陳曉璐,王彥芳,張紅梅,劉峰貴,沈彥俊

(1.青海師范大學(xué)地理科學(xué)學(xué)院 西寧 810008;2.中國科學(xué)院遺傳與發(fā)育生物學(xué)研究所農(nóng)業(yè)資源研究中心 石家莊050022;3.河北地質(zhì)大學(xué)土地科學(xué)與空間規(guī)劃學(xué)院/自然資源與環(huán)境遙感研究中心 石家莊 050031;4.河北省農(nóng)村供水總站 滄州 062152)

在半干旱地區(qū),耕地灌溉面積的擴大導(dǎo)致區(qū)域內(nèi)湖泊干涸和地下水下降等生態(tài)問題日益嚴重。內(nèi)蒙古高原邊緣地帶(壩上高原區(qū))地處農(nóng)牧交錯區(qū),具有自然地理環(huán)境簡單、抗干擾能力差、生態(tài)環(huán)境脆弱等特點。據(jù)《水資源公報》《內(nèi)蒙古統(tǒng)計年鑒》和《河北農(nóng)村統(tǒng)計年鑒》統(tǒng)計,該地區(qū)近二十年來灌溉面積增加了1倍,機電井增加約1966眼,且用于灌溉的淺井逐漸干涸、報廢,淺層地下水浪費嚴重[1]。劉淑慧[2]在2008年的研究中提到,1996年以前,壩上高原區(qū)并沒有采取任何節(jié)水灌溉措施,均采用傳統(tǒng)的大水漫灌方式。并且自20世紀(jì)50年代以來流域內(nèi)湖泊面積不斷縮小,大部分永久性湖泊變?yōu)榧竟?jié)性湖泊,即時令湖[3]。所以,灌溉雖然能補充農(nóng)作物因缺水等因素產(chǎn)量較低的缺陷,但也造成了水資源的浪費[4]。此外,該區(qū)域也是京津風(fēng)沙的主要來源地[5],大規(guī)模發(fā)展灌溉農(nóng)業(yè)使得該流域地下水資源不斷耗散、湖泊大量萎縮甚至干涸,土地荒漠化現(xiàn)象嚴重[6]?；谝陨锨闆r,調(diào)查灌溉耕地面積的變化可以為該地區(qū)農(nóng)業(yè)耗水管理提供關(guān)鍵數(shù)據(jù)支持。本研究選取內(nèi)蒙古邊緣地帶的察汗淖爾流域為研究對象,利用遙感數(shù)據(jù)提取灌溉耕地的空間分布,探索復(fù)雜多樣作物種植情況下的灌溉耕地提取方法。

歸一化植被指數(shù)(NDVI)時間序列在提取灌溉耕地分布研究中應(yīng)用較早,主要是利用分辨率為1 km的美國國家海洋大氣局高分辨率輻射(NOAAAVHRR)和來自SPOT傳感器的全球植被覆蓋觀測(SPOT-VGT)遙感數(shù)據(jù)[7-8]。隨后,又出現(xiàn)對農(nóng)作物較為精細觀測的MODIS NDVI數(shù)據(jù),用于灌溉作物區(qū)域時空分布的提取[9]。目前發(fā)布的灌溉耕地分布產(chǎn)品范圍大多為全球,以GMIA2.0-GMIA5.0為代表,方法主要以統(tǒng)計數(shù)據(jù)的空間分布為主[10]。Pervez等[11]通過將遙感數(shù)據(jù)和統(tǒng)計數(shù)據(jù)進行融合,計算NDVI最大值并且與美國農(nóng)業(yè)部(USDA)統(tǒng)計數(shù)據(jù)進行循環(huán)對比,得到美國灌溉耕地分布圖。劉逸竹等[12]使用Pervez等[11]提出的方法,提取了中國灌溉耕地的分布,并驗證了該方法的應(yīng)用效果和制圖精度誤差的原因。潘學(xué)鵬等[13]和王紅營等[14]通過MODIS NDVI時序曲線探討了華北平原主要耗水作物的遙感提取方法,并對該方法進行了應(yīng)用與驗證。以上研究用到的AVHRR和MODIS數(shù)據(jù)具有長時間序列但低空間分辨率的特點,而Landsat數(shù)據(jù)分辨率較高卻受到云和其他因素的干擾導(dǎo)致時間序列上的不足。針對這一問題,Gao等[15]提出了基于MODIS和Landsat數(shù)據(jù)進行融合得到高時空分辨率數(shù)據(jù)的自適應(yīng)遙感影像融合模型STARFM(spatial and temporal adaptive reflectance fusion model)。但該模型在地表覆蓋度復(fù)雜的情況下預(yù)測結(jié)果較弱,為改進這一算法,Zhu等[16]在STARFM的基礎(chǔ)上提出了增強型時空遙感自適應(yīng)模型ESTARFM(enhanced spatial and temporal adaptive reflectance fusion model)。郝貴斌等[17]利用ESTARFM算法提取西藏色林錯湖2000—2014年湖泊水體面積信息,為時空融合數(shù)據(jù)在監(jiān)測湖泊變化方面的應(yīng)用提供了參考。郭嬌[18]利用ESTARFM模型對西安地區(qū)植被覆蓋度進行了遙感估算并應(yīng)用到該地區(qū)的土壤侵蝕量計算中。劉詠梅等[19]利用ESTARFM融合模型得到陜北黃土高原ESTARFM NDVI時序數(shù)據(jù),分析了陜北黃土高原植被覆蓋時空變化以及對氣候因子的響應(yīng)。陳夢露等[20]通過ESTARFM模型在新疆地區(qū)開展了NDVI的應(yīng)用,驗證了ESTARFM模型在不同區(qū)域狀況地區(qū)的適用性,并且利用生成的30 m時空分辨率NDVI數(shù)據(jù)進行作物分類和長勢檢測。

以上學(xué)者對該數(shù)據(jù)融合模型的研究集中在湖泊和植被覆蓋的應(yīng)用中,對于灌溉耕地的提取僅有個例[21]。而壩上高原灌溉耕地面積迅速擴大,對水資源的消耗引發(fā)的生態(tài)環(huán)境問題日益嚴重。但是該區(qū)域耕地種植類型復(fù)雜多樣,農(nóng)作物特征識別容易受異物同譜影響,利用分辨率低的MODIS NDVI數(shù)據(jù)難以獲取灌溉耕地的空間分布,Landsat數(shù)據(jù)又面臨時間分辨率低這一困難?；谶@一不足,本研究選取典型內(nèi)流區(qū)的察汗淖爾流域,通過提高數(shù)據(jù)分辨率的ESTARFM融合方法獲得研究區(qū)內(nèi)高時空分辨率的NDVI時間序列,利用支持向量機方法提取察汗淖爾流域灌溉耕地的空間分布并驗證,以彌補數(shù)據(jù)源、特征提取等限制因素對復(fù)雜灌溉耕地提取的空缺。

1 研究區(qū)域概況與數(shù)據(jù)來源

1.1 研究區(qū)域概況

察汗淖爾流域?qū)儆趦?nèi)蒙古高原向冀北山地過渡區(qū),包括內(nèi)蒙古的商都縣、化德縣、興和縣、察哈爾右翼前旗、后旗、錫林郭勒盟的鑲黃旗以及河北省張家口市的康?？h、尚義縣和張北縣部分地區(qū)(圖1)。由于受蒙古高壓的長期控制,形成了低溫、少雨、多風(fēng)、高蒸發(fā)的氣候特征。年均氣溫?0.3～3.7 ℃,年降水量小于400 mm,年均水面蒸發(fā)量達1735.7 mm,為降水量的4.75倍[22]。農(nóng)作物以“一薯兩菜”特色產(chǎn)業(yè)為主,受旱狀況十分嚴重。除天然降雨外,通過灌溉補充農(nóng)作物所需要的水分以及提高產(chǎn)量是該流域內(nèi)普遍的措施。

1.2 數(shù)據(jù)來源

本研究所用遙感數(shù)據(jù)主要為美國地質(zhì)調(diào)查局(http://glovis.usgs.gov)空間分辨率為30 m的Landsat OLI數(shù)據(jù),選取2017年4月、8月、9月的3幅影像,云量小于10,行列號為125/31。經(jīng)過輻射定標(biāo)、大氣校正等數(shù)據(jù)預(yù)處理后計算NDVI,并將4月和9月作為ESTARFM模型的輸入數(shù)據(jù),8月作為結(jié)果的驗證數(shù)據(jù)。MODIS數(shù)據(jù)是MOD09Q1產(chǎn)品,來自美國國家航天局(https://ladsweb.modaps.eosdis.nasa.gov/),分辨率為250 m和8 d。利用MRT(MODIS Reprojection Tool)重新投影為UTM-WGS84后,選擇紅外波段(b1)和近紅外波段(b2)計算NDVI,在ENVI中進行裁剪、重采樣后與Landsat分辨率、像元大小與投影方式保持一致作為ESTARFM模型的另一輸入數(shù)據(jù)。融合后的結(jié)果利用來自FROM-GLC10 v0.1全球土地覆蓋產(chǎn)品(http://data.ess.tsinghua.edu.cn/)提取耕地作為掩膜后進行作物分類,最后利用實地調(diào)研數(shù)據(jù)對提取結(jié)果進行驗證。

2 研究方法

2.1 ESTARFM模型算法

增強型自適應(yīng)反射率時空融合模型(enhanced spatial and temporal adaptive reflectance fusion model,ESTARFM)是在STARFM上進行升級,改進地表異質(zhì)性對數(shù)據(jù)融合產(chǎn)生誤差的缺點[23],以提高目前存在的空間分辨率低的現(xiàn)狀。其原理主要是針對混合像元的問題,充分考慮臨近像元和目標(biāo)像元之間的地理距離、光譜距離和時間距離之間的異同[16],計算出目標(biāo)時期的Landsat影像。將Landsat和MODIS影像傳感器之間的偏差最大程度地減小從而進行時空分辨率融合運算[15],融合后的NDVI數(shù)據(jù)彌補了因空間分辨率低像元識別困難和時間分辨率低作物生育期變化曲線難以完整獲取的不足。ESTARFM模型先后輸入兩組對應(yīng)日期的高空間、低時間和高時間、低空間影像,以及要預(yù)測的目標(biāo)日期對應(yīng)的MODIS影像數(shù)據(jù),從而模擬出研究所需要的缺失遙感影像。假設(shè)兩組影像之間的反射率差異僅僅是由不同影像之間地表反射率存在的偏差引起,且在兩個時期之間影像并未產(chǎn)生較大差異[13],如公式(1)所示:

式中:L、M分別表示Landsat與MODIS影像,(x,y)為像元位置,B表示影像各波段,to、tp分別為兩幅影像相對應(yīng)的時間,a為轉(zhuǎn)換系數(shù),其值由傳感器之間系統(tǒng)偏差所引起。

考慮了復(fù)雜的地表覆蓋情況,在公式(1)基礎(chǔ)上加入能反映具體像元反射率變化的轉(zhuǎn)換系數(shù)如公式(2)所示,通過設(shè)置移動窗口自動搜索每個相似像元進行加權(quán)總和得到能預(yù)測不同地表覆蓋下2個日期之間的任一時間影像,如公式(3)所示。

式中:v(x,y)是混合像元第i個相似像元的轉(zhuǎn)換系數(shù),N是預(yù)測的相似像元總數(shù),(xi,yi)是第i個相似像元的位置,W是第i個相似像元的權(quán)重,vi是第i個相似像元的轉(zhuǎn)換系數(shù)。

第1個時期m時刻Landsat與tp時刻的MODIS來預(yù)測tp時刻Landsat影像的反射率,記為,第2個時期n時刻的兩幅影像與tp時刻的Landsat影像的反射率,記為[24-26]。

將以上兩個預(yù)測結(jié)果進行加權(quán)計算得到更加精確的tp時刻Landsat影像的反射率。根據(jù)tm和tn與預(yù)測時刻tp之間MODIS影像反射率的差異計算權(quán)重,如公式(4)所示。

由公式(5)預(yù)測中心像元反射率。

Landsat和MODIS數(shù)據(jù)經(jīng)過預(yù)處理后作為ESTARFM模型輸入數(shù)據(jù),經(jīng)過計算得到預(yù)測日期的MODIS NDVI后與真實Landsat NDVI進行驗證。ESTARFM模型有IB(index-then-blend)和BI(blend-then-index)兩種方法,IB是利用原始遙感影像計算所需指數(shù),再將計算好的指數(shù)輸入到模型中;BI是將原始遙感影像輸入到模型中,得到融合后的影像再計算所需指數(shù)。由于運用ESTARFM模型時IB準(zhǔn)確性高且計算時間短[23],所以本研究通過ESTARFM-IB方式進行NDVI預(yù)測。

2.2 基于支持向量機的灌溉耕地提取方法

支持向量機(support vector machine,SVM)是監(jiān)督分類中用于遙感影像分類的機器學(xué)習(xí)算法[27],在最大程度減小誤差的基礎(chǔ)上進行最優(yōu)分類。通過選擇訓(xùn)練樣本實現(xiàn)遙感影像提取不同地物類型的結(jié)果,在區(qū)域尺度研究中有重要應(yīng)用[28]。支持向量機適用廣泛,除了對遙感影像進行特征識別、提取外,還可以應(yīng)用于人臉識別和文本識別[29]。并且在訓(xùn)練樣本不足的情況下依然能達到誤差較小的分類結(jié)果[30]。

本研究根據(jù)數(shù)據(jù)融合模型ESTRAFM模擬得到的NDVI時間序列數(shù)據(jù)變化特征,選擇灌溉耕地和雨養(yǎng)耕地樣本。灌溉耕地主要種植馬鈴薯(Solanum tuberosum)、甜菜(Beta vulgaris)、葵花(Helianthus annuus)和一些蔬菜[芹菜(Apium graveolens)、蘿卜(Raphanus sativus)、甘藍(Brassica oleracea)和大白菜(Brassicapekinensis)],雨養(yǎng)耕地主要種植莜麥(Avena sativa)、小麥(Triticum aestivum)和胡麻(Sesamum indicum),這些主要作物的生育期見表1,蔬菜的生育期均為5月下旬到8月上旬,各生育階段接近,NDVI曲線沒有明顯差別,后面的結(jié)果提取沒有具體劃分。莜麥、小麥和胡麻的生育期均在4月下旬到8月下旬,NDVI變化趨勢較為一致難以區(qū)分,因此將其作為雨養(yǎng)耕地這一大類進行提取。其中,灌溉耕地作物在生長期進行分階段灌溉,NDVI曲線上升快,先達到峰值,雨養(yǎng)耕地作物在前期生長較慢,峰值靠后。根據(jù)這一變化趨勢并結(jié)合作物生育期數(shù)據(jù),通過ESTARFM數(shù)據(jù)融合模型得到的NDVI時間序列曲線,選擇共353個訓(xùn)練樣本點并進行分離度檢驗,其分離度計算結(jié)果達1.9則表明所選的樣本分離性較好,可以進行分類。若分離度計算結(jié)果小于1.8,則需要重新選擇訓(xùn)練樣本[31]。將分離度大于1.9的樣本輸入支持向量機,通過在內(nèi)部建立的最優(yōu)函數(shù)進行特征識別,選擇最合適的核函數(shù)求解[32],最后得到分類結(jié)果并進行精度驗證。

2.3 精度評價方法

混淆矩陣通常用于遙感數(shù)據(jù)分類結(jié)果的精度評價[33],通過建立n行n列的矩陣來清晰表達正確分類樣本與錯分、漏分誤差,并且構(gòu)建總分類精度(overall accuracy,OA)、Kappa系數(shù)、用戶精度(user accuracy,UA)和制圖精度(producer accuracy,PA)4個指標(biāo)來評價其分類結(jié)果的精度[34],具體公式如下:

?

式中:OA表示每一個樣本的分類結(jié)果與真實樣本一致的概率;xii為i類樣本正確分類的像元數(shù)量;N為對應(yīng)像元總量;ix+為驗證樣本中i類的像元總數(shù);x+i為分類結(jié)果中i類的像元總數(shù)。K值越大,表明分類結(jié)果與實際結(jié)果越接近,＜0.4則表示結(jié)果無效;UA表示某一分類結(jié)果相對于實際結(jié)果的精確度;PA表示實際結(jié)果的任意像元,即分類結(jié)果與其一致的概率。

3 結(jié)果與分析

3.1 ESTARFM模型融合結(jié)果與分析

為驗證ESTARFM模型融合結(jié)果的精度,選取2017年4月3日、2017年9月10日的Landsat NDVI影像和2017年4月3日、2017年9月10日的MODIS NDVI影像以及預(yù)測日期2017年8月25日的MODIS NDVI作為ESTARFM模型輸入數(shù)據(jù),得到2017年8月25日的ESTARFM NDVI,利用2017年8月25日的真實Landsat NDVI對融合結(jié)果進行驗證。

圖2顯示融合的結(jié)果與真實影像較為一致,整體上各地物類型識別效果較好。但由于2017年9月10日的Landsat影像受到云量干擾,導(dǎo)致融合結(jié)果也出現(xiàn)相應(yīng)位置的云分布。利用來自FROM-GLC10 v0.1全球土地覆蓋產(chǎn)品提取的耕地進行掩膜,掩膜后的結(jié)果并不影響分類(圖3)。為進一步驗證融合的精度,選取細節(jié)部分進行觀察。從細節(jié)圖中可以看到,各地物類型的輪廓和紋理基本一致,對應(yīng)像元NDVI值吻合。

耕地掩膜后的Landsat NDVI和ESTARFM模型融合結(jié)果的相關(guān)性散點圖如圖4所示,散點基本分布在1∶1趨勢線兩側(cè),較為集中。二者的相關(guān)性達0.94,表明融合結(jié)果能較好地反映Landsat NDVI光譜信息,可以作為后續(xù)灌溉耕地提取的基礎(chǔ)數(shù)據(jù)。此外,還通過ENVI計算Landsat NDVI和ESTARFM NDVI差值直方圖,得到像元差值個數(shù)的分布基本集中于0,表明實際NDVI和融合得到的NDVI像元大多數(shù)無差異,二者相似度極高。

3.2 基于ESTARFM NDVI的耕地植被生長季曲線特征

根據(jù)察汗淖爾流域氣候和作物生長情況,利用ESTARFM模型融合得到2017年4月3日到10月16日共25景高時空分辨率的ESTARFM NDVI影像(圖5)。為了減少與耕地相鄰像元(如草地和林地)對灌溉耕地提取的影響,將FROM-GLC10 v0.1全球土地利用覆被數(shù)據(jù)在ArcGIS中導(dǎo)出耕地,通過IDL進行NDVI時間序列的耕地掩膜,最后得到2017年4月到10月耕地NDVI。由于獲得的遙感數(shù)據(jù)受到云、水汽、氣溶膠等因素的干擾,在ESTARFM模型融合時只能減少這些干擾而不能消除,因此得到的NDVI時間序列數(shù)據(jù)波動強烈。為了在時間維度上對模型融合得到的NDVI時間序列數(shù)據(jù)進行信息提取和趨勢分析,需要進行NDVI平滑重構(gòu)。本研究選用HANTS(Harmonic Analysis of NDVI Time-Series)濾波和S-G(Savitzky-Golay)濾波對ESTARFM NDVI數(shù)據(jù)進行平滑重構(gòu),發(fā)現(xiàn)HANTS濾波效果更好(圖6),其處理后的變化趨勢與MODIS NDVI基本一致。

察汗淖爾流域作物生長發(fā)育集中在4月上旬到10月上旬。大多數(shù)作物均為一年1熟,NDVI只有1個峰值。本研究均使用年積日(DOY)表示日期,NDVI值從5月1日(DOY-121)開始上升,葵花、甜菜、馬鈴薯等生育期長的作物在7月30日(DOY-211)到8月25日(DOY-237)間達到峰值,是作物的生長期。之后開始下降,到10月16日(DOY-289)下降到0.3左右,是作物的成熟收獲期;蔬菜生育期較短,在7月下旬(DOY-200以后)達到峰值,之后NDVI值開始下降接近于0;雨養(yǎng)耕地的作物生長期NDVI值上升平緩,且最大值小于0.5,生育期為5月初(DOY-123)—10月初(DOY-289)。以上研究說明ESTARFM模型預(yù)測的NDVI能夠表示實際作物的NDVI變化趨勢。

3.3 基于SVM分類結(jié)果精度驗證

為使驗證點和影像相對應(yīng),在影像上選取與大片耕地集中分布相鄰近的39個村莊(包括商都縣16個村、興和縣6個村、尚義縣12個村、康?？h5個村)作為問卷調(diào)查地,同類作物種植面積大于50 m×50 m的農(nóng)田作為采樣點,將選取的灌溉耕地(包括馬鈴薯、甜菜、葵花和蔬菜)和雨養(yǎng)耕地(小麥)的實地采樣點在ArcGIS中進行矢量化,導(dǎo)入谷歌地圖中作為選取驗證樣本點的參考,最后根據(jù)實地樣點的紋理、顏色等特征在谷歌地球中選擇灌溉耕地和雨養(yǎng)耕地共348個樣本點作為SVM分類結(jié)果精度驗證的樣本點(圖7)?；煜仃嚱Y(jié)果見表2,灌溉耕地提取的總體分類精度為93.18%,Kappa系數(shù)為0.91，說明SVM提取灌溉耕地的結(jié)果比較理想。小麥和甜菜的制圖精度最高,為96.23%,蔬菜較低,為85.45%,主要原因是蔬菜為錯季作物,有少部分出現(xiàn)一年兩季的情況,這使得NDVI時間序列曲線不能準(zhǔn)確識別其物候變化導(dǎo)致誤差較大,加上NDVI到達峰值前后的時間不穩(wěn)定也使得漏分誤差較大,為14.55%;雨養(yǎng)耕地的用戶精度較低,為87.93%,主要原因是雨養(yǎng)耕地作物種類復(fù)雜,分布不集中,以小麥、莜麥、胡麻和黍子(Panicum mili-aceum)相間種植易出現(xiàn)異物同譜現(xiàn)象,并且這些作物生育期也相近,錯分誤差較大,為12.07%。但總體來看,由ESTARFM融合后的NDVI能較好地識別不同作物覆被類型下的變化情況,對于復(fù)雜農(nóng)作物種植下的耕地提取有較高適用性。

表2 研究區(qū)不同類型作物的支持向量機(SVM)分類結(jié)果混淆矩陣Table 2 Confusion matrix of Support Vector Machine(SVM)classification results of different types of crops in the study area %

3.4 基于SVM的灌溉地提取

根據(jù)ESTARFM NDVI結(jié)果,選取灌溉耕地樣本利用SVM對察汗淖爾流域不同灌溉地類型的空間分布進行提取,結(jié)果如圖7所示?？梢钥吹搅饔騼?nèi)以種植馬鈴薯、葵花、甜菜等灌溉作物為主,還有部分單季蔬菜和少量的雙季蔬菜。經(jīng)統(tǒng)計:2017年察汗淖爾流域耕地總面積3348.69 km2,灌溉耕地總面積1958.24 km2,雨養(yǎng)地總面積1390.45 km2,流域內(nèi)以灌溉耕地為主,分布均勻;商都、興和、尚義、康保和化德的灌溉耕地占流域總面積的94%,張北、察哈爾右翼前旗、后旗和鑲黃旗占6%,其中商都縣灌溉耕地面積616.67 km2,雨養(yǎng)耕地356.02 km2,其北部地勢較高地下水抽取困難,雨養(yǎng)耕地分布為主;灌溉耕地主要分布在地勢低平的東南部,靠近察汗淖爾湖分布密集,其余地方分布稀疏。根據(jù)NDVI時間序列變化曲線,商都縣主要種植馬鈴薯、向日葵、甜菜等長生育期農(nóng)作物。NDVI曲線前期生長快,但生育期長,大約在200 d(DOY-200)左右達到峰值,之后緩慢下降,在280 d(DOY-280)左右收割。興和縣灌溉耕地面積337.36 km2,雨養(yǎng)耕地154.40 km2。農(nóng)作物種植類型以及NDVI變化趨勢和商都縣一致,流域內(nèi)基本以灌溉耕地為主。尚義縣灌溉耕地共409.85 km2,雨養(yǎng)耕地191.24 km2。流域內(nèi)灌溉耕地分布比較均,是蔬菜的主要分布區(qū),主要蔬菜類型有甘藍、花菜(Brassica oleracea)、娃娃菜(Brassica campestris)、白蘿卜(Raphanus sativus)和胡蘿卜(Daucus carotavar.sativa),因其生育期基本一致所以將其作為一類提取。從NDVI曲線可以看到,蔬菜生長前期其值直線上升,200 d(DOY-200)左右達到峰值后迅速下降,253 d(DOY-253)后基本收割完畢,生育期相對較短?？当？h灌溉耕地290.93 km2,雨養(yǎng)耕地309.86 km2,種植類型與商都縣、興和縣一致?；驴h灌溉耕地239.38 km2,雨養(yǎng)耕地281.13 km2,化德縣地勢相對較高,耕地主要集中在東部,灌溉作物以葵花、甜菜、馬鈴薯等為主。張北縣、察哈爾右翼前旗、后旗以及鑲黃旗灌溉耕地共64.05 km2,雨養(yǎng)耕地共97.78 km2,在流域內(nèi)范圍較小不予討論。察汗淖爾流域內(nèi)雨養(yǎng)耕地作物為莜麥、小麥、胡麻和黍子,NDVI曲線前期增長緩慢,在246 d(DOY-246)左右達到峰值,之后緩慢下降,收割日期和灌溉耕地相差無幾。

4 討論與結(jié)論

當(dāng)前利用遙感提取灌溉耕地空間分布的技術(shù)主要受數(shù)據(jù)時空分辨率的限制,因此本研究利用ESTARFM數(shù)據(jù)融合模型預(yù)測了高分辨率、長時間序列的NDVI提取察汗淖爾流域耕地空間分布。該模型在地表覆蓋復(fù)雜的情況下能很好地預(yù)測不同像元反射率,但受制于輸入的已知時期相對應(yīng)的MODIS和Landsat數(shù)據(jù)質(zhì)量以及預(yù)測日期的MODIS數(shù)據(jù)[16]。本研究選取的遙感數(shù)據(jù)云量均小于10%,避免了大量云污染造成預(yù)測NDVI的誤差。使用FROM-GLC10 v0.1進行耕地掩膜,減小了異物同譜現(xiàn)象,提高了分類結(jié)果的精確度。但由于流域內(nèi)作物種植地塊的破碎化與多樣化,選取灌溉耕地錯季蔬菜這一作物樣本時并沒有將每一具體類型區(qū)分出來,只能將生育期幾乎相同的各類蔬菜作為一大類進行提取,這一結(jié)果的不足與誤差需要今后進一步研究[35]。而相對于干旱地區(qū),濕潤地區(qū)由于作物生長茂盛,其NDVI容易達到飽和,對灌溉耕地和雨養(yǎng)地的區(qū)分誤差較大[10]。有證據(jù)表明在英國Louth郡[36]和泰國Suphanburi府[37]NDVI區(qū)分灌溉作物和雨養(yǎng)作物時并沒有明顯差異。也有研究者認為氣候干旱年降水量小于400 mm的地區(qū)只能依靠灌溉發(fā)展農(nóng)業(yè)[38],因此使用NDVI這個單一特征不足以提取農(nóng)作物空間分布?；诖?其他特征參量如EVI(Enhanced Vegetatin Index)、GI(Green Index)或者WDRVI(Wide Dynamic Rang Vegetation Index)[39]或許能更好地表達灌溉耕地和雨養(yǎng)地的差異。此外,在NDVI基礎(chǔ)上加入其他特征參量能夠在多條件約束下對灌溉耕地綜合提取。董婷婷等[40]和Xie等[41]分別加入WDI(Water Deficit Index)和EVI、GI以及LST(Land Surface Temperature)進行了灌溉耕地的提取并進行了驗證。本研究對數(shù)據(jù)融合后的NDVI曲線進行HANTS濾波后能有效識別出灌溉耕地和雨養(yǎng)耕地,利用像元反射率異同這一性質(zhì)提取時能表達更加詳細的信息。主要結(jié)論如下:

1)通過ESTARFM數(shù)據(jù)融合模型得到2017年8 d為間隔的30 m分辨率NDVI數(shù)據(jù),誤差主要是由于Landsat數(shù)據(jù)受云污染的影響較大,時間序列的Landsat難以獲取,經(jīng)過驗證預(yù)測ESTARFM NDVI與真實Landsat數(shù)據(jù)的NDVI相關(guān)系數(shù)為0.94。

2)基于融合的NDVI時間序列數(shù)據(jù),選取葵花、甜菜、馬鈴薯等長生育期作物、蔬菜和雨養(yǎng)耕地作物的訓(xùn)練樣本,得到流域內(nèi)耕地的空間分布結(jié)果。流域內(nèi)耕地總面積為3348.69 km2,主要分布在商都、興和、化德、尚義和康保縣內(nèi)。其中商都縣灌溉耕地面積616.67 km2,主要種植葵花、甜菜、馬鈴薯和蔬菜;化德縣和興和縣灌溉耕地面積分別為239.38 km2和337.36 km2,灌溉耕地多集中分布于地勢平坦處,其灌溉作物均與商都縣類似;尚義縣和康?？h灌溉耕地分別為409.85 km2和290.93 km2,灌溉耕地以蔬菜這一短生育期作物為主,馬鈴薯、甜菜、葵花等長生育期作物較少,其余為雨養(yǎng)耕地;張北縣、察哈爾右翼前旗、后旗和鑲黃旗灌溉耕地共64.05 km2,占流域灌溉耕地面積比例較小。

3)利用野外調(diào)查真實樣本對分類結(jié)果進行混淆矩陣計算,得到總體分類精度為93.18%,Kappa系數(shù)為0.91。灌溉耕地和雨養(yǎng)耕地的平均制圖精度分別為91.48%和96.23%,平均用戶精度分別為94.67%和87.93%。商都、興和、尚義、康保和化德5縣的灌溉耕地占整個流域面積的94%,而張北、察哈爾右翼前旗、后旗以及鑲黃旗占耕地總面積的6%,這4個縣因為流域內(nèi)面積較小選擇樣本困難,因此是誤差的主要來源。

由以上結(jié)論可知,本研究通過數(shù)據(jù)融合模型得到的NDVI通過SVM進行灌溉耕地提取的方法有效,在干旱半干旱地區(qū)適用。但此方法只提取了2017年灌溉耕地的空間分布,缺乏長時間序列的空間分布?；谝陨涎芯康牟蛔?未來還需要探究長時間序列灌溉耕地的變化,從而得到灌溉耕地時空分布與水資源利用相關(guān)關(guān)系,為區(qū)域內(nèi)節(jié)水問題提供研究基礎(chǔ)。