基于时间序列NDVI的灌溉耕地空间分布提取

刘逸竹，吴文斌，李召良，周清波



基于时间序列NDVI的灌溉耕地空间分布提取

刘逸竹，吴文斌，李召良，周清波※

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

灌溉耕地空间分布地图是农业和粮食政策制定、水资源管理和环境变化研究的基础数据，及时、准确和适用性强是区域尺度灌溉耕地分布提取方法的重要要求。相比于非遥感数据融合和遥感影像分类方法，利用遥感参量对统计数据进行空间重建的方法具备少受样本限制、运算速度快、与统计数据匹配水平高和产品分辨率适宜的优势，但目前该方面的研究较为薄弱。该文以中国为研究区域，应用国外提出的基于时间序列NDVI的灌溉面积统计数据空间化方法，研制中国2010年、空间分辨率250 m的灌溉耕地空间分布地图，深入分析了该方法的应用效果及其影响精度的主要原因。结果表明，利用该方法获得的灌溉耕地空间分布数据的空间位置精度与同类遥感产品相当，在数量精度上具有明显优势，不同区域的制图效果具有差异性。全国总体精度64.20%，各省精度极差为48.35%。制图误差主要来源为耕地底图、方法假设和分类参量，未来方法的优化应重点加强耕地分布制图、改进方法假设、进行不同类别和时间点的特征参量的筛选和利用。

NDVI；数据融合；灌溉耕地；空间分布

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。一方面它是近几十年全球粮食产量持续增长、确保粮食安全的重要贡献者[1]，另一方面农业灌溉用水消耗了全球可用淡水资源的80%以上[2]，通过改变地表和地下水的分配影响到大气对流、降雨分布和局地气候[3-4]。因此，灌溉耕地空间分布及其时空变化是区域乃至全球农业产业政策制定、水资源管理和应对气候变化的重要应用与科学研究基础。

遥感技术因其覆盖范围广、时效高和成本低等优点，已成为区域灌溉耕地空间分布制图的重要手段。目前，多种分辨率的影像来源、丰富的光谱特征数据使得灌溉耕地识别特征多元化，不同分类方法如决策树[5]、随机森林[6]、聚类[7-8]或组合分类器[9]等计算机自动分类方法成为主流。遥感制图需要以大量样本或真值为基础，样本缺失给区域灌溉耕地制图带来较大挑战；同时，研究建立的分类或提取规则普适性总体不高，限制了方法的区域推广。为此，有学者提出了多源数据融合的灌溉耕地制图技术方法，近年来被广泛用于大区域乃至全球灌溉耕地空间产品研制。这些产品以GMIA[10-11]为典型代表，以灌溉耕地统计数据作为总量约束，构建一定的空间分配规则，将统计数据空间分配至特定的网格单元。其中，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。这些方法中以Brown等[12-13]提出的数据融合方法较为特殊，他们扬弃了基于统计数据建立分配规则的传统，引入遥感参量，优化了统计数据空间分配方法，完成了美国2002年与2007年的灌溉耕地空间制图，降低了分类规则对训练样本的依赖，有效提高了制图效率和产品分辨率。该方法简单、易操作，能较好地适应当地条件，但地域间自然地理条件和农业生产模式的差异使得NDVI等遥感特征参量与灌溉的关系难以一概而论。有研究表明，灌溉耕地与雨养耕地的NDVI没有显著差异，或者其数值与灌溉面积的函数关系需要修正的可能性实际存在[14-15]。同时，该方法并未在其他地区进行应用，其效果及影响因素尚不清楚。中国是世界上仅次于印度的灌溉耕地集中分布区，辽阔的疆域、复杂的地理和气候特点造就了其千差万别的农业生产模式和管理方式。基于此，本研究以中国作为研究区域，基于Pervez等的数据融合方法进行中国灌溉耕地制图研究，旨在考察该方法在不同地区的应用效果，讨论影响精度的原因，为该方法的改进完善提供参考。

1 方法与数据

1.1 数据融合方法

一般而言，可以直接反映农田灌溉行为的遥感特征参量主要分为两类。第一类参量如WDI[16]等，通过描述作物或土壤水分的变化来反映灌溉发生的瞬时效果，该类参量需要遥感观测时间与灌溉发生时间同步。第二类参量如NDVI等，利用作物生育期内的长势和生长变化[17]等群体特征来表征灌溉的总体效果。作为影响植被生长最主要的因素之一，水分与植被长势呈正相关，因此，描述植被长势的参量可以反映生长期内植被水分的供给状况。NDVI 峰值是作物长势状况的重要参考，灌溉作物往往比雨养作物具有更高的NDVI峰值。因此，相同或部分不同作物间内NDVI峰值大的耕地像元成为灌溉耕地的概率较高，甚至与耕作模式或作物种类无关，在降水不足时表现尤为明显[13]。同时，由于地块信息由象元内部种植结构和作物种类决定，而相同种植区或局地尺度的作物种类较固定，使得局地尺度下地块信息较固定。根据上述理论基础，Pervez等提出以NDVI 峰值为分类依据，在局地尺度下对灌溉统计数据进行空间重建，获取灌溉耕地空间分布[12-13]。

该方法的技术流程如图1所示，主要包括两部分。一是耕地NDVI时序数据重建及峰值提取。采用一种基于移动窗口的加权回归方法[13,18]，对NDVI时序数据进行数据重构，以降低观测条件的不利影响，提高数据质量。该方法根据当前时间的NDVI与两侧相邻NDVI数值的大小关系赋予不同的权重，经剔除异常值、滑动窗口线性回归来重构NDVI时序曲线，然后基于重构的时序数据提取当前耕地像元的NDVI峰值。二是区域耕地像元灌溉潜力排序和空间迭代。基于前述理论基础，局地尺度下作物品类和耕作模式的一致性使得灌溉雨养作物能够通过长势较好区分[19]，故以县作为基本地块单元，在县域内根据步骤一中得到的NDVI峰值，从大至小对耕地象元进行排序，作为象元得到灌溉的可能性的描述，NDVI峰值越大，则受到灌溉的可能性越高。然后，根据排序结果对象元个数逐次累加，并将象元累加后对应的面积与当前县灌溉统计面积进行对比。如此迭代，当两者数量基本一致时停止迭代，参与迭代计算的象元被认为是灌溉耕地象元。

1.2 制图精度验证和对比

本研究中灌溉耕地制图结果的精度验证包括数量精度和空间位置精度。数量精度验证首先提取利用研究方法得到的县级灌溉耕地面积，汇总得到省级灌溉耕地面积，然后在县级、省级尺度上与统计数据进行比较。针对空间位置精度验证，首先根据空间多项式分布理论，采用下述公式（1）计算得到区域精度验证所需的验证样本数量下限[20-21]为189，其次利用ArcGIS对灌溉耕地空间分布真值数据进行随机抽样，得到验证样本的空间分布。为排除非耕地像元对精度验证的影响，本研究在保证样本数量下限的前提下剔除了非耕地样本。由于公式（1）计算的样本数量与区域大小无关，因此分类结果的全国总体精度由各省精度经权重计算得到公式（2）。

式中为卡方自由度，为1；为分类类别数量，为3；为置信度，取95%；为误差，取10%；W为地灌溉面积占全国比例。

图1 技术流程图

同时，本研究将结果与已有的灌溉耕地分布数据GMIA5[11]和GRIPC[5]进行对比，以讨论该方法的分类效果。其中GMIA5中像元值为像元内有效灌溉面积的大小，空间位置描述不足，故只作数量精度对比。

1.3 数据源

研究所需的数据包括县级灌溉面积统计数据、时间序列NDVI数据、耕地空间分布数据、以及用于精度验证的参考数据。

1）县级灌溉面积统计数据。来源于2010年全国省、市、自治区的统计年鉴中的有效灌溉面积（area of effective irrigation，AEI），其定义为“有水源保障且在正常年景时能够得到灌溉的耕地”。其中香港、澳门和台湾的数据缺失，不包括在本研究中。针对部分地市的市辖区数据未收集完全的问题，则利用地市的有效灌溉面积总量与下辖各县数据汇总相减得到。

2）时间序列NDVI数据。来自NASA的MODIS 13Q1植被指数产品，经相关波段运算后由MVC法得到，空间和时间分辨率分别为250 m和16 d。研究中使用到的是覆盖中国大陆全境（不包含港澳台）的MODIS 13Q1产品，其条带号为h25-26 v03，h23-27 v04，h23-28 v05，h25-29 v06，时间覆盖范围为2010年1月至12月。所有下载数据首先利用MODIS专用数据处理软件MRT进行拼接并转投影（Albers横轴等面积投影）。

3）中国耕地空间分布数据。来自30 m空间分辨率的2010年全球地表覆盖数据产品GlobeLand30。该数据产品的主要遥感影像来源为Landsat TM，利用基于像元-对象和专家知识的分类方法得到，包括耕地在内的10个地表覆盖类别，总体精度在90%以上，采用UTM投影[22-23]。研究下载该数据集2010年中国区域的影像，投影转换至与上述数据一致。

4）精度验证数据。在缺乏实时、实地样本或分类影像的情况下，使用历史影像或者样本作为替代是常用的精度验证方式之一。本研究以2005年中国土地利用覆盖数据产品（national land cover data，NLCD）作为灌溉耕地制图精度检验的真值数据。该数据空间分辨率为100 m，采用专家解译结合计算机自动分类结合的方法制成。耕地类别中包含了水田、水浇地和旱田3个亚类，其中水田和水浇地分别指有水源保障条件下种植水生/旱作作物的耕地，与上述统计数据中的有效灌溉面积的物理内涵一致。

5）其他对比数据。研究采用基准年同为2005年的GMIA5和GRIPC。前者通过数据融合方法得到，空间分辨率5分弧度，象元值为网格内有效灌溉面积大小；后者基于MODIS数据利用自动分类方法获得，空间分辨率为500 m，其将耕地分为水浇地、水田和旱田。

2 结果与分析

2.1 2010年中国灌溉耕地空间分布

图2是利用Pervez等的方法得到2010年中国灌溉耕地空间分布图。可以看出，中国农业可以河北最北端至广西中部最南端一线为分野：东侧以灌溉农业为主，且从北至南逐步分散；西侧以雨养为主，灌溉耕地总量有限，局地集中。灌溉空间分布直接与作物和降水有关[24-25]，因此，根据这些因子划定的种植区划更能说明灌溉的空间分布规律[26-27]。

2010年中国灌溉耕地总面积为607 977.10 km2，灌溉普及比例约50%。从不同农业种植区域上看（图2和表），中国灌溉耕地在黄淮海种植区和长江中下游种植区最为集中。前者降水时空分布不均，需要降雨高峰期外的补充灌溉，境内雨养耕地集中在西侧、北端坝上和沂蒙山区等海拔较高区域；后者以水稻为主要作物，灌溉多为满足水稻需要，因此与水田分布较为一致。南方丘陵种植区的灌溉分布情形与长江中下游种植区类似，但耕地景观破碎度高，云贵高原种植区的耕地景观特征正与南方丘陵种植区相反；川陕盆地的灌溉耕地在四川盆地内有小型集中分布，华南双季稻种植区东部与西部的灌溉耕地分布格局分别与云贵高原和南方丘陵种植区一致。西北绿洲种植区、北部高原种植区和东北大豆种植区的灌溉耕地分布与水源关系密切，如西部的绿洲农业、黄河或其支流流经沿途的灌区，与雨养耕地界限清晰，东北大豆种植区的灌溉耕地相对分散在以湿地水源为主的三江、松嫩及辽河平原[28]，这些分布特征与前人研究结果总体一致[16]。

图2 2010年中国灌溉与雨养耕地空间分布图

表1 2010年中国不同农业种植区的灌溉耕地面积和灌溉率

表2列举了研究区不同省、市和自治区的灌溉耕地面积及其灌溉率。从面积看，河南、河北和山东的灌溉耕地面积最大，均超过了45 000 km²，其次为黑龙江、江苏、新疆和安徽等省、自治区。从灌溉率看，北京和新疆最高，超过90%。其中新疆年降雨常年不足400 mm，以依赖灌溉的绿洲农业为主，类似的区域还包括宁夏及甘肃北部、山西中部和内蒙古东部。西南的贵州和云南两省的耕地面积小，灌溉率低于全国平均水平，但四川东部的盆地有较为集中的灌溉耕地分布。河南、河北和山东等省内的县级灌溉面积与灌溉率较为均匀，湖北、安徽和江苏等省内的灌溉耕地分布不均匀，如安徽南部、湖北西部。广东、福建、浙江和湖南等省年降雨超过1 000 mm，灌溉多为水稻所需，但耕地分散、数量有限，灌溉普及程度高但面积少而均。东北的黑龙江、吉林和辽宁灌溉比例总体不高。

表2 2010年不同省、市和自治区的灌溉耕地面积、灌溉率及数量误差统计结果

注：灌溉比例为有效灌溉面积除以耕地面积。耕地面积为全国第二次土地调查结果，来源于中国统计年鉴（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 精度验证

本研究方法分类结果的总体数量精度较高。经统计，面积相对误差（relative error，RE）小于5%全国县比例超过90%，约1/4的县统计灌溉面积与分类结果的偏差趋近于0或没有灌溉分布；RE超过30%的县占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、广东、内蒙和西藏。

就绝对误差而言，如图3所示，在分类结果-统计面积构成的特征空间内，大部分数据点分布在1∶1等比例线下方，表明灌溉耕地制图的绝对误差（absolute error，AE）以负误差为主，与Pervez等的结果一致。同时，负误差在不同水平内的分布比例都远高于正误差，后者对应的相对误差绝大部分小于5%。原因是当区域内有足够耕地象元参与分配时，误差的绝对值只取决于灌溉耕地面积大小，而绝大部分出现正误差的县，出现在灌溉面积较大的地区。

图3 县级数量结果与统计数据对比

从不同省份来看，相对误差最高为山西和湖北，超过30%（表3），其次为西藏、上海、广东、黑龙江、陕西和辽宁。绝对误差分布规律与县级尺度一致：各个省份绝对误差取决于各个县市占省内灌溉面积比例及其数量误差，如表2所示，可分为4种情况：一是省内各区县误差绝对数值均匀，能够反映全省总体误差水平，如山西省；二是省内各区县正负误差在数量和绝对值分布上都较均匀，汇总计算得到省份相对误差接近于0，如天津、吉林等等；三是少数区县绝对误差过大，极值被凸显，影响本省数量精度。如湖北虽然整体误差与山西相近，但主要来自于20%的区县。广东、陕西、上海、黑龙江等也属此列。四是各县绝对误差正负相互抵消，极值被掩盖，如内蒙古自治区。

不同省份灌溉耕地的空间精度如表3所示。全国总体精度64.20%，各省精度极差为48.35%。以2.1节中述自河北北端至广西南端分野为界，精度居全国前列的省区多居于该分界东侧，并由北向南精度逐渐降低；分界北部的东北3省的分类精度总体上不高于全国平均水平；西部各省精度与地域走向无明显关联，仅甘肃、宁夏分类效果较好。

表3 空间精度及对比

2.3 对比与评价

从表3可以看出，本研究方法得到的结果在31个省级行政区中，有24个的数量误差普遍小于后者，总体数量精度较GMIA5优，并能提供更细致的空间信息。从空间精度看（表3），GRIPC在20个省区的绝对精度高于新产品，总体精度高约5%。Velpuri等[29]不同影像分辨率对灌溉产品精度影响的研究表明，利用同样方法将制图分辨率500 m提升至250 m时，制图总体精度会有2%~ 5%的下降。因此，本研究中数据融合方法的总体精度变化处于正常水平。并且，由于本方法采用统计数据作为数量限制，数量精度明显高于GRIPC。

综上述，相比仅依赖统计资料进行数据分配的方法，本数据融合方法能充分利用遥感数据空间信息，较大提升了产品的空间分辨率，并提高数量精度。与遥感影像自动分类的结果相比，能保持同类产品相当的精度水平，且与统计数据吻合程度更高，并减少了对样本的依赖。因此，该技术方法在中国总体可用。相比其在美国（RE：−61.6%～48.4%；空间精度：样点验证75%，样方验证81%）的实践，本研究结果的数量精度优于后者，但空间精度存在差距，具体分析见论文讨论部分。

3 讨 论

3.1 耕地分布底图的影响

将灌溉耕地统计面积空间分配到已知耕地像元，因此高精度的耕地底图是保证分类效果的基础。虽已有研究表明，本研究中采用的GlobeLand30耕地与统计数据吻合最优，各省耕地面积数量误差在−1.32%～0.94%间[30]，但其也会影响灌溉耕地制图的数量精度。受矢量边界和数据中耕地象元分布等影响，部分行政单元内耕地像元数量有限，耕地面积小于灌溉耕地统计面积，导致无法将统计灌溉面积完全分配至空间单元，这与Pervez等的研究结果一致。由于GlobeLand30中耕地的空间精度总体较高，且不同区域的精度水平在现有同类产品中均居前列[30]，因此，本研究中耕地分布空间精度的总体误差已降至最低。但研究同时指出，其他耕地数据产品在东南和华北地区的精度要高于GlobeLand30[30]。因此，在没有更高精度遥感耕地产品的前提下，分区选择耕地空间分布数据，可进一步提高灌溉耕地提取的整体精度。

3.2 灌溉耕地提取方法的影响

Thenkabail等[31]认为灌溉耕地提取技术方法的误差主要源自两点：一是未能充分考虑规范管理之外的灌溉，如私人打井或小型水库灌溉等，此为统计数据涵盖范围涉及，不做讨论。二是遥感影像质量及混合象元问题的影响，一些学者已进行了针对性讨论[29]，或采用了相应的改善方法[9,32-33]，不再赘述。Thenkabail等还提到了统计数据和遥感产品中对灌溉耕地定义的差异，但对比前述1.3节中对有效灌溉面积和真值影像对各类耕地涵盖范围可知，该因素对本研究结果的影响微乎其微。故本研究仅就该算法设计本身展开讨论。

本文算法的假设前提是目标类别在特征参量数值分布上是完全割离的，这与利用单时间点的遥感特征参量采取单一阈值法进行分类的本质是一致的。这一假设在部分地区如阿梅米亚盆地[34]、宰因达河流域[35]和阿兰平原[36]等是成立的。但也有研究发现，单一阈值在一些地区只能获知部分象元的类别，需要增加阈值个数来完成分类，如西班牙的拉曼查[37]、阿富汗[38]和美国[39]。因此，在一些地区或情形下这一分布假设需要改进。如Duan等[40]所述：2个类别在某一特征参量的数值分布上会存在交集，如果采用单一阈值分类，那么阈值的划定会在这个交集中间，并决定分类精度。本研究选取空间精度最高的宁夏，对该地不同类型耕地精度检验样本的NDVI峰值进行了直方图统计（图4），结果验证了这一推论。

图4 不同类型耕地NDVI峰值统计

3.3 NDVI特征对灌溉耕地提取的影响

特征选择是分类成功最主要的决定性因素之一[41]，在原方法或Duan等的假设前提下，特征的选择会成为决定分类效果的唯一因素[42]。研究中仅选择了NDVI特征用于灌溉耕地识别，但有证据表明NDVI存在部分或完全失效的可能：如在英国Louth郡[43]和泰国Suphanburi府[14]的研究表明，灌溉和雨养作物NDVI在任何时间段没有明显差异。利用相对敏感性指数（relative sensitivity index，RSI）[39]对宁夏与黑龙江耕地NDVI峰值对灌溉的敏感性对比表明，后者的RSI要远小于前者，因此利用NDVI峰值对后者灌溉耕地的提取效果会逊于前者。事实上，NDVI及其峰值受到包括水分在内的多种因素如作物种类和耕作模式，农业灾害和土壤条件等的影响[44]。虽然本方法将空间分配单元限制在区县尺度，利用各个农业区作物种类的组合相对固定[19]的特点，在一定程度上规避了上述因素对NDVI峰值的影响，但仍有研究认为NDVI易饱和、容易受到大气和湿度条件影响——一是其表现与大气条件呈现正相关关系，在湿度较高时表现相对较差，不少应用都对NDVI 数据进行了去噪和重构等预处理[17,45]，而这些过程也会成为误差来源之一。

因此，针对特征参量的改良可首先考虑在现有计算框架下讨论其他遥感特征参量。如EVI、GI或WDRVI可能比NDVI对灌溉引起的植被长势差异更敏感[39]，水分相关波段如NIR和RED等也是遥感提取灌溉耕地的主要依据[46]，尤其SWIR被认为相比其他几个常用波段更能够提供有效信息[47]。以它们为基础构建的水分相关指数（如NDWI、LSWI等）受大气影响相对小，数据质量相对稳定，对灌溉耕地的提取效果可能会更好。还有学者使用植被健康指数（vegetation health index，VHI）[15]、灌溉潜力指数[44]等综合考虑了水分和植被长势的参量，并有较好的分类效果，但缺少与其他指数的对比。二是当单一参量阈值不能完全区分目标类别时，考虑增加参量。一方面增加同一参量在不同时间点的信息，构建多阈值的决策树。以Beltran等[37]研究为例，首先利用5月与8月影像各一，区分春季作物和夏季作物，然后根据不同作物的NDVI时序演变特征，逐步引入4－9月期间的4景影像，逐步提取各类灌溉与雨养作物。另一方面可利用多种参量的信息，在二维甚至高维空间内分类。如董婷婷[16]根据灌溉与雨养耕地在植被覆盖度-陆气温差二维空间内分布的差异，计算WDI指数提取水浇地；Thenkabail等[47]不仅利用了不同地类在NIR-RED特征空间的分布特征，而且逐步引入了NIR-RED的时间变化和其他波段信息。

此外，研究还注意到，在一些其他研究[5,16,48]中分类精度普遍较高的地区如新疆，本方法的精度却不理想。本研究的结果显示该区域存在一定雨养耕地，但有学者[24]认为气候干旱水源稀少的地区不可能存在雨养耕地，董婷婷等认为在中国年降雨少于某阈值的区域不存在雨养耕地。因此，未来特征选择还可以考虑增加自然地理等环境因子。实际上，已有研究表明，不论是局地还是区域尺度，根据一些地理条件能够直接反映耕地类别，如新西兰的坡度[49]，阿富汗的生长季个数[38]和印度的海拔和降水等。同时，灌溉行为的发生与当地作物类型也有关系。在中国，北方水浇地的主要作物类型为冬小麦-夏玉米、冬小麦-棉花、棉花和春小麦，而旱地作物主要为大豆和春玉米；在中国完全灌溉区（年降雨<400 mm）和补充灌溉区（年降雨400～1 000 mm），灌溉是水稻的刚需[24]。由于作物种类和种植结构的不同，会导致象元个体或地块整体特征的变化，所以对耕地的判断可以部分转化为对作物类别或种植结构的判断。目前利用简单阈值法已能够较稳定并精确提取区域尺度水稻分布[50-53]，其他主要作物如玉米、大豆和棉花等也能够利用适中分辨率的影像进行较好区分[54]，并发布了不同尺度的数据产品。但是，将整体地块特征应用于灌溉耕地提取还鲜有报道，仅董婷婷[25]对纹理特征有所尝试，但他们同时也指出，该特征受到地理位置制约，难以统一描述；贾坤等[41]也认为，受到度量方法、数据来源、波段和窗口尺寸等参数的影响，地块特征的选择十分困难，相关研究多处于提取特征的方法设计阶段，实际应用还有待深入研究。

4 结 论

本研究应用一种以NDVI峰值作为区分灌溉与雨养耕地的唯一特征参量的数据融合方法，提取中国灌溉耕地空间分布，并就其分类结果与同类产品及该方法在不同地区的应用效果进行了比较，并分析了影响分类精度的可能原因。该方法具有输入简单，对训练样本的依赖少，计算快速的优点，局地内限制运算范围在一定程度上减少了不同耕作模式、气候等地理或农业生产方式的差异带来的消极影响。相比非遥感数据融合得到的产品，该方法在提高了数量精度的同时，能提供更详细的空间分布信息；相比同类遥感产品，该方法能在保持空间精度的同时，提高与统计数据的匹配水平。但与方法在其他地区的应用效果有一定差距，分析认为耕地掩膜精度、参量数据的分布假设和指标选择是误差的主要来源。全国总体精度64.20%，各省精度极差为48.35%。

对方法的改良，可在保持统计数据总量控制和以局地作为分类基础单元的前提下，从以下几方面进行：1）选择区域最优的耕地空间分布数据；2）在分类前，结合利用当地农业生产相关和影像数据，收集和挖掘作物信息，获取灌溉与地理条件和作物等的关联信息等先验知识，对部分地区或象元进行预判；3）优选分类参量，调整数据分布假设，通过提升特征空间的维度，对目标类别在特征空间的分布中与非目标类别混淆的部分进行更细致的剥离。

[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，左丽君，张增祥. MODIS数据的水浇地提取[J]. 遥感学报，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] 陈军，陈晋，廖安平，等. 全球30m地表覆盖遥感制图的总体技术[J]. 测绘学报，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] 高占义，穆建新. 中国的灌溉发展及其作用[C]. 世界水论坛中国代表团，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. 中国水浇地和旱地的遥感分类及其景观格局研究[D]. 北京：中国科学院，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] 全国县级种植业区划工作要点[J]. 中国农业资源与区划，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，吴文斌，余强毅，等. 1980－2010年中国耕地复种可提升潜力空间格局变化[J]. 中国农业资源与区划，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] 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[J]. 中国科学：地球科学，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] 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[J]. 资源科学，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] 贾坤，李强子，田亦陈，等. 遥感影像分类方法研究进展[J]. 光谱学与光谱分析，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] 卫炜，吴文斌，李正国. 时间序列植被指数重构方法比对研究[J]. 中国农业资源与区划，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，景元书，杨沈斌. 基于多时相遥感数据提取水稻种植面积的研究[J]. 中国农业资源与区划，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] 林文鹏，王长耀，储德平，等. 基于光谱特征分析的主要秋季作物类型提取研究[J]. 农业工程学报，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)

刘逸竹，吴文斌，李召良，周清波. 基于时间序列NDVI的灌溉耕地空间分布提取[J]. 农业工程学报，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

测绘地理信息公益性行业科研专项：全球地表覆盖数据分析研究（2015A10129）

刘逸竹，女，湖北人，博士生，研究方向为农业遥感。 Email：liuyizhu1989@hzau.edu.cn

周清波，男，湖南人，研究员，博士，研究方向为农作物和农情遥感监测、土地资源监测与评价、灾害监测与评估等。Email：zhouqingbo@caas.cn