CN110516943B - 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 - Google Patents
一种基于地表温度的春灌期灌溉面积动态监测遥感方法 Download PDFInfo
- Publication number
- CN110516943B CN110516943B CN201910763032.XA CN201910763032A CN110516943B CN 110516943 B CN110516943 B CN 110516943B CN 201910763032 A CN201910763032 A CN 201910763032A CN 110516943 B CN110516943 B CN 110516943B
- Authority
- CN
- China
- Prior art keywords
- irrigation
- area
- surface temperature
- data
- remote sensing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003973 irrigation Methods 0.000 title claims abstract description 264
- 230000002262 irrigation Effects 0.000 title claims abstract description 264
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000001556 precipitation Methods 0.000 claims abstract description 46
- 238000009826 distribution Methods 0.000 claims abstract description 30
- 230000008859 change Effects 0.000 claims abstract description 17
- 238000011160 research Methods 0.000 claims description 24
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 31
- 239000002689 soil Substances 0.000 abstract description 25
- 238000011161 development Methods 0.000 abstract description 3
- 241000209140 Triticum Species 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000003621 irrigation water Substances 0.000 description 5
- 235000021307 Triticum Nutrition 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000005855 radiation Effects 0.000 description 3
- 230000005068 transpiration Effects 0.000 description 3
- 240000008042 Zea mays Species 0.000 description 2
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 2
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 244000025254 Cannabis sativa Species 0.000 description 1
- 244000183278 Nephelium litchi Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009355 double cropping Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000009313 farming Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 239000013505 freshwater Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明公开一种基于地表温度的春灌期灌溉面积动态监测遥感方法：步骤一、数据获取与预处理；步骤二、用于灌溉判断的地表温度日较差阈值率定，具体采用在地表温度卫星遥感影像上统计雨养种植区多年降水事件下地表温度日较差的方法来获取灌溉判定的阈值；步骤三、基于地表温度日较差卫星遥感数据的灌溉面积提取。本发明优点在于对土壤含水量及其变化较敏感，并且适合干旱半干旱、降水量较少的地区，利用该方法能够对灌溉面积空间分布进行实时监测，能够监测灌区范围的实时灌溉区域空间分布情况，随时了解灌区灌溉开展情况，并可得到灌区强度图、总的灌溉面积分布图等。
Description
技术领域
本发明涉及一种基于地表温度的春灌期灌溉面积动态监测遥感方法，尤其是一种基于气候数据、作物物候特征和地表温度遥感数据的春灌期灌溉面积动态监测方法，属于水利遥感技术领域。
背景技术
灌溉用水消耗了世界近75％的淡水资源，为全球约17％的耕地提供了40％的粮食生产。并且随着人口增长和经济发展，为增加农业生产，预计灌溉用水量将持续增加。灌溉面积图使我们能够及时了解灌区的灌溉情况和当地的干旱情况，使有关部门能够及时采取措施。准确掌握灌溉面积、空间分布及其变化信息对灌区作物结构调整、灌溉信息化和管理、水资源优化配置、干旱监测和应急减灾均具有重要意义。
随着卫星遥感技术快速发展，已成为监测大面积灌区灌溉信息的一种有效手段。1999年绘制了世界上第一张全球灌溉面积图，它综合了1995年每个国家大型灌区的信息和每个国家、流域或联邦州的总灌溉面积数据。世界各国学者分别应用农业普查数据、监督分类和非监督分类、植被指数、统计分析、光谱匹配技术、神经网络、机器学习算法等方法对灌溉面积进行识别。其中，2006年国际水资源管理研究所(IWMI)基于归一化植被指数(NDVI)的光谱匹配技术发布了1km空间分辨率的全球灌溉面积图，2012年又绘制了250m空间分辨率的亚洲和非洲灌溉面积图。2018年Tianfang等人利用机器学习算法，将大量遥感图像结合水文气候信息，获得了密歇根州西南部湿润半湿润地区30m高空间分辨率的灌溉面积图。
这些技术大多是基于植被指数来监测灌溉面积，但植被指数的变化不仅与灌溉有关，还与土壤生产力、肥料施用、作物类型和播种时间等有关，表征植被生长状态的植被指数对土壤灌溉信息的反应还具有一定的滞后性。同时，以上应用植被指数监测灌溉面积的方法，需要一个生长季节或更长时间序列的数据支撑，才能总体监测过往灌溉面积，只能生成灌季或年灌溉面积，难以对灌溉面积开展高时效性的动态监测。
发明内容
为了解决上述问题，本发明的目的在于提供一种基于地表温度的春灌期灌溉面积动态监测遥感方法，以克服仅基于植被指数来监测灌溉面积的滞后性，长周期性，实现灌溉面积高时效性的动态监测。该发明根据土壤水含量对地表温度的影响机理与典型地物表面温度日变化理论，提出了一种基于气象数据、主要作物物候特征、灌溉制度与地表温度遥感数据的春灌期灌溉面积动态监测方法，可实现对实时灌溉面积、灌溉强度(地块灌溉次数)与实际灌溉面积(不考虑灌溉强度，灌溉到的区域只计算1次)空间分布的遥感监测，并计算得到累计灌溉面积(考虑灌溉次数)。
本发明一种基于地表温度的春灌期灌溉面积动态监测遥感方法，理论依据如下：
受太阳辐射、地物组分、物理状态、热特性、几何结构、生态环境、土壤物理参数等因素影响，不同地物地表温度及其日变化存在显著差异。图1示意了典型地物(沙地、草地、林地、湖泊)的相对辐射温度变化曲线。水体比热容最大，即放出/吸收相同的热量，其温度降低/升高的少，因此水体白天升温慢，夜间降温慢，昼夜温度变化比周围地物慢而小，其日温差比常见地物都小。对于裸土，干燥土壤的比热容远小于水体，在白天吸收热量迅速升温，晚上释放热量迅速降温，因此昼夜温度变化较大，其日温差远大于水体。因此，土壤中的水分能够增大土壤比热容，日温差比干燥裸土小，且土壤含水量越大，土壤日温差越小。对于有植被覆盖度的区域如草地、林地、耕地等，卫星遥感反演的地表温度受植被与土壤综合影响。土壤含水量影响植被蒸腾量，而蒸腾量又影响植被表层温度。白天，作物缺水时土壤水不能满足作物蒸腾需要，蒸腾吸热减少，叶面温度升高，导致其表层温度高于不缺水作物；夜间，由于水分的保温作用使缺水作物的表层温度又低于不缺水作物；这使得缺水作物的地表温度日较差大于不缺水作物。基于上述原理，灌溉后耕地的土壤含水量显著增加，其地表温度日较差明显小于未灌溉耕地，因此可以通过确定一个地表温度日较差的阈值(△Ts)判断该耕地是否发生灌溉，即当地表温度日较差小于△Ts时则认为发生了灌溉。
本发明一种基于地表温度的春灌期灌溉面积动态监测遥感方法，具体包括如下步骤：
步骤一、数据获取与预处理；其中，所述需要获取的数据包括灌区范围地表温度卫星遥感数据、气象数据和统计数据。
S11、卫星遥感数据
选用日尺度的MODIS地表温度遥感数据产品MOD11A1；空间分辨率为1km，提供中午和午夜地表温度数据产品；所述的预处理包括根据研究区范围裁剪影像和进行每日中午和午夜地表温度数据求差，得到日尺度地表温度日较差数据；
S12、气象数据
获取历史天气情况作为气象数据，用于春灌期阶段的划分及阈值的率定，包括天气情况、日最高气温、日最低气温、气温日较差；所述的预处理包括对气象数据各指标规范到EXEL表格，以便统计分析；
S13、统计数据
灌区统计数据包括春灌的起止时间、春灌期的总估算灌溉面积(即用水量/70(m3/mu))和各灌溉子***的估算灌溉面积，主要用于对灌溉面积提取结果的分析、精度评估和合理性分析。
步骤二、用于灌溉判断的地表温度日较差阈值率定
S21、雨样区域样点采集
具体采用在地表温度卫星遥感影像上统计雨养种植区多年降水事件下地表温度日较差的方法来获取灌溉判定的阈值，即将降水视为灌溉、未降水视为非灌溉。
灌区内由于地势高或灌溉设施不完善，存在无法灌到的大面积雨养作物种植区域，通过实地调研，根据研究区主要作物类型选取采样点若干，记录经纬度和作物种植类型等信息，用于灌溉判断的地表温度日较差阈值率定。
S22、用于灌溉判断的地表温度日较差阈值率定
首先，根据研究区春灌期气温变化特征和农作物物候特征(考虑植被生长阶段、覆盖度变化等因素)，将春灌期划分为若干时间段。其次，结合降雨数据和雨养种植区采样点信息，在多年地表温度日较差卫星遥感影像上提取并分析地表温度日较差统计规律，分别率定春灌期若干时段用于灌溉判断的地表温度日较差阈值△Ts。
步骤三、基于地表温度日较差卫星遥感数据的灌溉面积提取
S31、降水影响判断与卫星遥感数据剔除
基于△Ts和地表温度日较差卫星遥感数据进行灌溉判定时，应判断降水事件的影响并剔除相关时间段的遥感数据。结合历史气象数据，采用决策树方法对降水事件的影响进行判断和剔除处理：首先剔除降水当天和降水后第1天的数据，若降水后第1天没有显示灌溉，而降水后第2天或以后几天显示灌溉，则说明未受降水影响；若降水后第1天显示灌溉，降水后2天至第5天内显示灌溉且地表温度日较差明显变大，则说明受降水影响，需要将降水后第2天至第5天的遥感数据全部剔除。
S32、灌溉事件判断
根据确定的所述的阈值△Ts，对经过步骤S31剔除降水影响后的遥感数据的每个像元，判断是否发生灌溉，进而能够提取出灌区研究区范围内日尺度的实时灌溉区域分布情况，即灌溉区域空间分布图；
S33、基于灌溉规律的结果分析处理
依据两次灌溉事件的时间间隔(以30天为例)为周期(以像元第1次监测到灌溉为开始时间)，同一像元在1个周期内若监测到多次灌溉只视为1次处理。经过基于灌溉规律的结果分析处理，可得到每次灌溉事件的灌溉面积空间分布图。
S34、灌溉面积遥感监测相关结果获取
统计研究区春灌期内每个像元监测到的灌溉次数，即可得到灌区灌溉强度(次数)空间分布图；叠加每次灌溉事件的灌溉面积空间分布图，即可得到春灌期总的灌溉面积空间分布图。
本发明一种基于地表温度的春灌期灌溉面积动态监测遥感方法，其优点在于该方法基于地表温度及其日较差与不同土地利用类型下土壤含水量的理论关系，结合灌溉实际规律特征，充分利用了卫星遥感的大范围、高时效性等技术优势，构建了一种基于地表温度的春灌期灌溉面积动态监测遥感方法，对土壤含水量及其变化较敏感，并且适合干旱半干旱、降水量较少的地区，利用该方法能够对灌溉面积空间分布进行实时监测，能够监测灌区范围的实时灌溉区域空间分布情况，随时了解灌区灌溉开展情况，并可得到灌区强度图、总的灌溉面积分布图等，就可以定量掌握灌溉用水的去向，对灌溉用水的合理分配、调度和管理，提供数据支撑，通过科学有效的管理提高用水效率，保证灌区作物正常生长、提高产量。
附图说明
图1所示为本发明方法理论依据示意图。
图2所示为本发明方法流程框图。
图3所示为本发明实施例研究区及其范围内选取的24个真实雨样区样点数据分布图。
图4a-4h所示为本发明实施例研究区2011年-2018年1月份-5月份日最高气温、日最低气温以及日温差变化情况。
图5所示为本发明用于判断降水影响并剔除相关时段遥感数据的决策树。
图6a-6d所示为本发明实施例研究区实时灌溉面积空间分布监测结果示意图。
图7a-7h所示为本发明实施例研究区2011-2018年春灌期灌溉次数和总的灌溉面积空间分布。
具体实施方式
下面结合附图和实施例，对本发明的技术方案做进一步的说明。
本发明实施例选择我国西北半干旱区典型渠灌灌区即东雷二期抽黄灌区为研究区，对其22011-2018年的春灌灌溉面积开展了遥感识别提取，通过与统计数据对比分析与精度验证，数据情况较好的年份春季累计灌溉面积(亩次)遥感监测结果精度可达95％以上。
东雷二期抽黄灌区位于陕西省关中东部旱塬地区，介于东经109°10’-110°10’、北纬34°41’-35°00′之间，地势由西北向东南倾斜，海拔385-600m。该地区干湿季分明，降水偏少，50％以上的降水集中在7月份到9月份，年平均降水量519mm-552mm，属于半干旱地区。灌区主要是引黄河水通过渠道对耕地进行大水漫灌，设计灌溉面积126.5万亩，分为大荔***、孙镇***、蒲城***、兴镇***、荆姚***、流曲***和刘集***。研究区的主要农作物是冬小麦和夏玉米，部分区域种植水果、蔬菜等其他作物，耕作制度是一年两熟或一年一熟。灌溉制度为冬灌、春灌和夏灌。冬灌时间为11月至12月，春灌时间为2月中旬至4月底，夏灌时间为6月上旬至8月底。冬小麦生长周期为10月至次年6月中旬，一般在11月、3-4月期间灌溉1-2次。夏玉米生长周期为6月下旬至10月，一般在6月、7月期间灌溉2-3次，两次灌溉间隔时间大约为一个月。
所述的一种基于地表温度的春灌期灌溉面积动态监测遥感方法，如图2所示，具体包括如下步骤：
步骤一、数据获取与处理
其中，所述需要获取的数据包括灌区范围地表温度卫星遥感数据、气象数据和统计数据。
S11、卫星遥感数据选用日尺度的MODIS地表温度遥感数据产品MOD11A1；空间分辨率为1km，提供中午和午夜地表温度数据产品，下载研究区2011年-2018年间1月16日-5月5日的MOD11A1产品，2011、2013、2016、2017以及2018年MODIS数据质量较好，但2012、2014以及2015年由于降水、多云等原因造成可用数据量较少。所述的预处理包括根据研究区范围裁剪影像和进行每日中午和午夜地表温度数据求差，得到日尺度地表温度日较差数据。
S12、气象数据获取历史天气情况作为气象数据，以蒲城县和富平县2011年-2018年间1月16日-5月5日的天气情况、日最高气温、日最低气温、气温日较差(https://m.tianqi.com/lishi/shanxi1)等历史气象数据作为春灌期阶段划分及阈值率定依据。所述的预处理包括对气象数据各指标规范到EXEL表格，以便统计分析；
S13、统计数据从灌区管理部门获取的统计数据包括2011-2018年间春灌起止时间、春灌总估算灌溉面积(即用水量/70(m3/mu))和各灌溉分***估算灌溉面积，主要用于对灌溉面积提取结果的分析、精度评估和合理性分析。
步骤二、用于灌溉判断的地表温度日较差阈值率定
S21、雨样区域样点采集由于基于实际灌溉事件的多作物种植类型、多样点的地表温度日较差实验数据获取十分困难，采用在地表温度卫星遥感影像上统计雨养种植区多年降水事件下地表温度日较差的方法来获取灌溉判定的阈值，即将降水视为灌溉、未降水视为非灌溉。采用MOD11A1地表温度遥感产品计算得到日温差数据，空间分辨率1km(约1500亩)，而我国农业灌溉以户为单位进行，单户耕地面积较小，且分布较为分散，因此在影像中寻找“灌溉纯像元”以率定△Ts较为困难。而研究区引用黄河水通过渠道进行灌溉，存在由于地势高无法灌到的大面积区域即雨养区，可用来率定△Ts。以2018年6月上旬野外踏勘采集的24个雨养点为样本点，分布于MODIS地表温度产品的7个像元格中，见图3，将降水视为灌溉、未降水视为非灌溉率定△Ts。
S22、用于灌溉判断的地表温度日较差阈值率定地表温度受太阳辐射影响，随气温变暖不断升高，这种趋势在春季尤为显著，并与气温呈正相关。因此，春灌期气温变化在一定程度上能够反映出地表温度的变化趋势。通过对2011-2018年春季的气温及天气状况分析(见图4a-4h)发现，1月-5月日最高气温、日最低气温呈持续增温趋势，且气温日较差的变化趋势与日最高气温的变化趋势相似。在2月23日以后日最低气温一般在0℃以上，3月25日以后最高气温一般在15℃以上。研究区春灌主要对象是冬小麦，处于返青期到灌浆期阶段，植被覆盖率逐渐变大(见下表1，为本发明实施例研究区春季主要粮食作物冬小麦物候特征)。孕穗期前冬小麦植株较小，植被覆盖率较低，裸土较多；而孕穗期及以后阶段，冬小麦植株迅速生长，植被覆盖率变大，裸土减少。根据研究区春灌期气温变化和农作物物候特征，将春灌期划分为三个时间段，即1月初-2月23日(日最低气温一般在0℃以下，小植株，裸土较多)；2月24日-3月24日(日最低气温一般在0℃以上且日最高气温在15℃以下，小植株，裸土较多)；3月25日-5月31日(最高气温一般在15℃以上，植株快速生长，植被覆盖率变大，植株变大，裸土减少)。结合降雨数据和雨养点的地表温度日较差数据，分别率定春灌期三个时段的△Ts。分析研究区灌溉统计数据发现，春灌最早开始时间为1月20日，结束时间最晚为5月1日，因此选用2011年-2018年间1月16日-5月5日的MODIS地表温度日较差数据及降雨气象数据。根据野外调研选定的雨养点位置，提取2011年-2018年春灌期地表温度日较差遥感影像像元数据，将数据分为受降水影响数据(降水后第1天，前一天发生降雨，雨水蒸发较少，较符合灌溉后耕地的情况)、剔除数据(降雨当天及雨后第2天至第5天数据，降雨当天气温降低会对地表温度产生影响，雨后第2天至第5天有可能受降雨影响，但影响不完全，与灌溉水量差异较大)和其他未受降水影响数据，分别将3个时段受降雨影响、未受降雨影响的数据进行升序排列，利用数理统计方法分别取95％和5％的置信水平剔除MODIS数据本身产生异常值，并得到阈值范围，结合气象数据进一步分析，确定春灌期3个时段识别灌溉的日较差阈值分别为12℃，15℃，11℃。
表1
步骤三、基于地表温度日较差卫星遥感数据的灌溉面积提取
S31、降水影响判断与卫星遥感数据剔除由于降水也会造成土壤含水量增加并进而影响地表温度，因此基于△Ts和地表温度日较差卫星遥感数据进行灌溉判定时应判断降水事件的影响并剔除相关时间段的遥感数据。根据经验，一般每次降水对地表温度变化的影响时间在一周左右，结合历史气象数据，采用决策树方法对降水事件的影响进行判断和剔除处理，见图5：首先剔除降水当天和降水后第1天的数据，若降水后第1天没有显示灌溉，而降水后第2天或以后几天显示灌溉，则说明未受降水影响；若降水后第1天显示灌溉，降水后2天至第5天内显示灌溉且地表温度日较差明显变大，则说明受降水影响，需要将降水后第2天至第5天的遥感数据全部剔除。
S32、灌溉事件判断根据确定的春灌期若干时段的不同地表温度日较差阈值△Ts，对剔除降水影响后的地表温度日较差卫星遥感数据的每个像元，判断是否发生灌溉，能够提取出灌区研究区范围内日尺度的实时灌溉区域分布情况，即灌溉区域空间分布图，见图6a-图6d；
S33、基于灌溉规律的结果分析处理考虑到两次灌溉事件存在时间间隔(有些灌区通常不小于1个月)，同时1km空间分辨率的卫星遥感影像像元面积较大，像元内不同区域耕地的灌溉时间往往不同，使得1次灌溉周期可能出现多次灌溉监测结果；若研究区耕地采用大水漫灌，土壤含水量在灌溉后几天内都维持较高值，也会使得1次灌溉周期出现多次灌溉监测结果。因此，依据两次灌溉事件的时间间隔(以30天为例)为周期(以像元第1次监测到灌溉为开始时间)，同一像元在1个周期内若监测到多次灌溉只视为1次处理。
S34、灌溉面积遥感监测相关结果获取经过基于灌溉规律的结果分析处理，可得到每次灌溉事件的灌溉面积空间分布图；统计研究区春灌期内每个像元监测到的灌溉次数，即可得到灌区灌溉强度(次数)空间分布图；叠加每次灌溉事件的灌溉面积空间分布图，即可得到春灌期总的灌溉面积空间分布图；见图7a-图7h。
对比春季累计灌溉面积遥感监测数据与统计估算数据，见下表2(为本发明实施例研究区2011-2018年春灌期累计灌溉面积提取结果与统计数据对比与精度分析)，基于地表温度的灌溉面积遥感监测识别方法得出的2011、2013、2016-2018年春季累计灌溉面积的平均提取精度为94.44％。可用卫星遥感数据量是灌溉面积提取结果精度的主要限制因素，2012、2013、2014、2015年由于可用数据少，灌溉面积遥感监测效果不理想。
表2。
Claims (2)
1.一种基于地表温度的春灌期灌溉面积动态监测遥感方法，其特征在于：该方法包括如下步骤：
步骤一、数据获取与预处理；其中，需要获取所述的数据包括灌区范围地表温度卫星遥感数据、气象数据和统计数据；
步骤二、用于灌溉判断的地表温度日较差阈值率定，具体采用在地表温度卫星遥感影像上统计雨养种植区多年降水事件下地表温度日较差的方法来获取灌溉判定的阈值，即将降水视为灌溉、未降水视为非灌溉；
步骤三、基于地表温度日较差卫星遥感数据的灌溉面积提取，包括：
S31、降水影响判断与卫星遥感数据剔除
结合历史气象数据，采用决策树方法对降水事件的影响进行判断和剔除处理：
S32、灌溉事件判断
根据确定的所述的地表温度日较差阈值，对经过步骤S31剔除降水影响后的遥感数据的每个像元，判断是否发生灌溉，进而能够提取出灌区研究区范围内日尺度的实时灌溉区域分布情况，即灌溉区域空间分布图；
S33、基于灌溉规律的结果分析处理
依据两次灌溉事件的时间间隔为周期，同一像元在1个周期内若监测到多次灌溉只视为1次处理；经过基于灌溉规律的结果分析处理，得到每次灌溉事件的灌溉面积空间分布图；
S34、灌溉面积遥感监测相关结果获取
统计研究区春灌期内每个像元监测到的灌溉次数，即可得到灌区灌溉强度空间分布图；叠加每次灌溉事件的灌溉面积空间分布图，即可得到春灌期总的灌溉面积空间分布图；
所述步骤一的具体过程如下：
S11、卫星遥感数据
选用日尺度的MODIS地表温度遥感数据产品MOD11A1；空间分辨率为1km，提供中午和午夜地表温度数据产品；所述的预处理包括根据研究区范围裁剪影像和进行每日中午和午夜地表温度数据求差，得到日尺度地表温度日较差数据；
S12、气象数据
获取历史天气情况作为气象数据，用于春灌期阶段的划分及阈值的率定，包括天气情况、日最高气温、日最低气温、气温日较差；所述的预处理包括对气象数据各指标规范到EXEL表格，以便统计分析；
S13、统计数据
灌区统计数据包括春灌的起止时间、春灌期的总估算灌溉面积和各灌溉子***的估算灌溉面积，用于对灌溉面积提取结果的分析、精度评估和合理性分析；
所述步骤S31的具体过程为：首先剔除降水当天和降水后第1天的数据，若降水后第1天没有显示灌溉，而降水后第2天或以后几天显示灌溉，则说明未受降水影响；若降水后第1天显示灌溉，降水后2天至第5天内显示灌溉且地表温度日较差明显变大，则说明受降水影响，需要将降水后第2天至第5天的遥感数据全部剔除。
2.根据权利要求1所述的一种基于地表温度的春灌期灌溉面积动态监测遥感方法，其特征在于：所述步骤二具体过程如下：首先，根据研究区春灌期气温变化特征和农作物物候特征，将春灌期划分为若干时间段；其次，结合降雨数据和雨养种植区采样点信息，在多年地表温度日较差卫星遥感影像上提取并分析地表温度日较差统计规律，分别率定春灌期若干时段用于灌溉判断的地表温度日较差阈值△Ts。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910763032.XA CN110516943B (zh) | 2019-08-19 | 2019-08-19 | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910763032.XA CN110516943B (zh) | 2019-08-19 | 2019-08-19 | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110516943A CN110516943A (zh) | 2019-11-29 |
| CN110516943B true CN110516943B (zh) | 2022-04-12 |
Family
ID=68625645
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910763032.XA Active CN110516943B (zh) | 2019-08-19 | 2019-08-19 | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110516943B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112016052B (zh) * | 2020-08-20 | 2021-07-09 | 广东省气象探测数据中心 | 基于多源数据的近地表日最高气温估算方法、***及终端 |
| CN117011363A (zh) * | 2023-08-17 | 2023-11-07 | 中国水利水电科学研究院 | 一种基于modis地表温度日较差的灌区灌溉面积提取阈值确定方法 |
| CN116956200B (zh) * | 2023-09-19 | 2023-11-24 | 山东辉瑞管业有限公司 | 基于机器学习的灌溉管生产实时检测*** |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104424390B (zh) * | 2013-09-06 | 2018-10-23 | 中国水利水电科学研究院 | 灌溉面积监测方法及装置 |
| MX2020001072A (es) * | 2017-08-01 | 2020-08-06 | Valmont Industries | Sistema y metodo para el control y la compensacion del viento de riego de tasa variable. |
| CN109726698B (zh) * | 2019-01-07 | 2020-10-27 | 中国水利水电科学研究院 | 基于遥感数据进行季度灌溉面积识别的方法 |
-
2019
- 2019-08-19 CN CN201910763032.XA patent/CN110516943B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110516943A (zh) | 2019-11-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Holzman et al. | Early assessment of crop yield from remotely sensed water stress and solar radiation data | |
| Abdel-Rahman et al. | A comparison of partial least squares (PLS) and sparse PLS regressions for predicting yield of Swiss chard grown under different irrigation water sources using hyperspectral data | |
| YANG et al. | Water consumption in summer maize and winter wheat cropping system based on SEBAL model in Huang-Huai-Hai Plain, China | |
| CN110956381A (zh) | 一种远程农业信息智能分析***及农业环境调控方法 | |
| Nyakudya et al. | Water management options based on rainfall analysis for rainfed maize (Zea mays L.) production in Rushinga district, Zimbabwe | |
| CN110516943B (zh) | 一种基于地表温度的春灌期灌溉面积动态监测遥感方法 | |
| Mhizha et al. | Use of the FAO AquaCrop model in developing sowing guidelines for rainfed maize in Zimbabwe | |
| Wei et al. | Spatial and temporal change of fractional vegetation cover in North‐western China from 2000 to 2010 | |
| Parida et al. | Detecting drought-prone areas of rice agriculture using a MODIS-derived soil moisture index | |
| CN112215716A (zh) | 农作物生长干预方法、装置、设备及存储介质 | |
| Srivastava et al. | Impact of climatic variables on the spatial and temporal variability of crop yield and biomass gap in Sub-Saharan Africa-a case study in Central Ghana | |
| Thomas | Climatic changes in yield index and soil water deficit trends in China | |
| CN114897423B (zh) | 基于作物水分指示线的农田灌溉概率指数计算方法 | |
| CN116562139A (zh) | 一种糖料蔗种植区域碳汇量计算方法 | |
| McNider et al. | A real-time gridded crop model for assessing spatial drought stress on crops in the Southeastern United States | |
| Campos et al. | Yield and morphology of forage cactus cultivars under drip irrigation management based on soil water matric potential thresholds | |
| den Besten et al. | A novel approach to the use of earth observation to estimate daily evaporation in a sugarcane plantation in Xinavane, Mozambique | |
| Chu et al. | Estimation of winter wheat phenology under the influence of cumulative temperature and soil salinity in the Yellow River Delta, China, using MODIS time-series data | |
| Morales-Santos et al. | Assessment of canopy temperature-based water stress indices for irrigated and rainfed soybeans under subhumid conditions | |
| CN106105927B (zh) | 一种确定早稻播种期的方法 | |
| Modina et al. | Variable rate irrigation in a vineyard and an orchard | |
| Raut et al. | Study of irrigation and crop water requirements and growth of two Rabi crops grown in a semi arid region using agrometeorology and remote sensing | |
| Suryadi et al. | A study of crop water needs and land suitability in the monoculture system and plant intercropping in Arjasari | |
| Kumara et al. | GIS multi-criteria analysis to explore potential wine-grape growing sites in the tropics | |
| Ibrahim‐Bathis et al. | Crop Water Requirements Analysis Using Geoinformatics Techniques in the Water‐Scarce Semi‐Arid Watershed |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |