Medical Journal of the Chinese People's Armed Police Forces

Journal of Changjiang River Scientific Research Institute >

2025 , Vol. 42 >Issue 4: 159 - 165

DOI: https://doi.org/10.11988/ckyyb.20231288

Water Conservancy Informatization

Remotely-sensed Monitoring of Irrigated Area in Zaohe Irrigation District of Jiangsu Province Based on Pixel-scale Spectral Matching Method

  • SONG Wen-long , 1 ,
  • LIN Sheng-jie 1 ,
  • YU Lang 1 ,
  • TONG Dao-bin 2 ,
  • LU Yi-zhu 1 ,
  • LIU Jun 2 ,
  • LIU Hong-jie 1 ,
  • CHEN Min 2
Expand
  • 1 China Institute of Water Resources and Hydropower Research, Beijing 100038, China
  • 2 Sucheng District Water Conservancy Bureau of Suqian City, Suqian 223800, China

Received date: 2023-11-24

  Revised date: 2024-03-05

  Online published: 2024-12-26

Fold

Abstract

Irrigated area is the basic data required for effective agricultural water conservation, yet traditional survey and statistical methods no longer meet current monitoring needs. In this research, GF-1 and Sentinel-2 satellite images were fused to construct the sample spectrum of crop growth period. Based on the pixel-scale spectral matching method, the crop planting structure and actual irrigated area of Zaohe irrigation district in Suqian City, Jiangsu Province from 2017 to 2022 were synergistically extracted. Results show that the main planting pattern in Zaohe irrigation district is rice-wheat rotation. From 2017 to 2022, the actual irrigated area was 85.11 km2, 91.91 km2, 103.65 km2, 95.85 km2, 97.72 km2 and 88.24 km2. respectively. Validation using sample points and a confusion matrix yielded an overall accuracy of 89.71% and a Kappa coefficient of 0.80, indicating higher accuracy and better extraction effects compared to existing products like IrriMap_Syn and IWMI products. This method is suitable for extracting the irrigated area in south China, and can provide technical and data support for the daily supervision of management departments and the optimization of water resource allocation.

Key words： irrigated area; planting structure; spectral matching; remote-sensing; Zaohe irrigation district

Cite this article

SONG Wen-long , LIN Sheng-jie , YU Lang , TONG Dao-bin , LU Yi-zhu , LIU Jun , LIU Hong-jie , CHEN Min . Remotely-sensed Monitoring of Irrigated Area in Zaohe Irrigation District of Jiangsu Province Based on Pixel-scale Spectral Matching Method[J]. Journal of Changjiang River Scientific Research Institute, 2025 , 42(4) : 159 -165 . DOI: 10.11988/ckyyb.20231288

0 引言

农田灌溉面积是实施农业节水的重要参考数据,实时、高效地掌握实际灌溉面积对于预防农业干旱、提高水资源利用率和优化水资源配置具有积极意义[1]。传统的灌溉面积监测方法主要依赖地面调查和统计资料,耗时费力、时效性差且准确性难以规范保障[2]。遥感技术具有大范围、多尺度、周期性、定量化、近实时等优势[3-4],随着卫星遥感、无人机低空遥感等现代信息技术的快速发展,遥感数据源愈加丰富,时间与空间分辨率均得到大幅提高[5],为灌区获取大范围高效可靠的空间数据奠定了基础。
随着遥感技术与计算机科学快速发展,基于遥感监测灌溉面积的研究取得了诸多进展。2006年,世界水资源管理所(International Water Management Institute,IWMI)提出了以面向对象的光谱匹配技术为主的一套方法,获得了第一幅基于遥感技术、空间分辨率为1 km的全球灌溉面积图[6]。Sim o ~es等[7]利用SPRING软件通过Landsat数据提取了帕拉伊巴河谷水稻灌溉区的灌溉面积。2014年,易珍言等[8]利用修正垂直干旱指数(Modified Perpendicular Drought Index,MPDI)在灌溉前后的变化,提取了内蒙古河套灌区的实际灌溉面积。2017年,何娇娇等[9]结合遥感地表温度(Land Surface Temperature,LST)和植被供水指数(Vegetation Supply Water Index,VSWI),提取了河北石津灌区农作物的灌溉面积。2019年,宋文龙等[10]通过光谱匹配方法像元尺度应用,引入 OTSU 自适应阈值算法利用 GF-1 卫星数据监测了陕西东雷二期抽黄灌区灌溉面积。2022年,杨永民等[11]通过分析雷达后向散射系数的时序变化,探测了灌溉信号,在河北省灵寿县磁右灌区提取了实际灌溉面积。2022年,徐超等[12]应用Landsat数据与不同的遥感指数利用随机森林算法对陕西宝鸡峡灌区耕地灌溉区域进行了识别与提取。2023年,杨文博等[13]通过对灌溉前后变化敏感的部分Sentinel-2波段数据与垂直干旱指数(Perpendicular Drought Index,PDI)利用神经网络算法提取了山东省淄博市桓台县的灌溉面积。然而,我国现有研究大都集中在北方和西北干旱地区,且在方法上采用的指数、指标多基于灌溉前后土壤含水量和冠层温度的变化,其结果受降水影响较大,对多云雨环境的南方灌区的适用性存在问题。
为研究南方复杂天气条件下农田实际灌溉面积遥感监测方法,选取江苏省宿迁市皂河灌区为研究区,融合国产高分一号卫星(GF-1)数据与Sentinel-2卫星数据,利用NDVI植被指数作为有效指标构建作物样本光谱,基于像元尺度光谱匹配方法提取皂河灌区2017—2022年作物种植结构与实际灌溉面积。

1 研究区域数据

1.1 研究区概况

皂河灌区位于江苏省宿迁市西北部(见图1),118°0'01″E—118°13'51″E,33°52' 30″N—34°7'30″N,属中型提水灌区。地处暖温带季风气候区,气候温和,多年平均气温14 ℃,多年平均降雨量903 mm。灌区地势北高南低、西高东低,地面高程为19.50~29.20 m,地势平坦,属黄泛区冲积平原。目前皂河灌区总控制面积339.17 km2,设计灌溉面积131.07 km2,有效灌溉面积126.33 km2,主要种植水稻、小麦、玉米、果树等,其中夏熟以小麦为主,秋熟以水稻为主。
图1 皂河灌区地理位置

Fig.1 Geographical location of the Zaohe irrigation district

1.2 数据源与处理

1.2.1 卫星遥感数据预处理

利用2017—2022年国产高分一号(GF-1)与欧洲航天局哨兵二号(Sentinel-2)共计96景数据开展皂河灌区NDVI遥感监测。其中2017—2018年采用GF-1影像数据;2019—2022年采用GF-1与Sentinel-2影像数据,以更高空间分辨率的Sentinel-2影像为主,选择GF-1数据中的无云少云影像作为补充。GF-1卫星数据通过陆地观测卫星数据服务平台(https://data.cresda.cn/)获取。Sentinel-2遥感数据通过谷歌地球引擎(Google Earth Engine,GEE)获取。两种数据源具体卫星传感器参数见表1。
表1 GF-1、Sentinel-2传感器参数

Table 1 GF-1 and Sentinel-2 sensor parameters

数据源 谱段范围/
μm		 空间分辨
率/m		 幅宽/
km		 侧摆能力
(视场)/(°)		 重访周
期/d
GF-1 WFV
相机		 0.45~0.52
0.52~0.59
0.63~0.69
0.77~0.89		 16 800 ±35 4
Sentinel-2多
光谱成像仪		 0.4~2.4 10 800 20.6 5
通过ENVI软件对GF-1影像数据进行正射校正、辐射定标、大气校正、地理配准、几何校正等预处理,并利用波段计算、裁剪等过程获取研究区各像元的NDVI数据。其中,为保持GF-1影像与Sentinel-2影像的空间分辨率一致,采用三次卷积插值法将GF-1影像重采样至10 m。通过选取地面控制点(GCP)将GF-1影像与Sentinel-2影像进行配准。通过GEE下载的Sentinel-2二级产品无需进行预处理,通过云量筛选、去云、裁剪、波段计算等在线处理,获取研究区影像及各像元的NDVI数据。

1.2.2 样本点数据采集

基于像元尺度的光谱匹配算法需构建作物NDVI时序曲线作为样本光谱以用于相似度分析。为构建样本光谱及利用混淆矩阵方法验证结果的提取精度,2019年10月在研究区内共采集了163个实际样点数据(见图 2 (a)),采集灌区内的主要作物类型(水稻、小麦、玉米、果树)及其分布、经纬度、灌溉状况等信息。为保证拥有充足的样本点数据用于样本光谱的构建和精度验证,结合作物生长期与目视解译方法从卫星遥感影像上采集不同作物、不同年份共计1 176个补充样本点(图2(b))。
图2 样本点分布

Fig.2 Distribution of sample points

2 研究方法

光谱匹配是对待测光谱(目标光谱)和样本光谱(端元光谱)在遥感影像像元尺度进行量化[14]后,根据量化结果判断两者相似度的一种方法。NDVI时序曲线能够反映不同作物类型在不同生长期的差异,体现在植被指数时序曲线的峰值大小、波动趋势、波动幅度等方面。以不同作物的NDVI时序曲线为样本光谱,待测像元的NDVI时序曲线为待测光谱,通过光谱匹配进行相似度计算,能够将待测光谱和样本光谱的NDVI时序曲线差异量化成相似度,从而识别生长季作物类型及灌溉情况[15]。
为提高样本光谱的准确性,采用Savitzky-Golay(SG)滤波方法对其进行平滑处理。SG滤波方法能通过减少不同数据源造成的样本光谱中的短期波动和异常值以降低数据噪声,使其更精确地描述不同作物在物候上的差异。具体公式为
$y *_{i}=\sum_{j=-m}^{m} c_{j} y_{i+j}$。
式中:y*i为SG滤波器在该点的输出;yi+j是时间序列中的第i+j个数据点的值;m是窗口大小的一半; cj是通过最小二乘法得到的多项式系数,取决于窗口大小和多项式的阶数。本文设置较小的窗口7和较高的阶数3,以在平滑数据的同时保留生长阶段特有的峰值、谷值等关键特征。
确定样本光谱后,通过计算待测光谱与不同作物样本光谱的光谱相似值(SSV)以量化待测像元光谱与不同作物样本光谱之间的差异,SSV值越小,待测光谱与样本光谱越相似[16]。因此根据阈值的设定,可将SSV图像转换为不同作物的二值图像,在像元尺度上提取灌区的种植结构与作物面积。本文通过设定初始阈值,根据提取结果与卫星影像的不断交互确定阈值为0.32。SSV综合了待测光谱与样本光谱的光谱关联相似度(SCS)与欧氏距离(EDS),其具体计算步骤如下。
(1)计算SCS衡量待测光谱与样本光谱NDVI序列的曲线形状相似度,即
$\mathrm{SCS}=\frac{1}{n-1} \frac{\sum_{i=1, j=1}^{n}\left(X_{i, j}-u_{i, j}\right)\left(C-u_{\mathrm{s}}\right)}{\sigma_{\mathrm{x}} \sigma_{\mathrm{C}}}$。
式中:Xi,j为待测光谱NDVI值;C为样本光谱NDVI值;i、j分别代表第i行、第j列;n为数据集层数;ui,j为待测光谱NDVI均值;us为样本光谱NDVI均值;σX为待测光谱NDVI标准偏差;σC为样本光谱NDVI标准偏差。SCS值在(0,1)区间内数值越大,待测光谱与样本光谱相似度越高。
(2)计算EDS衡量待测光谱与样本光谱在光谱空间中的距离,即
$\operatorname{EDS}=\sqrt{\sum_{i=1, j=1}^{n}\left(X_{i, j}-C\right)^{2}}$。
为方便计算,将式(3)获得的结果进行归一化处理,具体公式为
$\operatorname{EDS}_{\text {normal }}=(\mathrm{EDS}-m) /(M-m)$。
式中:EDSnormal为欧氏距离归一化处理的结果;M和m分别代表最大和最小欧式距离。EDSnormal将结果分布确定介于0到1之间,其值越小,待测光谱与样本光谱相似度越高。
(3)计算形状距离综合定量SSV,即
$\mathrm{SSV}=\sqrt{\mathrm{EDS}_{\text {normal }}^{2}+(1-\mathrm{SCS})^{2}}$。

3 结果与分析

3.1 样本光谱特征

经过对皂河灌区农作物灌溉情况的实地调查,了解灌区灌溉用水主要用于灌溉水稻,而小麦、玉米和果树的需水通过雨养补给。利用长时序NDVI数据,根据灌区采集的163个实际样本点与遥感解译获取的1 176个补充样本点,通过SG滤波平滑处理,构建灌溉水稻、雨养小麦、雨养玉米与雨养果树的样本光谱,结果如图3所示。由图3可知,4种作物的样本光谱曲线呈现出明显的差异性,其中小麦的样本光谱曲线随小麦长势呈现先升高后降低再升高再降低的变化,分别在12月份分蘖期和4、5月份的抽穗期出现波峰,在6月份收获期降到最低;水稻与玉米的生长期相似,都为6月份播种,二者主要利用9月份水稻与玉米的样本光谱差异进行区分,水稻在9月份的样本光谱值仍处在高值;果树与其他作物的差异主要体现在果树样本光谱值在6月份正处于波峰段,而6月份其余作物处于收割与播种期,样本光谱值偏低。
图3 皂河灌区4种作物样本光谱

Fig.3 Spectral sequences of four crops in Zaohe irrigation district

3.2 作物种植结构

表2为皂河灌区2017—2022年4种作物的种植面积数据。由表2可知不同作物的种植面积差异较大。皂河灌区种植面积最大的作物为水稻,而后依次为小麦、果树与玉米。4种作物6 a间的平均种植面积占比分别为44.56%、36.47%、17.42%、1.55%。在变化趋势上,水稻种植面积呈现先增加后减少的变化趋势;玉米的种植面积随时间变化呈现逐年增长趋势;小麦与果树的种植面积呈现先增加后减少的趋势。
表2 2017—2022年皂河灌区4种作物种植面积

Table 2 Planting areas of four crops in Zaohe irrigation district from 2017 to 2022 km2

年份 水稻 小麦 玉米 果树
2017 85.11 63.70 0.87 33.95
2018 91.91 69.70 1.67 32.15
2019 103.65 84.51 2.00 29.75
2020 95.85 77.44 4.67 41.62
2021 97.72 87.18 5.07 47.36
2022 88.24 77.84 5.34 35.08
平均 93.78 76.71 3.27 37.75
为2017—2022年皂河灌区4种作物的种植结构空间分布情况。由图4可知,在空间分布上,皂河灌区多年作物种植结构基本保持不变,主要呈现为小麦和水稻的轮作模式,其余作物的种植面积较少。水稻与小麦的轮作区域主要集中在灌区西北部、中部与西南部,其余作物分布相对分散。
图4 2017—2022年皂河灌区种植结构分布

Fig.4 Distribution of planting structure in Zaohe irrigation district from 2017 to 2022

3.3 实际灌溉面积

由于灌区灌溉用水主要用于灌溉水稻,本文基于灌溉水稻的样本光谱提取皂河灌区实际灌溉面积。皂河灌区2017—2022年实际灌溉面积及其空间分布分别见表3和图5。
表3 2017—2022年皂河灌区实际灌溉面积

Table 3 Irrigated area of Zaohe irrigation district from 2017 to 2022

年份 2017 2018 2019 2020 2021 2022
实际灌溉面积/km2 85.11 91.91 103.65 95.85 97.72 88.24
图5 2017—2022年皂河灌区灌溉面积分布

Fig.5 Distribution of irrigated area in Zaohe irrigation district from 2017 to 2022

结果显示,皂河灌区实际灌溉面积2017—2022年呈现先增加后减少的趋势,多年平均实际灌溉面积为93.78 km2。其中,2019年实际灌溉面积达到了6 a最大值,为103.65 km2,占灌区有效灌溉面积的82.05%;2017年实际灌溉面积达到了6 a最小值,约为85.11 km2,占灌区有效灌溉面积的67.37%。灌溉区域主要集中在灌区的西北部、中部与西南部。

3.4 精度验证

国内外现有的灌溉耕地数据集还非常有限,目前公开产品中精度较高的灌溉面积数据集有2022年中国科学院地理科学与资源研究所绘制的2000—2019年500 m空间分辨率的全国灌溉耕地分布数据集(IrriMap_Syn)[17]与2012年世界水资源管理研究所(IWMI)绘制的2010年250 m空间分辨率的亚洲灌溉与非灌溉区域分布数据集[10]。
利用2019年野外勘察和卫星影像遥感解译获取的451个样本点(如图6),通过混淆矩阵方法对光谱匹配提取的2019年实际灌溉面积结果进行精度验证,并与IrriMap_Syn和IWMI产品的提取效果进行对比。在混淆矩阵方法评估中,水稻样本点对应灌溉区,其余样本点对应非灌溉区。评估结果见表4,由于光谱匹配方法中的样本光谱反映了研究区作物的生长特征,且方法所利用遥感影像的空间分辨率较高,在作物种植结构复杂的皂河灌区提取的灌溉面积结果精度较好,总体精度为89.71%,Kappa系数为0.80。而IrriMap_Syn与IWMI产品由于数据的空间分辨率略低,未能有效减少混合像元的影响,提取的总体精度分别为60.06%和60.86%,Kappa系数分别为0.20和0.22,总体精度较低。在细节对比上,如图6所示,本方法的提取效果相较于IrriMap_Syn和IWMI产品更加精细,有效区分了灌溉区与非灌溉区,且由于所用影像拥有相对更高的空间分辨率,降低了在作物种植结构复杂的皂河灌区地物分类中混合像元的影响,提取结果更为可靠。
图6 混淆矩阵样本点及产品对比

Fig.6 Confusion matrix sample points and product comparisons

表4 2019年灌溉面积精度评估

Table 4 Evaluation of the accuracy of the extracted irrigated area in 2019 by the three products

数据集 类型 灌溉面积精度/% Kappa系数
错分误差 用户精度 漏分误差 制图精度 总体精度
光谱匹配方法 灌溉区 8.57 91.43 5.88 94.12 89.71 0.80
非灌溉区 6.45 93.55 14.71 85.29
IrriMap_Syn产品 灌溉区 39.53 60.47 39.53 52.00 60.06 0.20
非灌溉区 40.22 59.78 40.22 67.72
IWMI产品 灌溉区 38.73 61.27 42.39 57.61 60.86 0.22
非灌溉区 38.27 61.73 35.98 64.02

4 讨论

针对南方多云多雨、作物种植结构较为复杂的特点,基于GF-1与Sentinel-2卫星遥感数据应用像元尺度光谱匹配方法实现作物种植结构与实际灌溉面积的协同提取。本方法的提取结果依赖于样本光谱的类别,若样本光谱为灌溉作物的样本光谱,则提取结果为作物的灌溉面积,若样本光谱为雨养作物的样本光谱,则提取的结果为作物的雨养面积。本文关键物候期影像的可获得性对样本光谱的制作质量影响较大,且样本光谱制作相对耗时,可考虑采用机器学习、深度学习等方法来自动识别样本点,以减少人工选取样本的时间,优化制作标准光谱的精度和速度。此外,本方法在监测的时间尺度上具有一定的局限性,由于样本光谱的完整性对提取效果的影响较大,在提取完整生长期或年度的作物种植结构与实际灌溉面积时效果较好,而在非完整生长期时,可能会因样本光谱的有效信息不足而使提取效果欠佳。

5 结论

本文基于像元尺度光谱匹配技术方法,结合GEE卫星数据平台,融合GF-1与Sentinel-2 卫星影像数据,通过NDVI时序曲线构建作物样本光谱,协同监测了皂河灌区2017—2022年作物种植结构与作物生长季实际灌溉面积。主要结论如下:
(1)皂河灌区2017—2022年作物种植结构主要为水稻小麦轮作,其次为果树和玉米。
(2)皂河灌区2017—2022年实际灌溉面积分别为85.11、91.91、103.65、95.85、97.72、88.24 km2。灌溉面积混淆矩阵精度验证结果为89.71%,Kappa系数为0.80,精度较高且提取效果优于IrriMap_Syn及IWMI公开产品。
(3)融合GF-1与Sentinel-2卫星影像数据的像元尺度光谱匹配方法适用于南方灌区,可为灌区管理部门日常监管、优化水资源配置等提供技术与数据支持。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
WANG Y, ZANG S, TIAN Y. Mapping Paddy Rice with the Random Forest Algorithm Using MODIS and SMAP Time Series[J]. Chaos, Solitons & Fractals, 2020, 140: 110116.

[2]
杨战青. 利用坐标值解析法核查农田灌溉面积[J]. 测绘通报, 2002(4): 31-32.

(YANG Zhan-qing. Verification of Farmland Irrigation Areas Using the Coordinate Value Parsing Method[J]. Bulletin of Surveying and Mapping, 2002(4): 31-32. ) (in Chinese)

[3]
LU Y, SONG W, SU Z, et al. Mapping Irrigated Areas Using Random Forest Based on GF-1 Multi-spectral Data[J]. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences,Doi:10.5194/isprs-archives-XLIII-B2-2020-697-2020.

[4]
张艳娇, 李巧, 宿彦鹏, 等. 基于遥感监测的2000—2020年三屯河流域植被覆盖时空演化分析[J]. 长江科学院院报, 2023, 40(6): 93-99.

DOI

(ZHANG Yan-jiao, LI Qiao, SU Yan-peng, et al. Spatial-temporal Evolution of Vegetation Cover in Santun River Basin from 2000 to 2020 Based on Remote Sensing Monitoring[J]. Journal of Yangtze River Scientific Research Institute, 2023, 40(6): 93-99.) (in Chinese)

DOI

[5]
翟涌光, 屈忠义. 基于非线性降维时序遥感影像的作物分类[J]. 农业工程学报, 2018, 34(19): 177-183.

(ZHAI Yong-guang, QU Zhong-yi. Crop Classification Based on Nonlinear Dimensionality Reduction Using Time Series Remote Sensing Images[J]. Transactions of the Chinese Society of Agricultural Engineering, 2018, 34(19): 177-183.) (in Chinese)

[6]
THENKABAIL P S, BIRADAR C M, NOOJIPADY P, et al. Global Irrigated Area Map (GIAM), Derived from Remote Sensing, for the End of the Last Millennium[J]. International Journal of Remote Sensing, 2009, 30(14):3679-3733.

[7]
SIMÕES S J C, JUNIOR N S P. Spatial Evolution of Irrigated Areas Using Remote Sensing-The Medium Paraíba do Sul Valley, Southeast of Brazil[J]. Revista Ambiente & Aqua, 2007, 1(1): 72-83.

[8]
易珍言, 赵红莉, 蒋云钟, 等. 遥感技术在河套灌区灌溉管理中的应用研究[J]. 南水北调与水利科技, 2014, 12(5): 166-169.

(YI Zhen-yan, ZHAO Hong-li, JIANG Yun-zhong, et al. Application and Research of Remote Sensing in Irrigation Management of Hetao District[J]. South-to-North Water Transfers and Water Science & Technology, 2014, 12(5): 166-169.) (in Chinese)

[9]
何娇娇, 刘海新, 张安兵, 等. 温度反演和植被供水指数的农田灌溉面积提取[J]. 测绘科学, 2017, 42(5): 50-55.

(HE Jiao-jiao, LIU Hai-xin, ZHANG An-bing, et al. Extraction of Farmland Irrigated Area Based on Temperature Inversion and VSWI[J]. Science of Surveying and Mapping, 2017, 42(5): 50-55.) (in Chinese)

[10]
宋文龙, 李萌, 路京选, 等. 基于GF-1卫星数据监测灌区灌溉面积方法研究: 以东雷二期抽黄灌区为例[J]. 水利学报, 2019, 50(7): 854-863.

(SONG Wen-long, LI Meng, LU Jing-xuan, et al. Method of Monitoring Irrigation Area Based on GF-1 Satellite Data-A Case Study of Donglei Phase Ⅱ Irrigation District[J]. Journal of Hydraulic Engineering, 2019, 50(7): 854-863.) (in Chinese)

[11]
杨永民, 顾涛, 吴迪, 等. 基于光学和雷达遥感信息的灌溉信号分析及灌溉面积提取方法研究—以华北平原灵寿县磁右灌区为例[J]. 水利学报, 2022, 53(9): 1039-1048.

(YANG Yong-min, GU Tao, WU Di, et al. Irrigation Signal Analysis and Irrigated Area Extraction Based on Optical and Radar Remote Sensing: A Case Study of Ciyou Irrigation Area, Lingshou County, North China Plain[J]. Journal of Hydraulic Engineering, 2022, 53(9): 1039-1048.) (in Chinese)

[12]
徐超, 吕婧妤, 刘昱君, 等. 基于GEE的宝鸡峡灌区耕地灌溉面积遥感监测方法[J]. 排灌机械工程学报, 2022, 40(11): 1167-1172.

(XU Chao, LÜ Jing-yu, LIU Yu-jun, et al. Remote Sensing Monitoring Method of Cultivated Land Irrigation Area in Baojixia Irrigation District Based on GEE[J]. Journal of Drainage and Irrigation Machinery Engineering, 2022, 40(11): 1167-1172.) (in Chinese)

[13]
杨文博, 刘春秀. 基于神经网络算法的Sentinel-2数据的灌溉面积提取[J]. 节水灌溉, 2023(5): 67-74.

DOI

(YANG Wen-bo, LIU Chun-xiu. Irrigation Area Extraction from Sentinel-2 Data Based on Neural Network Algorithm[J]. Water Saving Irrigation, 2023(5): 67-74. ) (in Chinese)

DOI

[14]
文韶鑫. 基于遥感技术的农田灌溉面积提取方法综述[J]. 南方农机, 2022, 53(14): 27-30.

(WEN Shao-xin. The Summary of Methods for Extracting Irrigation Area of Farmland Based on Remote Sensing Technology[J]. China Southern Agricultural Machinery, 2022, 53(14): 27-30.) (in Chinese)

[15]
THENKABAIL P, KRISHNA M, TURRAL H. Spectral Matching Techniques to Determine Historical Land-use/Land-cover (LULC) and Irrigated Areas Using Time-series 0.1-degree AVHRR Pathfinder Datasets[J]. Photogrammetric Engineering and Remote Sensing, 2017, 73: 1029-1040.

[16]
LU Y, SONG W, LÜ J, et al. A Pixel-based Spectral Matching Method for Mapping High-resolution Irrigated Areas Using EVI Time Series[J]. Remote Sensing Letters, 2021, 12(2): 169-178.

[17]
ZHANG C, DONG J, GE Q. IrriMap_CN: Annual Irrigation Maps across China in 2000-2019 Based on Satellite Observations, Environmental Variables, and Machine Learning[J]. Remote Sensing of Environment, 2022, 280: 113184.

Options
Outlines

/

〈 〉

Copyright © Journal of Changjiang River Scientific Research Institute, All Rights Reserved.
Powered by Beijing Magtech Co. Ltd.