自20世纪80年代以来，随着宽带信号理论和技术、极化信息处理理论和极化测量技术的快速发展，合成孔径雷达(synthetic aperture radar，SAR)体制发生了极为深刻的变革，具有高分辨率成像能力的全极化SAR测量迅速崛起，逐渐取代了传统的低分辨率和单极化SAR，极大地增加并扩展了SAR的探测功能和应用范围^[1]。SAR对地观测可获得地物的散射信息，正确有效地解译地物的散射信息是采用SAR技术进行遥感监测的基础。然而，相比光学遥感技术，SAR技术由于受到数据源限制、成像机理复杂、解译困难等因素影响，在农业遥感中的应用还远未成熟。尽管如此，由于微波遥感的巨大潜力和独特优势，其在农业中的应用已深入到很多领域^[2]。早期利用全极化SAR数据在农业监测、分类等领域中的研究结果表明，全极化SAR观测能提供更丰富的信息，从而有效地提高农作物分类和监测的精度^[3]。目前，星载SAR数据的极化特征被广泛应用于植被分类制图中，而其在农作物长势参数定量反演中的应用探索才刚开始^[4-7]。

已有的基于全极化SAR数据的农作物长势参数定量反演研究多以极化协方差矩阵(C)和极化相干矩阵(T)为基础进行极化分解参数展开^{[5, 8]}。已有研究结果表明，尽管基于C和T矩阵分解的参数在农作物应用的部分研究中取得了较好结果，但其仍然有一定的局限性，例如C和T矩阵均不能有效地描述去极化信息，而去极化信息在反映农作物的散射特征中具有重要作用。为了能够表征去极化特征，一些研究在C、T矩阵中引入具体的体散射模型来考虑去极化信息。然而由于引起去极化的因素较多，并且农作物在整个生长周期中引起体散射的形态变化显著，因此建立的体散射模型具有较大的局限性，最终导致去极化信息描述得不准确^[9]，从而影响农作物长势参数的反演结果^[9-10]。

与C和T矩阵相比，Stokes参数基于波的二分性原理，可以将部分极化电磁波分解为完全极化波和完全去极化波的总和，是处理去极化信息的一个更有效的参数，在SAR影像分类中体现出优于全极化参数的结果^[11]。然而，现有文献将Stokes参数应用于农作物生长参数反演中的研究还鲜有报道。

鉴于C和T矩阵在表征去极化信息中的缺点及Stokes参数的优势，本文以油菜作为研究对象，以波的二分性为理论基础，通过矩阵变换和分析，提取具有物理意义的Stokes参数及子参数；通过分析提取的Stokes参数与油菜地上生物量(above ground biomass，AGB)、高度和叶面积指数(leaf area index, LAI)等长势参数的相关性和各Stokes参数在油菜长势参数中的重要性，以探讨其在农作物长势参数反演中的可行性。

1 研究区概况

本文研究区位于内蒙古自治区额尔古纳市上库力农场(东经120°46′~120°53′，北纬50°17′~50°23′)。上库力农场位于中国东北部，大兴安岭西北麓，呼伦贝尔草原北段，额尔古纳河右岸，地形以丘陵为主，黑钙土是该地区的主要土壤，该土壤保水率较高。该农场为农垦系统国有农场，地形起伏较小，坡度小于3°。农场面积约为2 800 hm²，种植结构相对简单，主要种植油菜、小麦和大麦3种农作物。其中，油菜的整个生长期在5月到9月之间。本研究共调查油菜样地95块，平均地块大小约18.6 hm²。研究区油菜地块大小及分布详细信息见图 1。图 1是以Stokes参数中总能量$ {g}_{0}$为背景的实验区95块油菜地块的分布情况，红色线框为各个油菜地块的边界线。

2 数据获取信息

实验获取了研究区覆盖油菜整个生长周期的5景Radarsat-2时间序列SAR数据，并且在每期卫星过境前后两天内，同步获取了地面调查数据。

2.1 SAR数据

研究获取了覆盖油菜整个生长周期的5景精细全极化C波段Radarsat-2 SAR数据。该数据分辨率为8×8 m，重访周期为24 d。数据获取日期分别为2013-05-23、2013-06-16、2013-07-10、2013-08-03和2013-08-27。为了避免不同传感器观测配置对观测结果造成的影响，5景Radarsat-2影像的成像模式、成像入射角等参数完全一致，具体参数见表 1。

2.2 地面实测数据

地面调查在每次Radarsat-2卫星过境时同步展开(图 2)，调查内容在每次卫星过境前后一天内完成。调查中每个地块选取0.5 m×2行范围割取一个油菜样本(行距30 cm)，并通过GPS记录样本点的经纬度，用于后期与样本所在雷达影像的位置一一对应。每次卫星过境时，调查15~20块具有代表性的油菜地块，调查中获取各地块油菜样地的LAI、高度和AGB。其中LAI的获取方法如下：采用LI-COR LAI-2200冠层分析仪先在各地块中随机测量3个样点，记录3个样点值，然后取均值。生物量的获取和计算方法如下：首先随机选择并割取3个0.5 m×2行范围内的油菜样本，装袋，然后在取样当晚称重得到其鲜生物量，记录并求取鲜生物量平均值，再将生物量样本在95 ℃烤箱经48 h以上烘干，重新称重得到3个样方的干生物量，计算并记录干生物量均值^{[2, 5, 11]}。高度的获取方法如下：首先逐个量取并割取样本的高度，然后取均值记录，作为样本的高度。

地面调查的同时获取了地块样本的播期、品种和管理措施等基础数据，并收集了气象、地形、土壤条件等资料。同时获取了油菜不同生长期卫星过境时代表性的地块油菜数字图片(图 2)及相应的GPS控制点，将其作为油菜生长参数外形特征SAR信号响应分析的参考资料。此外，研究还获取了研究区30 m分辨率的数字高程模型数据，该数据结合GPS数据用于SAR数据地理编码。

3 Stokes参数提取方法 3.1 Stokes参数定义及参数提取 3.1.1 Stokes参数定义

Stokes参数是由斯托克斯在1851年提出的利用功率测量值(实数)定义电磁波极化状态的方法^[12-13]。该方法可以完整地描述光学测量的极化波信息，在微波遥感中仍然有广泛的应用。经典的Stokes参数包括4个参数，为处理方便，这4个参数通常组合起来构成矢量的形式，也称为Stokes矢量$ \mathit{\boldsymbol{g}}$，如下所示：

$ \mathit{\boldsymbol{g}}=\left[\begin{array}{c}{g}_{0}\\ {g}_{1}\\ {g}_{2}\\ {g}_{3}\end{array}\right]=\left[\begin{array}{c}{I}_{0}\\ Q\\ U\\ V\end{array}\right]=\left[\begin{array}{c}〈{E}_{y}^{2}〉+〈{E}_{x}^{2}〉\\ 〈{E}_{y}^{2}〉-〈{E}_{x}^{2}〉\\ 2{E}_{y}{E}_{x}\mathrm{c}\mathrm{o}\mathrm{s}\delta \\ 2{E}_{y}{E}_{x}\mathrm{s}\mathrm{i}\mathrm{n}\delta \end{array}\right]=\left[\begin{array}{c}〈{E}_{y}^{2}〉+〈{E}_{x}^{2}〉\\ 〈{E}_{y}^{2}〉-〈{E}_{x}^{2}〉\\ 2\mathrm{R}\mathrm{e}〈{E}_{y}{E}_{x}^{\mathrm{*}}〉\\ 2\mathrm{I}\mathrm{m}〈{E}_{y}{E}_{x}^{\mathrm{*}}〉\end{array}\right] $

(1)

式中，E_x和E_y分别表示水平和垂直极化的能量；δ表示垂直和水平极化的相位差；$ 〈·〉 $表示针对时间取平均；Re(•)表示实部，Im(•)表示虚部；${I}_{0} $度量波中包含的总能量；$ Q$、$ U $和$ V$表征波的极化状态，$ Q>0 $表示波趋于垂直极化，$ Q <0 $表示波趋于水平极化；$ U>0 $表示波趋于45°极化，$ U <0 $表示波趋于－45°极化；$ V>0 $表示波趋于左旋极化，$V <0 $表示波趋于右旋极化。

3.1.2 Stokes子参数提取

通过准单色光的Stokes参数实验测定可以建立Stokes矢量中各个元素与极化椭圆的方向角和椭圆率角的关系，即式(1)可以表示为：

$ \mathit{\boldsymbol{g}}=\left[\begin{array}{c}{I}_{0}\\ Q\\ U\\ V\end{array}\right]=\left[\begin{array}{c}〈{E}_{y}^{2}〉+〈{E}_{x}^{2}〉\\ 〈{E}_{y}^{2}〉-〈{E}_{x}^{2}〉\\ 2\mathrm{R}\mathrm{e}〈{E}_{y}{E}_{x}^{\mathrm{*}}〉\\ 2\mathrm{I}\mathrm{m}〈{E}_{y}{E}_{x}^{\mathrm{*}}〉\end{array}\right]={I}_{0}\left[\begin{array}{c}1\\ \mathrm{c}\mathrm{o}\mathrm{s}2\epsilon \mathrm{c}\mathrm{o}\mathrm{s}2\theta \\ \mathrm{c}\mathrm{o}\mathrm{s}2\epsilon \mathrm{s}\mathrm{i}\mathrm{n}2\theta \\ \mathrm{s}\mathrm{i}\mathrm{n}2\theta \end{array}\right] $

(2)

式中，$ \varepsilon $为椭圆率角，$ -\mathrm{\pi }/4\le \varepsilon \le \mathrm{\pi }/4 $；$ \theta $为表征椭圆取向的方向角，$ 0\le \theta <\mathrm{\pi } $。在给定入射波的$ \varepsilon $和$ \theta $时，地物可以通过自身的散射特性改变入射波的$ \varepsilon $和$ \theta $，从而改变散射回波的极化态，因此，可以通过回波的$ \varepsilon $和$ \theta $分析地物的特征^[13]。

Stokes参数的优点是既可以表示完全极化波，又可以表征部分极化波。若Stokes矢量的各元素之间满足式(3)，则表示波为完全极化波；若满足式(4)，则表示波为完全非极化波。当波处于式(3)和式(4)之间的状态时(即为部分极化波)，可以用式(5)描述的极化度来表征极化波和非极化波所占的比率m。

$ {Q}^{2}+{U}^{2}+{V}^{2}={I}_{0}^{2} $

(3)

$ {I}_{0}^{2}=2〈{E}_{y}^{2}〉=2〈{E}_{x}^{2}〉 且 Q=U=V=0 $

(4)

$ m=\frac{\sqrt{{Q}^{2}+{U}^{2}+{V}^{2}}}{{I}_{0}^{2}} $

(5)

在全极化数据的描述中，文献[5]指出，不同极化通道的比值对地物的区分具有较好的效果。基于该研究结论及文献[12, 14]的推论，结合以上参数推导了这些参数的组合形式，并形成了扩展的Stokes子参数。扩展的Stokes参数包括圆极化度($ {m}_{c}$)、线极化度($ {m}_{l}$)、圆极化比($ {\mu }_{c} $)、线极化比($ {\mu }_{l} $)和标准极化度($ {m}_{s}$)，分别如下：

$ {m}_{c}={V}^{2}/{I}_{0}^{2} $

(6)

$ {m}_{l}=\left({Q}^{2}+{U}^{2}\right)/{I}_{0}^{2} $

(7)

$ {\mu }_{c}=\left({I}_{0}-V\right)/\left({I}_{0}+V\right) $

(8)

$ {\mu }_{l}=\left({I}_{0}-Q\right)/\left({I}_{0}+Q\right) $

(9)

$ {m}_{s}=\sqrt{{Q}^{2}+{U}^{2}+{V}^{2}} $

(10)

本文提取的用于油菜长势监测的Stokes参数及其子参数见表 2。

3.2 Stokes参数及其子参数在油菜长势参数反演中的可行性分析

Stokes参数及其子参数与油菜AGB、LAI和高度的相关性分析采用了皮尔逊积矩相关系数($ r$)分析的方法^[15]，$ r $的计算公式如下：

$ r=\frac{\sum \left(x-\overline{x}\right)\left(y-\overline{y}\right)/(n-1)}{{S}_{x}{S}_{y}} $

(11)

式中，$ \overline{x}$为变量$ {x}_{i} $的均值；$ \overline{y} $为变量$ {y}_{i} $的均值；$ n$为变量的个数；$ {S}_{x} $为变量$ {x}_{i}$的标准差；$ {S}_{y} $为变量$ {y}_{i}$的标准差。

Stokes参数在油菜长势参数反演中的重要性分析采用了随机森林(random forest，RF)^[16-18]分析的方法。RF是Breiman^[17]在2001年提出的一种用来分类、回归和生存分析的机器学习算法。RF算法的特征重要性排序可以理解为是根据特征的重要程度对多个特征进行排序，该过程在R语言中实现，通过计算特征的重要性排序来作为排序标准。本文RF的输入参数包括12个Stokes参数，随机特征数量设置为4，决策树的数量为R语言RF程序包中plot函数确定的回归误差稳定时的决策树的数量，在本文中的值为500；在重要性分析中，训练样本数量为22个，测试样本数量为11个。

4 结果与分析 4.1 Stokes参数及其子参数与AGB、高度和LAI的相关性分析

为了降低SAR斑点噪声的影响，同时降低点对点取值的随机性误差影响，各样本对应的Stokes参数的值以样本所在地块为单位进行并取均值^[19]。相关性分析结果见表 3。

表 3列出了12个Stokes参数及其子参数与油菜AGB、高度和LAI的相关性。12个参数中，与AGB的相关性达到极显著水平的参数有6个；与高度的相关性达到极显著水平的参数有7个，显著水平的有2个；与LAI的相关性达到极显著水平的参数有6个，显著水平的有2个。

在与AGB相关性达到极显著水平的Stokes参数中，表征能量的参数包括$ {g}_{0}$和$ {g}_{2} $，表征散射类型的参数包括$m $、$ {m}_{s} $、$ {m}_{l}$和$ {\mu }_{l} $。其中，与总能量$ {g}_{0}$的相关性最高，值为0.856；与表征45°或－45°线极化分量能量的$ {g}_{2}$相关性最低，值为0.528。表征散射地物方向和形状的参数$ \theta $和$ \varepsilon $与AGB的相关性未达到显著水平。在与高度相关性达到显著性水平(含极显著和显著)的参数中，表征能量的参数包括$ {g}_{0}$、$ {g}_{1}$和$ {g}_{2} $，相关性分别为0.768、0.872和0.484；表征地物散射类型的参数包括$ m $、$ {m}_{s}$、$ {m}_{l}$、$ {\mu }_{l} $和$ {\mu }_{c} $，其中相关性最高的参数为$ {\mu }_{l} $，值为0.926；其次为$ m$，值为－0.913。此外，高度与表征散射地物方向$ \theta $的相关性也达到了显著性水平，相关性为0.417，而与表征散射地物形状参数$ \varepsilon $的相关性并未达到显著水平。在与LAI相关性达到显著性水平的参数中，表征能量的参数包括$ {g}_{0} $和$ {g}_{1} $，相比AGB和高度，相关性均较低，值分别为0.588和0.693；表征散射类型的参数包括$m $、$ {m}_{s} $、$ {m}_{l}$、$ {\mu }_{l} $和$ {\mu }_{c} $，其中与$ {m}_{l}$、$ {\mu }_{l} $和$ m$的相关性较高，值分别为－0.869、0.858和－0.850。与高度相反，LAI与表征散射地物形状参数$ \varepsilon$的相关性达到了显著性水平，值为－0.432，而与表征散射地物方向参数$ \theta$的相关性未达到显著水平。

通过对比12个SAR遥感参数与油菜AGB、高度、LAI之间的相关性，可以明确看出油菜不同生长参数与不同Stokes参数及其子参数之间的相关性差异。AGB与代表能量变化的参数如$ {g}_{0} $的相关性较高，而高度和LAI则与代表极化特征的参数如$ {m}_{l}$、$ {\mu }_{l} $和$ m $的相关性较高。

在表征能量的4个Stokes参数中，AGB仅与总能量$ {g}_{0}$具有较高的相关性，而与表征不同散射类型散射能量的其他3个参数的相关性较低；在相关性较低的3个参数中，与表征去极化特征的$ {g}_{2}$相关性尽管较低，但仍然达到了显著性水平；而高度则与$ {g}_{0} $、$ {g}_{1}$和$ {g}_{2} $的相关性均较高，LAI与$ {g}_{0} $和$ {g}_{1}$的相关性较高。这说明AGB对农作物发生的散射类型并不敏感，其与$ {g}_{2} $的显著相关性说明AGB与45°线性极化散射能量的相关性也较高。其原因主要是油菜的总散射能量中，该类型散射分量占的比重较大，这在笔者前期的研究中也得到了证实^{[10, 20]}，且与在基于C和T矩阵分解的参数与AGB或油菜长势监测的研究结果也类似，这些研究中通常采用体散射分解分量或HV后向散射系数来表征去极化信息^[5]。高度与$ {g}_{0}$的相关性较高，且相关性为正值，表明油菜的高度变化与总能量变化成正比；然而其与$ {g}_{1} $具有更高的相关性值，表明相比总能量，其与表征水平垂直极化差的能量更敏感。这是由于随着油菜高度的增加，垂直极化在油菜内部的衰减增强，值逐渐降低，而水平极化基本保持不变或变化很小，因此随着油菜茎秆的增长，水平与垂直极化的能量之差与油菜高度呈正比。高度与$ {g}_{2} $的相关性也达到了极显著水平，这是由于在油菜茎秆增高的过程中，油菜的冠层侧枝、叶片也在明显增多，使得45°线性极化的能量进一步增加，文献[21]对小麦的研究结果也表明了类似的特征。相比其他两个长势参数，尽管LAI与表征能量的$ {g}_{0}$和$ {g}_{1}$的相关性也达到了显著性水平，但其值却低很多。这是由于LAI表征植被冠层覆盖率的多少，油菜散射总能量不仅包括与油菜LAI相关性强的冠层表面散射的影响，同时包括油菜茎秆引起的二次散射和整个油菜覆盖区去极化特征的影响。另外，由于$ {g}_{1}$可以表征表面散射，因此LAI与$ {g}_{1} $的相关性反而高于$ {g}_{0} $。

在表征地物散射类型的6个参数中($ m $、$ {m}_{s} $、$ {m}_{c}$、$ {m}_{l}$、$ {\mu }_{l} $和$ {\mu }_{c} $), AGB与这些参数的相关性均小于总散射能量$ {g}_{0}$，且与表征线性极化参数$ m $、$ {m}_{s} $、$ {m}_{l}$和$ {\mu }_{l}$的相关性具有显著性，这可能是由于农作物散射的总能量中，线性散射分量的能量比重较大引起的。在这些Stokes参数中，高度与$ m $、$ {m}_{l}$和$ {\mu }_{l} $的相关性均较高，均大于0.9，这说明表征极化波性质的特征对高度变化的敏感性较高。而这些参数与LAI的相关性分析中，与高度类似，$ m$、$ {m}_{l} $和$ {\mu }_{l} $与LAI的相关性也均较高，均大于0.8。与高度不同的是，$ {\mu }_{c}$也表现出与LAI极显著的相关性，这可能是由于LAI与油菜叶片形状的相关性更高(相比高度)引起的，而圆极化比对圆形散射体比较敏感。高度和LAI与表征地物散射类型的Stokes参数间的高敏感性也从侧面证实已有研究中植被散射体结构对后向散射有强烈影响^{[11, 13]}。

在表征地物散射方向$ \theta $和形状$ \varepsilon $与油菜3个长势参数的相关性分析中，AGB与这两个参数的相关性均未达到显著水平，高度与$ \theta $的相关性达到显著水平，LAI与$ \varepsilon $的相关性达到显著水平，相关性值在0.42左右。这表明表征散射体方向、形状的参数对AGB不敏感，而表征散射体散射方向的参数对高度敏感，这可能是由于高度变化对二次散射影响较大，而散射体的方向对发生二次散射的影响较大，在极化椭圆中通常表征为极化椭圆方向的变化。表征散射体散射形状的参数对LAI敏感，而方向参数对LAI不敏感，这可能是由于LAI受油菜冠层形状、冠层叶片形状等影响较大，从而对$ \varepsilon $较敏感，在极化椭圆中表现为极化椭圆的扁率变化。

此外，在已有的基于Stokes参数的农作物相关性研究中，已有研究结果表明，农作物长势参数与Stokes参数相关性的变化同时受到假设的入射电磁波类型的影响，例如文献[10, 18]中，高度和LAI与$ {m}_{c}$、$ {\mu }_{c}$的相关性高于$ {m}_{l} $和$ {\mu }_{l} $。文献[13]指出，$ {\mu }_{c} $对圆形或近圆形外表地物的探测比较敏感，该研究结果也可用于解释$ {\mu }_{c}$与LAI、高度和AGB的相关性逐渐增加的原因。另外，与文献[5-6, 8]中的全极化参数的相关性相比，本文中$ {g}_{0}$、$ m$、$ {m}_{l}$和$ {\mu }_{l} $与油菜长势参数的相关性也达到或高于部分全极化参数的相关性水平。

4.2 油菜生长参数反演中RF参数重要性分析

采用RF算法对12个Stokes参数反演油菜AGB、高度和LAI的重要性排序见图 3。图 3中，纵轴InMSE(increase in mean squared error)表示均方误差增量，其数值越大，代表对应变量的重要性越大。

图 3中，各Stokes参数及其子参数作为油菜AGB、高度和LAI反演输入参数的重要性排序差异明显。在4个代表能量的Stokes参数中，除$ {g}_{1} $外，其他3个参数在AGB反演中的重要性均高于高度和LAI。在6个表征地物散射类型的Stokes参数中，除$ {\mu }_{c}$和$ {m}_{c}$外，其他4个参数在森林高度和LAI反演中的重要性基本都高于AGB，特别是$ m $、$ {m}_{l} $和$ {\mu }_{l} $，这与相关性分析的结果基本一致。值得注意的是，$ {m}_{s}$在AGB反演中的重要性略高于LAI反演，但低于高度反演，这可能是由于尽管$ {m}_{s}$归类于表征地物散射类型的参数，但其值是由地物极化能量的大小决定。由于极化特征受高度影响明显，因此$ {m}_{s}$在高度反演中的重要性远高于AGB。而相比高度，LAI对极化特征的影响更体现在散射类型和散射体形状上，因此$ {m}_{s} $在其反演中的重要性反而略低于AGB。

从图 3可以看出，12个Stokes参数在各参数反演中的重要性与§4.1各参数与油菜长势参数的相关性并不完全一致。所有参数在AGB反演中，$ {g}_{0} $与相关性分析相一致，重要性最高，相关性也最高，而其他参数的重要性则与相关性有一定的差异。例如表征能量差异的参数的重要性一般较高，而表征散射类型的参数的重要性则偏低。在高度反演中，重要性排序与§4.1分析的相关性结果基本一致，在表征能量的参数中，$ {g}_{1} $的重要性仍然最高，并且除$ {g}_{1} $外，重要性高的参数均为表征散射类型的Stokes参数，$ \theta $的重要性也高于$ {g}_{3} $和$ \varepsilon$。与其他两个长势参数相比，在LAI反演中，大部分Stokes参数的重要性与§4.1中的相关性分析结果一致，例如，$ m$、$ {m}_{l} $、${\mu }_{l} $等与LAI有较高的相关性，其在LAI反演中的重要性也较高。与高度反演相似的是，表征散射特征参数的重要性多高于表征能量的参数。此外，$ \varepsilon$在LAI反演中的重要性仍然高于$ \theta $，这与§4.1的相关性分析结果也吻合。

本文相关性分析和重要性结果的差异性与文献[20]的结果相似。这种差异可能是由于两种比较方法在计算时所使用的算法不同所引起的，相关性分析是直接分析两个参数之间的关系，而RF重要性排序则是通过建立决策树的方法综合考虑各参数的重要性。

5 结语

本文提取了覆盖油菜生长期的Stokes参数及其子参数，以播后天数和地块面积为基础，对提取的Stokes参数进行了平均，在此基础上对这些参数与油菜AGB、高度和LAI这3个长势参数的相关性和反演中的重要性进行了分析。相关性分析采用参数方法，重要性分析采用RF非参数方法。在相关性和重要性分析的基础上，探讨了Stokes参数及其子参数对农作物长势监测、长势参数反演中的可行性。相关性和重要性的分析结果均表明，不同Stokes参数对不同长势参数的敏感性差异明显，其中表征总能量的$ {g}_{0}$与AGB的相关性和重要性均较高，表明采用该参数进行AGB反演的可行性；表征地物极化散射特征的参数与高度和LAI的相关性和重要性均较高，因此在直接采用Stokes参数进行高度和LAI反演时，应当优先考虑这些参数。与已有研究结果的对比表明，在考虑采用机理模型进行农作物AGB、高度和LAI反演时，引入表征散射类型的极化特征参数可以有效提高反演结果的物理可解释性，也有可能提高反演精度，但仍然需要进一步验证。

由于本研究仅采用一种入射波的假设来计算Stokes参数，研究结论在其他入射波假设条件下计算的Stokes参数中的适用性仍然需要进一步研究。此外，由于不同农作物(如小麦、大豆等)在整个生长过程中散射特征、作物结构、外形与油菜差异明显，因此本文研究结果在不同农作物中的应用潜力仍然需要进一步探讨。