文韶鑫

（河北工程大学矿业与测绘工程学院，河北 邯郸 056000）

0 前言

我国是一个农业大国，受气候变暖等因素的影响，农业干旱时有发生，导致农业生产需要消耗大量的水资源。据统计，每年我国农业用水量在整个社会经济用水量中的占比高达70%[1]。当前，我国农业自动化灌溉体系还不完善，大部分农业地区仍然以传统的人工灌溉为主，水资源浪费现象极为严重，且难以实现有效灌溉，水资源利用率低下。而农用地灌溉面积是农业生产过程中的基础性数据，准确掌握灌区信息对于提高水资源利用率和改变水资源利用现状具有积极的意义。

以往农田灌溉信息的提取主要是通过实地统计的方法，例如神经向量法[2]、支持向量机法[3]、灰色预测模型[4]等，缺少令人信服的理论基础，且预测数据与实际数据之间的误差也较大。遥感技术自出现以来，凭借其快速、宏观、准确等特性备受学者们关注，也为提取农田灌溉面积带来了新的思路。1997年，水利部遥感技术应用中心证明了利用遥感技术进行农田灌溉区域的识别与提取是行之有效的[5]。2009年，世界水资源管理研究所基于AVHRR影像，完成了全世界第一张全球灌溉面积分布图[6]。

本文综合目前国内外相关文献，概述了基于遥感技术的农田灌溉面积提取方法的相关模型和算法，并对其优缺点进行总结，以期为后续快速、高效、准确地提取农田灌溉面积提供技术支撑。

1 基于蒸散发模型的农田灌溉面积提取法

蒸散发模型的核心是能量平衡关系式，其反映了下垫面地表辐射能量的交换过程。辐射能量在该过程主要分成了三个部分：一是地表水分蒸发的潜热通量，二是近地表大气升温的感热通量，三是地表升温的土壤热通量[7]。目前用蒸散发模型提取灌溉面积的方法主要有两种，一是缺水指数法，二是水量平衡法。

基于缺水指数法提取灌溉面积，先用日蒸散量计算作物缺水指数，由于缺水指数与土壤含水量直接相关，故通过反演得出土壤含水量，进而提取灌溉面积[8]。1981年，Idso等发现冠层温度与空气温度的差值与空气水汽压和植物蒸腾的潜在率存在线性关系，以此提出了作物缺水指数模型CWSI[9]。2006年，宋小宁等用基于亚像元尺度的双层蒸散模型计算出地表缺水指数SWDI，并用该指数反演得到表层土壤水分含量[8]。2012年，刘振华等对作物缺水指数模型CWSI进行改良，利用土壤蒸发模型来消除土壤对缺水指数模型的影响[10]。

基于水量平衡法提取灌溉面积，用水量平衡关系式定量求出灌溉水量，继而提取灌溉面积。2018年，高瑞睿首次将蒸散发模型用于灌溉面积的提取，利用SEBAL模型反演了日蒸散发量，用MPDI模型反演了土壤含水量，并根据水量平衡方程计算得出灌溉水量，提取了农田灌溉面积[11]。

蒸散发模型估算灌溉面积的重点和难点在于能量平衡关系式中各分量的计算。模型参数计算较多，但有物理模型的支撑计算结果较为精确。目前蒸散发模型的研究较为成熟，但利用模型进行农田灌溉面积的反演研究尚处在实验阶段，还需不断进行实践与完善。

2 基于光谱匹配技术的农田灌溉面积提取法

光谱匹配技术是对待测光谱和目标光谱进行量化，并根据量化结果判断两者相似度的一种技术。与其他方法相比，光谱匹配技术无需通过监测土壤或植被的水分变化来提取灌溉面积。光谱匹配的量化方法主要有基于类别的光谱匹配和基于像元的光谱匹配两种。

基于类别的光谱匹配法，是在影像非监督分类的基础上，根据类别光谱与目标光谱的相似度，确定类别的一种匹配方法。世界水资源管理研究所（IWMI）在K-means聚类的基础上，利用基于类别的光谱匹配技术，选取SCS和SSV为量化指标，发布了世界第一张1 km尺度的全球灌溉分布图[6]。2016年，Ambika等为了提高灌溉分布图的精度，将光谱匹配技术与决策树相结合，用光谱匹配对影像进行分类[12]。2017年，Teluguntla等使用ISOCALSS聚类进行分类，开创了基于类别的光谱匹配技术与ACCA算法相结合的先河[13]。

基于类别的光谱匹配技术为先聚类后匹配，是用非监督分类生成的类别光谱与目标光谱进行匹配；而基于像元的光谱匹配技术为先匹配后聚类，计算待匹配影像的所有像元的相似度，通过设定阈值根据像元的相似度进行聚类。宋文龙等基于高分数据，用基于像元的光谱匹配方法计算了数据中所有像元的SSV值，并引入OTSU自适应阈值算法确定SSV分割阈值，最终得到东雷二期抽黄灌区的灌溉面积[14]。

由于光谱匹配技术对长时序影像的变化特征较为敏感，故适用于周期性灌溉面积的监测。无论基于类别还是基于像元分类，光谱匹配的重点在于分类的准确性。精确地设定分割阈值，减小分类产生的误差是今后基于光谱匹配提取灌溉面积的发展方向。

3 基于冠层温度的农田灌溉面积提取法

土壤水分和冠层温度有着直接的关系：土壤水分持续亏缺，致使叶表面气孔关闭，植被蒸腾作用减弱，冠层表面温度升高。灌溉后植被蒸腾作用与土壤的热交换使地表温度下降，因此在外界辐射水平相同的情况下，温度出现降低的种植区域理论上被认为是灌溉区域。以植被供水指数VSWI和温度植被干旱指数TVDI为依据，并充分考虑植被的覆盖情况，以地表温度为基础进行指数计算，通过做差和设定阈值来提取灌溉面积。

1998年，刘丽等基于AVHRR数据计算了植被供水指数VSWI，并建立了其与干旱指数TVDI之间的关系，为基于遥感技术监测农业干旱奠定了基础[15]。2014年，邸兰杰通过地表温度的DEM订正，基于改进型的TVDI和ATI模型，对河北地区的土壤进行了湿度反演[16]。2017年，何娇娇等基于遥感技术计算地表温度LST和植被供水指数VSWI，通过对比灌溉前后地表和植被冠层温度的差异性，推测水分变化情况，进而对石津灌区的灌溉面积进行提取。结果表明，基于地表温度LST和植被供水指数VSWI提取的灌溉区域重叠率高达87%，证明用植被冠层温度监测灌溉面积是可行的[17]。根据冠层温度提取灌溉面积，模型适用度高，在植被覆盖度较低的沙地也同样适用；但在反演关键参数时，复杂度较高的地表会影响反演的结果，从而导致更大的误差[18]。

4 基于光谱特征的农田灌溉面积提取法

根据植被与土壤在红光波段和近红外波段的差异，可构建NIR-Red光谱特征空间来监测或反演土壤水分。由于植被在红色和蓝紫色波段处反射率低，而在近红外波段处反射率高，换言之，植被覆盖率越高，其近红外波段反射率越高，红波段反射率越低。而裸土的光谱反射率从红波段到近红外波段变化较为平稳，反差不大，土壤含水量越大，其红波段和近红外波段的反射率越低。基于此，可采用NIR-Red光谱特征空间来描述植被情况，即像元到土壤基线的垂直距离反映了植被的覆盖情况，而垂足到原点的距离则代表了土壤干湿情况，这个距离就是垂直植被指数PVI[19]。

2016年，王啸天等利用垂直干旱指数PDI，根据近红外波段和红波段特征空间规律，在宁夏回族自治区秦汉灌区提取了灌溉面积[20]。2007年，Ghulam A等在估算土壤水分时，将植被覆盖度引入PDI指数中，消除了植被覆盖对土壤水分估算的影响，提出了修正的垂直干旱指数MPDI[21]。2014年，Tao L等建立MPDI与土壤含水量的关系，并提取了河套平原的实际灌溉面积，经统计数据验证，其准确率在85%以上[22]。同年，易珍言等也用MPDI提取了河套平原的实际灌溉面积，并将其运用到灌区灌溉管理中[23]。

NIR-Red光谱特征空间用于监测土壤的含水量，NIR-Swir光谱特征空间则用于监测植被的含水量。土壤水分的持续亏缺会导致叶片含水量下降，而短波红外对叶片水分的变化极为敏感[24]，以短波红外波段为监测波段，近红外波段为参考波段建立特征空间。基于垂直干旱指数PDI的原理，可采用NIR-Swir光谱特征空间构建短波红外垂直失水指数SPSI。沈静采用短波红外垂直失水指数SPSI、垂直干旱指数PDI和修正后的垂直干旱指数MPDI，根据其在特征空间中对于水分的关联规律，分别反演出河套灌区的土壤含水量，基于此提取了河套灌区的灌溉面积，并和真实灌溉面积进行对比验证，结果表明SPSI的监测效果要优于PDI及MPDI[25]。但植被含水量的变化需要时间积累，NIR-Swir光谱特征空间对干旱情况的反映存在滞后情况[26]。

5 结论与展望

笔者论述了农田灌溉面积提取的四种方法，皆依靠对比和阈值提取灌溉面积。根据对比对象的不同，灌溉面积的提取大致分为两类：一类是对比采样样本与遥感影像光谱曲线的差异，根据阈值确定农田灌溉面积，例如基于光谱匹配的农田灌溉面积提取法；另一类是对比灌溉前后指标或指数的差异，推测土壤水分的变化，并根据阈值提取灌溉面积，例如通过蒸散发模型、PDI指数等提取农田灌溉面积。综合上述分析，笔者将农田灌溉面积提取方法进一步归纳汇总，结果如表1所示。

表1 提取灌溉面积的主要模型

虽然农田灌溉面积的提取在近20年里有了一定的发展，但仍有许多问题值得进一步研究与探讨：1）目前农田灌溉面积的提取方法大部分以监测土壤或植被水分的变化为依托，是土壤水分反演方法的迁移应用，缺少独立的体系与方法。因此，需要根据农田的特点选择合适的水分反演方法，提高水分反演的准确性和效率。2）目前灌溉面积提取的数据源以单一遥感数据为主，缺乏一定的适用性与可靠性。由于灌区作物之间的距离较近，高空间分辨率的影像能更好地反映植被的光谱信息，减少混合像元产生的概率，选取高空间分辨率的影像是有必要的，同时需要高时间分辨率的影像对灌区进行连续观测。因此，多源数据的相互补充与融合必不可少。3）目前关于灌溉面积提取的研究以单期灌溉面积的提取为主，缺乏对灌区的时空演变分析。通过时空演变分析，可以了解到灌区灌溉情况的变化，将其与实际问题相结合，分析变化产生的原因，对农业灌溉作出相应的指导，并对未来农业生产状况作出预测。