利用遥感和GIS对灌溉控制区域作物蒸散的计算外文翻译资料

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

利用遥感和GIS对灌溉控制区域作物蒸散的计算

S.S.Ray,V.K.Dadhwal

农业资源中心，遥感应用区域，空间应用中心。印度 艾哈迈达巴德 380015

2000年10月16日接收

摘要

本文描述了利用基于卫星的遥感数据和地理信息系统工具对印度Mahi右岸运河控制的古吉拉特区域的季节性的作物蒸散的估计。根据经验，通过遥感的土壤植被调整系数的值估计出了生长在该区域内多种作物的作物系数。一张参考作物蒸散量图产生于气象观测。将作物系数和参考作物蒸散量图结合起来得出一张季节的作物蒸散图，这张图突出了作物蒸散的空间变化，从健康烟草种植区的高于600mm到生长很差的小麦地区的低于150mm。

关键词：作物蒸散；作物系数；土壤调整植被指数；遥感；GIS

1.引言

作物蒸散指生长在大田里，在不缺水肥条件下的的无病作物的蒸散量。作物蒸散对于计算土壤水分平衡和农作物灌溉规划是必不可少的。它由天气和作物状况共同控制。在数学上，作物蒸散可以表示为：

ETcrop=Kc*ET0

这里Kc是指作物系数，不同作物或不同生长平台的作物系数是不同的。ET0代表参考作物蒸散量。当前大部分的水分需求模型都是使用著作中可获得的点数据中的ET0和Kc值的属性数据模型。但是用来计算ET的气象数据在空间上是变化很大的。例如，温度和风速在几千米的距离范围就会有剧烈的变化。当然土地的使用和作物的状况也是每片土地都不同的，因而会影响作物系数和作物蒸腾率。因此，使用文献里的Kc值可以给灌溉计划提供一个实际的指导，但是在估计作物需水量时会因为经验发生较大的错误。Bausch和Neale已经证明了遥感数据在代表作物系数上的有用性。从光谱测量中估计Kc值的可行性，是因为Kc和植被指数(来自反射系数)，均受叶面积指数和部分地覆盖(Bausch，1995)的影响。遥感数据反演的作物系数优于传统作物系数的优势在于，它代表了一种实时作物的协同作用，它能对该领域的实际作物条件作出反应，并能捕捉到田间变化的差异。

这项工作的目的是计算在印度古吉拉特邦的Mahi右岸(MRBC)指挥区，使用RS数据和地理信息系统(GIS)，这是一项更大的关于使用RS数据用于指挥区域监视的研究的一部分。每月的K值是使用多日期RS的数据来进行估计的。通过在GIS中使用插值技术，对ETo的点数据进行了空间建模。

2.材料和方法

2.1 研究区域

这项研究是在位于印度西部的古吉拉特邦的MRBC控制区的Kheda地区进行的(图I).MRBC的灌溉控制区位于22°26′N 72°49′E至22°55′N 73°23′E之间。它为7个talukas(一个地区的分部)的485个村庄服务，覆盖了212个可文化的指挥区(CCA)。面积达69.4万公顷。主运河有6个分支，有38个分布。MRBC指挥区的气候是半干旱的，平均年降雨量为823毫米。土壤是深的，质地从壤土到粘土都有。该控制区域的作物种植面积已经从1975-1976年间的7.55万公顷上升到1995-1996年间的20.96万公顷。

2.2 数据

多日期的遥感系统的数据(宽场传感器)，用于作物分类和计算作物系数。WIFS的地面分辨率为1.88米，光谱带是红色的(620-680 mn)和近红外波段。近红外光谱(770 - 860 nm)地区。每个月使用一个场景。卫星数据的日期为21/11/1996，15/12/1996，27/01/1997和20/02/1997。

控制区域附近气象站点收集的每月平均温度，还有每月白天平均风速，平均日照时长和最小相对湿度。这些值被用来计算ETo,使用的方法是用FAO-24修正的Blaney-Criddle方法(Allen和Pruitt,1986)。由于其简单性和数据的普遍可用性，所以用“Blaney-Criddle”方法。人们已经发现，这种方法对月ETo的估计与更严谨的Penman方法的估计相当接近。

图1.MRBC控制区域的地图

2.3实验方法

图2显示了用于计算作物蒸散量的步骤。卫星数据是在地理上相互对应的，并且和地图上的点相对应。由于这些数据是不同的日期，可能有不同的大气条件，所以通过在不同的伪不变特征的电子数字(DNs)之间建立经验转换方程来实现大气的标准化。PIF技术是由Schott等人于1988年开发的，基于对场景特征的统计不变性，如沙地、城市等。通过对Mahi控制区各种作物类型的时间生长模式的认识，基于对多种土地覆盖类型的实地观察，采用一种分类方法将场景划分为不同的土地覆盖类。根据Huete(1988年)定义的土壤调整植被指数(SAVI)计算出每一个像素的值。SAVI被定义为:

图2 计算作物蒸散量的步骤

这里，NIR和R分别是近红外和红色波长的反射，L是一个调节因子。利用饱和辐射信息，利用太阳光谱辐照度和天顶角信息，将WIFS传感器的DN值转换为辐射值。Huete表明，土壤背景对树冠层反射的影响被充分地减小了，因为在L为0.5的情况下树冠覆盖从稀疏到密集。回归方程是在每种作物类型的平均SAVI值和作物系数之间建立的。用这些经验公式，就可以得出一幅作物蒸散地图。

1. 结果和讨论

3.1辐射校正

在多时间、多光谱图像中，从场景到现场的辐射测量，对大气的退化、照明效果和传感器的差异进行校正。这些错误的灰度分布的差异被认为是由上述错误造成的。在不同日期的卫星数据之间，发现有r²(0.82 - 0.98)值(表1)。这些经验方程被用来转换数据集，以便在周期内的光谱反射率的变化只代表土地覆盖的变化。

表1

3.2制作作物类型图

一个分等级的分类系统被用来识别研究区域的作物，因为使用多日期WIFS数据的经验表明，它在类定义和识别方面比通常的最大可能(MXL)分类器更有用。该树分类器的逻辑在图3中给出的，它基于控制区域的主要作物的物候学。SAVI将土壤环境的影响最小化(Huete，1988)，是作物条件的一个指标。通过分析图像，我们发现，如果11月的SAVI值小于-0.02，会被分类为无植被区，如果是在-0.02到0.29之间，该点会因为11月和12月的SAVI值之间的不同而分别被分入小麦区和无植被区。类似地，如果11月的SAVI大于0.29且12月的SAVI小于1月份的SAVI，那么土地覆盖类型为多年生植物，否则是烟草。这个分类的逻辑的细节在图3中给出。通过这种分类方法，发现在Mahi控制区域，被小麦、烟草、多年生、非作物植被和非植被类所占据的区域是77.8、15.8、11.7,13.3和50.9千公顷。图4所的分类地图显示了不同土地覆盖类型的空间范围。

图5多日期数据分类逻辑

图6 MRBC控制区土地分类图

3.3参考作物蒸散量图

图5给出了从点数据生成12月的ETo映射图，使用了反距离权重插值方法。在作物生长季节的其他三个月里，也做了类似的地图。在Mahi控制区附近有三个气象站，用于做插值。然而，其中一个站相对于控制区域的距离较远，在ETo地图中只显示了两个站点的值。这导致了对值的空间分布的常规模式。因为由这两个站点数据决定的ETo之间的区别很小，例如12月只有1.8mm，这似乎看起来最终结果会是平均的，但是由于我们采取了一种标准的方法，反距离权重法，这是一种不相关的点数据间的更精确的插值方法。

图5 MRBC控制区参考作物蒸散量分布图

3.4 作物系数

从文献中查到的MRBC控制区域的作物的平均作物系数展示在表格2中。这些作物系数对于常规的作物生长情况是固定的，并且被用来指导该地区的灌溉管理。我们计算的ETcrop的季节并不处于作物生长的非常规状态。因此，可以认为文献中的作物系数和该地区真实的平均作物系数非常吻合。

表2 不同作物的作物系数值

3.5作物蒸散量

作物蒸散(ETcrop)通过pixel-wise、作物系数和ETo值的相乘得到了估计。整个季节的综合值显示季节性作物蒸发量(图6).季节性ET的变化从健康的烟草作物的600毫米以上，到非常贫穷的小麦作物的150毫米以下。这些值与Giriappa(1991年)的多种作物的蒸腾值非常匹配。

图6 季节性作物系数分布图

4.结论

在本研究中，通过一系列过程对实际空间作物蒸散量进行了估算。从基于遥感卫星的作物反射率值中估计了像素级作物系数值。同时还将这与气象预测的参考作物蒸发蒸腾值的插值图相结合起来。

这一作物蒸散图，覆盖了运河的结构和控制边界，可以突出作物水分需求中存在的差异。通过该方法估计作物蒸散量，是田间实际作物生长条件的直接表现，这是对作物水分利用的较好估计。当它被用作任何空间灌溉调度计划的输入时，它将使过度灌溉和灌溉不足的影响最小化。

目前的研究估计了季节性作物的水分需求。然而，WIFS的机载传感器卫星，它的数据已经被用于这项研究，每5天为特定区域提供数据。因此，该方法可用于每周一次的作物蒸散量估计，从而实现实时灌溉调度。在这项研究的扩展中，Ray等人利用了估计的季节性作物蒸散量，用于评估灌溉系统的表现，并且已经证明了水需求量与最终可获得水量间有很大的差异，获得的远少于需求的水量。

致谢

作者对Dr.R.R.Navalgund,Dy.Director,RESA,Shri J.S.Parihar,Group Director,ARG and Dr.Sushma Panigrahy,Head,AMD 等人的指导和建议表示非常感激，同时也对当地的工作人员在实地调查时的帮助表示感谢。

参考文献

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[22442]，资料为PDF文档或Word文档，PDF文档可免费转换为Word