖辽宁灯塔市的Ｒａｄａｒｓａｔ一２雷达影像，提取水稻的后向散射系数，并结合实测水稻参数，建立最优神经网络。通过训练好的网络反演水稻生长季３个阶段的冠层密度、植株高度、叶面积指数（ＬＡＩ）和含水量。对比反演结果与实测值，每１ｉｎ冠层密度、植株高度、ＬＡＩ、含水量估算的ＲＭＳＥ分别在２４株、１０ｅｍ、１．４、５．５％以内。Ｒａｄａｒｓａｔ一２数据结
江苏农业科学
景卓鑫，张
２０１３年第４１卷第１１期
远，王珂靖，等．基于Ｒａｄａｒｓａｔ－２雷达数据的水稻参数反演［Ｊ］．江苏农业科学，２０１３，４１（１１）：６１～６５
基于Ｒａｄａｒｓａｔ一２雷达数据的水稻参数反演
达数据对水稻参数空间尺度反演的研究还很缺乏，特别是缺
乏足够的地面实测数据。因此，本试验尝试综合神经网络方
法与Ｒａｄａｒｓａｔ一２雷达数据开展水稻参数的反演研究，用多时相Ｒａｄａｒｓａｔ一２ＳＡＲ数据，通过建立神经网络模型，实现水稻参数定量估算，获得在水稻生长季关键时期的参数空间分布信息，以期为区域尺度水稻监测提供一种简单实用的技
利用雷达数据进行稻田识别和面积提取。大量研究表
尽管神经网络方法用于参数遥感反演的研究很多，但大多是用于地表粗糙度、土壤水分、植被、小麦等研究，
应用于水稻参数反演的相对较少；而且，利用Ｒｒａｄａｒｓａｔ一２雷
本研究区位于辽宁省灯塔市辖区内，属辽宁省中部，地处辽东半岛北部、太子河中游。灯塔市地势东高西低，东部山区为丘陵地带，是长白山的余脉，约占全市总面积的１／３，其余２／３为冲积平原，质地优良，土壤肥沃，两大主要河流（浑河和太子河）为该地区提供了丰富灌溉水源，良好的水土资源使得该地区成为辽河流域主要的农业耕作区。本研究选取灯塔
解决复杂的非线性问题具有一定优势，被越来越多地引入各
种地表参数遥感反演研究
。Ｔｓａｎｇ等用ＡＮＮ重建冰雪
稻作区，有利于获得高精度水稻空间分布信息（图１）。
１．２数据获取与处理
参数结构；金亚秋等用主动遥感的热发射率和后向散射系数的观测值训练ＡＮＮ，用训练好的网络和遥感观测值反演植
市西部地区为研究区域，区域内水稻呈大片集中分布，是典型
稻生长模型；董彦芳等利用水稻后向散射模型，分析了水
稻参数与后向散射系数的关系，对ＥＮＶＩＳＡＴＡＳＡＲ数据反演水稻参数提供了重要参考。人工神经网络（ａｒｔｉｉｆｃｉａｌｎｅｕｒｌａｎｅｔｗｏｒｋ，ＡＮＮ）方法对于
水稻是我国主要粮食作物，水稻参数研究对于水稻长势监测具有重要意义。由于水稻生长季内多云雨天气，给基于光学传感器的水稻遥感监测带来困难，而合成孑Ｌ径雷达（ｓｙｎ — ｔｈｅｔｉｃａｐｅｒｔｕｒｅｒａｄａｒ，ＳＡＲ）以其全天候、全天时观测能力以及较强的穿透力等优势广泛用于水稻遥感监测。而且，水稻生长在水田或高度湿润土壤环境，具有独特物候特征，这与其他旱地作物植被的后向散射特征有明显区别，因此有利于
合神经网络方法对于水稻参数的遥感反演研究是可行的，也取得了较好结果，为雷达遥感技术开展水稻生物量及估产研究提供了技术参考。
关键词：Ｒａｄａｒｓａｔ一２图像；水稻参数；神经网络；后向散射系数；反演中图分类号：ＴＰ７９；Ｓ１２７文献标志码：Ａ文章编号：１００２— １３０２（２０１３）１１ — ００６１～０５