基于GF-1衛(wèi)星數(shù)據(jù)監(jiān)測灌區(qū)灌溉面積方法研究
——以東雷二期抽黃灌區(qū)為例

宋文龍，李 萌，3，路京選，盧奕竹，史楊軍，賀海川

（1.中國水利水電科學(xué)研究院，北京 100038；2.水利部防洪抗旱減災(zāi)工程技術(shù)研究中心，北京 100038；3.首都師范大學(xué) 資源環(huán)境與旅游學(xué)院，北京 100048；4.渭南市東雷二期抽黃工程管理局，陜西 渭南 714000）

1 研究背景

準(zhǔn)確監(jiān)測灌溉面積對于預(yù)防干旱、優(yōu)化灌區(qū)水資源利用和水資源調(diào)控配置具有重要意義。據(jù)統(tǒng)計，世界上約有農(nóng)田1.5 億～1.7 億hm2，約占地球陸地總面積的17%［1-2］，農(nóng)業(yè)用水量約占人類用水的92%［3］。作為農(nóng)業(yè)大國，我國灌溉面積約占總耕地面積的50%，在全球氣候變暖、干旱等極端事件增加、經(jīng)濟(jì)發(fā)展用水需求猛增情況下，水資源短缺形式日趨嚴(yán)峻。準(zhǔn)確監(jiān)測灌溉面積時空分布及其變化，是掌握灌溉用水量、灌溉用水去向的關(guān)鍵，對監(jiān)測灌溉系統(tǒng)運(yùn)轉(zhuǎn)、預(yù)防干旱、優(yōu)化作物種植結(jié)構(gòu)、提高灌溉用水效率、優(yōu)化灌區(qū)水資源配置均具有重要意義。

國內(nèi)外農(nóng)業(yè)灌溉面積監(jiān)測研究在決策樹算法［4-5］、時空螺旋曲線與變化矢量分析［6］、物候特征［7］、支持向量機(jī)［8］、自動農(nóng)田算法［9］、光譜匹配［10］、k-means 和ISOCLASS 算法［11］、自動機(jī)器學(xué)習(xí)算法［12-13］、植被指數(shù)與干旱指數(shù)反演［14］等方法方面取得諸多進(jìn)展。其中，光譜匹配技術(shù)（SMTs）能夠提取長時間序列多期遙感影像的光譜反射率或特征指數(shù)變化特征，在周期性農(nóng)業(yè)灌溉面積監(jiān)測方面具有獨(dú)特優(yōu)勢。Thenkabai 最先應(yīng)用這種方法開展土地類型識別與灌溉面積識別研究［10］。2006年，世界水資源管理研究所（IWMI）通過使用多種數(shù)據(jù)源組成的具有巨大數(shù)據(jù)量的數(shù)據(jù)集，根據(jù)降雨量與高程信息對全球范圍區(qū)域進(jìn)行分類，并使用非監(jiān)督分類對區(qū)域進(jìn)行聚類，而后使用光譜匹配技術(shù)對全球范圍內(nèi)的土地利用類型、灌溉面積分布進(jìn)行了識別，發(fā)布了世界第一份1 km 尺度全球灌溉區(qū)域圖（GIAM）［15］。2012年，IWMI又針對非洲和亞洲進(jìn)行了重點(diǎn)研究，繪制了250 m 空間分辨率的灌溉與雨養(yǎng)區(qū)分布圖［16］。2016年，Ambika 將這種方法應(yīng)用到了印度，使用了250 m 空間分辨率的MODIS NDVI 數(shù)據(jù)（MOD13Q1），先通過匹配計算分類，再使用決策樹通過NDVI 閾值劃分灌溉區(qū)域，獲得了印度2000—2015年的灌溉區(qū)域分布圖［17］，相比IWMI 250 m 空間分辨率的灌溉產(chǎn)品提升了精度。Teluguntla 結(jié)合定量光譜匹配技術(shù)（QSMTs）與農(nóng)田自動分類算法，使用連續(xù)14年的250 m 空間分辨率MODIS NDVI 產(chǎn)品數(shù)據(jù)對澳大利亞的灌溉信息與種植強(qiáng)度進(jìn)行了提取［18］。

我國具有氣候多樣、農(nóng)業(yè)種植結(jié)構(gòu)復(fù)雜、田塊破碎、灌區(qū)信息化水平不高等國情，農(nóng)業(yè)統(tǒng)計缺乏空間信息，可公開獲取的灌溉遙感產(chǎn)品缺乏且空間分辨率與精度難以滿足我國實(shí)際需求［19］，我國灌溉面積遙感監(jiān)測對數(shù)據(jù)空間分辨率要求更高，灌溉面積遙感監(jiān)測技術(shù)需要取得進(jìn)一步突破。本文將針對我國國情，應(yīng)用較高分辨率的國產(chǎn)衛(wèi)星遙感數(shù)據(jù)，通過光譜匹配方法像元尺度應(yīng)用，并引入自適應(yīng)閾值算法，構(gòu)建高分辨率灌溉面積遙感監(jiān)測新方法，對我國西北干旱半干旱區(qū)典型渠灌灌區(qū)開展灌溉面積遙感監(jiān)測研究。

2 研究方法與數(shù)據(jù)來源

2.1 研究區(qū)域概況東雷二期抽黃灌區(qū)（見圖1），位于東經(jīng)109°10′—110°10′，北緯34°41′—35°00′，橫跨陜西省富平、大荔、蒲城三縣，屬黃土波狀臺原區(qū)，海拔介于385～600 m，地勢東南低，西北高。灌區(qū)屬溫帶大陸性季風(fēng)氣候，春季溫暖干旱，夏季多暴雨，并有短暫大風(fēng)，冬季嚴(yán)寒干燥，雨雪稀少，年平均降水量519～552 mm，干旱年份僅為360～390 mm，且降水時空分配不均衡，50%以上雨量集中在7—9月，年蒸發(fā)量約為1700～2000 mm。灌區(qū)灌溉方式為抽取黃河水進(jìn)行渠道引水漫灌。設(shè)計灌溉面積8.5 萬hm2，分春灌、夏灌和冬灌。主要作物為小麥和玉米，占灌區(qū)種植總面積的90%以上。主要作物生長周期及灌溉時間詳見表1。

圖1 東雷二期抽黃灌區(qū)示意圖

表1 主要作物生長周期及灌溉時間

2.2 數(shù)據(jù)

2.2.1 衛(wèi)星遙感數(shù)據(jù) 數(shù)據(jù)源為2018年GF-1 號16 m 多光譜數(shù)據(jù)，來源為中國資源衛(wèi)星公共網(wǎng)站平臺（http：//www.cresda.com/CN/），詳細(xì)參數(shù)見表2。使用2018年研究區(qū)云覆蓋量低于15%的影像，并編譯成由92 個波段組成的數(shù)據(jù)集（共有23 景數(shù)據(jù)，每景4 個波段）。此數(shù)據(jù)集用于準(zhǔn)確獲取不同類別的時序光譜特征信息［20-21］。

對遙感數(shù)據(jù)進(jìn)行輻射定標(biāo)、幾何校正、大氣校正等預(yù)處理，并計算NDVI 得到研究區(qū)各像元的NDVI 時間序列曲線。NDVI 能夠較好地反映植被生長狀態(tài)，進(jìn)行歸一化處理后可以更好地限制數(shù)據(jù)范圍，有利于后續(xù)的光譜匹配計算，用于提取灌溉信息。

表2 GF-1 多光譜傳感器信息

2.2.2 實(shí)測樣點(diǎn)數(shù)據(jù) 像元尺度的光譜匹配算法需要端元光譜特征信息，即灌溉區(qū)域小麥和玉米的NDVI 時間序列曲線，因此在研究區(qū)開展野外調(diào)研與采樣工作，獲得研究區(qū)主要地物的真實(shí)地面樣點(diǎn)，用于提取灌溉面積及精度驗(yàn)證。

結(jié)合歷史灌溉情況與衛(wèi)星遙感影像，選擇具有典型代表意義的灌溉區(qū)域與非灌溉區(qū)域，在選取灌溉區(qū)域時應(yīng)注意避免附近有建筑物與道路的干擾，避開農(nóng)田的邊界處，以防在取點(diǎn)時樣本點(diǎn)中同時包含農(nóng)田與其他干擾地物。最終在研究區(qū)內(nèi)共選取225 個真實(shí)樣點(diǎn)數(shù)據(jù)（見圖2），主要記錄樣點(diǎn)位置、作物類型及灌溉情況等信息。

圖2 樣點(diǎn)分布

2.2.3 IWMI 灌溉產(chǎn)品 使用國際水管理研究所（International Water Management Institute，IWMI）的數(shù)據(jù)產(chǎn)品IWMI-Irrigated Area Map Asia（2000—2010）and Africa（2010）作為驗(yàn)證參考數(shù)據(jù)（http：//waterdata.iwmi.org/）。該產(chǎn)品使用250m 空間分辨率MODIS NDVI 合成數(shù)據(jù)（MOD13Q1），通過ISODATA 算法進(jìn)行非監(jiān)督分類，之后依據(jù)各種類的NDVI 時間序列曲線確定土地利用類型，得出亞洲和非洲的灌溉區(qū)域分布圖。IWMI 灌溉產(chǎn)品將農(nóng)業(yè)區(qū)域分為灌溉區(qū)和雨養(yǎng)區(qū)，并且根據(jù)作物種植強(qiáng)度將灌溉區(qū)具體劃分成單季作物灌溉區(qū)域、雙季作物灌溉區(qū)域和連續(xù)作物灌溉區(qū)域。

2.3 研究方法有別于IWMI 采用的聚類光譜匹配，本文針對高分辨率遙感影像，將光譜匹配方法應(yīng)用于像元尺度，保證所有像元的時序光譜曲線參與匹配計算，減少聚類過程造成的誤差，并引入OTSU 自適應(yīng)閾值算法自動確定灌溉面積提取閾值。OTSU 算法的引入可保證每個像元計算相似度信息的同時，自動確定相似度合理變化范圍，對于不同年份與不同數(shù)據(jù)情況有良好變動適應(yīng)性，無需人為干預(yù)即可提取灌溉區(qū)域?；谙裨叨裙庾V匹配計算的灌溉面積遙感監(jiān)測方法適用于高分辨率衛(wèi)星遙感數(shù)據(jù)，滿足提取小地塊灌溉信息的需求，能夠提高灌溉面積監(jiān)測結(jié)果的精度。

2.3.1 光譜匹配方法 光譜匹配法是一種量化端元光譜（樣本光譜）與目標(biāo)光譜（待測光譜）相似度的方法。根據(jù)光譜匹配原理，光譜匹配計算方法可以分為統(tǒng)計算法、光譜波形特征算法、光譜編碼匹配算法以及特征空間算法。本文使用統(tǒng)計算法和光譜波形特征算法計算光譜相似度，通過三個指標(biāo)對研究區(qū)主要作物端元光譜與目標(biāo)光譜匹配程度進(jìn)行定量分析［10］，具體算法如下：

根據(jù)地面樣點(diǎn)數(shù)據(jù)提取端元光譜C=（s1，s2，…，sn），從數(shù)據(jù)集中獲取目標(biāo)光譜Xi，j=（b1，b2，…，bn）。

（1）形狀定量。光譜關(guān)聯(lián)相似度（Spectral Correlation Similarity，SCS）計算公式如下：

式中：Xi，j為目標(biāo)光譜的NDVI 值；C 為端元光譜的NDVI 值；i，j 分別為第i 行、第j 列；n 為數(shù)據(jù)集層數(shù)；μi，j為目標(biāo)光譜NDVI 均值；μs為端元光譜NDVI 均值；σX為目標(biāo)光譜的NDVI 標(biāo)準(zhǔn)偏差，σC為端元光譜的NDVI 標(biāo)準(zhǔn)偏差。

SCS 是衡量端元光譜與目標(biāo)光譜NDVI 時間序列曲線形狀相似度的指標(biāo)。SCS 值越高，端元光譜與目標(biāo)光譜的NDVI 時間序列曲線就越相似。當(dāng)SCS 值為0 時，相似度最小；當(dāng)SCS 為1 時，相似度最大，即兩種光譜完全一致。所有SCS 值在0～1 范圍之外的像元即可認(rèn)為與端元光譜相似度差異過大，直接剔除。

（2）距離定量。歐氏距離（Euclidian Distance Similarity，EDS）是用于衡量端元光譜與目標(biāo)光譜在光譜空間中距離的指標(biāo)，在光譜空間中距離越近則越相似。EDS 計算公式如下：

通常歐氏距離越大則代表著兩種光譜差異性越大，反之則差異性越小。為了方便計算將上述公式獲得結(jié)果通過歸一化處理，將其標(biāo)準(zhǔn)范圍處理至0 到1。具體公式計算如下所示：

式中，EDSnormal值的范圍為在0～1，它從光譜特征空間距離上測量端元光譜與目標(biāo)光譜NDVI 時間序列曲線間相關(guān)性的大小。M，m 分別代表最大、最小的歐氏距離。通過對EDS 的計算可以把SCS 運(yùn)算結(jié)果中滿足條件像元點(diǎn)進(jìn)行計算，理想狀態(tài)下，0 表示二者完全一致，1 表示二者完全不相關(guān)。此外，EDS 受像元數(shù)量的影響，一旦有新的像元參與計算，該式中的M 和m 即可能會發(fā)生變化，對不同研究對象有較好的變動適應(yīng)性。同時歐氏距離的局限性在于不同年份氣候情況可能導(dǎo)致NDVI 光譜曲線會發(fā)生上下平移，進(jìn)而會影響判斷結(jié)果的一致性。因此，僅使用光譜距離的特征描述往往還不足以較好的完成光譜匹配的工作，需要進(jìn)一步對端元光譜與目標(biāo)光譜的相似程度進(jìn)行量化。

（3）形狀距離綜合定量。光譜相似值（Spectral Similarity Value，SSV）綜合了SCS（形狀定量）與EDS（距離定量）的特點(diǎn)，從NDVI 時間序列曲線形狀和光譜特征空間距離兩方面衡量了端元光譜與目標(biāo)光譜間的形似度，其計算公式如下：

式中SSV 值越小，光譜之間越相似，其范圍通常介于0～1.414 之間。不同作物之間，NDVI 時間序列曲線的差異較大，SSV 值高；對于同一種作物，灌溉區(qū)域的NDVI 時間序列曲線比非灌溉區(qū)域具有更高的一致性，SSV 值更低。

2.3.2 OTSU 算法 以實(shí)地采樣獲取的灌溉區(qū)域玉米和小麥的NDVI 時間序列曲線分別作為端元光譜，利用上述衡量光譜相似度的指標(biāo)計算研究區(qū)每個像元的SSV 值。同類型的光譜相似度越高，SSV值越低；不同類的光譜相似度越低，SSV 值越高。需要確定合理分割閾值，當(dāng)SSV 值小于該閾值時與端元光譜識別為同一類別。因此，引入OTSU 自適應(yīng)閾值算法計算SSV 分割閾值來判斷是否為小麥或玉米的灌溉區(qū)域，小于該閾值即為灌溉區(qū)域，從而識別研究區(qū)的灌溉面積空間分布情況，極大減少了人為干預(yù)造成的影響。

OTSU 算法是無參量的一種自適應(yīng)閾值選取方法［22］，該方法可以給定一個臨時閾值，然后計算閾值兩側(cè)范圍的像元SSV 的方差值，當(dāng)方差達(dá)到最大所對應(yīng)的像元SSV 為最佳閾值，即目標(biāo)區(qū)域與背景區(qū)域差異最大化，而后將相似度大于或等于該閾值的歸并成一類，小于該閾值的歸并成另一類，得到相應(yīng)的二值化圖像。具體原理算法如下：

當(dāng)影像數(shù)據(jù)量級為L（G=0，1，…，L-1）時，初始閾值為h 將圖像分為目標(biāo)區(qū)域T 與背景區(qū)域B 兩部分，pi代表SSV 為i 的像元出現(xiàn)的概率，ni代表SSV 為i 的像元數(shù)量，N 代表像元總數(shù)，T、B 兩部分概率為：

對應(yīng)的T、B 兩部分的均值為：

則存在閾值h0即為最佳閾值。

3 結(jié)果分析

3.1 主要作物端元光譜通過野外實(shí)地采樣，獲得了玉米與小麥灌溉區(qū)域的端元光譜（見圖3）。圖3（a）為玉米灌溉區(qū)（6月至10月）9 個實(shí)測樣本點(diǎn)的NDVI 時間序列曲線，從中篩選5～6 條相似程度最高的曲線作為端元參考光譜，然后再使用端元光譜均值化進(jìn)行光譜匹配計算。均值化可以保證所獲得的均值光譜在代表該種類光譜特征信息的同時減少數(shù)據(jù)波動對結(jié)果的影響，且進(jìn)行種類光譜廓線匹配計算時縮小同類別差異性。同理，圖3（b）為小麥灌溉區(qū)（10月至6月）共10 個實(shí)測樣本點(diǎn)的NDVI 時間序列曲線，提取小麥端元光譜均值并計算。

圖3 玉米與小麥端元光譜

3.2 主要作物灌溉區(qū)域相似性參數(shù)空間分布根據(jù)像元尺度光譜匹配算法得到的主要作物灌溉區(qū)域識別相似性參數(shù)SCS、EDS 和SSV 分布如圖4所示，研究區(qū)內(nèi)未能灌溉到的地方主要位于灌區(qū)最北（區(qū)域1）、中部（區(qū)域2）與右下位置（區(qū)域3）。根據(jù)實(shí)地調(diào)查了解，最北側(cè)主要是由于沒有渠系覆蓋；而蒲城附近（區(qū)域2）是由于靠近城鎮(zhèn)，在進(jìn)行城鎮(zhèn)建設(shè)時灌溉渠系損壞導(dǎo)致灌溉情況較差；右下位置為大荔系統(tǒng)，以種植果樹為主，主要作物種植面積相對較少。因此提取結(jié)果與實(shí)際情況相符。

圖4 主要作物灌溉區(qū)域相似性參數(shù)空間分布

3.3 灌溉區(qū)域相似性分割閾值通過光譜匹配方法獲得了研究區(qū)主要作物小麥與玉米相似度量化空間信息。進(jìn)而對獲得的量級分布直方圖使用OTSU 算法得到兩種作物對應(yīng)的相似度分割閾值（見圖5），結(jié)果表明小麥灌溉區(qū)最佳分割閾值為0.3985，玉米灌溉區(qū)最佳分割閾值為0.4639。

圖5 OTSU 法計算直方圖

3.4 主要作物灌溉區(qū)域分布應(yīng)用小麥和玉米灌溉區(qū)域相似性分割閾值，得到主要作物小麥和玉米的灌溉區(qū)域空間分布圖（見圖6）。根據(jù)作物種植強(qiáng)度情況，研究區(qū)內(nèi)的灌溉區(qū)域可分為雙季輪作灌溉區(qū)（小麥和玉米輪作）、單季小麥灌溉區(qū)和單季玉米灌溉區(qū)，以雙季輪作灌溉區(qū)為主，單季作物灌溉區(qū)主要分布在城鎮(zhèn)周圍與渠系未灌溉區(qū)域，由于地塊破碎、種植結(jié)構(gòu)復(fù)雜造成。多數(shù)非植被覆蓋區(qū)域（如城鎮(zhèn)、村莊、渠道、道路等）識別效果較好，但在一些小的建筑物周圍有小部分誤識別區(qū)域，是由于混合像元所導(dǎo)致。

對灌區(qū)各灌溉子系統(tǒng)（各子系統(tǒng)分布參見圖2）的主要糧食作物小麥和玉米的灌溉面積進(jìn)行統(tǒng)計（見表3）。各灌溉子系統(tǒng)灌溉面積由大到小依次是流曲、孫鎮(zhèn)、興鎮(zhèn)、荊姚、劉集、蒲城和大荔。除大荔外，其他灌溉子系統(tǒng)均是小麥和玉米輪作灌溉區(qū)為主，占比大于50%，荊姚占比達(dá)到81.72%。大荔果樹種植面積較大，糧食作物灌溉主要是單季小麥和單季玉米，小麥和玉米輪作灌溉較少。

圖6 主要作物灌溉區(qū)域分布圖

表3 各灌溉子系統(tǒng)灌溉面積情況 （單位：hm2）

3.5 精度驗(yàn)證使用實(shí)測樣點(diǎn)數(shù)據(jù)對提取結(jié)果進(jìn)行混淆矩陣精度驗(yàn)證（見表4），使用高精度數(shù)據(jù)提取灌溉面積與種植強(qiáng)度結(jié)果的總體精度為88.27%，Kappa 系數(shù)為0.8308。對于分布最廣的雙季輪作灌溉區(qū)域的提取效果最佳，精度達(dá)到90.14%；非灌溉區(qū)域的提取精度為89.80%，其主要與單季小麥、單季玉米灌溉區(qū)發(fā)生混淆，與單小麥灌溉區(qū)誤差較大，種類錯分誤差為13.04%；單季玉米灌溉區(qū)提取精度為89.47%；單季小麥灌溉區(qū)的提取精度相對最差，為78.26%。結(jié)果分析發(fā)現(xiàn)主要是混合像元對提取結(jié)果影響最大，單季小麥與單季玉米灌溉區(qū)主要分布在城鎮(zhèn)附近，受人類活動影響，導(dǎo)致種植結(jié)構(gòu)分布復(fù)雜且細(xì)小散碎，提取難度較大。

表4 GF 基于實(shí)測樣點(diǎn)的結(jié)果精度評價 （單位：%）

3.6 合理性分析圖7為國際水管理研究所（IWMI）發(fā)布的MODIS-250m 全球灌溉區(qū)域分布成果的研究區(qū)部分，是目前可公開獲得精度較高的灌溉區(qū)域分布數(shù)據(jù)，對其重采樣成16 m 分辨率作為參考數(shù)據(jù)。東雷二期研究區(qū)總面積為99 008.06 hm2，IWMI 研究區(qū)灌溉面積結(jié)果統(tǒng)計為82 745.37 hm2，使用GF-1 結(jié)果統(tǒng)計灌溉面積為81 571.58 hm2，二者計算灌溉面積結(jié)果差異為1.42%。對本研究獲得的灌溉區(qū)域與IWMI 灌溉區(qū)域數(shù)據(jù)進(jìn)行空間比較，空間重疊率為87.29%。但二者在不同種植強(qiáng)度灌溉區(qū)類型及其分布方面提取結(jié)果存在較大差異，據(jù)灌區(qū)實(shí)際調(diào)研與本研究結(jié)果顯示，研究區(qū)主要包括雙季輪作（小麥和玉米輪作）灌溉區(qū)域與單季作物（小麥、玉米）灌溉區(qū)域，而IWMI 發(fā)布的成果僅分為雙季作物灌溉區(qū)域與三季/連續(xù)作物灌溉區(qū)域，本研究成果與實(shí)際情況相符，而IWMI 成果有誤。

如圖8所示，本研究成果與IWMI-Irrigated Area Map Asia（2000—2010）相比，在空間分辨率與地物識別方面具有顯著優(yōu)勢，可以更有效區(qū)分出建筑物、道路、渠道與田塊信息；受數(shù)據(jù)分辨率限制，IWMI 結(jié)果無法獲取灌溉田塊分布細(xì)節(jié)，較多的建筑物與道路存在混淆錯分情況。 與IWMI 結(jié)果比較，本研究成果能更好地反映我國灌區(qū)實(shí)際灌溉情況，一方面是由于采用了更高空間分辨率的遙感數(shù)據(jù)，另一方面相較于基于聚類的光譜匹配計算方法，基于像元尺度的光譜匹配方法適用于較高空間分辨率的灌溉區(qū)域遙感監(jiān)測研究。

圖7 IWMI 發(fā)布的灌溉區(qū)域分布

圖8 基于GF-1 的灌溉面積監(jiān)測結(jié)果與IWMI 結(jié)果細(xì)節(jié)對比

4 結(jié)論

本研究結(jié)合野外調(diào)研采樣，應(yīng)用16 m 較高空間分辨率GF-1 衛(wèi)星影像，獲取了研究區(qū)主要作物的時間序列光譜特征信息，構(gòu)建了像元尺度光譜匹配方法，并使用OTSU 算法自動獲得灌溉區(qū)域分割閾值，獲得主要作物種植強(qiáng)度及其灌溉區(qū)域分布，取得的主要結(jié)論如下：

（1）2018年東雷二期抽黃灌區(qū)灌溉面積為81 571.58 hm2，其中雙季輪作（小麥與玉米輪作）灌溉面積為40 335.88 hm2，單季小麥灌溉面積為15 276.94 hm2，單季玉米灌溉面積為14 059.14 hm2。各灌溉子系統(tǒng)灌溉面積由大到小排序依次是流曲、孫鎮(zhèn)、興鎮(zhèn)、荊姚、劉集、蒲城和大荔。

（2）使用地面調(diào)研采樣數(shù)據(jù)對灌溉面積提取結(jié)果進(jìn)行驗(yàn)證，總體精度為88.27%，Kappa 系數(shù)為0.8308。對雙季輪作（小麥與玉米輪作）灌溉區(qū)域與單季玉米灌溉區(qū)域提取效果較好，精度分別為90.14%和89.47%；單季小麥灌溉區(qū)域提取精度較差，精度為78.26%，易與其他類型地物發(fā)生混淆。

（3）本文提出的像元尺度的光譜匹配計算方法，更適用于基于高空間分辨率遙感數(shù)據(jù)的灌溉信息提取，通過引入自適應(yīng)閾值算法，最大程度減少人為影響，保證了灌溉信息提取的較高精度。對比IWMI 結(jié)果，本研究成果可以更有效區(qū)分城鎮(zhèn)、村莊、道路、渠道、田塊等邊界信息，可有效識別小田塊灌溉分布，在作物種植強(qiáng)度及其灌溉區(qū)域分布方面更符合實(shí)際情況。