在农业领域,作物的生长监测对粮食市场的安全至关重要。作物倒伏、植株含水量和生物量是作物生长过程中重要的灾害与长势信息,对这些信息进行快速、准确、大范围监测具有重要的经济意义。传统的光学遥感由于云雾等天气的影响,无法有效获取地面作物信息,不利于农作物长势的实时监测。合成孔径雷达(Synthetic Aperture Radar,SAR)本身具有强穿透性、不受天气状况影响等特点,这就使得SAR可以作为一种长时间,多元环境下的农业监测手段。鉴于上述背景,本文以玉米和小麦作为研究对象,开展星地同步试验,进行双极化SAR和全极化SAR在玉米倒伏监测、小麦植株含水量反演和小麦生物量反演方面的研究。本文完成了以下工作:同步获取试验区(北京市小汤山国家精准农业研究示范基地和石家庄市藁城区)双极化Sentinel-1A雷达数据和地面实测玉米倒伏、小麦长势数据,构建并分析相关雷达极化指数,建立区域尺度下的玉米倒伏定量监测模型和小麦植株含水量反演水云模型,并进行模型验证。本文分别采用经验模型和半经验模型定量地分析了雷达极化特征对玉米倒伏和小麦植株含水量的监测结果;同步获取试验区(内蒙古自治区上库里农场和石家庄市藁城区)全极化GF-3雷达数据、Sentinel-1A/B雷达数据和地面实测小麦长势数据,提取GF-3雷达极化分解信息,提出一种极化水云模型(APWCM),进行小麦生物量反演。对比分析GF-3雷达数据与Sentinel-1雷达数据在两个研究区基于水云模型与APWCM的小麦生物量反演结果。本文基于机理模型对雷达极化特征反演小麦生物量的结果进行了定量分析。本文得出以下结论:(1)倒伏前后玉米植株高度的最优敏感后向散射系数分别为σVH和σ0VV+VH。建模集样本点的玉米植株高度实测差值与模拟差值的R2为0.896。模型得到的定量比值结果与实测比值结果总体相关性达到0.899。其中,中度倒伏的相关性最好,严重倒伏次之,轻度倒伏最差。验证集样本点和总样本点的倒伏程度分级结果准确度均为100%。研究结果为区域尺度下的双极化Sentinel-1雷达数据定量监测玉米倒伏且有效的实现玉米倒伏程度分级监测提供参考;(2)基于双极化Sentinel-1A雷达数据和水云模型构建的小麦植株含水量反演模型建模精度为:RMSE=0.022,nRMSE=19.98%;验证精度为:RMSE=0.026,nRMSE=21.24%。研究结果为基于Sentinel-1雷达数据监测小麦植株含水量提供了方法参考;(3)基于全极化GF-3雷达数据和APWCM在两个研究区的小麦生物量反演结果为:RMSE=210.85gm-2,nRMSE=17.91%;RMSE=743.58gm-2,nRMSE=13.53%。水云模型在两个研究区的小麦生物量反演结果普遍具有更小的误差。基于GF-3雷达数据和水云模型在两个研究区的小麦生物量反演结果精度最高(RMSE=131.63gm-2,nRMSE=11.18%;RMSE=645.17gm-2,nRMSE=11.74%)。然而,APWCM作为机理模型,其对小麦生物量进行反演时不需要额外的地面辅助数据,且在植被覆盖度较大的区域具有较低的生物量反演相对误差。因此,该模型可作为小麦生物量反演的参考方法。