劉逸竹，吳文斌，李召良，周清波

?

基于時(shí)間序列NDVI的灌溉耕地空間分布提取

劉逸竹，吳文斌，李召良，周清波※

（農(nóng)業(yè)部農(nóng)業(yè)遙感重點(diǎn)實(shí)驗(yàn)室/中國(guó)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，北京 100081）

灌溉耕地空間分布地圖是農(nóng)業(yè)和糧食政策制定、水資源管理和環(huán)境變化研究的基礎(chǔ)數(shù)據(jù)，及時(shí)、準(zhǔn)確和適用性強(qiáng)是區(qū)域尺度灌溉耕地分布提取方法的重要要求。相比于非遙感數(shù)據(jù)融合和遙感影像分類方法，利用遙感參量對(duì)統(tǒng)計(jì)數(shù)據(jù)進(jìn)行空間重建的方法具備少受樣本限制、運(yùn)算速度快、與統(tǒng)計(jì)數(shù)據(jù)匹配水平高和產(chǎn)品分辨率適宜的優(yōu)勢(shì)，但目前該方面的研究較為薄弱。該文以中國(guó)為研究區(qū)域，應(yīng)用國(guó)外提出的基于時(shí)間序列NDVI的灌溉面積統(tǒng)計(jì)數(shù)據(jù)空間化方法，研制中國(guó)2010年、空間分辨率250 m的灌溉耕地空間分布地圖，深入分析了該方法的應(yīng)用效果及其影響精度的主要原因。結(jié)果表明，利用該方法獲得的灌溉耕地空間分布數(shù)據(jù)的空間位置精度與同類遙感產(chǎn)品相當(dāng)，在數(shù)量精度上具有明顯優(yōu)勢(shì)，不同區(qū)域的制圖效果具有差異性。全國(guó)總體精度64.20%，各省精度極差為48.35%。制圖誤差主要來源為耕地底圖、方法假設(shè)和分類參量，未來方法的優(yōu)化應(yīng)重點(diǎn)加強(qiáng)耕地分布制圖、改進(jìn)方法假設(shè)、進(jìn)行不同類別和時(shí)間點(diǎn)的特征參量的篩選和利用。

NDVI；數(shù)據(jù)融合；灌溉耕地；空間分布

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。一方面它是近幾十年全球糧食產(chǎn)量持續(xù)增長(zhǎng)、確保糧食安全的重要貢獻(xiàn)者[1]，另一方面農(nóng)業(yè)灌溉用水消耗了全球可用淡水資源的80%以上[2]，通過改變地表和地下水的分配影響到大氣對(duì)流、降雨分布和局地氣候[3-4]。因此，灌溉耕地空間分布及其時(shí)空變化是區(qū)域乃至全球農(nóng)業(yè)產(chǎn)業(yè)政策制定、水資源管理和應(yīng)對(duì)氣候變化的重要應(yīng)用與科學(xué)研究基礎(chǔ)。

遙感技術(shù)因其覆蓋范圍廣、時(shí)效高和成本低等優(yōu)點(diǎn)，已成為區(qū)域灌溉耕地空間分布制圖的重要手段。目前，多種分辨率的影像來源、豐富的光譜特征數(shù)據(jù)使得灌溉耕地識(shí)別特征多元化，不同分類方法如決策樹[5]、隨機(jī)森林[6]、聚類[7-8]或組合分類器[9]等計(jì)算機(jī)自動(dòng)分類方法成為主流。遙感制圖需要以大量樣本或真值為基礎(chǔ)，樣本缺失給區(qū)域灌溉耕地制圖帶來較大挑戰(zhàn)；同時(shí)，研究建立的分類或提取規(guī)則普適性總體不高，限制了方法的區(qū)域推廣。為此，有學(xué)者提出了多源數(shù)據(jù)融合的灌溉耕地制圖技術(shù)方法，近年來被廣泛用于大區(qū)域乃至全球灌溉耕地空間產(chǎn)品研制。這些產(chǎn)品以GMIA[10-11]為典型代表，以灌溉耕地統(tǒng)計(jì)數(shù)據(jù)作為總量約束，構(gòu)建一定的空間分配規(guī)則，將統(tǒng)計(jì)數(shù)據(jù)空間分配至特定的網(wǎng)格單元。其中，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。這些方法中以Brown等[12-13]提出的數(shù)據(jù)融合方法較為特殊，他們揚(yáng)棄了基于統(tǒng)計(jì)數(shù)據(jù)建立分配規(guī)則的傳統(tǒng)，引入遙感參量，優(yōu)化了統(tǒng)計(jì)數(shù)據(jù)空間分配方法，完成了美國(guó)2002年與2007年的灌溉耕地空間制圖，降低了分類規(guī)則對(duì)訓(xùn)練樣本的依賴，有效提高了制圖效率和產(chǎn)品分辨率。該方法簡(jiǎn)單、易操作，能較好地適應(yīng)當(dāng)?shù)貤l件，但地域間自然地理?xiàng)l件和農(nóng)業(yè)生產(chǎn)模式的差異使得NDVI等遙感特征參量與灌溉的關(guān)系難以一概而論。有研究表明，灌溉耕地與雨養(yǎng)耕地的NDVI沒有顯著差異，或者其數(shù)值與灌溉面積的函數(shù)關(guān)系需要修正的可能性實(shí)際存在[14-15]。同時(shí)，該方法并未在其他地區(qū)進(jìn)行應(yīng)用，其效果及影響因素尚不清楚。中國(guó)是世界上僅次于印度的灌溉耕地集中分布區(qū)，遼闊的疆域、復(fù)雜的地理和氣候特點(diǎn)造就了其千差萬別的農(nóng)業(yè)生產(chǎn)模式和管理方式。基于此，本研究以中國(guó)作為研究區(qū)域，基于Pervez等的數(shù)據(jù)融合方法進(jìn)行中國(guó)灌溉耕地制圖研究，旨在考察該方法在不同地區(qū)的應(yīng)用效果，討論影響精度的原因，為該方法的改進(jìn)完善提供參考。

1 方法與數(shù)據(jù)

1.1 數(shù)據(jù)融合方法

一般而言，可以直接反映農(nóng)田灌溉行為的遙感特征參量主要分為兩類。第一類參量如WDI[16]等，通過描述作物或土壤水分的變化來反映灌溉發(fā)生的瞬時(shí)效果，該類參量需要遙感觀測(cè)時(shí)間與灌溉發(fā)生時(shí)間同步。第二類參量如NDVI等，利用作物生育期內(nèi)的長(zhǎng)勢(shì)和生長(zhǎng)變化[17]等群體特征來表征灌溉的總體效果。作為影響植被生長(zhǎng)最主要的因素之一，水分與植被長(zhǎng)勢(shì)呈正相關(guān)，因此，描述植被長(zhǎng)勢(shì)的參量可以反映生長(zhǎng)期內(nèi)植被水分的供給狀況。NDVI 峰值是作物長(zhǎng)勢(shì)狀況的重要參考，灌溉作物往往比雨養(yǎng)作物具有更高的NDVI峰值。因此，相同或部分不同作物間內(nèi)NDVI峰值大的耕地像元成為灌溉耕地的概率較高，甚至與耕作模式或作物種類無關(guān)，在降水不足時(shí)表現(xiàn)尤為明顯[13]。同時(shí)，由于地塊信息由象元內(nèi)部種植結(jié)構(gòu)和作物種類決定，而相同種植區(qū)或局地尺度的作物種類較固定，使得局地尺度下地塊信息較固定。根據(jù)上述理論基礎(chǔ)，Pervez等提出以NDVI 峰值為分類依據(jù)，在局地尺度下對(duì)灌溉統(tǒng)計(jì)數(shù)據(jù)進(jìn)行空間重建，獲取灌溉耕地空間分布[12-13]。

該方法的技術(shù)流程如圖1所示，主要包括兩部分。一是耕地NDVI時(shí)序數(shù)據(jù)重建及峰值提取。采用一種基于移動(dòng)窗口的加權(quán)回歸方法[13,18]，對(duì)NDVI時(shí)序數(shù)據(jù)進(jìn)行數(shù)據(jù)重構(gòu)，以降低觀測(cè)條件的不利影響，提高數(shù)據(jù)質(zhì)量。該方法根據(jù)當(dāng)前時(shí)間的NDVI與兩側(cè)相鄰NDVI數(shù)值的大小關(guān)系賦予不同的權(quán)重，經(jīng)剔除異常值、滑動(dòng)窗口線性回歸來重構(gòu)NDVI時(shí)序曲線，然后基于重構(gòu)的時(shí)序數(shù)據(jù)提取當(dāng)前耕地像元的NDVI峰值。二是區(qū)域耕地像元灌溉潛力排序和空間迭代?；谇笆隼碚摶A(chǔ)，局地尺度下作物品類和耕作模式的一致性使得灌溉雨養(yǎng)作物能夠通過長(zhǎng)勢(shì)較好區(qū)分[19]，故以縣作為基本地塊單元，在縣域內(nèi)根據(jù)步驟一中得到的NDVI峰值，從大至小對(duì)耕地象元進(jìn)行排序，作為象元得到灌溉的可能性的描述，NDVI峰值越大，則受到灌溉的可能性越高。然后，根據(jù)排序結(jié)果對(duì)象元個(gè)數(shù)逐次累加，并將象元累加后對(duì)應(yīng)的面積與當(dāng)前縣灌溉統(tǒng)計(jì)面積進(jìn)行對(duì)比。如此迭代，當(dāng)兩者數(shù)量基本一致時(shí)停止迭代，參與迭代計(jì)算的象元被認(rèn)為是灌溉耕地象元。

1.2 制圖精度驗(yàn)證和對(duì)比

本研究中灌溉耕地制圖結(jié)果的精度驗(yàn)證包括數(shù)量精度和空間位置精度。數(shù)量精度驗(yàn)證首先提取利用研究方法得到的縣級(jí)灌溉耕地面積，匯總得到省級(jí)灌溉耕地面積，然后在縣級(jí)、省級(jí)尺度上與統(tǒng)計(jì)數(shù)據(jù)進(jìn)行比較。針對(duì)空間位置精度驗(yàn)證，首先根據(jù)空間多項(xiàng)式分布理論，采用下述公式（1）計(jì)算得到區(qū)域精度驗(yàn)證所需的驗(yàn)證樣本數(shù)量下限[20-21]為189，其次利用ArcGIS對(duì)灌溉耕地空間分布真值數(shù)據(jù)進(jìn)行隨機(jī)抽樣，得到驗(yàn)證樣本的空間分布。為排除非耕地像元對(duì)精度驗(yàn)證的影響，本研究在保證樣本數(shù)量下限的前提下剔除了非耕地樣本。由于公式（1）計(jì)算的樣本數(shù)量與區(qū)域大小無關(guān)，因此分類結(jié)果的全國(guó)總體精度由各省精度經(jīng)權(quán)重計(jì)算得到公式（2）。

式中為卡方自由度，為1；為分類類別數(shù)量，為3；為置信度，取95%；為誤差，取10%；W為地灌溉面積占全國(guó)比例。

圖1 技術(shù)流程圖

同時(shí)，本研究將結(jié)果與已有的灌溉耕地分布數(shù)據(jù)GMIA5[11]和GRIPC[5]進(jìn)行對(duì)比，以討論該方法的分類效果。其中GMIA5中像元值為像元內(nèi)有效灌溉面積的大小，空間位置描述不足，故只作數(shù)量精度對(duì)比。

1.3 數(shù)據(jù)源

研究所需的數(shù)據(jù)包括縣級(jí)灌溉面積統(tǒng)計(jì)數(shù)據(jù)、時(shí)間序列NDVI數(shù)據(jù)、耕地空間分布數(shù)據(jù)、以及用于精度驗(yàn)證的參考數(shù)據(jù)。

1）縣級(jí)灌溉面積統(tǒng)計(jì)數(shù)據(jù)。來源于2010年全國(guó)省、市、自治區(qū)的統(tǒng)計(jì)年鑒中的有效灌溉面積（area of effective irrigation，AEI），其定義為“有水源保障且在正常年景時(shí)能夠得到灌溉的耕地”。其中香港、澳門和臺(tái)灣的數(shù)據(jù)缺失，不包括在本研究中。針對(duì)部分地市的市轄區(qū)數(shù)據(jù)未收集完全的問題，則利用地市的有效灌溉面積總量與下轄各縣數(shù)據(jù)匯總相減得到。

2）時(shí)間序列NDVI數(shù)據(jù)。來自NASA的MODIS 13Q1植被指數(shù)產(chǎn)品，經(jīng)相關(guān)波段運(yùn)算后由MVC法得到，空間和時(shí)間分辨率分別為250 m和16 d。研究中使用到的是覆蓋中國(guó)大陸全境（不包含港澳臺(tái)）的MODIS 13Q1產(chǎn)品，其條帶號(hào)為h25-26 v03，h23-27 v04，h23-28 v05，h25-29 v06，時(shí)間覆蓋范圍為2010年1月至12月。所有下載數(shù)據(jù)首先利用MODIS專用數(shù)據(jù)處理軟件MRT進(jìn)行拼接并轉(zhuǎn)投影（Albers橫軸等面積投影）。

3）中國(guó)耕地空間分布數(shù)據(jù)。來自30 m空間分辨率的2010年全球地表覆蓋數(shù)據(jù)產(chǎn)品GlobeLand30。該數(shù)據(jù)產(chǎn)品的主要遙感影像來源為L(zhǎng)andsat TM，利用基于像元-對(duì)象和專家知識(shí)的分類方法得到，包括耕地在內(nèi)的10個(gè)地表覆蓋類別，總體精度在90%以上，采用UTM投影[22-23]。研究下載該數(shù)據(jù)集2010年中國(guó)區(qū)域的影像，投影轉(zhuǎn)換至與上述數(shù)據(jù)一致。

4）精度驗(yàn)證數(shù)據(jù)。在缺乏實(shí)時(shí)、實(shí)地樣本或分類影像的情況下，使用歷史影像或者樣本作為替代是常用的精度驗(yàn)證方式之一。本研究以2005年中國(guó)土地利用覆蓋數(shù)據(jù)產(chǎn)品（national land cover data，NLCD）作為灌溉耕地制圖精度檢驗(yàn)的真值數(shù)據(jù)。該數(shù)據(jù)空間分辨率為100 m，采用專家解譯結(jié)合計(jì)算機(jī)自動(dòng)分類結(jié)合的方法制成。耕地類別中包含了水田、水澆地和旱田3個(gè)亞類，其中水田和水澆地分別指有水源保障條件下種植水生/旱作作物的耕地，與上述統(tǒng)計(jì)數(shù)據(jù)中的有效灌溉面積的物理內(nèi)涵一致。

5）其他對(duì)比數(shù)據(jù)。研究采用基準(zhǔn)年同為2005年的GMIA5和GRIPC。前者通過數(shù)據(jù)融合方法得到，空間分辨率5分弧度，象元值為網(wǎng)格內(nèi)有效灌溉面積大??；后者基于MODIS數(shù)據(jù)利用自動(dòng)分類方法獲得，空間分辨率為500 m，其將耕地分為水澆地、水田和旱田。

2 結(jié)果與分析

2.1 2010年中國(guó)灌溉耕地空間分布

圖2是利用Pervez等的方法得到2010年中國(guó)灌溉耕地空間分布圖。可以看出，中國(guó)農(nóng)業(yè)可以河北最北端至廣西中部最南端一線為分野：東側(cè)以灌溉農(nóng)業(yè)為主，且從北至南逐步分散；西側(cè)以雨養(yǎng)為主，灌溉耕地總量有限，局地集中。灌溉空間分布直接與作物和降水有關(guān)[24-25]，因此，根據(jù)這些因子劃定的種植區(qū)劃更能說明灌溉的空間分布規(guī)律[26-27]。

2010年中國(guó)灌溉耕地總面積為607 977.10 km2，灌溉普及比例約50%。從不同農(nóng)業(yè)種植區(qū)域上看（圖2和表），中國(guó)灌溉耕地在黃淮海種植區(qū)和長(zhǎng)江中下游種植區(qū)最為集中。前者降水時(shí)空分布不均，需要降雨高峰期外的補(bǔ)充灌溉，境內(nèi)雨養(yǎng)耕地集中在西側(cè)、北端壩上和沂蒙山區(qū)等海拔較高區(qū)域；后者以水稻為主要作物，灌溉多為滿足水稻需要，因此與水田分布較為一致。南方丘陵種植區(qū)的灌溉分布情形與長(zhǎng)江中下游種植區(qū)類似，但耕地景觀破碎度高，云貴高原種植區(qū)的耕地景觀特征正與南方丘陵種植區(qū)相反；川陜盆地的灌溉耕地在四川盆地內(nèi)有小型集中分布，華南雙季稻種植區(qū)東部與西部的灌溉耕地分布格局分別與云貴高原和南方丘陵種植區(qū)一致。西北綠洲種植區(qū)、北部高原種植區(qū)和東北大豆種植區(qū)的灌溉耕地分布與水源關(guān)系密切，如西部的綠洲農(nóng)業(yè)、黃河或其支流流經(jīng)沿途的灌區(qū)，與雨養(yǎng)耕地界限清晰，東北大豆種植區(qū)的灌溉耕地相對(duì)分散在以濕地水源為主的三江、松嫩及遼河平原[28]，這些分布特征與前人研究結(jié)果總體一致[16]。

圖2 2010年中國(guó)灌溉與雨養(yǎng)耕地空間分布圖

表1 2010年中國(guó)不同農(nóng)業(yè)種植區(qū)的灌溉耕地面積和灌溉率

表2列舉了研究區(qū)不同省、市和自治區(qū)的灌溉耕地面積及其灌溉率。從面積看，河南、河北和山東的灌溉耕地面積最大，均超過了45 000 km2，其次為黑龍江、江蘇、新疆和安徽等省、自治區(qū)。從灌溉率看，北京和新疆最高，超過90%。其中新疆年降雨常年不足400 mm，以依賴灌溉的綠洲農(nóng)業(yè)為主，類似的區(qū)域還包括寧夏及甘肅北部、山西中部和內(nèi)蒙古東部。西南的貴州和云南兩省的耕地面積小，灌溉率低于全國(guó)平均水平，但四川東部的盆地有較為集中的灌溉耕地分布。河南、河北和山東等省內(nèi)的縣級(jí)灌溉面積與灌溉率較為均勻，湖北、安徽和江蘇等省內(nèi)的灌溉耕地分布不均勻，如安徽南部、湖北西部。廣東、福建、浙江和湖南等省年降雨超過1 000 mm，灌溉多為水稻所需，但耕地分散、數(shù)量有限，灌溉普及程度高但面積少而均。東北的黑龍江、吉林和遼寧灌溉比例總體不高。

表2 2010年不同省、市和自治區(qū)的灌溉耕地面積、灌溉率及數(shù)量誤差統(tǒng)計(jì)結(jié)果

注：灌溉比例為有效灌溉面積除以耕地面積。耕地面積為全國(guó)第二次土地調(diào)查結(jié)果，來源于中國(guó)統(tǒng)計(jì)年鑒（2011）。

Note: IR is the ratio of AEI to cropland area. Area of cropland in each province was the output of 2ndnational land survey, and was obtained from statistical yearbook of 2011.

2.2 精度驗(yàn)證

本研究方法分類結(jié)果的總體數(shù)量精度較高。經(jīng)統(tǒng)計(jì)，面積相對(duì)誤差（relative error，RE）小于5%全國(guó)縣比例超過90%，約1/4的縣統(tǒng)計(jì)灌溉面積與分類結(jié)果的偏差趨近于0或沒有灌溉分布；RE超過30%的縣占4.23%，主要集中分布在山西省，其他分布在河南、湖北、上海、湖南、廣東、內(nèi)蒙和西藏。

就絕對(duì)誤差而言，如圖3所示，在分類結(jié)果-統(tǒng)計(jì)面積構(gòu)成的特征空間內(nèi)，大部分?jǐn)?shù)據(jù)點(diǎn)分布在1∶1等比例線下方，表明灌溉耕地制圖的絕對(duì)誤差（absolute error，AE）以負(fù)誤差為主，與Pervez等的結(jié)果一致。同時(shí)，負(fù)誤差在不同水平內(nèi)的分布比例都遠(yuǎn)高于正誤差，后者對(duì)應(yīng)的相對(duì)誤差絕大部分小于5%。原因是當(dāng)區(qū)域內(nèi)有足夠耕地象元參與分配時(shí)，誤差的絕對(duì)值只取決于灌溉耕地面積大小，而絕大部分出現(xiàn)正誤差的縣，出現(xiàn)在灌溉面積較大的地區(qū)。

圖3 縣級(jí)數(shù)量結(jié)果與統(tǒng)計(jì)數(shù)據(jù)對(duì)比

從不同省份來看，相對(duì)誤差最高為山西和湖北，超過30%（表3），其次為西藏、上海、廣東、黑龍江、陜西和遼寧。絕對(duì)誤差分布規(guī)律與縣級(jí)尺度一致：各個(gè)省份絕對(duì)誤差取決于各個(gè)縣市占省內(nèi)灌溉面積比例及其數(shù)量誤差，如表2所示，可分為4種情況：一是省內(nèi)各區(qū)縣誤差絕對(duì)數(shù)值均勻，能夠反映全省總體誤差水平，如山西??；二是省內(nèi)各區(qū)縣正負(fù)誤差在數(shù)量和絕對(duì)值分布上都較均勻，匯總計(jì)算得到省份相對(duì)誤差接近于0，如天津、吉林等等；三是少數(shù)區(qū)縣絕對(duì)誤差過大，極值被凸顯，影響本省數(shù)量精度。如湖北雖然整體誤差與山西相近，但主要來自于20%的區(qū)縣。廣東、陜西、上海、黑龍江等也屬此列。四是各縣絕對(duì)誤差正負(fù)相互抵消，極值被掩蓋，如內(nèi)蒙古自治區(qū)。

不同省份灌溉耕地的空間精度如表3所示。全國(guó)總體精度64.20%，各省精度極差為48.35%。以2.1節(jié)中述自河北北端至廣西南端分野為界，精度居全國(guó)前列的省區(qū)多居于該分界東側(cè)，并由北向南精度逐漸降低；分界北部的東北3省的分類精度總體上不高于全國(guó)平均水平；西部各省精度與地域走向無明顯關(guān)聯(lián)，僅甘肅、寧夏分類效果較好。

表3 空間精度及對(duì)比

2.3 對(duì)比與評(píng)價(jià)

從表3可以看出，本研究方法得到的結(jié)果在31個(gè)省級(jí)行政區(qū)中，有24個(gè)的數(shù)量誤差普遍小于后者，總體數(shù)量精度較GMIA5優(yōu)，并能提供更細(xì)致的空間信息。從空間精度看（表3），GRIPC在20個(gè)省區(qū)的絕對(duì)精度高于新產(chǎn)品，總體精度高約5%。Velpuri等[29]不同影像分辨率對(duì)灌溉產(chǎn)品精度影響的研究表明，利用同樣方法將制圖分辨率500 m提升至250 m時(shí)，制圖總體精度會(huì)有2%~ 5%的下降。因此，本研究中數(shù)據(jù)融合方法的總體精度變化處于正常水平。并且，由于本方法采用統(tǒng)計(jì)數(shù)據(jù)作為數(shù)量限制，數(shù)量精度明顯高于GRIPC。

綜上述，相比僅依賴統(tǒng)計(jì)資料進(jìn)行數(shù)據(jù)分配的方法，本數(shù)據(jù)融合方法能充分利用遙感數(shù)據(jù)空間信息，較大提升了產(chǎn)品的空間分辨率，并提高數(shù)量精度。與遙感影像自動(dòng)分類的結(jié)果相比，能保持同類產(chǎn)品相當(dāng)?shù)木人?，且與統(tǒng)計(jì)數(shù)據(jù)吻合程度更高，并減少了對(duì)樣本的依賴。因此，該技術(shù)方法在中國(guó)總體可用。相比其在美國(guó)（RE：?61.6%～48.4%；空間精度：樣點(diǎn)驗(yàn)證75%，樣方驗(yàn)證81%）的實(shí)踐，本研究結(jié)果的數(shù)量精度優(yōu)于后者，但空間精度存在差距，具體分析見論文討論部分。

3 討 論

3.1 耕地分布底圖的影響

將灌溉耕地統(tǒng)計(jì)面積空間分配到已知耕地像元，因此高精度的耕地底圖是保證分類效果的基礎(chǔ)。雖已有研究表明，本研究中采用的GlobeLand30耕地與統(tǒng)計(jì)數(shù)據(jù)吻合最優(yōu)，各省耕地面積數(shù)量誤差在?1.32%～0.94%間[30]，但其也會(huì)影響灌溉耕地制圖的數(shù)量精度。受矢量邊界和數(shù)據(jù)中耕地象元分布等影響，部分行政單元內(nèi)耕地像元數(shù)量有限，耕地面積小于灌溉耕地統(tǒng)計(jì)面積，導(dǎo)致無法將統(tǒng)計(jì)灌溉面積完全分配至空間單元，這與Pervez等的研究結(jié)果一致。由于GlobeLand30中耕地的空間精度總體較高，且不同區(qū)域的精度水平在現(xiàn)有同類產(chǎn)品中均居前列[30]，因此，本研究中耕地分布空間精度的總體誤差已降至最低。但研究同時(shí)指出，其他耕地?cái)?shù)據(jù)產(chǎn)品在東南和華北地區(qū)的精度要高于GlobeLand30[30]。因此，在沒有更高精度遙感耕地產(chǎn)品的前提下，分區(qū)選擇耕地空間分布數(shù)據(jù)，可進(jìn)一步提高灌溉耕地提取的整體精度。

3.2 灌溉耕地提取方法的影響

Thenkabail等[31]認(rèn)為灌溉耕地提取技術(shù)方法的誤差主要源自兩點(diǎn)：一是未能充分考慮規(guī)范管理之外的灌溉，如私人打井或小型水庫(kù)灌溉等，此為統(tǒng)計(jì)數(shù)據(jù)涵蓋范圍涉及，不做討論。二是遙感影像質(zhì)量及混合象元問題的影響，一些學(xué)者已進(jìn)行了針對(duì)性討論[29]，或采用了相應(yīng)的改善方法[9,32-33]，不再贅述。Thenkabail等還提到了統(tǒng)計(jì)數(shù)據(jù)和遙感產(chǎn)品中對(duì)灌溉耕地定義的差異，但對(duì)比前述1.3節(jié)中對(duì)有效灌溉面積和真值影像對(duì)各類耕地涵蓋范圍可知，該因素對(duì)本研究結(jié)果的影響微乎其微。故本研究?jī)H就該算法設(shè)計(jì)本身展開討論。

本文算法的假設(shè)前提是目標(biāo)類別在特征參量數(shù)值分布上是完全割離的，這與利用單時(shí)間點(diǎn)的遙感特征參量采取單一閾值法進(jìn)行分類的本質(zhì)是一致的。這一假設(shè)在部分地區(qū)如阿梅米亞盆地[34]、宰因達(dá)河流域[35]和阿蘭平原[36]等是成立的。但也有研究發(fā)現(xiàn)，單一閾值在一些地區(qū)只能獲知部分象元的類別，需要增加閾值個(gè)數(shù)來完成分類，如西班牙的拉曼查[37]、阿富汗[38]和美國(guó)[39]。因此，在一些地區(qū)或情形下這一分布假設(shè)需要改進(jìn)。如Duan等[40]所述：2個(gè)類別在某一特征參量的數(shù)值分布上會(huì)存在交集，如果采用單一閾值分類，那么閾值的劃定會(huì)在這個(gè)交集中間，并決定分類精度。本研究選取空間精度最高的寧夏，對(duì)該地不同類型耕地精度檢驗(yàn)樣本的NDVI峰值進(jìn)行了直方圖統(tǒng)計(jì)（圖4），結(jié)果驗(yàn)證了這一推論。

圖4 不同類型耕地NDVI峰值統(tǒng)計(jì)

3.3 NDVI特征對(duì)灌溉耕地提取的影響

特征選擇是分類成功最主要的決定性因素之一[41]，在原方法或Duan等的假設(shè)前提下，特征的選擇會(huì)成為決定分類效果的唯一因素[42]。研究中僅選擇了NDVI特征用于灌溉耕地識(shí)別，但有證據(jù)表明NDVI存在部分或完全失效的可能：如在英國(guó)Louth郡[43]和泰國(guó)Suphanburi府[14]的研究表明，灌溉和雨養(yǎng)作物NDVI在任何時(shí)間段沒有明顯差異。利用相對(duì)敏感性指數(shù)（relative sensitivity index，RSI）[39]對(duì)寧夏與黑龍江耕地NDVI峰值對(duì)灌溉的敏感性對(duì)比表明，后者的RSI要遠(yuǎn)小于前者，因此利用NDVI峰值對(duì)后者灌溉耕地的提取效果會(huì)遜于前者。事實(shí)上，NDVI及其峰值受到包括水分在內(nèi)的多種因素如作物種類和耕作模式，農(nóng)業(yè)災(zāi)害和土壤條件等的影響[44]。雖然本方法將空間分配單元限制在區(qū)縣尺度，利用各個(gè)農(nóng)業(yè)區(qū)作物種類的組合相對(duì)固定[19]的特點(diǎn)，在一定程度上規(guī)避了上述因素對(duì)NDVI峰值的影響，但仍有研究認(rèn)為NDVI易飽和、容易受到大氣和濕度條件影響——一是其表現(xiàn)與大氣條件呈現(xiàn)正相關(guān)關(guān)系，在濕度較高時(shí)表現(xiàn)相對(duì)較差，不少應(yīng)用都對(duì)NDVI 數(shù)據(jù)進(jìn)行了去噪和重構(gòu)等預(yù)處理[17,45]，而這些過程也會(huì)成為誤差來源之一。

因此，針對(duì)特征參量的改良可首先考慮在現(xiàn)有計(jì)算框架下討論其他遙感特征參量。如EVI、GI或WDRVI可能比NDVI對(duì)灌溉引起的植被長(zhǎng)勢(shì)差異更敏感[39]，水分相關(guān)波段如NIR和RED等也是遙感提取灌溉耕地的主要依據(jù)[46]，尤其SWIR被認(rèn)為相比其他幾個(gè)常用波段更能夠提供有效信息[47]。以它們?yōu)榛A(chǔ)構(gòu)建的水分相關(guān)指數(shù)（如NDWI、LSWI等）受大氣影響相對(duì)小，數(shù)據(jù)質(zhì)量相對(duì)穩(wěn)定，對(duì)灌溉耕地的提取效果可能會(huì)更好。還有學(xué)者使用植被健康指數(shù)（vegetation health index，VHI）[15]、灌溉潛力指數(shù)[44]等綜合考慮了水分和植被長(zhǎng)勢(shì)的參量，并有較好的分類效果，但缺少與其他指數(shù)的對(duì)比。二是當(dāng)單一參量閾值不能完全區(qū)分目標(biāo)類別時(shí)，考慮增加參量。一方面增加同一參量在不同時(shí)間點(diǎn)的信息，構(gòu)建多閾值的決策樹。以Beltran等[37]研究為例，首先利用5月與8月影像各一，區(qū)分春季作物和夏季作物，然后根據(jù)不同作物的NDVI時(shí)序演變特征，逐步引入4－9月期間的4景影像，逐步提取各類灌溉與雨養(yǎng)作物。另一方面可利用多種參量的信息，在二維甚至高維空間內(nèi)分類。如董婷婷[16]根據(jù)灌溉與雨養(yǎng)耕地在植被覆蓋度-陸氣溫差二維空間內(nèi)分布的差異，計(jì)算WDI指數(shù)提取水澆地；Thenkabail等[47]不僅利用了不同地類在NIR-RED特征空間的分布特征，而且逐步引入了NIR-RED的時(shí)間變化和其他波段信息。

此外，研究還注意到，在一些其他研究[5,16,48]中分類精度普遍較高的地區(qū)如新疆，本方法的精度卻不理想。本研究的結(jié)果顯示該區(qū)域存在一定雨養(yǎng)耕地，但有學(xué)者[24]認(rèn)為氣候干旱水源稀少的地區(qū)不可能存在雨養(yǎng)耕地，董婷婷等認(rèn)為在中國(guó)年降雨少于某閾值的區(qū)域不存在雨養(yǎng)耕地。因此，未來特征選擇還可以考慮增加自然地理等環(huán)境因子。實(shí)際上，已有研究表明，不論是局地還是區(qū)域尺度，根據(jù)一些地理?xiàng)l件能夠直接反映耕地類別，如新西蘭的坡度[49]，阿富汗的生長(zhǎng)季個(gè)數(shù)[38]和印度的海拔和降水等。同時(shí)，灌溉行為的發(fā)生與當(dāng)?shù)刈魑镱愋鸵灿嘘P(guān)系。在中國(guó)，北方水澆地的主要作物類型為冬小麥-夏玉米、冬小麥-棉花、棉花和春小麥，而旱地作物主要為大豆和春玉米；在中國(guó)完全灌溉區(qū)（年降雨<400 mm）和補(bǔ)充灌溉區(qū)（年降雨400～1 000 mm），灌溉是水稻的剛需[24]。由于作物種類和種植結(jié)構(gòu)的不同，會(huì)導(dǎo)致象元個(gè)體或地塊整體特征的變化，所以對(duì)耕地的判斷可以部分轉(zhuǎn)化為對(duì)作物類別或種植結(jié)構(gòu)的判斷。目前利用簡(jiǎn)單閾值法已能夠較穩(wěn)定并精確提取區(qū)域尺度水稻分布[50-53]，其他主要作物如玉米、大豆和棉花等也能夠利用適中分辨率的影像進(jìn)行較好區(qū)分[54]，并發(fā)布了不同尺度的數(shù)據(jù)產(chǎn)品。但是，將整體地塊特征應(yīng)用于灌溉耕地提取還鮮有報(bào)道，僅董婷婷[25]對(duì)紋理特征有所嘗試，但他們同時(shí)也指出，該特征受到地理位置制約，難以統(tǒng)一描述；賈坤等[41]也認(rèn)為，受到度量方法、數(shù)據(jù)來源、波段和窗口尺寸等參數(shù)的影響，地塊特征的選擇十分困難，相關(guān)研究多處于提取特征的方法設(shè)計(jì)階段，實(shí)際應(yīng)用還有待深入研究。

4 結(jié) 論

本研究應(yīng)用一種以NDVI峰值作為區(qū)分灌溉與雨養(yǎng)耕地的唯一特征參量的數(shù)據(jù)融合方法，提取中國(guó)灌溉耕地空間分布，并就其分類結(jié)果與同類產(chǎn)品及該方法在不同地區(qū)的應(yīng)用效果進(jìn)行了比較，并分析了影響分類精度的可能原因。該方法具有輸入簡(jiǎn)單，對(duì)訓(xùn)練樣本的依賴少，計(jì)算快速的優(yōu)點(diǎn)，局地內(nèi)限制運(yùn)算范圍在一定程度上減少了不同耕作模式、氣候等地理或農(nóng)業(yè)生產(chǎn)方式的差異帶來的消極影響。相比非遙感數(shù)據(jù)融合得到的產(chǎn)品，該方法在提高了數(shù)量精度的同時(shí)，能提供更詳細(xì)的空間分布信息；相比同類遙感產(chǎn)品，該方法能在保持空間精度的同時(shí)，提高與統(tǒng)計(jì)數(shù)據(jù)的匹配水平。但與方法在其他地區(qū)的應(yīng)用效果有一定差距，分析認(rèn)為耕地掩膜精度、參量數(shù)據(jù)的分布假設(shè)和指標(biāo)選擇是誤差的主要來源。全國(guó)總體精度64.20%，各省精度極差為48.35%。

對(duì)方法的改良，可在保持統(tǒng)計(jì)數(shù)據(jù)總量控制和以局地作為分類基礎(chǔ)單元的前提下，從以下幾方面進(jìn)行：1）選擇區(qū)域最優(yōu)的耕地空間分布數(shù)據(jù)；2）在分類前，結(jié)合利用當(dāng)?shù)剞r(nóng)業(yè)生產(chǎn)相關(guān)和影像數(shù)據(jù)，收集和挖掘作物信息，獲取灌溉與地理?xiàng)l件和作物等的關(guān)聯(lián)信息等先驗(yàn)知識(shí)，對(duì)部分地區(qū)或象元進(jìn)行預(yù)判；3）優(yōu)選分類參量，調(diào)整數(shù)據(jù)分布假設(shè)，通過提升特征空間的維度，對(duì)目標(biāo)類別在特征空間的分布中與非目標(biāo)類別混淆的部分進(jìn)行更細(xì)致的剝離。

[1] Siebert S, Doll P. Quantifying blue and green virtual water contents in global crop production as well as potential production losses without irrigation[J]. Journal of Hydrology, 2010, 384: 198－217.

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

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

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

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

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

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

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

[9] Gumma M K, Thenkabai P S, Hideto F, et al. Mapping irrigated areas of ghana using fusion of 30 m and 250 m resolution remote-sensing data[J]. Remote Sensing, 2011(3): 816－835.

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

[11] Siebert S, Henrich V K. Frenken K, et al. Update of the digital Global Map of Irrigation Areas (GMIA) to Version 5[J]. Institute of Crop Science and Resource Conservation, Rheinische Friedrich-Wilhelms-Universit01t, 2013.

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

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

[14] Kamthonkiat D, Honda K,Turral H, et al. Discrimination of irrigated and rainfed rice in a tropical agricultural system using SPOT VEGETATION NDVI and rainfall data[J]. International Journal of Remote Sensing, 2005, 26: 2527－2547.

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

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

Dong Tingting, Zuo Lijun, Zhang Zengxiang. Extract irrigated cropland by MODIS[J]. Journal of Remote Sensing, 2009: 528－534. (in Chinese with English abstract)

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

[18] Swets D L, Reed B C, Rowland J D, et al. A weighted least-squares approach to temporally ndvi smoothing[R]. Summit Ave, Sioux Falls, 2001.

[19] Leff B, Ramankutty N, Foley J A. Geographic distribution of major crops across the world[J]. Global Biogeochemical Cycles, 2004, 18(1): 231-254.

[20] Jensen R. Introductory Digital Image Processing: A Remote Sensing Perspective[M]. Third Edition. Environmental & Engineering Geoscience, 2007, 13: 89－90.

[21] Hu Q, Wu W B, Xia T, et al. Exploring the use of google earth imagery and object-based methods in land use/cover mapping[J]. Remote Sensing, 2013, 5: 6026－6042.

[22] 陳軍，陳晉，廖安平，等. 全球30m地表覆蓋遙感制圖的總體技術(shù)[J]. 測(cè)繪學(xué)報(bào)，2014(6)：551－557.

Chen Jun, Chen Jin, Liao Anping, et al. Concepts and key techniques for 30m global land cover mapping[J]. Acta Geodaeticaet Cartographica Sinica, 2014(6): 551－557. (in Chinese with English abstract)

[23] Gong P, Wang J, Yu L, et al. Finer resolution observation and monitoring of global land cover: First mapping results with Landsat TM and ETM+ data[J]. International Journal of Remote Sensing, 2013, 34: 2607－2654.

[24] 高占義，穆建新. 中國(guó)的灌溉發(fā)展及其作用[C]. 世界水論壇中國(guó)代表團(tuán)，2003：36－39.

Gao Zhanyi, Mu Jianxin. The development and role of irrigation in China[C]. World Water Forum, 2003: 36－39. (in Chinese with English abstract)

[25] 董婷婷. 中國(guó)水澆地和旱地的遙感分類及其景觀格局研究[D]. 北京：中國(guó)科學(xué)院，2009.

Dong Tingting. Research on Classification between Irrigated Land and Dry Landscape Pattern of China based on Remote Sensing[D]. Beijing: Chinese Academy of Science, 2009. (in Chinese with English abstract)

[26] 全國(guó)縣級(jí)種植業(yè)區(qū)劃工作要點(diǎn)[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，1983(6)：20－30.

Work focus of national planting regional planning on county scale[J]. Chinese Agricultural Resource and Regional Planning, 1983(6): 20－30. (in Chinese with English abstract)

[27] 何文斯，吳文斌，余強(qiáng)毅，等. 1980－2010年中國(guó)耕地復(fù)種可提升潛力空間格局變化[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2016(11)：7－14.

He Wensi, Wu Wenbin, Yu Qiangyi, et al. Changes in spatio- temporal distribution of potential increment multiple cropping in China during 1980－2010[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2016(11): 7－14. (in Chinese with English abstract)

[28] Zhang Z X,Wang X, Zhao X L, et al. A 2010 update of National Land Use/Cover Database of China at 1:100 000 scale using medium spatial resolution satellite images[J]. Remote Sensing of Environment, 2014, 149: 142－154.

[29] Velpuri N M,Thenkabail P S, Gumma M K, et al. Influence of resolution in irrigated area mapping and area estimation[J]. Photogramm Eng Remote Sense, 2009, 75(12): 1383－1395.

[30] 陸苗，吳文斌，張莉，等. 不同耕地?cái)?shù)據(jù)集在中國(guó)區(qū)域的對(duì)比研究[J]. 中國(guó)科學(xué)：地球科學(xué)，2016，46(11)：1459－1471.

Lu Miao, Wu Wenbin, Zhang Li, et al. A comparative analysis of five global cropland datasets in China[J]. Science China, Earth Science, 2016, 46(11): 1459－1471. (in Chinese with English abstract)

[31] Thenkabail, Dheeravath V, Biradar C M, et al. Irrigated area maps and statistics of India using remote sensing and national statistics[J]. Remote Sensing, 2009, 1: 50－67.

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

[33] Xiao X M, Liu J Y, Zhuang D F, et al. Uncertainties in estimates of cropland area in China: a comparison between an AVHRR-derived dataset and a Landsat TM-derived dataset[J]. Global and Planetary Change, 2003, 37: 297－306.

[34] Alexandridis T K, Zalidis G C, Silleos N G. Mapping irrigated area in mediterranean basins using low cost satellite earth observation[J]. Computers and Electronics in Agriculture, 2008, 64: 93－103.

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

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

[37] Beltran C M, Belmonte A C. Irrigated crop area estimation using Landsat TM imagery in La Mancha, Spain[J]. Photogrammetric Engineering and Remote Sensing, 2001, 67: 1177－1184.

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

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

[40] Duan Y L, Shao X W, Shi Y, et al. Unsupervised Global Urban Area Mapping via Automatic Labeling from ASTER and PALSAR Satellite Images[J]. Remote Sensing, 2015, 7: 2171－2192.

[41] 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[J]. 資源科學(xué)，2013，35(12)：2507－2516.

Jia Kun, Li Qiangzi. Review of features selection in crop classification using remote sensing data[J]. Resource Science, 2013, 35(12): 2507－2516. (in Chinese with English abstract)

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

Jia Kun, Li Qiangzi, Tian Yichen, et al. A review of classification methods of remote sensing imagery[J]. Spectroscopy and Spectral Analysis, 2011, 31(10): 2618－2623. (in Chinese with English abstract)

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

[44] Zhu X, Zhu W, Zhang J. Mapping irrigated areas in China from remote sensing and statistical data[R]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2014, 4490－4504.

[45] 衛(wèi)煒，吳文斌，李正國(guó). 時(shí)間序列植被指數(shù)重構(gòu)方法比對(duì)研究[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2014，35(1)：34－43.

Wei Wei, Wu Wenbin, Li Zhengguo, et al. Comparison of three methods for reconstructing time series vegetation index[J]. Chinese Agricultural Resource and Regional Planning, 2014, 35(1): 34－43. (in Chinese with English abstract)

[46] Keene K M, Conley C D. Measurement of irrigated acreage in western Kansas from LANDSAT images. Environmental Geology, 1980, 3: 107－116.

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

[48] Dong T, Jiang M, Qian F, et al. Researching on extracting irrigated land in northern China based on MODIS data[J]. Remote Sensing of Environment, 2005, 95: 317－341.

[49] Pairman D, Belliss S E, Cuff J, et al. Detection and Mapping of Irrigated Farmland in Canterbury, New Zealand[R]. 2011 Ieee International Geoscience and Remote Sensing Symposium (Igarss), 2011: 696－699.

[50] Zhang G L, Xiao X M, Dong J W, et al. Mapping paddy rice planting areas through time series analysis of MODIS land surface temperature and vegetation index data[J]. Isprs Journal of Photogrammetry and Remote Sensing, 2015, 106: 157－171.

[51] Shi J J, Huang J F, Zhang F. Multi-year monitoring of paddy rice planting area in Northeast China using MODIS time series data[J]. Journal of Zhejiang University-Science B, 2013, 14: 934－946.

[52] 王琳，景元書，楊沈斌. 基于多時(shí)相遙感數(shù)據(jù)提取水稻種植面積的研究[J]. 中國(guó)農(nóng)業(yè)資源與區(qū)劃，2013(2)：21－26.

Wang Lin, Jing Yuanshu, Yang Shenbin, et al. Study of extraction of rice cropping area using multi-temporal remote sensing data[J]. Chinese Agricultural Resource and Regional Planning, 2013(2): 21－26. (in Chinese with English abstract)

[53] Qiu B W, Li W J, Tang Z H, et al. Mapping paddy rice areas based on vegetation phenology and surface moisture conditions[J]. Ecological Indicators, 2015, 56: 79－86.

[54] 林文鵬，王長(zhǎng)耀，儲(chǔ)德平，等. 基于光譜特征分析的主要秋季作物類型提取研究[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2006，22(9)：128－132.

Lin Wenpeng, Wang Changyao, Zhu Deping, et al. Extraction of fall crop types based on spectral analysis[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2006, 22(9): 128－132. (in Chinese with English abstract)

劉逸竹，吳文斌，李召良，周清波. 基于時(shí)間序列NDVI的灌溉耕地空間分布提取[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33(22)：276－284. doi：10.11975/j.issn.1002-6819.2017.22.036 http://www.tcsae.org

Liu Yizhu, Wu Wenbin, Li Zhaoliang, Zhou Qingbo. Extracting irrigated cropland spatial distribution in China based on time-series NDVI[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2017, 33(22): 276－284. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2017.22.036 http://www.tcsae.org

Extracting irrigated cropland spatial distribution in China based on time-series NDVI

Liu Yizhu, Wu Wenbin, Li Zhaoliang, Zhou Qingbo※

(/,100081,)

Geospatial information of irrigated cropland is necessary for the formulation of food policy, water management and climate change studies. In addition to those methods based on pure image classification or non-remote sensing data, spatial reconstruction of statistics by using remote sensing features, a branch of multi-data fusion, with the advantages of less relying on the sampling points with a good consistency with the statistical data, has played an important role in land cover mapping. However, it gains less attention in regional irrigated cropland extraction, which makes it unclear about its applicability in different regions. In this paper, we firstly tested a fusion method based on NDVI data and statistical data of spatial distribution of irrigated cropland in China. Then, quantitative and spatial accuracy assessment and comparisons with other datasets were also carried out for the sake of discussing the availability of the map. Finally, the possible factors reducing the accuracy of classification were discussed. The results showed that the ratio of irrigation farming decreased and the fragmentation of irrigated croplands increased gradually from east to west. Huang-Huai-Hai and Yangtze River plant regions were the places with the most concentrated irrigation. While in the locations with low precipitation such as northeastern and northwestern areas, irrigation farming was distributed along local water resources. Those irrigation areas were all consistent with the recognized irrigation areas. Quantitatively, the relative errors of more than 90% counties were within 5%, and most of the counties with high relative error (>30%) belonged to Shanxi while the rest were shared by several other provinces. From the view of absolute error, the number of negative ones was much less than positive ones, and this rule was also appropriate on province scale. The total spatial accuracy of the new map was 64.20%, but the values ranged from 31.21% to 90.64% on province scale. Provinces with the accuracies higher than average level were mostly distributed in the eastern areas of the country, and the precision level went lower from north to south. Meanwhile, there was no apparent geographical rule in west. Referring to the comparisons with similar datasets, this fusion method of statistic and remote sensing data could not only perform better quantitatively, but also provide more spatial details than data fusion method without satellite images. In addition, it maintained a same spatial accuracy level with the image classification but accelerated the operating process. These indicated that, the output of the method was both quantitatively and qualitatively comparable to that of similar method in China, yet there was a certain distance with its first application in America. Analysis suggested that, the cropland mask, the method hypothesis and the selected features are the major factors which largely influence the mapping accuracy, so the improvement of the method relies on better cropland maps, and optimization of geographical and spectral features.

NDVI, data fusion, irrigated cropland, spatial distribution

10.11975/j.issn.1002-6819.2017.22.036

TP753

A

1002-6819(2017)-22-0276-09

2017-07-26

2017-10-14

測(cè)繪地理信息公益性行業(yè)科研專項(xiàng)：全球地表覆蓋數(shù)據(jù)分析研究（2015A10129）

劉逸竹，女，湖北人，博士生，研究方向?yàn)檗r(nóng)業(yè)遙感。 Email：liuyizhu1989@hzau.edu.cn

周清波，男，湖南人，研究員，博士，研究方向?yàn)檗r(nóng)作物和農(nóng)情遙感監(jiān)測(cè)、土地資源監(jiān)測(cè)與評(píng)價(jià)、災(zāi)害監(jiān)測(cè)與評(píng)估等。Email：zhouqingbo@caas.cn