2000—2020年瑪納斯河流域的作物種植結構與需水滿足度

楊 光，喬學瑾，石建初，吳 訓，周祥瑞，張 佳，左 強

2000—2020年瑪納斯河流域的作物種植結構與需水滿足度

楊 光1，喬學瑾1，石建初1，吳 訓1，周祥瑞1，張 佳2，左 強1※

（1. 中國農業大學土地科學與技術學院，北京 100193；2. 新疆生產建設兵團石河子市水利工程管理服務中心，石河子 832000）

變化環境條件下干旱綠洲水土資源的高效利用一直廣受關注。瑪納斯河流域分布著新疆最大、最典型的綠洲農耕區，其水土資源高效利用無疑應基于對種植結構和需水滿足度（供水量/需水量）時空演變規律的了解。基于谷歌地球引擎（Google Earth Engine，GEE）平臺并通過區域調查和調研，該研究利用面向對象的隨機森林分類，建立流域地物遙感識別模型，分析當地2000—2020年種植結構的變化過程，探討種植結構變化與膜下滴灌棉花水分供應狀況和需水滿足度間的關系。結果表明：基于GEE平臺，融合簡單非迭代聚類圖像分割算法和隨機森林分類算法可快速、準確識別流域地物，總體精度約0.9；近20年，流域種植作物始終以棉花為主，占耕地總面積的80%以上，受益于膜下滴灌技術的節水、抑鹽等功效，中、下游鹽堿荒地不斷被開墾為棉田，致使其面積以每年約101 km2的速度增長，但棉田面積增長與灌溉水資源供給的矛盾日益突出，棉花需水滿足度顯著下降，尤其是水資源相對匱乏的下游灌區及需水旺盛的夏灌期，2020年流域下游棉花夏灌期需水滿足度已降至約46%，種植結構的調整和優化已勢在必行。研究可為瑪納斯河流域水資源配置及農業種植結構優化提供科學依據。

作物；隨機森林；遙感；種植結構；需水滿足度；膜下滴灌棉田；耕地擴張；水資源供應

0 引 言

瑪納斯河流域位于新疆天山北麓、準噶爾盆地南緣，該流域屬典型的干旱內陸河區域，其中分布著新疆最大的綠洲農耕區[1]。淡水資源短缺和土壤鹽堿化是制約當地農業可持續發展的主要障礙因子，膜下滴灌技術于20世紀末在瑪納斯河流域發源，因具有節水、抑鹽、增產等功效而得以大力發展[2]。受氣候變化和人類活動等變化環境的共同影響，當地作物種植結構始終處于變化或調整之中，致使農業水資源配置管理也隨之發生改變，了解種植結構的變化及其對作物需水滿足程度的影響，對于認識和理解變化環境下干旱區流域水文循環特征、優化灌區水資源配置和管理、促進當地綠洲農業和生態環境可持續發展具有重要意義。

目前，瑪納斯河流域土地利用/覆被和耕地景觀時空研究多將耕地作為整體分析[3-4]，較少關注不同作物種植結構。雖然也有少數研究基于統計資料來了解種植結構的變化動態[5]，但難以刻畫的空間分布特征，無法滿足種植結構調整與水資源科學配置等需求。遙感因具有高時效、高覆蓋率、客觀性強等特點，在種植結構提取方面存在獨特優勢。基于多時序遙感影像分類可以充分利用作物季相規律特征，已成為當前種植結構區域監測的主流方法[6]，然而對于大范圍、長時序而言，遙感影像的獲取和處理都需耗費大量的時間和精力。2012年美國谷歌公司推出了具有強大計算能力和豐富數據資源的遙感大數據云計算平臺——谷歌地球引擎（Google Earth Engine，GEE），使之前因數據量和計算限制而難以快速實現的大面積、長時序土地利用/覆被演變分析變得簡便易行，已成功應用于全球地表水體、森林和農田等的制圖和變化動態分析[7-9]。

傳統的遙感影像分類多基于像元進行，通常僅考慮影像的光譜信息，而忽略幾何結構等空間信息，易導致分類結果的破碎和不準確[10]。面向對象的圖像分類方法則有助于以上問題的解決，逐漸成為中、高空間分辨率遙感影像分析和識別的重要途徑[11]。面向對象分類的首要步驟就是圖像分割，雖然目前相關算法較多，但在GEE環境中仍不常見，主要困難可能在于難以連接適當的函數和調整各種參數以克服GEE計算限制等方面[12]。2017年Achanta等[13]對簡單線性迭代聚類（Simple Linear Iterative Clustering，SLIC）超像素圖像分割算法進行改進，提出了效果更優的簡單非迭代聚類（Simple Noniterative Clustering，SNIC）超像素圖像分割算法，近年來已成功應用于GEE平臺，但由于推出時間較晚，該改進算法在不同情景中的應用效果仍有待進一步檢驗。面向對象分類的多種算法中，隨機森林因具有數據處理高效、對參數和噪聲不敏感、易執行且分類精度高等優勢，在作物種植結構提取研究[14]中獲得廣泛應用。理論上，對于瑪納斯河流域這種地塊大而緊湊、集約農業發達的地區，適合采用面向對象分類方法進行精細化的作物種植結構提取，但目前尚缺少這方面的應用實例和研究報道，如何基于多時相影像數據和GEE平臺，結合上述SNIC圖像分割和隨機森林分類算法，準確分析流域種植結構的演變仍有待進一步探索。

流域種植結構調整必然導致水資源配置與管理發生相應改變，使不同區位、不同時期作物的水分供應情況受到相應影響，因此供水量對作物需水量的滿足程度（即需水滿足度）對評估區域尺度作物水分供應、配置與利用情況有著重要意義。就干旱的瑪納斯河流域綠洲農田而言，作物供水基本源于灌溉和少量的降水，故需水滿足度可近似為（灌水量+降水量）與需水量的比值。當地作物灌水和降水資料較易通過調研獲取而流域主要作物需水量目前也已積累了大量可靠的研究成果[15]。因此，本研究擬基于GEE云平臺，通過結合簡單非迭代聚類圖像分割和隨機森林分類算法，提取瑪納斯河流域近20年的作物種植結構，在此基礎上，應用區域灌溉制度和氣象資料調研結果，進一步估算主要作物需水滿足度，分析作物種植結構和需水滿足度的時空變化規律，以期為流域水資源管理配置及農業產業結構區域布局優化提供科學依據。鑒于瑪納斯河流域作物基本以膜下滴灌棉花為主，為節省篇幅，本文對作物需水滿足度的評估將主要針對棉花進行。

1 材料與方法

1.1 研究區概況

瑪納斯河流域綠洲灌區（85°01′～86°32′E，43°27′～45°21′N，圖1）總面積約1.1×104km2，屬典型的溫帶大陸性氣候，年均降水量177.5 mm、蒸發量1 547 mm[16]。流域地勢落差較大，自南向北大致可分為上、中、下游3段（圖1），上游主要為沖洪積傾斜平原；中游為平緩的沖積平原，其中地下水在沖積扇邊緣出露，形成一條狹長的泉水溢出帶；下游除沖洪積平原外，還包括干三角洲和沙漠[1]。上游至下游自然條件差異顯著，總體表現為土壤質地由粗變細，地下水埋深從深變淺再變深，礦化度由低變高，土壤鹽漬化程度逐漸加重[1]。自20世紀50年代以來，流域大力發展灌溉農業，共形成10個主要灌區（圖1），多集中在光、熱、水、土條件更佳的中、下游地區。但早期灌溉方式不盡合理，加之排水不暢，致使中、下游灌區地下水位迅速上升、土壤次生鹽漬化問題十分嚴重。自20世紀末開始，流域通過不斷提高農業科技水平、大力發展膜下滴灌技術，才使得在中、重度鹽漬化土壤上種植作物逐步成為可能[17]，目前全流域已基本實現膜下滴灌和農業機械化生產。

在自然條件制約與人為活動的影響下，流域種植結構呈現明顯差異，上游地區由于光熱條件不足、土層淺薄，多種植玉米和小麥；中、下游則以經濟作物棉花為主，也零星分布有玉米、小麥、葡萄和其他作物。其中，冬小麥一般于每年10月上旬播種、春小麥于4月上旬播種，二者均于7月收獲；棉花和辣椒于4月中旬播種，9月下旬至10月上旬收獲；玉米多于4月中旬播種，8月中下旬收獲，連作玉米則在小麥收獲之后播種，10月中旬收獲；葡萄為多年生作物，不同品種生育期時間有所差異，一般于4月上旬發芽，8—9月收獲。

注：圖中黑字為各灌區名稱。

1.2 地物的遙感識別與面積提取

1.2.1 遙感影像數據處理

為提高作物識別分類精度，本研究選擇時空分辨率較高的Sentinel—2（5 d、10 m）和Landsat（16 d、30 m）衛星影像數據進行地物遙感識別與分類，GEE平臺可方便、快速地調用、處理和分析Landsat和Sentinel系列產品。為了解近20年瑪納斯河流域種植結構的演變動態，擬按約5 a的時間間隔選取 Landsat—5/7/8或Sentinel—2影像作為數據源開展研究，考慮到生育期內的有效遙感影像需足以反映作物季相規律特征，最終選擇2000、2007、2011、2015及2020年的遙感影像進行作物分類反演。

由于流域主要作物生育期集中在5—10月，為充分利用作物物候（季節性和年際變化）信息，選取影像時需盡可能包含研究區內每個月的無云影像。雖然GEE可篩選月內的無云影像，并按每月一幅最小云量予以合成，但無法避免影像中同一作物可能會具有不同時期的光譜特征，從而影響作物分類結果，特別是對于重訪周期較長的Landsat影像而言。故本研究中Landsat影像均選擇每年5—10月內所有云量小于10%的可完整覆蓋研究區的單幅影像參與分類。對于Sentinel數據，雖無可完整覆蓋研究區的單幅影像，但其重訪周期較短，故通過歸一化植被指數（Normalized Difference Vegetation Index，NDVI）月最大值合成法[18]，合成生育期內每月1幅少云或無云影像。最后，共采用了33幅影像，其中12幅來自Sentinel—2，來自Landsat—8、7和5的影像分別為5、4和12幅，選擇每幅影像的5個波段（紅、綠、藍、近紅外和NDVI波段）參與分類，各年份所選用影像時間及波段信息詳見表1。

表1 不同年份所用遙感影像時間及波段信息

注：NDVI為歸一化植被指數。

Note: NDVI is the normalized difference vegetation index.

1.2.2 圖像分割與分類

為了進行快速、準確的圖像分割，本研究采用Achanta等[13]近年來提出的SNIC超像素圖像分割算法，經過單次圖像像素的遍歷便可完成圖像分割，可有效降低計算復雜度、提高聚類效率。

在GEE平臺中執行SNIC圖像分割所需設置參數包括：1）質心間距（Size），即超像素質心之間的距離，根據Mahdianpari等[19]對不同影像最優質心間距的試驗結果，本研究Landsat和Sentinel影像的質心間距分別取為5和15；2）緊湊系數（Compactness Factor），該值越大，圖像分割后超像素集群越規整，考慮到研究區存在一定比例地塊不甚規整同時經過反復試驗，本研究取值為0；3）連通性（Connectivity），規定像素的連通情況，為提高計算效率，本研究取為8；4）鄰域大小（Neighborhood Size），決定圖像合成的質量和速度，本研究取默認值256。

由于SNIC的輸出結果會根據影像的縮放比例而變化，因此，必須利用重投影（Reproject）功能指定影像輸出分辨率，對于Landsat和Sentinel數據而言，均采用影像自身分辨率（分別為30和10 m）。執行圖像分割后，根據獲得的每個對象在各波段的平均值，進一步計算對象的方差與幾何特征（包括面積、長度、寬度和周長），與各波段平均值一起參與隨機森林分類。

隨機森林屬于監督學習分類器的一種，可以利用多棵決策樹對樣本進行訓練并預測[20]。其運行無需復雜的調參過程，只需設置2個參數，即決策樹數量ntree和分類特征數量mtry，其中，ntree對隨機森林分類器的效率有著重要影響，研究表明當ntree達到100時，分類精度已經趨于平穩，繼續增加樹的數量，運行效率將有明顯下降[21]，因此本研究中將ntree設為100。鑒于mtry設置為變量總數的1/3、1/2、2/3、全部或平方根均對分類精度并無顯著影響[19]，參考Breiman[20]的建議，本研究將mtry設置為變量總數的平方根。最終基于Arcgis 10.6計算出分類結果中各類地物的面積。

1.2.3 地物分類樣本選擇

訓練樣本量對于分類結果有著顯著影響，van Niel等[22]基于作物生育期內17幅Landsat—7影像，研究了基于像元的最大似然法分類下，訓練樣本數（）與影像波段數（）間的關系，結果表明當達到2時，分類精度已趨于穩定。本研究取相同數量的驗證樣本，即每類地物各取4個樣本，隨機分為兩等份，分別用于訓練和驗證。由于辣椒、葡萄、水體和連作作物在流域上的面積較小，考慮到面向對象的影像分類相比像元而言，待分析數據量大大減少，所需可更低[23]，故將這幾類地物的樣本總數調整為1。應注意的是，本文樣本的單位為地塊而非像元，每個地塊約0.35km2，包含約390（30 m分辨率）～3 500（10 m分辨率）個像元。

樣本選擇需基于野外實地調查，限于綠洲面積較大，難以在短期內全部調查，因此在室內對遙感影像進行初步判讀的前提下，分別在流域上、中、下游各選擇1個典型灌區（分別為大南溝、安集海和莫索灣，圖1）進行實地調查。工作于2020年7月5—10日開展，采用手持式GPS記錄不同地物點位信息，共包括不同作物樣點208個（其中棉花81個、葡萄24個、辣椒15個，均分布在中、下游；玉米48個、小麥40個，主要分布在上游）。根據樣本的多時相影像特征，建立目視解譯標志，隨后選取2020年尚缺少的樣本以及其余年份的樣本。最終，在5 a中選擇2 620個樣本，其中棉花、玉米、小麥、荒地及建設用地各540個，葡萄、水體和連作作物各135個，辣椒55個（2015年以前因面積較少而未選取辣椒樣本），之后隨機抽取每類樣本的50%用于訓練，其余50%用于驗證。以2020年為例，各樣本的中心位置坐標如圖 2所示。

圖2 2020年樣本中心點

1.2.4 精度評價指標

基于分類結果混淆矩陣，選取生產者精度（Producer’s Accuracy，PA）、用戶精度（User’s Accuracy，UA）、總體精度（Overall Accuracy，OA）和Kappa系數共4個指標來評價地物分類遙感反演的準確性，其中，UA表示每類地物被正確分類的樣本數與真實樣本數之比；PA表示每類地物被正確分類的樣本數與所有被分為該類的樣本數之比；OA表示被正確分類的樣本數之和與總樣本數之比；Kappa則在總體精度的基礎上綜合考慮各種錯分、漏分的樣本，來評價分類的準確性，相應的計算公式見文獻[24]。

1.3 棉花需水滿足度估算

1.3.1 計算方法

對干旱的瑪納斯河流域綠洲農田而言，地下水和根系層土壤儲水量對蒸散耗水的補給十分有限，作物水分消耗基本源于灌水和少量的降水[25]，故供水量對需水量的滿足程度WDSD可近似表示為

WDSD=(+)/(ETc·Δ)（1）

式中Δ為作物生育期時長，d；和分別為Δ時段內的灌水量和有效降水量[26]，mm；ETc為Δ時段內的作物平均需水強度，mm/d。ETc采用單作物系數法計算

ETc=K·ET0（2）

式中K為作物系數；ET0為參考作物蒸散量，mm/d，基于氣象資料采用Penman-Monteith公式予以計算[27]。

1.3.2 資料來源

1）灌水量：石河子市灌溉年報（來源：石河子市水利局）詳細記載了2001—2020年瑪納斯河流域不同灌區膜下滴灌棉花的灌溉制度，具體包括全生育期、春灌期和夏灌期的灌水次數、灌水定額等資料，其中春灌期、夏灌期一般分別指每年的6月30日以前和7月1日—9月10日。本次收集到較全資料的中游灌區包括安集海、金溝河、瑪納斯和石河子，下游主要有下野地和莫索灣。

2）氣象資料：2001—2020年逐日氣象資料通過中國氣象局氣象數據中心（http://data.cma.cn）查閱，研究區僅包括昌吉市呼圖壁一個氣象站（圖1）。

3）生育期及需水量：本研究區膜下滴灌棉花全生育期為4月25日—9月21日（共150 d），根據田間試驗結果，其生育初期（4月25日—5月24日，共30 d）、中期（7月1日—8月24日，共55 d）和末期（8月25日—9月21日，共28 d）的K分別取為0.45、1.15和0.46[28]。

2 結果與分析

2.1 遙感影像地物分類精度檢驗

基于SNIC圖像分割和隨機森林分類算法，在利用50%（1 310個）樣本進行訓練的基礎上，對瑪納斯河流域地物進行了遙感分類，經與1 310個驗證樣本對比，得到2000、2007、2011、2015和2020年流域地物分類混淆矩陣及生產者精度PA分別如圖3所示，相應的用戶精度UA見表2。各類作物識別的PA普遍較高，多超過0.85，其中最高的是棉花，達0.94及以上；除葡萄外，其他作物識別的UA也普遍較高，基本在0.80以上，葡萄的UA稍稍偏低，浮動于0.64～0.78之間，應與葡萄架中混合較多地面像元，易造成與荒地像元混淆而導致誤分有關。

遙感影像的總體識別效果無疑會受到影像空間分辨率和所用時相數目的影響，從各年分類結果來看，2020年由于采用了空間分辨率（10～20 m）更高的Sentinel影像，且所用時相數量（6幅）相對較多（表1、表3），所以對種植結構和其他地物識別的效果更好（圖3、表2），總體分類精度達到最高（表3）。可見，在符合研究時間需求的情況下，應盡量選擇Sentinel影像進行影像識別分類，以獲得更好的分類效果。總體而言，本文所建立的遙感影像分類系統對瑪納斯河流域地物分類識別精度處于較高水平，各年份總體精度OA介于0.88～0.93之間、平均約0.90，Kappa系數介于0.85～0.92之間、平均0.88。本研究團隊前期通過隨機森林算法采用歷年單時相影像進行逐像元地物分類[29]，但執行效率極低，每年的影像下載、預處理和分類總耗時長達數小時，而本研究則只需約10 min，此外本文面向對象分類的目視效果更優，可有效避免同物異譜和異物同譜現象，減少椒鹽噪聲，在同樣采用Landsat-8影像分類的條件下，本文總體精度和Kappa系數均提高約0.03。因此，本文方法應可較為準確且快速地進行區域地物識別和種植結構信息提取。

注：主對角線數值為生產者精度。

表2 2000—2020 年分類檢驗結果的用戶精度

2.2 作物種植結構演變

瑪納斯河流域種植作物以棉花為主，為便于聚焦，將流域地物分為棉田、非棉農田和非農田3種類型，其中非棉農田種植作物主要包括玉米、小麥、葡萄、小麥-玉米連作及辣椒，非農田則包括水體、荒地及建設用地。

表3 2000—2020年所用時相數及分類檢驗結果的總體精度和Kappa系數

基于2000、2007、2011、2015和2020年瑪納斯河流域主要作物生育期內多幅遙感影像獲得的地物分類結果詳見圖4，相應面積變化情況如圖5所示。21世紀初，流域棉田面積共2 415.1 km2，約占灌區總面積的21.9%（圖5a），主要分布在中、下游除泉水溢出帶和沙漠邊緣以外的區域，少量分布在上游北部（圖4a）；非棉農田面積535.2 km2，僅占灌區的4.9%，其中面積最多的作物依次為玉米和小麥，主要集中分布在上游南部，中、下游也有零星分布；非農田（含大量鹽堿荒地）面積8 073.6 km2，占比達73.2%，主要分布在上游大部、中游泉水溢出帶兩側以及下游沙漠邊緣處。近20年來，棉田面積總體呈顯著上升趨勢，快速增長之處基本集中在中、下游（圖4），2015年及以前，中、下游棉田面積大致相當，之后，下游棉田面積出現些許回落，致使中游棉田面積顯著超過下游（圖5b）；非棉農田面積變化不大，有小幅上升；而非農田面積則大幅降低。至2020年，綠洲棉田面積達4 443.8 km2，所占比例增至40.5%，年均增長101.4 km2（圖5a），中、下游的大部分區域已呈集中連片的趨勢，上游僅在北部分布有少量棉田（圖4e）；非棉農田微升至702.6 km2、占比6.4%，分布位置基本未變，僅規模略有提升；非農田面積降至5 826.6 km2、占比53.1%，其在上游的分布與2000年相差不大，中、下游則衰減明顯，多被開墾為棉田，僅石河子城區的建設用地有所擴張，下游沙漠邊緣處的分布相對較為集中。由于2020年采用了10 m分辨率的Sentinel影像，故相比其他年份獲得了更精細和準確的分類結果，從圖4可看出，2020年分類結果中，即便面積較小的辣椒和葡萄田也可以較好地識別，并且由于識別細小道路和渠系等的能力較強，Sentinel影像分類時可以更清晰地劃分田塊，從而有助于精準農業的開展，這對于30 m分辨率的Landsat影像無疑較難。

圖4 2000—2020年瑪納斯河流域地物分類結果

作物面積和空間分布特征及其變化動態與當地特殊的自然條件與人類活動等因素密切相關。總體而言，由于流域中、下游面積廣大，氣候和土壤等自然狀況適宜種植經濟作物棉花，加之還建有部分調蓄能力較強的水庫[30]，因此，在過去的20余年中，流域作物始終以棉花為主，占作物種植面積的比例均在80%以上（圖5a）。受地形低、土壤質地細、泉水溢出和排水條件差等因素的影響，流域中、下游諸多區域地下水埋深較淺、礦化度較高、土壤鹽漬化問題較為嚴重[31]，因而早期多為鹽堿荒地，棉田僅零散分布在鹽漬化程度稍輕的區域（圖 4a）。農業科技進步和各類節水技術的推廣（如膜下滴灌、節水改造、抗旱耐鹽品種選育、農機化水平提高等），使得在輕、中度甚至重度鹽堿地上種植棉花成為可能，致使中、下游大量的鹽堿荒地被逐步改造為膜下滴灌棉田，因而近20年來，非農田（主要為鹽堿荒地）比例下降逾20%，棉田面積得以迅速增長（圖5a），原有的耕地破碎化現象得到明顯改善，中、下游農田（主要為膜下滴灌棉田）整體呈集中連片并逐漸向沙漠擴張的趨勢（圖4e）。

從ZY到QZ中，則是由360°0′0″依次減去每一個樁號計算得到的偏角值；從YZ到QZ則依次使用0°0′0″進行累加每個樁號計算得到的偏角值。

由于流域水資源有限，迅猛擴張的棉田面積無疑會進一步加劇水資源供需矛盾和威脅生態環境安全。根據2012—2013年國家相繼發布的《關于實行最嚴格水資源管理制度的意見》《推進生態文明建設規劃綱要》等重要指示精神，當地政府陸續出臺了降低農業用水總量、退耕還林還草和保護生態環境等積極調控政策或措施，致使棉田擴張趨勢得到了一定的緩解，因而近5年來棉田的面積甚至還略有下降（降低約80 km2，圖5a），退還面積多集中在灌排條件更差的下游（圖5b）。當然，除上述科技、政策等因素外，農業種植結構還可能會受市場調節和氣候變化等的影響而在某些年份出現一定的波動，限于篇幅，這里不再一一贅述。

2.3 棉花供水與需水滿足度的分布與演變

2.3.1 需水量與有效降水量

由于流域內各項氣象條件總體差異較小，故本文將從全流域的角度對2001—2020年棉花不同灌溉周期（全生育期、春灌期和夏灌期）的需水量和有效降水量變化過程進行分析，結果見表4。

表4 2001—2020年瑪納斯河流域全生育期、春灌期和夏灌期的棉花需水量和有效降水量

由表4可知，因計算需水量所用氣象要素的年際變幅不大，故近20年瑪納斯河流域棉花在各灌溉周期內的需水量基本在一定范圍內小幅波動，其全生育期需水量介于668.7 mm（2013年）～737.4 mm（2012年）之間，平均約703.6 mm。其中，春灌期（6月30日前）處于棉花生育前期（包括苗期和蕾期[32]），以營養生長為主，對水分需求相對較小，多年均值約258.0 mm，占總需水量的36.7%；自夏灌期開始，氣溫逐漸升高，尤其是進入花鈴期后，棉花生長日益旺盛，生殖生長逐漸占據上風，相應地，其需水強度大幅攀升，因而夏灌期需水量均值達445.6 mm，全生育期占比在63%以上。

與其他氣象數據不同，流域棉花全生育期內的有效降水量在近20年呈現出較強的隨機性和較大的差異，如表4所示，最低的2012年（16.1 mm）與最高的2007年（143.3 mm）相差近9倍，平均約89.5 mm，僅占棉花多年平均需水量的12.7%。有效降水量在春灌期和夏灌期的分配具有明顯的不均勻性。從平均水平來看，約65.2%的降水集中在春灌期，期間有效降水量（58.4 mm）可達同期棉花需水量的22.6%，各年度差異較大，最高的2019年（103.7 mm）比最低的2012年（16.1 mm）多約90 mm，達同期棉花需水量的近40%；夏灌期有效降水量（31.1 mm）僅占同期棉花需水量的7%，各年度差異相對較小，極差不超過需水量的14%。顯然，對于多數年份，無論春灌期還是夏灌期，降水對棉花需水的補給均十分有限，必須進行灌溉才能保證棉花正常生長。

2.3.2 灌水量

基于可查閱的中游4個灌區（安集海、金溝河、莫索灣、石河子）和下游2個灌區（莫索灣、下野地）的平均數據，對瑪納斯河流域棉花灌水量的變化動態進行分析，如圖6所示。

圖6 2001—2020年瑪納斯河流域中游與下游全生育期、春灌期和夏灌期棉花灌水量的變化過程

就全生育期而言，在過去的20年中，中、下游的灌水量均呈現出較大的波動（圖6），除個別年份外，中游灌水量普遍高于下游，介于321.5～525.3 mm之間，平均431.4 mm，約可滿足需水量的61.2%；下游介于294.9～453.4 mm，均值較中游低約50 mm，也可滿足近54.4%的水分需求。中、下游灌水量的差異可能主要與地理環境有關，中游地表水和地下水資源相對充足，加之近些年上、中游新建了不少水庫，致使下游河段除泄洪期有來水外，其他時間基本處于斷流狀態[33]，因此下游供水條件較差、灌水量偏低。伴隨著膜下滴灌技術的不斷推廣應用，中、下游棉田面積得以持續增長（圖5b），致使灌區水資源供應不足，棉花的灌溉定額不得不隨之逐年減少，流域中、下游灌水量分別以約6.8和6.2 mm/a的速率下降，但下降過程具有較為明顯的階段性：2011年以前，中、下游灌水量還只是在各自相對穩定的范圍內波動（中游 (480 ± 50) mm，下游 (420 ± 40) mm）；之后則均以較快速率顯著下降（中游21.4 mm/a，下游16.6 mm/a），且中、下游的差距逐漸縮小，近5年已基本降至44 mm以內（圖6）。表明2012年后中、下游灌區棉田擴張均已大大超過當地水資源的供給能力，且中游原有的灌溉供水優勢已逐漸被消耗殆盡。至于期間少數年份的波動，可能主要受棉田面積波動和氣候條件變化致使上游來水量發生較大變化等因素的影響。

從灌水量構成來看，春灌期中游灌水量介于83.7～166.2 mm之間，平均約125.2 mm，基本可滿足需水量的48.4%，前10年變化較小，之后應該仍然是受棉田面積急劇擴張、灌溉供水量不足的影響而顯著下降。下游春灌期灌水量整體相對較為穩定，介于114.7～143.5 mm之間，均值與中游相當。2011年似乎也成了中、下游春灌期灌水量高低關系的分水嶺，之前中游高，之后則正好相反（圖6），造成該現象的主要原因可能在于下游的土壤鹽堿程度相對更重，隨著時間增加，原中、重度鹽堿地不斷被開墾為棉田，通常需要較多灌水來淋洗壓鹽。

夏灌期屬棉花需水高峰期，中、下游灌水量與全生育期相似，下游仍處于較低水平，受灌溉水供需矛盾日益加劇的影響，除少數年份有一定的波動外，整體仍呈基本一致的下降趨勢（圖6）。近20年來，中游灌區夏灌期灌水量變幅較大，介于230.1～388.2 mm之間（均值306.9 mm），約占需水量均值的68.7%，總體年均衰減4.6 mm；下游均值較中游低約50 mm，占需水量的比例僅57.5%，其衰減速度更快，達5.9 mm/a，至2020年時，下游夏灌期灌水量僅169.0 mm。

2.3.3 需水滿足度

在獲取近20年有效降水量和灌水量等數據以及膜下滴灌棉花需水量的基礎上，通過式（1）即可分別評估流域中、下游不同灌溉周期內棉花需水滿足度WDSD的變化過程。由于供水條件優越、灌水量較高，中游WDSD大多高于下游（圖7）。從全生育期來看，2012年前中游WDSD基本達80%，之后則隨棉田面積擴張和灌溉定額降低而顯著下降（圖7a），2001年WDSD為82.4%，至2020年已降至54.5%。下游灌區的需水多數年份都難以得到滿足，總體也呈顯著下降趨勢（由76.9%降至50.7%）。

春灌期和夏灌期的WDSD則表現出明顯差異，由于春灌期棉花需水量較少、降水相對集中，故WDSD受有效降水量的影響較大，呈現較強的年際波動，中、下游差距較小（2012年后由于下游產生略高的灌水淋洗壓鹽需求，致使WDSD相應地稍稍超出中游，圖7b），總體介于45%～98%之間，平均約71.6%，對于有效降水量低于50 mm（平均值為58.4 mm）的年份（表4），其WDSD普遍低至60%以下，可見在貧水年份有必要增加春灌期的灌溉量，以滿足棉花的水分需求。棉花需水、灌水（圖6）多集中于夏灌期，故其中、下游WDSD的變化趨勢與全生育期基本類似，中游更高、整體顯著下降，尤其是自2012年以來下降更為迅猛（圖7c），其中，中游從2001年的85.3%降至2020年的59.9%（年均下降約1.3%），下游則從77.5%降至45.9%（年均下降約1.7%）。尤其是近幾年夏灌期的供水受到棉田面積擴張和灌水定額減小的很大影響，以致其滿足度多在70%以下，甚至低至45.9%（2020年下游），已越來越難以滿足作物水分需求。

a. 全生育期a. Whole irrigation stageb. 春灌期b. Spring irrigation stagec. 夏灌期c. Summer irrigation stage

另有一點尚需提請注意的是，有鹽分淋洗需求時，作物需水評估通常需要根據鹽堿化程度設置一個加大系數[34]。由于資料所限本研究暫無法準確獲取這一系數的變化情況，致使WDSD的評估可能存在一定的瑕疵，尤其是當鹽堿程度較重時，2.3.1節所列數據可能會低估需水量。事實上，21世紀初（2001—2006年）當膜下滴灌技術在流域中、下游鹽堿荒地開始推廣應用時，一方面多數灌區的供水還可以得到保障，另一方面絕大部分新增耕地均屬中重度鹽堿荒地，鹽分淋洗還消耗了一部分水，故（在不考慮淋洗的前提下）WDSD盡管處于較高水平（圖7），但統計年鑒仍然顯示，其棉花單產水平并不高，僅為1 685～2 050 kg/hm2。隨著種植年限的增長，根區鹽分狀況得到逐步改善[35]，至近些年（2012—2018年），盡管由于供水緊張造成WDSD處于較低水平，但棉花單產卻始終穩定在2 400～2 513 kg/hm2之間，當然，這其中也許還包含農業科技進步（如抗旱耐鹽品種選育、農藝和機械化水平提高等）的貢獻[36]，但膜下滴灌所導致根區鹽分淡化的重要作用是毋庸置疑的。有關瑪納斯河流域膜下滴灌棉田根系層含鹽量的動態變化過程及其對作物需水、耗水、生長和產量的影響，仍有待進一步深入研究。無論如何，瑪納斯河流域近20年耕地擴張所致作物WDSD大大衰減已是不爭的事實，必須妥善處理好棉田面積擴張與灌溉水分供應緊張之間的矛盾，才能保證流域膜下滴灌棉花生產的可持續發展。

3 結 論

本文探索了基于GEE云平臺、簡單非迭代聚類圖像分割和隨機森林分類算法融合的遙感影像分類識別方法，并通過瑪納斯河流域的野外調查和區域調研對該方法進行了驗證，在此基礎上，應用該方法進一步分析了當地近20年來種植結構的變化過程，及其對主要作物（膜下滴灌棉花）灌溉水分供應狀況和需水滿足度的影響，得到主要結論如下：

1）本文所提出的遙感反演方法可快速、準確地進行瑪納斯河流域的地物分類識別和種植結構信息提取，單次分類時長約10 min，影像分類總體精度平均達0.9。

2）2000—2020年流域各類地物分布與面積占比一直處于動態變化之中，種植作物始終以棉花為主并主要分布于中、下游。隨著膜下滴灌的推廣應用，棉田占比從約22%升至40%，但2015—2020年受人為調控影響，擴張趨勢已得到一定緩解；非棉農田多集中分布于上游且面積較小，占比始終在7%以下浮動；隨著棉田擴張，非農田面積占比從約73%降至53%，目前多集中于上游山地、中游泉水溢出帶和下游沙漠邊緣處。

3）受棉田面積擴張、灌溉水資源限制等因素影響，流域棉花灌水量和需水滿足度的時空變異明顯：空間分布上，下游由于灌排條件較差，二者多低于中游；時間水平上，二者在全生育期均隨年份增加而顯著下降，從年內分配來看，下降主要發生在棉花供、需水旺盛的夏灌期，特別是2012年以來，夏灌期的衰減趨勢更為突出，至2020年，夏灌期下游的需水滿足度已降至約46%，表明棉田擴張與供水間的矛盾已十分突出，急需妥善解決方可保證流域綠洲農業的可持續發展。

本文研究結果除可為瑪納斯河流域種植結構調整和水資源配置管理提供科學依據外，已被成功應用于流域膜下滴灌棉田根區含鹽量的遙感反演與動態分析之中，相關結果將在后續研究中陸續報道。需要指出的是，本文所述遙感影像分類方法的計算復雜度較高，當研究區范圍更大、所用影像分辨率更高或時相數更多時，可能會超出GEE平臺的運算限制，是否可以通過分塊處理來提高計算效率，或只能通過降低影像分辨率（或減少時相數）來犧牲一定分類精度以應對其運算限制，均有待進一步深入研究。

[1] 張鳳華，趙強，潘旭東，等. 新疆瑪河流域綠洲土壤特性空間分異與合理開發模式[J]. 水土保持學報，2005，19(6)：55-58.

Zhang Fenghua, Zhao Qiang, Pan Xudong, et al. Spatial differentiation and exploration direction of soil characteristic in valley of Manas River in Xinjiang[J]. Journal of Soil and Water Conservation, 2005, 19(6): 55-58. (in Chinese with English abstract)

[2] 范文波，吳普特，馬楓梅. 膜下滴灌技術生態-經濟與可持續性分析：以新疆瑪納斯河流域棉花為例[J]. 生態學報，2012，32(23)：7559-7567.

Fan Wenbo, Wu Pute, Ma Fengmei. Socio-economic impacts of under-film drip irrigation technology and sustainable assessment: A case in the Manas River Basin, Xinjiang, China[J]. Acta Ecologica Sinica, 2012, 32(23): 7559-7567. (in Chinese with English abstract)

[3] 李均力，姜亮亮，包安明，等. 1962-2010年瑪納斯流域耕地景觀的時空變化分析[J]. 農業工程學報，2015，31(4)：277-285.

Li Junli, Jiang Liangliang, Bao Anming, et al. Spatio-temporal change analysis of cultivated land in Manas drainage basin during 1962-2010[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 277-285. (in Chinese with English abstract)

[4] 黃犁，徐麗萍. 瑪納斯河流域綠洲時空演變及其景觀格局變化[J]. 干旱區研究，2019，36(5)：1261-1269.

Huang Li, Xu Liping. Spatiotemporal evolution of the oasis and change of landscape pattern in the Manas River Basin[J]. Arid Zone Research, 2019, 36(5): 1261-1269. (in Chinese with English abstract)

[5] 呂娜娜，白潔，常存，等. 近50年基于農作物種植結構的新疆綠洲農田蒸散發時空變化分析[J]. 地理研究，2017，36(8)：1443-1454.

Lu Nana, Bai Jie, Chang Cun, et al. Spatial-temporal changes in evapotranspiration based on planting patterns of major crops in the Xinjiang oasis during 1960-2010[J]. Geographical Research, 2017, 36(8): 1443-1454. (in Chinese with English abstract)

[6] Vintrou E, Desbrosse A, Begue A, et al. Crop area mapping in West Africa using landscape stratification of MODIS time series and comparison with existing global land products[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 14(1): 83-93.

[7] Pekel J F, Cottam A, Gorelick N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540(7633): 418.

[8] Gorelick N, Hancher M, Dixon M, et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202(12): 18-27.

[9] Tsai Y H, Stow D, Chen H L, et al. Mapping vegetation and land use types in Fanjingshan national nature reserve using Google Earth Engine[J]. Remote Sensing, 2018, 10(6): 927.

[10] Xiong J, Thenkabail P S, Tilton J C, et al. Nominal 30-m cropland extent map of continental Africa by integrating pixel-based and object-based algorithms using Sentinel-2 and Landsat-8 data on Google Earth Engine[J]. Remote Sensing, 2017, 9(10): 1065.

[11] Blaschke T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 2-16.

[12] Tassi A, Vizzari M. Object-oiriented LULC classification in Google Earth Engine combining SNIC, GLCM, and machine learning algorithms[J]. Remote Sensing, 2020, 12(22): 3776.

[13] Achanta R, Susstrunk S. Superpixels and polygons using simple non-iterative clustering[C]. Honolulu: 30th IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2017), 2017: 4895-4904.

[14] Immitzer M, Vuolo F, Atzberger C. First experience with sentinel-2 data for crop and tree species classifications in Central Europe[J]. Remote Sensing, 2016, 8(3): 166.

[15] 王軍，李久生，關紅杰，北疆膜下滴灌棉花產量及水分生產率對灌水量響應的模擬[J]. 農業工程學報，2016，32(3)：62-68.

Wang Jun, Li Jiusheng, Guan Hongjie. Modeling response of cotton yield and water productivity to irrigation amount under mulched drip irrigation in North Xinjiang[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 62-68. (in Chinese with English abstract)

[16] 高長遠. 安集海灌區潛水水質高礦化成因[J]. 新疆水利，1996，19(2)：26-29.

Gao Changyuan. Causes of high mineralization of phreatic water quality in Anjihai Irrigation Zone[J]. Xinjiang Water Resources, 1996, 19(2): 26-29. (in Chinese with English abstract)

[17] 李玉義，柳紅東，張鳳華，等. 新疆瑪納斯河流域灌溉技術對土壤鹽漬化的影響[J]. 中國農業大學學報，2007，53(1)：22-26.

Li Yuyi, Liu Hongdong, Zhang Fenghua, et al. Assessment on the effect of irrigation technology on soil salinization in Manas River Valley, Xinjiang[J]. Journal of China Agricultural University, 2007, 53(1): 22-26. (in Chinese with English abstract)

[18] Reed B C, Brown J F, Vanderzee D, et al. Measuring phenological variability from satellite imagery[J]. Journal of Vegetation Science, 1994, 5(5): 703-714.

[19] Mahdianpari M, Salehi B, Mohammadimanesh F, et al. The first wetland inventory map of Newfoundland at a spatial resolution of 10 m using Sentinel-1 and Sentinel-2 data on the Google Earth Engine cloud computing platform[J]. Remote Sensing, 2019, 11(1): 43.

[20] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[21] 曹正鳳，謝邦昌，紀宏. 一種隨機森林的混合算法[J]. 統計與決策，2014，30(4)：7-9.

Cao Zhengfeng, Xie Bangchang, Ji Hong. A hybrid algorithm for random forest[J]. Statistics and Decision, 2014, 30(4): 7-9. (in Chinese with English abstract)

[22] van Niel T G, McVicar T R, Datt B. On the relationship between training sample size and data dimensionality: Monte Carlo analysis of broadband multi-temporal classification[J]. Remote Sensing of Environment, 2005, 98(4): 468-480.

[23] 薄樹奎，丁琳. 訓練樣本數目選擇對面向對象影像分類方法精度的影響[J]. 中國圖象圖形學報，2010，15(7)：1106-1111.

Bo Shukui, Ding Lin. The effect of the size of training sample on classification accuracy in object-oriented image analysis[J]. Journal of Image and Graphics, 2010, 15(7): 1106-1111. (in Chinese with English abstract)

[24] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35-46.

[25] Du T S, Kang S Z, Zhang J H, et al. Water use and yield responses of cotton to alternate partial root-zone drip irrigation in the arid area of north-west China[J]. Irrigation Science, 2008, 26(2): 147-159.

[26] 康紹忠，蔡煥杰. 農業水管理學[M]. 北京：中國農業出版社，1996.

[27] Allen R, Pereira L, Raes D, et al. Crop evapotranspiration: Guidelines for computing crop water requirements[R]. Rome, FAO Irrigation and Drainage Paper, 1998: 56.

[28] Meixian L, Jingsong Y, Xiaoming L, et al. Numerical simulation of soil water dynamics in a drip irrigated cotton field under plastic mulch[J]. Pedosphere, 2013, 23(5): 620-635.

[29] Qiao X J, Yang G, Shi J C, et al. Remote sensing data fusion to evaluate patterns of regional evapotranspiration_ a case study for dynamics of film-mulched drip irrigated cotton in China's Manas River Basin over 20 years[J]. Remote Sensing, 2022, 14(14): 3438.

[30] 李玉義，逄煥成，陳阜，等. 新疆瑪納斯河流域灌溉水資源保證程度及提升策略[J]. 自然資源學報，2010，25(1)：32-42.

Li Yuyi, Pang Huancheng, Chen Fu, et al. Analysis on the guarantee degree of irrigation water resources and its promotion strategies in Manas River Valley, Xinjiang[J]. Journal of Natural Resources, 2010, 25(1): 32-42. (in Chinese with English abstract)

[31] 李玉義，張鳳華，潘旭東，等. 新疆瑪納斯河流域不同地貌類型土壤鹽分累積變化[J]. 農業工程學報，2007，23(2)：60-64.

Li Yuyi, Zhang Fenghua, Pan Xudong, et al. Changes of salt accumulation in soil layers with different landforms in Manas River Valley in Xinjiang region of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(2): 60-64. (in Chinese with English abstract)

[32] 劉艷偉，朱仲元，朝倫巴根，等. 水分脅迫條件下羊草群落生育期雙作物系數計算方法的驗證[J]. 中國農村水利水電，2010，52(4)：39-42.

Liu Yanwei, Zhu Zhongyuan, Chaolunbagen, et al. Validation of estimating dual crop coefficient approach in growing season for the community of Leymus Chinensis under water stress conditions[J]. China Rural Water and Hydropower, 2010, 52(4): 39-42. (in Chinese with English abstract)

[33] 凌紅波，徐海量，史薇，等. 新疆瑪納斯河流域綠洲生態安全評價[J]. 應用生態學報，2009，20(9)：2219-2224.

Ling Hongbo, Xu Hailiang, Shi Wei, et al. Ecological safety assessment of Manas River Basin oasis, Xinjiang[J]. Chinese Journal of Applied Ecology, 2009, 20(9): 2219-2224. (in Chinese with English abstract)

[34] 楊勁松，陳小兵，胡順軍，等. 綠洲灌區土壤鹽分平衡分析及其調控[J]. 農業環境科學學報，2007，27(4)：1438-1443.

Yang Jingsong, Chen Xiaobing, Hu Shunjun, et al. Analysis of soil-salt balance and its control in oasis irrigation area[J]. Journal of Agro-Environment Science, 2007, 27(4): 1438-1443. (in Chinese with English abstract).

[35] 李文昊，王振華，鄭旭榮，等. 長期膜下滴灌對根區土壤鹽分及棉花生長影響研究[J]. 干旱區資源與環境，2015，29(8)：161-166.

Li Wenhao, Wang Zhenhua, Zheng Xurong, et al. The effect of drip irrigation under film in long-term on the soil salinity in root zone and the cotton growth[J]. Journal of Arid Land Resources and Environment, 2015, 29(8): 161-166. (in Chinese with English abstract)

[36] 毛樹春，李亞兵，董合忠. 中國棉花輝煌70年：我國走出了一條適合國情、具有中國特色的棉花發展道路、發展模式和發展理論[J]. 中國棉花，2019，46(7)：1-14.

Mao Shuchun, Li Yabing, Dong Hezhong. Brilliant 70 Years of China Cotton: China has enbarked on a debelopment path, model and theory of cotton production with Chinese characteristics suitable for national conditions[J]. China Cotton, 2019, 46(7): 1-14. (in Chinese with English abstract)

Crop planting structure and water demand satisfaction degree in Manas River Basin from 2000 to 2020

Yang Guang1, Qiao Xuejin1, Shi Jianchu1, Wu Xun1, Zhou Xiangrui1, Zhang Jia2, Zuo Qiang1※

(1.,,100193,; 2.,832000,)

Efficient utilization of water and soil resources has been critical under the changing environmental conditions in the arid oasis. It is very necessary to understand the temporal and spatial evolution of crop planting structure and crop water demand satisfaction degree (i.e. the ratio of supplied water amount to water demand) for the efficient use of water and soil resources and sustainable development of agriculture in the arid Manas River Basin, including the largest typically agricultural oasis in Xinjiang of western China. In this study, a classification model was established for the surface features via the remote sensing inversion using the Google Earth Engine (GEE) cloud computing platform, together with the coupled Simple Non-Iterative Clustering super pixel image segmentation and Random Forest classifier. The classification model was verified using a regional survey at the fixing sampling positions with the GPS. Then, the model was applied to the crop planting structure in the Manas River Basin over the past 20 years from 2000 to 2020. The Penman-Monteith formula was used to calculate the effective precipitation in the irrigation schedule from the regional survey and the water demand of the main crop (drip-irrigated cotton under film mulch). A systematic investigation was made to explore the effect of the crop planting structure on the irrigation water supply and water demand satisfaction degree for the drip-irrigated cotton under film mulch. Results showed that the new remote sensing inversion model was reliable for the surface feature classification in the Manas River Basin, with an annual average overall accuracy of 0.9. The planting crop of the basin was dominated by drip-irrigated and film-mulched cotton, accounting for more than 80% of the total planting area in all the last 21 years, and mainly distributed in the midstream and downstream regions, where the climate and hydrological conditions were more suitable for the cotton growth. Beneficial from the water-saving and salinization-alleviating characteristics of drip irrigation under the film mulch, a lot of mildly- and moderately- or even severely-salinized wastelands were continuously reclaimed into the cotton fields, resulting in an increased rate of about 101 km2/ain the area. There was an ever-increasing prominent contradiction between the expansion of cotton fields and the limited supply of irrigation water resources, particularly with a significant declining trend in the water demand satisfaction degree for cotton. The irrigation amount and water demand satisfaction degree in downstream were generally lower than those in the midstream, due to the low irrigation and drainage conditions, especially when the crop was in the peak water demand during the summer irrigation period. The average water demand satisfaction degreedecreased over the entire basin in the whole irrigation period by 2020. It is a high demand to optimize the crop planting structure in the arid Manas River Basin.

crops; random forest; remote sensing; planting structure; water demand satisfaction degree; drip-irrigated cotton fields under film mulch; farmland expansion; water supply

10.11975/j.issn.1002-6819.2022.18.017

S127；S274.1

A

1002-6819(2022)-18-0156-11

楊光，喬學瑾，石建初，等. 2000—2020年瑪納斯河流域的作物種植結構與需水滿足度[J]. 農業工程學報，2022，38(18)：156-166.doi：10.11975/j.issn.1002-6819.2022.18.017 http://www.tcsae.org

Yang Guang, Qiao Xuejin, Shi Jianchu, et al. Crop planting structure and water demand satisfaction degree in Manas River Basin from 2000 to 2020[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 156-166. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.017 http://www.tcsae.org

2022-03-29

2022-07-10

國家自然科學基金項目（52079136，51790532）

楊光，博士生，研究方向為干旱區水土資源利用與土壤水鹽運移。Email：iguangyang@outlook.com

左強，博士，教授，研究方向為多孔介質中的質量運移與能量傳輸。Email：qiangzuo@cau.edu.cn