基于Landsat 8卫星数据的解放闸灌域灌溉面积监测研究

图1 解放闸灌域遥感影像

Fig.1 Landsat 8 image of Jiefangzha Irrigation district

河套灌区分夏季灌溉和秋季浇灌^［6-8］，其中夏灌是在作物3月份左右种植后进行的灌溉，包括多轮放水，7月和8月是最为重要的四轮和五轮放水，到9月初，作物开始进入收获阶段，9月底左右，作物全部收获完毕。秋浇是河套灌区灌溉工程中关系到农业生产的一个重要环节，一般是在9月中旬至11月中旬对灌区进行灌溉，用水量占全年灌溉用水的1/3，对灌区第二年开春的农田保墒和春播具有积极作用（巴彦淖尔市政府（http：∥www.bynr.gov.cn/）、河套灌区管理总局（http：∥www.zghtgq.com/））。

2.2　数据来源

实验的遥感影像数据选择Landsat 8陆地卫星，（https：∥earthexplorer.usgs.gov/），行列号为129031和129032。

由于秋浇阶段灌区内并无农作物，故本实验选取2017年7月~9月即夏灌四、五轮放水期间的可用无云Landsat 8数据共4景（表1），利用ENVI软件对数据进行定标、大气订正、镶嵌裁切等操作^［22-23］。

表1 Landsat 8数据列表

Table 1 Landsat 8 data

序号	成像时间	分辨率/m
1	2017-07-04	30
2	2017-08-05	30
3	2017-09-06	30
4	2017-09-22	30

新窗口打开| 下载CSV

2.3　模型方法

2.3.1　温度植被干旱指数TVDI

Sandholt等^［12］基于地面温度LST和归一化植被指数NDVI的二维分布图，提出了温度植被干旱指数（TVDI），用于估算地表土壤含水量和进行干旱监测。

T V D I = \frac{L S T - L S T_{m i n}}{L S T_{m a x} - L S T_{m i n}}

(1)

L S T_{m i n} = a + b \times N D V I

(2)

L S T_{m a x} = c + d \times N D V I

(3)

T V D I = \frac{L S T - (a + b \times N D V I)}{(c + d \times N D V I) - (a + b \times N D V I)}

(4)

其中：NDVI是归一化植被指数；LST代表像元的地面温度，反演方法选用大气校正法^［24-25］；对每一个NDVI值，分别提取地表温度最小值LST_min和最大值LST_max，对所有最小值和最大值分别进行干湿边拟合，此时TVDI值分别为0和1，a、b、c、d为拟合方程的系数。

TVDI值在0和1之间，与土壤湿度呈负相关关系。TVDI值为1时，代表在干边上，即斜边；当TVDI值为0时，代表在湿边上，即平行于X轴的直角边。

2.3.2　修正的垂直干旱指数MPDI

在光谱空间内，植被对红光波段有强吸收作用而对近红外波段有强反射作用。根据此规律，Ghulam等提出垂直干旱指数（Perpendicular Drought Index，PDI）用来监测干旱情况。在NIR-Red二维空间散点图上，像元点的整体形状近似为三角形，PDI平行于土壤线（图2），表示像元含水量在NIR-Red二维特征空间^［26］的分布情况，其公式表示为：

P D I = \frac{1}{\sqrt[]{M^{2} + 1}} (R_{R e d} + M R_{N I R})

(5)

图2

图2 NIR-Red特征空间和PDI示意图

Fig.2 Schematic diagram of PDI

为弥补PDI对植被覆盖较大地区监测效率低的不足，Ghulam等又在PDI基础上提出了修正的垂直干旱指数（MPDI）：

M P D I = \frac{R_{R e d} + M R_{N I R} - f_{v} (R_{R e d, v} + M R_{N I R, v})}{(1 - f_{v}) \sqrt[]{M^{2} + 1}}

(6)

其中：M是土壤线的斜率，由土壤点线性回归得到； $R_{R e d}$ 和 $R_{N I R}$ 是影像红和近红外波段的反射率； $R_{R e d, v}$ 和 $R_{N I R, v}$ 是植被在红和近红外波段的反射率，在某种长势条件下可近似为固定参数，本文分别取值为0.05和0.50^［27-28］； $f_{v}$ 为植被覆盖度，采取Carlson^［21］提出的计算方法：

f_{v} = \frac{N D V I - N D V I_{s}}{N D V I_{v} - N D V I_{s}}

(7)

其中： $N D V I_{v}$ 、 $N D V I_{s}$ 分别为植被和裸土的NDVI，取值为0.65和0.2^［27］。基于解放闸灌域植被覆盖面积较大，本研究选取MPDI进行计算。

2.3.3　灌溉面积提取模型

TVDI和MPDI能指示土壤的含水量，TVDI或MPDI越小，土壤含水量越大，说明越湿润。利用这一点，将计算得到的前后两时相干旱指数影像进行波段相减，如新得到影像中像元值为正的，表示该像元前期的干旱指数值大于后期，土壤含水量增加，说明该像元处可能进行过灌溉，故根据两干旱指数前后时相的差异，建立灌溉面积遥感提取模型，如下：

I₁=TVDI_t1-TVDI_t2(8)

I₂=MPDI_t1-MPDI_t2(9)

其中：I是某个像元是否受到灌溉的依据，I越小表示该像元处受灌溉影响越小；TVDI_t1和MPDI_t1是前期影像的干旱指数；TVDI_t2和MPDI_t2是后期影像的干旱指数，理论上，I>0表示像元处后期较前期湿润。

土壤含水状态的改变并不全是由灌溉行为导致的，还容易受图像解译精度和前后两景影像获取时间差异等因素的影响。为了消除这些干扰因素的影响，模型构建时还需设立一个阈值，只有干旱指数改变量大于这个阈值时，才能判断该像元处是因为经历或没经历过灌溉而导致的土壤水分变化。阈值选取需要结合研究区实际土壤、降水和灌溉情况，如果选取过大，已浇灌的区域会被认为没有发生灌溉，相反未浇灌的区域也会被认为进行灌溉。

阈值按如下方法确定：在研究区内设30个调查点，确定并记录调查点上的灌溉情况。30个调查点包含了种植地、裸地及建筑物等土地利用类型。将前后时相干旱指数影像进行相减，得到30个调查点的干旱指数差值。通过调整阈值I，使30个点的灌溉情况判断结果与实际灌溉情况一致的点数目最多，此值即作为用于提取实际灌溉面积的最终阈值。总体灌溉面积提取流程图如图3所示。

图3

图3 灌溉面积提取流程图

Fig.3 Experimental flow chart

3 结果与分析

3.1　NDVI-LST特征空间

利用4期影像的NDVI和地表温度LST，提取最大地表温度LST_max和最小地表温度LST_min，并以NDVI为X轴，LST为Y轴建立LST-NDVI二维特征空间分布图（图4）。不同日期的LST-NDVI二维特征空间存在共同点：随着NDVI的增大，LST_min和LST_max的趋势线逐渐交汇于一点，形成近似的三角形形状。

图4

图4 不同时相的NDVI-LST特征空间干边和湿边分布

Fig.4 Dry-edge and wet-edge fitting of NDVI-LST spatial pattern

通过综合各二维特征空间可以发现，因为每一个不同的NDVI值都对应着不同数量的像元，所以不同日期的特征空间中像元点分布整体相似但不相同；而且当NDVI介于0和1之间时，LST最大值和最小值与NDVI存在相反的线性关系，并随着NDVI增大而逐渐接近交于一点，表示NDVI-LST二维特征空间的确存在三角形的关系。

3.2　TVDI与MPDI计算和分析

通过ENVI波段运算进行TVDI和MPDI的计算，得到研究区TVDI和MPDI影像，求取每期影像TVDI和MPDI的平均值并绘制成时间序列曲线（图5）。

图5

图5 TVDI与MPDI均值

Fig.5 Mean of TVDI and MPDI

通过对比图5曲线，可以发现两个干旱指数趋势一致：7月4日至9月6日均呈依次递减趋势，9月6日至9月22日呈上升趋势，说明7月4日至9月6日灌区干旱程度一直在下降，可以初步说明进行了灌溉。此外，在9月6日至9月22日，两指数虽然都上升，但很明显TVDI上升幅度要大于MPDI。研究发现，9月份是灌区农作物收割的季节，9月22日时灌区作物已经基本收割完成，地表覆盖为裸土、道路和城区，此时干旱指数并不能很好地反映灌区干旱状况，尤其是MPDI受裸土影响，其值上升不会很明显，所以该均值趋势较为合理。

3.3　灌溉面积提取及分析

利用TVDI和MPDI，构建灌溉面积监测模型并根据式（8）和（9）设定差异阈值。在研究区内选取30个调查点，分别确认其灌溉情况。因7月4日至9月6日期间，三期影像的干旱指数均呈下降趋势，故在此时段内通过调整阈值使灌溉面积提取结果与30个调查点调查结果一致性最高，最终确定TVDI的阈值为0.04，MPDI的阈值为0.08。利用上述阈值对影像进行分类显示，结果如图6，其中绿色部分为大于阈值的区域，即灌溉区域，提取其面积。

图6

图6 灌溉面积提取结果

Fig.6 The extraction results of the irrigation area

据河套灌区管理总局官网中解放闸灌域分中心简介（http：∥www.zghtgq.com/），解放闸灌域现有灌溉面积为1.24×10³km²。经统计，将监测灌溉面积与真实灌溉面积进行比对（表2），基于TVDI的监测模型准确率为82.96%，MPDI监测模型的准确率为74.01%。其中两个模型监测面积均小于真实灌溉面积。通过调查，河套灌区每年灌溉面积的统计结果都是经实地测量并逐级上报得到，实际灌溉地区及面积受多种因素影响每年均不相同，尤其是部分地区作物缺水严重，经济价值远小于引水灌溉的价值，实际上并没有进行灌溉，故存在少许人为误差，所以监测灌溉面积小于真实灌溉面积是合理的。

表2 7月4日~9月6日监测灌溉面积与实际灌溉面积比较

Table 2 Comparison of monitoring irrigation area and real irrigation area from July 4 to September 6

阈值I	真实灌溉面积 /km²	监测灌溉面积 /km²	监测准确率 /%
I_TVDI	1 240	1 028.66	82.96
I_MPDI	1 240	917.75	74.01

新窗口打开| 下载CSV

从灌溉面积监测准确率来看，TVDI的准确率要大于MPDI，但通过对比图6灌溉区域的空间分布，发现两种指数提取的灌溉地空间分布相差较大，且单一的灌溉面积精度对比不能很好地证明结果可靠性。研究进一步通过混淆矩阵及多种精度指标来评价灌溉面积提取的结果，包括总体精度（Overall Accuracy，简称OA）、用户精度（User’s Accuracy，简称UA）、制图精度（Producer’s Accuracy，简称PA）、误分率（1-OA）、错分率（1-UA）及漏分率等（1-PA）。

在灌溉地提取结果影像上随机均衡选取5个小区域作为验证区，并在Google Earth上下载3 m高分辨率影像，各小区域尽可能选取夏季7~9月灌溉时间段内与研究时相最为接近的日期，如图7所示。利用目视解译的方法将在大片作物范围内且颜色较深绿、纹理清晰的像素点判识为灌溉区域；将非作物类地物和破碎田块且颜色浅绿的像素点判识为非灌溉区，最后将其重采样到30 m分辨率，作为地面真实数据。分别将5个区域与相应重采样后的Google Earth数据叠加计算混淆矩阵，灌溉区域提取的各精度指标结果如表3所示。

图7

图7 Google Earth影像

Fig.7 Google Earth Image

表3 两种干旱指数下灌溉区域提取精度

Table 3 The monitoring accuracy of irrigation area

	总体精度 /%	用户精度 /%	制图精度 /%	误分率 /%	错分率 /%	漏分率 /%
TVDI	58.90	45.69	41.68	41.10	54.31	58.32
MPDI	94.17	95.12	89.28	5.83	4.88	10.72

新窗口打开| 下载CSV

对比表2、表3可以发现，从总的灌溉面积监测准确率来看，TVDI精度要大于MPDI，但从灌溉区域的空间分布来看，引入植被覆盖度的MPDI总体精度为94.17%，相比TVDI的58.90%要更高，监测的灌溉地分布也更为合理，因为它更符合实际作物的空间分布，很好地剔除掉了非作物的像元再进行监测；而TVDI的监测结果受混合像元影响绿色部分分布很不均匀，并且有更多的错分漏分情况。该结果表明引入植被覆盖度的干旱指数MPDI能更好的反映一个地区的干旱情况，相比TVDI受非作物地物尤其是裸土的影响会更小。

4 讨　论

干旱灾害过程复杂、持续时间长、影响范围广且破坏性大，已经成为影响我国经济发展和农业生产的主要问题之一。利用遥感技术进行干旱灾害的监测和灌区灌溉面积的提取，可以有效地避免或减少因干旱造成的粮食减产和灌区水资源浪费等问题。

本研究基于温度植被干旱指数TVDI和修正的垂直干旱指数MPDI的理论原理和计算方法，以内蒙古自治区河套灌区解放闸灌域作为研究区域，通过计算两干旱指数来监测2017年夏季7月~9月研究区的旱情并提取了灌区的灌溉面积。根据研究结果发现：

（1）两种干旱指数在夏季作物生长期内的计算结果合理，且变化趋势较为一致，说明两干旱指数用于灌区干旱监测的可行性。

（2）基于两干旱指数前后时相的变化建立了解放闸灌域的灌溉面积提取模型，分别计算出2017年7月~9月研究区夏灌四五轮放水的灌溉面积，并与真实的灌溉面积进行对比，监测准确率较为可靠，分别为82.96%和74.01%。

（3）以Google Earth高分辨率数据作为真值进一步在灌溉地空间分布上进行分析，结果显示相比TVDI，MPDI的灌区提取分布更为合理，总体精度达94.17%，高于TVDI的58.90%。

综上所述，说明两种干旱指数均可用于干旱监测和灌溉面积提取，但相比TVDI，MPDI因引入植被覆盖度进行计算，受非作物的影响会更少，能更好地反映一个地区的干旱和灌溉情况。

5　结　论

基于干旱指数的变化来监测灌区干旱情况和灌溉面积，该方法方便快捷，结果较精确，能够弥补传统灌区土壤含水量及灌溉面积监测的缺陷。

灌区的干旱监测和灌溉面积的提取是一个持久的话题，该研究也存在一些不足之处，故在今后的研究中可以从以下3个方面进行：

（1）在遥感卫星数据的选择上，Landsat 8虽然空间分辨率能满足监测的需要，但是时间分辨率不高，在研究区夏季作物生长期内可用的数据较少，故下一步可增加数据源，比如高时间分辨率的MODIS数据，将其进行重采样后作为辅助数据，再结合Landsat 8数据进行分析。

（2）本研究只计算了TVDI与MPDI两种干旱指数进行对比和分析，且相比MPDI，TVDI虽然在灌溉面积监测准确率精度较高，但从灌溉地的空间分布和计算的混淆矩阵及多种精度评价指标来看，误差比较大。综合来看两指数各有优劣，故可再选取多种不同的干旱指数进行叠加分析。比如考虑土壤水分的土壤湿度亏缺指数（Soil Moisture Deficit Index，SMDI）和利用3个波段以提高对干旱反映敏感度的归一化多波段指数（Normalized Multi-band Drought Index，NMDI）等。

（3）研究虽然选取降水量较少的西北内陆地区，但仍不能完全避免降水因素导致的精度变化，故可进一步考虑气象因子或利用实际降水量，叠加降水模型以减轻其影响等。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Guan

， Zang

， Meng

， et al.

Study on spatiotemporal distribution characteristics of flood and drought disaster impacts on agriculture in China

［J］. International Journal of Disaster Risk Reduction， 2021， 64： 102504. DOI： 10.1016/j.ijdrr.2021.102504 .

[2]

Zhao

， Wang

， Hu

， et al.

Joint probability of drought encounter among three major grain production zones of China under nonstationary climate

［J］. Journal of Hydrology， 2021， 603： 126995. DOI： 10.1016/j.jhydrol.2021.126995 .

[3]

Han

， Zhang

， et al.

Drought area， intensity and frequency changes in China under climate warming， 1961–2014

［J］. Journal of Arid Environments， 2021， 193： 104596. DOI： 10.1016/j.jaridenv.2021.104596 .

[4]

Qin

Zhihao

， Tang

Huajun

， Li

Wenjuan

Front issues in studying the impacts of climate change on grain farming system in China

［J］. Chinese Journal of Agricultural Resources and Regional Planning， 2015， 36（1）：1-8.

覃志豪，唐华俊，李文娟．

气候变化对我国粮食生产系统影响的研究前沿

［J］．中国农业资源与区划，2015，36（1）：1-8.

[5]

Tuya

Wulan

， Yu

Lifeng

， Wu

Lan

Drought analysis of HeTao irrigation district based on Landsat8 TVDI—Taking Linhe district as an example

［J］. Chinese Journal of Agricultural Resources and Regional Planning， 2017， 38（5）：123-127.

乌兰吐雅，于利峰，乌兰等.

基于Landsat8 TVDI的河套灌区旱情分析——以临河区为例

［J］. 中国农业资源与区划，2017，38（5）：123-127.

[6]

Xiong

， Xu

， Engel

， et al.

Modeling agro-hydrological processes and analyzing water use in a super-large irrigation district （Hetao） of arid upper Yellow River basin

［J］. Journal of Hydrology，2021，603：127014. DOI：10.1016/j.jhydrol. 2021.127014 .

[7]

Zhongyi

， Yang

Xiao

， Huang

Yongjiang

Analysis and assessment of water-saving project of Hetao Irrigation district in Inner Mongolia

［J］. Transactions of the Chinese Society for Agricultural Machinery，2015，46（4）：70-76，112.

屈忠义，杨晓，黄永江.

内蒙古河套灌区节水工程改造效果分析与评估

［J］.农业机械学报，2015，46（4）：70-76，112.

[8]

Liu

Haiqi

， Wang

Yingchun

The comprehensively analysis of development potential in husbandry and supporting capacity of water resources in Northwest of China

［J］.Chinese Journal of Agricultural Resources and Regional Planning，2015，36（3）：1-9.

刘海启，王迎春.

我国西北旱区农牧业综合开发潜力分析及水资源支撑能力研究

［J］.中国农业资源与区划，2015，36（3）：1-9.

[9]

Zhang

， Dong

， Zuo

， et al.

Tracking spatiotemporal dynamics of irrigated croplands in China from 2000 to 2019 through the synergy of remote sensing， statistics， and historical irrigation datasets

［J］. Agricultural Water Management， 2022， 263： 107458. DOI： 10.1016/j.agwat.2022.107458 .

[10]

Shao

Qiufang

， Ma

Zelong

， Jing

Qin

Application of remote sensing technology in irrigation system information

［J］. Techenical Supervision in Water Resources，2018（4）：52-53，82.

邵秋芳，麻泽龙，敬琴.

遥感技术在灌区信息化中的应用

［J］.水利技术监督，2018（4）：52-53，82.

[11]

Han

Zhe

Research on management system reform of rural small water infrastructures

［D］. Changsha： Hunan University，2011.

韩哲

小型农村水利工程管理体制改革研究

［D］.长沙：湖南大学，2011.

[12]

Sandholt

， Rasmussen

， Andersen

A simple interpretation of the surface temperature/vegetation condition index space for assessment of surface moisture status

［J］. Remote Sensing of Environment， 2002， 78（2）：213-224. DOI： 10.1016/S0034-4257（01）00274-7 .

[13]

Ghulam

Abduwasit

， Qin， Qiming， Zhiming.

Modified perpendicular drought index： A real-time drought monitoring method

［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2007，62：150-164. DOI：10.1016/j.isprsjprs. 2007. 03.002 .

[14]

Wei

， Zhang

， Zhou

， et al.

Comparative evaluation of drought indices for monitoring drought based on remote sensing data

［J］. Environmental Science and Pollution Research， 2021，28（16）：20408-20425. DOI：10.1007/s11356-020-12120-0 .