基于NDVI時序數(shù)據(jù)的不同水源灌溉面積分類研究—以人民勝利渠灌區(qū)為例

韓宇平 ，馮 吉，陳 瑩，黃曉東，代小平 ，潘韶春，殷歡慶

（1.華北水利水電大學(xué)，鄭州 450045； 2.水資源高效利用與保障工程 河南省協(xié)同創(chuàng)新中心，鄭州450046；3.水利部 水資源管理中心，北京 100038； 4.河南理工大學(xué)，河南 焦作 454000；5.河南省節(jié)水農(nóng)業(yè)重點實驗室，鄭州450045； 6.河南省人民勝利渠管理局， 河南 新鄉(xiāng)453000）

0 引 言

我國70%的糧食由灌溉耕地生產(chǎn)，灌溉面積與糧食產(chǎn)量、農(nóng)民收入、地下水開采等聯(lián)系緊密。灌溉面積是反映區(qū)域水土資源利用的重要指標(biāo)，耕地灌溉面積本身是灌溉面積的主要構(gòu)成部分[1]。研究灌溉面積的變化是探索區(qū)域糧食產(chǎn)量、農(nóng)民收入和地下水開采變化的基礎(chǔ)。實時監(jiān)控灌區(qū)灌溉面積的變化是提高灌溉管理水平、保障糧食安全、促進灌區(qū)可持續(xù)發(fā)展的基礎(chǔ)。

基于遙感數(shù)據(jù)的灌溉區(qū)域分類研究主要集中在灌溉面積和非灌溉面積的區(qū)分上。NILTON等[2]基于多時相的Landsat TM數(shù)據(jù)，采用監(jiān)督分類的方法提取了巴西東南部的水稻灌溉面積。ZHU等[3]基于NDVI的時間變化和降雨數(shù)據(jù)構(gòu)建指標(biāo)，提取了2000年中國的灌溉面積。沈靜[4]、易珍言[5]等基于HJ1A/1B CCD數(shù)據(jù)，分別采用垂直干旱指數(shù)PDI和修正后的垂直干旱指數(shù)MPDI提取了內(nèi)蒙古河套灌區(qū)的實際灌溉面積。王嘯天[6]構(gòu)建了基于垂直干旱指數(shù)（PDI）的灌區(qū)實際灌溉面積監(jiān)測模型，計算出秦漢灌區(qū)4―8月各階段的灌溉面積與分布。高瑞睿[7]基于氣象數(shù)據(jù)和MODIS 1 km產(chǎn)品數(shù)據(jù)，計算了河套灌區(qū)義長灌區(qū)的蒸散發(fā)量，用修正的垂直干旱指數(shù)模型(MPDI)獲取了研究時段始末的土壤含水率，又引入了農(nóng)作物像元豐度，將1 km尺度灌溉面積轉(zhuǎn)換到田間尺度，并提出了1 km尺度的灌溉面積計算公式，獲取了義長灌區(qū)的灌溉面積。焦旭[8]、何嬌嬌等[9]利用Landsat8影像數(shù)據(jù)，基于遙感地表溫度LST及植被供水指數(shù)VSWI對石津灌區(qū)的灌溉面積進行了提取。宋文龍等[10]基于GF-1較高空間分辨率衛(wèi)星數(shù)據(jù)，通過光譜匹配像元尺度應(yīng)用，并引入OTSU自適應(yīng)閾值算法，對東雷二期抽黃灌區(qū)2018年的主要糧食作物種植強度及其灌溉面積開展了遙感識別提取研究。國內(nèi)外關(guān)于不同水源灌溉面積的遙感分類研究較少。Velpuri等[11]基于NOAA AVHRR10 km、Terra MODIS 500 m、Terra MODIS 250 m和Landsat TM30 m 4種不同分辨率的遙感影像，用非監(jiān)督分類的方法將印度克里希納流域區(qū)分為地表水灌溉區(qū)和地下水灌溉區(qū)，發(fā)現(xiàn)遙感數(shù)據(jù)的空間精度越高，灌溉面積提取的精度則越高。Biggs等[12]，Kvisma等[13]基于 MODIS 500 m和 MODIS 250 m遙感影像，采用NDVI時間序列和非監(jiān)督分類方法提取了印度克里希納流域的地表水和地下水灌溉區(qū)域。國外研究表明基于NDVI時序數(shù)據(jù)的分類方法在流域尺度可以區(qū)分不同的灌溉水源，但該方法在灌區(qū)尺度上的適用性還缺乏檢驗。

MODIS數(shù)據(jù)的時間分辨率高，但空間分辨率低；而Landsat8數(shù)據(jù)具有空間分辨率高，時間分辨率低的特點。本文以人民勝利渠灌區(qū)為例，基于 Landsat8和MODIS來源的NDVI時序數(shù)據(jù)，采用監(jiān)督分類和非監(jiān)督分類方法對灌區(qū)不同水源的灌溉面積進行分類，探討不同精度的NDVI時序數(shù)據(jù)和不同分類方法在區(qū)分不同水源的灌溉面積中的有效性，以推動灌溉面積遙感解譯研究，為灌區(qū)管理、水土資源規(guī)劃等提供技術(shù)支持。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

人民勝利渠灌區(qū)是黃河下游興建的第一個大型引黃自流灌溉灌區(qū)。灌區(qū)于1952年建成，位于河南省新鄉(xiāng)市，介于 34°58′—35°50′N，113°30′—114°27′E之間，灌區(qū)范圍涉及封丘、滑縣、輝縣、獲嘉、淇縣、衛(wèi)輝、新鄉(xiāng)市郊、新鄉(xiāng)縣、延津、原陽（見圖1）[14]。

圖1 研究區(qū)域圖Fig.1 Study area map

人民勝利渠灌區(qū)耕地面積15.08萬hm2，灌區(qū)設(shè)計灌溉面積12.32萬hm2，有效灌溉面積9.06萬hm2[15]。灌區(qū)內(nèi)主要種植冬小麥和夏玉米，還有水稻、大豆和花生等。灌區(qū)的主要灌溉水源為黃河水和地下水，還有極少部分耕地使用共產(chǎn)主義渠水和孟姜女河水進行灌溉。近年來，隨著灌區(qū)經(jīng)濟與社會的發(fā)展，水資源短缺問題日益嚴峻，引黃水量越來越少[16]。由于引水條件惡化等原因，灌區(qū)渠灌面積逐漸減少，井灌區(qū)域增多，部分區(qū)域地下超采嚴重。探明灌區(qū)渠灌和井灌分布對優(yōu)化灌區(qū)水資源配置，扼制地下水超采具有重要意義。本文中渠灌指純渠水灌溉，井灌指純井水灌溉。

1.2 數(shù)據(jù)來源及處理

1.2.1 Landsat8數(shù)據(jù)與處理

人民勝利渠灌區(qū)的 Landsat8數(shù)據(jù)來源于中國地理空間數(shù)據(jù)云平臺。該數(shù)據(jù)為經(jīng)過輻射校正和幾何校正的Level 1T地形矯正影像，空間分辨率為30 m。為了避免不同作物對灌溉面積分類的影響，選取人民勝利渠灌區(qū)2016年11月—2017年5月小麥生長階段的11期Landsat8數(shù)據(jù)進行分析。

下載的 Landsat8數(shù)據(jù)無須再做輻射校正和幾何校正處理，采用ENVI 5.3對其進行輻射定標(biāo)、大氣校正、圖像鑲嵌和矢量裁剪等預(yù)處理。預(yù)處理后的影像數(shù)據(jù)的NDVI計算式為：

式中：NDVI為歸一化植被指數(shù)；NIR為近紅外波段；R為紅光波段。

對NDVI數(shù)據(jù)進行波段組合，可得到研究區(qū)的NDVI時序數(shù)據(jù)集，Landsat8數(shù)據(jù)處理流程見圖 2。因NDVI時序數(shù)據(jù)受到太陽高度角、傳感器噪聲、氣溶膠和云污染等自然因素的干擾，致使數(shù)據(jù)呈現(xiàn)異常點波動變化，本研究使用ENVI的 Savitzky-Golay Filter工具對NDVI時序數(shù)據(jù)進行了去噪。

1.2.2 MODIS數(shù)據(jù)與處理

采用的MODIS數(shù)據(jù)為Terra傳感器接收的2011年11月1日—2012年6月16日的中國500 MNDVI5d合成產(chǎn)品MODND1F影像，共46期數(shù)據(jù)，時間分辨率為5 d。該產(chǎn)品由MODND1D的5 dNDVI的最大值計算得到。

MODISNDVI數(shù)據(jù)的預(yù)處理只需在ENVI中對影像進行幾何校正，然后對影像進行矢量裁剪，得到預(yù)處理后的衛(wèi)星影像。之后，將處理后的 MODND1F數(shù)據(jù)產(chǎn)品波段組合，得到研究區(qū)MODISNDVI時序數(shù)據(jù)集，MODIS數(shù)據(jù)處理流程見圖2。為了剔除其中的異常數(shù)據(jù)值，提高數(shù)據(jù)的有效使用性，同樣在數(shù)據(jù)使用前對MODISNDVI時序數(shù)據(jù)集進行了去噪。

1.2.3 地面實測數(shù)據(jù)集

采用Oregon739北斗測繪采集器（手持GPS）對研究區(qū)不同水源灌溉的耕地進行實地調(diào)查，定位精度為3 m，設(shè)置測量儀器坐標(biāo)系統(tǒng)為WGS-84坐標(biāo)系，測量值采用地理坐標(biāo)。

2017年8月7―15日，項目組調(diào)查了灌區(qū)內(nèi)獲嘉、新鄉(xiāng)和延津3個縣16個村的灌溉水源、種植結(jié)構(gòu)、灌溉日期等情況，采集了38個樣本點的坐標(biāo)信息。其中渠水灌溉樣本點11個，井水灌溉樣本點11個，城鎮(zhèn)和居民點樣本16個。

為進一步驗證灌溉面積遙感分類結(jié)果，2019年3月20―22日，項目組進行了二次調(diào)研。通過詢問樣本村了解該村近幾年的灌溉水源、種植結(jié)構(gòu)、灌溉日期等情況，并利用手持 GPS采集不同灌溉水源和種植結(jié)構(gòu)的耕地以及果園、居民點的坐標(biāo)信息。樣本點根據(jù)空間分布均勻且重點關(guān)注井渠結(jié)合灌溉區(qū)域的原則確定（樣本分布見圖 3），共采集樣本點 37個，其中，渠水灌溉樣本6個，井水灌溉樣本23個，井渠結(jié)合灌溉樣本8個。采樣時，在靠近渠道且灌溉水源僅為渠水的大面積耕地內(nèi)選擇渠水灌溉樣本；在遠離渠道而且灌溉水源僅為井水的耕地內(nèi)選擇井水灌溉樣本；井渠結(jié)合灌溉樣本根據(jù)實際調(diào)查確定的耕地范圍定位。調(diào)查發(fā)現(xiàn)2017年人民勝利渠灌區(qū)的灌溉水源和種植作物與2019年相比差異較小，因此，可以用2019年的調(diào)查點來驗證2017年的灌溉情況。

此外，項目組在2013年調(diào)查了灌區(qū)內(nèi)獲嘉縣部分村鎮(zhèn)的種植結(jié)構(gòu)和灌溉情況，獲得渠水灌溉樣本點8個，井水灌溉樣本點2個，井渠結(jié)合灌溉樣本點4個。

圖2 遙感數(shù)據(jù)處理流程圖Fig.2 Flow chart of remote sensing data processing

圖3 樣本分布圖Fig.3 Sample distribution

2 研究方法

本研究使用的NDVI時序數(shù)據(jù)是指不同時段的NDVI數(shù)據(jù)按時間先后順序疊加而成的數(shù)據(jù)集?？梢哉J為每個時間代表1個波段，在時間軸上每個波段的NDVI值就會形成1條NDVI時間序列曲線。理論上，不同水源灌溉的作物NDVI時間變化曲線具有不同的特征。由于渠灌的灌溉水量多于井灌，渠灌作物的NDVI峰值更大，并且能在高值區(qū)保持更長時間；井灌的灌溉水量較少，井灌作物的NDVI峰值較小，NDVI下降快[13]。渠灌的供水時間不靈活，用水不方便，通常井灌區(qū)域先灌溉，渠灌區(qū)域后灌溉，井灌區(qū)域的NDVI比渠灌區(qū)域增長地更早[12]。由于井灌區(qū)灌水更頻繁，井灌作物的NDVI值下降的幅度小于渠灌，井灌作物的NDVI曲線的波動程度較小?；诓煌垂喔葏^(qū)的NDVI時序曲線的特征，可以采用監(jiān)督分類和非監(jiān)督分類方法對灌溉水源進行分類。

2.1 監(jiān)督分類

監(jiān)督分類原理為：將多個波段的NDVI疊加圖像作為1個多維空間，每個樣區(qū)的光譜在此空間中轉(zhuǎn)換成1個由其在各個波段上像元值決定的單位向量。將其他樣區(qū)向量與典型樣區(qū)向量進行比較，如果二者夾角在一定范圍內(nèi)，則認為是同一種類型[17]。這種分類方法不僅能有效避免鄰近像元散射的影響，而且對于光譜曲線形狀的匹配較為理想。監(jiān)督分類在本研究中的思路為基于實際調(diào)查獲取典型區(qū)域的灌溉水源、種植作物情況，根據(jù)實際調(diào)查點的NDVI時間序列曲線，提取不同灌溉水源灌溉的耕地的典型NDVI曲線，根據(jù)典型曲線對全灌區(qū)的灌溉水源進行分類。采用ENVI的“Spectral Library Builder”命令將不同類別的典型樣本的NDVI時序數(shù)據(jù)曲線存儲為ENVI光譜庫，采用波譜角填圖（Spectral Angle Mapper，SAM)工具對灌區(qū)其他區(qū)域的光譜曲線和典型樣本的光譜曲線進行匹配和分類。經(jīng)過多次試驗，本研究將0.4°定為最大向量夾角。

2.2 非監(jiān)督分類

非監(jiān)督分類，也稱“聚類分析”或“點群分類”，是在多光譜圖像中搜尋、定義其自然相似光譜集群的過程。非監(jiān)督分類不必對地物獲取先驗知識，僅靠圖像上不同類地物光譜或紋理信息進行特征提取，再統(tǒng)計特征的差別以達到分類的目的，最后對已經(jīng)分別的屬性進行確認。非監(jiān)督分類在本研究中的思路為根據(jù)曲線的差異利用非監(jiān)督分類方法對NDVI時序數(shù)據(jù)進行自動識別分類。根據(jù)分類結(jié)果提取各類別的曲線，分析曲線變化特征合并類似曲線，得到最終的分類結(jié)果。本文采用K-means非監(jiān)督分類方法比較灌區(qū)不同柵格的NDVI時間序列曲線特征進行分類。K-means利用各聚類中對象的均值獲得一個“中心對象”（引力中心）來進行計算，然后迭代地重新配置中心對象，直至完成分類過程[18]。采用ENVI中的 K-Means Classification工具進行分類。通常分類數(shù)量越多，得到的分類結(jié)果越理想；迭代次數(shù)越大，得到的結(jié)果越精確，運算時間也越長。本研究選擇的分類數(shù)量為40，最大迭代次數(shù)為15。

3 結(jié)果與分析

3.1 基于Landsat8數(shù)據(jù)分類結(jié)果

3.1.1 監(jiān)督分類結(jié)果

2017和2019年所有調(diào)查樣本的光譜曲線見圖4。分析不同灌溉類型的NDVI時序數(shù)據(jù)曲線可知：不同水源灌溉作物的NDVI曲線具有相似的波動特征，但NDVI的數(shù)值不同。井渠結(jié)合灌溉類型的NDVI數(shù)值最高，曲線的波峰值最大；井水灌溉類型的DNVI數(shù)值最低，曲線的波峰值最小；渠水灌溉類型的NDVI數(shù)值以及曲線的波峰值介于井渠結(jié)合灌溉和井水灌溉之間。

為了選取準確的典型樣本曲線，去除同類型中明顯不符合變化趨勢的曲線，選擇變化趨勢相同且大小相似的多條曲線中較平均的曲線，選取了8個樣本點的NDVI時序曲線作為典型樣本光譜曲線（圖4右）。

圖4 基于Landsat8數(shù)據(jù)的調(diào)查樣本和典型樣本光譜曲線圖Fig.4 Spectrum curve of survey sample and typical sample based on Landsat 8 data

圖5 基于Landsat8 數(shù)據(jù)的監(jiān)督分類結(jié)果Supervision classification result based on Landsat 8 data

圖6 基于Landsat8數(shù)據(jù)的非監(jiān)督分類結(jié)果Fig.6 Unsupervised classification result based on Landsat 8 data

圖7 基于Landsat8數(shù)據(jù)的非監(jiān)督分類各類別曲線Fig.7 Unsupervised classification curves based on Landsat 8 data

圖8 基于Landsat8數(shù)據(jù)的非監(jiān)督分類結(jié)果合并圖Fig.8 Unsupervised classification results graph based on Landsat 8 data

根據(jù)典型樣本曲線進行分類，結(jié)果見圖5。渠水灌溉主要分布在人民勝利渠的渠首，井渠結(jié)合灌溉分布在灌區(qū)的中上游位置，而井水灌溉分布在整個灌區(qū)。各類別面積為：渠水灌溉面積6 685.92 hm2；井水灌溉面積128 193.48 hm2；井渠結(jié)合灌溉面積3 601.80 hm2；城鎮(zhèn)和居民點面積53 874.36 hm2。

3.1.2 非監(jiān)督分類結(jié)果

基于Landsat8數(shù)據(jù)的非監(jiān)督分類數(shù)量為 40，分類結(jié)果見圖6，各類別曲線見圖7。分析曲線特征并對比實際土地利用資料，將40種類別進行合并，得到最終的分類結(jié)果見圖8。由圖8可知基于Landsat8數(shù)據(jù)的非監(jiān)督分類只分出耕地和非耕地2種類別，并沒有區(qū)分出不同水源的灌溉面積。耕地面積113 702.85 hm2；非耕地面積79 112.43 hm2。

3.2 基于MODIS數(shù)據(jù)分類結(jié)果

3.2.1 監(jiān)督分類

2013年調(diào)查樣本的光譜曲線見圖9。分析不同灌溉類型的NDVI時序數(shù)據(jù)曲線可知：渠水灌溉類型的NDVI時序數(shù)據(jù)曲線的波峰值最大，波谷值介于井灌和井渠結(jié)合灌溉之間，NDVI在高值區(qū)的持續(xù)時間較長；井渠結(jié)合灌溉類型的NDVI曲線的波峰值較大，波谷值最大，NDVI在高值區(qū)的持續(xù)時間較長；井水灌溉類型的NDVI時序數(shù)據(jù)曲線的NDVI峰值最小，NDVI在高值區(qū)的持續(xù)時間最短。該結(jié)果和理論假設(shè)基本一致，即灌溉水源的灌溉水量越大，NDVI的波峰值越大，NDVI在高值區(qū)的持續(xù)時間更長。井渠結(jié)合灌溉曲線與渠灌曲線的差別不大，可能原因為井渠結(jié)合灌溉的區(qū)域用渠水較多，井水較少。本研究選取了4個樣本點的NDVI時序曲線作為典型樣本的光譜曲線（見圖9）。

圖9 基于MODIS數(shù)據(jù)光譜曲線Fig.9 Spectral curves of survey samples and typical samples based on MODIS data

根據(jù)典型樣本曲線進行分類，分類結(jié)果見圖10。各類別面積為：渠水灌溉面積35 576.19 hm2；井水灌溉面積99 029.77 hm2；井渠結(jié)合灌溉面積26 365.75 hm2；城鎮(zhèn)和居民點面積33 256.00 hm2。渠水灌溉主要分布在渠首位置，井渠結(jié)合灌溉主要分布在灌區(qū)中游，井水灌溉分布在中游和下游。分類結(jié)果與 2012年的實際灌溉情況相比，渠水灌溉和井水灌溉比較符合實際情況，井渠結(jié)合的分類效果不太理想。與Landsat8數(shù)據(jù)的監(jiān)督分類結(jié)果相比，各類別面積的分布特征相近，但是分類精度較低。這是由于 MODIS數(shù)據(jù)的空間分辨率較低，使得分類結(jié)果成片顯示。

圖10 基于MODIS數(shù)據(jù)的監(jiān)督分類結(jié)果圖Fig.10 Supervised classification result graph based on MODIS

圖11 基于MODIS數(shù)據(jù)的非監(jiān)督分類結(jié)果圖Fig.11 Unsupervised classification result graph based on MODIS

圖12 基于MODIS數(shù)據(jù)的非監(jiān)督分類各類別曲線圖Fig.12 Unsupervised classification curves based on MODIS data

圖13 基于MODIS數(shù)據(jù)的非監(jiān)督分類合并圖Fig.13 Unsupervised classification merging graph based on MODIS data

3.2.2 非監(jiān)督分類

圖例數(shù)據(jù)的非監(jiān)督分類數(shù)量為40，結(jié)果見圖11，各類別的NDVI時間序列曲線見圖12。分析曲線特征并對比實際土地利用資料，將40種類別進行合并，得到最終的分類結(jié)果見圖 13。各類別面積為：渠水灌溉面積17 260.78 hm2；井水灌溉面積79 097.26 hm2；井渠結(jié)合灌溉面積47 985.67 hm2；城鎮(zhèn)和居民點面積49 989.47 hm2。與監(jiān)督分類結(jié)果相比，非監(jiān)督分類的結(jié)果較差，渠灌面積和井灌面積較少，井渠結(jié)合灌溉面積、城鎮(zhèn)和居民點的面積較多，而且各類別面積的分布與實際情況不符，尤其是井渠結(jié)合灌溉面積。基于Landsat8數(shù)據(jù)的非監(jiān)督分類只分類出耕地面積與非耕地面積，與之相比，基于圖例數(shù)據(jù)的分類效果較好。

3.3 分類精度分析

3.3.1 基于Landsat8數(shù)據(jù)的分類結(jié)果驗證與分析

將2019年和2017年實測GPS驗證樣本與監(jiān)督分類結(jié)果進行比對，驗證結(jié)果見表1。井水灌溉面積的分類精確度最高，但渠水灌溉和井渠結(jié)合灌溉面積的分類精度均小于60%。井渠結(jié)合灌溉類型的分類精度最低，驗證井渠結(jié)合樣本點后，發(fā)現(xiàn)錯誤分類為井水灌溉，可能這些區(qū)域用井水灌溉的比例高于渠水。除去城鎮(zhèn)和居民點樣本，不同水源灌溉面積的總分類精度為73.58%。

由圖8可知，Landsat8數(shù)據(jù)的非監(jiān)督分類結(jié)果并不理想，只分類出土地利用類型，并沒有分類不同水源的灌溉類型，表明基于Landsat8數(shù)據(jù)的非監(jiān)督分類方法不適用于研究區(qū)灌溉水源的分類。

3.3.2 基于MODIS數(shù)據(jù)的分類結(jié)果驗證與分析

基于2013年驗證樣本分別與監(jiān)督分類和非監(jiān)督分類結(jié)果進行比對驗證分類精度，結(jié)果見表2。采用監(jiān)督分類，井渠結(jié)合灌溉的分類準確度最高，分類精度為 75%，但渠水灌溉和井水灌溉的分類精度很低，并且城鎮(zhèn)和居民點的分類精度也不理想。除去城鎮(zhèn)和居民點樣本，不同水源灌溉面積的總分類精度為57.14%。由于2013年的樣本點數(shù)據(jù)局限在獲嘉縣，并且樣本點太少，影響分類結(jié)果的驗證效果。城鎮(zhèn)和居民點驗證結(jié)果較差原因可能為MODIS數(shù)據(jù)的空間精度太低，導(dǎo)致混合像元問題比較嚴重，使得城鎮(zhèn)和農(nóng)村居民點的曲線特征無法清晰地表現(xiàn)出來。

在非監(jiān)督分類的結(jié)果中，井水灌溉類型的分類結(jié)果最好，渠水灌溉類型的分類結(jié)果較好，井渠結(jié)合灌溉類型的分類最不理想。除去城鎮(zhèn)和居民點樣本，不同灌溉水源的總分類精度為 64.28%。分類結(jié)果不理想的原因可能為：非監(jiān)督分類方法不適用或圖例數(shù)據(jù)的空間分辨率太低。由于精度較高的Landsat8數(shù)據(jù)的非監(jiān)督分類結(jié)果較差，可以認為非監(jiān)督分類方法不適用于灌區(qū)尺度的灌溉水源分類。

表1 Landsat8分類結(jié)果精度評價表Table 1 Accuracy evaluation of landsat8 classification results

表2 MODIS分類結(jié)果精度評價表Table 2 Accuracy evaluation of MODIS classification results

4 討 論

在 Landsat8數(shù)據(jù)的監(jiān)督分類結(jié)果中，渠水灌溉和井水灌溉耕地的NDVI時間序列曲線變化與理論假設(shè)基本一致，即井灌作物的NDVI峰值低于渠灌作物，渠灌作物的NDVI峰值低于井渠結(jié)合灌溉作物。圖例數(shù)據(jù)的監(jiān)督分類結(jié)果中，井灌作物的NDVI值最小，但渠灌和井渠結(jié)合灌溉的NDVI值差別不大，并且同種類別的NDVI時間序列曲線的變化差距較大，對分類結(jié)果有一定的影響。雖然不同水源灌溉作物的NDVI數(shù)值表現(xiàn)出差異，但不同水源的NDVI值的變化速率和變化時間的差異不明顯，還需要進一步的研究分析。

本文采用的衛(wèi)星數(shù)據(jù)中，圖例數(shù)據(jù)的時間分辨率高，但空間分辨率低；而 Landsat8數(shù)據(jù)的空間分辨率高，時間分辨率低，數(shù)據(jù)精度對不同灌溉水源的分類有很大的影響。在灌區(qū)尺度，數(shù)據(jù)的空間分辨率對分類精度的影響大于時間分辨率。采用時間和空間分辨率均較高的數(shù)據(jù)預(yù)期能進一步提高灌區(qū)灌溉面積的分類精度。本研究沒有排除降水的影響，分類結(jié)果存在一定的誤差。人民勝利渠灌區(qū)的情況復(fù)雜，不同水源灌溉的耕地交錯分布，對分類精度也有一定的影響。此外，人民勝利渠灌區(qū)有少部分耕地使用河水灌溉，使得這部分耕地的分類結(jié)果顯示為渠水灌溉。不同水源灌溉的耕地的典型NDVI時間序列曲線是進行監(jiān)督分類的關(guān)鍵。NDVI時間序列曲線特征的影響因素較多，曲線特征與灌溉水源的關(guān)系還有待進一步研究。本研究提取的典型NDVI曲線僅為一年的特征曲線，該曲線在其他年份的適用性還需進一步檢驗。此外，對于與人民勝利渠灌區(qū)的灌溉情況和氣候差異較大的灌區(qū)，本研究采用的研究方法的適用性還需探討。如何快速獲取可適用于不同區(qū)域和不同年份的特征明顯的典型曲線是進一步研究的重點。

5 結(jié) 論

本文以人民勝利渠灌區(qū)為例，基于 Landsat8遙感數(shù)據(jù)和圖例數(shù)據(jù)獲取NDVI時序曲線，應(yīng)用監(jiān)督分類和非監(jiān)督分類的方法提取研究區(qū) 2017年和 2012年不同水源的灌溉面積。研究發(fā)現(xiàn)：①非監(jiān)督分類方法并不適用于灌區(qū)尺度的灌溉水源分類。②圖例500 m空間分辨率的影像數(shù)據(jù)造成的混合像元問題較重，在很大程度上影響了分類的精度，監(jiān)督分類精度僅為57.14%。③Landsat8影像數(shù)據(jù)的空間分辨率較高，基于NDVI時序數(shù)據(jù)采用監(jiān)督分類的分類效果較好，分類精度可達 73.58%。④典型樣本曲線在一定程度上影響分類的結(jié)果，獲得典型樣本曲線是采用監(jiān)督分類方法的重點，也是提高灌溉水源分類精度的關(guān)鍵。