CN111192315B - 一种基于多源信息的实际灌溉面积提取方法 - Google Patents
一种基于多源信息的实际灌溉面积提取方法 Download PDFInfo
- Publication number
- CN111192315B CN111192315B CN201811355549.7A CN201811355549A CN111192315B CN 111192315 B CN111192315 B CN 111192315B CN 201811355549 A CN201811355549 A CN 201811355549A CN 111192315 B CN111192315 B CN 111192315B
- Authority
- CN
- China
- Prior art keywords
- irrigation
- area
- information
- potential
- irrigation area
- 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 286
- 230000002262 irrigation Effects 0.000 title claims abstract description 283
- 238000000605 extraction Methods 0.000 title claims abstract description 26
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 104
- 239000002689 soil Substances 0.000 claims abstract description 88
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims description 37
- 238000001556 precipitation Methods 0.000 claims description 31
- 230000012010 growth Effects 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 235000013399 edible fruits Nutrition 0.000 claims description 5
- 238000007405 data analysis Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000005855 radiation Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 239000003621 irrigation water Substances 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 240000007594 Oryza sativa Species 0.000 description 4
- 235000007164 Oryza sativa Nutrition 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 235000009566 rice Nutrition 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229920006395 saturated elastomer Polymers 0.000 description 3
- 239000002344 surface layer Substances 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241000209140 Triticum Species 0.000 description 2
- 235000021307 Triticum Nutrition 0.000 description 2
- 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
- 235000013339 cereals Nutrition 0.000 description 2
- 235000005822 corn Nutrition 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000005648 plant growth regulator Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000002834 transmittance Methods 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- 229920000742 Cotton Polymers 0.000 description 1
- 244000068988 Glycine max Species 0.000 description 1
- 235000010469 Glycine max Nutrition 0.000 description 1
- 241000219146 Gossypium Species 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 244000061456 Solanum tuberosum Species 0.000 description 1
- 235000002595 Solanum tuberosum Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例提供了一种基于多源信息的实际灌溉面积提取方法,具体为根据预先获取的多源信息提取潜在灌溉面积,所述多源信息包括基础地理信息、气象信息、灌排工程信息、农业种植结构信息和灌溉制度信息;利用遥感信息对所述潜在灌溉面积内作物生育期的田间表层土壤含水量进行反演计算;根据所述田间表层土壤含水量采用不同方法从所述潜在灌溉面积中进行提取,得到实际灌溉面积。通过上述操作,可以快速、有效获得实际灌溉面积,从而能够为农业用水管理提供科学、客观的依据。
Description
技术领域
本发明涉及农业水土工程、遥感技术领域,特别是涉及一种基于多源信息的实际灌溉面积提取方法。
背景技术
我国是一个水资源极其匮乏的国家,加之水环境污染和水生态损害愈加凸显,水资源供需矛盾日益突出。在我国,农业是用水大户,农业用水量约占总用水量的62%,而农田灌溉用水量约占农业用水量的85%,是我国经济社会用水的重要组成部分,因此,农业用水管理也成为最严格水资源管理的重点和核心内容。
截至2016年底,全国灌溉面积达到10.98亿亩,全国万亩以上灌区7806处,其中30万亩以上大型灌区458处,耕地灌溉面积2.66亿亩,占全国耕地面积的13%,灌区内生产的粮食产量、农业总产值均超过全国总量的1/4,是我国粮食安全的重要保障和农业农村经济社会发展的重要支撑。
加强灌区用水管理、提高灌溉水的利用效率,是缓解我国水资源紧缺的迫切要求。灌溉面积是灌区有效实施用水总量控制和定额管理的重要用水参数之一。目前,灌溉面积主要通过调查统计方式获取,时效性和准确性相对较差,且统计工作量较大;而在灌区用水管理中迫切需要掌握灌溉面积指标,及其空间分布和动态变化等信息,因此,传统灌溉面积获取方法已不能满足灌区现代化管理需求,亟需建立更为科学、合理的相关技术和方法,尤其在基于遥感等多源信息的高分辨率实际灌溉面积快速提取方面加强研究,为农业用水管理提供科学、客观依据。
发明内容
有鉴于此,本发明提供了一种基于多源信息的实际灌溉面积提取方法,用于对实际灌溉面积进行快速、有效提取,为农业用水管理提供科学、客观的依据。
为了解决上述问题,本发明公开了一种基于多源信息的实际灌溉面积提取方法,包括步骤:
根据预先获取的多源信息提取潜在灌溉面积,所述多源信息包括基础地理信息、气象信息、灌排工程信息、农业种植结构信息、灌溉制度信息;
利用遥感信息对所述潜在灌溉面积内作物生育期的田间表层土壤含水量进行反演计算;
根据所述田间表层土壤含水量,采用不同方法从所述潜在灌溉面积中进行提取,得到实际灌溉面积。
可选的,所述根据多源信息提取潜在灌溉面积,包括步骤:
获取所述基础地理信息;
提取所述农业种植结构信息;
获取气象信息,生成全国降水量分布图;
建立主要作物灌溉制度数据库,对所述灌溉制度信息进行数据分析;
根据所述基础地理信息、农业种植结构信息和对所述灌溉制度数据分析结果,提取所述潜在灌溉面积。
可选的,所述基础地理信息包括行政区划边界、土地利用图、全国地貌图和土壤类型分布图。
可选的,所述潜在灌溉面积包括耕地灌溉面积和非耕地灌溉面积。
可选的,所述根据多源信息提取潜在灌溉面积,还包括步骤:
提取灌区或行政区的潜在灌溉面积。
可选的,所述根据多源信息提取潜在灌溉面积,还包括步骤:
对灌溉地和非灌溉地进行选取。
可选的,所述利用遥感信息对所述潜在灌溉面积内作物生育期的田间表层土壤含水量进行反演计算,包括步骤:
对多源遥感影像进行预处理;
通过经过预处理的多源遥感影像提取归一化差值植被指数;
通过经过预处理的多源遥感影像和大气剖面参数计算地表温度;
根据所述归一化差值植被指数和所述地表温度构建特征空间,确定温度-植被干旱指数;
根据田间试验,确定土壤含水量临界最大、最小值等关键土壤水分参数;
计算灌溉地和非灌溉地的田间表层土壤含水量。
可选的,所述利用遥感信息对所述潜在灌溉面积内作物生育期的田间表层土壤含水量进行反演计算,还包括步骤:
根据田间实测土壤含水量对所述表层遥感土壤含水量进行修正。
可选的,所述根据所述作物生育期的田间表层土壤含水量从所述潜在灌溉面积中进行提取,得到所述实际灌溉面积,包括:
结合所述灌溉制度信息,确定各次灌溉时间范围和遥感影像,并通过所述作物生育期的田间表层土壤含水量的变化从所述潜在灌溉面积中提取所述实际灌溉面积;
或者,对于干旱少雨地区,结合所述灌溉制度信息,通过所述作物生育期的田间表层土壤含水量逐次提取所述实际灌溉面积。
或者,对比各次灌溉时段范围内灌溉地和非灌溉地的表层遥感土壤含水量差值,逐次从所述潜在灌溉面积中提取所述实际灌溉面积。
还包括:
根据当年降水量、作物类型及其耗水量和所述灌溉制度信息提取所述实际灌溉面积。
从上述技术方案可以看出,本发明提供了一种基于多源信息的实际灌溉面积提取方法,具体为根据预先获取的多源信息提取潜在灌溉面积,所述多源信息包括基础地理信息、气象信息、灌排工程信息、农业种植结构信息和灌溉制度信息;利用遥感信息对所述潜在灌溉面积内作物生育期的田间表层土壤含水量进行反演计算;根据所述田间表层土壤含水量采用不同方法从所述潜在灌溉面积中进行提取,得到实际灌溉面积。通过上述操作,可以快速、有效获得实际灌溉面积,从而能够为农业用水管理提供科学、客观的依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于多源信息的实际灌溉面积提取方法的步骤流程图;
图2为本发明实施例提供的一种潜在灌溉面积的提取方法的步骤流程图;
图3为本发明实施例提供的一种田间表层土含水量的反演计算过程的步骤流程图;
图4为本发明实施例提供的一种实际灌溉面积的提取方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本申请实施例提供的一种基于多源信息的实际灌溉面积提取方法的步骤流程图。
如图1所示,本实施例提供的实际灌溉面积的提取方法包括如下步骤:
S1、根据预先获取的多源信息提取潜在灌溉面积。
潜在灌溉面积具体来说是通过一般常识性的经验或规律判定某一地块是否灌溉,即是否具备灌溉条件。潜在灌溉面积的确定主要是为实际灌溉面积提取设定一个合理、可能的范围。潜在灌溉面积识别提取如图2所示。
具体的提取过程如下描述:
获取多源信息。多源信息包括基础地理信息、气象信息、灌排工程信息、土地利用信息和灌溉制度信息。具体如下:
(1)准备行政区划边界和灌区边界,以及灌区渠系和水源分布图。
灌区边界(矢量数据):①第一次全国水利普查—灌区专项普查数据(2011年);②灌区管理部门提供的大比例尺灌区边界。
行政区划边界(矢量数据):①全国、省、市、县行政区划数据;②1:10万全国乡镇行政区划数据。
灌区渠系和水源分布(矢量数据):①第一次全国水利普查—灌区专项普查数据(2011年);②灌区管理部门提供的大比例尺水利工程分布图。
(2)准备土地利用图。
土地利用(30×30m栅格数据):当年全国土地利用数据,具体分类详见表1。
表1
其中,耕地分布(30×30m栅格数据)获取:①第二次全国土地调查数据;②美国发布的2015年全球30m农田分布图。
(3)准备全国地貌图。
根据全国地貌图,提取山区、丘陵和平原分布,并与耕地分布进行叠加,获取不同地形条件下的耕地分布。地貌具体分类详见表2。
编码 | 地貌分类 | 编码 | 地貌分类 | 编码 | 地貌分类 | 编码 | 地貌分类 |
1 | 山地 | 2 | 丘陵 | 3 | 台地 | 4 | 平原 |
11 | 极大起伏山地 | 21 | 梁峁丘陵 | 31 | 高台地 | 41 | 起伏平原 |
12 | 大起伏山地 | 22 | 高丘陵 | 32 | 中台地 | 42 | 倾斜平原 |
13 | 中起伏山地 | 23 | 中丘陵 | 33 | 低台地 | 43 | 平坦平原 |
14 | 小起伏山地 | 24 | 低丘陵 | ||||
15 | 喀斯特山地 | 25 | 喀斯特丘陵 | ||||
26 | 沙丘 |
表2
地形分布(栅格数据):①2004年全国90×90m栅格地貌数据;②根据30m DEM(数字高程模型)提取地貌分布;③大比例尺县域地形图。
(4)准备土壤类型分布图。
土壤类型分布(矢量数据):1:100万中华人民共和国土壤图。
(5)生成全国降水量分布图。
基于国家基础气象站网逐日站点观测数据,自动生成全国多年平均降水量等值线图、当年降水量等值线图和季节降水量等值线图。
2、提取农业种植结构信息。
利用种植结构遥感监测分析软件获取农业种植结构信息。主要提取水稻、小麦、玉米、棉花、大豆、土豆,以及区域种植面积较大的作物、规模设施农业,以及果树和经济林分布,并对其类别属性进行编码。
种植结构(30×30m栅格数据):利用作物种植结构遥感监测分析软件,通过遥感解译方式获得。
3、建立主要作物灌溉制度数据库,对所述灌溉制度信息进行数据分析。
基于全国灌溉试验站网灌溉试验数据,建立主要作物灌溉制度数据库,包括作物生育阶段、旬作物需水量、旬降水量、不同水平年作物需水量、多年平均降水量、当年降水量、种植制度(如水稻,需要进一步划分早、中、晚稻)、灌溉制度等。
灌溉试验数据分析:主要分析旬作物需水量、旬降水量的关系。需要说明的是不同灌溉试验站点对应的代表区域,此区域全部以该站点试验资料为基础进行判断,代表区域划分具体可以参考各省(区、市)灌溉用水定额编制分区。
4、提取潜在灌溉面积。
(1)有灌区边界情况
①渠灌区、井渠结合灌区。理论上,灌区内灌排工程控制的耕地面积即为潜在灌溉面积(包括设施农业);无详细资料时,可将灌区范围内的耕地面积作为潜在灌溉面积,非耕地中成规模的果树、设施农业等即作为潜在灌溉面积。同时,可利用灌区渠系分布图、灌溉机井分布图、水源特征数据(位置、形式、供水能力)等,对其控制边界范围进行辅助识别与复核。最后,生成灌区内的耕地潜在灌溉面积、非耕地潜在灌溉面积。
对于渠灌区,通过将渠系分布图和耕地、非耕地(果树、设施农业等)分布叠加,直观判断渠系末端是否在耕地、非耕地范围内,可将包括渠系在内的耕地、非耕地范围作为渠灌区控制边界,若渠系末端超出耕地、非耕地范围,则需要进一步现场核实。
对于井渠结合灌区,根据灌区外围机井位置、单井出水量,以及灌溉作物类型和综合灌溉平均灌溉定额估算单井控制的灌溉面积;同时,结合上述渠灌区控制边界判断方法,可将包括机井和渠系在内的耕地、非耕地范围作为井渠结合灌区控制边界,若外围机井分布、渠系末端超出耕地范围,则需要进一步现场核实。
单井控制的灌溉面积,其计算公式如下:
式中,F0为单井控制灌溉面积(hm2);Q为单井出水量(m3/h);t为灌溉期间开机时间(h/d);T为每次轮灌期的天数(d);η为灌溉水利用系数;η1为干扰抽水的水量消减系数;m为综合平均灌溉定额(m3/hm2)。
综合平均灌溉定额,其计算公式如下:
式中,Ai为第i种作物的种植面积(hm2);mi为第i种作物的灌溉用水定额(m3/hm2);i为不同作物编号,i=1,2,…,n。
②集中连片有边界的井灌区或其他灌区。灌区范围内耕地、设施农业、林果地等面积,即为潜在灌溉面积。同时,可利用灌溉机井分布图,对其控制边界范围进行辅助识别与复核。
对于井灌区,通过将机井分布图和耕地、非耕地分布叠加,根据灌区外围机井位置、单井出水量,以及灌溉作物类型和综合平均灌溉定额估算单井控制的灌溉面积。可将包括机井在内的耕地、非耕地范围作为井灌区控制边界,若外围机井分布超出耕地、非耕地范围,则需要进一步现场核实。
(2)无灌区边界情况
①结合种植结构和灌溉制度,按地貌分区域提取潜在灌溉面积,提取规则具体详见表3。
表3
就全国范围而言,需要通过对各省(区、市)进行典型调查,在详细了解当地灌溉习惯基础上,针对不同区域进一步制定详细的判别规则。这里需要特别注意南方丘陵山区灌溉的山间盆地和西北黄土高原灌溉的谷地。
结合表4按地貌分区域提取潜在灌溉面积规则,可进一步根据主要作物生育期耗水量(作物耗水量由遥感反演获取)ET与当年作物生育期实际降水量P进行比较判断。具体操作中可分区域细化确定主要作物类型及种植情况,结合灌溉试验、模型模拟、文献资料等综合分析确定不同区域主要作物生育期降水临界值α(其值确定还需要根据实际情况进一步研究确定),若ET-P〉α,则判定是灌溉,否则判定为非灌溉。某一分区考虑地貌、作物、耗水和降水因素的判别规则表详见表4。
表4
②条件具备时,收集和调查灌区水源分布、水源特征数据(类型、供水能力等),水源类型可按河流(引水和提水)、塘坝、集雨水窖、灌溉机井等,构建灌区水源分布图。尤其要对区域规模水窖灌溉区域、规模纯井灌溉区域等进行重点调查,实际操作中可由灌区管理单位协助。尤其要对丘陵、山区耕地范围内的雨养农业进行重点排查,水源分布可作为辅助识别,确认为雨养农业的予以扣除。
(3)统一数据格式标准。
上述栅格数据、矢量数据要统一坐标系/投影(2000国家大地坐标系,投影转换注意分区),栅格数据均为30×30m分辨率。
5、提取灌区或行政区的潜在灌溉面积数据。
利用行政区划边界或灌区边界,提取形成灌区,以及全国、省、市、县行政区的30×30m潜在灌溉面积栅格数据产品。
另外,在得到潜在灌溉面积后还对其进行对比分析,具体步骤如下:
1、与统计资料对比分析
(1)收集最新各省、市、县行政区有效灌溉面积、土地利用、种植结构等统计资料。
(2)将全国、省、市、县行政区有效灌溉面积、耕地面积、种植结构与各地统计数据进行对比分析,绘制相关关系散点图。
(3)确定潜在灌溉面积差异较大区域,分析原因,进行进一步复核分析,提出需现场或与有关部门沟通的重点区域和解决对策。
(4)分析确定不同行政区域潜在灌溉面积,制作形成30×30分辨率的栅格数据和空间分布图。
2、与自然资源部门土地利用资料对比分析
按照不同行政区域,分析土地利用中水田和水浇地面积,两者之和与潜在灌溉面积进行对比。
3、通过资料对比分析最终确定潜在灌溉面积
通过上述综合分析,形成全国、省、市、县的潜在灌溉面积分布图、数据表、柱状图,以及逐年变化图等。
4、灌溉地和非灌溉地选取
在潜在灌溉面积图上,对灌溉地和非灌溉地进行选取,具体步骤如下:
①基于全国多年平均降水量等值线图,按照年降水量200mm以下、200~400mm、400~800mm、800mm以上分档标准进行多年平均年降水量分区。具体操作中也可根据区域范围大小在上述分档标准基础上适当进行加密处理,以反映区域降水的空间变异性。
②结合地貌图、土壤质地分布图,通过上述不同图层的叠加,识别确定降水、地形和土壤质地属性一致(或相似)的区域。
③结合耕地分布图和土地利用图,在Google Earth图上首先根据实际需要在特定区域内均匀确定耕地范围内一定灌溉的灌溉地,提取灌溉地的点坐标并命名编号;再按照对照点距离最小、作物相似原则,确定非灌溉地,提取非灌溉地的点坐标并进行编号,为实际灌溉面积提取提供基础支撑。
S2、利用遥感信息对作物生育期的田间表层土壤含水量进行反演计算。
具体计算过程如图3所示。
1、对多源遥感影像进行预处理,包括几何校正、大气校正、镶嵌与裁切等。
2、利用预处理的遥感影像提取归一化差值植被指数(Normalized DifferenceVegetation Index,NDVI),其计算公式如下:
式中,NIR代表近红外波段处的反射率值;R代表红波段处的反射率值,NDVI为归一化差值植被指数。
3、根据预处理过的遥感影像和大气剖面参数计算地表温度(land surfacetemperature,LST)
(1)准备大气剖面参数:大气在热红外波段的透过率τ、大气向上辐射亮度L↑和大气向下辐射亮度L↓。
(2)计算植被覆盖度,其计算公式如下:
PV=[(NDVI-NDVISoil)/(NDVIVeg-NDVISoil)]
式中,NDVI为归一化差值植被指数;NDVISoil为完全裸土或无植被覆盖区域像元的NDVI值;NDVIVeg为完全被植被覆盖区域像元的NDVI值。一般情况下,NDVIVeg和NDVISoil取经验值,NDVIVeg=0.70,NDVISoil=0.05,即当某个像元的NDVI≥0.70时,PV取值为1;当NDVI<0.05时,PV取值为0。
(3)计算地表比辐射率,其计算公式如下:
ε=0.004*Pv+0.986
式中,PV为植被覆盖度,ε为地表比辐射率。
(4)计算黑体热辐射亮度B(Ts),其计算公式如下:
B(Ts)=[Lλ-L↑-τ(1-ε)L↓]/τε
式中,Lλ为卫星传感器接收到的热红外辐射亮度值;L↑为大气向上辐射亮度;L↓为大气向下辐射亮度值;ε为地表比辐射率;τ大气在热红外波段的透过率,B(Ts)为温度为T的黑体在热红外波段的辐射亮度值。
(5)计算地表真实温度TS,其计算公式如下:
TS=K2/ln(K1/B(TS)+1)
式中,K1和K2均为常量(对于Landsat 5 Thematic Mapper(TM),K1=607.76W/(m2*μm*sr),K2=1260.56K;对于Landsat 7 Enhanced Thematic Mapper (ETM+),K1=666.09W/(m2*μm*sr),K2=1282.71K;对于Landsat 8 Thermal Infrared Sensor(TIRS)传感器,Band10,K1=774.89W/(m2*μm*sr),
K2=1321.08K);Ts为地表温度(K)。
4、根据归一化差值植被指数NDVI和地表温度LST构建特征空间,确定温度-植被干旱指数(Temperature Vegetation Dryness Index,TVDI)。
Tsmin=a1+b1NDVI
Tsmax=a2+b2NDVI
式中,TS代表任意像元的地表温度(K);Tsmin表示某一NDVI对应的最低温度,对应湿边;TSmax表示某一NDVI对应的最高温度,对应干边;a1、b1为湿边方程的拟合系数;a2、b2为干边方程的拟合系数。TVDI在[0,1]之间,当(NDVI,LST)越接近于干边时,下垫面土壤越干燥,在干边上TVDI=1;当(NDVI,LST)越接近湿边时,下垫面越湿润,在湿边上TVDI=0。
5、根据实测土壤含水量来确定土壤含水量最大值SSMmax、土壤含水量最小值SSMmin,最终确定任意点土壤表层含水量SSM。
式中,SSMmax为土壤含水量最大值,即田间持水率和饱和含水率均值;SSMmin为土壤含水量最小值,即永久凋萎点。
6、灌溉地和非灌溉地典型田块土壤含水量及土壤水分特性参数确定。
对于大范围区域,通过土壤类型分布图,确定土壤质地类型和相关参数(凋萎含水率、田间持水率和饱和含水率等土壤水分特性参数)。
对于典型田块,按照以下步骤确定:①考虑灌区土壤质地和主要作物类型分布,进行合理分区;②大田采样地块规格为60×60m,尽可能不同土壤质地、不同作物类型组合设置一处典型地块;③为了能够区分降水和灌溉引起的土壤水分变化,需在灌溉地典型田块附近,选择非灌溉地典型田块作为参照,非灌溉地选取要求是气候条件、作物类型、土壤质地、耕作制度等方面与灌溉地基本一致。
所需测定参数:土壤含水量、凋萎含水率、田间持水率和饱和含水率等。
监测深度划分:0~5cm、5~10cm、10~20cm
土壤含水量测定方法:烘干法
监测频率:根据不同作物灌溉日期,灌溉前加测一次,灌溉后每日监测一次,监测时间截止为灌溉后第10天。采样点的位置要具有代表性,能够代表田块的土壤湿度平均水平,且每次采样点的位置尽可能固定。
7、获取灌溉地典型田块降水量。
对于大范围区域,通过国家基础气象站点降水要素空间插值或遥感降水产品,获取降水量。
对于典型田块,有条件的可采用自计雨量计,或者采用简易的雨量筒进行人工采集。记录逐日的降水时间(起始时刻和终止时刻,时间范围为08:00-20:00)、降水量(mm)。
8、对遥感田间表层土壤含水量进行修正。
选择灌概地和非灌溉地等代表性点对遥感土壤含水量进行检验修正,消除算法等引起的系统误差。
θO=k·θRS+b
式中,θO为观测土壤含水量(cm3/cm3),θRS为遥感土壤含水量(cm3/cm3),k和b分别为标定系数,根据不同作物、不同生育期,由观测资料确定,并建立历史资料数据库。
S3、从潜在灌溉面积范围内提取实际灌溉面积。
在潜在灌溉面积确定的基础上,进一步提取灌区的实际灌溉面积。结合获取的遥感影像、种植结构、灌溉制度、降水等多源信息,采取以下步骤进行实际灌溉面积提取,具体如图4所示:
1、在潜在灌溉面积范围内,根据当年降水情况、种植作物类型及其耗水量和灌溉制度信息,判断发生灌溉的作物和面积(设施农业、蔬菜、玉米、小麦和水稻等)。在不同作物生育期内(旬尺度、月尺度),若作物耗水量大于当年降水量,则确定为发生灌溉,即:
作物耗水量-当年降水量>临界阈值时,确定灌溉。
临界阈值通过试验资料确定,其主要影响因素包括潜水补给(受地下水埋深约束)、作物类型、土壤类型等。根据不同区域划分给定不同的判别阈值。
2、结合不同作物灌溉制度信息,确定各次灌水时间范围和过境影像,通过遥感反演作物生育期的田间表层土壤含水量逐次提取发生灌溉的实际灌溉面积。
假设各次灌溉时段范围内无灌溉发生,根据时段内降水资料,以时段初遥感土壤含水量值θt为初始值,根据土壤含水量衰减函数,推求时段末土壤含水量值θt+n:
θt+n=c·θt·t-m
若:θt+n'-θt+n>D阈值
则时段内发生灌溉。
式中,θt+n为时段末估算的土壤含水量(cm3/cm3),θt+n'为时段末遥感土壤含水量(cm3/cm3),θt为时段初遥感土壤含水量(cm3/cm3);c为常数;m为衰减系数;t为时间(d);D阈值根据不同作物、不同生育期,通过试验资料确定。
3、对于干旱、少雨地区,结合不同作物灌溉制度信息和过境影像,通过遥感反演作物生育期的田间表层土壤含水量的变化逐次提取发生灌溉的面积。
假设时段内无降水发生,以时段初遥感土壤含水量值θt为初始值,时段末遥感土壤含水量值为θt+n:
若:θt+n-θt>D阈值
则时段内发生灌溉。
式中,θt+n为时段末土壤含水量(cm3/cm3),θt为时段初土壤含水量(cm3/cm3)。D阈值根据不同作物、不同生育期来确定,通过试验资料确定。
4、对比各次灌溉时段范围内灌溉地和非灌溉地遥感土壤含水量差值变化,逐次提取发生灌溉的面积。
若:
(θI-θNI)t+n-(θI-θNI)t>D阈值
则时段内发生灌溉。
式中,θI为灌概地土壤含水量(cm3/cm3),θNI为非灌概地土壤含水量(cm3/cm3);t为时段初日期,t+n为时段末日期,n为时段间隔日期(d)。当公式成立时,则认为有灌溉发生,统计像元及灌溉面积。D阈值根据不同作物类型、不同生育期,通过试验资料确定。
5、根据不同研究地区和数据资料情况选择不同实际灌溉面积提取方法,统计目标时段内(年、月、作物生育期)发生灌溉的面积,并对不同方法监测结果进行叠加分析,确定当年的实际灌溉面积。
6、对比省、市、县行政区统计资料的实际灌溉面积,分析两者差异性,并通过人工地面调查,统计遥感反演实际灌溉面积精度,如符合度指数、百分比等指标。
从上述技术方案可以看出,本实施例提供了一种基于多源信息的实际灌溉面积提取方法,具体为根据预先获取的多源信息提取潜在灌溉面积,所述多源信息包括基础地理信息、气象信息、灌排工程信息、农业种植结构信息和灌溉制度信息;利用遥感信息对所述潜在灌溉面积内作物生育期的田间表层土壤含水量进行反演计算;根据所述田间表层土壤含水量采用不同方法从所述潜在灌溉面积中进行提取,得到实际灌溉面积。通过上述操作,可以快速、有效获得实际灌溉面积,从而能够为农业用水管理提供科学、客观的依据。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的技术方案进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于多源信息的实际灌溉面积提取方法,其特征在于,包括步骤:
根据预先获取的多源信息提取潜在灌溉面积,所述多源信息包括基础地理信息、气象信息、灌排工程信息、农业种植结构信息、灌溉制度信息;
利用遥感信息对所述潜在灌溉面积内作物生育期的田间表层土壤含水量进行反演计算;
根据所述田间表层土壤含水量,采用不同方法从所述潜在灌溉面积中进行提取,得到实际灌溉面积;
所述根据预先获取的多源信息提取潜在灌溉面积,包括:
获取有灌区边界灌区与无灌区边界灌区;
其中,将所述有灌区边界灌区内的耕地面积作为所述潜在灌溉面积,和/或,将所述有灌区边界灌区内非耕地中的林果地面积与设施农业面积作为所述潜在灌溉面积;
以及根据地貌信息划分不同区域,结合所述农业种植结构信息与所述灌溉制度信息确认所述无灌区边界灌区内不同区域的所述潜在灌溉面积,包括:根据所述无灌区边界灌区内常规灌溉作物分布信息确定所述潜在灌溉面积,和/或,根据所述无灌区边界灌区内主要作物生育期耗水量与当年作物生育期实际降水量确定所述潜在灌溉面积。
2.如权利要求1所述的提取方法,其特征在于,所述根据预先获取的多源信息提取潜在灌溉面积,包括步骤:
获取所述基础地理信息;
提取所述农业种植结构信息;
获取气象信息,生成全国降水量分布图;
建立主要作物灌溉制度数据库,对所述灌溉制度信息进行数据分析;
根据所述基础地理信息、农业种植结构信息和对所述灌溉制度数据分析结果,提取所述潜在灌溉面积。
3.如权利要求2所述的提取方法,其特征在于,所述基础地理信息包括行政区划边界、土地利用图、全国地貌图和土壤类型分布图。
4.如权利要求2所述的提取方法,其特征在于,所述潜在灌溉面积包括耕地灌溉面积和非耕地灌溉面积。
5.如权利要求2所述的提取方法,其特征在于,所述根据预先获取的多源信息提取潜在灌溉面积,还包括步骤:
提取灌区或行政区的潜在灌溉面积。
6.如权利要求5所述的提取方法,其特征在于,所述根据预先获取的多源信息提取潜在灌溉面积,还包括步骤:
对灌溉地和非灌溉地进行选取。
7.如权利要求1所述的提取方法,其特征在于,所述利用遥感信息对所述潜在灌溉面积内作物生育期的田间表层土壤含水量进行反演计算,包括步骤:
对多源遥感影像进行预处理;
通过经过预处理的多源遥感影像提取归一化差值植被指数;
通过经过预处理的多源遥感影像和大气剖面参数计算地表温度;
根据所述归一化差值植被指数和所述地表温度构建特征空间,确定温度-植被干旱指数;
根据田间试验,确定土壤含水量临界最大、最小值等关键土壤水分参数;
计算灌溉地和非灌溉地的田间表层土壤含水量。
8.如权利要求7所述的提取方法,其特征在于,所述利用遥感信息对所述潜在灌溉面积内作物生育期的田间表层土壤含水量进行反演计算,还包括步骤:
根据田间实测土壤含水量对所述表层遥感土壤含水量进行修正。
9.如权利要求1所述的提取方法,其特征在于,所述根据所述作物生育期的田间表层土壤含水量从所述潜在灌溉面积中进行提取,得到所述实际灌溉面积,包括:
结合所述灌溉制度信息,确定各次灌溉时间范围和遥感影像,并通过所述作物生育期的田间表层土壤含水量的变化从所述潜在灌溉面积中提取所述实际灌溉面积;
或者,对于干旱少雨地区,结合所述灌溉制度信息,通过所述作物生育期的田间表层土壤含水量逐次提取所述实际灌溉面积;
或者,对比各次灌溉时段范围内灌溉地和非灌溉地的表层遥感土壤含水量差值,逐次从所述潜在灌溉面积中提取所述实际灌溉面积。
10.如权利要求9所述的提取方法,其特征在于,所述根据所述作物生育期的田间表层土壤含水量从所述潜在灌溉面积中进行提取,得到所述实际灌溉面积,还包括:
根据当年降水量、作物类型及其耗水量和所述灌溉制度信息提取所述实际灌溉面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811355549.7A CN111192315B (zh) | 2018-11-14 | 2018-11-14 | 一种基于多源信息的实际灌溉面积提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811355549.7A CN111192315B (zh) | 2018-11-14 | 2018-11-14 | 一种基于多源信息的实际灌溉面积提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111192315A CN111192315A (zh) | 2020-05-22 |
CN111192315B true CN111192315B (zh) | 2023-12-19 |
Family
ID=70709072
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811355549.7A Active CN111192315B (zh) | 2018-11-14 | 2018-11-14 | 一种基于多源信息的实际灌溉面积提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111192315B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114170508B (zh) * | 2021-12-03 | 2022-10-25 | 浙江省土地信息中心有限公司 | 一种土地资源监控方法、系统、存储介质及智能终端 |
CN115376016B (zh) * | 2022-08-16 | 2023-04-11 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于植被水分指数与蒸散发结合的稻田实际灌溉面积识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR8704455A (pt) * | 1987-07-09 | 1989-02-28 | Fernando Antonio Franco De Enc | Sistema continuo de irrigacao potencial |
CN103675234A (zh) * | 2013-12-11 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 基于地表温度与植被指数特征空间的干旱指数快速监测方法 |
CN103793596A (zh) * | 2014-01-14 | 2014-05-14 | 中国科学院地理科学与资源研究所 | 一种地表温度-植被指数特征空间干湿限选择的方法及装置 |
CN106960190A (zh) * | 2017-03-22 | 2017-07-18 | 中国水利水电科学研究院 | 基于高分辨率图像监督中分辨率图像的灌溉面积统计方法 |
CN107103305A (zh) * | 2017-05-03 | 2017-08-29 | 西安科技大学 | 基于高分辨率遥感影像的高标准农田识别方法 |
-
2018
- 2018-11-14 CN CN201811355549.7A patent/CN111192315B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
BR8704455A (pt) * | 1987-07-09 | 1989-02-28 | Fernando Antonio Franco De Enc | Sistema continuo de irrigacao potencial |
CN103675234A (zh) * | 2013-12-11 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 基于地表温度与植被指数特征空间的干旱指数快速监测方法 |
CN103793596A (zh) * | 2014-01-14 | 2014-05-14 | 中国科学院地理科学与资源研究所 | 一种地表温度-植被指数特征空间干湿限选择的方法及装置 |
CN106960190A (zh) * | 2017-03-22 | 2017-07-18 | 中国水利水电科学研究院 | 基于高分辨率图像监督中分辨率图像的灌溉面积统计方法 |
CN107103305A (zh) * | 2017-05-03 | 2017-08-29 | 西安科技大学 | 基于高分辨率遥感影像的高标准农田识别方法 |
Non-Patent Citations (3)
Title |
---|
徐美 ; 黄诗峰 ; 姚永慧 ; .干旱半干旱地区灌溉农业中的遥感应用.干旱区研究.2006,(第04期),全文. * |
梁犁丽,肖晓春,刘德龙等.旱情感知现状、关键技术及应用.中国水利学会2018学术年会论文集第五分册.2018,309-315. * |
沈静.遥感技术在灌溉面积监测上的应用研究.中国优秀硕士学位论文全文数据库 农业科技辑.2012,(第20期),1-61. * |
Also Published As
Publication number | Publication date |
---|---|
CN111192315A (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
del Pilar Muschietti-Piana et al. | Using site-specific nitrogen management in rainfed corn to reduce the risk of nitrate leaching | |
Elbeltagi et al. | Spatial and temporal variability analysis of green and blue evapotranspiration of wheat in the Egyptian Nile Delta from 1997 to 2017 | |
Risal et al. | Sensitivity of hydrology and water quality to variation in land use and land cover data | |
Kiptala et al. | Land use and land cover classification using phenological variability from MODIS vegetation in the Upper Pangani River Basin, Eastern Africa | |
Siebert et al. | Climate and irrigation water use of a mountain oasis in northern Oman | |
Liu et al. | Optimal MODIS data processing for accurate multi-year paddy rice area mapping in China | |
Song et al. | Mapping paddy rice agriculture over China using AMSR-E time series data | |
CN111192315B (zh) | 一种基于多源信息的实际灌溉面积提取方法 | |
Löffler et al. | Spatio-temporal gradients between high mountain ecosystems of central Norway | |
Balist et al. | Modeling the supply, demand, and stress of water resources using ecosystem services concept in Sirvan River Basin (Kurdistan-Iran) | |
Stumpe et al. | Soil texture mediates the surface cooling effect of urban and peri-urban green spaces during a drought period in the city area of Hamburg (Germany) | |
Muleta et al. | GIS-based assessment of suitability area of rainwater harvesting in Daro Labu District, Oromia, Ethiopia | |
Wang et al. | Remote estimation of soil organic carbon under different land use types in agroecosystems of Eastern China | |
Song et al. | Interannual variability of regional evapotranspiration under precipitation extremes: a case study of the Youngsan River basin in Korea | |
Jang et al. | A spatial reasoning approach to estimating paddy rice water demand in Hwanghaenam-do, North Korea | |
Gupta et al. | Delineation of groundwater potential zones, groundwater estimation and recharge potentials from Mahoba district of Uttar Pradesh, India | |
Lombardo | Raised fields of northwestern Bolivia: a GIS based analysis | |
CN105974091B (zh) | 林下草本植被枯枝落叶层丰富度的遥感量化探测方法 | |
Smith et al. | A new approach for estimating and delineating within-field crop water stress zones with satellite imagery | |
Valencia et al. | Water sufficiency for cacao production in the Sierra Nevada de Santa Marta (SNSM) region, Colombia | |
Shahbazi et al. | Suitability of wheat, maize, sugar beet and potato using MicroLEIS DSS software in Ahar area, north-west of Iran | |
Choudhury et al. | Potential role of landsat satellite data for the evaluation of land surface temperature and assessment of urban environment | |
Taghvaeian | Water and energy balance of a riparian and agricultural ecosystem along the Lower Colorado River | |
Sarkar | Geo-spatial approach in soil and climatic data analysi s for agro-climatic suitability assessment of major crops in rainfed agroecosystem | |
FENTAYE | GIS BASED LAND SUITABILITY ASSESSMENT FOR SURFACE IRRIGATION: CASE STUDY IN KOBO VALLEY, EASTERN AMHARA |
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 |