基于遙感技術的農田灌溉面積提取方法綜述*

文韶鑫

（河北工程大學礦業與測繪工程學院，河北 邯鄲 056000）

0 前言

我國是一個農業大國，受氣候變暖等因素的影響，農業干旱時有發生，導致農業生產需要消耗大量的水資源。據統計，每年我國農業用水量在整個社會經濟用水量中的占比高達70%[1]。當前，我國農業自動化灌溉體系還不完善，大部分農業地區仍然以傳統的人工灌溉為主，水資源浪費現象極為嚴重，且難以實現有效灌溉，水資源利用率低下。而農用地灌溉面積是農業生產過程中的基礎性數據，準確掌握灌區信息對于提高水資源利用率和改變水資源利用現狀具有積極的意義。

以往農田灌溉信息的提取主要是通過實地統計的方法，例如神經向量法[2]、支持向量機法[3]、灰色預測模型[4]等，缺少令人信服的理論基礎，且預測數據與實際數據之間的誤差也較大。遙感技術自出現以來，憑借其快速、宏觀、準確等特性備受學者們關注，也為提取農田灌溉面積帶來了新的思路。1997年，水利部遙感技術應用中心證明了利用遙感技術進行農田灌溉區域的識別與提取是行之有效的[5]。2009年，世界水資源管理研究所基于AVHRR影像，完成了全世界第一張全球灌溉面積分布圖[6]。

本文綜合目前國內外相關文獻，概述了基于遙感技術的農田灌溉面積提取方法的相關模型和算法，并對其優缺點進行總結，以期為后續快速、高效、準確地提取農田灌溉面積提供技術支撐。

1 基于蒸散發模型的農田灌溉面積提取法

蒸散發模型的核心是能量平衡關系式，其反映了下墊面地表輻射能量的交換過程。輻射能量在該過程主要分成了三個部分：一是地表水分蒸發的潛熱通量，二是近地表大氣升溫的感熱通量，三是地表升溫的土壤熱通量[7]。目前用蒸散發模型提取灌溉面積的方法主要有兩種，一是缺水指數法，二是水量平衡法。

基于缺水指數法提取灌溉面積，先用日蒸散量計算作物缺水指數，由于缺水指數與土壤含水量直接相關，故通過反演得出土壤含水量，進而提取灌溉面積[8]。1981年，Idso等發現冠層溫度與空氣溫度的差值與空氣水汽壓和植物蒸騰的潛在率存在線性關系，以此提出了作物缺水指數模型CWSI[9]。2006年，宋小寧等用基于亞像元尺度的雙層蒸散模型計算出地表缺水指數SWDI，并用該指數反演得到表層土壤水分含量[8]。2012年，劉振華等對作物缺水指數模型CWSI進行改良，利用土壤蒸發模型來消除土壤對缺水指數模型的影響[10]。

基于水量平衡法提取灌溉面積，用水量平衡關系式定量求出灌溉水量，繼而提取灌溉面積。2018年，高瑞睿首次將蒸散發模型用于灌溉面積的提取，利用SEBAL模型反演了日蒸散發量，用MPDI模型反演了土壤含水量，并根據水量平衡方程計算得出灌溉水量，提取了農田灌溉面積[11]。

蒸散發模型估算灌溉面積的重點和難點在于能量平衡關系式中各分量的計算。模型參數計算較多，但有物理模型的支撐計算結果較為精確。目前蒸散發模型的研究較為成熟，但利用模型進行農田灌溉面積的反演研究尚處在實驗階段，還需不斷進行實踐與完善。

2 基于光譜匹配技術的農田灌溉面積提取法

光譜匹配技術是對待測光譜和目標光譜進行量化，并根據量化結果判斷兩者相似度的一種技術。與其他方法相比，光譜匹配技術無需通過監測土壤或植被的水分變化來提取灌溉面積。光譜匹配的量化方法主要有基于類別的光譜匹配和基于像元的光譜匹配兩種。

基于類別的光譜匹配法，是在影像非監督分類的基礎上，根據類別光譜與目標光譜的相似度，確定類別的一種匹配方法。世界水資源管理研究所（IWMI）在K-means聚類的基礎上，利用基于類別的光譜匹配技術，選取SCS和SSV為量化指標，發布了世界第一張1 km尺度的全球灌溉分布圖[6]。2016年，Ambika等為了提高灌溉分布圖的精度，將光譜匹配技術與決策樹相結合，用光譜匹配對影像進行分類[12]。2017年，Teluguntla等使用ISOCALSS聚類進行分類，開創了基于類別的光譜匹配技術與ACCA算法相結合的先河[13]。

基于類別的光譜匹配技術為先聚類后匹配，是用非監督分類生成的類別光譜與目標光譜進行匹配；而基于像元的光譜匹配技術為先匹配后聚類，計算待匹配影像的所有像元的相似度，通過設定閾值根據像元的相似度進行聚類。宋文龍等基于高分數據，用基于像元的光譜匹配方法計算了數據中所有像元的SSV值，并引入OTSU自適應閾值算法確定SSV分割閾值，最終得到東雷二期抽黃灌區的灌溉面積[14]。

由于光譜匹配技術對長時序影像的變化特征較為敏感，故適用于周期性灌溉面積的監測。無論基于類別還是基于像元分類，光譜匹配的重點在于分類的準確性。精確地設定分割閾值，減小分類產生的誤差是今后基于光譜匹配提取灌溉面積的發展方向。

3 基于冠層溫度的農田灌溉面積提取法

土壤水分和冠層溫度有著直接的關系：土壤水分持續虧缺，致使葉表面氣孔關閉，植被蒸騰作用減弱，冠層表面溫度升高。灌溉后植被蒸騰作用與土壤的熱交換使地表溫度下降，因此在外界輻射水平相同的情況下，溫度出現降低的種植區域理論上被認為是灌溉區域。以植被供水指數VSWI和溫度植被干旱指數TVDI為依據，并充分考慮植被的覆蓋情況，以地表溫度為基礎進行指數計算，通過做差和設定閾值來提取灌溉面積。

1998年，劉麗等基于AVHRR數據計算了植被供水指數VSWI，并建立了其與干旱指數TVDI之間的關系，為基于遙感技術監測農業干旱奠定了基礎[15]。2014年，邸蘭杰通過地表溫度的DEM訂正，基于改進型的TVDI和ATI模型，對河北地區的土壤進行了濕度反演[16]。2017年，何嬌嬌等基于遙感技術計算地表溫度LST和植被供水指數VSWI，通過對比灌溉前后地表和植被冠層溫度的差異性，推測水分變化情況，進而對石津灌區的灌溉面積進行提取。結果表明，基于地表溫度LST和植被供水指數VSWI提取的灌溉區域重疊率高達87%，證明用植被冠層溫度監測灌溉面積是可行的[17]。根據冠層溫度提取灌溉面積，模型適用度高，在植被覆蓋度較低的沙地也同樣適用；但在反演關鍵參數時，復雜度較高的地表會影響反演的結果，從而導致更大的誤差[18]。

4 基于光譜特征的農田灌溉面積提取法

根據植被與土壤在紅光波段和近紅外波段的差異，可構建NIR-Red光譜特征空間來監測或反演土壤水分。由于植被在紅色和藍紫色波段處反射率低，而在近紅外波段處反射率高，換言之，植被覆蓋率越高，其近紅外波段反射率越高，紅波段反射率越低。而裸土的光譜反射率從紅波段到近紅外波段變化較為平穩，反差不大，土壤含水量越大，其紅波段和近紅外波段的反射率越低。基于此，可采用NIR-Red光譜特征空間來描述植被情況，即像元到土壤基線的垂直距離反映了植被的覆蓋情況，而垂足到原點的距離則代表了土壤干濕情況，這個距離就是垂直植被指數PVI[19]。

2016年，王嘯天等利用垂直干旱指數PDI，根據近紅外波段和紅波段特征空間規律，在寧夏回族自治區秦漢灌區提取了灌溉面積[20]。2007年，Ghulam A等在估算土壤水分時，將植被覆蓋度引入PDI指數中，消除了植被覆蓋對土壤水分估算的影響，提出了修正的垂直干旱指數MPDI[21]。2014年，Tao L等建立MPDI與土壤含水量的關系，并提取了河套平原的實際灌溉面積，經統計數據驗證，其準確率在85%以上[22]。同年，易珍言等也用MPDI提取了河套平原的實際灌溉面積，并將其運用到灌區灌溉管理中[23]。

NIR-Red光譜特征空間用于監測土壤的含水量，NIR-Swir光譜特征空間則用于監測植被的含水量。土壤水分的持續虧缺會導致葉片含水量下降，而短波紅外對葉片水分的變化極為敏感[24]，以短波紅外波段為監測波段，近紅外波段為參考波段建立特征空間。基于垂直干旱指數PDI的原理，可采用NIR-Swir光譜特征空間構建短波紅外垂直失水指數SPSI。沈靜采用短波紅外垂直失水指數SPSI、垂直干旱指數PDI和修正后的垂直干旱指數MPDI，根據其在特征空間中對于水分的關聯規律，分別反演出河套灌區的土壤含水量，基于此提取了河套灌區的灌溉面積，并和真實灌溉面積進行對比驗證，結果表明SPSI的監測效果要優于PDI及MPDI[25]。但植被含水量的變化需要時間積累，NIR-Swir光譜特征空間對干旱情況的反映存在滯后情況[26]。

5 結論與展望

筆者論述了農田灌溉面積提取的四種方法，皆依靠對比和閾值提取灌溉面積。根據對比對象的不同，灌溉面積的提取大致分為兩類：一類是對比采樣樣本與遙感影像光譜曲線的差異，根據閾值確定農田灌溉面積，例如基于光譜匹配的農田灌溉面積提取法；另一類是對比灌溉前后指標或指數的差異，推測土壤水分的變化，并根據閾值提取灌溉面積，例如通過蒸散發模型、PDI指數等提取農田灌溉面積。綜合上述分析，筆者將農田灌溉面積提取方法進一步歸納匯總，結果如表1所示。

表1 提取灌溉面積的主要模型

雖然農田灌溉面積的提取在近20年里有了一定的發展，但仍有許多問題值得進一步研究與探討：1）目前農田灌溉面積的提取方法大部分以監測土壤或植被水分的變化為依托，是土壤水分反演方法的遷移應用，缺少獨立的體系與方法。因此，需要根據農田的特點選擇合適的水分反演方法，提高水分反演的準確性和效率。2）目前灌溉面積提取的數據源以單一遙感數據為主，缺乏一定的適用性與可靠性。由于灌區作物之間的距離較近，高空間分辨率的影像能更好地反映植被的光譜信息，減少混合像元產生的概率，選取高空間分辨率的影像是有必要的，同時需要高時間分辨率的影像對灌區進行連續觀測。因此，多源數據的相互補充與融合必不可少。3）目前關于灌溉面積提取的研究以單期灌溉面積的提取為主，缺乏對灌區的時空演變分析。通過時空演變分析，可以了解到灌區灌溉情況的變化，將其與實際問題相結合，分析變化產生的原因，對農業灌溉作出相應的指導，并對未來農業生產狀況作出預測。