Abstract The main goal of this study was to assess the potential of SAR backscatter signatures (RH and RV) retrieved from hybrid-polarized RISAT-1 SAR data in providing relevant information about the wheat growth parameters (leaf area index or LAI, plant water content or PWC, plant volume or PV and wet biomass or WB) over the entire growing season. The study was carried out over the parts of Bharatpur and Mathura districts located in Rajasthan and Uttar Pradesh (India), respectively. The three-date time series hybrid-polarized dataset was collected coincident to which a comprehensive ground truth campaign was organised. We propose that refining the total backscatter (σtotal0) values after minimising the effect of underlying/background soil cover, would result in more accurate retrieval of plant parameters since it is the vegetation backscatter, which ultimately has a direct correlation with the crop biophysical parameters. It was achieved using a semi-empirical water cloud model (WCM) based approach. The applicability of four different combinations of canopy descriptors, i.e. leaf area index (LAI), plant water content (PWC), leaf water area index (LWAI) and interaction factor (IF that takes into consideration the moisture distribution per unit volume) was tested on the RH and RV backscatter. We found that WCM based on LAI and IF as the two canopy descriptors modelled the total backscatter with a significantly high coefficient of determination (R2 = 0.90 and 0.85, respectively) and RMSE of 1.18 and 1.25 dB, respectively. Subsequently, this set was used to retrieve the soil-corrected vegetation backscatter (σveg0) values. A comparative evaluation of the retrieval accuracy between plant parameters estimated from σtotal0 (σT_RHo, σT_RVo) and σveg0 (σV_RHo, σV_RVo) was performed using rigorously trained multi-layer perceptron (MLP) neural networks. The findings suggest that the prediction accuracy considerably improved when the backscatter of underlying/background soil cover was eliminated. The designed networks (with σtotal0 as input) retrieved plant water content and plant volume with the highest accuracy of 0.82 and 0.80, respectively while it increased dramatically to 0.87 and 0.89 when the inputs were substituted by σveg0. The present study is a first step towards retrieving crop parameters from hybrid-polarized data and thus possesses the potential to serve as a reference for further research initiatives.

中文翻译：

---

使用混合极化 RISAT-1 SAR 数据检索小麦作物生物物理参数

摘要 本研究的主要目标是评估从混合极化 RISAT-1 SAR 数据中提取的 SAR 反向散射特征（RH 和 RV）在提供有关小麦生长参数（叶面积指数或 LAI、植物含水量）的相关信息方面的潜力。或 PWC、植物体积或 PV 和湿生物量或 WB）在整个生长季节。该研究分别在位于拉贾斯坦邦和北方邦（印度）的巴拉特布尔和马图拉地区进行。收集三个日期时间序列混合极化数据集的同时，组织了全面的地面实况活动。我们建议在最小化下伏/背景土壤覆盖的影响后细化总反向散射 (σtotal0) 值，将导致更准确地检索植物参数，因为它是植被反向散射，这最终与作物生物物理参数直接相关。它是使用基于半经验水云模型 (WCM) 的方法实现的。测试了四种不同冠层描述符组合的适用性，即叶面积指数 (LAI)、植物含水量 (PWC)、叶面积指数 (LWAI) 和相互作用因子（IF 考虑了单位体积的水分分布）在 RH 和 RV 反向散射上。我们发现基于 LAI 和 IF 作为两个冠层描述符的 WCM 以非常高的决定系数（分别为 R2 = 0.90 和 0.85）和 RMSE 分别为 1.18 和 1.25 dB 对总反向散射进行建模。随后，该集合用于检索土壤校正植被反向散射 (σveg0) 值。使用经过严格训练的多层感知器 (MLP) 神经网络对从 σtotal0 (σT_RHo, σT_RVo) 和 σveg0 (σV_RHo, σV_RVo) 估计的植物参数之间的检索精度进行比较评估。研究结果表明，当消除下伏/背景土壤覆盖的反向散射时，预测精度大大提高。设计的网络（以 σtotal0 作为输入）分别以 0.82 和 0.80 的最高准确度检索植物含水量和植物体积，而当输入被 σveg0 代替时，它急剧增加到 0.87 和 0.89。本研究是从混合极化数据中检索作物参数的第一步，因此具有作为进一步研究计划参考的潜力。σT_RVo) 和 σveg0 (σV_RHo, σV_RVo) 是使用经过严格训练的多层感知器 (MLP) 神经网络执行的。研究结果表明，当消除下伏/背景土壤覆盖的反向散射时，预测精度大大提高。设计的网络（以 σtotal0 作为输入）分别以 0.82 和 0.80 的最高准确度检索植物含水量和植物体积，而当输入被 σveg0 代替时，它急剧增加到 0.87 和 0.89。本研究是从混合极化数据中检索作物参数的第一步，因此具有作为进一步研究计划参考的潜力。σT_RVo) 和 σveg0 (σV_RHo, σV_RVo) 是使用经过严格训练的多层感知器 (MLP) 神经网络执行的。研究结果表明，当消除下伏/背景土壤覆盖的反向散射时，预测精度大大提高。设计的网络（以 σtotal0 作为输入）分别以 0.82 和 0.80 的最高准确度检索植物含水量和植物体积，而当输入被 σveg0 代替时，它急剧增加到 0.87 和 0.89。本研究是从混合极化数据中检索作物参数的第一步，因此具有作为进一步研究计划参考的潜力。研究结果表明，当消除下伏/背景土壤覆盖的反向散射时，预测精度大大提高。设计的网络（以 σtotal0 作为输入）分别以 0.82 和 0.80 的最高准确度检索植物含水量和植物体积，而当输入被 σveg0 代替时，它急剧增加到 0.87 和 0.89。本研究是从混合极化数据中检索作物参数的第一步，因此具有作为进一步研究计划参考的潜力。研究结果表明，当消除下伏/背景土壤覆盖的反向散射时，预测精度大大提高。设计的网络（以 σtotal0 作为输入）分别以 0.82 和 0.80 的最高准确度检索植物含水量和植物体积，而当输入被 σveg0 代替时，它急剧增加到 0.87 和 0.89。本研究是从混合极化数据中检索作物参数的第一步，因此具有作为进一步研究计划参考的潜力。89 当输入被 σveg0 替代时。本研究是从混合极化数据中检索作物参数的第一步，因此具有作为进一步研究计划参考的潜力。89 当输入被 σveg0 替代时。本研究是从混合极化数据中检索作物参数的第一步，因此具有作为进一步研究计划参考的潜力。