摘要：森林地上生物量是森林獲取能量的重要體現，準確掌握其動態變化對了解森林生長過程、實現生態系統的有效修復具有重要意義。合成孔徑雷達技術(SAR)具有全天時、全天候的特點，在森林地上生物量(AGB)反演中極具潛力。星載SAR技術的發展，使得SAR數據源日益豐富，利用極化SAR技術、干涉SAR技術、極化干涉SAR技術、層析SAR技術、多頻SAR技術可以實現對森林不同維度的觀測，從而提供森林不同維度的信息，進而提高采用SAR技術進行森林AGB反演的能力。文中介紹星載SAR傳感器及可獲取SAR數據的現狀，在此基礎上重點闡述基于后向散射信息、極化信息、干涉信息、極化干涉信息、層析信息、多頻SAR信息在森林AGB反演中的現狀及存在問題，展望了SAR技術在森林AGB反演中的發展趨勢。

　　關鍵詞：森林地上生物量，合成孔徑雷達技術，后向散射，極化SAR，干涉SAR，極化干涉SAR，層析SAR，多頻SAR

　　森林增匯是應對氣候變化的重要及有效途徑，是實現我國碳達峰與碳中和戰略的重要保障之一。利用森林生物量可以揭示森林生態系統能量平衡和養分循環等特征，對衡量森林碳匯有著不可替代的作用。

　　森林地上生物量(GB)占森林生物量的70%~90%，由于其遙感監測及觀測的可行性，常用于替代森林生物量來進行區域、全球碳儲量的計算[1]。傳統的地面調查方法對于高精度獲取森林GB是非常有效的，但在偏遠林區且道路基礎設施不完備的區域開展地面調查通常較為困難;此外，地面調查耗時、耗力難以滿足大區域尺度森林GB的獲取。光學與合成孔徑雷達(SAR)數據在區域尺度森林GB獲取中具有較大優勢，也是目前森林資源調查的主要途徑，但光學數據受限于多云、多霧天氣的影響，無法實現及時、動態監測。此外光學信號通常僅與森林冠層葉片發生作用，因此在高森林GB區域飽和點較低，難以獲得準確的森林GB估算。

　　而SAR克服了傳統光學遙感受多云、多霧天氣影響的局限，具有獲取森林冠層面狀、垂直結構等特征的能力，成為目前森林GB反演最具潛力的遙感數據源之一。SAR成像技術的發展經歷了從單頻率、單極化、單角度到多頻率、多極化、多角度和多時相等不同觀測方式，基于SAR技術的森林生物量估測也經歷了從應用單極化信息到多極化信息、干涉信息、極化干涉信息、多頻SAR信息的發展過程。隨著SAR成像技術的發展，涌現出大量的SAR數據，不同SAR數據包含的特征差異明顯，使得其在森林GB反演中的作用及效率也有顯著差異。本文將結合SAR衛星及對應數據的獲取現狀，系統總結采用后向散射信息、極化信息、干涉信息、極化干涉信息、層析信息、多頻信息進行森林GB反演研究的進展及應用現狀，討論分析SAR技術在森林GB反演中存在的主要問題及將來發展趨勢。

　　1SAR衛星及可獲取數據模式

　　SAR的發展可以追溯到第二次世界大戰，最早用于軍事偵察。1951年美國CarlWiley創造性地提出了利用頻率分析法改善雷達方位向分辨率的方法，從此開啟了SAR的時代。1953—1957年第1幅非聚焦型和全聚焦型SAR影像的先后問世，標志著SAR由理論邁向實踐[2-3]。

　　最初可以利用的SAR數據信息多為單頻、單極化信息，荷載方式多為機載，隨著SAR技術的發展，多個國家都發射了載有SAR傳感器的衛星。例如，美國于1978年發射了Seasat-A衛星;蘇聯于1987年和1991年分別發射了ALMAZ-1和ALMAZ-2;歐空局(ESA)于1991年、1995年、2002年、2014年和2016年分別發射了ERS-1、ERS-2、ENVISATASAR、Sentinel-1A和Sentinel-1B;日本于1992年、2006年、2014年分別發射了JERS-1、ALOS-PALSAR1、ALOS2-PALSAR2;加拿大于1995年和2007年分別發射了RADARSAT-1和RADARSAT-2;德國宇航局(DLR)于2007年和2010年先后發射了TerraSAR-X及TanDEM-X;中國于2012年和2016年先后發射了HJ-1及GF-3SAR衛星[4-6]。這些衛星的發射，極大地豐富了可以利用的SAR數據源。

　　在這些衛星中，Seasat-A衛星可提供L波段HH單極化SAR數據;ALMAZ-1和ALMAZ-2可提供三頻單極化SAR數據;RADARSAT-1可提供C波段HH極化和幅寬為500km的ScanSAR數據;ERS-1和ERS-2可提供C波段VV極化SAR數據;ENVISATASAR、Sentinel-1A和Sentinel-1B可提供C波段雙極化數據;ALOS-PALSAR1、ALOS2-PALSAR2、RADARSAT-2可提供L波段、C波段全極化SAR數據;TerraSAR-X及TanDEM-X可提供單極化、雙極化和全極化的X波段干涉SAR數據;中國的HJ-1可提供S波段VV極化數據，GF-3可提供C波段包括全極化在內的12種成像模式SAR數據。以上為目前常用、可獲取的星載SAR數據現狀，除星載SAR數據外，不同國家的機載SAR數據不僅可獲得X波段、C波段和L波段數據，同時還可獲得更長的P波段和更短的S波段SAR數據。SAR數據的豐富為采用多頻、多極化、多時相信息協同對森林進行觀測提供了可能。

　　2SAR技術在森林生物量反演中的應用

　　2.1基于SAR后向散射信息的森林AGB反演

　　雷達后向散射系數與森林結構參數和地上生物量具有顯著相關關系，因此利用雷達后向散射系數可以反演森林參數。早期的研究多基于樣點觀測數據建立森林GB、森林結構參數與不同波段、不同極化、不同傳感器獲取的雷達后向散射系數之間的回歸關系模型，基于此展開了多方面的探索，得出很多有意義的結論。例如，后向散射系數與樹高、生物量和胸高面積都有一定的相關性，按順序依次減弱;森林類型不同、樹種不同，后向散射信息的差異可達到5dB[7-8];雷達后向散射與森林GB明顯相關，并且其敏感性隨著微波波長的增加而增加。在不同頻率波段，森林GB的飽和點不同，C、L和P波段反演的飽和點分別為30～50t/hm2、60～100t/hm2、100～200t/hm2。

　　這是由于短波長C波段的后向散射主要是由冠層中樹枝和樹葉主導，而長波長的L和P波段的后向散射主要是由木質生物量的主體——樹干和大枝主導引起的[9];同一波段不同極化方式對森林生物量的反應也有所不同，P-波段HH和HV極化表現出較VV極化更強的敏感性。

　　針對同一生物量水平，P-，L-，C-波段一般都表現出000HHHVVV[10]，但環境因子如氣溫等的變化，會使得后向散射系數浮動范圍在不同的極化方式下有不同程度的波動[11];地形對森林后向散射有顯著影響，復雜地形可引起地表反射率改變達到10%～15%，在地形起伏區，雷達視角變化對森林后向散射系數受地形影響及其校正方法也有顯著影響。

　　孫國清[12]通過對北方成熟林的SAR后向散射進行三維建模發現，地形對林分后向散射影響顯著，并會顯著降低森林生物量的相關性及相關模型的反演精度。鑒于此，劉大偉等[13]提出二階段校正模型進行地形輻射校正，并用HH后向散射系數與森林生物量建立回歸模型估測了該地區的森林生物量，取得了較好的結果。這些研究表明，森林生物量與SAR長波段敏感，可以采用后向散射系數來進行森林生物量估測，但由于受到樹種、林分結構、地形等的顯著影響，模型普適性差，大范圍估測精度較低。

　　采用后向散射系數反演森林生物量的另一種方法是基于機理模型模擬森林后向散射系數，進而進行森林生物量反演。機理模型是建立在人們對電磁波與森林生態系統作用過程理解的基礎上，與僅采用后向散射系數與生物量簡單經驗關系估算的方法相比，機理模型更強調SAR散射機制與森林內部的各種作用過程，估算結果更為可靠。目前用于森林參數及生物量反演的植被微波散射模型，主要有基于輻射傳輸方程的密歇根微波冠層散射模型(MIMICS)[14]和水云模型(WCM)[15]。

　　Imhoff[16]利用MIMICS模型研究了熱帶和亞熱帶闊葉林林冠層生物學統計數據，分析了相同生物量水平下不同林分結構對雷達回波的影響，發現林分密度越大后向散射系數越小，林分密度越小后向散射系數越大，在一些波段和極化方式下后向散射差異達到了18dB，其結果直接影響森林生物量估計精度。高帥等[17]通過MIMICS模型模擬人工林森林組分的后向散射，發現闊葉林的模擬結果優于針葉林，由于地形的影響，無法用該模型模擬研究區針葉林的后向散射。水云模型因模型形式簡單，參數易于獲取，被廣泛應用于C波段的森林雷達后向散射的描述和生物量估測。

　　Santoro等[8,18]基于水云模型發展了一種叫BIOMASAR的森林蓄積量SAR估算方法，并將其應用于北方森林的蓄積量估算中，估測結果的均方根誤差在34.2%～48.1%，飽和點大于300m3/hm2。Askne[19]通過引入干涉相位信息參數，提出了描述森林重復軌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串行干涉相干性數據和詳實的地面調查數據對英國森林的年齡進行估測，確定了碳通量、森林蓄積量、森林生長和砍伐等信息。Cartus等[21]基于干涉水云模型和ERS-1/2串行干涉相干性進行森林蓄積量估測，并用MODIS連續植被產品訓練模型，在俄羅斯和中國東北的2個研究區域均取得了較好的反演精度。 機理模型能夠很好地揭示SAR與森林內部作用機制，揭示林分結構對森林后向散射的影響，也得到了較廣泛的應用。

　　目前主要的不足是：MIMICS模型雖然刻畫森林結構細致，但涉及輸入參數較多，從這種多元線性耦合系統中提取森林參數是典型的“病態”反演問題，因此在實際應用中如何通過增加觀測量、減少先驗知識和假設和降低不確定性，是提高其反演精度的基礎;水云模型由于假設條件過于簡單，對環境適用性差，實際操作性不強，雖然在L波段的研究取得了較好的結果，但這是因為L-波段的森林散射類型與水云模型的基本假設一致，即植被覆蓋區域總后向散射由森林冠層體散射和受到衰減的地表散射組成，而其對于波長更長的P-波段的適用性還需在實際應用中根據森林類型具體分析[22]。

　　2.2基于極化合成與分解參數的森林AGB反演

　　全極化數據可以計算任意一種極化狀態的后向散射回波，因此能夠提取更多地物極化信息和目標信息，從而更準確地描述地面散射特征，提高對地物的識別能力。采用極化合成技術，還可以提取極化度、相位差、極化相干性等參數。VanZyl等[23]指出，極化度主要是由交叉極化，即多重散射(或體散射)作用引起的，極化度充分反映了交叉極化的影響程度，極化度越小，交叉極化散射強度越大，可以據此判斷地物散射中體散射機制的比例。相位差反映了地物奇次散射與二面角反射的不同作用。奇次散射回波相位差為0，二面角反射相位差為180°，體散射則介于二者之間，因此可以由此識別出3種主要散射機制[24-25]。

　　Pierce等[26]基于先驗知識，采用L-波段VV、HH、HV及相位差，根據體散射和面散射特征將高大植被、低矮植被、裸露地表和城區進行了成功區分。陳勁松等[27]、施建成等[28]通過分析不同極化之間的相干性發現，散射機制越單一，HH和VV之間的相關系數越大，建筑物和裸土由于散射機制單一，相關系數較高，而森林和農作物由于體散射復雜，相關系數較低，因此可以采用HH和VV之間的相關系數區別植被與其他地物。通過極化合成，可以組成任意極化響應圖，從而提高地物的識別能力。陳勁松等[24]通過分析森林的極化響應圖發現，森林在方位角等于45°、橢圓率角等于0°時，森林信息得到最大的增強。

　　由于極化散射矩陣S通常反映的是散射體的幾何平均散射特性，直接利用它們分析地物目標的散射特性比較困難，并且不能有效利用回波中的極化信息。極化目標分解就是將地物回波的復雜散射過程分解為幾種單一的散射過程，每種散射過程都有一個對應的散射矩陣，這有利于分析目標的散射特性，提高地物的解譯[25,29]。董貴威等[30]、范立生等[31]以天山地區為試驗區，采用SIR-C/X-SARL波段全極化數據提取了極化散射總功率、相似性參數、極化熵等參數，發現這些參數的組合結果可以使得森林地區的可區分性明顯增強。

　　Musthafa等[32]采用極化分解參數成功地進行了研究區的森林變化檢測。由于森林地區的散射機理非常復雜，既有稠密枝葉頂部的面散射，也有穿透植被從地面散射的面散射;既有樹干與地面之間的二次散射，也有樹干與樹干或樹枝與樹干之間的二次散射;此外，還有更加復雜的體散射回波。因此，單一的極化參數往往不能準確合理地揭示出森林的散射特征。范立生等[31]通過對極化合成及分解的各參數主成分分析發現，極化熵、極化總功率、HH和VV極化相干性系數對森林區散射特征敏感，經過這些參數的合適組合可以增強森林散射特征。

　　綜上分析可以發現，不同的極化參數在揭示森林散射機制、疏密度、樹高、農作物結構變化等方面具有不同的優勢，可以較準確地進行森林內部結構分類。目前，極化參數已經廣泛應用于森林分類中，但其在森林GB反演中的應用尚有待進一步挖掘。徐星歐[33]采用Freeman-Durden極化分解參數對生物量估測方法進行探索，成功提高了森林AGB的反演精度。魏晶昱等[34]初步探索了極化分解的GF-3各分量在人工林冠層森林GB中反演的潛力，該研究區的冠層生物量最高為40.98t/hm2，研究結果表明多個極化分解分量均表現出對森林冠層生物量變化的高敏感性，且未出現明顯的飽和現象。

　　已有以L-波段全極化SAR數據為例的研究分別探索了Freeman-Durden三分量、Yamaguchi四分量極化分解分量在森林蓄積量估測中的潛力，但發現部分森林的蓄積量與二次散射分量相關性較高，部分森林的蓄積量又與二次散射分量無相關性[35-37];另外，樹種類型、林分起源、環境因子、森林蓄積量水平等均對極化分解分量與森林參數變化的敏感性有影響，但具體影響方式仍未探索清楚[38]。在森林GB反演中，由于極化特征可以區分不同的散射類型，因此可以采用極化特征來區分森林生物量在喬木各部位的分布。不同極化特征對森林生物量的敏感性不同也從側面證實了極化特征區分喬木不同部位森林生物量的潛力[39]。

　　2.3基于干涉、極化干涉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類信息，即干涉相位和干涉幅度，由于這2類信息與森林高度的高相關性，因此可以極大地提高森林生物量反演的飽和點[40-41]。Askne等[42]采用干涉水云模型將SAR相干性幅度影響分為地表和森林冠層2個部分，從而將L-波段生物量的飽和點提高到200t/hm2左右。Gaveau[43]等結合SIBERIA項目發現，在C和L波段干涉相干性較后向散射系數對森林生物量更敏感。Askne等[42]研究表明，相干性隨著森林蓄積量的增加而降低，降低速度隨成像時條件不同而略有變化。Santoro等[44]提出，采用干涉相干性進行森林蓄積量反演也會受到飽和點的限制，而將其與后向散射信息相結合可以提高估測精度和效率。

　　另外，他們在采用相干性的研究中發現，相同森林生物量水平上相干性會產生差異，差異主要是由地形、林斑大小、林分結構等變化引起的去相干造成。Wanner等[45]研究也表明了該效應。除了直接將干涉相干性幅度用于生物量的反演，近年來干涉相干性和干涉相位還被廣泛用于森林高度的反演，進而采用森林高度與森林生物量之間的異速生長方程來計算森林生物量。例如，范亞雄[46]采用干涉相干性幅度信息，利用SINC模型反演了根河地區的森林高度，反演精度最高可達到84.41%。隨著無時間失相干TerraSAR/TanDEM星載干涉SAR數據的出現，采用相位信息的DEM差分法被廣泛用于森林高度的估測，部分研究結果與地面調查數據的2值最高達到0.98[47]。

　　2.3.2極化干涉SAR森林

　　AGB反演極化干涉SAR(Pol-InSAR)主要利用極化信息形成某個特定散射機理的干涉圖，將干涉圖之間的相位差與植被高度聯系起來，在森林GB反演中其主要用來反演樹高，然后再用樹高計算森林生物量。

　　采用極化干涉SAR進行樹高反演，主要有以下幾種方法：基于旋轉不變估計信號參數理論進行參數提取的ESPRIT算法，該算法實現了地表相位中心和植被相位中心分離，從而估計出植被的高度[48];基于隨機體散射模型(RVoG)的三階段估算方法，首先通過極化基的變換和最小二乘法在干涉相干系數單位圓上進行線性擬合，然后利用擬合出來的直線估算地表相位以達到植被偏移的消除，最后進行植被高度和衰減系數的估算[49];基于樣本相關矩陣的最大似然估計法可進行樹高反演，但該算法計算過程復雜，并且有些參數在實際測量中難以獲得[50]。

　　基于干涉、極化干涉SAR數據進行森林AGB反演，一般可以通過干涉相干性直接反演森林AGB，也可以通過反演森林高度，進而獲得森林GB。但是目前也存在一些問題，例如采用干涉相干性進行生物量反演也會存在飽和現象。首先通過反演森林高度，進而求取森林生物量雖然可以極大地提高飽和點，但是林業中應用的多為描述胸徑和森林GB的異速生長方程，當前用于描述區域森林高度和生物量的異速生長關系模型還相對較少;此外，森林AGB不僅與高度有關，還與胸徑、林分密度等諸多因子有關，因此大區域獲得的森林高度無法準確地轉換為森林GB[51-53]。

　　2.4基于多頻SAR數據協同反演森林生物量

　　隨著SAR數據源的豐富，采用SAR數據可以提供的信息類型越來越多。不同波長的SAR數據對森林冠層的穿透性不同，有可以反映冠層散射的X-、C-波段，也有能夠穿透冠層與樹干、樹枝作用的L-、P-波段[9,63];SAR數據的極化信息對散射體的形狀、方向敏感，可用于森林類型、結構的高精度識別[28,49,64];SAR后向散射對冠層含水量變化敏感，可用于森林冠層含水量反演[65-66]。

　　多頻SAR數據的積累，使得我們可以從多個維度進行森林資源動態監測，不僅可以全面闡釋森林的SAR散射特征，提高森林生物量遙感反演的飽和點，還可有效提高森林AGB的估測精度。在采用不同頻段SAR技術的森林AGB反演中，目前采用的SAR參數主要為不同極化的后向散射系數或其比值參數，反演模型則多為非參數模型[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。隨著不同頻段SAR森林散射機制研究成果的豐富，各頻段SAR在森林場景中的觀測優勢差異逐漸明晰，在森林場景中，SAR總的后向散射為森林中的地表、樹干、樹枝和樹葉后向散射的總和。不同頻段SAR后向散射來自于森林的不同部位，例如，C-波段或X-波段森林總的后向散射多來自于植被表層的針葉、小樹枝或者樹冠頂層的散射，而林下灌木或地表則對總的后向散射貢獻較少。在波長較長的L-波段或P-波段中，SAR后向散射則多來自森林中樹木的樹干、大枝條以及林下地表，樹葉和小樹枝對總后向散射的貢獻則少得多。

　　鑒于以上原因，一些研究嘗試融合多頻SAR技術提高森林AGB反演的精度和飽和點。Englhart[67]利用X-波段和L-波段SAR圖像結合將生物量反演的飽和點提高到了617t/hm2。Cartus等[71]探索了多頻SAR數據在熱帶林森林生物量反演中的潛力，發現在使用水云模型進行森林生物量反演時，僅有將L-和P-波段進行組合時反演結果精度和飽和點會有所提高，其他波段的組合則無明顯改進。

　　綜上所述，目前協同多頻SAR數據反演森林生物量或分部位生物量，均采用提取后向散射系數的特征，或利用不同波長數據、不同極化下的后向散射系數的差值、比值等組合特征，采用的模型也多是經驗或半經驗模型，反演結果均高于采用單頻段反演的結果;盡管融合多頻SAR信息可以有效提高森林生物量反演精度，飽和點也可以有效提高，部分區域達到600t/hm2以上，但其在不同森林類型中的適用性有待進一步探索。

　　3存在問題及研究展望

　　區域和全球范圍內森林GB的遙感估測是區域和全球尺度碳儲量動態變化監測的有效方法之一，同時也是研究全球碳平衡及全球氣候變化的有效方法之一。SAR技術在區域及全球尺度進行森林GB反演中具有獨特的優勢。從目前研究可以看出，采用部分SAR技術可以較大的提升遙感技術估測森林GB的飽和點限制，部分研究區在森林GB達到650t/hm2時仍未見飽和現象，在區域和全球尺度開展的部分研究也證明了有效利用SAR技術和不同SAR數據源可以提高區域和全球尺度森林GB高精度反演的可行性。盡管如此，目前采用SAR技術進行森林GB估測的相關技術和方法仍處在研究階段，還存在以下問題：

　　1)盡管目前星載SAR數據已比較豐富，但是還未有長波長的干涉SAR數據、極化干涉SAR數據;另外層析SAR的數據目前還多依賴機載數據，且研究區多在國外，對于國內研究而言，這些SAR數據及地面調查數據均為非原始數據，不利于發展依賴該數據的森林GB估測算法的分析及研究。

　　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、積累研究成果最多的SAR信息，但是SAR后向散射信息無法區分森林結構變化與森林AGB變化引起的后向散射系數變化，盡管也發展了一些機理模型來降低森林結構變化對采用后向散射系數進行森林GB反演的影響，但模型或過于復雜或過于簡單，在實際應用中推廣還存在一定的難度。

　　3)極化信息對森林結構變化敏感，但是極化信息中可以表征森林散射的體散射模型過于單一，無法全面描述森林的復雜結構特征，而充分認識和理解森林結構的極化作用機制是提升采用極化SAR信息在森林GB反演中有效應用的基礎和關鍵。另外，目前的極化信息多用于森林的分類，對于森林參數定量反演仍然需要進一步挖掘其散射機理。

　　4)干涉、極化干涉SAR相位信息的利用，可以較精確地獲得森林高度，進而獲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異速生長關系的模型還相對較少，將反演的森林高度計算為森林生物量時還存在較大的不確定性。另外干涉、極化干涉SAR數據源還有待進一步豐富。層析SAR盡管在森林AGB反演飽和點提高中極具潛力，但目前已有的研究方法尚不能充分利用層析SAR獲取的森林三維剖面信息。

　　5)采用單頻、單極化后向散射信息進行森林AGB反演飽和點低，在森林生物量高于300t/hm2的區域，后向散射對森林AGB的變化不再敏感;多頻SAR技術極大地提高了森林GB反演的飽和點，但目前多頻SAR使用的信息多為后向散射信息，對森林類型具有較好區分能力的極化信息和相干信息均未做深入探討。由于多頻SAR數據較層析、干涉、極化干涉SAR數據源豐富且易于獲取，因此未來多頻SAR數據協同進行森林生物量研究將成為SAR進行森林生物量反演的熱點之一。

　　未來多頻SAR協同將以星載或機載X-、C-、L-和P-波段多頻SAR數據為支撐;提取可反映研究區森林水平和垂直結構水平的各極化散射特征和干涉特征等多種特征;深入分析森林各因子在多頻段SAR中的散射機制;并研究具有物理解釋性的參數模型及機器學習類的非參數模型在各波段森林生物量的適宜性;探明各波段SAR森林生物量反演的精度及適用范圍;探討從反演飽和點、精度、模型適用范圍及不確定性等方面進行進一步突破。此外，隨著對森林穿透力更強的P波段BIOSAR衛星的升空，基于長波長極化SAR數據的森林AGB監測將成為未來的研究熱點之一，因此現階段應進一步深入開展基于機載P-波段全極化SAR數據的森林散射機制的分析、散射模型的研究。

　　參考文獻

　　[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]楊浩.基于時間序列全極化與簡縮極化SAR的作物定量監測研究[D].北京:中國林業科學研究院,2015.

　　作者：姬永杰張王菲