胡 倩，谢丁兴，潘 岩，张博伟，魏 征*，窦超银

（1.扬州大学水利科学与工程学院，江苏 扬州 2250091；2.中国水利水电科学研究院，北京 100048；3.北京市昌平区供水服务中心，北京 102200）

作物水分利用效率（WUE）是作物水分利用特性重要参数，反映作物耗水与干物质生产之间关系，是衡量区域农业水资源管理是否科学的重要指标之一[1-2]。作物耗水（ET）是计算WUE重要参数，定量表征作物耗水是准确获取作物水分利用效率前提。传统WUE计算方法主要为田间试验法[3]和模型模拟法[4]，不同学者通过田间试验研究不同作物耗水特性及不同施肥处理[5]、灌溉处理[6]、砂石覆盖[7]、种植模式[8]等对典型作物水分利用效率的影响，但田间试验法因成本问题难以在区域范围开展。模型模拟可以得到区域尺度WUE，于利鹏等研究发现RZWQM-CERES模型结合GIS技术可较好模拟区域尺度上作物产量与耗水规律[9]，但模型模拟需大量土壤、作物、农业用水等参数作为模型输入参数。目前，遥感技术已成为区域水情、农情监测重要手段之一。Wu等基于改进SEBS模型估算黑河中游ET，从灌区尺度和黑河中游两个空间尺度评价水分利用效率[10]。仇宽彪等利用遥感、气象及农业统计数据，基于种植结构信息，通过趋势分析法研究我国中东部地区农田水分利用效率时空分布特征，探明影响我国中东部地区农田水分利用效率主要因素[11]。

以往基于ET的WUE研究，主要为田间试验及模型模拟，即针对农田尺度开展系列研究，区域代表性较差。区域作物WUE研究中，对WUE年际变化研究鲜见报道，且缺乏分析种植结构变化对WUE的影响。本文基于遥感和统计数据，采用非监督分类方法（ISODATA）和光谱耦合技术（SMT），提取北京市大兴区2007～2016年主要作物种植结构并分析其时空变化规律，分析以乡镇为最小尺度的冬小麦和夏玉米ET时空变化规律，结合产量统计数据评价冬小麦和夏玉米WUE时序变化，以期为区域农业水资源管理提供参考。

1 材料与方法

1.1 研究区概况

研究区位于北京市大兴区（见图1），地处华北平原西北部、北京市南部（116°15′E，39°39′N），海拔31.3 m；属于温带半湿润大陆季风气候，多年平均气温11.6℃，降水量556 mm，蒸发量1 800 mm。土壤主要是黏土和壤土，农业灌溉来源主要为地下水，占地下水总开采量86%。随工业用水和居民用水不断增加，水资源持续紧张，区内用水矛盾凸显。

图1 大兴区地理位置Fig.1 Geographical location of Daxing District

大兴区种植作物冬小麦播种时间为10月中上旬，次年5月下旬成熟（为便于分析，按冬小麦主要生育期年份计，如2006～2007年冬小麦，记作2007年）；春玉米播种时间为4月下旬，8月下旬成熟；夏玉米播种时间为6月下旬，9月下旬成熟。

1.2 数据来源与处理

1.2.1 MOD16

MOD16来源于NTSG官网（http://www.ntsg.umt.edu/），是基于MODIS和全球气象数据用RS-ET算法反演的全球ET。MOD16产品数据轨道号为h27v05，数据时间为2007～2016年。采用累加算法计算每年冬小麦和夏玉米生育期蒸散发数据，在ArcGIS中，用栅格统计工具统计基于像元的2007～2016年大兴区冬小麦和夏玉米ET，得到基于乡镇为最小尺度单元的冬小麦和夏玉米ET。

1.2.2 种植结构

Landsat7 ETM+数据和MOD09GA数据来源于USGS官网（http://glovis.usgs.gov/），作物种植结构提取主要以Landsat7 ETM+数据为基础，将其与时间序列数据组合，生成宏影像。Landsat7 ETM+和MOD09GA空间分辨率分别为30 m和500 m，时间跨度为2007～2016年。影像经过辐射校正、大气校正和裁剪，利用手持GPS采集的地面控制点统一进行几何精校正，误差控制在半个像元以内。

对包含时间系列数据的宏影像（由ETM+可见光、近红外波段和NDVI时间序列波段组成）分类采用ISODATA聚类分析方法和光谱耦合技术，将具有相似光谱反射特性及变化特征的像元归类合并为若干类，并统计各类别光谱反射特征矩阵。生育期内NDVI时间序列变化与高光谱具有类似特性，将NDVI时间序列取代光谱波段。光谱相似度SSV可用于度量两个光谱间差异，光谱相似度主要表现在形状和数量级相似两方面。表达式为[12]：

式中，de为欧氏距离，度量光谱间数量级大小；为度量光谱形状差异；n为类别NDVI时间序列长度；X、Y为类别NDVI时间序列；r皮尔逊相关系数，介于-1～1之间；ti为已知类NDVI时间序列值；μi为已知类NDVI时间序列均值；hi为目标类NDVI序列值；μh为目标类时间序列均值；σt为已知类系列标准差；σh为目标类标准差。

统计各类别各时期NDVI平均值，生成类别均值NDVI变化曲线。结合landsat7 ETM+关键期影像和地面点信息，可直接识别水体、居民点及荒地等非耕地类别。对于混合类，由原始宏影像分离该部分，重新划分为10个子类，逐一判别，直至可识别所有类别。最后依据参考类别NDVI时序特征及Google Earth粮食作物特征，提取两大类（冬小麦—夏玉米、春玉米）。

1.2.3 种植面积与粮食产量

大兴区各乡镇粮食作物种植面积（hm2）和粮食作物产量（kg）来源于官网统计年鉴（http://dxtjj.bjdx.gov.cn/tjsj/ndsj/index.htm），数据年际跨度2007～2016年，统计年鉴数据中缺失数据采用其余年份数据均值替代。

1.2.4 ET趋势系数

采用最小二乘算法分别对冬小麦和夏玉米ET影像作基于像元的年均ET值变化趋势，计算公式为[13]：

式中，T为线性变化趋势系数，即变化率；ETi为第i年大兴区粮食作物平均ET值；为大兴区粮食作物10年平均ET值；Yi表示第i年。每年各月份ET值相加得到年蒸散量ETi，由10年ET影像通过加权取平均值得到。利用粮食作物ET影像值序列和年际时间序列相关关系表示粮食作物ET值多年变化趋势。T＞0表示10年粮食作物ET值变化呈增加趋势，T＜0表示10年粮食作物ET值变化呈减少趋势。

1.2.5 作物水分利用效率

作物水分利用效率（WUE）是作物产量与作物耗水之间定量关系，即单位耗水量产量，是评价作物高效用水参数，是评价农业用水科学性重要指标，可通过作物实际产量和蒸散发估算[14]：

式中，WUE为作物水分利用效率（kg·m-3）；Y为作物产量（kg·hm-2）；ET为作物生育期蒸散发量（mm）。

2 结果与分析

2.1 种植结构变化规律

图2为大兴区2007～2016年冬小麦-夏玉米、春玉米遥感反演面积与统计年鉴种植面积对比图，由图2a可知，2008和2014年冬小麦-夏玉米遥感提取面积误差相对较大，遥感提取结果比统计年鉴面积小约0.78×104hm2；2010、2013和2015年冬小麦-夏玉米遥感提取与统计结果一致。由图2b可知，2011和2013年春玉米遥感提取与统计面积误差分别达到1.38×104和0.84×104hm2，其他年份春玉米遥感提取与统计面积误差大部分小于0.5×104hm2，这可能是由于栅格统计时，由最邻近法统计的栅格数存在误差，种植结构提取过程中，部分混合像元无法精确识别，导致遥感提取得到的面积与统计结果在个别年份差距较大。

图2 冬小麦-夏玉米、春玉米遥感识别与统计年鉴对比Fig.2 Comparison of remote sensing identification and statistical yearbook in winter wheat-summer maize and spring maize

冬小麦-夏玉米、春玉米遥感提取与统计结果相关分析见图3。冬小麦-夏玉米和春玉米种植面积提取结果与统计结果均呈正线性相关关系。冬小麦-夏玉米遥感提取结果与统计年鉴结果相关性较好，决定系数R2为0.812，相对误差为18.6%，其中，2007～2010、2012、2014～2015年共7年统计年鉴结果大于遥感提取结果；春玉米遥感提取结果与统计年鉴结果相关性略低于冬小麦-夏玉米，决定系数R2为0.743，相对误差为1%。

图3 冬小麦-夏玉米、春玉米遥感提取结果与统计结果相关分析Fig.3 Correlation analysis between remote sensing extraction results and statistical results of winter wheat-summer maize and spring maize

2.1.1 种植结构时间变化

冬小麦-夏玉米、春玉米年际动态变化趋势相同，呈“波动”变化，但逐年波动变化规律不明显（见图2）。冬小麦-夏玉米种植面积在2007～2010年变化较为平稳；2011年冬小麦-夏玉米种植面积达2.48×104hm2，占灌溉面积65%，因国家鼓励轮作，轮作方式生态和经济效益良好，粮食作物补贴政策也调动农民种植粮食作物积极性。同时，市场对粮食作物需求不断增加。2014年冬小麦-夏玉米、春玉米种植面积较小，分别为0.20×104和0.30×104hm2，主要由于果树经济效益较高，传统农作物种植面积大幅减少。

2.1.2 种植结构空间变化

北京市大兴区典型年（2007、2009、2011、2013和2015年）粮食作物种植结构空间分布如图4所示。

冬小麦-夏玉米种植区域主要分布在大兴区南部及西南部，春玉米种植区域较为分散，空间分布特征不明显。由图4a、c和d可知，2007、2011和2013年冬小麦-夏玉米主要分布在中部地区魏善庄镇、庞各庄镇、礼贤镇和安定镇。由图4a、d和e可知，2007、2013和2015年北京市大兴区旧宫镇、黄村镇、亦庄镇和瀛海镇冬小麦-夏玉米的种植面积不断减少，主要原因有以下两方面。一是北京市大兴区北部的旧宫镇、亦庄镇与丰台区和朝阳区接壤，北京城市化土地建设需求明显，大兴区北部有效耕地面积下降，粮食作物种植面积不断减少；二是受自然地理条件和国家土地政策影响，冬小麦-夏玉米和春玉米种植结构调整导致空间分布变化。冬小麦-夏玉米种植面积整体变化趋势表现为先增后减，2015年冬小麦-夏玉米种植面积明显减少。

图4 不同年份种植结构空间分布Fig.4 Spatial distribution of planting structure in different years

2.2 蒸散发时空变化规律

2.2.1 蒸散发年际变化

冬小麦和夏玉米生育期蒸散发量年际变化如图5所示，冬小麦2007～2016年ET变化范围为334.18～435.61 mm，多年平 均ET为392.66 mm；2012年ET最大，为435.61 mm；2015年ET最小，为334.18 mm。冬小麦年际ET大于多年均值的有2008、2009、2012、2013、2014和2016年，其余年份ET均低于多年ET均值。2007～2016年整体变化幅度为13%～15%。夏玉米2007～2016年ET变化范围为307.84～313.06 mm，多年平均ET为309.59 mm，2013年夏玉米ET最大，为313.06 mm；2007年ET最小，为307.84 mm。2007～2016年夏玉米ET变化幅度不超过1%。

图5 冬小麦和夏玉米蒸散发量年际变化Fig.5 Interannual variation of evapotranspiration of winter wheat and summer maize

2.2.2 蒸散发空间分布

冬小麦2007～2016年平均ET空间分布见图6，大兴区北部冬小麦多年ET均值较小，南部和西南部冬小麦多年ET均值普遍较高，ET空间分布特性与冬小麦种植结构表现一致，榆垡镇西部和东南部、礼贤镇南部和庞各庄镇南部冬小麦年均ET高于其他地区。冬小麦年际ET变化率如图6b所示，正值表示蒸散发呈增加趋势，负值表示蒸散发呈减少趋势。冬小麦年际ET变化率为-0.307～0.059，且大部分地区冬小麦ET值均呈下降趋势。

图6 冬小麦2007～2016年平均ET值及年际ET变化率Fig.6 Average ET and interannual ET rate of winter wheat from 2007 to 2016

夏玉米2007～2016年平均ET空间分布见图7，与冬小麦年均ET类似，大兴区北部夏玉米多年ET均值亦较小，大兴区南部和西南部夏玉米多年ET均值则较高。大兴区中部如魏善庄镇、安定镇、庞各庄镇和礼贤镇等地夏玉米ET空间分布较为集中。大兴区北部如旧宫镇、亦庄镇等地夏玉米ET分布较为分散。夏玉米年际ET变化率范围为-1.1～1.5，其中绿色区域（0.1＜T＜0.6）约占夏玉米ET分布的85%以上，夏玉米ET整体呈上升趋势。

图7 夏玉米2007～2016年平均ET值及年际ET变化率Fig.7 Average ET and interannual ET rate of summer maize from 2007 to 2016

2.3 作物水分利用效率分析

2007～2015年大兴区各乡镇冬小麦WUE统计结果见表1。

由表1可知，2010年冬小麦产量统计数据和部分乡镇由于统计年鉴数据缺失，导致冬小麦WUE缺失。各乡镇冬小麦多年平均WUE为1.41 kg·m-3，基于蒸散发量WUEET年际变化幅度较大，最大变化幅度高达76%，最小变化幅度29%。WUEET最大值为3.07 kg·m-3（2011年，榆垡），最小值为0.13 kg·m-（32014年，魏善庄）。年内各乡镇冬小麦WUE存在较大差异，冬小麦WUE多年平均最高值出现在榆垡，为2.40 kg·m-3；WUE多年平均最低值出现在庞各庄，为0.97 kg·m-3。

表1 冬小麦WUETable 1 Water use efficiency of winter wheat (kg·m-3)

表2为2007～2015年大兴区各乡镇夏玉米WUE统计结果。夏玉米多年平均WUE为1.90 kg·m-3，WUE年际变化幅度较小，最大变化幅度不超过41.5%。WUEET最大值为2.77 kg·m-（32011年，魏善庄），最小值为0.83 kg·m-（32015年，采育）。年内各乡镇夏玉米的WUE存在较大差异，夏玉米WUE多年平均最高值出现在魏善庄，为2.11 kg·m-3，最低出现在庞各庄，WUE为1.47 kg·m-3。

表2 夏玉米WUETable 2 Water use efficiency of summer maize (kg·m-3)

3 讨 论

本研究结合ISODATA聚类分析方法和光谱耦合技术提取北京市大兴区作物种植结构，冬小麦—夏玉米、春玉米遥感提取面积与统计结果的相关系数均接近0.80，拟合直线均接近1∶1直线，相对误差小于20%，结果比较理想，与王红营等，王雪婷等基于作物空间物候差异、基于多源、多时相遥感数据结合作物物候期特征等遥感方法提取作物种植面积的精度具有一致性[15-16]，表明该方法能够有效提取北京市大兴区种植结构。种植结构提取精度验证方面，除使用统计年鉴数据外，还通过野外调查或Google Earth目视解译，获取不同作物样本，以便验证其空间分布[17-18]。

MOD16/ET产品得到来自通量塔实测ET和全球232个流域测量ET的验证[19]，且在海河流域应用较为广泛，贺添等在站点尺度和流域尺度进行MOD16产品精度验证，结果表明该产品在我国森林、农田生态系统类型，以及辽河、海河、黄河和淮河流域的模拟精度较高[20]。本研究应用该产品分析北京市大兴区冬小麦—夏玉米多年ET时空变化特征，冬小麦年ET明显大于夏玉米年ET，主要是由于华北地区冬小麦主要生育期大气蒸发能力高于夏玉米[21]。张文发等基于Landsat-8数据分析内蒙古察汗淖尔流域作物生育期ET，表明不同作物间生育期ET差异明显，且遥感ET与单作物系数法计算值相对误差小于12%[22]。蒋磊等基于Sentinel-2数据与地面观测数据估算田块尺度玉米ET，指出研究区玉米ET总量与水量平衡法计算总量相对误差低于5%[23]。因此，可考虑充分利用数据融合方法，将Landsat-8和Sentinel-2等数据与本文所用的MODIS数据融合，得到高时空间分辨ET数据集，便于下一步更加准确计算作物水分利用效率。

4 结论

a.采用非监督分类方法和光谱耦合技术提取的作物种植结构具有较高可靠性。冬小麦-夏玉米和春玉米的R2和相对误差分别为0.812、0.743和18.6%、1%。

b.冬小麦和夏玉米2007～2016年ET变化范围分别为334.18～435.61 mm和307.84～313.06 mm；冬小麦和夏玉米多年平均ET空间分布规律与种植结构遥感提取结果一致性；冬小麦ET呈减小趋势，夏玉米ET呈增加趋势。

c.北京市大兴区各乡镇冬小麦和夏玉米多年平均WUEET分别为1.41和1.90 kg·m-3，冬小麦WUEET年际变幅较大，最大变幅达76%，夏玉米WUE年际变幅相对较小，最大变幅低于41.5%。