灌溉耕地空間分布制圖研究進(jìn)展*

劉逸竹，吳文斌，李召良，周清波

(中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)部農(nóng)業(yè)遙感重點(diǎn)實(shí)驗(yàn)室，北京 100081)

·研究綜述·

灌溉耕地空間分布制圖研究進(jìn)展*

劉逸竹，吳文斌，李召良，周清波※

(中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/農(nóng)業(yè)部農(nóng)業(yè)遙感重點(diǎn)實(shí)驗(yàn)室，北京 100081)

目的灌溉耕地空間分布是管理水資源、指導(dǎo)農(nóng)業(yè)生產(chǎn)和監(jiān)控環(huán)境變化的基礎(chǔ)數(shù)據(jù)，遙感是獲取灌溉耕地空間分布的重要手段。科學(xué)總結(jié)有關(guān)區(qū)域灌溉耕地空間分布制圖的研究進(jìn)展，可為遙感在該領(lǐng)域的應(yīng)用研究提供參考。方法文章全面收集近年來國內(nèi)外利用遙感提取灌溉耕地的文獻(xiàn)資料，系統(tǒng)分析了灌溉耕地制圖的特征選擇和主要技術(shù)方法，并展望了未來的發(fā)展方向。結(jié)果從分類特征的角度看，氣候、生產(chǎn)方式和設(shè)施等農(nóng)業(yè)相關(guān)地域條件是灌溉耕地制圖的必要參考；灌溉引起的水分或植被生長狀況差異是主要依據(jù)；引入?yún)⒘康臅r(shí)序變化特征或新的特征參量是對單一影像信息不完善的有效補(bǔ)充。從分類方法的角度看，不同分類方法多局限于局地或區(qū)域尺度，規(guī)則普適性不高，真值數(shù)據(jù)收集困難，難以適應(yīng)大尺度下多樣的地域條件，導(dǎo)致無法高效及時(shí)地生產(chǎn)更新相應(yīng)規(guī)模且合適分辨率的產(chǎn)品，大區(qū)域灌溉制圖的主要方式仍依賴空間分配模型。結(jié)論未來發(fā)展而言，自動(dòng)分類技術(shù)和遙感影像資源的豐富已為高效生產(chǎn)灌溉分布地圖提供了基礎(chǔ)條件，整合數(shù)據(jù)資源、挖掘特征參量和優(yōu)化分類方法等3個(gè)方面應(yīng)是未來的主要發(fā)展方向。

灌溉耕地 制圖 特征 方法 進(jìn)展

0 引言

灌溉是人為使用自然降水以外的其他水源補(bǔ)充植被所需水分的技術(shù)措施。一方面，灌溉在改善降水量不足或分布不勻、保證作物正常生長和追求高產(chǎn)穩(wěn)產(chǎn)中發(fā)揮了重要作用[1]；另一方面，它通過改變地表和地下水的分配，通過地表能量平衡，影響大氣對流和降雨分布甚至局地氣候[2]。農(nóng)業(yè)用水消耗了世界可用淡水資源的80%以上[3]，在當(dāng)前全球淡水資源緊缺的大背景下，平衡農(nóng)業(yè)、工業(yè)、生態(tài)環(huán)境和生活用水已成為水資源管理的重要課題[4]；同時(shí)，水資源分配問題也存在于農(nóng)業(yè)產(chǎn)業(yè)體系內(nèi)部，雖然發(fā)展比雨養(yǎng)耕地多一倍產(chǎn)出的灌溉耕地是滿足人口和消費(fèi)增長帶來的糧食需求最有效的途徑之一[1]，但無疑會對水資源緊缺問題起到推波助瀾的作用。因此，科學(xué)掌握灌溉耕地空間分布及其動(dòng)態(tài)變化對于水資源管理、糧食安全和地表水氣循環(huán)研究等具有重要意義。

及時(shí)更新和廣泛覆蓋已經(jīng)成為灌溉空間分布信息的必然要求。傳統(tǒng)費(fèi)時(shí)費(fèi)力的野外調(diào)查方法顯然已不能滿足實(shí)際需要，具有覆蓋范圍廣、時(shí)效高和成本低等優(yōu)點(diǎn)的遙感觀測成為當(dāng)前區(qū)域灌溉耕地提取的主要手段。利用遙感技術(shù)的相關(guān)研究迄今已逾40年[5-7]，最早的研究多集中在美國[8-10]和印度[11-12]典型農(nóng)業(yè)主產(chǎn)區(qū)的小區(qū)域；直至Landsat 和EOS等系列衛(wèi)星的發(fā)射，利用遙感影像提取灌溉耕地有了更豐富的衛(wèi)星影像資源，相關(guān)研究在不同國家和地區(qū)迅速開展。針對灌溉耕地的遙感影像分類特征從單一發(fā)展到多源、技術(shù)方法從人工解譯到自動(dòng)分類乃至不同分類器的組合、研究尺度也從局地典型農(nóng)業(yè)區(qū)擴(kuò)展至流域[13]、平原[14]、國家[15]甚至全球，并先后研制了不同時(shí)空尺度的灌溉耕地?cái)?shù)據(jù)產(chǎn)品[16-19]。但從已經(jīng)發(fā)布的全球灌溉分布產(chǎn)品看，當(dāng)前公開的灌溉地圖產(chǎn)品以非遙感數(shù)據(jù)源融合為主[20]，總體數(shù)量有限，洲際尺度產(chǎn)品尤其美國為主。近年來，隨著遙感數(shù)據(jù)融合技術(shù)的豐富，部分學(xué)者利用遙感影像與非遙感數(shù)據(jù)進(jìn)行融合制圖，但相比作物識別、地表覆蓋等類似領(lǐng)域，所使用到的方法還十分有限。我國的灌溉耕地遙感制圖起步較晚[21]，但在技術(shù)和數(shù)據(jù)上和國外經(jīng)歷了相似的發(fā)展歷程[22-25]，數(shù)據(jù)融合的使用則僅有個(gè)例[26]。總的看，灌溉耕地空間分布制圖幾近與農(nóng)業(yè)遙感應(yīng)用的發(fā)端同步，但相比于作物識別、產(chǎn)量估測和災(zāi)害監(jiān)測等領(lǐng)域[27-28]，該領(lǐng)域相對發(fā)展緩慢。由于數(shù)據(jù)源、特征依據(jù)、分類或分配算法和地理時(shí)空尺度等因素差異，使得現(xiàn)有研究較為零散，缺乏梳理，難以科學(xué)把握灌溉耕地分布遙感制圖的總體進(jìn)展?fàn)顩r。基于此，文章收集整理近年國內(nèi)外有關(guān)灌溉耕地制圖的研究文獻(xiàn)，系統(tǒng)歸納總結(jié)，重點(diǎn)分析灌溉耕地制圖的特征選擇和分類方法，并對其未來的發(fā)展方向進(jìn)行展望，以期為從事該領(lǐng)域研究的學(xué)者提供參考。

1 灌溉耕地制圖研究總體狀況

幾十年來，全球科學(xué)家以不同來源的空間分布數(shù)據(jù)或遙感影像為基礎(chǔ)，開展了大量的灌溉耕地制圖研究，并研制出了一定數(shù)量的數(shù)據(jù)產(chǎn)品。

利用遙感影像特征提取灌溉耕地的研究始于20世紀(jì)70年代。在21世紀(jì)以前，主要通過參考物候資料對有限的遙感影像資源(Landsat或航拍影像)進(jìn)行優(yōu)選，依賴人工解譯完成提取，使得研究成果具有地域覆蓋面小、分辨率和精度較高的特點(diǎn)。20世紀(jì)90年代，基于實(shí)地調(diào)查數(shù)據(jù)的計(jì)算機(jī)分類算法被逐步引入，但研究范圍仍局限在局地尺度，以方法探索為主要目的[10-11，29]。2000年前后，多種分辨率的影像來源、更豐富的光譜特征數(shù)據(jù)和更高效的計(jì)算機(jī)分類算法使流域、盆地、平原等區(qū)域尺度的高效運(yùn)算成為可能，適宜不同研究尺度的中低空間分辨率MODIS和AVHRR，以及SPOT等數(shù)據(jù)陸續(xù)取代Landsat成為主流[30]，分類特征逐步多元，聚類、隨機(jī)森林、神經(jīng)網(wǎng)絡(luò)等計(jì)算機(jī)自動(dòng)分類方式業(yè)已取代人工解譯。但這些研究的分類規(guī)則普適性不高，大區(qū)域乃至全球灌溉耕地?cái)?shù)據(jù)產(chǎn)品仍以統(tǒng)計(jì)數(shù)據(jù)的空間分配的數(shù)據(jù)融合方法為主(表1)，所以全球數(shù)據(jù)數(shù)據(jù)產(chǎn)品大多分辨率較低且時(shí)間滯后。目前，較系統(tǒng)的有GMIA[19，31]，有1995年(GMIA 1.0)和2000年(GMIA 5.0)兩套數(shù)據(jù)產(chǎn)品，并且在兩套產(chǎn)品的生產(chǎn)間隔期間，逐步分區(qū)域的對產(chǎn)品進(jìn)行了改良，引入了數(shù)據(jù)質(zhì)量評價(jià)，但受不同地區(qū)的統(tǒng)計(jì)數(shù)據(jù)對灌溉耕地定義差異的影響，該產(chǎn)品中的灌溉耕地在不同地區(qū)的涵蓋范圍不完全一致。MIRCA[17]的優(yōu)勢在于對作物種類進(jìn)行了劃分，由于其與GMIA 5.0以2000年作為基準(zhǔn)年，因此有時(shí)會作為其他區(qū)域灌溉耕地制圖產(chǎn)品的比較對象。GIAM[32]和GMRCA[33]分別針對灌溉與雨養(yǎng)耕地，它們和GRICP[16]出現(xiàn)時(shí)，各種常規(guī)分類特征和分類方法在局地或國家尺度已有較多的研究，故在分類特征和分類方法上并無新意，但前者是以計(jì)算機(jī)自動(dòng)分類進(jìn)行全球范圍灌溉耕地提取的濫觴，而后者顯著提高了全球產(chǎn)品的分辨率。隨著多源遙感數(shù)據(jù)融合概念的提出和發(fā)展，2010年前后一些學(xué)者開始陸續(xù)嘗試?yán)枚嘣从跋襁M(jìn)行灌溉耕地制圖研究[34-37]。

2 灌溉耕地制圖的特征選擇

灌溉是人類利用土地管理農(nóng)業(yè)生產(chǎn)活動(dòng)的一種方式，灌溉耕地的空間分布格局受自然地理環(huán)境和社會經(jīng)濟(jì)條件雙重影響。實(shí)踐中，灌溉量、灌溉次數(shù)和灌溉時(shí)間根據(jù)作物需水特性、生育階段、氣候、土壤條件和灌溉條件等確定，反映了作物-氣候-社會三者之間的關(guān)系，其中作物需水、天然降水和灌溉條件等是灌溉的直接決定因素，“需要灌溉”和“能夠提供灌溉”是灌溉行為發(fā)生的充分必要條件(圖1)。對未使用光譜信息進(jìn)行制圖的方式，能夠提供可用水源分布和作物需水信息的地理特征參量、耕地和作物種植統(tǒng)計(jì)以及設(shè)施分布等是建立分配模型的主要依據(jù)。由于在不同地區(qū)灌溉設(shè)施分布和灌溉水來源差異較大，故利用遙感技術(shù)進(jìn)行灌溉耕地識別和制圖主要基于地理環(huán)境特征、植被參量及其時(shí)間特征。地理環(huán)境特征如降水、坡度和作物物候規(guī)律等分別表征了對水分的獲取和貯留條件，以及對水分的需求時(shí)間和水平，植被特征如長勢和含水量等及其時(shí)序變化表征了植被在不同水分條件下的狀態(tài)及其波動(dòng)。

表1 近20年區(qū)域灌溉耕地制圖文獻(xiàn)

圖1 灌溉發(fā)生的判斷

2.1 地理特征參量

灌溉耕地分布與地理環(huán)境密切相關(guān)，尤其在社會經(jīng)濟(jì)條件不發(fā)達(dá)的地區(qū)，灌溉耕地空間分布格局直接由降水、地形等地理環(huán)境因子決定。因此，地理環(huán)境參量往往成為灌溉耕地制圖中考慮的重要特征之一。這類特征主要是采取分層分類的策略，根據(jù)這些特征對目標(biāo)區(qū)域進(jìn)行劃分。一些自然地理特征如降水、坡度、海拔和水源分布等是耕地獲取水源能力的直接或間接反映，可以獲取灌溉耕地空間分布的部分先驗(yàn)知識。在降雨明顯不能滿足作物生長的干旱地區(qū)如伊朗[13]，沒有灌溉就沒有農(nóng)業(yè)；類似地，董婷婷[66]和高占義[67]認(rèn)為在中國年降雨量低于某一閾值的區(qū)域?yàn)橥耆喔葏^(qū)，同時(shí)前者發(fā)現(xiàn)西北地區(qū)的灌溉耕地都分布在距離河流、湖泊等水源分布較近地區(qū)[24]。Dheeravath等[47]將印度耕地按照降雨和海拔分為6個(gè)區(qū)，分別分類。在農(nóng)業(yè)規(guī)模化和生產(chǎn)水平較高的地區(qū)如新西蘭，高海拔或坡度的耕地往往不利于獲取水源或貯留水分，或分布零散難以統(tǒng)一管理，他們往往被排除在灌溉區(qū)域外[52]。同時(shí)，這些特征又可與農(nóng)業(yè)生產(chǎn)規(guī)律配合，有利于遙感數(shù)據(jù)特征的精簡優(yōu)化。Pairman等[52]結(jié)合新西蘭降雨無特定規(guī)律和牧場植被NDVI容易受到家畜啃食影響的特點(diǎn)，參考連續(xù)3年遙感影像數(shù)據(jù)以減少誤差。

作物的不同生長期對水分的需求不同，降水的量或時(shí)間與作物需求不吻合，是灌溉發(fā)生的必要條件。Kamthonkiat等[60]通過比較雨季發(fā)生時(shí)間和作物規(guī)律認(rèn)為，當(dāng)?shù)亟邓跁r(shí)間上分布集中，難以滿足當(dāng)年第二季作物需要，因此推斷當(dāng)?shù)仉p季種植區(qū)必定是需要灌溉的，這一推論也被部分學(xué)者在其他地區(qū)所驗(yàn)證[45，57]。然而，其他如印度部分地區(qū)豐富的天然降水卻可以較好滿足單季作物甚至多季作物種植需要，因此需要注意利用地理特征所得規(guī)律的普適性的問題。同時(shí)，作物需水涉及具體作物與生長期，與降水的關(guān)系難以清晰界定，因此這一先驗(yàn)知識多在降水條件較極端的地區(qū)，或根據(jù)分類目的(如春季灌溉/夏季灌溉作物、水稻田等)，對作物進(jìn)行大致歸類后再判斷[64]。

此外，可將地理特征當(dāng)作一個(gè)參量放入算法進(jìn)行計(jì)算。由于灌溉對相關(guān)設(shè)施的需求以及相對規(guī)范的管理，也可能具有地勢平坦或一定的紋理特征，但它們在灌溉耕地提取中應(yīng)用有限，僅董婷婷[24]用紋理配合其他參量提取了中國的水澆地。

2.2 植被與土壤特征參量

植被具有特定的光譜特征，灌溉引起的土壤水分和植被生長狀況差異是利用遙感進(jìn)行灌溉耕地識別的主要理論基礎(chǔ)。從灌溉行為的角度，由于其直接改變了植被和土壤的水分含量，因此植被最直接的反映是對水分敏感波段的較強(qiáng)吸收、植被水分或土壤濕度相關(guān)參數(shù)在降雨高峰期外的明顯變化。Keene和Conley[8]利用夏季灌溉作物比休耕地和收獲后耕地在紅色波段反射率低的特點(diǎn)，在美國Kansas的耕地底圖上較好地提取了灌溉耕地；Thenkabail及其合作者利用紅色-近紅外波段在特定時(shí)間點(diǎn)空間分布對不同土地覆蓋類型進(jìn)行聚類來達(dá)到目的[18]。

其次，充足的水分條件下植被的正常蒸騰作用和土壤蒸散發(fā)作用會帶走部分熱量，植被冠層和土壤表面溫度是植被水分含量或干旱脅迫程度的間接反映。Jackson和Idso[68-69]據(jù)此設(shè)計(jì)了CSWI，利用植被冠層溫度對植被水分虧缺情況進(jìn)行判斷，但CWSI對植被不完全覆蓋區(qū)植被水分情況反映能力不理想。Moran[70]針對這一缺陷，在能量平衡雙層模型的基礎(chǔ)上，以地表溫度是冠層溫度與土壤表面溫度線形加權(quán)及土壤與植被冠層之間不存在感熱交換作為假設(shè)前提，建立地表溫度和空氣溫度的差值與地表植被覆蓋率的關(guān)系，提出了WDI。CSWI和WDI被國內(nèi)一些學(xué)者[24，71]應(yīng)用于灌溉耕地提取，對比分析發(fā)現(xiàn)，WDI的識別效果要優(yōu)于CSWI。必須指出的是，水分虧缺水平的變化是灌溉和自然降水的雙重影響的結(jié)果，要避開降水高峰期才可以更好反映灌溉行為的發(fā)生。

此外，溫度變化直接表征了能量傳遞，利用能量平衡計(jì)算植被的水分需求水平和滿足程度，也可以估算灌溉面積[56]。Boken等[61]也認(rèn)為反映熱量的波段在灌溉耕地提取中提供了有效信息。

從灌溉結(jié)果的角度，水分是作物長勢最主要的決定因素，相同作物在灌溉耕地的生長狀況往往要優(yōu)于雨養(yǎng)耕地[14]，甚至與作物種類和輪作方式無關(guān)[15，72]。作為反映作物長勢最主要的參數(shù)，植被指數(shù)被廣泛應(yīng)用于灌溉耕地識別之中。有研究表明植被NDVI與水分會呈現(xiàn)較好的正相關(guān)關(guān)系[73-74]，灌溉耕地區(qū)域植被通常具有更高或出現(xiàn)較早的NDVI峰值[15]，這在半干旱或干旱地區(qū)表現(xiàn)尤為突出。據(jù)此，利用灌溉作物與雨養(yǎng)作物的物候或者長勢差異，應(yīng)用某一個(gè)或幾個(gè)時(shí)間點(diǎn)的NDVI特征參量就能夠進(jìn)行識別灌溉耕地[9，29，56]。除NDVI外，部分學(xué)者也分析了EVI、GI等植被指數(shù)對灌溉的敏感性，Giteson等[75]發(fā)現(xiàn)在植被關(guān)鍵生長期GI對灌溉更為敏感，Ozdogan和Gutman[49]與Giteson結(jié)論一致，同時(shí)他們還認(rèn)為WDRVI、EVI對灌溉的敏感性也要優(yōu)于NDVI，但這些指標(biāo)都還未實(shí)際應(yīng)用于灌溉耕地提取。

2.3 時(shí)間特征參量

耕地植被特征不僅包括特定單一時(shí)間點(diǎn)的特征，也包括整體生長周期的特征，提取效果不僅與影像獲取時(shí)間有關(guān)，還與影像的多寡密切相關(guān)[76]。在灌溉和雨養(yǎng)耕地的作物物候、生長或水分狀況存在明顯差異情況下，單一時(shí)間點(diǎn)的植被參量可以作為劃分灌溉耕地的主要特征[64]，這一方式對特征的時(shí)間選擇要求較高且規(guī)則使用范圍十分局限。隨著研究區(qū)域情況復(fù)雜性的增加，從時(shí)間尺度上擴(kuò)展特征參量成為必然。一方面，不同時(shí)期的影像逐步加入到分類計(jì)算中以建立更為復(fù)雜的分類規(guī)則；另一方面，將特征參數(shù)在作物特定或完全生長期的變化軌跡作為一個(gè)整體特征進(jìn)行聚類。Thenkabail等[59]在采用單一時(shí)間點(diǎn)上近紅外和紅色(NIR-RED)特征空間分布進(jìn)行聚類時(shí)產(chǎn)生了大量冗余類別，通過增加各類別在不同時(shí)段的NIR與RED信息，分析他們在NIR-RED特征空間內(nèi)的變化軌跡，逐步將類別進(jìn)行融合提煉，得到了對較好的灌溉耕地識別效果；Biggs等[57]將時(shí)序NDVI進(jìn)行最大值合成后利用ISOCLASS方式進(jìn)行聚類后，再進(jìn)行類別的合并；Thenkabail等[55]嘗試應(yīng)用光譜匹配技術(shù)，利用具有樣本點(diǎn)年份的樣本，建立了灌溉和雨養(yǎng)耕地的標(biāo)準(zhǔn)時(shí)序光譜數(shù)據(jù)庫，提取了無樣本數(shù)據(jù)歷史年份的灌溉耕地分布。此外，綜合多種時(shí)序-光譜特征，構(gòu)建新的特征參量也是改進(jìn)灌溉耕地有效識別的途徑之一。Kogan[77]兼顧植被生長和溫度，提出了植被健康指數(shù)VHI(Vegetation Health Index)，并認(rèn)為比NDVI提取灌溉耕地效果更好。Boken等[61]的研究支持了Kogan的結(jié)論，認(rèn)為在作物生長期內(nèi)，VHI與灌溉相對NDVI呈現(xiàn)更高的正相關(guān)，但同時(shí)也指出這一相關(guān)性在不同地區(qū)的差異。此外，Abuzar[37]的研究也遵循了這一思路。

3 灌溉耕地制圖的技術(shù)方法

根據(jù)方法思路可將灌溉耕地制圖方法分為兩類。(1)以遙感數(shù)據(jù)作為主要特征來源進(jìn)行提取或分類。早期的小區(qū)域研究中，根據(jù)專家知識進(jìn)行人工解譯，從遙感影像上直接提取灌溉耕地是主要方法。利用作物關(guān)鍵生長期的影像彩色合成[78]或灌溉引起的耕地在特定波段的不同反射率[8]，勾繪出灌溉耕地的范圍，甚至利用不同作物物候差異直接判斷耕地的灌溉與否。選擇最適宜時(shí)期的影像是該方法的關(guān)鍵所在。人工解譯方法的主要貢獻(xiàn)是發(fā)現(xiàn)了一些特定波段(如紅色和近紅外)在識別灌溉耕地中的作用，但并未發(fā)揮遙感低成本和高效率的技術(shù)優(yōu)勢[79]。近年來，隨著計(jì)算技術(shù)的發(fā)展，直接利用遙感影像或土地覆蓋產(chǎn)品對像元進(jìn)行分類成為主流。這些分類方法的劃分體系有參數(shù)和非參數(shù)分類、監(jiān)督和非監(jiān)督分類以及面向像元/亞像元和面向?qū)ο蠓诸怺80]，以及按照學(xué)習(xí)模型層次而劃分的淺層學(xué)習(xí)和深度學(xué)習(xí)[81]，其中以監(jiān)督分類和非監(jiān)督分類最為常見[82]。(2)利用灌溉相關(guān)特征的分布信息，將統(tǒng)計(jì)數(shù)據(jù)分配至空間格網(wǎng)或區(qū)劃。隨著遙感和相關(guān)數(shù)據(jù)產(chǎn)品的豐富，不同算法、不同數(shù)據(jù)源或特征的融合技術(shù)，也成為適應(yīng)大區(qū)域復(fù)雜條件下灌溉耕地空間分布提取的重要技術(shù)。但總體上，用于制作灌溉耕地分布圖的方法相比土地覆蓋監(jiān)測和作物提取仍然十分有限(表2)。

表2 灌溉耕地制圖中使用到的方法

3.1 監(jiān)督分類

監(jiān)督分類通過已知類別的樣本提取的類別特征來建立規(guī)則，確定像元類別，這是一個(gè)匹配過程。其中最為常見的是閾值法，其應(yīng)用主要有單一特征的單一閾值和單一特征的多時(shí)相閾值決策樹等兩種方式。在一些灌溉與雨養(yǎng)耕地特征差異涇渭分明的地區(qū)，僅憑特定的作物生長或灌溉時(shí)段就能夠達(dá)到分類目的，如農(nóng)業(yè)即等同于灌溉農(nóng)業(yè)的伊朗[56]，又如灌溉水稻的水分需求高峰與降雨集中時(shí)段錯(cuò)開的泰國[60]。但這種情況并不普遍，更多的地區(qū)需要考慮多種作物的物候差異，必須結(jié)合不同農(nóng)作的生長規(guī)律在不同時(shí)段劃定多個(gè)閾值進(jìn)行分層，逐步?jīng)Q策。如Ozdogan等[58，62]分析了土耳其南部當(dāng)?shù)氐淖魑锓N類和物候特征后，選取夏季中后期的9景影像計(jì)算NDVI，根據(jù)實(shí)地調(diào)查數(shù)據(jù)的統(tǒng)計(jì)結(jié)果設(shè)定閾值，對Harran平原和GAP灌溉工程的灌溉面積變化進(jìn)行了分析；Ozdogan和Gutman[49]在對美國的研究中采取了類似的方式，利用多時(shí)相GI構(gòu)建了決策樹。以上研究都集中在生產(chǎn)模式較為單一或管理規(guī)范的地區(qū)，在地理和氣候條件差異大、生產(chǎn)形式多元的地區(qū)，還需要與結(jié)合分層分類策略或多種特征在二維空間上分類，比如澳大利亞RamoDarling盆地灌溉水系和設(shè)施發(fā)達(dá)，管理規(guī)范，半干旱的氣候使灌溉植被與雨養(yǎng)植被長勢和水分含量上差異明顯，Abuzar等[37]據(jù)此選取作物關(guān)鍵生長期影像，設(shè)定NDVI與晝夜溫差的閾值區(qū)分灌溉和雨養(yǎng)耕地。如Dong和Wang[48]根據(jù)高分辨率影像解譯結(jié)果，設(shè)定年累積降雨量閾值，將中國耕地劃分為補(bǔ)充灌溉區(qū)和灌溉區(qū)，根據(jù)像元的WDI-NDVI的空間分布劃定類別。

閾值分類規(guī)則清晰簡單、易于實(shí)現(xiàn)，但需要對特征進(jìn)行優(yōu)選，且不擅長處理連續(xù)數(shù)據(jù)。隨機(jī)森林通過隨機(jī)抓取訓(xùn)練樣本和選擇特征組合成多個(gè)決策樹，彌補(bǔ)了這一缺陷。Machwitz等[34]在阿姆河三角洲的灌溉耕地提取中就使用了這一方法，他們分析了當(dāng)?shù)氐母髂Ｊ健⒅饕魑镂锖蚱诤屯恋馗采w類型的特征參量時(shí)序變化規(guī)律，將MODIS產(chǎn)品中的EVI、NDVI、RED、BLUE、MIR等特征指數(shù)或波段反射率根據(jù)作物生長期分為5個(gè)時(shí)間段作為特征，放入隨機(jī)森林進(jìn)行分類，不僅區(qū)分了灌溉和雨養(yǎng)耕地，而且將棉花和水稻等主要作物和沙漠等其他地類一次提取成功。但Machwitz之后沒有學(xué)者再利用這一方法提取灌溉耕地，且屬性數(shù)據(jù)級別劃分方式會明顯影響隨機(jī)森林的分類結(jié)果，即便規(guī)避了特征優(yōu)選，類似“黑匣子”的隨機(jī)方式卻使其分類規(guī)則不清晰，分類過程難以控制，因此還需要更多的深入研究。最大似然分類是最早引入灌溉耕地提取中的自動(dòng)分類方法之一，但應(yīng)用不多，常常作為其他算法的對照標(biāo)準(zhǔn)[66]。它根據(jù)訓(xùn)練樣本建立的判別特征集來判斷像元?dú)w屬為某一類的概率，將分類對象歸為概率最大的一個(gè)類別。如Beltran和Belmonte[64]在西班牙Lamancha選取5月和8月的單景NIR影像識別了夏季/春季灌溉作物和冬季/春季作物。此外，最大似然法在同時(shí)利用多特征參量進(jìn)行細(xì)致分類時(shí)比決策樹更有優(yōu)勢。如Heller等[51]選取印度Krishna盆地GREEN、RED、NIR和RED 4個(gè)波段在11月、1月和3月的5景影像，根據(jù)制圖需要把最大似然法分層操作3次，區(qū)分了雨養(yǎng)水田、甘蔗(灌溉)、灌溉/雨養(yǎng)輪作田和灌溉/雨養(yǎng)單季耕地；又如Abou等[63]將同樣的操作重復(fù)了7次，將Landsat中的7個(gè)波段的反射率曲線作為整體，只利用8月中一個(gè)日期的影像就提取了作物種類和灌溉信息。此外，BP神經(jīng)網(wǎng)絡(luò)分類也得以嘗試，并且Dong等[48]在對中國水澆地的提取研究中認(rèn)為它分類效果優(yōu)于最大似然法。總體上，監(jiān)督分類方法優(yōu)勢在于能夠利用先驗(yàn)知識明確鎖定對象類別。但對訓(xùn)練樣本的依賴限制了應(yīng)用。一方面，在對研究區(qū)域地域特點(diǎn)、農(nóng)業(yè)生產(chǎn)習(xí)慣和水平缺乏經(jīng)驗(yàn)的情況下，樣本采集中容易漏掉一些出現(xiàn)幾率小的類別。事實(shí)上，當(dāng)前研究中對樣本的收集也確實(shí)集中于研究區(qū)域內(nèi)的主要農(nóng)作物，比如印度Krishna盆地的棉花和水稻，土耳其的棉花、谷子和玉米[58]，伊朗的大麥、小麥、水稻和蔬菜[56]等，對小宗作物考慮不周。同時(shí)，訓(xùn)練樣本的有限的覆蓋范圍使分類規(guī)則普適性不高，難以滿足大區(qū)域制圖的需求，Boken[61]在美國兩個(gè)縣分別對比了VHI和NDVI與像元灌溉比例的關(guān)系，不僅認(rèn)為得到的回歸方程在干旱地區(qū)效果更好，而且在兩個(gè)試驗(yàn)縣得到的回歸參數(shù)也不同；在Afhanistan，根據(jù)NDVI建立的決策模型中參數(shù)在不同省份要進(jìn)行調(diào)整以適應(yīng)地區(qū)差異[45]，但在Isfahan能夠直接利用NDVI計(jì)算像元灌溉比例[56]，泰國SuphanBuri灌溉與雨養(yǎng)耕地的NDVI峰值卻沒有差異[60]。此外，樣本采集耗時(shí)耗力也是監(jiān)督分類方法被詬病的原因之一。上述分類方法都是對像元“非此即彼”的二元?jiǎng)澐植荒鼙苊饣旌舷裨膯栴}，計(jì)算像元屬于某一類別的概率或像元中每一類別的比例是目前改善混合像元問題的常用方式，即所謂“軟分類”[83]，但由于其需要實(shí)地樣本來建立像元成分的計(jì)算方式，因此該文也將其歸于監(jiān)督分類。該方法在灌溉制圖中主要體現(xiàn)為計(jì)算像元內(nèi)的灌溉比例。一是利用遙感產(chǎn)品得到與灌溉有關(guān)的特征參數(shù)來計(jì)算單個(gè)像元的灌溉比例。例如灌溉面積與晝夜溫度[49]，或者區(qū)域各個(gè)地類和灌溉面積的統(tǒng)計(jì)數(shù)據(jù)[57]之間的回歸關(guān)系。二是融合較高分辨率分類產(chǎn)品和較低分辨率產(chǎn)品，利用干旱地區(qū)植被(灌溉耕地)面積與相關(guān)波段的直接相關(guān)性，建立高分辨率影像與低分辨率影像中遙感參量的數(shù)學(xué)關(guān)系直接進(jìn)行低分辨率影像像元內(nèi)植被覆蓋面積的計(jì)算[13]；甚至直接采取人工解譯方式獲取高分辨率分類結(jié)果作為真值，對低分辨率的分類結(jié)果直接估算[57]。同時(shí)，在一些研究中即使采取了非監(jiān)督或監(jiān)督分類的方式，但在農(nóng)業(yè)區(qū)與自然地理分區(qū)難以區(qū)分的地區(qū)，一些學(xué)者依然會采取類似軟分類的表達(dá)形式，例如“灌木和灌溉耕地”等[57]。

3.2 非監(jiān)督分類

非監(jiān)督分類被等同于聚類，即進(jìn)行像元的單一或多個(gè)特征在一維或多維空間上某種距離的計(jì)算，將距離較近像元自動(dòng)歸為一類，這是一個(gè)查找過程。從特征的角度，以Thenkabail等[59]在印度Ganges和Indus流域的研究最為全面：他們首先選取5月某期單景影像，對像元在RED-NIR二維空間分布上進(jìn)行聚類，得到了近100個(gè)類別；然后增加RED和NIR在其他時(shí)期的影像，利用像元在RED-NIR空間分布的移動(dòng)軌跡再次聚類，初步合并第一步中產(chǎn)生的類別；最后利用NDVI時(shí)序曲線和作物物候規(guī)律得到最終聚類結(jié)果。不僅如此，他們還對灌溉作物不同波段組合的二維空間分布和多波段曲線進(jìn)行分析，并認(rèn)為SWIR和NIR在灌溉作物中提供的信息對分類提供了最有效的信息。其他類似研究都只選取了多波段反射率或者NDVI時(shí)序數(shù)據(jù)進(jìn)行聚類，不再贅述。

但是，聚類結(jié)果不等于分類結(jié)果，其判定過程類似監(jiān)督分類。首先，需要真值或樣本作為參考對象。這一過程分為用戶控制和根據(jù)真值樣本數(shù)據(jù)進(jìn)行特征匹配。前者與人工解譯類似，如Thelin和Heimes[10]；后者與監(jiān)督分類的“匹配”類似，但匹配原則不是“符合哪類的條件就屬于哪類”而是“與哪類更像就歸入哪類”，因此也能夠較好地處理連續(xù)數(shù)據(jù)。Gumma等[84]對加納的研究中，除了實(shí)地調(diào)查數(shù)據(jù)，還結(jié)合了Google Earth的人工解譯結(jié)果。其次沒有人工或樣本約束使聚類結(jié)果的數(shù)量難以控制。以上表明，非監(jiān)督分類應(yīng)等同于“查找+匹配”，難以完全脫離真值樣本。事實(shí)上在大區(qū)域制圖研究中，多元的區(qū)域地理特征或農(nóng)業(yè)生產(chǎn)規(guī)律增加了灌溉耕地提取的難度，非監(jiān)督分類與監(jiān)督分類結(jié)合是常用的模式，以適應(yīng)引入的多時(shí)相和類型的特征參量。聚類不受樣本限制的特點(diǎn)彌補(bǔ)了監(jiān)督分類樣本收集和普適性的問題，監(jiān)督分類又控制和補(bǔ)充聚類的結(jié)果。有些學(xué)者則認(rèn)為其他年份樣本數(shù)據(jù)不僅具有高參考價(jià)值，并且一定程度上消除了天氣等偶然因素對數(shù)據(jù)質(zhì)量的消極影響[34]，如Dheeravath等[34]為了制作無樣本數(shù)據(jù)的歷史年份的灌溉分布圖，利用研究當(dāng)年采集的樣本數(shù)據(jù)建立的標(biāo)準(zhǔn)光譜庫來判定歷史年份的光譜聚類結(jié)果，據(jù)此認(rèn)為，對歷史數(shù)據(jù)的充分挖掘可能會提高非監(jiān)督分類的應(yīng)用范圍。

3.3 多源數(shù)據(jù)融合

多源數(shù)據(jù)融合有3種形式：非遙感數(shù)據(jù)融合、非遙感數(shù)據(jù)與遙感數(shù)據(jù)融合以及多源遙感數(shù)據(jù)融合[20]。目前灌溉耕地制圖中使用到的主要為前兩種。非遙感數(shù)據(jù)融合基于統(tǒng)計(jì)數(shù)據(jù)、相關(guān)地物或地理特征空間分布數(shù)據(jù)，以目標(biāo)類別的統(tǒng)計(jì)數(shù)據(jù)作為總量約束，利用統(tǒng)計(jì)收集的相關(guān)特征數(shù)據(jù)建立空間分配規(guī)則，將統(tǒng)計(jì)數(shù)據(jù)分配至空間格網(wǎng)單元。在灌溉耕地分布制圖中，賴以建立分配規(guī)則的依據(jù)通常是灌溉設(shè)施分布、作物復(fù)種指數(shù)等影響灌溉耕地空間分布的特征量[19]，是目前全球灌溉耕地制圖的主要方法。其產(chǎn)品與統(tǒng)計(jì)數(shù)據(jù)吻合程度較高，但分辨率低、更新慢。Pervez和Brown[15，46]在美國灌溉耕地提取中，遵循同樣的思路，首次基于遙感影像得到的植被指數(shù)特征來決定統(tǒng)計(jì)灌溉面積的分配次序，即非遙感數(shù)據(jù)與遙感數(shù)據(jù)的融合。這一改進(jìn)揚(yáng)棄了基于統(tǒng)計(jì)數(shù)據(jù)建立分配規(guī)則的傳統(tǒng)，能夠有效提高制圖效率和產(chǎn)品分辨率；基于前人實(shí)驗(yàn)結(jié)果和少量地面檢驗(yàn)數(shù)據(jù)建立的分配規(guī)則行之有效，降低了分類規(guī)則對訓(xùn)練樣本的依賴；他們以較小行政單位(縣)作為分類的基本單元，一定程度上規(guī)避了大區(qū)域制圖中氣候和農(nóng)業(yè)生產(chǎn)模式的多樣性對分類的影響。Zhu等和Wriedt等[26，44]的研究也采取了同樣方式，但選擇或者構(gòu)建的判別指標(biāo)不同。多源遙感數(shù)據(jù)融合是綜合多種平臺影像以豐富分類特征提高分類精度的有效手段，目前有少量研究對灌溉耕地中同一參量在不尺度下數(shù)值的數(shù)學(xué)關(guān)系進(jìn)行了討論，并體現(xiàn)在“軟分類”中，但還沒有研究針對不同影像資源提供的不同尺度和光譜特征信息的應(yīng)用進(jìn)行討論。

4 討論和展望

總的來說，經(jīng)過40多年的發(fā)展，灌溉耕地制圖研究有了長足進(jìn)步。但是，目前研究仍存在數(shù)據(jù)收集困難、分類規(guī)則普適性不高和產(chǎn)品更新較慢的問題，導(dǎo)致數(shù)據(jù)成果與實(shí)際應(yīng)用距離較大。Ozdogan和Gutman[49]指出，時(shí)間和空間上高度自動(dòng)化和可重復(fù)、較高的魯棒性以適應(yīng)區(qū)域多樣的農(nóng)業(yè)生產(chǎn)(灌溉行為)模式并立足于高質(zhì)量和客觀的遙感觀測以服務(wù)于決策的大區(qū)域和動(dòng)態(tài)變化監(jiān)測的灌溉制圖是未來努力的方向。

4.1 整合數(shù)據(jù)資源

當(dāng)前，使用單一遙感數(shù)據(jù)源進(jìn)行灌溉耕地提取是主流，未能充分利用多樣的數(shù)據(jù)資源。一方面，以空間數(shù)據(jù)重建形式生產(chǎn)的產(chǎn)品中，灌溉耕地的物理含義受數(shù)據(jù)來源影響而不一致，空間位置信息不夠細(xì)致，難以滿足實(shí)際應(yīng)用需要。另一方面，利用較低分辨率影像生產(chǎn)的產(chǎn)品異物同譜現(xiàn)象相對嚴(yán)重，不少研究的結(jié)果與統(tǒng)計(jì)數(shù)據(jù)的擬合結(jié)果也不太理想，有研究表明采用高分辨率影像能夠有效提高分類精度，但高分辨率影像會使工作量驟增，在改善異物同譜問題的同時(shí)加劇了同物異譜現(xiàn)象；同時(shí)，不同分辨率影像中像元含有的目標(biāo)類別的實(shí)際比例各異，存在尺度轉(zhuǎn)換和亞像元計(jì)算規(guī)則建立的問題[53]。此外，遙感分類中使用的數(shù)據(jù)以光學(xué)遙感數(shù)據(jù)為主，容易受到云雨條件影響，給時(shí)序特征參量重建帶來了諸多誤差，濕潤地區(qū)充足的天然降水也會導(dǎo)致灌溉對耕地NIR、NDVI和NDWI等參量影響不顯著[50]；而且，作物的灌溉需求、作物或土壤對灌溉的反映具有時(shí)效性，光學(xué)影像產(chǎn)品有時(shí)難以獲取或全面覆蓋有效時(shí)段內(nèi)的光譜信息。相比之下，微波能夠穿透云層信息并進(jìn)行全天候監(jiān)測，一些早期研究已經(jīng)證實(shí)其不僅能提供灌溉的有效信息，而且能及時(shí)提供植被根層土壤水分信息，對植被的水分虧缺情況進(jìn)行預(yù)判，但圖像的獲取、精度和噪點(diǎn)等問題對其推廣應(yīng)用還有所限制，當(dāng)前其在耕地分類中仍局限在小區(qū)域的水田提取[85-87]，在灌溉耕地制圖中還無有效應(yīng)用。綜上可知，如何在統(tǒng)一的灌溉耕地物理含義的框架下，充分融合不同平臺和來源及尺度的有效信息，實(shí)現(xiàn)資源的優(yōu)勢互補(bǔ)是需要重點(diǎn)關(guān)注的方向之一。

資源的互補(bǔ)還包括已有相關(guān)產(chǎn)品的利用。當(dāng)前專門的或包含耕地的遙感產(chǎn)品或數(shù)據(jù)庫(如MODIS Cropland、中國與美國的國家土地覆蓋數(shù)據(jù)庫NLCD等)已日益豐富，并開始為灌溉耕地制圖提供耕地分布數(shù)據(jù)[15，24，26，46]。它們的應(yīng)用減少了其他地類對分類精度的影響，也使對灌溉的特征提取更有針對性。同時(shí)，如2.1所述，結(jié)合作物物候和降水時(shí)空特征，能夠通過分層策略降低“同物異譜”或“異物同譜”問題的影響，甚至判斷灌溉情況。而如今，面向各類主要作物的識別研究已有相當(dāng)?shù)幕A(chǔ)和精度[27]，但相關(guān)物候或作物分布產(chǎn)品卻從未在灌溉耕地提取研究中被使用過。實(shí)際上，在各種植區(qū)劃內(nèi)，農(nóng)作物的類別相對固定[88]，一些灌溉產(chǎn)品在取樣與特征提取時(shí)即考慮到作物間的差異，直接對一些作物單獨(dú)提取分類[89]，細(xì)化類別也符合對未來遙感制圖產(chǎn)品的要求。因此，充分利用現(xiàn)有產(chǎn)品，能夠減少計(jì)算量，細(xì)化分類結(jié)果。但有證據(jù)表明，不同耕地產(chǎn)品存在一定誤差，在不同地域的數(shù)量與空間精度不一致[90]，因此該方向需更高精度的耕地或作物分布產(chǎn)品，也需根據(jù)實(shí)際優(yōu)化選擇，減少它們對結(jié)果的影響。

最后，真值樣本資源缺乏也是亟待解決的問題。全面且適時(shí)的真值樣本是大區(qū)域灌溉耕地制圖中特征參量提取和驗(yàn)證精度不可或缺的重要基礎(chǔ)數(shù)據(jù)，但實(shí)際操作中，實(shí)際真值樣本經(jīng)常以高分辨率目視解譯產(chǎn)品或往年數(shù)據(jù)等相對真值代替，部分已有的實(shí)地調(diào)查樣本或覆蓋區(qū)域有限、或未能及時(shí)更新，一定程度上影響特征提取、分類及精度評價(jià)結(jié)果。有學(xué)者研究認(rèn)為歷史數(shù)據(jù)能夠?yàn)榉诸愄峁┳銐蛴行畔ⅲ铱紤]綜合連續(xù)年份的數(shù)據(jù)能夠一定程度上降低天氣和耕作方式變化等對遙感數(shù)據(jù)的影響。所以，整合現(xiàn)有樣本或遙感產(chǎn)品資源建立樣本庫，并逐步依托農(nóng)氣觀察站點(diǎn)等建立穩(wěn)定的觀測機(jī)制，也是灌溉耕地分布制圖的重要基礎(chǔ)工作。

4.2 挖掘特征參量

特征參量的選擇影像分類精度最關(guān)鍵的因素之一。如4.1所述，目前灌溉耕地提取的影像來源為光學(xué)遙感，雖然大量數(shù)據(jù)平臺已為分類提供了豐富的波段信息，但主要判斷依據(jù)還局限于作物特定時(shí)期的水分相關(guān)波段(RED和NIR)和NDVI的表現(xiàn)及它們的時(shí)序變化特征，RED和NIR除與植被水分有關(guān)，還受到大氣中水分含量的影響，復(fù)雜條件下僅憑RED-NIR的聚類難以將灌溉與雨養(yǎng)耕地有效區(qū)分，往往需要補(bǔ)充其他信息或波段特征，NDVI容易受到背景影響和易飽和的缺點(diǎn)也限制了其應(yīng)用效率[91]。而其他一些特征或可部分或完全替代RED-NIR或NDVI：以MODIS 09A1為例，已有研究認(rèn)為，植被長勢特征參量如GI、EVI等和水分特征參量如MODIS的波段5、NDWI等在灌溉耕地提取中可能有更好表現(xiàn)。這些特征如GI在個(gè)別地區(qū)已有嘗試應(yīng)用但并未推廣，其它大部分特征還停留于在樣本或局地尺度討論其與灌溉行為或像元灌溉比例關(guān)系的階段。所以，這些特征的應(yīng)用和適用范圍以及如何將這些特征結(jié)合以實(shí)現(xiàn)優(yōu)勢互補(bǔ)提高分類精度還需要深入討論。另一方面，植被和水分相關(guān)指數(shù)都是對植被長勢和水分含量的反映，水分對作物生理生化指標(biāo)的影響在現(xiàn)有研究中沒有體現(xiàn)。有學(xué)者認(rèn)為，灌溉農(nóng)田與農(nóng)民之間會形成良性循環(huán)：作為影響作物生長最關(guān)鍵的因素，水分保障了作物的健康和高產(chǎn)，農(nóng)民又更傾向在健康和高產(chǎn)的農(nóng)田中付出農(nóng)資和勞動(dòng)以維護(hù)高產(chǎn)。并且植被健康指數(shù)與灌溉的相關(guān)性已被證實(shí)，但具有區(qū)域差異。不過這些差異或許能夠通過農(nóng)業(yè)地理分區(qū)的策略來改善，因?yàn)橛醒芯勘砻髟诓煌霓r(nóng)業(yè)區(qū)域，作物的組合是相對固定的。因此，研究特定種植模式下灌溉對植被生理生化指標(biāo)的影響也是擴(kuò)展分類特征的可能手段。

4.3 完善制圖方法

除了特征參量，合適的方法對分類精度的影響也不容小覷。盡管各種數(shù)據(jù)融合技術(shù)和分類方法早已呈現(xiàn)多樣化的趨勢，但應(yīng)用在灌溉耕地制圖中的仍然有限。

(1)從數(shù)據(jù)融合的角度。目前，其在灌溉耕地中的使用的思路仍囿于空間數(shù)據(jù)重建模式，依據(jù)某一種耕地分布產(chǎn)品，以所能收集到的統(tǒng)計(jì)數(shù)據(jù)作為數(shù)量限制生產(chǎn)，產(chǎn)品精度受耕地底圖精度的影響大，分辨率較粗，前期數(shù)據(jù)整理工作量大。針對這些不足，一方面可融合多種土地覆蓋或灌溉分布產(chǎn)品，提高耕地掩膜或成圖精度；另一方面可考慮在空間數(shù)據(jù)重建的基礎(chǔ)上，引入遙感特征建立分類機(jī)制，細(xì)化產(chǎn)品類別并分辨率。事實(shí)上，在土地覆蓋制圖領(lǐng)域已多有研究的一些基于數(shù)據(jù)一致性或模型的多源數(shù)據(jù)融合方法，在灌溉制圖中還少有嘗試，對現(xiàn)有的灌溉分布圖的對比研究還暫為空白。

(2)從分類或提取算法的角度。閾值、決策樹、最大似然、聚類等方式是該類灌溉制圖方法的核心。從光譜特征上看，這些方法集中在基于單個(gè)像元光譜特征信息，對地物類別內(nèi)部的結(jié)構(gòu)、紋理和相鄰像元之間的關(guān)聯(lián)信息考慮不足，而灌溉耕地尤其在管理規(guī)范的地區(qū)，地塊平整規(guī)則相對集中，具有一定的整體特征，這些特征難以體現(xiàn)在單個(gè)像元的光譜信息里，這一問題并在高分辨率影像中會尤為突出。因此，以有意義的基本實(shí)體分析來提取空間信息的面向?qū)ο蟮姆诸惙椒ㄐ枰鸩竭M(jìn)入灌溉耕地制圖中。從規(guī)則建立上看，這些方法對特征類型和時(shí)間選擇的要求較高，隨著特征參量的增加，難以高效建立分類規(guī)則和計(jì)算，有限樣本的條件下學(xué)習(xí)得到的分類規(guī)則也較局限，而足夠數(shù)量與涵蓋范圍的樣本正是這些方法建立規(guī)則的關(guān)鍵。支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)等可以解決多參量高維模式、非線性和小樣本等條件下的算法將發(fā)揮重要作用。

從方法廣度上看，更換分類算法固然可以改善某一種或幾種問題，但新方法也會具有一定局限性。因此在現(xiàn)有方法和規(guī)則下，可以考慮采取組合分類器，實(shí)現(xiàn)優(yōu)勢互補(bǔ)。事實(shí)上，組合分類早已成為遙感分類領(lǐng)域中重要方向之一，其關(guān)鍵問題在于組合各個(gè)分類方法的結(jié)果的規(guī)則。從方法深度上看，上述方法都屬于可被看作帶有一層隱層節(jié)點(diǎn)的淺層學(xué)習(xí)模型，必須要靠人工經(jīng)驗(yàn)抽取特征，再由機(jī)器學(xué)習(xí)完成分類[81]。Hinton和Salakhutdinov[92]讓研究者看到了神經(jīng)網(wǎng)絡(luò)隱層所具有的深度學(xué)習(xí)能力和克服其訓(xùn)練難度的可能性，并通過優(yōu)化模型和算法，極大地提高了圖像識別效果。在圖像分類的不同領(lǐng)域，深層學(xué)習(xí)在實(shí)際應(yīng)用中早已領(lǐng)先理論研究，有觀點(diǎn)認(rèn)為深度學(xué)習(xí)會逐步取代上述“人工特征+機(jī)器”結(jié)合的分類方法[81]。在遙感土地覆蓋分類領(lǐng)域，利用深度學(xué)習(xí)對高分辨率圖像進(jìn)行的地物目標(biāo)識別和分類已逐步開展[93-98]，但目前在灌溉耕地制圖中還未得到關(guān)注和應(yīng)用。

[1]P.T.Wu，J.M.Jin，X.N.Zhao.Impact of climate change and irrigation technology advancement on agricultural water use in China.Climatic Change，2010，100(3～4)：797～805

[2]L.J.Gordon，W.Steffen，B.F.Jonsson，et al.Human modification of global water vapor flows from the land surface.Proceedings of the National Academy of Sciences of the United States of America，2005,102(21): 7612～7617

[3]I.A.Shiklomanov.Appraisal and assessment of world water resources.Water International，2000，25：11～32

[4]J.A.Foley，N.Ramankutty，K.A.Brauman，et al.Solutions for a cultivated planet.Nature，2011，478：337～342

[5]R.N.Colwell，R.N.Colwell.An inventory of irrigated lands for selected counties within the state of California based on LANDSAt and supporting aircraft data.1977

[6]孫華生，利用多時(shí)相MODIS數(shù)據(jù)提取中國水稻種植面積和長勢信息，杭州：浙江大學(xué)，2009

[7]W.C.Draeger.Monitoring irrigated land acreage using LANDSAT imagery：An application example，11.International Symposium on Remote Sensing of Environment.Ann Arbor，Mich.(USA),1977，(4)：25～29

[8]K.M.Keene，C.D.Conley.Measurement of irrigated acreage in western Kansas from LANDSAT images.Environmental Geology，1980,3(2): 107～116

[9]K.E.Kolm，C.Hliii.The identification of irrigated crop types and estimation of acreages from Landsat imagery.Photogrammetric Engineering & Remote Sensing，1984,50(10): 1479～1490

[10]G.P.Thelin，F(xiàn).J.Heimes.Mapping irrigated cropland from Landsat data for determination of water use from the high plains aquifer in parts of Colorado，Kansas，Nebraska，New Mexico，Oklahoma，South Dakota，Texas，and Wyoming.U.S.Geological Survey Professional Paper，1987

[11]P.Manavalan，K.Kesavasamy，S.Adiga.Irrigated crops monitoring through seasons using digital change detection analysis of IRS-LISS 2 data.International Journal of Remote Sensing，1995，16：633～640

[12]S.Thiruvengadachari.Satellite sensing of irrigation patterns in semiarid areas：an Indian study.Photogrammetric Engineering & Remote Sensing，1981，47：1493～1499

[13]N.Toomanian，A.S.M.Gieske，M.Akbary.Irrigated area determination by NOAA-Landsat upscaling techniques，Zayandeh River Basin，Isfahan，Iran.International Journal of Remote Sensing，2004,25(22): 4945～4960

[14]B.D.Wardlow，S.L.Egbert.Large-area crop mapping using time-series MODIS 250 m NDVI data：An assessment for the U.S.central great plains.Remote Sensing of Environment，2008,112(3): 1096～1116

[15]M.S.Pervez，J.F.Brown.Mapping irrigated lands at 250-m scale by merging MODIS data and national agricultural statistics.Remote Sensing，2010,2(10): 2388～2412

[16]J.M.Salmon，M.A.Friedl，S.Frolking，et al.Global rain-fed，irrigated，and paddy croplands：A new high resolution map derived from remote sensing，crop inventories and climate data.International Journal of Applied Earth Observation and Geoinformation，2015，38：321～334

[17]F.T.Portmann，S.Siebert，P.D?ll.MIRCA2000-global monthly irrigated and rainfed crop areas around the year 2000：a new high-resolution data set for agricultural and hydrological modeling.Global Biogeochemical Cycles，2010,24(1): 2013～2024

[18]P.S.Thenkabail，C.M.Biradar，P.Noojipady，et al.Global irrigated area map(GIAM)，derived from remote sensing，for the end of the last millennium.International Journal of Remote Sensing，2009,30(14): 3679～3733

[19]P.Doll，S.Siebert.A digital global map of irrigated areas.Icid Journal，2000，49：55～66

[20]陳迪，吳文斌，陸苗，等.基于多源數(shù)據(jù)融合的地表覆蓋數(shù)據(jù)重建研究進(jìn)展綜述.中國農(nóng)業(yè)資源與區(qū)劃，2016,37(9): 62～70

[21]吳傳鈞.中國百萬分之一土地利用圖.中國科學(xué)基金，1989(2)：50～51

[22]杜文才，王建軍，鄭小紅.國土衛(wèi)星圖象在灌溉面積調(diào)查、灌溉環(huán)境及水利條件分析評價(jià)中的應(yīng)用.河海大學(xué)學(xué)報(bào),1992，(2)：72～75

[23]張?jiān)鱿椋魹t，王長耀，等.基于框架數(shù)據(jù)控制的全國土地覆蓋遙感制圖研究.地球信息科學(xué)學(xué)報(bào)，2009,11(2): 216～224

[24]董婷婷，左麗君，張?jiān)鱿?MODIS數(shù)據(jù)的水澆地提取.遙感學(xué)報(bào)，2009,13(3): 528～534

[25]周蘭萍，魏懷東，丁峰，等.1998～2005年石羊河流域土地利用/覆蓋變化及其分析.水土保持通報(bào)，2009,29(1): 169～173

[26]X.Zhu，W.Zhu，J.Zhang，Y.Pan，Mapping Irrigated Areas in China From Remote Sensing and Statistical Data，IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014：4490～4504

[27]胡瓊，吳文斌，宋茜，等.農(nóng)作物種植結(jié)構(gòu)遙感提取研究進(jìn)展.中國農(nóng)業(yè)科學(xué)，2015,48(10): 1900～1914

[28]陳仲新，任建強(qiáng)，唐華俊，等.農(nóng)業(yè)遙感研究應(yīng)用進(jìn)展與展望.遙感學(xué)報(bào)，2016,20(5): 748～767

[29]ECKHARDT D.W.，VERdin J.P.，LYFORD G.R.Automated update of an irrigated lands GIS using SPOT HRV imagery=Mise à jour automatisée d′un système GIS des terres irriguées utilisant l′imagerie SPOT HRV.Photogrammetric Engineering remote Sensing，1990,56(11): 1515～1522

[30]M.Ozdogan，M.Rodell，H.K.Beaudoing，et al.Simulating the Effects of Irrigation over the United States in a land Surface Model Based on Satellite-Derived Agricultural Data.Journal of Hydrometeorology，2010,11(1): 171～184

[31]S.Siebert，V.Henrich，K.Frenken，et al.Update of the digital Global Map of Irrigation Areas(GMIA)to Version 5.Institute of Crop Science and Resource Conservation，Rheinische Friedrich-Wilhelms-University，2013

[32]P.S.Thenkabail，C.M.Biradar，P.Noojipady，et al.Global irrigated area map(GIAM)，derived from remote sensing，for the end of the last millennium.International Journal of Remote Sensing，2009,30(14): 3679～3733

[33]C.M.Biradar，P.S.Thenkabail，P.Noojipady，et al.A global map of rainfed cropland areas(GMRCA)at the end of last millennium using remote sensing.International Journal of Applied Earth Observation and Geoinformation，2009,11(2): 114～129

[34]M.Machwitz，J.Bloethe，D.Klein，et al.Mapping of large irrigated areas in Central Asia using MODIS time series.Remote Sensing for Agriculture，Ecosystems，and Hydrology Xii，2010，7824

[35]M.K.Gumma，P.S.Thenkabail，F(xiàn).Hideto，et al.Mapping irrigated areas of Ghana using fusion of 30 m and 250 m resolution remote-sensing data.Remote Sensing，2011,3(4): 816～835

[36]T.K.Alexandridis，G.C.Zalidis，N.G.Silleos.Mapping irrigated area in Mediterranean basins using low cost satellite Earth Observation.Computers and Electronics in Agriculture，2008,64(2): 93～103

[37]M.Abuzar，A.McAllister，D.Whitfield.Mapping irrigated farmlands using vegetation and thermal thresholds derived from Landsat and ASTER data in an irrigation district of Australia.Photogrammetric Engineering and Remote Sensing，2015,81(3): 229～238

[38]P.Doll，S.Siebert.Global modeling of irrigation water requirements.Water Resources Research，2002，38

[39]S.Siebert，J.Hoogeveen，and K.Frenken.Irrigation in Africa，Europe and Latin America.Update of the Digital Global Map of Irrigation Areas to Version 4.Frankfurt，2006

[40]S.Stefan，P.D?ll.Global map of irrigated areas version 3.0：Update for North America.2005

[41]S.Siebert，J.Hoogeveen，S.Feick.A digital global map of irrigated areas.An update for Asia.ICID Journal，2005,49(2): 55～66

[42]S.Stefan，P.D?ll，J.Hoogeveen.Global map of irrigated areas version 2.1.Center for Environmental Systems Research，University of Kassel，2002

[43]S.Stefan，P.D?ll.A digital global map of irrigated areas：An update for Latin and Europe.2001

[44]G.Wriedt，M.van der Velde，A.Aloe，et al.A European irrigation map for spatially distributed agricultural modelling.Agricultural Water Management，2009，96：771～789

[45]M.Shahriar Pervez，M.Budde，J.Rowland.Mapping irrigated areas in Afghanistan over the past decade using MODIS NDVI.Remote Sensing of Environment，2014，149：155～165

[46]J.F.Brown，M.S.Pervez.Merging remote sensing data and national agricultural statistics to model change in irrigated agriculture.Agricultural Systems，2014，127：28～40

[47]V.Dheeravath，P.S.Thenkabail，G.Chandrakantha，et al.Irrigated areas of India derived using MODIS 500 m time series for the years 2001-2003.Isprs Journal of Photogrammetry and Remote Sensing，2010,65(1): 42～59

[48]T.Dong，Z.Wang.A New Method to Distinguish between Irrigated Dry land and Rain-Fed Dry land using Multi-Temporal MODIs and Ancillary Data：An Application Example in China.2010-06-15，S.l.：s.n.，2010：393～398

[49]M.Ozdogan，G.Gutman.A new methodology to map irrigated areas using multi-temporal MODIs and ancillary data：An application example in the continental US.Remote Sensing of Environment，2008,112(9): 3520～3537

[50]S.A.M.Shamal，K.Weatherhead.Assessing spectral similarities between rainfed and irrigated croplands in a humid environment for irrigated land mapping.Outlook on Agriculture，2014,43(2): 109～114

[51]E.Heller，J.M.Rhemtulla，S.Lele，M.Kalacska，et al.Mapping crop types，irrigated areas，and cropping intensities in heterogeneous landscapes of Southern India using multi-temporal medium-resolution imagery：Implications for assessing water use in agriculture.Photogrammetric Engineering and Remote Sensing，2012,78(8): 815～827

[52]Pairman D，Belliss SE，Cuff J，et al.Detection and mapping of irrigated farmland in canterbury，new zealand，2011-06-15，S.l.：s.n.，2011：696～699

[53]N.M.Velpuri，P.S.Thenkabail，M.K.Gumma，et al.Influence of resolution in irrigated area mapping and area estimation.Photogrammetric Engineering and Remote Sensing，2009,75(12): 1383～1395

[54]B.D.Wardlow，S.L.Egbert.Large-area crop mapping using time-series MODIS 250 m NDVI data：An assessment for the US Central Great Plains.Remote Sensing of Environment，2008,112(3): 1096～1116

[55]P.S.Thenkabail，P.GangadharaRao，T.W.Biggs，et al.Spectral matching techniques to determine historical land-use/land-cover(LULC)and irrigated areas using time-series 0.1-degree AVHRR pathfinder datasets.Photogrammetric Engineerings&sremote Sensing，2007,73(9): 1029～1040

[56]M.Akbari，N.Toomanian，P.Droogers，et al.Monitoring irrigation performance in Esfahan，Iran，using NOAA satellite imagery.Agricultural Water Management，2007，88：99～109

[57]T.W.Biggs，P.S.Thenkabail，M.K.Gumma，et al.Irrigated area mapping in heterogeneous landscapes with MODIS time series，ground truth and census data，Krishna Basin，India.International Journal of Remote Sensing，2006,27(19): 4245～4266

[58]M.Ozdogan，C.E.Woodcock，G.D.Salvucci，et al.Changes in summer irrigated crop area and water use in Southeastern Turkey from 1993 to 2002：Implications for current and future water resources.Water Resources Management，2006,20(3): 467～488

[59]P.S.Thenkabail，M.Schull，H.Turral.Ganges and Indus river basin land use/land cover(LULC)and irrigated area mapping using continuous streams of MODIS data.Remote Sensing of Environment，2005,95(3): 317～341

[60]D.Kamthonkiat，K.Honda，H.Turral，et al.Discrimination of irrigated and rainfed rice in a tropical agricultural system using SPOT VEGETATION NDVi and rainfall data.International Journal of Remote Sensing，2005,26(12): 2527～2547

[61]V.K.Boken，G.Hoogenboom，F(xiàn).N.Kogan，et al.Potential of using NOAA-AVHRR data for estimating irrigated area to help solve an inter-state water dispute.International Journal of Remote Sensing，2004,25(12): 2277～2286

[62]M.Ozdogan，C.E.Woodcock，G.D.Salvucci.Monitoring changes in irrigated lands in southeastern turkey with remote sensing.2003：1570～1572

[63]I.Abou El-Magd，T.W.Tanton.Improvements in land use mapping for irrigated agriculture from satellite sensor data using a multi-stage maximum likelihood classification.International Journal of Remote Sensing，2003,24(21): 4197～4206

[64]C.M.Beltran，A.C.Belmonte.Irrigated crop area estimation using Landsat TM imagery in La Mancha，Spain.Photogrammetric Engineering and Remote Sensing，2001,67(10): 1177～1184

[65]B.Haack，J.Wolf，R.English.Remote sensing change detection of irrigated agriculture in Afghanistan.Geocarto International，1998,13(2): 65～75

[66]董婷婷.中國水澆地和旱地的遙感分類及其景觀格局研究.北京：中國科學(xué)院遙感研究所，2009

[67]高占義，穆建新，中國的灌溉發(fā)展及其作用，世界水論壇中國代表團(tuán)，2003：36～39

[68]R.D.Jackson，S.B.Idso，R.J.Reginato，et al.Canopy temperature as a crop water stress indicator.1981,17(4): 1133～1138

[69]S.B.Idso，R.D.Jackson，P.J.Pinter，et al.Normalizing the stress-degree-day parameter for environmental variability.1981

[70]M.S.Moran，T.R..Clarke，Y.Inoue，et al.Estimating crop water deficit using the relation betwen surface-air temperature and spectral vegetation index.1994

[71]T.Dong，M.Jiang，F(xiàn).Qian，et al.Researching on extracting irrigated land in northern China based on MODIS data.2008

[72]L.M.Yang，B.K.Wylie，L.L.Tieszen，et al.An analysis of relationships among climate forcing and time-integrated NDVi of grasslands over the US northern and central Great Plains.Remote Sensing of Environment，1998,65(1): 25～37

[73]J.Wang，P.M.Rich，K.P.Price.Temporal responses of NDVI to precipitation and temperature in the central Great Plains，USA.International Journal of Remote Sensing，2003,24(11): 2345～2364

[74]A.Kawabata，K.Ichii，Y.Yamaguchi.Global monitoring of interannual changes in vegetation activities using NDVi and its relationships to temperature and precipitation.International Journal of Remote Sensing，2001,22(7): 1377～1382

[75]A.A.Gitelson，A.Vina，V.Ciganda，et al.Remote estimation of canopy chlorophyll content in crops.Geophysical Research Letters，2005，32(8)

[76]M.PaxLenney，C.E.Woodcock.The effect of spatial resolution on the ability on to monitor the status of agricultural lands.Remote Sensing of Environment，1997,61(2): 210～220

[77]F.N.Kogan.Operational space technology for global vegetation assessment.Bulletin of the American Meteorological Society，2001,82(9): 1949～1964

[78]R.C.Heller，K.A.Johnson.Estimating irrigated land acreage from Landsat imagery.1979,45(10): 1379～1386

[79]M.Ozdogan，Y.Yang，G.Allez，C.Cervantes.Remote Sensing of Irrigated Agriculture：Opportunities and Challenges.Remote Sensing，2010,2(9): 2274～2304

[80]賈坤，李強(qiáng)子，田亦陳，等.遙感影像分類方法研究進(jìn)展.光譜學(xué)與光譜分析，2011,31(10): 2618～2623

[81]余凱，賈磊，陳雨強(qiáng)，等.深度學(xué)習(xí)的昨天、今天和明天.計(jì)算機(jī)研究與發(fā)展，2013,50(9): 1799～1804

[82]董婷婷，王振穎，武玉峰.水澆地與旱地分類的研究進(jìn)展.遙感信息,2010，(4)：129～134

[83]任武，葛詠.遙感影像亞像元制圖方法研究進(jìn)展綜述.遙感技術(shù)與應(yīng)用，2011,26(1): 33～44

[84]M.K.Gumma，A.Nelson，P.S.Thenkabail，et al.Mapping rice areas of South Asia using MODIS multitemporal data.Journal of Applied Remote Sensing，2011，5(1)

[85]F.Ribbes，T.Le Toan.Rice field mapping and monitoring with RADARSAT data.International Journal of Remote Sensing，1999,20(4): 745～765

[86]A.Rosenqvist.Temporal and spatial characteristics of irrigated rice in JERS-1 L-band SAR data.International Journal of Remote Sensing，1999,20(8): 1567～1587

[87]N.Torbick，W.Salas.Mapping agricultural wetlands in the Sacramento Valley，USA with satellite remote sensing.Wetlands Ecology and Management，2015，23：79～94

[88]賈坤，李強(qiáng)子.農(nóng)作物遙感分類特征變量選擇研究現(xiàn)狀與展望.資源科學(xué)，2013,35(12): 2507～2516

[89]F.T.Portmann，S.Siebert，P.Doll.MIRCA2000-Global monthly irrigated and rainfed crop areas around the year 2000：A new high-resolution data set for agricultural and hydrological modeling.Global Biogeochemical Cycles，2010，24

[90]陸苗，吳文斌，張莉，等.不同耕地?cái)?shù)據(jù)集在中國區(qū)域的對比研究.中國科學(xué)：地球科學(xué)，2016,46(11): 1459～1471

[91]衛(wèi)煒，吳文斌，李正國，等.基于SPOT/VGT數(shù)據(jù)的中國北方耕地物候提取研究.中國農(nóng)業(yè)資源與區(qū)劃，2016,37(4): 77～86

[92]G.E.Hinton，R.R.Salakhutdinov.Reducing the dimensionality of data with neural networks.Science，2006，313：504～507

[93]高常鑫，桑農(nóng).基于深度學(xué)習(xí)的高分辨率遙感影像目標(biāo)檢測.測繪通報(bào),2014，(S1)：108～111

[94]闞希，張永宏，曹庭，等.利用多光譜衛(wèi)星遙感和深度學(xué)習(xí)方法進(jìn)行青藏高原積雪判識.測繪學(xué)報(bào)，2016,45(10): 1210～1221

[95]劉大偉，韓玲，韓曉勇.基于深度學(xué)習(xí)的高分辨率遙感影像分類研究.光學(xué)學(xué)報(bào)，2016,36(4): 306～314

[96]劉揚(yáng)，付征葉，鄭逢斌.高分辨率遙感影像目標(biāo)分類與識別研究進(jìn)展.地球信息科學(xué)學(xué)報(bào)，2015,17(9): 1080～1091

[97]張洪群，劉雪瑩，楊森，等.深度學(xué)習(xí)的半監(jiān)督遙感圖像檢索.遙感學(xué)報(bào)，2017,21(3): 406～414

[98]張日升，張燕琴.基于深度學(xué)習(xí)的高分辨率遙感圖像識別與分類研究.信息通信,2017，(1)：110～111

RECENTPROGRESSINMAPPINGIRRIGATEDCROPLANDBYREMOTESENSING*

LiuYizhu，WuWenbin，LiZhaoliang，ZhouQingbo※

(Institute of Agricultural Resources and Regional Planning，Chinese Academy of Agricultural Sciences，Beijing 100081，China)

Precisely geospatial information of irrigation is essential for improving agricultural production and climate change researches，while remote sensing has been a effective way for this.The objective of this paper was summarizing relevant studies for the guidance of future work on mapping irrigation by satelite images.This paper grouped the studies in recent 20 years，and concluded them from the aspects of coverage，data resources，products，and especially features and algorithms for classification.Firstly，climate，production mode and relevant installation were indispensable references for irrigated cropland extraction.Differences of water content and growth conditions which irrigation leaded were the dominant basis.Introducing of time-series data or more features enriched information for classification.Secondly，various algorithms have been used in irrigation mapping researches，but most of them were in local scales.The diversity of regional conditions and data collection problem resulted in the difficulty on generalizing the obtained rules，so as to few regional irrigation maps with moderate resolution and updated messages，as while as the dependence of global products on spatial allocation models.Briefly，abundant satellite data and automatic classification algorithm have been prepared，for the future sake of regional or global application on dynamic monitoring and management of irrigation，more studies were needed on integrating existing remote sensing and spatial data，extending features and optimizing algorithms.

irrigated cropland；cartography；feature；method；progress

10.7621/cjarrp.1005-9121.20171001

2017-03-03

劉逸竹(1989—)，女，湖北潛江人，博士生。研究方向：農(nóng)業(yè)遙感

※通訊作者：周清波(1965—)，男，湖南益陽人，博士、研究員、中國農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所所長。研究方向：農(nóng)作物和農(nóng)情遙感監(jiān)測、土地資源監(jiān)測與評價(jià)、災(zāi)害監(jiān)測和評估等。Email：zhouqingbo@caas.cn

*資助項(xiàng)目：測繪地理信息公益性行業(yè)專項(xiàng)“全球地表覆蓋數(shù)據(jù)分析研究”(2015A10129)

S15

A

1005-9121[2017]10001-13