Page 47 - 水利学报2025年第56卷第3期

的灌溉水量数据。Ｄａｒｉ等 ［１１］ 在 ＳＭ２ＲＡＩＮ算法中输入基于 ＳＭＡＰ与 ＳＭＯＳ降尺度至 １ｋｍ的土壤水分数
据与利用 ＦＡＯ算法得到的蒸散发数据，得到了伊比利亚半岛的灌溉水量信息。上述研究围绕灌溉水量
信息的快速、大范围获取开展了相关研究，主要采用时空连续性较高的遥感数据作为模型的输入，因
此灌溉水量计算结果的空间分辨率都在公里尺度以上，导致细致刻画小区域灌溉水量时空信息的能力
不足，进而难以满足我国水资源精细化管理的需求。
高空间分辨率的遥感数据虽然具有强大的空间解析能力，但数据受重访周期、天气等因素影响，
单一数据源难以实现区域的连续监测，使用水量平衡等模型方法推算灌溉水量的难度极大。遥感解译
实际灌溉面积结合作物亩均用水量的方法为农业灌溉用水监测提供了新思路 ［１２］ 。作物亩均用水量能够
通过地面实验获取，实际灌溉面积的遥感解译是需要重点解决的问题。基于遥感的实际灌溉面积解译
原理主要是利用灌溉前后引起的地表或作物特征信息变化，如灌溉后地表温度、土壤水分以及植被指
数等 ［１３］ 。Ｐｅｒｖｅｚ等 ［１４］ 将 ＭＯＤＩＳ的 ＮＤＶＩ时间序列数据集（１６天合成产品）输入决策树模型算法中，绘
制了阿富汗地区 ２０００—２０１３年的灌溉区域图，在没有地面监测的区域，使用 Ｌａｎｄｓａｔ的热传感图像代
替墒情站点监测数据来与 ＮＤＶＩ结合判断灌溉。Ｃｈｅｎ等 ［１５］ 提出了一种基于 ＭＯＤＩＳ与 Ｌａｎｄｓａｔ遥感数据
的灌溉面积、时间和频率的识别方法，该方法也是基于可见光植被指数对日尺度植被指数数据建模，
根据植被指数变化的节点来识别实灌面积，并在黑河地区进行了应用。沈静 ［１６］ 、易珍言 ［１７］ 利用环境
［１８］
小卫星反演得到的 ＭＰＤＩ （垂直干旱指数）土壤水分指标做灌溉前后的插值计算，获取了河套灌区的
灌溉面积信息。对基于热传感图像的方法而言，携带热传感器的卫星数据较少，实际灌溉面积的识别
主要以年尺度为主。基于植被指数变化节点的方法虽然能够实现多频次高分辨率的灌溉面积识别，但
是方法的使用条件较为苛刻，如需要对不同作物的变化节点都进行阈值调优，且难以监测作物播种前
灌溉发生的区域。基于土壤水分变化的方法适用于不同作物、不同生育期的灌溉面积识别，时效性与
机理性更强。然而，单一光学传感器受天气影响往往不能满足多频次的目标区域观测，容易错过目标
区域灌溉面积识别的窗口期（灌溉后土壤水分跃升明显期），如何改善土壤水分监测数据的连续性，是
基于土壤水分变化方法识别灌溉面积亟待解决的问题。
随着高空间分辨率数据的日益丰富，哨兵系列 ［１９］ 、国产高分 ［２０］ 、环境系列 ［２１］ 等，为提升土壤水
分监测数据的连续性提供了契机。受限于卫星传感器的设计指标与性能，需要针对特定场景设计协同
方案。本研究拟利用多源遥感协同方式，解决不同数据源物理设计参数不同带来的反演误差传递与协
同方案优选问题，在提升土壤水分数据时空连续性的基础上开展实际灌溉面积识别，结合作物亩均用水
量信息，实现对区域高空间分辨率的农业灌溉用水监测，并探索遥感灌溉用水监测在水权管理上的应用。

２ 研究区域概况、数据获取与处理方法

２
针对研究目标，本文选取河套灌区沈乌灌域的海三红一渠作为研究区。该斗渠总耕地面积 １９．０７ｈｍ，
渠口水量计量完备，渠道控制范围明确，土地权属清晰，且水权确权工作已完成，能够为灌溉用水遥
感监测提供地面数据支撑。研究区位于巴彦淖尔市磴口县，属大陆性气候，气候干旱，降水稀少，年
平均降水量在 １３０～２１０ｍｍ左右，年平均蒸发量在 ２１００～２４００ｍｍ左右 ［２２］ 。蒸发量与降水量的严重不匹
配导致该区域需要依赖黄河水作为主要的灌溉水源，主要灌溉作物有玉米、葵花、小麦、葫芦等。
本文的技术框架主要包含三方面内容：一是基础数据收集；二是多源遥感土壤水分反演；三是多
源遥感协同的灌溉水量监测。技术框架如图 １所示。
２．１ 基础数据收集
２．１．１ 土壤水分监测 在研究区布设了 １台自动墒情站与 １台气象站，能够分别逐小时记录研究区地
块的土壤水分变化与降水信息，墒情站位置与监测数据示例如图 ２—３所示。图 ３中红框范围内为灌
溉发生节点，绿、橙、黄三条折线分别表征了灌溉对 １０、２０和 ３０ｃｍ深度的土壤水分影响情况。不难
发现，表层 １０ｃｍ土壤水分对于灌溉的响应最为明显与剧烈，随着深度的增加，该响应特征也相对减
弱。因此，遥感快速获取地面表层信息的能力，能够有效用于灌溉信息的识别。

— ３ ２ ９ —