地表覆盖层(植被层、沙漠层及冰雪层等)是地球表层系统的重要组成部分，包含众多人类重点关注的自然资源要素，是生态环境的主要承载层，也是与人类交互最为密切的圈层。积极开展地表覆盖层厚度及垂直结构监测对于人类揭示地球系统动态衍化规律，以及应对全球气候变化、自然资源开采、生态可持续发展等全球性战略问题具有重要意义。例如，全球地表覆盖层厚度是测量“裸地球”真实形状的关键; 植被层厚度及垂直结构有利于发现生态系统动态衍化规律及揭示碳循环机制; 冰雪层厚度及垂直结构有利于掌握冰雪冻融过程及预测海平面变化; 沙漠层厚度及垂直结构有利于剖析水分迁徙过程及掌控沙漠化进程。
利用传统光学遥感手段对地表覆盖层表面进行监测，无法全面获取地表覆盖层厚度及垂直结构信息，不能完全解决人类对地表覆盖层认知进程中所需的全部知识，如植被覆盖层的厚度、蓄积量、生物量及层下地形，以及冰雪及沙漠覆盖层厚度、含水量等。这些信息的缺失无法满足当今全球政治、经济、环境等快速发展的需求。如伴随我国“一带一路”及“资源走出去”重大战略的推进，沿线生态文明建设、自然资源普查、海外护侨等常态化业务需要高精度林下地形产品辅助战略部署; “双碳”国家战略实施进程中需要全球生物量支撑我国在国际气候博弈中夺取主动权、话语权; 在我国搭建地表自然资源“两统一管理”框架进程中，迫切需要地表覆盖层厚度及垂直结构属性信息对自然资源全要素管理提供根本性数据输入。
对地表覆盖层的范围、厚度、垂直结构及其时空演变进行全方位监测，是一个空间五维、“表面+穿透”的测量过程，本文将该过程定义为“穿透测绘”。传统方法主要通过遥感结合人工野外调查进行，费时费力，仅能在局部区域开展。如何快速、大范围、高精度实现这一过程是国内外对地观测领域不懈的追求。近年来，以极化合成孔径雷达干涉测量(polarimetric SAR interferometry，PolInSAR)技术为代表的卫星对地观测技术可在一定程度上穿透地表覆盖层，记录几何与物理信息，为解决快速、大范围、高精度获取地表覆盖层厚度及三维结构属性信息这一全球性科学难题提供了契机，是目前穿透测绘的主要技术手段。本文从地表覆盖层穿透测绘的需求出发，讨论穿透测绘的基本内涵; 梳理PolInSAR穿透测绘的应用进展，并总结了PolInSAR穿透测绘面临的问题与挑战。
1 极化干涉SAR地表覆盖层穿透测绘 1.1 穿透测绘的概念与内涵穿透测绘概念的提出得益于星载LiDAR与SAR等新一代对地观测系统的不断升级，特别是SAR系统在波段、极化测量及干涉测量等方面的能力提升。传统InSAR系统受微波波长短(穿透能力弱)、空间基线过短及重返周期过长等限制，主要用于地表形变监测及地形测绘。随着研究的深入，研究人员意识到长波SAR信号对地观测的独特优势。国外长波极化干涉SAR(L/P波段)系统地研究起步较早，研发了一系列系统，如德国宇航局的E-SAR系统[1]和F-SAR系统[2]、法国宇航局的SETHI系统[3]、美国的UAVSAR系统[4]等; 上述系统在森林区、冰雪区及沙漠区开展了系列原理性试验，证明了长波PolInSAR技术获取地理信息的丰富性。在上述机载PolInSAR试验的支撑下，为实现全球大尺度地表覆盖层穿透测绘，德国宇航局、欧空局及美国宇航局分别提出了Tandem-L(L波段)、BIOMASS(P波段)及NISAR(L、S波段)卫星计划[5-6]。近年来，我国在SAR领域技术突破显著，天绘二号、陆地探测一号01组A/B星的成功发射将全面提升我国对全球地理信息资源的采集能力。
基于此，穿透测绘可以定义为：利用长波雷达等现代对地观测技术对植被、冰雪、沙漠等地表覆盖层进行穿透测量，并反演地表覆盖层空间几何、内部结构属性及其动态变化过程。如在植被覆盖区，利用具有一定空间基线的两景长波极化SAR影像进行干涉，可以同时获取森林覆盖区植被类别、土壤湿度、森林高度、森林垂直结构及林下地形等多维度几何与物理属性信息，(图 1)。地表覆盖层包含众多要素，穿透测绘可在植被生物物理参数反演、冰雪结构参数反演、沙漠含水量及垂直结构参数反演、冻土活动层厚度估计、林下地表形变监测、城市三维建模及多维形变监测、次地表结构及含水量探测、隐蔽军事目标识别等多个领域展示出良好应用前景。
|
| 图 1 植被覆盖层穿透测绘 Fig. 1 Penetration mapping of vegetation layer |
1.2 极化干涉SAR测高原理
全极化SAR对散射体的形状、方向及介电特性敏感，因而具备区分同一分辨单元内不同散射体的能力。区别于传统单极化SAR获取HH或VV极化影像，全极化SAR影像具有4种极化方式，可以表达为[7]
(1)
式中，HH、HV、VH及VV分别表示4种极化方式。极化SAR分解技术的本质是利用极化测量、散射测量对散射目标的形状、方向及介电属性进行区分，进而实现识别不同散射目标的目的，如经典Freeman三分量模型分解利用表面散射、二面角散射及体散射对地物散射过程进行描述[8]。
将PolSAR极化测量引入InSAR干涉测量，形成极化干涉SAR(PolInSAR)技术。PolInSAR技术既对散射体的形状和方向敏感，又对散射体的空间分布和高度敏感，能够区分同一分辨单元内发生的混合散射机制对应的不同散射中心，从而确定覆盖层中不同介质层对应的高度。如图 2所示，上图为InSAR、PolInSAR及TomoSAR测量模式; 下图为不同测量模式下同一分辨单元的测高示意图。在森林覆盖层中，PolInSAR能有效区别冠层、树干及地面等不同层次的高度，因此具备直接获取林下地形及准确提取植被高度等地表参数的能力。
|
| 图 2 PolInSAR测高原理 Fig. 2 Schematic diagram of the principle of PolInSAR height measurement |
与InSAR干涉过程类似，当传感器以不同入射角对同一目标物进行两次照射时，利用主辅两张影像S矩阵所构造的Pauli基矢量k，可以定义极化干涉测量表达形式为[9]
(2)
式中，*T表示共轭转置; 〈〉表示多视平均; T11和T22分别为两张干涉影像对应的极化相干矩阵，仅包含极化信息; Ω12为极化干涉相干矩阵，既包含极化信息又包含干涉测量信息。以T6矩阵为基础，可求得PolInSAR复相干系数为[3]
(3)
式中，ω1和ω2分别表示两景SAR影像对应的极化方式。通过调整ω1和ω2，可以获得不同极化方式的复相干系数，构成极化相干集[10]。此外，由于PolInSAR测高是基于甄选特定的极化方式获取特定散射机理的干涉信息，因此，PolInSAR测高的核心理论是极化相干最优[10]，即寻求某种极化方式可以代表某种“纯净”的散射信号。在多基线PolInSAR配置下，通过收集同一场景、不同高度的多基线SAR数据，能够在高度向上合成孔径，具有垂直向分辨能力，称为层析SAR(TomoSAR)技术，如图 3所示[11]。综上可知，PolInSAR与TomoSAR技术的核心原理本质上均为干涉测量，两者分别通过极化测量及层析成像算法实现了对同一分辨单元内不同散射体垂直向分布的测量。若在TomoSAR技术中引入极化测量形成Pol-TomoSAR技术，可对每个层析切片进行散射过程分解，有利于垂直结构的精细化建模。作为多基线PolInSAR的一种协同数据处理方法，虽然Pol-TomoSAR因对数据量、基线排布的苛刻要求难以大范围推广，但其对目标垂直结构的精细探测能力可以为PolInSAR散射机理解译及干涉散射模型建模提供重要依据。
|
| 图 3 典型地表覆盖层散射模型 Fig. 3 Schematic diagram of typical surface layerscattering model |
1.3 极化干涉SAR穿透测绘的原理
PolInSAR可以实现穿透测绘的本质为：从极化维度而言，通过变换极化方式，SAR信号可获取不同维度的几何及物理信息，允许对地表覆盖层几何与物理属性信息进行分类、分层次提取; 从观测信息层面而言，同时获取4景极化SAR影像，观测信息的增加允许建立地表覆盖层参数与PolInSAR观测量之间的函数关联，进而实现参数反演。极化微波信号在穿透地表覆盖层松散介质(如植被、冰雪、沙层)的过程中会发生散射与折射过程，导致相干性降低、干涉相位偏移。进而，利用PolInSAR进行穿透测绘的核心是构建地表覆盖层垂直结构参数与PolInSAR观测值的函数模型关联。为此，针对植被、冰雪及沙漠覆盖层，相关散射模型被提出用于反演地表参数，其主要思路是将地表覆盖层抽象为二层模型，即各向同性且包含随机分布粒子集合的体散射层及表面/层下散射层[10, 12-13]，如图 3所示。
这些模型分别考虑了表面散射和体散射过程，将PolInSAR复相干性刻画为表面散射相干性eiφ0和体散射相干性γvol的加权平均。用φ0表示表面散射层对应高度的相位值，如在森林区代表林下地形高程(DTM)相位，冰雪和沙漠区则代表面高程(DSM)相位。体散射相干性的建模思路为，沿垂直高度方向对各散射粒子贡献进行综合积分，表征微波能量衰减过程，其核心是对穿透层几何与物理信息的数学表达，即垂直结构函数f(z)。对于不同的地表覆盖层场景，其积分的区间有所差异。例如，对于森林区，由于长波SAR信号穿透能力强，能够穿透森林冠层，体散射去相干积分范围为地表高度至树冠顶层高度; 而对于冰雪区和沙漠区，由于积雪及沙层厚度较深，体散射层可以被假设为一个无限深的微波衰减介质，因此积分下限为无穷大，上限为表面高程。特别地，通过建立消光系数σ和穿透深度的联立关系，该模型可用于介质层穿透深度的反演。
2 地表覆盖层穿透测绘应用进展受限于已有星载、机载PolInSAR系统的数据采集能力有限、原理性试验设计不足，目前PolInSAR穿透测绘研究主要集中在植被、冰雪及沙漠覆盖层。为此，本文以上述3类要素为对象，梳理现有PolInSAR穿透测绘的研究现状。
2.1 植被覆盖层 2.1.1 植被高度反演针对PolInSAR森林高度反演，国内外学者主要围绕散射模型建立和反演算法开展研究。在散射模型方面，文献[12]提出了随机地体两层相干散射模型(random volume over ground, RVoG)，该模型建立了单极化InSAR观测值与森林高度、密度等森林生物物理参数之间的函数表达; 文献[9]首次建立了RVoG模型与PolInSAR观测量之间的关联，形成了基于PolInSAR技术的森林高度反演方法。但是，经典RVoG模型存在如下问题：①无法考虑时间去相干误差; ②未充分考虑地形坡度对参数反演的影响; ③假定森林介质层为随机匀质体。针对上述缺陷，现有研究相继提出了RVoG+VTD[14-15]、RMoG[16]、S-RVoG[17-19]、OVoG[20-21]、高斯后向散射模型[22]、变消光系数模型[22-23]及傅里叶-勒让德级数模型[24]等，补偿时间去相干、地形坡度、森林垂直结构变化对森林高度反演的影响。随着研究的深入，研究人员意识到相比短波PolInSAR，长波PolInSAR穿透能力更强，可以记录更为全面的森林垂直结构信息，有利于森林参数的反演。但是，长波PolInSAR视野下，地形坡度引发的非反射对称成分更为显著，森林垂直结构趋于异质性等问题仍未得到全面解决，需要进一步深入研究。
在模型解算方面，文献[9]将RVoG模型求解概括为六维非线性求解问题，之后引入一系列智能优化算法，如遗传算法、BP神经网络算法等[25-26]，但是这些方法仍难以克服非线性求解的自身缺陷。鉴于此，文献[27]提出了三阶段算法(three-stage method)，提高了森林高度反演的效率和稳定性。但是，单基线PolInSAR条件下RVoG模型解算需假定某一极化方式的地体幅度比为零，该假设不适用于长波PolInSAR数据。为了解决上述问题，文献[28]提出双基线PolInSAR反演算法，该方法解决了单基线三阶段算法中假定某种极化方式不包含地表贡献这一假设，但其要求选取的两条干涉基线具有足够的区分度，以避免求解出现病态问题，且无法直接扩展到多基线模式。后续多基线PolInSAR联合解算策略主要关注如何从多基线PolInSAR数据中选择“最优”的观测基线进行森林参数反演，并相继提出了基于PolInSAR观测量统计特性的选择方案[29-30]、基于机器学习的选择方案[31]等。尽管该类方法有效考虑了影响树高反演的关键因素—垂直向有效波数，但其本质仍采用单基线RVoG解算策略，无法避免对先验观测信息的依赖。鉴于此，文献[32]将多基线联合解算过程概括为复数平差问题，提升了多余观测的利用率并兼顾了观测几何多样性，但函数模型的稳定性及随机模型的合理性仍有待深入研究。此外，伴随LT-1、Tandem-L及BIOMASS等新一代星载PolInSAR系统的成功发射，如何利用多波段、重轨+双站干涉模式、多基线、多轨道PolInSAR数据联合反演大范围森林高度需要进一步研究。
2.1.2 森林垂直结构反演森林垂直结构是地上生物量的一项重要指标，准确获取森林结构信息对于了解林分固碳能力、生物群落演化等具有重要的意义。目前，针对森林垂直结构信息的研究主要是利用TomoSAR技术实现对森林垂直结构的提取。文献[11]建立了L波段SAR信号随森林高度的变化规律，验证了TomoSAR技术获取森林垂直结构的可行性。但该方法要求在短时间内获取同一地区的大量影像，且影像基线空间排布均匀。为了消除非理想基线获取对层析谱估计的影响，相关研究提出了一系列层析谱估计方法，如基于Capon谱估计的自适应波束形成算法[33]、多重信号分类法[34]、基于协方差匹配原则的多基线反演方法[35]等，并将这些方法应用于不同的极化通道[36-37]。尽管如此，TomoSAR技术要获得高分辨率层析结果，对数据数量、质量仍有较苛刻的要求，这对星载PolInSAR系统的数据采集提出了巨大挑战，难以在大范围推广。针对该问题，文献[38-39]基于森林散射过程的特点，通过引入傅里叶-勒让德模型约束，提出了极化相干层析成像(polarization coherence tomography, PCT)技术，即利用少量PolInSAR数据可获取森林区微波反射在垂直方向上的变化过程。但该类方法提取的垂直结构的可靠程度依赖引入模型能否刻画微波穿透过程。由此可知，对于植被垂直结构的提取，TomoSAR不依赖散射模型，但对数据要求苛刻，PCT对数据要求不高，但对模型要求苛刻。因此，如何兼顾二者的优势形成大范围垂直结构提取方法值得深入研究。
随着机器学习算法的发展，相关学者对森林结构的垂直分层进行了深入研究。文献[40]利用PolInSAR相干集参数和LiDAR获取的森林高度剖面，借助监督机器学习算法对森林垂直结构进行分类，实现了不同植被层的有效区分。之后，文献[41]利用神经网络算法结合地面调查数据，将森林垂直结构分为单层、两层及三层。文献[42]利用TomoSAR技术重构了森林的三维反射率剖面，根据反射率剖面的局部极值分布获取了森林的垂直和水平结构信息，进而实现了复杂森林场景内部结构的细分。综上，随着多基线PolInSAR数据的引入，森林分类已由树种分类扩展为垂直结构分类。该研究对于全面认知植被要素具有重要意义。
2.1.3 生物量估算目前，通过SAR技术估算地上生物量的方法可以分为两类：基于经验模型的估算方法和基于异速生长模型估算方法。
在基于经验模型估算方面，文献[43]结合地面调查数据，分析了C、L、P波段后向散射系数与生物量之间的相关关系，发现波长越长SAR信号对生物量越敏感，且交叉极化信号相比同极化信号对生物量更为敏感。之后，研究人员分别利用不同波段的SAR数据对不同树种的生物量进行估计[44-45]，并提出了多种基于后向散射系数估计森林生物量方法，包括指数模型[46-48]、线性模型[49]、高阶拟合模型[50]等。然而，无论是SAR后向散射强度还是相干强度都容易受森林属性变化(枝干密度、叶片密度等)、雷达观测几何及地形等外部因素的干扰，且在高生物量区域易产生“饱和”现象。针对上述问题，文献[51-53]通过引入HH/VV极化比或水云模型构建了生物量估算的半径经验模型，可在一定程度上抵御时间去相干和地形变化的干扰。尽管该类方法对SAR数据要求低，适合大范围生物量估计，但在复杂地形条件下，如何排除非森林散射信号对生物量估计的干扰仍有待深入研究。
准确的森林高度可以作为森林生物量估计的重要输入数据。文献[54]利用森林高度与生物量之间的异速生长模型，实现了温带森林的生物量估算。之后，文献[55]利用PolInSAR技术进行了森林高度反演，通过异速生长模型估算森林生物量。由于森林生物量不仅与森林高度有关，还与胸径、林分密度等因素有关，因此仅依赖森林高度无法准确估算森林生物量。为了解决该问题，文献[56]提出采用PCT技术获取森林的垂直结构，并将其融入异速生成方程从而进行生物量估计，与仅采用植被高度的生物异速生长估算方法相比，其精度提高了约37%。之后，文献[57]通过TomoSAR技术提取了L波段的雷达反射率剖面信息，并将其作为森林的垂直结构信息融入异速生长方程进行生物量估算。综上，利用PolInSAR技术估计森林高度及垂直结构更利于高精度森林生物量估计。但不同森林含水量、物候条件均会对PolInSAR垂直结构提取产生干扰，如何准确构建PolInSAR估计的森林垂直结构信息与生物量之间的关系仍需进一步研究。
2.1.4 林下地形反演在森林覆盖区，由于微波强穿透能力及微波信号的衰减效应，传统InSAR测量技术所获取的高程通常位于树冠顶部与地表之间。在传统InSAR测高技术的基础上，通过变换极化方式或增加不同基线观测几何，将InSAR技术扩展为PolInSAR及TomoSAR技术，为解决林下地形测绘提供了新的思路。文献[58]对目前林下地形测绘的方法、进展进行了全面系统的总结，发现PolInSAR与TomoSAR可以较好地应用于森林区林下地形测绘。但是，森林几何形态特征及其物理属性具有高时变性，要在森林区开展InSAR测量要求星载系统重访周期需足够短，而目前的星载SAR系统仍难以提供可满足PolInSAR或TomoSAR测量需要的试验数据。为此，文献[59]利用星载TanDEM-X双站InSAR数据，结合相干电磁模拟与实测林下地形之间的关系，提出了一种短波InSAR林下地形提取方法。此外，文献[60]针对双站TanDEM-X数据，通过引入穿透深度模型与少量LiDAR树高估计相位中心高度，并将其从高精度InSAR DEM中剔除得到林下地形。综上，目前上述方法仅限于局部区域开展试验，适用范围均有一定限制，如何在复杂地形、复杂林分条件下获取大范围、高精度林下地形仍面临巨大挑战。
2.2 冰雪覆盖层 2.2.1 SAR信号冰雪区穿透深度估计极化SAR信号在冰雪覆盖区虽具备一定的穿透能力，但多数情况下难以穿透冰雪覆盖层，无法直接获取完整的冰雪覆盖层厚度。但是，微波信号的穿透深度与冰雪层密度、含水量及垂直结构有关，微波信号穿透深度的估计对于冰雪表面地形测绘、冰雪消融评估等具有重要意义。目前，冰雪区微波信号穿透深度的估计主要有两类模型：经验模型[61-62]及物理散射模型[63-66]。经验模型主要借助外部数据估计空间少量、离散的SAR信号穿透深度，然后建立穿透深度与InSAR相干性及后向散射强度之间的函数关系，进而实现穿透深度的大范围估计[61-62]。该类方法虽可避免对冰雪区复杂微波散射过程的建模，但是经验函数关系不严密且通用性不强，不适用于大范围、高分辨率穿透深度估计。利用物理模型实现穿透深度的估计需明确极化微波信号与冰雪覆盖层的交互过程。文献[63]提出将冰雪区极化SAR散射过程概括为粗糙冰雪界面的表面散射、冰雪内部的体散射及冰浪散射; 之后结合无限深散射模型并考虑微波信号折射过程[65]，提出了表征穿透深度的消光系数反演模型，建立了PolInSAR观测量与冰雪区微波信号穿透深度之间的函数关联[13]。基于上述理论研究，文献[65]利用机载F-SAR数据，估计了X、C、L、P波段极化微波信号在格陵兰冰川不同渗流区的穿透深度，并证明了利用上述散射模型估计的穿透深度可用于校正冰雪区InSAR测高以获得DSM。综上，对于冰雪区几何形态与物理属性的独特性及差异性(如海冰与陆地冰川几何形态及物理属性差异显著)，现有极化SAR散射机理无法完全解释极化微波信号的散射过程，是实现穿透深度估计的必要前提。此外，微波信号在穿透冰雪覆盖层过程中不仅发生散射过程，还伴随折射过程，且不同分层条件下散射、折射过程不相同，因此如何在考虑冰川垂直结构的条件下对散射、折射过程进行建模仍需深入研究。
2.2.2 冰雪层属性参数反演光学遥感、极化SAR及InSAR技术已成功应用于冰雪区分类、厚度变化监测及冰川流速等方面。但为了更全面、系统地揭示冰雪覆盖层消融规律，冰雪覆盖层雪水当量、密度及内部结构信息极为关键。文献[66-67]揭示了雪水当量、介电常数、积雪厚度及密度等参数对极化SAR后向散射系数的影响规律，建立了陆地积雪参数反演模型。但后续研究发现，相比X、Ku波段极化SAR信号，长波极化SAR信号对雪水当量参数变化不敏感，导致上述方法估计雪水当量的不确定性较大。针对上述问题，欧空局提出CoReH2O计划，拟利用双频(X+Ku)及双极化SAR数据对雪水当量进行反演[68]，提出采用两层紧致介质辐射传输模型(dense medium radiative transfer, DMRT)对雪水当量进行估计[68]。尽管长波极化SAR不利于雪水当量估计，但长波极化SAR可以穿透冰层，记录内部结构信息。鉴于此，文献[13]利用无限深散射模型建立了PolInSAR数据估计消光系数的方法，为揭示冰层内部结构属性提供了可能。综上，目前利用PolInSAR反演冰雪区物理参数的研究仍处于探索阶段，明确微波信号与冰雪覆盖层的交互机制是进一步挖掘参数反演能力的前提。此外，现有研究均假定积雪层或冰层为由球状粒子构成的各向同性介质层。但探地雷达、层析等技术探测到冰雪区垂直结构具有明显分层现象，可见上述物理散射模型如何考虑冰雪垂直结构分层现象对于精确参数反演至关重要。
2.2.3 冰雪覆盖层垂直结构探测冰雪内部垂直结构是冰雪动力学模型的重要输入参数之一，现有研究主要利用PCT[69]及TomoSAR技术[70-73]对冰层内部结构进行探测。基于PCT技术的冰雪垂直结构探测方法主要利用傅里叶-勒让德多项式对垂直结构进行自适应拟合，进而建立PolInSAR复相干性与垂直结构之间的函数关系[69]。该方法不依赖复杂散射模型，仅利用少量PolInSAR数据便可实现垂直结构的反演。但是该方法垂直向分辨率与多项式阶数有关：低阶求解稳定，但垂直向分辨率有限; 高阶垂直向分辨率较高，但求解过程易出现病态问题。相对而言，TomoSAR获取的垂直结构更为精细。现有冰雪区TomoSAR研究主要利用傅里叶变换、Capon等层析成像算法在冰雪区进行可行性验证，利用L、P波段极化SAR数据已成功探测冰层下20~60 m深度的垂直结构[70-73]。综上，冰雪覆盖区内部结构探测对于揭示冰雪覆盖层消融过程、揭示成灾机理具有重要价值。随着长波PolInSAR系统的陆续发射，面向冰雪覆盖层如何利用星载TomoSAR/PolInSAR技术开展层析成像值得深入研究。面临的主要挑战为：由于冰雪区分布零散，利用星载SAR系统获取多基线数据难度大，如何利用少量、基线非均匀分布的多基线极化SAR数据进行高分辨率层析成像需要深入研究; 此外，如何在TomoSAR技术中充分引入极化测量，以揭示冰层内部精细化结构需要深入研究。
2.3 沙漠覆盖层 2.3.1 SAR信号沙漠区穿透深度估计目前SAR信号在沙漠区穿透深度的估计方法主要分为3类：人造目标埋设法[73-75]、多源DEM差分法[76-77]及散射模型反演法[78]。人造目标埋设法仅适用于局部区域，用于探究SAR信号在沙漠区的穿透规律。已有研究发现，X波段在埃及南部Selima沙层的穿透能力约为0.1~0.3 m，C波段约为0.2~0.5 m，L波段约为0.8~2.0 m[76-77]。多源DEM差分法虽可获取大范围、高分辨率穿透深度，但由于沙漠时变性显著，难以获取时空同步的多源数据进行穿透深度估计。文献[78]将沙漠抽象为各向同性、无限深介质，首次提出引入相干散射模型的InSAR沙漠区穿透深度反演模型，利用L波段InSAR数据估计库夫拉盆地的穿透深度约为2.83 m[78]。综上，微波信号穿透深度是沙介质层沙粒大小、含水量、沙质等属性的综合表现，如何建立可靠的穿透深度估计模型并揭示其与沙漠属性参数之间的关联需要深入研究。此外，沙漠区极化SAR散射机理尚不明确，根据冰雪区极化SAR散射机理的研究经验，沙漠区散射过程同样具备特殊性，不能利用现有散射机理进行描述。如由于风力作用，沙漠表面形成沙浪，会引起极化SAR信号的变化; 沙漠内部的水分由于蒸发作用呈现水分分层现象，导致极化SAR穿透沙层发生折射、散射，上述过程如何考虑沙漠分层现象值得深入研究。
2.3.2 沙层水分含量反演水分含量是反映沙层内部物理属性的重要表征参数之一，目前沙漠区沙层水分含量反演的研究尚处于探索阶段。文献[79]基于电磁波辐射传输原理提出积分方程模型(IEM)，适用于各种粗糙程度地表的后向散射系数模拟。基于上述理论模型，文献[80]基于Radarsa-2 SAR数据建立了后向散射系数与含水量之间的关联，结果表明浑善达克沙地平均含水量小于30%。上述方法主要面向单极化SAR数据，由于物理模型的复杂性，其需要借助先验信息对相关长度或均方根高度等参数进行固定，限制了水分含量估计的精度。全极化SAR数据可以更全面地考虑地表粗糙度等参数，为水分含量反演提供了新思路。鉴于此，文献[81]通过建立X-Bragg模型，成功地将耦合的土壤粗糙度与含水量分离。文献[82]提出了一种极化双尺度模型(PTSM)，能够有效地描述真实沙漠场景中的去极化和交叉极化现象，可从极化相干矩阵中对含水量进行估计。基于上述理论模型，文献[83]基于全极化机载P波段数据反演了摩洛哥沙漠的沙层水分含量，结果表明平均含水量在30%左右。综上，由于微波信号可以穿透沙漠覆盖层，为沙漠覆盖层层下不同深度的含水量反演带来了契机，但同时也为现有微波土壤水分反演模型带来巨大挑战：如何兼顾散射、穿透条件下含水量反演值得深入研究。
2.3.3 沙漠区次地表结构探测目前由于缺少沙漠区机载多基线PolInSAR数据，尚未有基于PCT或TomoSAR技术的垂直结构探测研究。利用SAR技术探测沙漠次地表结构的典型案例为：文献[84]利用机载SIR-A影像发现了覆盖在撒哈拉沙漠南部的古河道系统; 文献[85]分别利用AirSAR的C、L、P波段极化数据开展探测试验，证实了亚利桑那州北部隐藏在沙层覆盖下的基底岩石; 文献[86]利用L波段机载SAR数据探测干燥土壤下所埋藏的地雷; 文献[87]利用L波段PALSAR数据发现埃及东南部Gallaba盆地存在隐藏断层; 文献[88]利用L波段SAR数据揭示了埋藏在利比亚沙漠东南部的地下古河道系统; 文献[89]利用L波段全极化SAR数据探测了埋藏在埃及西部沙漠下的人造矩形目标。上述案例证明了极化SAR数据探测次地表结构的潜质，若引入PCT或TomoSAR技术，将会为沙漠区地下水资源探测、隐蔽军事目标探测、矿产资源勘查等提供全新“观测”视角。
3 PolInSAR穿透测绘面临的挑战 3.1 全极化SAR信号与地表覆盖层的交互过程解译与建模明确极化SAR信号与地表覆盖层的交互过程并建立相应的散射模型是利用PolInSAR穿透测绘的前提。由于地表覆盖层几何结构的多样性及物理属性的复杂性，现有全极化SAR散射机理无法全面揭示极化SAR信号散射规律。主要面临的问题如下。
(1) 散射机理方面：散射机理主要用于建立极化SAR后向散射系数与覆盖层属性参数之间的关联。现有极化SAR分解模型建模的研究重点主要放在散射体形状及其空间分布规律上，尚未充分考虑冰雪、沙漠等特殊几何形态与物理属性对极化SAR散射信号的影响。此外，长波PolInSAR条件下，由坡度、覆盖层复杂几何结构引发的非散射对称成分更为显著。尽管现有极化SAR分解技术已对非反射对称成分进行建模，但在不同场景下，非反射对称成分的物理解释尚不明确，与覆盖层几何与物理属性参数之间的关联尚不清楚。
(2) 散射模型方面：干涉散射模型主要用于建立极化干涉SAR复相干性与覆盖层属性参数之间的关联。现有干涉散射模型主要假定穿透介质为各向匀质体，但是要精确提取地表覆盖层垂直结构信息需要充分考虑覆盖层异质性、多层、动态变化的特点。此外，目前散射模型主要是对PolInSAR复相干性进行参数化建模，由于复相干性对极化信息进行了抽象表达，因此不利于对非散射对称成分进行精细化建模，如现有植被区RVoG模型难以对螺旋散射等非反射对称成分进行表达。
3.2 多源PolInSAR地表覆盖层空间几何、结构属性信息反演方法相比传统InSAR相位测高，PolInSAR穿透测绘联合相位、相干性及极化信息对监测目标的几何与物理信息进行反演，进而对反演方法提出了更高的要求。精细化的垂直结构监测需要多波段极化SAR协同观测。例如，对于冰雪区，短波更适合对雪水当量进行反演，长波更适合对垂直结构进行监测; 对于植被区，短波更能精细捕捉低矮、稀疏植被的垂直结构，长波更有利于高大、茂密的雨林垂直结构的监测。此外，由于散射模型的复杂性，要实现覆盖层几何与结构信息的反演需借助多基线、多角度PolInSAR数据联合监测。尽管双站PolInSAR可以获取不受时间去相干干扰的观测数据，但是重轨干涉模式具有更高的机动性，如何联合单站、重轨PolInSAR数据以满足参数反演对多基线、多角度观测的需求，需要深入研究。综上，PolInSAR穿透测绘需要多源PolInSAR数据协同反演，积极发展通用性强、解算稳定、误差控制合理、参数精度评定可靠的反演策略对PolInSAR穿透测绘全面推广至关重要。
3.3 PolInSAR系统研制与地面试验场建立穿透测绘理论与算法的研究尚处于探索阶段，需要灵活机动机载、无人机载PolInSAR系统在标准化试验场地开展原理性试验支撑理论与算法研究。目前，我国机载、无人机载长波PolInSAR系统技术水平尚有待提高，原理性试验十分匮乏，无法满足穿透测绘理论与方法探索性研究的要求，导致相关研究过分依赖国外机载数据。因此，结合我国自然资源调查需求及我国在无人机载平台的优势，研制长波无人机载PolInSAR系统及建立标准化试验场对于提升我国穿透测绘领域的综合竞争力具有重要意义。
4 总结现有遥感技术主要采集地表覆盖层表面几何及部分物理属性信息，无法测量地表覆盖层厚度及垂直结构信息，已不能满足众多研究领域对地表覆盖层全方位地理信息的需求。鉴于此，本文结合国内外PolInSAR发展动态，定义了穿透测绘的内涵，并结合PolInSAR在植被、冰雪及沙漠覆盖区的应用阐明了穿透测绘的可行性与优势。但是受地表覆盖层极化SAR散射机理不完备、散射模型不全面、硬件设施不稳定等因素的限制，穿透测绘理论与算法研究尚处于探索阶段。随着以我国陆地探测一号01组A/B星为代表的新一代PolInSAR系统的成功发射，穿透测绘未来将成为对地观测领域的研究重点。
| [1] |
HORN R. The DLR airborne SAR project E-SAR[C]//Proceedings of 1996 International Geoscience and Remote Sensing Symposium. Lincoln, NE: IEEE, 1996: 1624-1628.
|
| [2] |
HORN R, NOTTENSTEINER A, REIGBER A, et al. F-SAR-DLR's new multifrequency polarimetric airborne SAR[C]//Proceedings of 2009 IEEE International Geoscience and Remote Sensing Symposium. Cape Town: IEEE, 2009: Ⅱ-902-Ⅱ-905.
|
| [3] |
BRUYANT J P. SETHI flying lab: a tool for remote sensing applications[C]//Proceedings of the 11th International Radar Symposium. Vilnius, Lithuania: IEEE, 2010: 1-4.
|
| [4] |
ROSEN P A, HENSLEY S, WHEELER K, et al. UAVSAR: a new NASA airborne SAR system for science and technology research[C]//Proceedings of 2006 IEEE Conference on Radar. Verona, NY, USA: IEEE, 2006: 8.
|
| [5] |
QUEGAN S, LE TOAN T, CHAVE J, et al. The European Space Agency BIOMASS mission: measuring forest above-ground biomass from space[J]. Remote Sensing of Environment, 2019, 227: 44-60. DOI:10.1016/j.rse.2019.03.032 |
| [6] |
MOREIRA A, KRIEGER G, HAJNSEK I, et al. Tandem-L: a highly innovative bistatic SAR mission for global observation of dynamic processes on the Earth's surface[J]. IEEE Geoscience and Remote Sensing Magazine, 2015, 3(2): 8-23. DOI:10.1109/MGRS.2015.2437353 |
| [7] |
LEE J S, POTTIER E. Polarimetric radar imaging: from basics to applications[M]. Boca Raton: CRC Press, 2009.
|
| [8] |
FREEMAN A, DURDEN S L. A three-component scattering model for polarimetric SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1998, 36(3): 963-973. DOI:10.1109/36.673687 |
| [9] |
PAPATHANASSIOU K P, CLOUDE S R. Single-baseline polarimetric SAR interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(11): 2352-2363. DOI:10.1109/36.964971 |
| [10] |
CLOUDE S R. Polarisation: applications in remote sensing[M]. London: Oxford University Press, 2009.
|
| [11] |
REIGBER A, MOREIRA A. First demonstration of airborne SAR tomography using multibaseline L-band data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5): 2142-2152. DOI:10.1109/36.868873 |
| [12] |
TREUHAFT R N, MADSEN S N, MOGHADDAM M, et al. Vegetation characteristics and underlying topography from interferometric radar[J]. Radio Science, 1996, 31(6): 1449-1485. DOI:10.1029/96RS01763 |
| [13] |
DALL J. InSAR elevation bias caused by penetration into uniform volumes[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(7): 2319-2324. DOI:10.1109/TGRS.2007.896613 |
| [14] |
PAPATHANASSIOU K P, CLOUDE S R. The effect of temporal decorrelation on the inversion of forest parameters from Pol-InSAR data[C]//Proceedings of 2003 IEEE International Geoscience and Remote Sensing Symposium. Toulouse, France: IEEE, 2003: 1429-1431.
|
| [15] |
LEE S K, KUGLER F, PAPATHANASSIOU K P, et al. Quantification of temporal decorrelation effects at L-band for polarimetric SAR interferometry applications[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(3): 1351-1367. DOI:10.1109/JSTARS.2013.2253448 |
| [16] |
LAVALLE M, SIMARD M, HENSLEY S. A temporal decorrelation model for polarimetric radar interferometers[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(7): 2880-2888. DOI:10.1109/TGRS.2011.2174367 |
| [17] |
LU Hongxi, SUO Zhiyong, GUO Rui, et al. S-RVoG model for forest parameters inversion over underlying topography[J]. Electronics Letters, 2013, 49(9): 618-620. DOI:10.1049/el.2012.4467 |
| [18] |
XIE Qinghua, ZHU Jianjun, WANG Changcheng, et al. A modified dual-baseline PolInSAR method for forest height estimation[J]. Remote Sensing, 2017, 9(8): 819. DOI:10.3390/rs9080819 |
| [19] |
解清华, 朱建军, 汪长城, 等. 基于S-RVoG模型的PolInSAR森林高度非线性复数最小二乘反演算法[J]. 测绘学报, 2020, 49(10): 1303-1310. XIE Qinghua, ZHU Jianjun, WANG Changcheng, et al. A S-RVoG model-based PolInSAR nonlinear complex least squares method for forest height inversion[J]. Acta Geodaetica et Cartographica Sinica, 2020, 49(10): 1303-1310. DOI:10.11947/j.AGCS.2020.20190081 |
| [20] |
LOPEZ-SANCHEZ J M, BALLESTER-BERMAN J D, MARQUEZ-MORENO Y. Model limitations and parameter-estimation methods for agricultural applications of polarimetric SAR interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2007, 45(11): 3481-3493. DOI:10.1109/TGRS.2007.900690 |
| [21] |
GARESTIER F, DUBOIS-FERNANDEZ P C, CHAMPION I. Forest height inversion using high-resolution P-band Pol-InSAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2008, 46(11): 3544-3559. DOI:10.1109/TGRS.2008.922032 |
| [22] |
GARESTIER F, LE TOAN T. Forest modeling for height inversion using single-baseline InSAR/Pol-InSAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(3): 1528-1539. DOI:10.1109/TGRS.2009.2032538 |
| [23] |
FU Wenxue, GUO Huadong, SONG Pengfei, et al. Combination of PolInSAR and LiDAR techniques for forest height estimation[J]. IEEE Geoscience and Remote Sensing Letters, 2017, 14(8): 1218-1222. DOI:10.1109/LGRS.2017.2703628 |
| [24] |
ZHANG Bing, FU Haiqiang, ZHU Jianjun, et al. A multibaseline PolInSAR forest height inversion model based on Fourier-Legendre polynomials[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(4): 687-691. DOI:10.1109/LGRS.2020.2984129 |
| [25] |
ZOU Bin, ZHANG Lamei, WANG Wei, et al. Forest parameters inversion using PolInSAR data based on genetic algorithm[C]//Proceedings of 2006 IEEE International Symposium on Geoscience and Remote Sensing. Denver, CO, USA: IEEE, 2006: 2651-2654. DOI: 10.1109/IGARSS.2006.684.
|
| [26] |
李廷伟, 梁甸农, 黄海风, 等. 一种基于BP神经网络的极化干涉SAR植被高度反演方法[J]. 国防科技大学学报, 2010, 32(3): 60-64. LI Tingwei, LIANG Diannong, HUANG Haifeng, et al. A BP neural-network based method for vegetation height inversion of the polarimetric interferometric SAR[J]. Journal of National University of Defense Technology, 2010, 32(3): 60-64. |
| [27] |
CLOUDE S R, PAPATHANASSIOU K P. Three-stage inversion process for polarimetric SAR interferometry[J]. IEE Proceedings - Radar, Sonar and Navigation, 2003, 150(3): 125-134. DOI:10.1049/ip-rsn:20030449 |
| [28] |
CLOUDE S R. Robust parameter estimation using dual baseline polarimetric SAR interferometry[C]//Proceedings of 2002 IEEE International Geoscience and Remote Sensing Symposium. Toronto, Canada: IEEE, 2002: 838-840.
|
| [29] |
HAJNSEK I, KUGLER F, LEE S K, et al. Tropical-forest-parameter estimation by means of Pol-InSAR: the INDREX-Ⅱ campaign[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(2): 481-493. DOI:10.1109/TGRS.2008.2009437 |
| [30] |
LEE S K, FATOYINBO T E, LAGOMASINO D, et al. Multibaseline TanDEM-X mangrove height estimation: the selection of the vertical wavenumber[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2018, 11(10): 3434-3442. DOI:10.1109/JSTARS.2018.2835647 |
| [31] |
XIE Yanzhou, FU Haiqiang, ZHU Jianjun, et al. A LiDAR-aided multibaseline PolInSAR method for forest height estimation: with emphasis on dual-baseline selection[J]. IEEE Geoscience and Remote Sensing Letters, 2020, 17(10): 1807-1811. DOI:10.1109/LGRS.2019.2951805 |
| [32] |
朱建军, 解清华, 左廷英, 等. 复数域最小二乘平差及其在PolInSAR植被高反演中的应用[J]. 测绘学报, 2014, 43(1): 45-51. ZHU Jianjun, XIE Qinghua, ZUO Tingying, et al. Criterion of complex least squares adjustment and its application in tree height inversion with PolInSAR data[J]. Acta Geodaetica et Cartographica Sinica, 2014, 43(1): 45-51. DOI:10.13485/j.cnki.11-2089.2014.0007 |
| [33] |
LOMBARDINI F, REIGBER A. Adaptive spectral estimation for multibaseline SAR tomography with airborne L-band data[C]//Proceedings of 2003 IEEE International Geoscience and Remote Sensing Symposium. Toulouse, France: IEEE, 2003: 2014-2016.
|
| [34] |
NANNINI M, SCHEIBER R, MOREIRA A. Estimation of the minimum number of tracks for SAR tomography[J]. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(2): 531-543. DOI:10.1109/TGRS.2008.2007846 |
| [35] |
TEBALDINI S, GUARNIERI A M. On the role of phase stability in SAR multibaseline applications[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(7): 2953-2966. DOI:10.1109/TGRS.2010.2043738 |
| [36] |
HUANG Yue, FERRO-FAMIL L, REIGBER A. Under-foliage object imaging using SAR tomography and polarimetric spectral estimators[J]. IEEE Transactions on Geoscience and Remote Sensing, 2012, 50(6): 2213-2225. DOI:10.1109/TGRS.2011.2171494 |
| [37] |
FERRO-FAMIL L, HUANG Yue, REIGBER A. High-Resolution SAR tomography using full rank Polarimetric spectral estimators[C]//Proceedings of 2012 IEEE International Geoscience and Remote Sensing Symposium. Munich, Germany: IEEE, 2012: 5194-5197.
|
| [38] |
CLOUDE S R. Polarization coherence tomography[J]. Radio Science, 2006, 41(4): RS4017. DOI:10.1029/2005RS003436 |
| [39] |
TREUHAFT R N, CHAPMAN B D, DOS SANTOS J R, et al. Vegetation profiles in tropical forests from multibaseline interferometric synthetic aperture radar, field, and lidar measurements[J]. Journal of Geophysical Research: Atmospheres, 2009, 114(D23): D23110. DOI:10.1029/2008JD011674 |
| [40] |
BRIGOT G, SIMARD M, COLIN-KOENIGUER E, et al. Retrieval of forest vertical structure from PolInSAR data by machine learning using LIDAR-derived features[J]. Remote Sensing, 2019, 11(4): 381. DOI:10.3390/rs11040381 |
| [41] |
LEE Y S, LEE S, BAEK W K, et al. Mapping forest vertical structure in Jeju island from optical and radar satellite images using artificial neural network[J]. Remote Sensing, 2020, 12(5): 797. DOI:10.3390/rs12050797 |
| [42] |
CAZCARRA-BES V, TELLO-ALONSO M, FISCHER R, et al. Monitoring of forest structure dynamics by means of L-band SAR tomography[J]. Remote Sensing, 2017, 9(12): 1229. DOI:10.3390/rs9121229 |
| [43] |
LE TOAN T, BEAUDOIN A, RIOM J, et al. Relating forest biomass to SAR data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 403-411. DOI:10.1109/36.134089 |
| [44] |
BEAUDOIN A, LE TOAN T, GOZE S, et al. Retrieval of forest biomass from SAR data[J]. International Journal of Remote Sensing, 1994, 15(14): 2777-2796. DOI:10.1080/01431169408954284 |
| [45] |
HOEKMAN D H, QUIÑONES M J. Land cover type and biomass classification using AirSAR data for evaluation of monitoring scenarios in the Colombian Amazon[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(2): 685-696. DOI:10.1109/36.841998 |
| [46] |
HARRELL P A, BOURGEAU-CHAVEZ L L, KASISCHKE E S, et al. Sensitivity of ERS-1 and JERS-1 radar data to biomass and stand structure in Alaskan boreal forest[J]. Remote Sensing of Environment, 1995, 54(3): 247-260. DOI:10.1016/0034-4257(95)00127-1 |
| [47] |
SANTOS J R, FREITAS C C, ARAUJO L S, et al. Airborne P-band SAR applied to the aboveground biomass studies in the Brazilian tropical rainforest[J]. Remote Sensing of Environment, 2003, 87(4): 482-493. DOI:10.1016/j.rse.2002.12.001 |
| [48] |
WAGNER W, LUCKMAN A, Vietmeier J, et al. Large-scale mapping of boreal forest in SIBERIA using ERS tandem coherence and JERS backscatter data[J]. Remote Sensing of Environment, 2003, 85(2): 125-144. DOI:10.1016/S0034-4257(02)00198-0 |
| [49] |
VILLARD L, LE TOAN T. Relating P-Band SAR intensity to biomass for tropical dense forests in hilly terrain: γ0 or t0?[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2015, 8(1): 214-223. DOI:10.1109/JSTARS.2014.2359231 |
| [50] |
RIGNOT E, WAY J, WILLIAMS C, et al. Radar estimates of aboveground biomass in boreal forests of interior Alaska[J]. IEEE Transactions on Geoscience and Remote Sensing, 1994, 32(5): 1117-1124. DOI:10.1109/36.312903 |
| [51] |
SOJA M J, SANDBERG G, ULANDER L M H. Regression-based retrieval of boreal forest biomass in sloping terrain using P-band SAR backscatter intensity data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(5): 2646-2665. DOI:10.1109/TGRS.2012.2219538 |
| [52] |
SANTORO M, ASKNE J, SMITH G, et al. Stem volume retrieval in boreal forests from ERS-1/2 interferometry[J]. Remote Sensing of Environment, 2002, 81(1): 19-35. DOI:10.1016/S0034-4257(01)00329-7 |
| [53] |
CARTUS O, SANTORO M, KELLNDORFER J. Mapping forest aboveground biomass in the northeastern United States with ALOS PALSAR dual-polarization L-band[J]. Remote Sensing of Environment, 2012, 124: 466-478. DOI:10.1016/j.rse.2012.05.029 |
| [54] |
METTE T, HAJNSEK I, PAPATHANASSIOU K. Height-biomass allometry in temperate forests performance accuracy of height-biomass allometry[C]//Proceedings of 2003 IEEE International Geoscience and Remote Sensing Symposium. Toulouse, France: IEEE, 2003: 1942-1944. DOI: 10.1109/IGARSS.2003.1294300.
|
| [55] |
METTE T, PAPATHANASSIOU K, HAJNSEK I, et al. Applying a common allometric equation to convert forest height from Pol-InSAR data to forest biomass[C]//Proceedings of 2004 IEEE International Geoscience and Remote Sensing Symposium. Anchorage, AK, USA: IEEE, 2004: 272. DOI: 10.1109/IGARSS.2004.1369013.
|
| [56] |
CAICOYA A T, KUGLER F, PRETZSCH H, et al. Forest vertical structure characterization using ground inventory data for the estimation of forest aboveground biomass[J]. Canadian Journal of Forest Research, 2016, 46(1): 25-38. DOI:10.1139/cjfr-2015-0052 |
| [57] |
CAICOYA A T, PARDINI M, HAJNSEK I, et al. Forest above-ground biomass estimation from vertical reflectivity profiles at L-band[J]. IEEE Geoscience and Remote Sensing Letters, 2015, 12(12): 2379-2383. DOI:10.1109/LGRS.2015.2477858 |
| [58] |
朱建军, 付海强, 汪长城. InSAR林下地形测绘方法与研究进展[J]. 武汉大学学报(信息科学版), 2018, 43(12): 2030-2038. ZHU Jianjun, FU Haiqiang, WANG Changcheng. Methods and research progress of underlying topography estimation over forest areas by InSAR[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 2030-2038. DOI:10.13203/j.whugis20180266 |
| [59] |
LEI Yang, TREUHAFT R, GONÇALVES F. Automated estimation of forest height and underlying topography over a Brazilian tropical forest with single-baseline single-polarization TanDEM-X SAR interferometry[J]. Remote Sensing of Environment, 2021, 252: 112132. DOI:10.1016/j.rse.2020.112132 |
| [60] |
WANG Huiqiang, FU Haiqiang, ZHU Jianjun, et al. Estimation of subcanopy topography based on single-baseline TanDEM-X InSAR data[J]. Journal of Geodesy, 2021, 95(7): 84. DOI:10.1007/s00190-021-01519-3 |
| [61] |
ROTT H, SCHEIBLAUER S, WUITE J, et al. Penetration of interferometric radar signals in Antarctic snow[J]. The Cryosphere, 2021, 15(9): 4399-4419. DOI:10.5194/tc-15-4399-2021 |
| [62] |
HUANG Lanqing, HAJNSEK I. Polarimetric behavior for the derivation of sea ice topographic height from TanDEM-X interferometric SAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 14: 1095-1110. DOI:10.1109/JSTARS.2020.3036395 |
| [63] |
SHARMA J J, HAJNSEK I, PAPATHANASSIOU K P, et al. Polarimetric decomposition over glacier ice using long-wavelength airborne PolSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(1): 519-535. DOI:10.1109/TGRS.2010.2056692 |
| [64] |
SHARMA J J, HAJNSEK I, PAPATHANASSIOU K P, et al. Estimation of glacier ice extinction using long-wavelength airborne Pol-InSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2013, 51(6): 3715-3732. DOI:10.1109/TGRS.2012.2220855 |
| [65] |
FISCHER G, PAPATHANASSIOU K P, HAJNSEK I. Modeling and compensation of the penetration bias in InSAR DEMs of ice sheets at different frequencies[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2020, 13: 2698-2707. DOI:10.1109/JSTARS.2020.2992530 |
| [66] |
SHI J, DOZIER J. Estimation of snow water equivalence using SIR-C/X-SAR. I. Inferring snow density and subsurface properties[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(6): 2465-2474. DOI:10.1109/36.885195 |
| [67] |
SHI J, DOZIER J. Estimation of snow water equivalence using SIR-C/X-SAR. Ⅱ. Inferring snow depth and particle size[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(6): 2475-2488. DOI:10.1109/36.885196 |
| [68] |
ROTT H, CLINE D, DUGUAY C, et al. Scientific preparations for CoRe-H2O, a dual Frequency SAR mission for snow and ice observations[C]//Proceedings of 2008 IEEE International Geoscience and Remote Sensing Symposium. Boston, MA, USA: IEEE, 2008: Ⅲ-31-Ⅲ-34. DOI: 10.1109/IGARSS.2008.4779275.
|
| [69] |
SHARMA J J, HAJNSEK I, PAPATHANASSIOU K P. Vertical profile reconstruction with Pol-InSAR data of a subpolar glacier[C]//Proceedings of 2007 IEEE International Geoscience and Remote Sensing Symposium. Barcelona, Spain: IEEE, 2007: 1147-1150. DOI: 10.1109/IGARSS.2007.4423006.
|
| [70] |
TEBALDINI S, FERRO-FAMIL L. High resolution three-dimensional imaging of a snowpack from ground-based SAR data acquired at X and Ku band[C]//Proceedings of 2013 IEEE International Geoscience and Remote Sensing Symposium. Melbourne, VIC, Australia: IEEE, 2013: 77-80. DOI: 10.1109/IGARSS.2013.6721096.
|
| [71] |
BANDA F, DALL J, TEBALDINI S. Single and multipolarimetric P-band SAR tomography of subsurface ice structure[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(5): 2832-2845. DOI:10.1109/TGRS.2015.2506399 |
| [72] |
TEBALDINI S, NAGLER T, ROTT H, et al. Imaging the internal structure of an alpine glacier via L-band airborne SAR tomography[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(12): 7197-7209. DOI:10.1109/TGRS.2016.2597361 |
| [73] |
FISCHER G, JÄGER M, PAPATHANASSIOU K P, et al. Modeling the vertical backscattering distribution in the percolation zone of the Greenland ice sheet with SAR tomography[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2019, 12(11): 4389-4405. DOI:10.1109/JSTARS.2019.2951026 |
| [74] |
SCHABER G G, MCCAULEY J F, BREED C S. The use of multifrequency and polarimetric SIR-C/X-SAR data in geologic studies of Bir Safsaf, Egypt[J]. Remote Sensing of Environment, 1997, 59(2): 337-363. DOI:10.1016/S0034-4257(96)00143-5 |
| [75] |
郭华东, 刘浩, 王心源, 等. 航天成像雷达对阿拉善高原次地表古水系探测与古环境分析[J]. 中国科学(D辑), 2000, 30(1): 88-96. GUO Huadong, LIU Hao, WANG Xinyuan, et al. Subsurface old drainage detection and paleoenvironment analysis using spaceborne radar images in Alxa Plateau[J]. Science in China Series D: Earth Sciences, 2000, 30(1): 88-96. |
| [76] |
ELSHERBINI A, SARABANDI K. Mapping of sand layer thickness in deserts using SAR interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2010, 48(9): 3550-3559. DOI:10.1109/TGRS.2010.2047110 |
| [77] |
XIONG Siting, MULLER J P, LI Gang. The application of ALOS/PALSAR InSAR to measure subsurface penetration depths in deserts[J]. Remote Sensing, 2017, 9(6): 638. DOI:10.3390/rs9060638 |
| [78] |
LIU Guanxin, FU Haiqiang, ZHU Jianjun, et al. Penetration depth inversion in Hyperarid desert from L-Band insar data based on a coherence scattering model[J]. IEEE Geoscience and Remote Sensing Letters, 2021, 18(11): 1981-1985. DOI:10.1109/LGRS.2020.3011706 |
| [79] |
FUNG A K, LI Zongqian, CHEN Kunshan. Backscattering from a randomly rough dielectric surface[J]. IEEE Transactions on Geoscience and Remote Sensing, 1992, 30(2): 356-369. DOI:10.1109/36.134085 |
| [80] |
王驰. 基于极化SAR的沙地土壤含水量反演方法研究[D]. 呼和浩特: 内蒙古工业大学, 2017. WANG Chi. Study on inversion method of sandy land soil moisture based on polarimetric SAR[D]. Hohhot: Inner Mongolia University of Technology, 2017. |
| [81] |
HAJNSEK I, POTTIER E, CLOUDE S R. Inversion of surface parameters from polarimetric SAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(4): 727-744. DOI:10.1109/TGRS.2003.810702 |
| [82] |
IODICE A, NATALE A, RICCIO D. Polarimetric two-scale model for soil moisture retrieval via dual-pol HH-VV SAR data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2013, 6(3): 1163-1171. DOI:10.1109/JSTARS.2013.2238893 |
| [83] |
NATALE A, ESPOSITO C, BERARDINO P, et al. Retrieval of soil surface parameters via helicopter-borne P-band polarimetric SAR data acquired along antiparallel flight tracks[C]//Proceedings of 2019 IEEE International Geoscience and Remote Sensing Symposium. Yokohama, Japan: IEEE, 2019: 7002-7005. DOI: 10.1109/IGARSS.2019.8898168.
|
| [84] |
SCHABER G G. SAR studies in the Yuma Desert, Arizona: sand penetration, geology, and the detection of military ordnance debris[J]. Remote Sensing of Environment, 1999, 67(3): 320-347. DOI:10.1016/S0034-4257(98)00093-5 |
| [85] |
陈其芬. 雷达探测干燥土壤中的地雷[J]. 电波与天线, 1996(4): 22-27. CHEN Qifen. Radar detects ground in dry soil[J]. GNSS World of China, 1996(4): 22-27. |
| [86] |
GABER A, KOCH M, GRIESH M H, et al. SAR remote sensing of buried faults: implications for groundwater exploration in the western desert of egypt[J]. Sensing and Imaging: An International Journal, 2011, 12(3-4): 133-151. DOI:10.1007/s11220-011-0066-1 |
| [87] |
MCCAULEY J F, SCHABER G G, BREED C S, et al. Subsurface valleys and geoarcheology of the eastern Sahara revealed by shuttle radar[J]. Science, 1982, 218(4576): 1004-1020. DOI:10.1126/science.218.4576.1004 |
| [88] |
PAILLOU P, SCHUSTER M, TOOTH S, et al. Mapping of a major paleodrainage system in eastern Libya using orbital imaging radar: the Kufrah River[J]. Earth and Planetary Science Letters, 2009, 277(3-4): 327-333. DOI:10.1016/j.epsl.2008.10.029 |
| [89] |
GABER A, KOCH M, GRIESH M H, et al. Near-surface imaging of a buried foundation in the Western Desert, Egypt, using space-borne and ground penetrating radar[J]. Journal of Archaeological Science, 2013, 40(4): 1946-1955. DOI:10.1016/j.jas.2012.12.019 |