基于极化SAR数据与机器学习的作物高度反演：多算法比较与验证研究

针对传统作物高度测量方法效率低、干涉SAR数据获取难的问题，研究人员系统评估了随机森林回归(RFR)、装袋决策树(BAGTREE)和XGBoost三种机器学习算法在极化SAR(PolSAR)数据反演玉米、小麦和大豆高度的性能。通过构建32维极化特征空间并结合前向特征选择，最终实现玉米43.69 cm、小麦10.78 cm、大豆20.92 cm的均方根误差(RMSE)，为无干涉条件的作物生长监测提供了可靠技术方案。

　　

在农业生产中，作物高度是反映生长状况的核心参数，传统人工测量方法耗时费力，而光学遥感易受天气干扰。虽然极化干涉SAR(PolInSAR)技术能获取植被高度，但其对空间基线和时间基线要求苛刻，数据获取难度大。极化SAR(PolSAR)因对植被形态和介电特性高度敏感，成为替代方案，但现有物理模型依赖过多参数，半经验模型易饱和且需地面校准。机器学习虽展现潜力，但特征选择和算法比较缺乏系统性。

中国研究人员联合加拿大团队利用5年RADARSAT-2 C波段PolSAR数据，针对玉米、小麦和大豆三种作物，构建包含广义雷达植被指数(GRVI)和MF4CF分解参数在内的32维特征空间。采用前向特征选择优化输入，对比RFR、BAGTREE和XGBoost三种集成学习算法性能。研究通过9×9盒式滤波去噪、地形校正等预处理，采用分层随机抽样划分训练/测试集，以决定系数(R²)和RMSE评估精度。

研究结果

1. 机器学习算法比较：RFR在多数场景表现最优，玉米全生长期平均RMSE达43.69 cm；BAGTREE在特定条件下（大豆最优特征子集）精度最高；XGBoost对小麦早期生长阶段敏感。
2. 极化特征敏感性：Freeman-Durden分解的体散射分量对玉米高度敏感，而H/A/α熵参数与小麦高度相关性最强。
3. 时序分析：玉米抽雄期高度反演误差最小（RMSE 38.21 cm），印证了PolSAR对垂直结构变化的捕捉能力。

结论与意义
该研究首次系统验证了无干涉条件下PolSAR数据反演多作物高度的可行性。RFR的稳定性源于其对高维特征的包容性，而特征选择有效降低了XGBoost的过拟合风险。提出的32维特征框架突破了传统反向散射系数饱和限制，其中GRVI对大豆冠层含水量变化表现出独特指示作用。成果发表于《Computers and Electronics in Agriculture》，为精准农业中的作物表型分析提供了可推广的技术路径，尤其适用于多云雨地区的常态化监测。研究团队特别指出，未来可结合L波段SAR数据提升高密度作物后期的反演精度。