灌区实际灌溉面积遥感监测方法研究进展

杨晓慧，袁宏伟，肖晨光

（1.安徽省·水利部淮河水利委员会水利科学研究院，安徽合肥 230088；2.水利水资源安徽省重点实验室，安徽合肥 230088）

我国是一个水资源严重短缺的国家，根据水利部发布的水资源公报，2021年农业用水量为3644.3亿m3，占全国用水总量的61.56%。近年来，随着我国城镇化与工业化的快速发展，水资源供需矛盾日益突出，农业可用水量被不断压缩，给粮食安全带来了严峻考验。灌区是全国粮食稳产、高产的重要基石，面对当前的用水矛盾，灌溉精细化管理是保障区域粮食安全的重要手段。而灌溉面积监测是农业灌溉管理中非常重要的一环，可为水土资源平衡分析提供最重要的参数，为灌区用水管理、预估灌溉产量、评估灌溉效益、开展最严格的水资源考核等灌区管理工作提供核心参数。

传统基于站点及人工调查统计的方法已不能满足当前应用与研究的需求，急需新的方法和手段为快速、准确获取灌溉面积和灌溉进度等信息提供支撑，其中遥感技术提供了一种相对经济、准确、快速、大范围、可重复调查灌溉面积及其分布的有效途径。2006 年，世界水资源管理研究所（International Water Management Institute，IWMI）开发完成世界第一个10 km分辨率的全球灌溉面积分布图（Global Irrigated Area Map，GIAM），为应用卫星遥感技术研究开发不同尺度、不同精度的灌溉面积分布图提供了科学方法和宝贵经验[1-2]。随着遥感技术的不断发展，可获取的遥感数据源越来越多，时间、空间和光谱的分辨率均有大幅提高，为实际灌溉面积的高效精准获取奠定了数据基础，同时国内外学者在监测方法上也进行了更加科学深入的研究。

基于遥感数据的实际灌溉面积信息监测方法主要可分为基于土壤含水量变化的实际灌溉面积监测、基于种植结构与时序遥感植被指数的实际灌溉监测和基于冠层温度的实际灌溉面积监测。本文综合国内外相关研究文献，对基于遥感技术的灌区实际灌溉面积的三类监测方法进行了总结，为后续高效、精准的灌溉面积监测研究提供参考。

1 基于土壤含水量变化的实际灌溉面积监测

土壤含水量可直接反映出地面的干湿状态，而时空连续的土壤含水量变化能更为直接地反映灌溉信息，从而进行实际灌溉面积的监测。基于土壤含水量变化的灌区实际灌溉面积研究已有一些成功的应用。沈静在内蒙古自治区河套灌区范围内进行了基于垂直干旱指数（PDI）、修正的垂直干旱指数（MPDI）和指数短波红外垂直失水指数（SPSI）3 种模型的灌溉面积监测研究，发现在植被覆盖度较高的区域，MPDI对表层土壤水分更为敏感[3]。易珍言等结合地面调查点基于灌溉前后MPDI 变化规律，提取了实际灌溉面积，精度在80%以上[4]。王啸天等构建了基于垂直干旱指数差异阈值的灌溉面积遥感监测模型，确定了适宜的指数阈值[5]。白亮亮等利用高分辨率Landsat 可见光-近红外遥感影像，通过ESTARFM 数据融合方法，对同期MODIS 中分辨地表反射率和低分辨率地表温度进行降尺度，从而进一步构建高时空分辨率温度植被干旱指数（TVDI），并通过表层土壤水分变化进行实际灌溉面积监测[6]。郝震基于MPDI提出一种融合高分卫星与其他光学遥感卫星等多源数据的方法——BPSTARFM，基于融合得到的土壤含水量数据，开展了实际灌溉面积遥感监测，在一定程度上解决了光学数据在研究区覆盖度不足的问题[7]。

基于土壤水分的灌区实际灌溉面积监测中，垂直干旱指数、修正的垂直干旱指数已实现成功应用，模型简单，应用较为广泛，但主要采用光学遥感数据，而光学遥感数据在植被覆盖度较高的地区反演能力有限。近年来，温度植被干旱指数也证实可用于实际灌溉面积监测，温度植被干旱指数是联合光学与热红外遥感进行土壤水分反演，光学和热红外遥感均易受到云雾天气的影响，难以取得连续的监测数据，从而影响灌溉监测的连续性[8]。

2 基于种植结构与时序遥感植被指数的实际灌溉面积监测

种植结构的遥感提取原理是农作物在蓝光与红光波段会出现两个波谷，绿色光谱范围内会出现明显的波峰，在近红外波谱范围内反射率在1.1 μm 达到高峰，基于农作物特有的光谱曲线反射特征可进行种植结构的区分[1]。在不同的生长阶段和状态，农作物也会表现出不同的光谱特征[2]。

基于种植结构与时序遥感植被指数的实际灌溉面积监测比较常用的是基于归一化植被指数（NDVI）的灌溉面积识别。Ambika 等利用MODIS 数据的NDVI 与土地利用数据，绘制了印度农业生态区2000—2015年精度较高的灌溉面积图[9]。王理想等基于2000—2018年灌溉期的MODIS 逐日有效数据及野外实测阈值，利用NDVI 指数估算了河套灌区2000—2018 年春、秋引黄灌溉面积[10]。韩宇平等对研究区不同水源灌溉的耕地进行实地调查，基于Landsat8 遥感数据和图例数据获取NDVI 时序曲线，提取研究区不同水源的灌溉面积[11]。Nilton 等基于多时相的Landsat TM 数据，采用监督分类的方法估算了巴西东南部的水稻灌溉面积[12]。

目前，越来越多的其他植被指数也证实可以取得良好的监测效果。田鑫等通过研究区域的植被供水指数（VSWI）、温度干旱指数（TVDI）进行反演，分析认为基于温度干旱指数反演研究区灌溉面积效果更好，与统计数据的符合率高达90%[13]。徐超等通过计算归一化植被指数（NDVI）、增强植被指数（EVI）、绿色叶绿素植被指数（GCVI）、水调节绿色指数（WGI）等指数对宝鸡峡灌区灌溉面积进行了提取，发现WGI对研究区域灌溉面积识别精度更高[14]。

基于种植结构与时序遥感植被指数的实际灌溉监测优势在于模型简单，可根据地表实测直接确定实际灌溉监测阈值，计算简单高效。但基于植被特征进行灌溉监测受到作物生长期的影响，在叶面积特征对灌溉响应不明显的时期（播种期或成熟期），无法开展基于植被指数的实际灌溉面积监测，也存在光学遥感数据受云雾等天气因素影响较大的问题，使得连续监测受限。

3 基于冠层温度的实际灌溉面积监测

基于冠层温度的实际灌溉面积监测，是利用作物缺水后气孔会关闭，蒸腾作用减弱，冠层温度升高，而灌溉后植被蒸腾作用加强，冠层温度下降。李红红基于Landsat-8 影像数据对研究区地表温度（LST）、植被供水指数（VSWI）及温度干旱指数（TVDI）进行了反演计算，表明基于地表温度的灌溉面积提取精度最高[15]。何娇娇等利用基于遥感地表温度反演及植被供水指数（VSWI）模型对石津灌区的灌溉面积进行了提取，两种方法重叠率高达87%，也证实了基于冠层温度的实际灌溉面积监测的可行性[16]。Abuzar 等利用多个季节的遥感影像，计算得到植被指数阈值和温度阈值，生成植被覆盖和温度的矩阵来监测灌溉面积[17]。以上研究表明，基于冠层温度的实际灌溉面积监测取得了较为良好的应用。

根据冠层温度的实际灌溉面积监测原理简单，模型适应度高，但基于遥感的温度反演涉及多种反演模型与算法，计算时需要的参数较多，复杂的地表状况会增加反演难度，导致误差较大。

4 展望

目前，灌区实际灌溉面积遥感监测具有大的现实需求，基于土壤含水量变化、基于种植结构与时序遥感植被指数和基于冠层温度的实际灌溉面积监测方法均取得了一系列研究成果，但各方法均存在一定的局限，如大多针对单一灌区，对方法的特点和适用范围缺乏深入的研究，缺少一种普遍适用的方法；大多分析是针对单次灌水的结果，监测方法采用的光学、热红外遥感数据易受到天气影响，难以实现实际灌溉面积的连续观测。各种方法的优缺点见表1。面对这些挑战，今后灌区实际灌溉面积的遥感监测可从以下方面展开重点研究。

表1 灌区实际灌溉面积的遥感监测方法比较

1）多平台、多源遥感数据的融合。随着遥感技术的迅猛发展，平台由卫星到低空无人机，波段覆盖了紫外-可见光-红外-微波范围，空间分辨率由近百米提高到0.5 m，重访周期由数十天缩短至1 d。目前的研究中虽有一些多源数据融合的尝试，但未能联合使用多平台数据源，也未能充分发挥低空无人机遥感时效性强、空间分辨率高、作业成本低等优点。后续要充分利用光学遥感、微波遥感与合成孔径雷达，发挥其各自优势，进一步提高监测精度；多时间与空间分辨率数据融合，实现高空间分辨率、高光谱分辨率、高时间分辨率的数据获取，合理利用多时相遥感数据、星机地协同以达到对于整个灌溉期实际灌溉面积的动态监测[18]。

2）构建基于时空格局的区域化、精细化模型。目前的研究集中在较为干旱的灌区，在实际灌溉面积监测中忽略了降水的影响，而且对半湿润地区补充性灌溉面积监测研究较少。今后可通过研究基于时空格局的区域化、精细化的模型方法内在特点，建立不同类型灌区的适宜监测方法。

3）人工智能集成大数据形成实用化的技术体系。灌溉信息的提取需要考虑作物类型、生长季节、种植结构、灌溉方式等多种因素。因此灌溉面积的监测研究需要集成基础数据、气象水文数据、作物信息等各种大数据，辅助地面站点与人工调查数据，加入专家支持决策，利用人工智能建立更好的模型算法，将单一灌区的应用扩展到区域乃至全国的灌溉面积监测，形成智能、快速、动态监测的实用化技术体系。