灌溉耕地空间分布制图研究进展*

刘逸竹，吴文斌，李召良，周清波

(中国农业科学院农业资源与农业区划研究所/农业部农业遥感重点实验室，北京 100081)

·研究综述·

灌溉耕地空间分布制图研究进展*

刘逸竹，吴文斌，李召良，周清波※

(中国农业科学院农业资源与农业区划研究所/农业部农业遥感重点实验室，北京 100081)

目的灌溉耕地空间分布是管理水资源、指导农业生产和监控环境变化的基础数据，遥感是获取灌溉耕地空间分布的重要手段。科学总结有关区域灌溉耕地空间分布制图的研究进展，可为遥感在该领域的应用研究提供参考。方法文章全面收集近年来国内外利用遥感提取灌溉耕地的文献资料，系统分析了灌溉耕地制图的特征选择和主要技术方法，并展望了未来的发展方向。结果从分类特征的角度看，气候、生产方式和设施等农业相关地域条件是灌溉耕地制图的必要参考；灌溉引起的水分或植被生长状况差异是主要依据；引入参量的时序变化特征或新的特征参量是对单一影像信息不完善的有效补充。从分类方法的角度看，不同分类方法多局限于局地或区域尺度，规则普适性不高，真值数据收集困难，难以适应大尺度下多样的地域条件，导致无法高效及时地生产更新相应规模且合适分辨率的产品，大区域灌溉制图的主要方式仍依赖空间分配模型。结论未来发展而言，自动分类技术和遥感影像资源的丰富已为高效生产灌溉分布地图提供了基础条件，整合数据资源、挖掘特征参量和优化分类方法等3个方面应是未来的主要发展方向。

灌溉耕地 制图 特征 方法 进展

0 引言

灌溉是人为使用自然降水以外的其他水源补充植被所需水分的技术措施。一方面，灌溉在改善降水量不足或分布不匀、保证作物正常生长和追求高产稳产中发挥了重要作用[1]；另一方面，它通过改变地表和地下水的分配，通过地表能量平衡，影响大气对流和降雨分布甚至局地气候[2]。农业用水消耗了世界可用淡水资源的80%以上[3]，在当前全球淡水资源紧缺的大背景下，平衡农业、工业、生态环境和生活用水已成为水资源管理的重要课题[4]；同时，水资源分配问题也存在于农业产业体系内部，虽然发展比雨养耕地多一倍产出的灌溉耕地是满足人口和消费增长带来的粮食需求最有效的途径之一[1]，但无疑会对水资源紧缺问题起到推波助澜的作用。因此，科学掌握灌溉耕地空间分布及其动态变化对于水资源管理、粮食安全和地表水气循环研究等具有重要意义。

及时更新和广泛覆盖已经成为灌溉空间分布信息的必然要求。传统费时费力的野外调查方法显然已不能满足实际需要，具有覆盖范围广、时效高和成本低等优点的遥感观测成为当前区域灌溉耕地提取的主要手段。利用遥感技术的相关研究迄今已逾40年[5-7]，最早的研究多集中在美国[8-10]和印度[11-12]典型农业主产区的小区域；直至Landsat 和EOS等系列卫星的发射，利用遥感影像提取灌溉耕地有了更丰富的卫星影像资源，相关研究在不同国家和地区迅速开展。针对灌溉耕地的遥感影像分类特征从单一发展到多源、技术方法从人工解译到自动分类乃至不同分类器的组合、研究尺度也从局地典型农业区扩展至流域[13]、平原[14]、国家[15]甚至全球，并先后研制了不同时空尺度的灌溉耕地数据产品[16-19]。但从已经发布的全球灌溉分布产品看，当前公开的灌溉地图产品以非遥感数据源融合为主[20]，总体数量有限，洲际尺度产品尤其美国为主。近年来，随着遥感数据融合技术的丰富，部分学者利用遥感影像与非遥感数据进行融合制图，但相比作物识别、地表覆盖等类似领域，所使用到的方法还十分有限。我国的灌溉耕地遥感制图起步较晚[21]，但在技术和数据上和国外经历了相似的发展历程[22-25]，数据融合的使用则仅有个例[26]。总的看，灌溉耕地空间分布制图几近与农业遥感应用的发端同步，但相比于作物识别、产量估测和灾害监测等领域[27-28]，该领域相对发展缓慢。由于数据源、特征依据、分类或分配算法和地理时空尺度等因素差异，使得现有研究较为零散，缺乏梳理，难以科学把握灌溉耕地分布遥感制图的总体进展状况。基于此，文章收集整理近年国内外有关灌溉耕地制图的研究文献，系统归纳总结，重点分析灌溉耕地制图的特征选择和分类方法，并对其未来的发展方向进行展望，以期为从事该领域研究的学者提供参考。

1 灌溉耕地制图研究总体状况

几十年来，全球科学家以不同来源的空间分布数据或遥感影像为基础，开展了大量的灌溉耕地制图研究，并研制出了一定数量的数据产品。

利用遥感影像特征提取灌溉耕地的研究始于20世纪70年代。在21世纪以前，主要通过参考物候资料对有限的遥感影像资源(Landsat或航拍影像)进行优选，依赖人工解译完成提取，使得研究成果具有地域覆盖面小、分辨率和精度较高的特点。20世纪90年代，基于实地调查数据的计算机分类算法被逐步引入，但研究范围仍局限在局地尺度，以方法探索为主要目的[10-11，29]。2000年前后，多种分辨率的影像来源、更丰富的光谱特征数据和更高效的计算机分类算法使流域、盆地、平原等区域尺度的高效运算成为可能，适宜不同研究尺度的中低空间分辨率MODIS和AVHRR，以及SPOT等数据陆续取代Landsat成为主流[30]，分类特征逐步多元，聚类、随机森林、神经网络等计算机自动分类方式业已取代人工解译。但这些研究的分类规则普适性不高，大区域乃至全球灌溉耕地数据产品仍以统计数据的空间分配的数据融合方法为主(表1)，所以全球数据数据产品大多分辨率较低且时间滞后。目前，较系统的有GMIA[19，31]，有1995年(GMIA 1.0)和2000年(GMIA 5.0)两套数据产品，并且在两套产品的生产间隔期间，逐步分区域的对产品进行了改良，引入了数据质量评价，但受不同地区的统计数据对灌溉耕地定义差异的影响，该产品中的灌溉耕地在不同地区的涵盖范围不完全一致。MIRCA[17]的优势在于对作物种类进行了划分，由于其与GMIA 5.0以2000年作为基准年，因此有时会作为其他区域灌溉耕地制图产品的比较对象。GIAM[32]和GMRCA[33]分别针对灌溉与雨养耕地，它们和GRICP[16]出现时，各种常规分类特征和分类方法在局地或国家尺度已有较多的研究，故在分类特征和分类方法上并无新意，但前者是以计算机自动分类进行全球范围灌溉耕地提取的滥觞，而后者显著提高了全球产品的分辨率。随着多源遥感数据融合概念的提出和发展，2010年前后一些学者开始陆续尝试利用多源影像进行灌溉耕地制图研究[34-37]。

2 灌溉耕地制图的特征选择

灌溉是人类利用土地管理农业生产活动的一种方式，灌溉耕地的空间分布格局受自然地理环境和社会经济条件双重影响。实践中，灌溉量、灌溉次数和灌溉时间根据作物需水特性、生育阶段、气候、土壤条件和灌溉条件等确定，反映了作物-气候-社会三者之间的关系，其中作物需水、天然降水和灌溉条件等是灌溉的直接决定因素，“需要灌溉”和“能够提供灌溉”是灌溉行为发生的充分必要条件(图1)。对未使用光谱信息进行制图的方式，能够提供可用水源分布和作物需水信息的地理特征参量、耕地和作物种植统计以及设施分布等是建立分配模型的主要依据。由于在不同地区灌溉设施分布和灌溉水来源差异较大，故利用遥感技术进行灌溉耕地识别和制图主要基于地理环境特征、植被参量及其时间特征。地理环境特征如降水、坡度和作物物候规律等分别表征了对水分的获取和贮留条件，以及对水分的需求时间和水平，植被特征如长势和含水量等及其时序变化表征了植被在不同水分条件下的状态及其波动。

表1 近20年区域灌溉耕地制图文献

图1 灌溉发生的判断

2.1 地理特征参量

灌溉耕地分布与地理环境密切相关，尤其在社会经济条件不发达的地区，灌溉耕地空间分布格局直接由降水、地形等地理环境因子决定。因此，地理环境参量往往成为灌溉耕地制图中考虑的重要特征之一。这类特征主要是采取分层分类的策略，根据这些特征对目标区域进行划分。一些自然地理特征如降水、坡度、海拔和水源分布等是耕地获取水源能力的直接或间接反映，可以获取灌溉耕地空间分布的部分先验知识。在降雨明显不能满足作物生长的干旱地区如伊朗[13]，没有灌溉就没有农业；类似地，董婷婷[66]和高占义[67]认为在中国年降雨量低于某一阈值的区域为完全灌溉区，同时前者发现西北地区的灌溉耕地都分布在距离河流、湖泊等水源分布较近地区[24]。Dheeravath等[47]将印度耕地按照降雨和海拔分为6个区，分别分类。在农业规模化和生产水平较高的地区如新西兰，高海拔或坡度的耕地往往不利于获取水源或贮留水分，或分布零散难以统一管理，他们往往被排除在灌溉区域外[52]。同时，这些特征又可与农业生产规律配合，有利于遥感数据特征的精简优化。Pairman等[52]结合新西兰降雨无特定规律和牧场植被NDVI容易受到家畜啃食影响的特点，参考连续3年遥感影像数据以减少误差。

作物的不同生长期对水分的需求不同，降水的量或时间与作物需求不吻合，是灌溉发生的必要条件。Kamthonkiat等[60]通过比较雨季发生时间和作物规律认为，当地降水在时间上分布集中，难以满足当年第二季作物需要，因此推断当地双季种植区必定是需要灌溉的，这一推论也被部分学者在其他地区所验证[45，57]。然而，其他如印度部分地区丰富的天然降水却可以较好满足单季作物甚至多季作物种植需要，因此需要注意利用地理特征所得规律的普适性的问题。同时，作物需水涉及具体作物与生长期，与降水的关系难以清晰界定，因此这一先验知识多在降水条件较极端的地区，或根据分类目的(如春季灌溉/夏季灌溉作物、水稻田等)，对作物进行大致归类后再判断[64]。

此外，可将地理特征当作一个参量放入算法进行计算。由于灌溉对相关设施的需求以及相对规范的管理，也可能具有地势平坦或一定的纹理特征，但它们在灌溉耕地提取中应用有限，仅董婷婷[24]用纹理配合其他参量提取了中国的水浇地。

2.2 植被与土壤特征参量

植被具有特定的光谱特征，灌溉引起的土壤水分和植被生长状况差异是利用遥感进行灌溉耕地识别的主要理论基础。从灌溉行为的角度，由于其直接改变了植被和土壤的水分含量，因此植被最直接的反映是对水分敏感波段的较强吸收、植被水分或土壤湿度相关参数在降雨高峰期外的明显变化。Keene和Conley[8]利用夏季灌溉作物比休耕地和收获后耕地在红色波段反射率低的特点，在美国Kansas的耕地底图上较好地提取了灌溉耕地；Thenkabail及其合作者利用红色-近红外波段在特定时间点空间分布对不同土地覆盖类型进行聚类来达到目的[18]。

其次，充足的水分条件下植被的正常蒸腾作用和土壤蒸散发作用会带走部分热量，植被冠层和土壤表面温度是植被水分含量或干旱胁迫程度的间接反映。Jackson和Idso[68-69]据此设计了CSWI，利用植被冠层温度对植被水分亏缺情况进行判断，但CWSI对植被不完全覆盖区植被水分情况反映能力不理想。Moran[70]针对这一缺陷，在能量平衡双层模型的基础上，以地表温度是冠层温度与土壤表面温度线形加权及土壤与植被冠层之间不存在感热交换作为假设前提，建立地表温度和空气温度的差值与地表植被覆盖率的关系，提出了WDI。CSWI和WDI被国内一些学者[24，71]应用于灌溉耕地提取，对比分析发现，WDI的识别效果要优于CSWI。必须指出的是，水分亏缺水平的变化是灌溉和自然降水的双重影响的结果，要避开降水高峰期才可以更好反映灌溉行为的发生。

此外，温度变化直接表征了能量传递，利用能量平衡计算植被的水分需求水平和满足程度，也可以估算灌溉面积[56]。Boken等[61]也认为反映热量的波段在灌溉耕地提取中提供了有效信息。

从灌溉结果的角度，水分是作物长势最主要的决定因素，相同作物在灌溉耕地的生长状况往往要优于雨养耕地[14]，甚至与作物种类和轮作方式无关[15，72]。作为反映作物长势最主要的参数，植被指数被广泛应用于灌溉耕地识别之中。有研究表明植被NDVI与水分会呈现较好的正相关关系[73-74]，灌溉耕地区域植被通常具有更高或出现较早的NDVI峰值[15]，这在半干旱或干旱地区表现尤为突出。据此，利用灌溉作物与雨养作物的物候或者长势差异，应用某一个或几个时间点的NDVI特征参量就能够进行识别灌溉耕地[9，29，56]。除NDVI外，部分学者也分析了EVI、GI等植被指数对灌溉的敏感性，Giteson等[75]发现在植被关键生长期GI对灌溉更为敏感，Ozdogan和Gutman[49]与Giteson结论一致，同时他们还认为WDRVI、EVI对灌溉的敏感性也要优于NDVI，但这些指标都还未实际应用于灌溉耕地提取。

2.3 时间特征参量

耕地植被特征不仅包括特定单一时间点的特征，也包括整体生长周期的特征，提取效果不仅与影像获取时间有关，还与影像的多寡密切相关[76]。在灌溉和雨养耕地的作物物候、生长或水分状况存在明显差异情况下，单一时间点的植被参量可以作为划分灌溉耕地的主要特征[64]，这一方式对特征的时间选择要求较高且规则使用范围十分局限。随着研究区域情况复杂性的增加，从时间尺度上扩展特征参量成为必然。一方面，不同时期的影像逐步加入到分类计算中以建立更为复杂的分类规则；另一方面，将特征参数在作物特定或完全生长期的变化轨迹作为一个整体特征进行聚类。Thenkabail等[59]在采用单一时间点上近红外和红色(NIR-RED)特征空间分布进行聚类时产生了大量冗余类别，通过增加各类别在不同时段的NIR与RED信息，分析他们在NIR-RED特征空间内的变化轨迹，逐步将类别进行融合提炼，得到了对较好的灌溉耕地识别效果；Biggs等[57]将时序NDVI进行最大值合成后利用ISOCLASS方式进行聚类后，再进行类别的合并；Thenkabail等[55]尝试应用光谱匹配技术，利用具有样本点年份的样本，建立了灌溉和雨养耕地的标准时序光谱数据库，提取了无样本数据历史年份的灌溉耕地分布。此外，综合多种时序-光谱特征，构建新的特征参量也是改进灌溉耕地有效识别的途径之一。Kogan[77]兼顾植被生长和温度，提出了植被健康指数VHI(Vegetation Health Index)，并认为比NDVI提取灌溉耕地效果更好。Boken等[61]的研究支持了Kogan的结论，认为在作物生长期内，VHI与灌溉相对NDVI呈现更高的正相关，但同时也指出这一相关性在不同地区的差异。此外，Abuzar[37]的研究也遵循了这一思路。

3 灌溉耕地制图的技术方法

根据方法思路可将灌溉耕地制图方法分为两类。(1)以遥感数据作为主要特征来源进行提取或分类。早期的小区域研究中，根据专家知识进行人工解译，从遥感影像上直接提取灌溉耕地是主要方法。利用作物关键生长期的影像彩色合成[78]或灌溉引起的耕地在特定波段的不同反射率[8]，勾绘出灌溉耕地的范围，甚至利用不同作物物候差异直接判断耕地的灌溉与否。选择最适宜时期的影像是该方法的关键所在。人工解译方法的主要贡献是发现了一些特定波段(如红色和近红外)在识别灌溉耕地中的作用，但并未发挥遥感低成本和高效率的技术优势[79]。近年来，随着计算技术的发展，直接利用遥感影像或土地覆盖产品对像元进行分类成为主流。这些分类方法的划分体系有参数和非参数分类、监督和非监督分类以及面向像元/亚像元和面向对象分类[80]，以及按照学习模型层次而划分的浅层学习和深度学习[81]，其中以监督分类和非监督分类最为常见[82]。(2)利用灌溉相关特征的分布信息，将统计数据分配至空间格网或区划。随着遥感和相关数据产品的丰富，不同算法、不同数据源或特征的融合技术，也成为适应大区域复杂条件下灌溉耕地空间分布提取的重要技术。但总体上，用于制作灌溉耕地分布图的方法相比土地覆盖监测和作物提取仍然十分有限(表2)。

表2 灌溉耕地制图中使用到的方法

3.1 监督分类

监督分类通过已知类别的样本提取的类别特征来建立规则，确定像元类别，这是一个匹配过程。其中最为常见的是阈值法，其应用主要有单一特征的单一阈值和单一特征的多时相阈值决策树等两种方式。在一些灌溉与雨养耕地特征差异泾渭分明的地区，仅凭特定的作物生长或灌溉时段就能够达到分类目的，如农业即等同于灌溉农业的伊朗[56]，又如灌溉水稻的水分需求高峰与降雨集中时段错开的泰国[60]。但这种情况并不普遍，更多的地区需要考虑多种作物的物候差异，必须结合不同农作的生长规律在不同时段划定多个阈值进行分层，逐步决策。如Ozdogan等[58，62]分析了土耳其南部当地的作物种类和物候特征后，选取夏季中后期的9景影像计算NDVI，根据实地调查数据的统计结果设定阈值，对Harran平原和GAP灌溉工程的灌溉面积变化进行了分析；Ozdogan和Gutman[49]在对美国的研究中采取了类似的方式，利用多时相GI构建了决策树。以上研究都集中在生产模式较为单一或管理规范的地区，在地理和气候条件差异大、生产形式多元的地区，还需要与结合分层分类策略或多种特征在二维空间上分类，比如澳大利亚RamoDarling盆地灌溉水系和设施发达，管理规范，半干旱的气候使灌溉植被与雨养植被长势和水分含量上差异明显，Abuzar等[37]据此选取作物关键生长期影像，设定NDVI与昼夜温差的阈值区分灌溉和雨养耕地。如Dong和Wang[48]根据高分辨率影像解译结果，设定年累积降雨量阈值，将中国耕地划分为补充灌溉区和灌溉区，根据像元的WDI-NDVI的空间分布划定类别。

阈值分类规则清晰简单、易于实现，但需要对特征进行优选，且不擅长处理连续数据。随机森林通过随机抓取训练样本和选择特征组合成多个决策树，弥补了这一缺陷。Machwitz等[34]在阿姆河三角洲的灌溉耕地提取中就使用了这一方法，他们分析了当地的耕作模式、主要作物物候期和土地覆盖类型的特征参量时序变化规律，将MODIS产品中的EVI、NDVI、RED、BLUE、MIR等特征指数或波段反射率根据作物生长期分为5个时间段作为特征，放入随机森林进行分类，不仅区分了灌溉和雨养耕地，而且将棉花和水稻等主要作物和沙漠等其他地类一次提取成功。但Machwitz之后没有学者再利用这一方法提取灌溉耕地，且属性数据级别划分方式会明显影响随机森林的分类结果，即便规避了特征优选，类似“黑匣子”的随机方式却使其分类规则不清晰，分类过程难以控制，因此还需要更多的深入研究。最大似然分类是最早引入灌溉耕地提取中的自动分类方法之一，但应用不多，常常作为其他算法的对照标准[66]。它根据训练样本建立的判别特征集来判断像元归属为某一类的概率，将分类对象归为概率最大的一个类别。如Beltran和Belmonte[64]在西班牙Lamancha选取5月和8月的单景NIR影像识别了夏季/春季灌溉作物和冬季/春季作物。此外，最大似然法在同时利用多特征参量进行细致分类时比决策树更有优势。如Heller等[51]选取印度Krishna盆地GREEN、RED、NIR和RED 4个波段在11月、1月和3月的5景影像，根据制图需要把最大似然法分层操作3次，区分了雨养水田、甘蔗(灌溉)、灌溉/雨养轮作田和灌溉/雨养单季耕地；又如Abou等[63]将同样的操作重复了7次，将Landsat中的7个波段的反射率曲线作为整体，只利用8月中一个日期的影像就提取了作物种类和灌溉信息。此外，BP神经网络分类也得以尝试，并且Dong等[48]在对中国水浇地的提取研究中认为它分类效果优于最大似然法。总体上，监督分类方法优势在于能够利用先验知识明确锁定对象类别。但对训练样本的依赖限制了应用。一方面，在对研究区域地域特点、农业生产习惯和水平缺乏经验的情况下，样本采集中容易漏掉一些出现几率小的类别。事实上，当前研究中对样本的收集也确实集中于研究区域内的主要农作物，比如印度Krishna盆地的棉花和水稻，土耳其的棉花、谷子和玉米[58]，伊朗的大麦、小麦、水稻和蔬菜[56]等，对小宗作物考虑不周。同时，训练样本的有限的覆盖范围使分类规则普适性不高，难以满足大区域制图的需求，Boken[61]在美国两个县分别对比了VHI和NDVI与像元灌溉比例的关系，不仅认为得到的回归方程在干旱地区效果更好，而且在两个试验县得到的回归参数也不同；在Afhanistan，根据NDVI建立的决策模型中参数在不同省份要进行调整以适应地区差异[45]，但在Isfahan能够直接利用NDVI计算像元灌溉比例[56]，泰国SuphanBuri灌溉与雨养耕地的NDVI峰值却没有差异[60]。此外，样本采集耗时耗力也是监督分类方法被诟病的原因之一。上述分类方法都是对像元“非此即彼”的二元划分不能避免混合像元的问题，计算像元属于某一类别的概率或像元中每一类别的比例是目前改善混合像元问题的常用方式，即所谓“软分类”[83]，但由于其需要实地样本来建立像元成分的计算方式，因此该文也将其归于监督分类。该方法在灌溉制图中主要体现为计算像元内的灌溉比例。一是利用遥感产品得到与灌溉有关的特征参数来计算单个像元的灌溉比例。例如灌溉面积与昼夜温度[49]，或者区域各个地类和灌溉面积的统计数据[57]之间的回归关系。二是融合较高分辨率分类产品和较低分辨率产品，利用干旱地区植被(灌溉耕地)面积与相关波段的直接相关性，建立高分辨率影像与低分辨率影像中遥感参量的数学关系直接进行低分辨率影像像元内植被覆盖面积的计算[13]；甚至直接采取人工解译方式获取高分辨率分类结果作为真值，对低分辨率的分类结果直接估算[57]。同时，在一些研究中即使采取了非监督或监督分类的方式，但在农业区与自然地理分区难以区分的地区，一些学者依然会采取类似软分类的表达形式，例如“灌木和灌溉耕地”等[57]。

3.2 非监督分类

非监督分类被等同于聚类，即进行像元的单一或多个特征在一维或多维空间上某种距离的计算，将距离较近像元自动归为一类，这是一个查找过程。从特征的角度，以Thenkabail等[59]在印度Ganges和Indus流域的研究最为全面：他们首先选取5月某期单景影像，对像元在RED-NIR二维空间分布上进行聚类，得到了近100个类别；然后增加RED和NIR在其他时期的影像，利用像元在RED-NIR空间分布的移动轨迹再次聚类，初步合并第一步中产生的类别；最后利用NDVI时序曲线和作物物候规律得到最终聚类结果。不仅如此，他们还对灌溉作物不同波段组合的二维空间分布和多波段曲线进行分析，并认为SWIR和NIR在灌溉作物中提供的信息对分类提供了最有效的信息。其他类似研究都只选取了多波段反射率或者NDVI时序数据进行聚类，不再赘述。

但是，聚类结果不等于分类结果，其判定过程类似监督分类。首先，需要真值或样本作为参考对象。这一过程分为用户控制和根据真值样本数据进行特征匹配。前者与人工解译类似，如Thelin和Heimes[10]；后者与监督分类的“匹配”类似，但匹配原则不是“符合哪类的条件就属于哪类”而是“与哪类更像就归入哪类”，因此也能够较好地处理连续数据。Gumma等[84]对加纳的研究中，除了实地调查数据，还结合了Google Earth的人工解译结果。其次没有人工或样本约束使聚类结果的数量难以控制。以上表明，非监督分类应等同于“查找+匹配”，难以完全脱离真值样本。事实上在大区域制图研究中，多元的区域地理特征或农业生产规律增加了灌溉耕地提取的难度，非监督分类与监督分类结合是常用的模式，以适应引入的多时相和类型的特征参量。聚类不受样本限制的特点弥补了监督分类样本收集和普适性的问题，监督分类又控制和补充聚类的结果。有些学者则认为其他年份样本数据不仅具有高参考价值，并且一定程度上消除了天气等偶然因素对数据质量的消极影响[34]，如Dheeravath等[34]为了制作无样本数据的历史年份的灌溉分布图，利用研究当年采集的样本数据建立的标准光谱库来判定历史年份的光谱聚类结果，据此认为，对历史数据的充分挖掘可能会提高非监督分类的应用范围。

3.3 多源数据融合

多源数据融合有3种形式：非遥感数据融合、非遥感数据与遥感数据融合以及多源遥感数据融合[20]。目前灌溉耕地制图中使用到的主要为前两种。非遥感数据融合基于统计数据、相关地物或地理特征空间分布数据，以目标类别的统计数据作为总量约束，利用统计收集的相关特征数据建立空间分配规则，将统计数据分配至空间格网单元。在灌溉耕地分布制图中，赖以建立分配规则的依据通常是灌溉设施分布、作物复种指数等影响灌溉耕地空间分布的特征量[19]，是目前全球灌溉耕地制图的主要方法。其产品与统计数据吻合程度较高，但分辨率低、更新慢。Pervez和Brown[15，46]在美国灌溉耕地提取中，遵循同样的思路，首次基于遥感影像得到的植被指数特征来决定统计灌溉面积的分配次序，即非遥感数据与遥感数据的融合。这一改进扬弃了基于统计数据建立分配规则的传统，能够有效提高制图效率和产品分辨率；基于前人实验结果和少量地面检验数据建立的分配规则行之有效，降低了分类规则对训练样本的依赖；他们以较小行政单位(县)作为分类的基本单元，一定程度上规避了大区域制图中气候和农业生产模式的多样性对分类的影响。Zhu等和Wriedt等[26，44]的研究也采取了同样方式，但选择或者构建的判别指标不同。多源遥感数据融合是综合多种平台影像以丰富分类特征提高分类精度的有效手段，目前有少量研究对灌溉耕地中同一参量在不尺度下数值的数学关系进行了讨论，并体现在“软分类”中，但还没有研究针对不同影像资源提供的不同尺度和光谱特征信息的应用进行讨论。

4 讨论和展望

总的来说，经过40多年的发展，灌溉耕地制图研究有了长足进步。但是，目前研究仍存在数据收集困难、分类规则普适性不高和产品更新较慢的问题，导致数据成果与实际应用距离较大。Ozdogan和Gutman[49]指出，时间和空间上高度自动化和可重复、较高的鲁棒性以适应区域多样的农业生产(灌溉行为)模式并立足于高质量和客观的遥感观测以服务于决策的大区域和动态变化监测的灌溉制图是未来努力的方向。

4.1 整合数据资源

当前，使用单一遥感数据源进行灌溉耕地提取是主流，未能充分利用多样的数据资源。一方面，以空间数据重建形式生产的产品中，灌溉耕地的物理含义受数据来源影响而不一致，空间位置信息不够细致，难以满足实际应用需要。另一方面，利用较低分辨率影像生产的产品异物同谱现象相对严重，不少研究的结果与统计数据的拟合结果也不太理想，有研究表明采用高分辨率影像能够有效提高分类精度，但高分辨率影像会使工作量骤增，在改善异物同谱问题的同时加剧了同物异谱现象；同时，不同分辨率影像中像元含有的目标类别的实际比例各异，存在尺度转换和亚像元计算规则建立的问题[53]。此外，遥感分类中使用的数据以光学遥感数据为主，容易受到云雨条件影响，给时序特征参量重建带来了诸多误差，湿润地区充足的天然降水也会导致灌溉对耕地NIR、NDVI和NDWI等参量影响不显著[50]；而且，作物的灌溉需求、作物或土壤对灌溉的反映具有时效性，光学影像产品有时难以获取或全面覆盖有效时段内的光谱信息。相比之下，微波能够穿透云层信息并进行全天候监测，一些早期研究已经证实其不仅能提供灌溉的有效信息，而且能及时提供植被根层土壤水分信息，对植被的水分亏缺情况进行预判，但图像的获取、精度和噪点等问题对其推广应用还有所限制，当前其在耕地分类中仍局限在小区域的水田提取[85-87]，在灌溉耕地制图中还无有效应用。综上可知，如何在统一的灌溉耕地物理含义的框架下，充分融合不同平台和来源及尺度的有效信息，实现资源的优势互补是需要重点关注的方向之一。

资源的互补还包括已有相关产品的利用。当前专门的或包含耕地的遥感产品或数据库(如MODIS Cropland、中国与美国的国家土地覆盖数据库NLCD等)已日益丰富，并开始为灌溉耕地制图提供耕地分布数据[15，24，26，46]。它们的应用减少了其他地类对分类精度的影响，也使对灌溉的特征提取更有针对性。同时，如2.1所述，结合作物物候和降水时空特征，能够通过分层策略降低“同物异谱”或“异物同谱”问题的影响，甚至判断灌溉情况。而如今，面向各类主要作物的识别研究已有相当的基础和精度[27]，但相关物候或作物分布产品却从未在灌溉耕地提取研究中被使用过。实际上，在各种植区划内，农作物的类别相对固定[88]，一些灌溉产品在取样与特征提取时即考虑到作物间的差异，直接对一些作物单独提取分类[89]，细化类别也符合对未来遥感制图产品的要求。因此，充分利用现有产品，能够减少计算量，细化分类结果。但有证据表明，不同耕地产品存在一定误差，在不同地域的数量与空间精度不一致[90]，因此该方向需更高精度的耕地或作物分布产品，也需根据实际优化选择，减少它们对结果的影响。

最后，真值样本资源缺乏也是亟待解决的问题。全面且适时的真值样本是大区域灌溉耕地制图中特征参量提取和验证精度不可或缺的重要基础数据，但实际操作中，实际真值样本经常以高分辨率目视解译产品或往年数据等相对真值代替，部分已有的实地调查样本或覆盖区域有限、或未能及时更新，一定程度上影响特征提取、分类及精度评价结果。有学者研究认为历史数据能够为分类提供足够有效信息，且考虑综合连续年份的数据能够一定程度上降低天气和耕作方式变化等对遥感数据的影响。所以，整合现有样本或遥感产品资源建立样本库，并逐步依托农气观察站点等建立稳定的观测机制，也是灌溉耕地分布制图的重要基础工作。

4.2 挖掘特征参量

特征参量的选择影像分类精度最关键的因素之一。如4.1所述，目前灌溉耕地提取的影像来源为光学遥感，虽然大量数据平台已为分类提供了丰富的波段信息，但主要判断依据还局限于作物特定时期的水分相关波段(RED和NIR)和NDVI的表现及它们的时序变化特征，RED和NIR除与植被水分有关，还受到大气中水分含量的影响，复杂条件下仅凭RED-NIR的聚类难以将灌溉与雨养耕地有效区分，往往需要补充其他信息或波段特征，NDVI容易受到背景影响和易饱和的缺点也限制了其应用效率[91]。而其他一些特征或可部分或完全替代RED-NIR或NDVI：以MODIS 09A1为例，已有研究认为，植被长势特征参量如GI、EVI等和水分特征参量如MODIS的波段5、NDWI等在灌溉耕地提取中可能有更好表现。这些特征如GI在个别地区已有尝试应用但并未推广，其它大部分特征还停留于在样本或局地尺度讨论其与灌溉行为或像元灌溉比例关系的阶段。所以，这些特征的应用和适用范围以及如何将这些特征结合以实现优势互补提高分类精度还需要深入讨论。另一方面，植被和水分相关指数都是对植被长势和水分含量的反映，水分对作物生理生化指标的影响在现有研究中没有体现。有学者认为，灌溉农田与农民之间会形成良性循环：作为影响作物生长最关键的因素，水分保障了作物的健康和高产，农民又更倾向在健康和高产的农田中付出农资和劳动以维护高产。并且植被健康指数与灌溉的相关性已被证实，但具有区域差异。不过这些差异或许能够通过农业地理分区的策略来改善，因为有研究表明在不同的农业区域，作物的组合是相对固定的。因此，研究特定种植模式下灌溉对植被生理生化指标的影响也是扩展分类特征的可能手段。

4.3 完善制图方法

除了特征参量，合适的方法对分类精度的影响也不容小觑。尽管各种数据融合技术和分类方法早已呈现多样化的趋势，但应用在灌溉耕地制图中的仍然有限。

(1)从数据融合的角度。目前，其在灌溉耕地中的使用的思路仍囿于空间数据重建模式，依据某一种耕地分布产品，以所能收集到的统计数据作为数量限制生产，产品精度受耕地底图精度的影响大，分辨率较粗，前期数据整理工作量大。针对这些不足，一方面可融合多种土地覆盖或灌溉分布产品，提高耕地掩膜或成图精度；另一方面可考虑在空间数据重建的基础上，引入遥感特征建立分类机制，细化产品类别并分辨率。事实上，在土地覆盖制图领域已多有研究的一些基于数据一致性或模型的多源数据融合方法，在灌溉制图中还少有尝试，对现有的灌溉分布图的对比研究还暂为空白。

(2)从分类或提取算法的角度。阈值、决策树、最大似然、聚类等方式是该类灌溉制图方法的核心。从光谱特征上看，这些方法集中在基于单个像元光谱特征信息，对地物类别内部的结构、纹理和相邻像元之间的关联信息考虑不足，而灌溉耕地尤其在管理规范的地区，地块平整规则相对集中，具有一定的整体特征，这些特征难以体现在单个像元的光谱信息里，这一问题并在高分辨率影像中会尤为突出。因此，以有意义的基本实体分析来提取空间信息的面向对象的分类方法需要逐步进入灌溉耕地制图中。从规则建立上看，这些方法对特征类型和时间选择的要求较高，随着特征参量的增加，难以高效建立分类规则和计算，有限样本的条件下学习得到的分类规则也较局限，而足够数量与涵盖范围的样本正是这些方法建立规则的关键。支持向量机和神经网络等可以解决多参量高维模式、非线性和小样本等条件下的算法将发挥重要作用。

从方法广度上看，更换分类算法固然可以改善某一种或几种问题，但新方法也会具有一定局限性。因此在现有方法和规则下，可以考虑采取组合分类器，实现优势互补。事实上，组合分类早已成为遥感分类领域中重要方向之一，其关键问题在于组合各个分类方法的结果的规则。从方法深度上看，上述方法都属于可被看作带有一层隐层节点的浅层学习模型，必须要靠人工经验抽取特征，再由机器学习完成分类[81]。Hinton和Salakhutdinov[92]让研究者看到了神经网络隐层所具有的深度学习能力和克服其训练难度的可能性，并通过优化模型和算法，极大地提高了图像识别效果。在图像分类的不同领域，深层学习在实际应用中早已领先理论研究，有观点认为深度学习会逐步取代上述“人工特征+机器”结合的分类方法[81]。在遥感土地覆盖分类领域，利用深度学习对高分辨率图像进行的地物目标识别和分类已逐步开展[93-98]，但目前在灌溉耕地制图中还未得到关注和应用。

[1]P.T.Wu，J.M.Jin，X.N.Zhao.Impact of climate change and irrigation technology advancement on agricultural water use in China.Climatic Change，2010，100(3～4)：797～805

[2]L.J.Gordon，W.Steffen，B.F.Jonsson，et al.Human modification of global water vapor flows from the land surface.Proceedings of the National Academy of Sciences of the United States of America，2005,102(21): 7612～7617

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

[4]J.A.Foley，N.Ramankutty，K.A.Brauman，et al.Solutions for a cultivated planet.Nature，2011，478：337～342

[5]R.N.Colwell，R.N.Colwell.An inventory of irrigated lands for selected counties within the state of California based on LANDSAt and supporting aircraft data.1977

[6]孙华生，利用多时相MODIS数据提取中国水稻种植面积和长势信息，杭州：浙江大学，2009

[7]W.C.Draeger.Monitoring irrigated land acreage using LANDSAT imagery：An application example，11.International Symposium on Remote Sensing of Environment.Ann Arbor，Mich.(USA),1977，(4)：25～29

[8]K.M.Keene，C.D.Conley.Measurement of irrigated acreage in western Kansas from LANDSAT images.Environmental Geology，1980,3(2): 107～116

[9]K.E.Kolm，C.Hliii.The identification of irrigated crop types and estimation of acreages from Landsat imagery.Photogrammetric Engineering & Remote Sensing，1984,50(10): 1479～1490

[10]G.P.Thelin，F.J.Heimes.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.U.S.Geological Survey Professional Paper，1987

[11]P.Manavalan，K.Kesavasamy，S.Adiga.Irrigated crops monitoring through seasons using digital change detection analysis of IRS-LISS 2 data.International Journal of Remote Sensing，1995，16：633～640

[12]S.Thiruvengadachari.Satellite sensing of irrigation patterns in semiarid areas：an Indian study.Photogrammetric Engineering & Remote Sensing，1981，47：1493～1499

[13]N.Toomanian，A.S.M.Gieske，M.Akbary.Irrigated area determination by NOAA-Landsat upscaling techniques，Zayandeh River Basin，Isfahan，Iran.International Journal of Remote Sensing，2004,25(22): 4945～4960

[14]B.D.Wardlow，S.L.Egbert.Large-area crop mapping using time-series MODIS 250 m NDVI data：An assessment for the U.S.central great plains.Remote Sensing of Environment，2008,112(3): 1096～1116

[15]M.S.Pervez，J.F.Brown.Mapping irrigated lands at 250-m scale by merging MODIS data and national agricultural statistics.Remote Sensing，2010,2(10): 2388～2412

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

[17]F.T.Portmann，S.Siebert，P.Döll.MIRCA2000-global monthly irrigated and rainfed crop areas around the year 2000：a new high-resolution data set for agricultural and hydrological modeling.Global Biogeochemical Cycles，2010,24(1): 2013～2024

[18]P.S.Thenkabail，C.M.Biradar，P.Noojipady，et al.Global irrigated area map(GIAM)，derived from remote sensing，for the end of the last millennium.International Journal of Remote Sensing，2009,30(14): 3679～3733

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

[20]陈迪，吴文斌，陆苗，等.基于多源数据融合的地表覆盖数据重建研究进展综述.中国农业资源与区划，2016,37(9): 62～70

[21]吴传钧.中国百万分之一土地利用图.中国科学基金，1989(2)：50～51

[22]杜文才，王建军，郑小红.国土卫星图象在灌溉面积调查、灌溉环境及水利条件分析评价中的应用.河海大学学报,1992，(2)：72～75

[23]张增祥，汪潇，王长耀，等.基于框架数据控制的全国土地覆盖遥感制图研究.地球信息科学学报，2009,11(2): 216～224

[24]董婷婷，左丽君，张增祥.MODIS数据的水浇地提取.遥感学报，2009,13(3): 528～534

[25]周兰萍，魏怀东，丁峰，等.1998～2005年石羊河流域土地利用/覆盖变化及其分析.水土保持通报，2009,29(1): 169～173

[26]X.Zhu，W.Zhu，J.Zhang，Y.Pan，Mapping Irrigated Areas in China From Remote Sensing and Statistical Data，IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2014：4490～4504

[27]胡琼，吴文斌，宋茜，等.农作物种植结构遥感提取研究进展.中国农业科学，2015,48(10): 1900～1914

[28]陈仲新，任建强，唐华俊，等.农业遥感研究应用进展与展望.遥感学报，2016,20(5): 748～767

[29]ECKHARDT D.W.，VERdin J.P.，LYFORD G.R.Automated update of an irrigated lands GIS using SPOT HRV imagery=Mise à jour automatisée d′un système GIS des terres irriguées utilisant l′imagerie SPOT HRV.Photogrammetric Engineering remote Sensing，1990,56(11): 1515～1522

[30]M.Ozdogan，M.Rodell，H.K.Beaudoing，et al.Simulating the Effects of Irrigation over the United States in a land Surface Model Based on Satellite-Derived Agricultural Data.Journal of Hydrometeorology，2010,11(1): 171～184

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

[32]P.S.Thenkabail，C.M.Biradar，P.Noojipady，et al.Global irrigated area map(GIAM)，derived from remote sensing，for the end of the last millennium.International Journal of Remote Sensing，2009,30(14): 3679～3733

[33]C.M.Biradar，P.S.Thenkabail，P.Noojipady，et al.A global map of rainfed cropland areas(GMRCA)at the end of last millennium using remote sensing.International Journal of Applied Earth Observation and Geoinformation，2009,11(2): 114～129

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

[35]M.K.Gumma，P.S.Thenkabail，F.Hideto，et al.Mapping irrigated areas of Ghana using fusion of 30 m and 250 m resolution remote-sensing data.Remote Sensing，2011,3(4): 816～835

[36]T.K.Alexandridis，G.C.Zalidis，N.G.Silleos.Mapping irrigated area in Mediterranean basins using low cost satellite Earth Observation.Computers and Electronics in Agriculture，2008,64(2): 93～103

[37]M.Abuzar，A.McAllister，D.Whitfield.Mapping irrigated farmlands using vegetation and thermal thresholds derived from Landsat and ASTER data in an irrigation district of Australia.Photogrammetric Engineering and Remote Sensing，2015,81(3): 229～238

[38]P.Doll，S.Siebert.Global modeling of irrigation water requirements.Water Resources Research，2002，38

[39]S.Siebert，J.Hoogeveen，and K.Frenken.Irrigation in Africa，Europe and Latin America.Update of the Digital Global Map of Irrigation Areas to Version 4.Frankfurt，2006

[40]S.Stefan，P.Döll.Global map of irrigated areas version 3.0：Update for North America.2005

[41]S.Siebert，J.Hoogeveen，S.Feick.A digital global map of irrigated areas.An update for Asia.ICID Journal，2005,49(2): 55～66

[42]S.Stefan，P.Döll，J.Hoogeveen.Global map of irrigated areas version 2.1.Center for Environmental Systems Research，University of Kassel，2002

[43]S.Stefan，P.Döll.A digital global map of irrigated areas：An update for Latin and Europe.2001

[44]G.Wriedt，M.van der Velde，A.Aloe，et al.A European irrigation map for spatially distributed agricultural modelling.Agricultural Water Management，2009，96：771～789

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

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

[47]V.Dheeravath，P.S.Thenkabail，G.Chandrakantha，et al.Irrigated areas of India derived using MODIS 500 m time series for the years 2001-2003.Isprs Journal of Photogrammetry and Remote Sensing，2010,65(1): 42～59

[48]T.Dong，Z.Wang.A New Method to Distinguish between Irrigated Dry land and Rain-Fed Dry land using Multi-Temporal MODIs and Ancillary Data：An Application Example in China.2010-06-15，S.l.：s.n.，2010：393～398

[49]M.Ozdogan，G.Gutman.A new methodology to map irrigated areas using multi-temporal MODIs and ancillary data：An application example in the continental US.Remote Sensing of Environment，2008,112(9): 3520～3537

[50]S.A.M.Shamal，K.Weatherhead.Assessing spectral similarities between rainfed and irrigated croplands in a humid environment for irrigated land mapping.Outlook on Agriculture，2014,43(2): 109～114

[51]E.Heller，J.M.Rhemtulla，S.Lele，M.Kalacska，et al.Mapping crop types，irrigated areas，and cropping intensities in heterogeneous landscapes of Southern India using multi-temporal medium-resolution imagery：Implications for assessing water use in agriculture.Photogrammetric Engineering and Remote Sensing，2012,78(8): 815～827

[52]Pairman D，Belliss SE，Cuff J，et al.Detection and mapping of irrigated farmland in canterbury，new zealand，2011-06-15，S.l.：s.n.，2011：696～699

[53]N.M.Velpuri，P.S.Thenkabail，M.K.Gumma，et al.Influence of resolution in irrigated area mapping and area estimation.Photogrammetric Engineering and Remote Sensing，2009,75(12): 1383～1395

[54]B.D.Wardlow，S.L.Egbert.Large-area crop mapping using time-series MODIS 250 m NDVI data：An assessment for the US Central Great Plains.Remote Sensing of Environment，2008,112(3): 1096～1116

[55]P.S.Thenkabail，P.GangadharaRao，T.W.Biggs，et al.Spectral matching techniques to determine historical land-use/land-cover(LULC)and irrigated areas using time-series 0.1-degree AVHRR pathfinder datasets.Photogrammetric Engineerings&sremote Sensing，2007,73(9): 1029～1040

[56]M.Akbari，N.Toomanian，P.Droogers，et al.Monitoring irrigation performance in Esfahan，Iran，using NOAA satellite imagery.Agricultural Water Management，2007，88：99～109

[57]T.W.Biggs，P.S.Thenkabail，M.K.Gumma，et al.Irrigated area mapping in heterogeneous landscapes with MODIS time series，ground truth and census data，Krishna Basin，India.International Journal of Remote Sensing，2006,27(19): 4245～4266

[58]M.Ozdogan，C.E.Woodcock，G.D.Salvucci，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.Water Resources Management，2006,20(3): 467～488

[59]P.S.Thenkabail，M.Schull，H.Turral.Ganges and Indus river basin land use/land cover(LULC)and irrigated area mapping using continuous streams of MODIS data.Remote Sensing of Environment，2005,95(3): 317～341

[60]D.Kamthonkiat，K.Honda，H.Turral，et al.Discrimination of irrigated and rainfed rice in a tropical agricultural system using SPOT VEGETATION NDVi and rainfall data.International Journal of Remote Sensing，2005,26(12): 2527～2547

[61]V.K.Boken，G.Hoogenboom，F.N.Kogan，et al.Potential of using NOAA-AVHRR data for estimating irrigated area to help solve an inter-state water dispute.International Journal of Remote Sensing，2004,25(12): 2277～2286

[62]M.Ozdogan，C.E.Woodcock，G.D.Salvucci.Monitoring changes in irrigated lands in southeastern turkey with remote sensing.2003：1570～1572

[63]I.Abou El-Magd，T.W.Tanton.Improvements in land use mapping for irrigated agriculture from satellite sensor data using a multi-stage maximum likelihood classification.International Journal of Remote Sensing，2003,24(21): 4197～4206

[64]C.M.Beltran，A.C.Belmonte.Irrigated crop area estimation using Landsat TM imagery in La Mancha，Spain.Photogrammetric Engineering and Remote Sensing，2001,67(10): 1177～1184

[65]B.Haack，J.Wolf，R.English.Remote sensing change detection of irrigated agriculture in Afghanistan.Geocarto International，1998,13(2): 65～75

[66]董婷婷.中国水浇地和旱地的遥感分类及其景观格局研究.北京：中国科学院遥感研究所，2009

[67]高占义，穆建新，中国的灌溉发展及其作用，世界水论坛中国代表团，2003：36～39

[68]R.D.Jackson，S.B.Idso，R.J.Reginato，et al.Canopy temperature as a crop water stress indicator.1981,17(4): 1133～1138

[69]S.B.Idso，R.D.Jackson，P.J.Pinter，et al.Normalizing the stress-degree-day parameter for environmental variability.1981

[70]M.S.Moran，T.R..Clarke，Y.Inoue，et al.Estimating crop water deficit using the relation betwen surface-air temperature and spectral vegetation index.1994

[71]T.Dong，M.Jiang，F.Qian，et al.Researching on extracting irrigated land in northern China based on MODIS data.2008

[72]L.M.Yang，B.K.Wylie，L.L.Tieszen，et al.An analysis of relationships among climate forcing and time-integrated NDVi of grasslands over the US northern and central Great Plains.Remote Sensing of Environment，1998,65(1): 25～37

[73]J.Wang，P.M.Rich，K.P.Price.Temporal responses of NDVI to precipitation and temperature in the central Great Plains，USA.International Journal of Remote Sensing，2003,24(11): 2345～2364

[74]A.Kawabata，K.Ichii，Y.Yamaguchi.Global monitoring of interannual changes in vegetation activities using NDVi and its relationships to temperature and precipitation.International Journal of Remote Sensing，2001,22(7): 1377～1382

[75]A.A.Gitelson，A.Vina，V.Ciganda，et al.Remote estimation of canopy chlorophyll content in crops.Geophysical Research Letters，2005，32(8)

[76]M.PaxLenney，C.E.Woodcock.The effect of spatial resolution on the ability on to monitor the status of agricultural lands.Remote Sensing of Environment，1997,61(2): 210～220

[77]F.N.Kogan.Operational space technology for global vegetation assessment.Bulletin of the American Meteorological Society，2001,82(9): 1949～1964

[78]R.C.Heller，K.A.Johnson.Estimating irrigated land acreage from Landsat imagery.1979,45(10): 1379～1386

[79]M.Ozdogan，Y.Yang，G.Allez，C.Cervantes.Remote Sensing of Irrigated Agriculture：Opportunities and Challenges.Remote Sensing，2010,2(9): 2274～2304

[80]贾坤，李强子，田亦陈，等.遥感影像分类方法研究进展.光谱学与光谱分析，2011,31(10): 2618～2623

[81]余凯，贾磊，陈雨强，等.深度学习的昨天、今天和明天.计算机研究与发展，2013,50(9): 1799～1804

[82]董婷婷，王振颖，武玉峰.水浇地与旱地分类的研究进展.遥感信息,2010，(4)：129～134

[83]任武，葛咏.遥感影像亚像元制图方法研究进展综述.遥感技术与应用，2011,26(1): 33～44

[84]M.K.Gumma，A.Nelson，P.S.Thenkabail，et al.Mapping rice areas of South Asia using MODIS multitemporal data.Journal of Applied Remote Sensing，2011，5(1)

[85]F.Ribbes，T.Le Toan.Rice field mapping and monitoring with RADARSAT data.International Journal of Remote Sensing，1999,20(4): 745～765

[86]A.Rosenqvist.Temporal and spatial characteristics of irrigated rice in JERS-1 L-band SAR data.International Journal of Remote Sensing，1999,20(8): 1567～1587

[87]N.Torbick，W.Salas.Mapping agricultural wetlands in the Sacramento Valley，USA with satellite remote sensing.Wetlands Ecology and Management，2015，23：79～94

[88]贾坤，李强子.农作物遥感分类特征变量选择研究现状与展望.资源科学，2013,35(12): 2507～2516

[89]F.T.Portmann，S.Siebert，P.Doll.MIRCA2000-Global monthly irrigated and rainfed crop areas around the year 2000：A new high-resolution data set for agricultural and hydrological modeling.Global Biogeochemical Cycles，2010，24

[90]陆苗，吴文斌，张莉，等.不同耕地数据集在中国区域的对比研究.中国科学：地球科学，2016,46(11): 1459～1471

[91]卫炜，吴文斌，李正国，等.基于SPOT/VGT数据的中国北方耕地物候提取研究.中国农业资源与区划，2016,37(4): 77～86

[92]G.E.Hinton，R.R.Salakhutdinov.Reducing the dimensionality of data with neural networks.Science，2006，313：504～507

[93]高常鑫，桑农.基于深度学习的高分辨率遥感影像目标检测.测绘通报,2014，(S1)：108～111

[94]阚希，张永宏，曹庭，等.利用多光谱卫星遥感和深度学习方法进行青藏高原积雪判识.测绘学报，2016,45(10): 1210～1221

[95]刘大伟，韩玲，韩晓勇.基于深度学习的高分辨率遥感影像分类研究.光学学报，2016,36(4): 306～314

[96]刘扬，付征叶，郑逢斌.高分辨率遥感影像目标分类与识别研究进展.地球信息科学学报，2015,17(9): 1080～1091

[97]张洪群，刘雪莹，杨森，等.深度学习的半监督遥感图像检索.遥感学报，2017,21(3): 406～414

[98]张日升，张燕琴.基于深度学习的高分辨率遥感图像识别与分类研究.信息通信,2017，(1)：110～111

RECENTPROGRESSINMAPPINGIRRIGATEDCROPLANDBYREMOTESENSING*

LiuYizhu，WuWenbin，LiZhaoliang，ZhouQingbo※

(Institute of Agricultural Resources and Regional Planning，Chinese Academy of Agricultural Sciences，Beijing 100081，China)

Precisely geospatial information of irrigation is essential for improving agricultural production and climate change researches，while remote sensing has been a effective way for this.The objective of this paper was summarizing relevant studies for the guidance of future work on mapping irrigation by satelite images.This paper grouped the studies in recent 20 years，and concluded them from the aspects of coverage，data resources，products，and especially features and algorithms for classification.Firstly，climate，production mode and relevant installation were indispensable references for irrigated cropland extraction.Differences of water content and growth conditions which irrigation leaded were the dominant basis.Introducing of time-series data or more features enriched information for classification.Secondly，various algorithms have been used in irrigation mapping researches，but most of them were in local scales.The diversity of regional conditions and data collection problem resulted in the difficulty on generalizing the obtained rules，so as to few regional irrigation maps with moderate resolution and updated messages，as while as the dependence of global products on spatial allocation models.Briefly，abundant satellite data and automatic classification algorithm have been prepared，for the future sake of regional or global application on dynamic monitoring and management of irrigation，more studies were needed on integrating existing remote sensing and spatial data，extending features and optimizing algorithms.

irrigated cropland；cartography；feature；method；progress

10.7621/cjarrp.1005-9121.20171001

2017-03-03

刘逸竹(1989—)，女，湖北潜江人，博士生。研究方向：农业遥感

※通讯作者：周清波(1965—)，男，湖南益阳人，博士、研究员、中国农业科学院农业资源与农业区划研究所所长。研究方向：农作物和农情遥感监测、土地资源监测与评价、灾害监测和评估等。Email：zhouqingbo@caas.cn

*资助项目：测绘地理信息公益性行业专项“全球地表覆盖数据分析研究”(2015A10129)

S15

A

1005-9121[2017]10001-13