分享一篇综述论文[1] ADELI S, SALEHI B, MAHDIANPARI M, et al. Wetland monitoring using SAR data: A meta-analysis and comprehensive Review: 14[J]. Remote Sensing, 2020, 12(14): 2190. DOI:10.3390/rs12142190.
摘要
尽管湿地提供了重要的生态系统服务，但全球范围内的湿地正日益受到人类活动和自然过程的威胁。合成孔径雷达 (SAR) 已成为一种有前途的工具，可快速准确地监测湿地的范围和类型。通过获取有关表面粗糙度和水分含量的信息，SAR 为湿地监测提供了独特的潜力。然而，在将 SAR 应用于绘制复杂的湿地环境时仍然存在挑战。不同湿地类别的后向散射相似性是挑战之一。根据湿地类型选择合适的 SAR 规格（入射角、频率和极化）也是一个有争议的主题，应该进行更彻底的研究。SAR 图像的几何失真和相干性丧失是将 SAR 及其处理技术应用于湿地研究的其他挑战。因此，本研究基于对使用 SAR 进行湿地监测的索引研究的汇编和分析，提供了系统的荟萃分析。这项综合分析回顾了 172 篇论文，并记录了 SAR 数据使用量的上升趋势，多传感器数据的使用量不断增加，C 波段和 L 波段的集成度不断提高，而多频和多极化 SAR 数据的分类精度更高。使用 SAR 数据的湿地研究数量最多的国家是美国、加拿大和中国。这项综合分析强调了使用 SAR 传感器进行湿地监测的当前挑战和解决方案。
引言
湿地通常毗邻淡水或咸水，一般以水成土壤为特征，在生长季节周期性或在所有季节都经历潮湿条件。全球湿地面积估计约为 120 万平方公里，尽管这可能被低估了 [ 1 ]。湿地在区域和全球范围内发挥着不可替代的作用，因为它们控制着生物、生态和水文过程 [ 2 , 3,4 ]。Costanza 等人 (1997) 估计全球湿地服务的美元价值为14.9 万亿美元[ 5 ]。从区域角度来看，湿地可以净化水资源、控制洪水、提供关键栖息地并支持娱乐活动。在全球范围内，湿地在决定温室气体排放方面发挥着关键作用。湿地是全球碳循环不可或缺的一部分，也产生了相当一部分全球甲烷排放量 [ 6 , 7 ]。
尽管湿地具有重要意义，但目前它们正面临着灌溉用水密集抽取、工业发展、森林砍伐、水库建设、海平面上升、冻土融化 [ 8 ] 和降水模式变化 [ 9 ] 的威胁。天气模式的轻微变化和全球变暖对湿地环境有相当大的影响。联合国世界水资源开发报告称，自 20 世纪初以来，大约三分之二的湿地已经消失 [ 9 ]。Dahl 等人 (1991) 报告称，1970 年至 1980 年间，平均有 29 万公顷湿地退化，有趣的是，87% 的湿地退化是由农业活动引起的。随后的几十年里，美国的湿地继续大量减少 [ 10 ]。同样，过去二十年里，全球 54% 的红树林已经退化 [ 1 ]。由于湿地面积急剧减少，监测湿地状况是当今时代的一个重要问题。尽管是在局部范围内，实地测量技术为湿地评估提供了宝贵的参考数据，但这种技术对于湿地的频繁监测并不实用[ 11 ]。考虑到湿地的范围，湿地测绘的实地测量技术通常需要大量劳动力、耗时且成本高昂。此外，湿地往往位于人迹罕至的地区，因此地面调查不切实际。湿地的水域面积、水位或植被的存在和生长情况每年或每年都会发生变化，这是由于湿地的动态特性。湿地的评估和测绘需要一种可靠的工具，能够监测绝大多数湿地，即使是在人迹罕至的地区。
遥感技术对于湿地测绘尤为有价值，因为湿地地势偏远、面积广阔或高度动态，无法进行实地测量[ 12 ]。具体而言，机载或卫星传感器可以高时间分辨率捕捉到景观的概要视图，因此可以有效地绘制湿地综合体[ 13、14、15、16 ] 。光学传感器，如 Landsat 系列、Worldview-2 和 Rapid-Eye，是用于湿地测绘的较常见的传感器[ 17、18、19、20、21、22、23 ] 。多项研究报告了使用光学传感器进行湿地测绘的成功经验[ 24 ] 。光学传感器的高空间和时间分辨率以及高覆盖率可以很好地估计大范围内的湿地范围。多光谱光学传感器可以进行分子水平的信息检索，但云层覆盖和夜间条件限制了它们的数据采集能力。此外，由于波长较短，光学传感器穿透植被的能力相对较低。
与光学系统相比，波长较长的合成孔径雷达（SAR）传感器能够独立于天气条件和太阳照射收集数据，因此更适合监测湿地，特别是在北纬地区。与在分子水平上与目标相互作用的光学传感器相比，SAR 传感器在宏观层面上与目标相互作用，从而从结构、表面粗糙度和水分含量等宏观特征中收集有价值的信息[ 25 ]。特别是，SAR 系统可以提供关于草本湿地地表水文和植被几何形状的独特信息[ 26，27 ] 。SAR 信号具有更深的穿透植被冠层的能力，这使得它们比光学传感器更具优势。此外，先进的SAR 任务（例如，RADARSAT-2、RADARSAT 星座任务（RCM））能够发射线性或圆极化并接收水平或垂直极化波，这对于区分不同的湿地类别很有用[ 28 ]。
卫星 SAR 传感器用于监测植被的历史可以追溯到 1980 年，当时第一颗 SAR 星载卫星（L 波段 Seasat）于 1978 年发射[ 29 ]。在接下来的几十年里，利用航天飞机成像雷达任务（SIR-A、SIR-B 和 SIR-C）、ERS-1 [30] 和 ERS-2、JERS [31、32、33、34] 和 RADARSAT [35、36、37、38] 的 C 和 L 波段数据，对沿海和内陆湿地进行监测的研究不断扩展。RADARSAT - 2于2007年发射，是第一颗搭载全极化C波段SAR 传感器的卫星，该传感器对于淹没湿地植被的物理特性描述特别有用[ 39、40、41、42 ]。TerraSAR-X 和 COSMO-SkyMed 星座 [ 43 ]的发射进一步扩展了容量，它们提供了相对较短的重访周期和非常高的空间分辨率（高达 1 米）。这两个系统在 X 波段运行，可以为湿地监测提供互补信息 [ 44 ]。最近，紧凑极化合成孔径雷达 (PolSAR) 数据引起了遥感界的关注，因为它具有独特的配置，与许多应用领域的传统极化传感器相比具有优势。例如，目前正在运行的 RADARSAT 星座任务 (RCM) 具有更宽的扫描带宽度和收集各种极化配置的能力，在时间分辨率方面提供了显著的提高，因此使其比其前身 RADARSAT-2 更胜一筹，适用于需要大规模频繁数据的业务遥感应用[ 45、46、47、48 ]。
SAR 数据在各种应用中均可用于湿地研究。迄今为止，使用 SAR 数据进行湿地测绘和分类是研究最多的应用之一 [47、49、50、51、52、53、54、55、56、57、58、59、60、61、62、63、64、65]，但湿地类别的后向散射相似性带来了挑战。SAR 数据在湿地研究中的另一个应用是淹没水提取测绘[ 66 ] 。水和被淹没的植被的不同后向散射机制使我们能够将水与周围的植被区分开来。此外，时空变化检测是 SAR 湿地监测的另一个应用。这具有重要价值，因为湿地的动态性质需要能够跟踪变化的技术[ 67 ]。使用干涉合成孔径雷达 (InSAR) 技术进行水位监测是另一种不太发达的湿地监测技术 [ 37 , 68 , 69 ] 。最后，由于湿地对甲烷排放和碳循环的贡献很大，使用 SAR 数据进行湿地生物量估算也变得越来越重要[ 70，71，72，73，74 ]。
尽管 SAR 在湿地监测中的应用越来越多，但不同湿地类别的后向散射相似性带来了挑战，而且目前尚无对 SAR 使用趋势进行量化的综合评估。已有几篇与 SAR 相关的综述文章 [ 9，26，27，28 ]，但这些文章集中于狭隘的问题。因此，本研究旨在通过调查 172 篇文章，提供一项针对 SAR 数据在湿地监测中的应用的综合统计荟萃分析。我们旨在通过荟萃分析来展示 SAR 在湿地监测研究中的重要性，说明湿地监测研究的趋势，并探索挑战、差距和限制，以揭示处理和分析 SAR 数据的有效技术。本综述还旨在说明在遥感研究中使用 SAR 数据进行湿地监测的总体趋势，然后概述使用 SAR 进行湿地监测的未来趋势。
方法论
本综述的文献资源是通过对两个著名的科学数据库“Web of Science”和“Google Scholar”进行系统文献检索获得的。我们遵循系统评价和荟萃分析的首选报告项目（PRISMA）来选择和记录已发表的同行评议文章[ 75 ]。搜索涵盖了七种主要的遥感期刊：《遥感》MDPI、《环境遥感》、《国际摄影测量和遥感学会（ISPRS）摄影测量和遥感杂志》、《电气电子工程师协会（IEEE）地球科学和遥感学报》、《国际遥感杂志》、《加拿大遥感杂志》和《应用遥感杂志》。搜索重点关注 1991 年至 2019 年期间发表的文章，搜索关键词与使用 SAR 数据进行湿地监测有关。图 1展示了使用 SAR 数据进行湿地监测研究所使用的术语标签云；文本大小表示术语的使用频率。还包括与湿地 SAR 监测相关的关键词及其同义词（图 2）。设计了一个搜索查询，该查询将涵盖使用 SAR 数据进行湿地研究的所有带有基本关键词的文章。此搜索查询涉及三个不同的关键词类别：湿地类型、SAR 传感器和应用（图 2）。为了获得相关文章的全面集合，在同一类别的关键词中设置了“或”，在不同类别之间设置了“和”。根据文章的主题对湿地类型和 SAR 传感器进行搜索。根据文章的标题对涵盖不同应用的关键词进行搜索。图 3描绘了基于 PRISMA 流程图选择相关应用的过程。初始查询产生了 338 篇文章。在对每项研究的参数进行分类后，我们筛选了提名的文章并采用排除查询来消除将 SAR 数据与其他可用遥感数据集（例如光学）相结合的论文。我们省略了使用 SAR 和光学数据集成的研究，以便将本研究重点放在仅研究 SAR 传感器的能力上。这导致了 172 篇包含使用 SAR 数据进行湿地监测的相关研究的出版物被选中进行荟萃分析。
结果
入射角和空间分辨率是湿地研究必不可少的 SAR 规格。根据 Wohlfart 等人 (2018) 的研究，在本研究中，我们将入射角分为三个不同的范围：陡峭（<28°）、中等（28-38°）和浅（>38°）[ 17 ]。如图 7所示，中等入射角是湿地监测中最常用的（65 项研究），但使用浅（56 项研究）和陡（51 项研究）入射角的研究数量仅略少。图 7还说明了三个空间分辨率组中的研究数量：高（<4 米）、中（4-30 米）和低（>30 米）。如图 7所示，使用中等（71 项研究）或低（69 项）分辨率数据的研究数量最多，而使用高空间分辨率数据的研究报告最少（30 项研究）。
图 11定量说明了从 SAR 数据中提取的不同信息，即后向散射强度[ 101 ]、干涉相位（InSAR）和 PolSAR 信息。强度（以 dB 为单位）是从 SAR 数据中直接获取的最常见测量值。共有 94 项研究（55%）使用强度进行分析。使用强度的应用之一是使用传统灰度阈值进行土地覆盖类型识别[ 102 ]。先进的极化 SAR 传感器的出现也导致人们对使用极化数据进行湿地测绘的兴趣日益浓厚[ 103 ]。在所有筛选的研究中，有 49 篇文章使用单极化，其中 31 篇为水平发射和水平接收（HH）极化，18 篇为垂直发射和垂直接收（VV）极化。共有 42 篇和 73 篇文章分别使用了双极化或四极化。通过将我们的关注点缩小到 52 项使用极化信息的研究（30%），我们的分析表明这些研究要么使用四极化（34 项研究），要么使用双极化（18 项研究）。26 项 InSAR 研究将这些数据应用于湿地水位监测。值得注意的是，只有 3 项研究使用了紧凑极化配置。
我们将 SAR 湿地制图应用分为六类（图 12）。大多数研究用于湿地制图（84 项研究）、水位监测（27 项研究）或变化检测（25 项研究）。湿地制图包括湿地分类和监测，其主要目标是制作湿地地图 [ 91 ]。水位监测研究大多在沿海湿地进行，InSAR 技术在这里得到广泛应用。在变化检测研究中，可以使用年度或季节性时间序列分析来监测湿地动态的时空变化。我们发现有 18 项研究使用 SAR 数据进行湿地淹没测绘（水提取），其中使用雷达后向散射阈值来提取水体 [ 104 ]。12 项研究还发现 SAR 数据可用于湿地生物量估算，这表明 SAR 信号对植被冠层生物量的敏感性。最小的重点领域是使用 SAR 数据研究湿地生态系统中的土壤湿度（六项研究）。在这些研究中，后向散射的介电特性和极化信息被用来估计水含量[ 105 ]。
讨论
SAR入射角与湿地监测
一般来说，浅入射角产生的信号相互作用较多，穿透力较弱[ 106 ]。然而，为了最大化穿透力，陡入射角是首选[ 107 ]。入射角与环境条件之间关系的复杂性被认为是后向散射机制变化的结果[ 102 ]。对于绘制水体地图，浅入射角可以更好地区分镜面后向散射与双反射和体积散射机制。然而，为了区分非淹没植被和淹没植被，陡入射角是首选[ 95 ]。这是因为陡入射角下雷达信号路径较短，地表水与树干之间的相互作用会增强。然而，浅入射角更容易受到与树冠层相互作用的影响[ 41,108 ] 。对于红树林监测，Henderson 和 Lewis（ 2008）报告称陡入射角更为合适。对于使用 InSAR 进行水位监测，陡入射角预计更适用[ 93,109 ] 。因此，根据所选的入射角，应该预期不同的表面粗糙度。在陡入射角下，表面可能显得粗糙，而在浅入射角下则显得光滑。因此，表面越光滑，在 SAR 图像中看起来就越暗。Dabboor 和 Brisco（2018）指出，入射角和信号衰减之间存在直接联系，在浅入射角下信号衰减预计会更严重 [ 102 ]。此外，根据 Hess 等人（1990）的研究，具有多个入射角的数据可以提高森林结构的辨别能力。在镜面反射体占主导地位的热带森林中，多个入射角为湿地监测提供了独特的信息 [ 35 ]。Marti-Cardona 等人（2010）研究了使用多入射角数据对使用不同入射角的 ASAR/Envisat 图像监测洪水范围的效果。他们的研究结果表明，将不同的入射角与短时间基线相结合可以提供最佳的洪水测绘 [ 28 ]。
SAR波长与湿地监测
在 L、C 和 X 波段中，波长最长的 L 波段（23.5 cm）具有最深的穿透深度，可以探测到被水淹没的树木下的水并穿透茂密的植被 [ 110，111 ]。Ott 等人（1990）指出 L 波段数据对植物水分含量和生物量更敏感 [ 112 ]。尽管绘制红树林地图具有挑战性 [ 92，113 ]，但一些研究表明 L 波段可以提高红树林测绘的精度 [ 13，56 ]。此外，L 波段能够改善植被生物量估算的饱和点 [ 114 ]。饱和会导致 SAR 图像出现不同程度的失真。值得注意的是，由于 L 波段穿透更深，散射相位中心更稳定，从而获得更好的相干性 [ 109 ]。在佛罗里达州南部进行的研究中，L 波段数据被用于监测水位变化。尽管数据集的时间分辨率较低，但对水位的监测持续了 4 年，精度为厘米级 [ 93 ]。此外，虽然 C 波段的波长较短（5.66 厘米）且穿透力较弱，但许多研究表明，在植被被淹的情况下后向散射会增加 [ 41，111，115 ] ，但已证明 C 波段 RADARSAT-2 数据对植物结构参数高度敏感 [ 38，39，49，91，108，116，117，118 ] 。特别是在草本植被密度较低的湿地，垂直极化 C 波段数据实现了良好的分类精度 [119]。值得注意的是，虽然 C 波段对于监测水位的连贯性较差，但它受电离层效应和大气伪影的影响较小 [ 37 ]。Brisco 等人（2015 年）指出，对于空间分辨率高、入射角小的图像，C 波段干涉相干性保存得更好 [ 39 ]。X 波段有一些局限性，限制了它的应用。具体来说，在盐沼或被水淹没的植被中，X 波段图像并不总是能到达水面 [ 120 ]。这是因为 X 波段通常与植被冠层的最高部分相互作用，而该部分受风的影响更大，导致干涉图的相干性较差。
不同 SAR 频段的融合有望提高土地覆盖分类的精度[ 91 ]。根据图 10， L 波段和 C 波段的组合研究数量最多[ 33 , 95 , 121 ]。Plank 等人（2017 年）融合了 C 波段和 L 波段数据来绘制被淹没的植被图[ 95 ]。根据他们的研究，C 波段更适合绘制开阔水域图，而 L 波段则提供了有关被淹没植被的更详细信息。在另一项研究中，Kim 等人（2009 年）融合了 C 波段和 L 波段数据来检索美国路易斯安那州的绝对水位。他们将 InSAR 与 Envisat 高度计数据相结合，并通过现场测量观测验证了结果[ 37 ]。Mohammadimanesh 等人（2018 年）还结合 L、C 和 X 波段对加拿大纽芬兰的 SAR 强度和相干性变化进行统计分析。他们表明，时间基线是维持相干性的最重要因素。此外，在时间基线较小的干涉对中，X 波段数据的相干性高于 C 波段数据 [ 122 ]。
SAR极化与湿地监测
与 VV 极化影像相比，HH 极化影像受湿地垂直结构衰减较小。由于 HH 极化对双反射散射敏感，因此它更适用于森林湿地。Brisco 等人（2009）发现 HH 极化通常会在高地和开阔水域之间产生最高的对比度 [ 116 ]。VV 极化的缺点之一是它可能无法到达植被覆盖下的水面，因为它是垂直方向的 [ 123 , 124 ]。根据 Zhang 等人（2016）的研究，VV 极化通过毛细波的相互作用突出了水面粗糙度效应，这使其不太适合湿地研究 [ 119 ] 。然而，如果没有全极化 SAR 图像，就无法实现 SAR 图像的全部分析能力 [ 28、45、50、95、125、126 ]。全极化SAR数据保持相位并能够检测不同的后向散射机制。全极化SAR图像的分解将后向散射信号分为不同的后向散射机制。极化分解的主要目的是为每个成分分配一种物理散射机制。一般来说，分解有两种类型：相干分解和非相干分解。前者基于散射矩阵的相干分解。由于这种分解易受高斑点噪声的影响，因此在湿地中很少应用。非相干分解更适用于分布式目标，如湿地中的植被。文献中报道了几种非相干分解，其中最常用的是freeman– Durden [ 127 ]、Claude-Pottier[ 51 ]、Yamaguchi[ 50 ]和Touzi[ 128,129 ]的分解。在这些分解中，SAR 数据分为三类：与水或裸露表面相对应的表面或布拉格散射；与树干和相邻水相对应的双重反射；以及与湿地中的沼泽等茂密植被相对应的体积散射 [ 122 ]。在 Mahdianpari 等人 (2017) 的研究中，Cloude–Pottier、Freeman–Durden 和 Yamaguchi 分解被应用于 RADARSAT-2 数据。从这些分解中提取的特征被导入到三级基于对象的随机森林分类器中。他们的结果表明，极化特征可以显著提高分类的整体准确性 [ 96 ]。
SAR与湿地监测应用
大多数湿地研究使用 SAR 对湿地进行分类和绘图[ 130 ]。分类算法通常分为两类：无监督算法和监督算法。ISODATA 和 K 均值[ 131 ]是无监督分类方法的例子，而最大似然分类[ 44 , 110 ]、支持向量机[ 132 ]和基于对象的随机森林[ 45、52、96、122、133、134、135 ]是监督技术。无监督分类技术主要用于使用光学图像对土地覆盖类型进行分类[ 131、136、137 ] 。在湿地研究中，由于不同湿地类别之间具有高度相似性，因此监督分类技术是首选。机器学习技术的可用性使得分析大量地球观测数据成为可能[ 138、139 ]。机器学习分类器的优点之一是输入数据不限于正态分布[ 140 ]。SVM 确实使用了大量参数，而这些参数的适当选择使得 SVM 的实现更具挑战性[ 140 ]。另一方面，RF 需要设置的参数较少，这使其更加实用。RF 的另一个优点是它对噪声不敏感[ 96,133 ]。深度学习技术，如卷积神经网络（CNN）是监督分类技术的另一个例子。这种技术具有多功能性和适应性的优势；深度学习分类器可以使用直接从图像中获取的光谱和空间信息作为训练[ 141,142 ]。此外，由于湿地流失趋势日益加剧，采用不同的技术来检测和解释湿地动态生态系统的变化至关重要[ 143、144、145、146 ]。湿地的变化会改变 SAR 信号照射的表面，从而改变图像强度或后向散射机制。基于强度的变化检测技术的最终结果是通过对现象前后图像像素进行差分来计算的 [ 147]。如前所述，后向散射机制的变化可以被视为表面类型变化的指标。例如，当湿土变成开放水体时，后向散射机制从表面散射变为镜面散射[ 30 ]。如果湿地表面更复杂，极化特征可以作为基于对象的分类的输入[ 8,111 ] 。
水文动态是指与水位、土壤湿度和地上生物量有关的所有变化 [ 148 ]。Lang 等人（2008）使用 C 波段单极化调查了大西洋中部洪泛区的淹没和土壤湿度监测水平。他们得出结论，VV 极化数据更适合在落叶季节使用，而 HH 更适合森林水文应用 [ 41 ]。Rebelo 等人（2010）使用 L 波段 SAR 数据研究了非洲内陆湿地的生态水文学。他们使用主成分分析和决策树分类器来监测水文动态的时间变化。他们的研究结果为使用高时间分辨率 L 波段 SAR 数据监测湿地动态水文提供了一些见解 [ 27 ]。值得注意的是，尽管湿地 InSAR 技术不仅限于水位监测，但这些技术在湿地研究中主要用于此目的 [ 149，150 ] 。InSAR 能够测量厘米级的水位变化 [ 69 , 109 , 151 , 152 ]。Hong 等（2010）利用 L 波段 SAR 数据监测亚马逊河流域的水位 [ 68 ]。根据该研究，由于水体的不相干性，无法使用干涉技术检索相位相干性。然而，由于双重反射散射，被淹没的灌木丛和植被中的相位相干性相对较高 [ 153 ]。影响水位监测精度的因素之一是波长 [ 37 ]。使用 L 波段 SAR 数据，可以达到 3–5 厘米的精度 [ 93 , 151 ]；然而，C 波段 SAR 数据的精度约为 6–7 厘米。尽管 InSAR 技术已被证明可用于水位监测，但需要独立的辅助数据源来验证 InSAR 结果 [ 151 ]。RADAR 测高数据是地基水位计的良好辅助数据替代品 [ 151 , 154 , 155 ]。然而，测高数据并不总是与 InSAR 观测同步 [ 156 ]。
生物量估算可以作为甲烷排放、生物多样性和碳储量的极好指标[ 157,158 ]。Liao 等人（2013）利用神经网络技术估算了鄱阳湖的生物量。他们测试了辐射传输和密歇根微波冠层散射模型估算生物量的能力[ 73 ] 。在另一项研究中，使用回归模型和遗传算法估算了红树林生物量[ 71 ]。Le 等人（2007）发现 RADARSAT-2 的侧视几何形状和高空间分辨率可以更准确地估算红树林生物量[ 71 ]。在另一项研究中，Lee 等人（2015）应用极化和干涉 (PolInSAR) 技术的组合，使用 TanDEM-X 数据估算红树林冠层高度[ 72 ]。他们研究中的反演结果与机载 LiDAR 测量结果进行了验证。为了研究稀疏植被结构和冠层组成，人们开发了不同形式的辐射传输模型[ 159 ]。这些模型最初旨在分析树冠组成对 SAR 后向散射的敏感性，并研究后向散射的时间变化性。在 Dobson 等人（1995 年）的研究中，他们引入了森林后向散射系数的变化作为冠层结构特性的函数[ 160 ]。Townsend 等人（2002 年）使用 ERS-1、JERS 和 RADARSAT 来估算湿地的生物物理特性。他们证明，由于底层面变化较小，因此可以更准确地估计洪水地区的森林结构[ 121 ]。
土壤湿度估算是 SAR 图像在监测湿地中的另一种应用 [ 161 ]。由于 SAR 信号对目标的介电特性很敏感，因此可以使用 SAR 数据检索目标的水分含量。湿地综合体中土壤湿度估算有三种常见的反演技术：经验模型、半经验模型和基于物理的模型 [ 125 , 161 ]。Millard 等人（2018 年）建立了一个经验模型来估算泥炭地的土壤湿度 [ 125 ]。他们使用了 C 波段 SAR 图像以及 LiDAR 得出的植被密度。LiDAR 植被密度解释了 SAR 数据的高度方差。根据 Baghdadi 等人（2010 年、2012 年）的研究，X 波段数据比 C 波段数据更能检索裸露植被区域的土壤湿度 [ 162 , 163 ]。Dabrowska-Zielinska 等人（2016 年）利用 Sentinel-1 数据的 VH 极化，开发了不同植被类型下土壤湿度评估模型 [ 164 ] 。值得注意的是，SAR 传感器还在不同的研究中展示了地表淹没测绘的潜力[ 34、165、166、167、168 ]。
SAR 传感器和湿地监测
图 10表明 TerraSAR-X 可被视为湿地监测的有用工具 [ 44 , 69 , 106 ]。TerraSAR-X 的临界值来自于这种传感器对土壤湿度和地表粗糙度高度敏感的事实。特别是，它更适用于监测稀疏的沼泽和裸露的植被 [ 120 ]。来自该传感器的四极化数据最近才发布，因此在以前的研究中还没有机会看到这方面的报道。此外，来自哥白尼任务 (欧洲空间局 2014) 的 C 波段 Sentinel-1 数据的高时间 (5 天重访周期) 和空间分辨率 (10 米) 使其适合于湿地的频繁监测 [ 24 , 95 , 133 , 164 , 169 , 170 , 171 , 172 , 173 , 174 ]。DeLancey 等人。(2018) 使用多时相 Sentinel-1 进行地表淹没测绘，发现 Sentinel-1 是追踪艾伯塔省水体范围波动的理想传感器 [ 170 ]。此外，新的紧凑极化发射圆极化波并在线性水平和垂直平面上接收。加拿大 RADARSAT 星座任务 (RCM) 配备了这种配置 [ 46 ]。与 RADARSAT-2 相比，紧凑极化 RCM 数据覆盖范围更广，从而减少了重访时间（4 天）[ 175 ]。RADARSAT-2 和 RCM 都提供多种光束模式，这使它们适用于湿地监测 [ 45 ]。在 Mahdianpari 等人 (2017) 实施的研究中，对 RADARSAT-2 和模拟 RCM 的不同极化模式进行了比较，以评估它们的湿地分类能力。他们的结果表明，全极化 SAR 数据的分类精度比双极化和紧凑极化测量更好[ 45 ]。
最近，美国国家航空航天局 (NASA) 和印度空间研究组织 (ISRO) 建立了合作伙伴关系，共同研发了名为 NISAR 的多频 SAR 卫星 [ 176，177，178，179，180 ] 。NISAR 同时在L波段（NASA）和 S 波段（ISRO）运行，有望提供生物量估算信息。L波段传感器具有低时间去相关和树叶穿透能力，是湿地茂密植被监测的理想工具，而 S 波段则适用于稀疏植被监测，如年轻盐沼。该卫星的重访时间为 12 天；然而，通过考虑上升和下降轨道，重访时间缩短至 6 天。
结论
仔细审查过去三十年发表的 172 篇索引研究论文，发现使用 SAR 技术进行湿地制图呈上升趋势。这项荟萃分析汇集了湿地制图方面的最新研究，以对 SAR 湿地监测的最新趋势进行统计分析。SAR 传感器的独特能力和可用性，加上信号处理等先进技术的利用，推动了湿地监测的发展。根据我们的发现，美国、加拿大和中国是使用 SAR 数据进行湿地监测研究最多的国家。在波长方面，大多数研究都使用了 C 波段 SAR 图像。在多频研究中，L 波段和 C 波段的组合应用最频繁，但三个波段的融合可以提供最高的精度。从湿地应用的角度来看，大多数研究都集中在使用 SAR 图像进行湿地制图。这可能是因为 SAR 具有区分不同湿地类型的良好能力。
在当今免费和开放 SAR 图像的时代，湿地研究的数量一直在增加。我们的研究结果表明，2012 年至 2013 年间研究数量大幅增加，这既与 SAR 数据集的可用性相对应，也与对湿地评估的高需求相对应。此外，未来 SAR 图像（例如多频 NISAR 和 RCM 数据）的可用性将进一步增加使用 SAR 图像的湿地研究数量。最近，应用多时间、多频率和多入射角 SAR 图像的趋势表明，与单通道配置相比，分类的整体准确性更高。
在不久的将来，使用云计算平台（如 Google Earth Engine、NASA Earth Exchange 和亚马逊的 Web 服务）监测更大规模湿地的趋势预计将日益增加。这些云计算平台将有助于分析和处理国家和地区范围内的大量地球观测数据。机器学习和深度学习技术已经在湿地监测研究中扎根，鉴于它们能够分析多样化和高维 SAR 图像，它们可能会在不久的将来继续更多地出现。
