基于遥感的灌溉耕地制图方法研究进展

向昆仑, 何博翰, 江铭诺, 王娟敏, 李立, 徐杰

向昆仑, 何博翰, 江铭诺, 等. 基于遥感的灌溉耕地制图方法研究进展[J]. 生态科学, 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.

基于遥感的灌溉耕地制图方法研究进展

向昆仑1,*, 何博翰1, 江铭诺2, 王娟敏3, 李立4, 徐杰1

1. 广东省生态气象中心, 广东省气象局, 广州 510640 2. 广东省气象探测数据中心, 广东省气象局, 广州 510640 3. 广东省气候中心, 广东省气象局, 广州 510640 4. 广州市气象台, 广州市气象局, 广州 511430

准确的灌溉耕地位置分布信息是地球系统科学和气候变化等研究领域的基础, 它关乎我们国家的粮食安全和水资源安全, 对水循环、能量循环研究具有重要的意义。遥感灌溉耕地制图研究主要分为局地研究、区域研究和全球研究三类。目前, 基于遥感的灌溉耕地制图研究大多数都集中在局地尺度上, 其中, 目视解译法和数字图像分类法是在局地尺度研究中最常见的方法; 在区域尺度上, 最常见的手段是使用中等分辨率的卫星图像进行多时段的时间序列分析, 从而实现灌区地图的绘制; 当前全球尺度的灌溉位置分布研究工作, 由于在数据获取方面受到的的客观限制, 使其在灌溉分类结果上存在较大的不确定性。近年来, 国际国内出现了一些灌溉产品, 由于各种原因, 这些灌溉产品存在精度不高、分类不可靠等问题。然而, 由于技术的进步, 数据融合技术、微波遥感技术及大量其他辅助数据在大区域绘制灌溉地图方面提供了更大的可能性。为此, 极有必要系统回顾灌溉耕地识别制图研究的发展历程, 总结当前研究的现状及存在的不足, 为进一步开展灌溉耕地制图方法研究和提高灌溉识别精度提供参考。

灌溉耕地; 遥感; 识别制图

0 前言

灌溉耕地分布信息是地球系统科学和气候变化等领域的重要基础数据。灌溉作为人类活动影响农业产生最主要的方式之一, 是实现2060年碳中和最有力的农业措施, 在保障粮食安全方面起着重要作用[1-2]。研究表明, 在过去的40年时间里, 灌溉是全球粮食产量翻倍的主要原因之一[3-4]。农业灌溉用到的淡水资源主要包括湖泊, 河流, 地下水等, 其中农业灌溉用水占据了淡水资源消耗的70%以上[5]。随着全球人口的不断增加, 人类对粮食、燃料和纤维的需求量也越来越大, 随着农业持续的集约化, 对淡水资源的需求量将增加50%以上, 尤其是在干旱和半干旱地区。

虽然灌溉耕地分布信息对粮食安全, 水循环、能量循环等具有重要意义, 但是全球范围内准确的灌溉耕地分布仍然是一个未知的谜团。农业灌溉增加了全球的粮食产量, 同时也极大的影响了我们赖以生存的环境。主要表现在地表过程和水气交换[6-8], 用水供需平衡[9-11], 粮食安全和水资源管理[12], 干旱地区的农业气候反馈等[13-14]。通过文献检索发现, 相比于大量的土地覆盖绘图研究, 专门的灌溉耕地制图研究显得十分缺乏, 灌溉地图数据通常是作为土地覆盖产品的二级产品而存在。由此可见, 灌溉区域的识别以及灌溉地图的绘制工作是十分必要的, 其方法学的研究仍然需要不断的发展。为此, 极有必要系统回顾灌溉耕地识别研究的发展过程, 总结目前研究中存在的问题和不足, 为进一步提高灌溉识别精度和开展灌溉耕地制图方法研究提供参考。

1 基于遥感的灌溉制图研究现状

灌溉遥感测绘数据和方法的研究中, 根据研究尺度可分为局地研究、区域研究和全球研究。与传统的航空影像调查方法相比, 遥感技术的方法显得更加省时省力。利用遥感影像进行植被生产力、灌溉面积监测, 具有明显的优势。当前遥感技术已经成为一个有效的灌溉监测工具[15-17]。通过分析对比统计数据以及遥感影像, 从而揭示作物生长变化的过程。利用地理信息系统(GIS), 卫星遥感的数字化特征使其较容易与其他来源的数据进行比对。遥感技术能提供灌溉耕地准确的位置信息, 而不仅是某行政区域的统计数据, 能用于评估灌溉用水和灌溉区域的实时变化。

1.1 局地研究

目前, 基于遥感的灌溉测绘研究大多数都集中在局地尺度上。原因有三个: 首先, 局地尺度提供了相对熟悉的环境, 调查人员有广泛了解和学习的基础; 其次, 大多数局地尺度的研究是为了证明遥感方法的效果, 而不是大范围的灌溉制图; 第三, 随着区域的扩大, 灌溉形式也变得多样, 这使得灌溉制图研究变得异常复杂, 很多学者的研究停留于此。但是, 在局地尺度上的灌溉制图研究存在的问题是, 在一个区域和时间段开发的方法可能并不适用于另一个区域和时间段。在局地尺度的研究中, 目视解译法和数字图像分类法, 这两类绘图方法是最常见的方法。早期的研究主要集中在利用来自美国和印度的航空部门的目视解译技术, 来绘制和更新灌溉地图[18-20]。后来的研究开发了数字图像自动分类方法专门用于灌溉识别制图[21-23]。在这些方法中, 许多都被证明有非常显著的效果。表1列举的是局地尺度研究中常用到的灌溉制图方法。

1.2 区域研究

在区域尺度上, 绘制灌区地图最常见的手段是使用中等分辨率的卫星图像进行多时段的时间序列分析。该方法在很大程度上依赖于作物生长过程中的原始光谱波段特征和植被指数的季节性差异。该方法需要了解该区域的常见作物的生长周期。监测大面积灌区最有效的方法之一, 就是使用AVHRR和MODIS等传感器的植被指数数据[17,24-25]。运用现代分类算法分析时序性植被指数特征, 如决策树算法, 其分类精度范围在60%—90%[24,26-27]。在区域尺度上, 该方法对灌区估算的误差主要受到气候因素、局部降水和种植模式的影响[24]。此外, 这种分类方法受益于多阶段分类法, 使用气候数据、地表水状况、海拔高度、土地覆盖类型、作物面积和水掩膜等辅助资料[16,28], 可以将土地覆盖类别进行逐个分类[24]。研究表明, 当使用MODIS等高光谱卫星数据时, 多时序图像分类中使用原始光谱特征结合光谱转换指数, 可以得到更好的分类效果[25,29]。时序性图像中自动识别植被峰值的位置和数量的算法提高了分类精度[28]。

表1 提取灌溉空间分布信息的典型方法。

1.3 全球研究

近年来, 关于全球尺度的灌溉空间分布的研究工作, 由于在获取数据的客观性方面受到的限制, 使其在灌溉分类结果上存在较大的不确定性。1992年4月至1993年9月, 美国地质调查局开展的基于观测和AVHRR 数据(1 km)生成的全球土地覆盖图[30](Loveland et al., 2000)。该数据集的主要缺点是将灌溉地图作为土地覆盖图的一个子集来研究。因此, 该地图的重点主要是土地覆盖类型, 而对灌溉本身则关注较少, 其分类准确率也较低。Vörösmarty 和 Sahagian(2002)[12]通过比较美国地质调查局绘制的灌溉地图和美国国家层面报道的灌溉面积(FAO, 1998), 发现由于世界粮农组织高度政治化的性质, 以及在获取数据的客观性方面的限制, 使其在灌溉分类结果上存在较大的不确定性。欧洲航天局(ESA)利用2005—2006年的中分辨率成像光谱仪(MERIS)数据绘制了一幅中等分辨率(300米)的全球陆地覆盖图(GlobeCover)。全球陆地覆盖图中有几个是关于灌溉类型的作物, 包括水稻。分类的过程包括对选定的图像进行无监督聚类, 然后利用MERIS的时序图像计算物候参数(起始、持续、结束)并进行时间特征提取。最后, 对区域土地覆盖的每个类别进行标注。该地图由于样本的质量和数量问题而导致灌溉分类结果同样存在较大的不确定性。

1.4 国内外现有灌溉产品

当前国际国内出现了一些灌溉产品, 但是由于各种原因, 这些灌溉产品存在精度不高、分类不可靠等问题。2000年, 由联合国粮农组织和法兰克福大学(FAO/UF)绘制的全球第一份灌溉耕地分布图 GMIA(Global Map of Irrigated Area), 该地图的空间分辨率为5弧分, 反映了灌溉的百分比, 随后陆续有产品更新[31-35]。除 GMIA 外, 较典型产品还有 MIRCA, GIAM/GMRCA和 GRIPC 等。国际水资源管理研究所(IWMI)制作的全球灌溉面积地图(GIAM)[17,28,36], 该方法考虑了1km分辨率的亚像元问题以及灌溉强度[36], 但由于训练样本数据有限, 其分类结果并不可靠。随后, 研究者们又推出了全球粮食安全数据图(GFSAD), GFSAD 在其分类体系中包含了无灌溉信息的耕地以及其他混合类。全球雨养、灌溉和稻田地图(GRIPC)的空间分辨率为500 m[37], 是这几幅地图中分辨率最高的。还有一些土地覆盖产品也将灌溉作物信息纳入分类体系中, 如以土地覆盖分类为目标的 IGBP-Discover, Glob Cover以及 GLCNMO, 他们在分类体系上存在与GFSAD 类似的问题。另外, 朱秀芳等(2015)[38]发展了三个灌溉潜力指数和一个灌溉识别模型, 结合统计数据绘制了一份中国的灌溉地图。也有诸多的研究将水浇地和旱地单独罗列研究, 生产出不同分辨率的灌溉地图[39-44]。这些研究主要集中在土地利用和土地覆盖遥感分类上, 较少关注灌溉制图方法本身。表2是对当前国内外现有灌溉产品的总结。

表2 国内外现有灌溉产品介绍。

2 基于遥感的灌溉制图研究展望

目前, 在局部尺度上绘制单一日期图像技术较为成熟, 但如果在区域/大陆/全球尺度上绘制地图则可能不够, 在区域/全球尺度上还需要雷达、微波等辅助数据, 需要数据融合、机器学习以及基于规则的分类等技术。因此, 数据融合技术、微波遥感的非光学数据以及其他大量辅助数据在绘制更大区域地图方面将具有不可估量的价值。

2.1 雷达数据应用

由于可在所有天气条件下收集土壤湿度数据, 雷达正成为一种非常有效的工具, 即使是在复杂的环境中, 对土壤水分状况信息也十分敏感。在过去的十年, 越来越多的雷达传感器被发射到太空中。首先, 雷达可以在没有大气干扰和太阳角度变化的情况下尽可能频繁地获取地面信息。其次, 根据不同的波长, 雷达的回波信号携带了植被的水分状况信息。例如, Ribbes 等(1999)[45]发现了水稻田的雷达回波信号具有显著的时间变化, 且该变化可以用来识别水稻田。同时, Rosenqvist 等(1999)[46]报道了人工种植水稻区域的回波信号L波段与植株生长之间存在很强的相关性关系, 这种关系与植株间距和位置分布无关。该调查为理解水稻生长与雷达回波信号之间的关系奠定了物理基础。另一项研究表明[47], 水稻估产需要对作物生长和发育的三个阶段进行三次雷达数据的收集。但是, 如果有多个雷达, 则只需要进行两次数据收集就可完成估产。

2.2 微波遥感技术

微波遥感可以根据干湿土壤介电常数的巨大反差来估算土壤湿度, 进而用于灌溉监测和识别[48-49]。生长期内根部土壤水分的时序监测可对灌溉和非灌溉农田进行初步区分。然后, 用光学或雷达传感器数据来细化这些信息, 以提高其分辨率。由于微波穿透云层能力强, 因此微波遥感是光学遥感的一种很好的替代方法, 它能提供在云层覆盖频繁的潮湿地区的灌区监测以及用水需求方面的监测。虽然微波数据有空间分辨率(25 km)较粗糙的缺点, 但这可以初步确定灌区的范围。

2.3 多对一关联对象映射的分类算法

多对一关联对象映射分类算法是指多个变量的取值之间存在某种规律性的联系, 关联规则是寻找同一个事件出现的不同项的相关性。例如, 通过已有的分类技术, 按照支持度与置信度的不同构造一个分类器模型进行分类分析。由于待处理的时序性数据图像质量的需求, 使得基于机器学习算法的自动化监督分类方法变得越来越重要。神经网络[50-51]、决策树[52]和支持向量机[53]在处理多源数据来生成可靠的分类结果的功能非常强大。机器学习算法的优点之一是多对一映射能力, 这意味着任何给定的输出数据都会有许多光谱特征。这对灌溉制图而言是非常重要的, 因为大多数研究只使用有限的类别, 而非灌溉类可以包括多个土地覆盖类。

2.4 面向对象分类法

面向对象分类法是指一种将对象作为最小的分类单元的分类法, 是对传统的基于像元分类方法的一种改进, 使分类结果包含丰富的影像语义信息。例如, 对目标影像进行分割, 从空间特征、纹理特征、形状特征等考虑使同质的像元组合成大小不同的对象区域; 对生成的对象进行分类, 进而提取影像中的对象信息。在面向对象的分类过程中, 可以通过自动分割算法或地图学等辅助信息源来建立图像对应关系。一般来说, 分割算法根据传感器属性而不是地理特征产生空间分割。面向对象分类方法已广泛应用于农业[54-55]。面向对象的图像分析可以通过以下两种不同的方法来完成: 在像元分类之前和分类之后。在前一种方法中, 首先计算每个大类的特征, 然后使用分类算法对大类进行再分类。在后一种方法中, 使用多像元类作为指定的像元标签, 或者使用混合标签描述指定的像元类的异质性, 来计算每个类中分类像元的频率[54,56]。

2.5 多源数据融合技术

不同传感器对同一场景的数据信息进行融合的技术称为数据融合技术。利用多源数据融合技术来绘制灌区地图正在变得越来越受关注。目前, 根据不同空间分辨率、光谱特征、时间特征和辐射特征, 越来越多的卫星传感器被用来收集农业地块信息。数据融合的目的是为了得到无法从单个传感器获得的图像信息, 或者减少单个传感器数据的不确定性[57]。一般来说, 数据融合技术可以分为两类: (1)颜色匹配技术; (2)统计/数值法。第一种包括RGB颜色中三个通道的颜色组成以及更复杂的颜色转换。第二种, 统计/数值法是在通道信息统计的基础上发展起来的, 包括相关性和滤波器。

3 总结

灌溉耕地位置分布信息, 能够为农业、水利部门的监测和决策提供宏观信息, 是粮食安全、水资源管理、气候变化领域最基础的数据之一。遥感以其经济、及时、客观和覆盖广的优势, 已成为获取灌溉耕地位置分布信息的重要手段。卫星遥感数据为不同尺度的灌区制图提供了巨大的优势。同时, 为有效地利用遥感技术, 我们应该对卫星数据的优点和局限性进行更深入了解, 并从现有遥感数据中做出合理的选择。充分利用更先进的卫星遥感数据, 包括利用多时间图像和辅助数据来改进灌区识别的技术, 以适用于所有空间尺度。总的来说, 多时间图像和辅助信息的应用, 如气候、土壤或坡度信息, 都能用来提高了灌溉分类精度。多时段图像为从其他土地覆盖类型中识别灌溉提供了可能性。机器学习和基于规则的分类方法通常比传统的统计分类方法的效果更好。综上所述, 利用卫星遥感图像绘制灌溉地图虽然是一项十分困难的工作, 但却是完全可以实现的。

[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, 左丽君, 张增祥, 等. MODIS数据的水浇地提取[J]. 遥感学报, 2009, 13(3):522–534.

[40] 宋富强, 康慕谊, 郑壮丽, 等. 陕北黄土高原地区土地利用/覆被分类及验证[J]. 农业工程学报, 2011, 27(3): 316–324.

[41] 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[J]. 地球信息科学学报, 2012, 11(2):121–137.

[42] 曾永年, 靳文凭, 何丽丽, 等. 青海高原东部农业区土地利用遥感分类制图[J]. 农业工程学报, 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] 刘逸竹. 大区域灌溉耕地制图技术研究[D]. 北京: 中国农业科学院, 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

广东省生态气象中心科研项目(STZX2150400006); 广东省自然科学基金青年项目(2020A1515110423); 广东省气象局科学技术研究项目(GRMC2021M15)

向昆仑(1990—), 男, 湖北黄冈人, 博士, 主要从事农业遥感生态学研究, E-mail: xiangkunlun8@126.com

通信作者:向昆仑

杨滨娟, 黄国勤. 植物种植修复土壤重金属污染的模式、技术与效果综述[J]. 生态科学, 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.