玻尔百科标准雷达的工作方式很像简单的回声，通过测量反射无线电波的时间来确定物体的距离和存在。虽然这种方法很有用，但它对我们复杂世界的描绘有限。如果回声能携带更多信息，不仅揭示物体在那里，还能揭示它的样貌——它的形状、纹理和方向，那会怎样？这正是雷达极化测量技术的基本前景，它是一种超越简单探测、实现详细表征的复杂技术。通过控制和分析雷达波的极化，我们解锁了一种更丰富、更具描述性的语言来解译地球表面和大气。
本文对这项强大的技术进行了全面概述。第一部分“原理与机制”将阐述雷达极化测量背后的基本物理学和数学。我们将探讨作为极化测量基石的散射矩阵，并学习分解方法如何将抽象数据转化为可理解的物理属性，如表面散射、二次散射和体散射。第二部分“应用与跨学科联系”将展示这些原理的深远影响。我们将遍览各种应用，从称量森林、测绘土壤湿度到分类海冰和提高天气预报模型的准确性，展示雷达极化测量如何为理解我们的星球提供一种全新的视野。
想象一下，你站在一个平静的池塘边大喊。你听到的回声是你声音的简单反射。但如果你能以一种特殊的方式喊叫，比如说，用一种只上下振动的声波，并且你能听到不仅上下振动，而且还左右振动的回声呢？这种扭曲回声的性质会比简单的声音回声告诉你更多关于它所反弹的物体的深刻信息。它可以揭示它们的形状、纹理和方向。这就是雷达极化测量背后的核心思想。我们不只是发出一个无线电波脉冲；我们发出一个极化脉冲，并仔细分析回波的极化。
要说这种新语言，我们首先需要一个词汇表。雷达波的极化“字母表”通常由其电场振荡的方向来定义。我们可以将其简化为两种基本状态：水平 () 极化，即电波平行于局部表面振荡；以及垂直 () 极化，即电波垂直于局部表面振荡。想象一下摇动一根长绳：你可以左右摇动它 () 或上下摇动它 ()。
当一个特定极化的雷达波击中一个物体——一棵树、一栋建筑、一片土壤——它会发生散射。散射波，即回波，现在有了自己的极化，可能与入射波相同，也可能被扭曲成不同的样子。为了完全捕捉这种变换，物理学家使用了一个非常紧凑而强大的工具：散射矩阵，用符号 表示。
这个矩阵是雷达极化测量的罗塞塔石碑。它是一个简单的 数字网格，告诉我们关于目标如何与雷达极化相互作用的一切：
每个元素，如 ，都是一个复数，包含两条信息：一个振幅（回波的强度）和一个相位（波振荡的延迟）。下标中的两个小字母告诉我们这个数字的含义，其惯例有点像读货运标签：第一个字母是“接收”极化，第二个是“发射”极化。
前两个， 和 ，被称为同极化通道。它们就像一个简单的回声，以你发送时相同的方向返回。另外两个， 和 ，是交叉极化通道。这才是神奇之处。一个非零的交叉极化项意味着目标扭曲了，或称退偏振了，电波。一个完美光滑的球体或平坦的水面不会这样做；它们几乎不产生交叉极化返回。但一个复杂的物体，比如一棵树，其树枝和树叶呈各种角度，就是一个强大的退偏振体。
自然界在这里有一个美丽的内置对称性。对于我们用单个既发射又接收的雷达天线（“单站”雷达）观测的几乎任何目标，来自基本电磁学的洛伦兹互易定理告诉我们，扭曲效应是对称的：。 到 的转换量与 到 的转换量相同。这个优雅的原理简化了我们的工作，减少了我们需要进行的独立测量的数量。
矩阵中的复数是对散射的纯粹、基本的描述。但我们如何从这些抽象数字得到我们在雷达图像中看到的明暗像素呢？雷达图像中的亮度是回波功率的度量，科学家称之为归一化雷达截面，或 (sigma-nought)。它本质上是从一平方米地面散射回来的平均回波功率。
散射矩阵和亮度之间的联系是简单而直接的：功率与复振幅的模的平方成正比。对于像森林或田地这样的分布式目标，我们必须对一个分辨率单元内的许多微小散射体进行平均。该关系由下式给出：
这里， 是分辨率单元的面积，尖括号 表示这个至关重要的统计平均。这个方程是从复散射振幅的底层物理学到我们四个通道中可观测功率的桥梁：、、 和 。当你看到一幅生动、多彩的极化雷达图像时，你看到的就是这些不同散射功率项的地图。
森林上空的单个雷达像素可能包含来自地面、树干和叶冠的回波。测得的散射矩阵 是所有这些效应的混合体。我们怎么可能解开它们呢？
秘诀在于认识到不同类型的散射具有不同的极化“指纹”。我们可以想象一些基本的、典型的散射机制，就像散射的原色一样：
为了分离这些机制，科学家们使用一种巧妙的数学技术，称为 Pauli 分解。我们不直接使用原始的 项，而是看它们的特定组合。这就像戴上一系列特殊的眼镜，每副眼镜都设计成只让一种类型的散射突出。这种分解基于创建一个“散射向量” ：
该向量每个分量的功率与我们的典型机制完美对应：
通过将总散射功率分解到这三个通道中，我们可以开始看到像素内的物理结构。森林上空二次散射通道中的高功率可能表明有直立的树干，而高体散射则可能与叶冠的密度有关。
每个通道的功率只是故事的一半。散射矩阵中的复数还包含相位信息——波振荡时间的微小变化——而这些相位包含着丰富的信息。
其中一个最优雅的例子是同极化相关系数 。这个值衡量 和 返回的相似程度，不仅在幅度上，还在相位上。
星号表示复共轭，这是一种比较相位的数学技巧。结果是惊人的。对于理想的单次反射表面， 和 是同相的， 接近 。对于来自二面[角反射器](@entry_id:754193)的理想二次反射，它们完全反相， 接近 。一个单一数字的符号告诉我们散射的几何性质！接近零的值表明这两个通道不相关，这是随机体散射的标志。
我们可以将随机性的概念更进一步。通过观察散射矩阵的统计特性（具体来说，是一个称为相干矩阵 的派生矩阵的特征值），我们可以计算出一个单一的数字来描述散射过程的整体“无序度”：极化熵 。
这些工具——分解、相关性和熵——共同构成了一个强大的解译工具包，使科学家能够超越简单的图像，诊断地球表面发生的复杂物理过程。
到目前为止，我们一直生活在一个物理学家理想化的世界里。然而，现实世界的雷达系统并非完美。一个设计用来发射纯水平极化波的天线可能会泄漏一点点垂直极化波，反之亦然。这种仪器上的不完美被称为串扰，并由一个称为交叉极化隔离度的参数来量化。
想象一下，我们将不完美的雷达对准一个完全平静的湖面。正如我们所学到的，这样的表面应该不产生交叉极化返回 ()。然而，来自水面的非常强的同极化 () 回波可能会泄漏到系统的交叉极化 () 接收通道中。结果是什么？我们测量到一个虚假的交叉极化信号，这个信号根本不是来自目标！这个噪声基底的水平与同极化信号强度和系统的隔离度直接相关。对于一个交叉极化隔离度为 的系统，一个真实的 的同极化信号会产生一个大约为 的虚假交叉极化信号。
那么，我们如何才能相信我们的测量结果呢？答案是细致的定标。在任务前后，雷达工程师会测量来自具有完美已知散射特性的特殊目标的响应。
通过测量这些和其他目标，科学家可以创建一个描述其仪器所有不完美之处的失真矩阵。然后他们可以数学上反转这个矩阵，校正他们的原始数据，以消除仪器效应，揭示地球表面的真实散射矩阵。这证明了科学的创造力，通过理解散射的物理学和我们工具的不完美，我们可以剥开复杂性的层层面纱，揭示我们世界的一个清晰而定量的图景。
在了解了极化光如何与物质相互作用的原理之后，我们可能感觉自己像是被赋予了一双新的眼睛。过去我们只能看到一个简单的雷达回波——一个告诉我们“那里有东西”的单一数字——现在我们拥有了一幅信息丰富、纹理复杂的织锦。散射矩阵不仅仅是四个复数的集合；它是解锁雷达波束所触及世界物理性质的钥匙。它告诉我们关于形状、方向、组成甚至随机性的信息。现在，让我们戴上这副新眼镜看看世界。我们能看到什么？事实证明，答案几乎是所有东西，从我们脚下的土壤到高空肆虐的风暴。
我们用新视野意识到的第一件事是，雷达图像中的一个点，一个像素，很少只是一个“东西”。从一片森林返回的回声是一个复杂的信号合唱：来自地面的低语，来自树干的呼喊，以及来自树叶和树枝的弥漫嗡嗡声。为了理解这一点，我们的首要任务必须是学会如何分解这些信号。科学家们已经开发出巧妙的方法来做到这一点，即使用被称为极化分解的方法。
一种直观的方法是，想象任何散射特征都可以被描述为几种基本“风味”的混合。想象一下来自完美光滑表面（如湖面）的反射；它像镜子一样，保留了光的极化。我们称之为表面散射。现在想象一个城市街区；雷达信号从建筑物的垂直墙壁反弹到平坦的街道，然后再返回到雷达。这种“角反射器”效应被称为二次散射。最后，想象信号进入森林冠层或一团随机朝向的雨滴；光线向四面八方散射，失去了其原始极化。这便是体散射。像 Freeman-Durden 方法这样的分解技术，实际上是观察一个像素的极化特征，并提出问题：这其中有多少看起来像镜子，有多少像角反射器，又有多少像弥漫的云？通过将总功率划分为这三种典型机制，我们便可以开始推断场景的物理结构。
另一种或许更抽象但同样强大的方法是，对散射过程提出统计学问题。Cloude-Pottier 分解不预设风味，而是分析相干矩阵的特征值。这使我们能够量化散射的“随机性”。一个新的参数应运而生，即极化熵 ()。如果熵接近于零，意味着一种散射机制完全占主导地位——回波是纯净且确定性的。如果熵很高，意味着许多不同的散射过程在同等地贡献，产生一个随机的、去极化的回波。然后，我们可以将其与另一个参数——平均 alpha 角 ()——配对，后者告诉我们平均散射机制的性质，范围从表面散射 () 到二次散射 ()，体散射介于两者之间 ()。通过在 - 平面上绘制像素点，整个景观便解析为有意义的类别：低熵、低 alpha 角的点是平静的水面；高熵、中等 alpha 角的点是茂密的森林；而低熵、高 alpha 角的点则揭示了湿地中被水淹没的植被。我们创造了一种通用语言来描述任何散射介质的物理本质。
有了这些工具，我们就可以成为环境侦探。考虑一下在广阔的农业景观中测绘土壤属性的挑战。土壤是湿润还是干燥？是光滑还是粗糙？这些对于农业、水文学和预测山体滑坡都是至关重要的问题。极化测量为我们提供了答案。土壤湿度的增加会显著提高土壤的介电常数。这反过来又改变了菲涅尔反射系数，通常使垂直极化波的反射 () 强于水平极化波 ()。与此同时，增加的表面粗糙度会扰乱极化，增加交叉极化返回 ()，并推高熵 ()，同时降低同极化通道之间的相关性 ()。因此，一个湿润、光滑的田地将具有与干燥、粗糙的田地完全不同的“极化指纹”（低 ，高 ，且同极化比 ），后者则表现为（高 ，低 ，且同极化比接近 1）。通过分析这一套特征，我们可以创建详细的土壤湿度和质地地图，这是简单的单极化雷达无法完成的壮举。
现在，让我们将目光转向世界的森林。这些广阔的生态系统是我们星球的肺，量化其生物量对于理解全球碳循环和气候变化至关重要。但是，你如何从太空中称量一片森林呢？雷达极化测量提供了一个卓越的工具。在较长的波长下，如 L 波段（约 24 厘米），雷达波可以穿透叶冠，并与更坚实的木质部分——树枝和树干——相互作用。这种相互作用主要是体散射，正如我们所学，它是一种强大的去极化器。因此，交叉极化信号的强度 可作为冠层体积中“物质”数量的直接代表。
这一见解使我们能够构建定量模型，从后向散射功率估算地上生物量 ()。这类模型的一个常见形式是简单的幂律，，其中 。这不仅仅是盲目的统计拟合；它植根于物理学。该关系必须是凹的 ()，以反映饱和的物理现实：随着森林变得越来越茂密，雷达信号被越来越多地衰减，无法再穿透到下层。在顶部增加更多的生物量对信号的贡献越来越少。通过利用地面实地测量校准这些模型，我们可以生成覆盖整个大陆的森林生物量地图，为地球的碳储量提供前所未有的视角。
极化测量的能力不仅限于测量某物的“多少”；它对结构和几何形状也极其敏感。想象一下，看着一片整齐排列着农作物的田地。如果我们将植物的茎秆建模为微小的、倾斜的偶极子，都与行向对齐，我们就可以预测一个美丽而引人注目的效应。交叉极化返回不是恒定的，而是取决于雷达相对于行向的观测方向。当雷达的极化轴与行向对齐或垂直时，信号最弱；当以 45 度角观测时，信号最强。这种依赖关系遵循一个简单而优雅的模式：，其中 是雷达的方位角， 是作物行向。只需测量当卫星或飞机飞过时后向散射如何变化，我们就能绘制出整个景观中作物行向的分布图。这是一个惊人的例证，展示了散射矩阵的抽象数学如何直接与世界可感知的几何组织联系起来。
这种对结构的敏感性在地球两极的严酷环境中同样至关重要。海冰不是一整块的板；它是一个由不同类型组成的动态马赛克。一年冰 (FYI) 年轻、薄，通常表面含盐且光滑。多年冰 (MYI) 至少经历了一个夏季的融化，这个过程冲走了盐水，使其表面变得粗糙，并产生了内部气泡。这些结构上的差异产生了独特的极化特征。FYI 的光滑含盐表面通常导致更类似于表面散射的特性（较低的熵），而 MYI 的气泡和复杂结构则产生显著的体散射（较高的熵）。通过结合多个极化特征——如熵、alpha 角和同极化比——我们可以训练统计分类器来区分这些冰类型。此外，使用贝叶斯框架，我们不仅能分配一个标签，还能计算出我们分类的后验概率。我们不仅能说“这是 MYI”，还能说“这是 MYI 的概率为 95%”，从而提供了一个至关重要的置信度度量，这对于安全航行和依赖准确冰类型图的气候模型至关重要。
也许雷达极化测量最深远的应用不仅仅在于绘制世界现状，而在于帮助我们预测其未来。这就把我们带到了数值天气预报 (NWP) 领域，这是现代气象学的计算核心。
天气模型需要知道云中正在形成什么样的降水。是轻盈蓬松的雪？还是密集快速下落的霰？是雨和冰雹的混合物吗？这种差异至关重要，但只测量反射率 () 的标准天气雷达往往对此视而不见。一个给定的反射率值可能由少量大的、密集的霰粒子产生，也可能由大量小的、蓬松的雪花产生。将模型的微物理状态（例如，雪 和霰 的混合比）映射到观测到的反射率的这种模糊性，是预报误差的一个主要来源。
这正是极化测量提供突破的地方。不同水凝物独特的形状、密度和方向在极化雷达信号上留下了不可磨灭的印记。雨滴是扁球体，产生强烈的差分反射率 ()。翻滚的不规则冰粒子（如霰）会降低水平和垂直通道之间的相关性 ()。蓬松的雪晶聚集体通常在所有通道中都产生微弱的信号。通过使用一个由这些极化变量输入的水凝物分类算法，我们可以为 NWP 模型提供关于风暴中存在的粒子类型的直接观测证据。
这种整合可以达到一个更复杂、更优美的层次。我们不再提供单一的“最佳猜测”分类，而是可以为模型提供一组后验概率：对于给定的雷达像素，有 的概率是雨，有 的概率是雪，依此类推。那么，模型如何使用这些信息呢？通过一个极其优雅的概率论应用。从模型状态预测雷达反射率的前向算子 不再是单一的函数，而是一个概率混合体：
其中 是假设水凝物为类型 时计算反射率的算子。模型的期望是所有可能性的概率加权平均。
但真正的天才在于我们如何处理误差。总观测误差方差（，误差协方差矩阵 的一个对角元素）不是一个固定的数字。利用全方差定律，我们可以将其表示为两项之和：平均的“类内”误差（给定水凝物类型的预期模型误差）和“类间”误差。第二项是由分类不确定性本身引起的方差——如果分类器非常确定（某个类别的 ），则该项很小。如果不确定（有几个 很显著），该项就会变大。
这以数学上严谨的方式告诉数据同化系统，到底应该在多大程度上信任雷达观测。在极化数据产生可信分类的地方，观测被赋予高权重。在数据模糊的地方，观测被温和地降低权重。极化的“眼睛”不仅在观察风暴，它们还在教预报模型如何去看。
我们的旅程从一个 矩阵的抽象定义，走到了称量森林和预报暴雪的具体挑战。连接这些看似不相干的应用的线索，是电磁散射的基本物理学。支配极化波如何从土壤表面反射的相同原理，也决定了它穿过充满雪的云的路径。雷达极化测量是科学统一性的有力证明，它提供了一种定量的、基于物理的语言，来描述我们世界错综复杂的纹理，并提高我们在此间生活的能力。这是一种新的视觉，而我们才刚刚开始探索它能向我们展示的一切。