基于時間序列NDVI的灌溉耕地空間分布提取

劉逸竹，吳文斌，李召良，周清波

?

基于時間序列NDVI的灌溉耕地空間分布提取

劉逸竹，吳文斌，李召良，周清波※

（農業部農業遙感重點實驗室/中國農業科學院農業資源與農業區劃研究所，北京 100081）

灌溉耕地空間分布地圖是農業和糧食政策制定、水資源管理和環境變化研究的基礎數據，及時、準確和適用性強是區域尺度灌溉耕地分布提取方法的重要要求。相比于非遙感數據融合和遙感影像分類方法，利用遙感參量對統計數據進行空間重建的方法具備少受樣本限制、運算速度快、與統計數據匹配水平高和產品分辨率適宜的優勢，但目前該方面的研究較為薄弱。該文以中國為研究區域，應用國外提出的基于時間序列NDVI的灌溉面積統計數據空間化方法，研制中國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用效果及其影響精度的主要原因。結果表明，利用該方法獲得的灌溉耕地空間分布數據的空間位置精度與同類遙感產品相當，在數量精度上具有明顯優勢，不同區域的制圖效果具有差異性。全國總體精度64.20%，各省精度極差為48.35%。制圖誤差主要來源為耕地底圖、方法假設和分類參量，未來方法的優化應重點加強耕地分布制圖、改進方法假設、進行不同類別和時間點的特征參量的篩選和利用。

NDVI；數據融合；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充植被所需水分的技術措施。一方面它是近幾十年全球糧食產量持續增長、確保糧食安全的重要貢獻者[1]，另一方面農業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空變化是區域乃至全球農業產業政策制定、水資源管理和應對氣候變化的重要應用與科學研究基礎。

遙感技術因其覆蓋范圍廣、時效高和成本低等優點，已成為區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、豐富的光譜特征數據使得灌溉耕地識別特征多元化，不同分類方法如決策樹[5]、隨機森林[6]、聚類[7-8]或組合分類器[9]等計算機自動分類方法成為主流。遙感制圖需要以大量樣本或真值為基礎，樣本缺失給區域灌溉耕地制圖帶來較大挑戰；同時，研究建立的分類或提取規則普適性總體不高，限制了方法的區域推廣。為此，有學者提出了多源數據融合的灌溉耕地制圖技術方法，近年來被廣泛用于大區域乃至全球灌溉耕地空間產品研制。這些產品以GMIA[10-11]為典型代表，以灌溉耕地統計數據作為總量約束，構建一定的空間分配規則，將統計數據空間分配至特定的網格單元。其中，賴以建立分配規則的依據通常是灌溉設施分布、作物復種指數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]提出的數據融合方法較為特殊，他們揚棄了基于統計數據建立分配規則的傳統，引入遙感參量，優化了統計數據空間分配方法，完成了美國2002年與2007年的灌溉耕地空間制圖，降低了分類規則對訓練樣本的依賴，有效提高了制圖效率和產品分辨率。該方法簡單、易操作，能較好地適應當地條件，但地域間自然地理條件和農業生產模式的差異使得NDVI等遙感特征參量與灌溉的關系難以一概而論。有研究表明，灌溉耕地與雨養耕地的NDVI沒有顯著差異，或者其數值與灌溉面積的函數關系需要修正的可能性實際存在[14-15]。同時，該方法并未在其他地區進行應用，其效果及影響因素尚不清楚。中國是世界上僅次于印度的灌溉耕地集中分布區，遼闊的疆域、復雜的地理和氣候特點造就了其千差萬別的農業生產模式和管理方式。基于此，本研究以中國作為研究區域，基于Pervez等的數據融合方法進行中國灌溉耕地制圖研究，旨在考察該方法在不同地區的應用效果，討論影響精度的原因，為該方法的改進完善提供參考。

1 方法與數據

1.1 數據融合方法

一般而言，可以直接反映農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生的瞬時效果，該類參量需要遙感觀測時間與灌溉發生時間同步。第二類參量如NDVI等，利用作物生育期內的長勢和生長變化[17]等群體特征來表征灌溉的總體效果。作為影響植被生長最主要的因素之一，水分與植被長勢呈正相關，因此，描述植被長勢的參量可以反映生長期內植被水分的供給狀況。NDVI 峰值是作物長勢狀況的重要參考，灌溉作物往往比雨養作物具有更高的NDVI峰值。因此，相同或部分不同作物間內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，在降水不足時表現尤為明顯[13]。同時，由于地塊信息由象元內部種植結構和作物種類決定，而相同種植區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。根據上述理論基礎，Pervez等提出以NDVI 峰值為分類依據，在局地尺度下對灌溉統計數據進行空間重建，獲取灌溉耕地空間分布[12-13]。

該方法的技術流程如圖1所示，主要包括兩部分。一是耕地NDVI時序數據重建及峰值提取。采用一種基于移動窗口的加權回歸方法[13,18]，對NDVI時序數據進行數據重構，以降低觀測條件的不利影響，提高數據質量。該方法根據當前時間的NDVI與兩側相鄰NDVI數值的大小關系賦予不同的權重，經剔除異常值、滑動窗口線性回歸來重構NDVI時序曲線，然后基于重構的時序數據提取當前耕地像元的NDVI峰值。二是區域耕地像元灌溉潛力排序和空間迭代。基于前述理論基礎，局地尺度下作物品類和耕作模式的一致性使得灌溉雨養作物能夠通過長勢較好區分[19]，故以縣作為基本地塊單元，在縣域內根據步驟一中得到的NDVI峰值，從大至小對耕地象元進行排序，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，根據排序結果對象元個數逐次累加，并將象元累加后對應的面積與當前縣灌溉統計面積進行對比。如此迭代，當兩者數量基本一致時停止迭代，參與迭代計算的象元被認為是灌溉耕地象元。

1.2 制圖精度驗證和對比

本研究中灌溉耕地制圖結果的精度驗證包括數量精度和空間位置精度。數量精度驗證首先提取利用研究方法得到的縣級灌溉耕地面積，匯總得到省級灌溉耕地面積，然后在縣級、省級尺度上與統計數據進行比較。針對空間位置精度驗證，首先根據空間多項式分布理論，采用下述公式（1）計算得到區域精度驗證所需的驗證樣本數量下限[20-21]為189，其次利用ArcGIS對灌溉耕地空間分布真值數據進行隨機抽樣，得到驗證樣本的空間分布。為排除非耕地像元對精度驗證的影響，本研究在保證樣本數量下限的前提下剔除了非耕地樣本。由于公式（1）計算的樣本數量與區域大小無關，因此分類結果的全國總體精度由各省精度經權重計算得到公式（2）。

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

圖1 技術流程圖

同時，本研究將結果與已有的灌溉耕地分布數據GMIA5[11]和GRIPC[5]進行對比，以討論該方法的分類效果。其中GMIA5中像元值為像元內有效灌溉面積的大小，空間位置描述不足，故只作數量精度對比。

1.3 數據源

研究所需的數據包括縣級灌溉面積統計數據、時間序列NDVI數據、耕地空間分布數據、以及用于精度驗證的參考數據。

1）縣級灌溉面積統計數據。來源于2010年全國省、市、自治區的統計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能夠得到灌溉的耕地”。其中香港、澳門和臺灣的數據缺失，不包括在本研究中。針對部分地市的市轄區數據未收集完全的問題，則利用地市的有效灌溉面積總量與下轄各縣數據匯總相減得到。

2）時間序列NDVI數據。來自NASA的MODIS 13Q1植被指數產品，經相關波段運算后由MVC法得到，空間和時間分辨率分別為250 m和16 d。研究中使用到的是覆蓋中國大陸全境（不包含港澳臺）的MODIS 13Q1產品，其條帶號為h25-26 v03，h23-27 v04，h23-28 v05，h25-29 v06，時間覆蓋范圍為2010年1月至12月。所有下載數據首先利用MODIS專用數據處理軟件MRT進行拼接并轉投影（Albers橫軸等面積投影）。

3）中國耕地空間分布數據。來自30 m空間分辨率的2010年全球地表覆蓋數據產品GlobeLand30。該數據產品的主要遙感影像來源為Landsat TM，利用基于像元-對象和專家知識的分類方法得到，包括耕地在內的10個地表覆蓋類別，總體精度在90%以上，采用UTM投影[22-23]。研究下載該數據集2010年中國區域的影像，投影轉換至與上述數據一致。

4）精度驗證數據。在缺乏實時、實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證方式之一。本研究以2005年中國土地利用覆蓋數據產品（national land cover data，NLCD）作為灌溉耕地制圖精度檢驗的真值數據。該數據空間分辨率為100 m，采用專家解譯結合計算機自動分類結合的方法制成。耕地類別中包含了水田、水澆地和旱田3個亞類，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，與上述統計數據中的有效灌溉面積的物理內涵一致。

5）其他對比數據。研究采用基準年同為2005年的GMIA5和GRIPC。前者通過數據融合方法得到，空間分辨率5分弧度，象元值為網格內有效灌溉面積大小；后者基于MODIS數據利用自動分類方法獲得，空間分辨率為500 m，其將耕地分為水澆地、水田和旱田。

2 結果與分析

2.1 2010年中國灌溉耕地空間分布

圖2是利用Pervez等的方法得到2010年中國灌溉耕地空間分布圖。可以看出，中國農業可以河北最北端至廣西中部最南端一線為分野：東側以灌溉農業為主，且從北至南逐步分散；西側以雨養為主，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[24-25]，因此，根據這些因子劃定的種植區劃更能說明灌溉的空間分布規律[26-27]。

2010年中國灌溉耕地總面積為607 977.10 km2，灌溉普及比例約50%。從不同農業種植區域上看（圖2和表），中國灌溉耕地在黃淮海種植區和長江中下游種植區最為集中。前者降水時空分布不均，需要降雨高峰期外的補充灌溉，境內雨養耕地集中在西側、北端壩上和沂蒙山區等海拔較高區域；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。南方丘陵種植區的灌溉分布情形與長江中下游種植區類似，但耕地景觀破碎度高，云貴高原種植區的耕地景觀特征正與南方丘陵種植區相反；川陜盆地的灌溉耕地在四川盆地內有小型集中分布，華南雙季稻種植區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一致。西北綠洲種植區、北部高原種植區和東北大豆種植區的灌溉耕地分布與水源關系密切，如西部的綠洲農業、黃河或其支流流經沿途的灌區，與雨養耕地界限清晰，東北大豆種植區的灌溉耕地相對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果總體一致[16]。

圖2 2010年中國灌溉與雨養耕地空間分布圖

表1 2010年中國不同農業種植區的灌溉耕地面積和灌溉率

表2列舉了研究區不同省、市和自治區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。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業為主，類似的區域還包括寧夏及甘肅北部、山西中部和內蒙古東部。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、河北和山東等省內的縣級灌溉面積與灌溉率較為均勻，湖北、安徽和江蘇等省內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、市和自治區的灌溉耕地面積、灌溉率及數量誤差統計結果

注：灌溉比例為有效灌溉面積除以耕地面積。耕地面積為全國第二次土地調查結果，來源于中國統計年鑒（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 精度驗證

本研究方法分類結果的總體數量精度較高。經統計，面積相對誤差（relative error，RE）小于5%全國縣比例超過90%，約1/4的縣統計灌溉面積與分類結果的偏差趨近于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、內蒙和西藏。

就絕對誤差而言，如圖3所示，在分類結果-統計面積構成的特征空間內，大部分數據點分布在1∶1等比例線下方，表明灌溉耕地制圖的絕對誤差（absolute error，AE）以負誤差為主，與Pervez等的結果一致。同時，負誤差在不同水平內的分布比例都遠高于正誤差，后者對應的相對誤差絕大部分小于5%。原因是當區域內有足夠耕地象元參與分配時，誤差的絕對值只取決于灌溉耕地面積大小，而絕大部分出現正誤差的縣，出現在灌溉面積較大的地區。

圖3 縣級數量結果與統計數據對比

從不同省份來看，相對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。絕對誤差分布規律與縣級尺度一致：各個省份絕對誤差取決于各個縣市占省內灌溉面積比例及其數量誤差，如表2所示，可分為4種情況：一是省內各區縣誤差絕對數值均勻，能夠反映全省總體誤差水平，如山西省；二是省內各區縣正負誤差在數量和絕對值分布上都較均勻，匯總計算得到省份相對誤差接近于0，如天津、吉林等等；三是少數區縣絕對誤差過大，極值被凸顯，影響本省數量精度。如湖北雖然整體誤差與山西相近，但主要來自于20%的區縣。廣東、陜西、上海、黑龍江等也屬此列。四是各縣絕對誤差正負相互抵消，極值被掩蓋，如內蒙古自治區。

不同省份灌溉耕地的空間精度如表3所示。全國總體精度64.20%，各省精度極差為48.35%。以2.1節中述自河北北端至廣西南端分野為界，精度居全國前列的省區多居于該分界東側，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平均水平；西部各省精度與地域走向無明顯關聯，僅甘肅、寧夏分類效果較好。

表3 空間精度及對比

2.3 對比與評價

從表3可以看出，本研究方法得到的結果在31個省級行政區中，有24個的數量誤差普遍小于后者，總體數量精度較GMIA5優，并能提供更細致的空間信息。從空間精度看（表3），GRIPC在20個省區的絕對精度高于新產品，總體精度高約5%。Velpuri等[29]不同影像分辨率對灌溉產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，制圖總體精度會有2%~ 5%的下降。因此，本研究中數據融合方法的總體精度變化處于正常水平。并且，由于本方法采用統計數據作為數量限制，數量精度明顯高于GRIPC。

綜上述，相比僅依賴統計資料進行數據分配的方法，本數據融合方法能充分利用遙感數據空間信息，較大提升了產品的空間分辨率，并提高數量精度。與遙感影像自動分類的結果相比，能保持同類產品相當的精度水平，且與統計數據吻合程度更高，并減少了對樣本的依賴。因此，該技術方法在中國總體可用。相比其在美國（RE：?61.6%～48.4%；空間精度：樣點驗證75%，樣方驗證81%）的實踐，本研究結果的數量精度優于后者，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

將灌溉耕地統計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。雖已有研究表明，本研究中采用的GlobeLand30耕地與統計數據吻合最優，各省耕地面積數量誤差在?1.32%～0.94%間[30]，但其也會影響灌溉耕地制圖的數量精度。受矢量邊界和數據中耕地象元分布等影響，部分行政單元內耕地像元數量有限，耕地面積小于灌溉耕地統計面積，導致無法將統計灌溉面積完全分配至空間單元，這與Pervez等的研究結果一致。由于GlobeLand30中耕地的空間精度總體較高，且不同區域的精度水平在現有同類產品中均居前列[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。但研究同時指出，其他耕地數據產品在東南和華北地區的精度要高于GlobeLand30[30]。因此，在沒有更高精度遙感耕地產品的前提下，分區選擇耕地空間分布數據，可進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]認為灌溉耕地提取技術方法的誤差主要源自兩點：一是未能充分考慮規范管理之外的灌溉，如私人打井或小型水庫灌溉等，此為統計數據涵蓋范圍涉及，不做討論。二是遙感影像質量及混合象元問題的影響，一些學者已進行了針對性討論[29]，或采用了相應的改善方法[9,32-33]，不再贅述。Thenkabail等還提到了統計數據和遙感產品中對灌溉耕地定義的差異，但對比前述1.3節中對有效灌溉面積和真值影像對各類耕地涵蓋范圍可知，該因素對本研究結果的影響微乎其微。故本研究僅就該算法設計本身展開討論。

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

圖4 不同類型耕地NDVI峰值統計

3.3 NDVI特征對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等的假設前提下，特征的選擇會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別，但有證據表明NDVI存在部分或完全失效的可能：如在英國Louth郡[43]和泰國Suphanburi府[14]的研究表明，灌溉和雨養作物NDVI在任何時間段沒有明顯差異。利用相對敏感性指數（relative sensitivity index，RSI）[39]對寧夏與黑龍江耕地NDVI峰值對灌溉的敏感性對比表明，后者的RSI要遠小于前者，因此利用NDVI峰值對后者灌溉耕地的提取效果會遜于前者。事實上，NDVI及其峰值受到包括水分在內的多種因素如作物種類和耕作模式，農業災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縣尺度，利用各個農業區作物種類的組合相對固定[19]的特點，在一定程度上規避了上述因素對NDVI峰值的影響，但仍有研究認為NDVI易飽和、容易受到大氣和濕度條件影響——一是其表現與大氣條件呈現正相關關系，在濕度較高時表現相對較差，不少應用都對NDVI 數據進行了去噪和重構等預處理[17,45]，而這些過程也會成為誤差來源之一。

因此，針對特征參量的改良可首先考慮在現有計算框架下討論其他遙感特征參量。如EVI、GI或WDRVI可能比NDVI對灌溉引起的植被長勢差異更敏感[39]，水分相關波段如NIR和RED等也是遙感提取灌溉耕地的主要依據[46]，尤其SWIR被認為相比其他幾個常用波段更能夠提供有效信息[47]。以它們為基礎構建的水分相關指數（如NDWI、LSWI等）受大氣影響相對小，數據質量相對穩定，對灌溉耕地的提取效果可能會更好。還有學者使用植被健康指數（vegetation health index，VHI）[15]、灌溉潛力指數[44]等綜合考慮了水分和植被長勢的參量，并有較好的分類效果，但缺少與其他指數的對比。二是當單一參量閾值不能完全區分目標類別時，考慮增加參量。一方面增加同一參量在不同時間點的信息，構建多閾值的決策樹。以Beltran等[37]研究為例，首先利用5月與8月影像各一，區分春季作物和夏季作物，然后根據不同作物的NDVI時序演變特征，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分類。如董婷婷[16]根據灌溉與雨養耕地在植被覆蓋度-陸氣溫差二維空間內分布的差異，計算WDI指數提取水澆地；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如新疆，本方法的精度卻不理想。本研究的結果顯示該區域存在一定雨養耕地，但有學者[24]認為氣候干旱水源稀少的地區不可能存在雨養耕地，董婷婷等認為在中國年降雨少于某閾值的區域不存在雨養耕地。因此，未來特征選擇還可以考慮增加自然地理等環境因子。實際上，已有研究表明，不論是局地還是區域尺度，根據一些地理條件能夠直接反映耕地類別，如新西蘭的坡度[49]，阿富汗的生長季個數[38]和印度的海拔和降水等。同時，灌溉行為的發生與當地作物類型也有關系。在中國，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；在中國完全灌溉區（年降雨<400 mm）和補充灌溉區（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構的不同，會導致象元個體或地塊整體特征的變化，所以對耕地的判斷可以部分轉化為對作物類別或種植結構的判斷。目前利用簡單閾值法已能夠較穩定并精確提取區域尺度水稻分布[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行較好區分[54]，并發布了不同尺度的數據產品。但是，將整體地塊特征應用于灌溉耕地提取還鮮有報道，僅董婷婷[25]對紋理特征有所嘗試，但他們同時也指出，該特征受到地理位置制約，難以統一描述；賈坤等[41]也認為，受到度量方法、數據來源、波段和窗口尺寸等參數的影響，地塊特征的選擇十分困難，相關研究多處于提取特征的方法設計階段，實際應用還有待深入研究。

4 結 論

本研究應用一種以NDVI峰值作為區分灌溉與雨養耕地的唯一特征參量的數據融合方法，提取中國灌溉耕地空間分布，并就其分類結果與同類產品及該方法在不同地區的應用效果進行了比較，并分析了影響分類精度的可能原因。該方法具有輸入簡單，對訓練樣本的依賴少，計算快速的優點，局地內限制運算范圍在一定程度上減少了不同耕作模式、氣候等地理或農業生產方式的差異帶來的消極影響。相比非遙感數據融合得到的產品，該方法在提高了數量精度的同時，能提供更詳細的空間分布信息；相比同類遙感產品，該方法能在保持空間精度的同時，提高與統計數據的匹配水平。但與方法在其他地區的應用效果有一定差距，分析認為耕地掩膜精度、參量數據的分布假設和指標選擇是誤差的主要來源。全國總體精度64.20%，各省精度極差為48.35%。

對方法的改良，可在保持統計數據總量控制和以局地作為分類基礎單元的前提下，從以下幾方面進行：1）選擇區域最優的耕地空間分布數據；2）在分類前，結合利用當地農業生產相關和影像數據，收集和挖掘作物信息，獲取灌溉與地理條件和作物等的關聯信息等先驗知識，對部分地區或象元進行預判；3）優選分類參量，調整數據分布假設，通過提升特征空間的維度，對目標類別在特征空間的分布中與非目標類別混淆的部分進行更細致的剝離。

[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，張增祥. MODIS數據的水澆地提取[J]. 遙感學報，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[J]. 測繪學報，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. 中國的灌溉發展及其作用[C]. 世界水論壇中國代表團，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. 中國水澆地和旱地的遙感分類及其景觀格局研究[D]. 北京：中國科學院，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] 全國縣級種植業區劃工作要點[J]. 中國農業資源與區劃，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，余強毅，等. 1980－2010年中國耕地復種可提升潛力空間格局變化[J]. 中國農業資源與區劃，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. 不同耕地數據集在中國區域的對比研究[J]. 中國科學：地球科學，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，李強子. 農作物遙感分類特征變量選擇研究現狀與展望[J]. 資源科學，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，李強子，田亦陳，等. 遙感影像分類方法研究進展[J]. 光譜學與光譜分析，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] 衛煒，吳文斌，李正國. 時間序列植被指數重構方法比對研究[J]. 中國農業資源與區劃，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. 基于多時相遙感數據提取水稻種植面積的研究[J]. 中國農業資源與區劃，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，王長耀，儲德平，等. 基于光譜特征分析的主要秋季作物類型提取研究[J]. 農業工程學報，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. 基于時間序列NDVI的灌溉耕地空間分布提取[J]. 農業工程學報，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

測繪地理信息公益性行業科研專項：全球地表覆蓋數據分析研究（2015A10129）

劉逸竹，女，湖北人，博士生，研究方向為農業遙感。 Email：liuyizhu1989@hzau.edu.cn

周清波，男，湖南人，研究員，博士，研究方向為農作物和農情遙感監測、土地資源監測與評價、災害監測與評估等。Email：zhouqingbo@caas.cn