基于遙感的灌溉耕地制圖方法研究進展

向昆侖, 何博翰, 江銘諾, 王娟敏, 李立, 徐杰

向昆侖, 何博翰, 江銘諾, 等. 基于遙感的灌溉耕地制圖方法研究進展[J]. 生態科學, 2022, 41(4): 257–264.

XIANG Kunlun, HE Bohan, JIANG Mingnuo, et al. Review on satellite-based mapping methods of irrigated farmland [J]. Ecological Science, 2022, 41(4): 257–264.

基于遙感的灌溉耕地制圖方法研究進展

向昆侖1,*, 何博翰1, 江銘諾2, 王娟敏3, 李立4, 徐杰1

1. 廣東省生態氣象中心, 廣東省氣象局, 廣州 510640 2. 廣東省氣象探測數據中心, 廣東省氣象局, 廣州 510640 3. 廣東省氣候中心, 廣東省氣象局, 廣州 510640 4. 廣州市氣象臺, 廣州市氣象局, 廣州 511430

準確的灌溉耕地位置分布信息是地球系統科學和氣候變化等研究領域的基礎, 它關乎我們國家的糧食安全和水資源安全, 對水循環、能量循環研究具有重要的意義。遙感灌溉耕地制圖研究主要分為局地研究、區域研究和全球研究三類。目前, 基于遙感的灌溉耕地制圖研究大多數都集中在局地尺度上, 其中, 目視解譯法和數字圖像分類法是在局地尺度研究中最常見的方法; 在區域尺度上, 最常見的手段是使用中等分辨率的衛星圖像進行多時段的時間序列分析, 從而實現灌區地圖的繪制; 當前全球尺度的灌溉位置分布研究工作, 由于在數據獲取方面受到的的客觀限制, 使其在灌溉分類結果上存在較大的不確定性。近年來, 國際國內出現了一些灌溉產品, 由于各種原因, 這些灌溉產品存在精度不高、分類不可靠等問題。然而, 由于技術的進步, 數據融合技術、微波遙感技術及大量其他輔助數據在大區域繪制灌溉地圖方面提供了更大的可能性。為此, 極有必要系統回顧灌溉耕地識別制圖研究的發展歷程, 總結當前研究的現狀及存在的不足, 為進一步開展灌溉耕地制圖方法研究和提高灌溉識別精度提供參考。

灌溉耕地; 遙感; 識別制圖

0 前言

灌溉耕地分布信息是地球系統科學和氣候變化等領域的重要基礎數據。灌溉作為人類活動影響農業產生最主要的方式之一, 是實現2060年碳中和最有力的農業措施, 在保障糧食安全方面起著重要作用[1-2]。研究表明, 在過去的40年時間里, 灌溉是全球糧食產量翻倍的主要原因之一[3-4]。農業灌溉用到的淡水資源主要包括湖泊, 河流, 地下水等, 其中農業灌溉用水占據了淡水資源消耗的70%以上[5]。隨著全球人口的不斷增加, 人類對糧食、燃料和纖維的需求量也越來越大, 隨著農業持續的集約化, 對淡水資源的需求量將增加50%以上, 尤其是在干旱和半干旱地區。

雖然灌溉耕地分布信息對糧食安全, 水循環、能量循環等具有重要意義, 但是全球范圍內準確的灌溉耕地分布仍然是一個未知的謎團。農業灌溉增加了全球的糧食產量, 同時也極大的影響了我們賴以生存的環境。主要表現在地表過程和水氣交換[6-8], 用水供需平衡[9-11], 糧食安全和水資源管理[12], 干旱地區的農業氣候反饋等[13-14]。通過文獻檢索發現, 相比于大量的土地覆蓋繪圖研究, 專門的灌溉耕地制圖研究顯得十分缺乏, 灌溉地圖數據通常是作為土地覆蓋產品的二級產品而存在。由此可見, 灌溉區域的識別以及灌溉地圖的繪制工作是十分必要的, 其方法學的研究仍然需要不斷的發展。為此, 極有必要系統回顧灌溉耕地識別研究的發展過程, 總結目前研究中存在的問題和不足, 為進一步提高灌溉識別精度和開展灌溉耕地制圖方法研究提供參考。

1 基于遙感的灌溉制圖研究現狀

灌溉遙感測繪數據和方法的研究中, 根據研究尺度可分為局地研究、區域研究和全球研究。與傳統的航空影像調查方法相比, 遙感技術的方法顯得更加省時省力。利用遙感影像進行植被生產力、灌溉面積監測, 具有明顯的優勢。當前遙感技術已經成為一個有效的灌溉監測工具[15-17]。通過分析對比統計數據以及遙感影像, 從而揭示作物生長變化的過程。利用地理信息系統(GIS), 衛星遙感的數字化特征使其較容易與其他來源的數據進行比對。遙感技術能提供灌溉耕地準確的位置信息, 而不僅是某行政區域的統計數據, 能用于評估灌溉用水和灌溉區域的實時變化。

1.1 局地研究

目前, 基于遙感的灌溉測繪研究大多數都集中在局地尺度上。原因有三個: 首先, 局地尺度提供了相對熟悉的環境, 調查人員有廣泛了解和學習的基礎; 其次, 大多數局地尺度的研究是為了證明遙感方法的效果, 而不是大范圍的灌溉制圖; 第三, 隨著區域的擴大, 灌溉形式也變得多樣, 這使得灌溉制圖研究變得異常復雜, 很多學者的研究停留于此。但是, 在局地尺度上的灌溉制圖研究存在的問題是, 在一個區域和時間段開發的方法可能并不適用于另一個區域和時間段。在局地尺度的研究中, 目視解譯法和數字圖像分類法, 這兩類繪圖方法是最常見的方法。早期的研究主要集中在利用來自美國和印度的航空部門的目視解譯技術, 來繪制和更新灌溉地圖[18-20]。后來的研究開發了數字圖像自動分類方法專門用于灌溉識別制圖[21-23]。在這些方法中, 許多都被證明有非常顯著的效果。表1列舉的是局地尺度研究中常用到的灌溉制圖方法。

1.2 區域研究

在區域尺度上, 繪制灌區地圖最常見的手段是使用中等分辨率的衛星圖像進行多時段的時間序列分析。該方法在很大程度上依賴于作物生長過程中的原始光譜波段特征和植被指數的季節性差異。該方法需要了解該區域的常見作物的生長周期。監測大面積灌區最有效的方法之一, 就是使用AVHRR和MODIS等傳感器的植被指數數據[17,24-25]。運用現代分類算法分析時序性植被指數特征, 如決策樹算法, 其分類精度范圍在60%—90%[24,26-27]。在區域尺度上, 該方法對灌區估算的誤差主要受到氣候因素、局部降水和種植模式的影響[24]。此外, 這種分類方法受益于多階段分類法, 使用氣候數據、地表水狀況、海拔高度、土地覆蓋類型、作物面積和水掩膜等輔助資料[16,28], 可以將土地覆蓋類別進行逐個分類[24]。研究表明, 當使用MODIS等高光譜衛星數據時, 多時序圖像分類中使用原始光譜特征結合光譜轉換指數, 可以得到更好的分類效果[25,29]。時序性圖像中自動識別植被峰值的位置和數量的算法提高了分類精度[28]。

表1 提取灌溉空間分布信息的典型方法。

1.3 全球研究

近年來, 關于全球尺度的灌溉空間分布的研究工作, 由于在獲取數據的客觀性方面受到的限制, 使其在灌溉分類結果上存在較大的不確定性。1992年4月至1993年9月, 美國地質調查局開展的基于觀測和AVHRR 數據(1 km)生成的全球土地覆蓋圖[30](Loveland et al., 2000)。該數據集的主要缺點是將灌溉地圖作為土地覆蓋圖的一個子集來研究。因此, 該地圖的重點主要是土地覆蓋類型, 而對灌溉本身則關注較少, 其分類準確率也較低。V?r?smarty 和 Sahagian(2002)[12]通過比較美國地質調查局繪制的灌溉地圖和美國國家層面報道的灌溉面積(FAO, 1998), 發現由于世界糧農組織高度政治化的性質, 以及在獲取數據的客觀性方面的限制, 使其在灌溉分類結果上存在較大的不確定性。歐洲航天局(ESA)利用2005—2006年的中分辨率成像光譜儀(MERIS)數據繪制了一幅中等分辨率(300米)的全球陸地覆蓋圖(GlobeCover)。全球陸地覆蓋圖中有幾個是關于灌溉類型的作物, 包括水稻。分類的過程包括對選定的圖像進行無監督聚類, 然后利用MERIS的時序圖像計算物候參數(起始、持續、結束)并進行時間特征提取。最后, 對區域土地覆蓋的每個類別進行標注。該地圖由于樣本的質量和數量問題而導致灌溉分類結果同樣存在較大的不確定性。

1.4 國內外現有灌溉產品

當前國際國內出現了一些灌溉產品, 但是由于各種原因, 這些灌溉產品存在精度不高、分類不可靠等問題。2000年, 由聯合國糧農組織和法蘭克福大學(FAO/UF)繪制的全球第一份灌溉耕地分布圖 GMIA(Global Map of Irrigated Area), 該地圖的空間分辨率為5弧分, 反映了灌溉的百分比, 隨后陸續有產品更新[31-35]。除 GMIA 外, 較典型產品還有 MIRCA, GIAM/GMRCA和 GRIPC 等。國際水資源管理研究所(IWMI)制作的全球灌溉面積地圖(GIAM)[17,28,36], 該方法考慮了1km分辨率的亞像元問題以及灌溉強度[36], 但由于訓練樣本數據有限, 其分類結果并不可靠。隨后, 研究者們又推出了全球糧食安全數據圖(GFSAD), GFSAD 在其分類體系中包含了無灌溉信息的耕地以及其他混合類。全球雨養、灌溉和稻田地圖(GRIPC)的空間分辨率為500 m[37], 是這幾幅地圖中分辨率最高的。還有一些土地覆蓋產品也將灌溉作物信息納入分類體系中, 如以土地覆蓋分類為目標的 IGBP-Discover, Glob Cover以及 GLCNMO, 他們在分類體系上存在與GFSAD 類似的問題。另外, 朱秀芳等(2015)[38]發展了三個灌溉潛力指數和一個灌溉識別模型, 結合統計數據繪制了一份中國的灌溉地圖。也有諸多的研究將水澆地和旱地單獨羅列研究, 生產出不同分辨率的灌溉地圖[39-44]。這些研究主要集中在土地利用和土地覆蓋遙感分類上, 較少關注灌溉制圖方法本身。表2是對當前國內外現有灌溉產品的總結。

表2 國內外現有灌溉產品介紹。

2 基于遙感的灌溉制圖研究展望

目前, 在局部尺度上繪制單一日期圖像技術較為成熟, 但如果在區域/大陸/全球尺度上繪制地圖則可能不夠, 在區域/全球尺度上還需要雷達、微波等輔助數據, 需要數據融合、機器學習以及基于規則的分類等技術。因此, 數據融合技術、微波遙感的非光學數據以及其他大量輔助數據在繪制更大區域地圖方面將具有不可估量的價值。

2.1 雷達數據應用

由于可在所有天氣條件下收集土壤濕度數據, 雷達正成為一種非常有效的工具, 即使是在復雜的環境中, 對土壤水分狀況信息也十分敏感。在過去的十年, 越來越多的雷達傳感器被發射到太空中。首先, 雷達可以在沒有大氣干擾和太陽角度變化的情況下盡可能頻繁地獲取地面信息。其次, 根據不同的波長, 雷達的回波信號攜帶了植被的水分狀況信息。例如, Ribbes 等(1999)[45]發現了水稻田的雷達回波信號具有顯著的時間變化, 且該變化可以用來識別水稻田。同時, Rosenqvist 等(1999)[46]報道了人工種植水稻區域的回波信號L波段與植株生長之間存在很強的相關性關系, 這種關系與植株間距和位置分布無關。該調查為理解水稻生長與雷達回波信號之間的關系奠定了物理基礎。另一項研究表明[47], 水稻估產需要對作物生長和發育的三個階段進行三次雷達數據的收集。但是, 如果有多個雷達, 則只需要進行兩次數據收集就可完成估產。

2.2 微波遙感技術

微波遙感可以根據干濕土壤介電常數的巨大反差來估算土壤濕度, 進而用于灌溉監測和識別[48-49]。生長期內根部土壤水分的時序監測可對灌溉和非灌溉農田進行初步區分。然后, 用光學或雷達傳感器數據來細化這些信息, 以提高其分辨率。由于微波穿透云層能力強, 因此微波遙感是光學遙感的一種很好的替代方法, 它能提供在云層覆蓋頻繁的潮濕地區的灌區監測以及用水需求方面的監測。雖然微波數據有空間分辨率(25 km)較粗糙的缺點, 但這可以初步確定灌區的范圍。

2.3 多對一關聯對象映射的分類算法

多對一關聯對象映射分類算法是指多個變量的取值之間存在某種規律性的聯系, 關聯規則是尋找同一個事件出現的不同項的相關性。例如, 通過已有的分類技術, 按照支持度與置信度的不同構造一個分類器模型進行分類分析。由于待處理的時序性數據圖像質量的需求, 使得基于機器學習算法的自動化監督分類方法變得越來越重要。神經網絡[50-51]、決策樹[52]和支持向量機[53]在處理多源數據來生成可靠的分類結果的功能非常強大。機器學習算法的優點之一是多對一映射能力, 這意味著任何給定的輸出數據都會有許多光譜特征。這對灌溉制圖而言是非常重要的, 因為大多數研究只使用有限的類別, 而非灌溉類可以包括多個土地覆蓋類。

2.4 面向對象分類法

面向對象分類法是指一種將對象作為最小的分類單元的分類法, 是對傳統的基于像元分類方法的一種改進, 使分類結果包含豐富的影像語義信息。例如, 對目標影像進行分割, 從空間特征、紋理特征、形狀特征等考慮使同質的像元組合成大小不同的對象區域; 對生成的對象進行分類, 進而提取影像中的對象信息。在面向對象的分類過程中, 可以通過自動分割算法或地圖學等輔助信息源來建立圖像對應關系。一般來說, 分割算法根據傳感器屬性而不是地理特征產生空間分割。面向對象分類方法已廣泛應用于農業[54-55]。面向對象的圖像分析可以通過以下兩種不同的方法來完成: 在像元分類之前和分類之后。在前一種方法中, 首先計算每個大類的特征, 然后使用分類算法對大類進行再分類。在后一種方法中, 使用多像元類作為指定的像元標簽, 或者使用混合標簽描述指定的像元類的異質性, 來計算每個類中分類像元的頻率[54,56]。

2.5 多源數據融合技術

不同傳感器對同一場景的數據信息進行融合的技術稱為數據融合技術。利用多源數據融合技術來繪制灌區地圖正在變得越來越受關注。目前, 根據不同空間分辨率、光譜特征、時間特征和輻射特征, 越來越多的衛星傳感器被用來收集農業地塊信息。數據融合的目的是為了得到無法從單個傳感器獲得的圖像信息, 或者減少單個傳感器數據的不確定性[57]。一般來說, 數據融合技術可以分為兩類: (1)顏色匹配技術; (2)統計/數值法。第一種包括RGB顏色中三個通道的顏色組成以及更復雜的顏色轉換。第二種, 統計/數值法是在通道信息統計的基礎上發展起來的, 包括相關性和濾波器。

3 總結

灌溉耕地位置分布信息, 能夠為農業、水利部門的監測和決策提供宏觀信息, 是糧食安全、水資源管理、氣候變化領域最基礎的數據之一。遙感以其經濟、及時、客觀和覆蓋廣的優勢, 已成為獲取灌溉耕地位置分布信息的重要手段。衛星遙感數據為不同尺度的灌區制圖提供了巨大的優勢。同時, 為有效地利用遙感技術, 我們應該對衛星數據的優點和局限性進行更深入了解, 并從現有遙感數據中做出合理的選擇。充分利用更先進的衛星遙感數據, 包括利用多時間圖像和輔助數據來改進灌區識別的技術, 以適用于所有空間尺度。總的來說, 多時間圖像和輔助信息的應用, 如氣候、土壤或坡度信息, 都能用來提高了灌溉分類精度。多時段圖像為從其他土地覆蓋類型中識別灌溉提供了可能性。機器學習和基于規則的分類方法通常比傳統的統計分類方法的效果更好。綜上所述, 利用衛星遙感圖像繪制灌溉地圖雖然是一項十分困難的工作, 但卻是完全可以實現的。

[1] BRUINSMA J. World agriculture: towards 2015/2030. An FAO perspective[M]. FAO and Earthscan Publishing, Rome, London, 2003.

[2] PORTMANN F, SIEBERT S, DOLL P. MIRCA2000- Global monthly irrigated and rainfed crop areas around the year 2000: A new high-resolution data set for agricultural and hydrological modeling[J]. Global Biogeochemical Cycles, 2010, 24(1), doi: 10.1029/2008GB003435.

[3] ROSEGRANT M, MEIJER S, CLINE S, et al. International Model for Policy Analysis of Agricultural Commodities and Trade (IMPACT): Model Description[M]. IFPRI: Washington, DC, USA, 2002.

[4] GLEICK H. Global freshwater resources: Soft-path solutions for the 21st century[J]. Science, 2003, 302(5650): 1524–1528.

[5] CAI X, ROSEGRANT M. Global water demand and supply projections[J]. Water International, 2002, 27: 159–169.

[6] GORDON J, STEFFEN W, JONSSON B, et al. Human modification of global water vapor flows from the land surface[J]. Proceedings of the National Academy of Sciences of the United State, 2005, 102(21): 7612–7617.

[7] OZDOGAN M, WOODCOCK C, SALVUCCI G, et al. 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(3): 467–488.

[8] WISSER D, FROLKING S, DOUGLAS E, et al. Global irrigation water demand: Variability and uncertainties arising from agricultural and climate data sets[J]. Geophysical Research Letters, 2008, 35(24): doi: 10.1029/2008GL035296.

[9] ALCANMO J, DOLL P, HENRICHS T, et al. Global estimates of water withdrawals and availability under current and future “business-as-usual” conditions[J]. Hydrology Science Journal, 2003, 48(3): 339–348.

[10] ROSENZWEIG C, STRZEPEK K, MAJOR D, et al. Water resources for agriculture in a changing climate: International case studies[J]. Global Environmental Change, 2004, 14(4): 345–360.

[11] DROOGERS P. Global Irrigated Area Mapping: Overview and Recommendations[M]. International Water Management Institute: Colombo, Sri Lanka, 2002.

[12] VOROSMARTY C, SAHAGIAN D. Anthropogenic disturbance of the terrestrial water cycle[J]. BioScience., 2000, 50: 753–765.

[13] MOORE N, ROJSTACZER S. Irrigation’s influence on precipitation-Texas High Plains, U.S.A[J]. Geophysical Research Letters, 2002, 29(16), doi: 10.1029/ 2002GL014940.

[14] KUEPPERS L M, SNYDER M A, SLOAN L C. Irrigation cooling effect: Regional climate forcing by land-use change[J]. Geophysical Research Letters, 2007, 34: doi: 10.1029/2006GL028679.

[15] ALEXANDRIDIS T, ZALIDIS G, SILLEOS N, et al. Mapping irrigated area in Mediterranean basins using low cost satellite Earth Observation[J]. Computer and Electronics in Agriculture, 2008, 64(2): 93–103.

[16] 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(9): 3520–3537.

[17] THENKABAIL P, DHEERAVATH V, BIRADAR M, et al. Irrigated Area Maps and Statistics of India Using Remote Sensing and National Statistics[J]. Remote Sensing, 2009, 1(2): 50–67.

[18] KOLM K, CASE H. The identification of irrigated crop types and estimation of acreages from Landsat imagery[J]. Photogrammetric Engineering and Remote Sensing, 1984, 50(10): 1479–1490.

[19] THELIN G, HEIMES F. Mapping Irrigated Cropland from Landsat Data for Determination of Water Use from the High Plains Aquifer in Parts of Colorado, Kansas, Nebraska, New Mexico, Oklahoma, South Dakota, Texas, and Wyoming [M]. USGS: Washington, DC, USA, 1987.

[20] RUNDQUIST D, HOFFMAN R, CARSON M, et al. The Nebraska center-pivot inventory-An example of operational satellite remote sensing on a long term basis[J]. Photogrammetric Engineering and Remote Sensing, 1989, 55: 587–590.

[21] ABUZAR M, MCALLISTER A, MORRIS M. Classification of seasonal images for monitoring irrigated crops in a salinity-affected area of Australia[J]. International Journal of Remote Sensing, 2001, 22(5): 717–726.

[22] BELTRAN C, BELMONTE A. Irrigated crop area estimation using Landsat TM imagery in La Mancha, Spain[J]. Photogrammetric Engineering and Remote Sensing, 2001, 67(10): 1177–1184.

[23] CHEN Y, LU D, LUO L, et al. Detecting irrigation extent, frequency, and timing in a heterogeneous arid agricultural region using MODIS time series, Landsat imagery, and ancillary data[J]. Remote Sensing of Environment, 2018, 204: 197–211.

[24] WARDLOW B, EGBERT S. Large-area crop mapping using time-series MODIS 250 m NDVI data: An assessment for the US Central Great Plains[J]. Remote Sensing of Environment, 2008, 112(3): 1096–1116.

[25] DHEERAVATH V, THENKABAIL P, CHAND- RAKANTHA 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(1): 42–59.

[26] XIAO X, BOLES S, LIU J. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images[J]. Remote Sensing of Environment, 2005, 95(4): 480–492.

[27] LIU W, DONG J, XIANG K, et al. A sub-pixel method for estimating planting fraction of paddy rice in Northeast China[J]. Remote Sensing of Environment, 2018, 205: 305–314.

[28] 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(12): 2527–2547.

[29] THENKABAIL P S, BIRADAR C M, NOOJIPADY P, et al. A Global Irrigated Area Map (GIAM) using remote sensing at the end of the, last millennium[M]. International Water Management Institute, 2008.

[30] LOVELAND T, REED B, BROWN J, et al. Development of a global land cover characteristics database and IGBP DISCover from 1 km AVHRR data[J]. International Journal of Remote Sensing, 2000, 21(6/7): 1303–1330.

[31] SIEBERT S, DOLL P, HOOGEVEEN J, et al. Development and validation of the global map of irrigation areas[J]. Hydrology and Earth System Sciences, 2005, 9(5):535–547.

[32] SIEBERT S, KUMMU M, PORKKA M, et al. A global dataset of the extent of irrigated land from 1900 to 2005[J]. Hydrology and Earth System Sciences, 2015, 19(3):1521–1545.

[33] SIEBERT S, HOOGEVEEN J, FRENKEN K. Irrigation in Africa, Europe and Latin America. Update of the digital global map of irrigation areas to version 4[M]. Univ. Frankfurt (Main), Germany and FAO, Rome, Italy, 2006.

[34] SIEBERT S, HENRICH V, FRENKEN K, et al. Global Map of Irrigation Areas version 5.0[M]. Bonn/Rome: Rheinische Friedrich–Wilhelms–University/Food and Agriculture Organization of the United Nations, 2013.

[35] SIEBERT S, HENRICH V, FRENKEN K, BURKE J. Update of the Global Map of Irrigation Areas to version 5[M]. Rome: Food and Agriculture Organization of the United Nations, 2013.

[36] THENKABAIL P, BIRADAR C, NOOJIPADY P. et al. Sub-pixel area calculation methods for estimating irrigated areas[J]. Sensors, 2007, 7(11): 2519–2538.

[37] SALMON J, FRIEDL M, 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.

[38] ZHU X, ZHU W, ZHANG J, et al. Mapping Irrigated Areas in China From Remote Sensing and Statistical Data[J]. IEEE Journal of Selected Topics in Applied Earch, 2015, 7(11): 4490–4504.

[39] 董婷婷, 左麗君, 張增祥, 等. MODIS數據的水澆地提取[J]. 遙感學報, 2009, 13(3):522–534.

[40] 宋富強, 康慕誼, 鄭壯麗, 等. 陜北黃土高原地區土地利用/覆被分類及驗證[J]. 農業工程學報, 2011, 27(3): 316–324.

[41] 張增祥, 汪瀟, 王長耀, 等. 基于框架數據控制的全國土地覆蓋遙感制圖研究[J]. 地球信息科學學報, 2012, 11(2):121–137.

[42] 曾永年, 靳文憑, 何麗麗, 等. 青海高原東部農業區土地利用遙感分類制圖[J]. 農業工程學報, 2012, 28(16): 225–231.

[43] LIU J, KUANG W, ZHANG Z, et al. Spatiotemporal characteristics, patterns, and causes of land-use changes in China since the late 1980s[J]. Acta Geographica Sinica, 2014, 24(2): 195–210.

[44] 劉逸竹. 大區域灌溉耕地制圖技術研究[D]. 北京: 中國農業科學院, 2018.

[45] RIBBES F, TOAN T. Rice field mapping and monitoring with RADARSAT data[J]. International Journal of Remote Sensing, 1999, 20: 745–765.

[46] ROSENQVIST A. Temporal and spatial characteristics of irrigated rice in JERS–1 L–band SAR data[J]. International Journal of Remote Sensing, 1999, 20(8): 1567–1587.

[47] SHAO Y, FAN X, LIU H, et al. Rice monitoring and production estimation using multitemporal RADARSAT[J]. Remote Sensing of Environment, 2001, 76(3): 310–325.

[48] NJOKU E, WILSON E, YUEH S, et al. Observations of soil moisture using a passive and active low–frequency microwave airborne sensor during SGP99[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(12): 2659–2673.

[49] LAKHANKAR T, KRAKAUER N, KHANBILVARDI R. Applications of microwave remote sensing of soil moisture for agricultural applications[J]. International Journal of Terraspace Science and Enginerring, 2009, 2: 81–91.

[50] CARPENTER G, GJAJA M, GOPAL S, et al. ART neural networks for remote sensing: vegetation classification rom Landsat TM and terrain data[J]. IEEE Transactions on Geoscience and Remote Sensing, 1997, 35(2): 308–325.

[51] ABUELGASIN A. Change detection using adaptive fuzzy neural networks environmental damage assessment after the Gulf War[J]. Remote Sensing of Environment, 1999, 70(2): 208–223.

[52] FRIEDL M, MCLVER D, HODGES J, et al. Global land cover mapping from MODIS: Algorithms and early results[J]. Remote Sensing of Environment, 2002, 83(1/2): 287–302.

[53] FOODY G, MATHUR A. A relative evaluation of multiclass image classification by support vector machines[J]. I IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(6): 1335–1343.

[54] BERBEROGLU S, LLOYD C, ATKINSON P et al. The integration of spectral and textural information using neural networks for land cover mapping in the Mediterranean[J]. Computers and Geosciences, 2000, 26(4): 385–396.

[55] WALTER V. Object-based classification of remote sensing data for change detection[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2004, 58: 225–238.

[56] APLIN P, ATKINSON P, CURRAN P. Fine spatial resolution satellite sensor imagery for land cover mapping in the United Kingdom[J]. Remote Sensing of Environment, 1999, 68(3): 206–216.

[57] POHL C, VAN J. Multisensor image fusion in remote sensing: Concepts, methods and applications[J]. International Journal of Remote Sensing, 1998, 19: 823–854.

Review on satellite-based mapping methods of irrigated farmland

XIANG Kunlun1,*, HE Bohan1, JIANG Mingnuo2, WANG Juanmin3, LI Li4, XU Jie1

1.Guangdong Ecological Meteorology Center, Guangdong Meteorological Administration, Guangzhou 510640, China 2.Guangdong Meteorological Sounding Data Center, Guangdong Meteorological Administration, Guangzhou 510640, China 3.Guangdong Climate Center, Guangdong Meteorological Administration, Guangzhou 510640, China 4.Guangzhou Meteorological Observatory, Guangzhou Meteorological Bureau, Guangzhou 511430, Guangdong, China

Accurate distribution information of irrigated farmland is fundamental to earth system science and climate change research. It is related to food security and water resources security of our country, and is of great significance to the study of water cycle and energy cycle. The research of mappingirrigated farmland using remote sensing can be divided into local, regional and global research. At present, most of the mapping research of irrigated farmland based on remote sensing focuses on the local scale, visual interpretation and digital image classification are the most common methods. At the regional scale, using medium resolution satellite images for multi-time series analysisis one of the most common methodsto achieve the goalof mapping irrigated farmland. Due to the objective limitation of data acquisition, there is great uncertainty in the irrigated classification results of the current researchat the global scale. In recent years, some irrigation products have been published. Due to various reasons, these irrigation products have some problems such as low accuracy and unreliable classification. However, due to technological advances, data fusion, microwave remote sensing and large amounts of auxiliary data offer greater possibilities for irrigated mapping over large areas. Therefore, it is necessary to review the development process of irrigated farmland identification research systematically, and summarize the current situation and shortcomings existing in the current research, in order to provide reference for further research on mapping methods of irrigated cultivated land and improvement of identification accuracy of irrigation.

irrigated farmland; remote sensing; identification and mapping

10.14108/j.cnki.1008-8873.2022.04.030

S127

A

1008-8873(2022)04-257-08

2021-11-30;

2021-12-26

廣東省生態氣象中心科研項目(STZX2150400006); 廣東省自然科學基金青年項目(2020A1515110423); 廣東省氣象局科學技術研究項目(GRMC2021M15)

向昆侖(1990—), 男, 湖北黃岡人, 博士, 主要從事農業遙感生態學研究, E-mail: xiangkunlun8@126.com

通信作者:向昆侖

楊濱娟, 黃國勤. 植物種植修復土壤重金屬污染的模式、技術與效果綜述[J]. 生態科學, 2022, 41(4): 251–256.

YANG Binjuan, HUANG Guoqin. Review on model, technology and effect of phytoremediation technology on remediation of heavy metal pollution[J]. Ecological Science, 2022, 41(4): 251–256.