撒哈拉以南非洲小农旱季灌溉遥感检测方法的操作化应用及其对粮食安全与能源规划的意义

本综述系统阐述了利用遥感技术（如Sentinel-2和MODIS影像）操作化检测撒哈拉以南非洲小农旱季灌溉的方法。研究基于增强植被指数（EVI）时间序列和时序混合模型（tEMs），结合Google Earth Engine（GEE）平台与Transformer神经网络架构，实现了高达96%分类精度（F1分数）。成果为区域粮食安全（SDG 2）、水资源管理（SDG 6）及能源需求规划提供了关键空间数据支持，尤其在半干旱地区（如尼日利亚北部、布基纳法索）具有显著适用性，但在高湿度地区（如乌干达）存在局限性。

　　

引言

在热带地区，漫长的旱季为农民提供了种植第二季作物的经济机会，超越较短雨季仅能维持的单季种植模式。这些额外的第二季作物能够确保粮食安全、改善营养状况并增加收入。本研究首先精细识别了撒哈拉以南非洲存在漫长旱季的区域。能源规划者也迫切希望评估当前旱季农业的实施地点及其耕作面积规模。假设这通过灌溉实现，规划者便可评估推广此类实践所需的水资源和能源需求规模。利用植被模式对景观进行物候学表征，有助于识别旱季灌溉可行的区域。本研究操作化了一种最初应用于埃塞俄比亚高地的灌溉检测方法，该方法基于高分辨率影像的视觉收集标签和有限的地面真实数据。论文的第二个贡献在于将该方法应用于一系列非洲地理区域，并独家使用了视觉收集的标签。该方法依赖于旱季灌溉作物独特的物候特征，这些特征使其与雨养农业和常绿植被区分开来。

材料与方法

灌溉土地是指通过人工方式部分补水以补充雨养灌溉，或在旱季完全满足作物生长需水量的耕地。本研究的分类针对后者，主要目标是检测旱季灌溉。大型灌溉计划由于地块规模大及其与非灌溉田地相比强烈的光谱特征而更易识别。相比之下，小农灌溉实践于较小的农业地块，面积约为十分之一公顷（1000平方米）或更小，由于地块尺寸小，通常更难检测。这些系统通常是非正式的灌溉计划，在没有规划和技术援助的情况下发展起来，大多位于地表水或地下水附近。MODIS 250米影像因像素分辨率较粗（6.25公顷）无法检测小农灌溉。本研究依赖10米分辨率的Sentinel-2影像，使得多个像素重叠于田块边界，避免了因错位导致的混合像素问题，并提高了预测置信度。

该方法基于Conlon等人（2022）开发的方法，其流程图如图1所示。工作流利用Google Earth Engine（GEE）访问托管的卫星影像产品并执行分类。GEE允许与Google Cloud Platform集成，以扩展存储和计算资源，并构建机器学习工作流。

物候表征

旱季灌溉的识别源于对季节性植被模式的分析。这些模式与降雨季节同步，由热带辐合带（ITCZ）的移动驱动。ITCZ在热赤道形成，那里热空气上升导致低压系统，促进云层形成产生降雨。热赤道是接收太阳强烈热量的区域，并随着地球绕太阳公转而横向穿过萨赫勒地区迁移。这导致萨赫勒北部地区湿季较短，而靠近赤道的地区则没有明显的旱季。降雨模式的这种移动导致植被生长和衰老。图2使用MODIS影像的EVI展示了整个日历年内非洲的这些植被模式示意图。

对这些植被模式的物候表征可以通过识别称为时序端元（tEMs）的主导植被周期来完成。从不同的MODIS 250米增强植被指数（EVI）时间序列推导出的时序端元的混合模型，在区域尺度上表征了原生植被物候，为连续物候图提供了基础。因此，每个像素的EVI时间序列P_tx（包含在具有x个像素和t个时间步长的时间空间立方体中）可以用线性混合模型表示。

P_tx = Σ_i=1ⁿ C_ti F_ix + ε_tx

其中：

C_ti 是时序端元。

F_ix 是每个tEM的权重/分数，并带有一些残差误差ε_tx。

然后可以映射空间分数F_ix以研究植被物候，而相应的时序端元表示与每个分数图相关的物候周期。Sousa和Small（2022）使用上述时序混合建模方法，利用MODIS EVI时间序列制作了萨赫勒的物候图，如图3所示。该图使用四个tEM创建。每年单一耕作周期主导、在九月达到峰值的区域显示为红色，而每年有两个耕作周期、在五月和十一月达到峰值的区域显示为蓝色。类似地，常绿植被 prevalent 的区域用绿色表示，贫瘠区域用黑色表示。这类似于非洲的农业生态图，并构成了表征非洲景观的基础。

研究区域选择

这种物候表征对于区分我们对旱季灌溉物候的定义（在旱季观察到EVI峰值）与具有双耕作周期的区域至关重要。由于物候上存在这种潜在的相似性，一个为检测旱季峰值而训练的 classifier 在应用于具有双耕作周期的区域时，其性能会下降。因此，该方法的应用仅限于具有单一耕作周期的区域（图3中红色所示）。在查看萨赫勒物候图中不同国家的单一耕作周期时，另一个关键挑战出现了。虽然乌干达北部也有单一耕作周期，但它经历更长的降雨期和更短的旱季。这提示需要区域物候图来理解该方法是否适用于所有具有单一耕作周期的区域。

我们假设该方法适用于具有漫长旱季的半干旱地区，而不适用于湿润地区。为了检验这一假设，我们选择了包括尼日利亚北部、布基纳法索和乌干达的研究区域。尼日利亚北部约占该国总面积的五分之二，几乎整个布基纳法索都由单一耕作周期主导，这与埃塞俄比亚高地相似，如图3所示。乌干达经历更长的降雨期，因此更湿润。为每个研究区域提取了时序端元，以创建如图4所示的物候图。请注意，虽然用于表示具有单一和双耕作周期以及非植被和常绿植被区域的颜色与萨赫勒物候图（图3）保持一致，但植被周期因地区而异。例如，半干旱地区（尼日利亚和布基纳法索）红色所示区域的旱季长度为6个月，而湿润地区（乌干达）的旱季较短，为3个月。下一步涉及在我们的研究区域收集标签。

标签收集

使用基于Google Earth Engine构建的应用程序，通过视觉检查旱季合成影像和亚米级分辨率的Google Earth影像，交互式检查为每个绘制的感兴趣区域（AOI）多边形的平均Sentinel-2 EVI时间序列。根据是否在旱季观察到EVI峰值，这些多边形被丢弃或保存为灌溉/非灌溉。根据图4，尼日利亚北部的旱季定为1月1日至8月1日，布基纳法索的旱季定为11月1日至5月1日。这些日期也用于创建Sentinel-2旱季影像的假彩色合成图，其中短波红外（SWIR）、近红外（NIR）和可见蓝波段用于RGB通道。与红波段相比，短波红外在基质和植被之间产生更好的对比度。图5说明了在布基纳法索Sourou河东北Zémpana附近某地进行标签收集的过程。绘制的AOI的EVI时间序列显示在右下角窗口中，蓝色表示样本灌溉地块，红色表示非灌溉，黄色表示常绿。在绿色突出显示的旱季窗口内，灌溉地块的EVI峰值很明显。

为了进行标记，每个感兴趣区域被划分为10×10公里的网格。随机选择其中的10%用于标记。然而，这种获得平衡采样的方法效率不高，因为大多数图块不符合包含农业的区域。因此，更好的方法是使用耕地地图或高分辨率聚落层来过滤图块。由于担心不同研究区域之间可用耕地产品的空间不一致性，未这样做。标记工作也偏向于定位灌溉多边形，以确保灌溉和非灌溉标签的平衡数据集，因为非灌溉田地的数量明显多于灌溉田地。这导致在尼日利亚有197个灌溉和143个非灌溉多边形，在布基纳法索有129个灌溉和135个非灌溉标签。由于旱季较短（背景植被没有足够时间衰老）和较长降雨期带来的云层覆盖问题，在乌干达的标记工作没有成果。

聚类清理

然后，导出的标记多边形作为geojson文件，并用于生成相应的10天时间步长的EVI时间堆栈。由于每个多边形可能覆盖多个田块，使用所有像素的EVI时间序列的平均值意味着无法捕获具有不同作物、种植和收获周期、灌溉技术以及杂草/非杂草等的田块。为了缓解这个问题，我们使用标记多边形内每个像素的EVI时间序列。这些时间序列经过时间插值和基于Savitzky Golay滤波器（阶数=3，窗口大小=60天）的平滑处理，以填补缺失数据点并平滑由于云层覆盖、传感器误差和其他影响导致的EVI突变。来自两个类别的多边形被分为训练集（70%）、验证集（15%）和测试集（15%），平滑后的时间序列保存为csv文件。然后使用分层高斯混合模型对时间序列进行无监督聚类。这些聚类用于检查植被物候，并移除不符合灌溉或非灌溉描述的聚类。布基纳法索的这一过程示例如图6所示。表1总结了聚类清理后的像素时间序列数量，然后保存为tfrecord文件（TensorFlow的压缩格式）。这些用于训练分类器。

容许性标准

对于推理，为感兴趣区域创建10天时间步长的EVI时间堆栈。这些堆栈经过与上述标签类似的时间插值和平滑步骤。EVI堆栈受到由EVI的第90和第10百分位数确定的规则/容许性标准的约束。为了移除常绿植被，应用了EVI时间序列的第10百分位数的截断值，该值从未低于某个阈值。类似地，确保EVI时间序列的第90百分位数大于阈值可以排除贫瘠区域。该阈值在尼日利亚和布基纳法索设定为最大EVI值的20%，并使用图3中的tEM图确定（贫瘠tEM的EVI值为0.2或更低）。另一个条件是EVI时间序列的第90和第10百分位数的比值大于2，以进一步排除常绿像素。该标准来自对萨赫勒物候图的分析，其中常绿物候的EVI值在0.5到0.65之间变化，比值为1.3（小于2）。应用这些容许性标准减少了分类器所需的计算量，然后分类器预测旱季灌溉并输出带有二值分类预测的光栅文件。

训练

梯度提升决策树在涉及遥感分类和检测方法时一直是首选算法。然而，具有适合任务架构的神经网络可以提高分类性能，但通常以计算资源为代价。Conlon等人（2022）比较了随机森林分类器、梯度提升决策树和三种神经网络架构（基线、LSTM和基于Transformer的网络）。Transformer模型 outperformed 所有其他模型，紧随其后的是catboost模型。本研究使用相同的Transformer模型架构（如图7所示）来检测尼日利亚北部和布基纳法索的小农灌溉。该模型包含50,010个可训练参数，使用学习率为0.001的Adam优化器和二元交叉熵损失函数。使用与其类频率成反比的类平衡权重来解决灌溉和非灌溉训练样本数量不平衡的问题。训练使用64的批次大小和30个周期，在Google Cloud Platform上使用包含n1-standard-8（8个vCPU，30GB内存）和一个NVIDIA Tesla P4 GPU的VM实例完成。

推理

联合国粮食及农业组织（FAO）提供了灌溉装备面积的统计数据以及灌溉面积占装备灌溉面积比例的地图。FAO-Aquastat统计数据基于估算、土地覆盖图、公共灌溉计划、Fadama计划和河流流域开发当局。报告了用于确定每个国家灌溉面积的方法。虽然这些地图已过时并报告灌溉基础设施，但假设将州一级的预测面积作为总耕地面积中灌溉比例与报告的统计数据进行比较，可以说明分类与报告统计数据的一致性。

结果

分类器在两个国家 withheld 的测试数据集上总体F1分数（TP / (TP + 0.5*(FP + FN))）超过96%。表2提供了包括真阳性（TP）、真阴性（TN）以及假阳性（FP）和假阴性（FN）在内的训练指标细目。

尼日利亚北部

尼日利亚北部大约五分之二的地区有漫长的旱季，易于检测旱季灌溉，年降雨量低于700毫米。尼日利亚南部年平均降雨量为2000毫米。中部地区的特点是每年有两次降雨，降雨量为1200毫米或更少。尼日利亚的大部分灌溉发生在Fadamas，即主要河流河谷、尼日尔河和贝努埃河沿岸的灌溉洪泛平原。浅层含水层通过暴雨洪水不断补给，并为旱季灌溉提供地下水。大多数fadamas位于索科托河流域，次要的fadamas位于卡杜纳、卡拉米、加尔马、卡奇亚、图博、库里等地的沉积地形中。识别这些区域为通过引入灌溉技术实现机械化以及确定能源的生产性用途（如农产品加工和冷藏）提供了机会。

图8显示了尼日利亚北部的灌溉预测。顶部放大了卡诺、吉加瓦和包奇的部分地区。白色显示了包含灌溉基础设施的AQUASTAT图块轮廓，以评估与黄色预测的空间相关性。底部放大了Gusau南部的一个小农旱季灌溉示例，右侧是该区域的高分辨率Google Earth影像。绘制了两个多边形以验证蓝色灌溉预测和红色非灌溉预测。在绿色窗口突出显示的旱季，灌溉田地的EVI出现峰值。

将预测的灌溉耕地面积比例与AQUASTAT报告的装备灌溉耕地面积比例按州进行对比绘制在图9中。预测的灌溉面积与FAO关于装备灌溉面积的统计数据一致， except 在扎姆法拉、约贝和博尔诺州，预测的灌溉面积小于装备灌溉面积。这些异常州表明灌溉潜力未得到充分利用，因为预测的灌溉面积小于装备灌溉面积。

布基纳法索

布基纳法索是一个内陆国家，北接撒哈拉沙漠，南临几内亚湾。该国大部分地区经历漫长的旱季，这使得旱季灌溉更容易检测。雨季从5月持续到9月，旱季发生在冬季10月至4月。年降雨量在北部500毫米到南部900毫米及以上之间波动。采用重力灌溉，利用引水渠从河流引水。图10显示了布基纳法索的灌溉预测。

将预测的灌溉耕地面积比例与AQUASTAT报告的装备灌溉耕地面积比例按州进行对比绘制在图11中。观察到普遍一致， except 在上盆地地区，预测的灌溉耕地面积低于装备灌溉的耕地面积。

乌干达

乌干达全年降雨量较多，范围从700毫米到1500毫米，导致旱季比萨赫勒其他地区（如埃塞俄比亚）短，后者有漫长的旱季。这反映在图4乌干达的物候图中，红色通道代表的单一耕作周期的旱季从1月到3月持续3个月。相比之下，尼日利亚北部和布基纳法索观察到的漫长旱季每年持续6个月。由于较长的降雨期，可用的无云图像较少，导致EVI时间序列噪声更大。缺乏明显的旱季阻碍了识别在旱季表现出非多年生植被周期的耕地，因为周围的植被没有足够的时间衰老。

哥伦比亚世界项目在2023年初旱季 months 在乌干达进行了一项包括农民访谈的调查。一些小农农场的地块较小边长小于Sentinel-2的10米像素分辨率，由于混合像素，使得植被模式更难检测。一些农民倾向于在其农业地块内种植多种作物，旨在满足自给农业需求。适当的灌溉知识和资源要么有限，要么缺乏。该调查旨在采访灌溉的农民，导致一个有偏数据集，包括11,021名灌溉农民和3,818名不灌溉农民的访谈。数据显示，乌干达88%的农民使用手动灌溉方法，其中85%的水通过手持容器运输到田间。识别这些农民是为基础设施、引入灌溉技术以及发展供应链和市场进行针对性投资的机会。为调查获得的每个地块坐标提取了EVI时间序列。这用于评估基于物候训练的 classifier 性能，由于前面描述的挑战，该地区的标记工作没有成果。Transformer在 withheld 测试数据上的F1分数下降到灌溉区域的62%（TP: 777, TN: 630, FP: 412, FN: 540），而在尼日利亚和布基纳法索达到了96%。

图12显示了来自Conlon等人（2022）的埃塞俄比亚高地、尼日利亚北部、布基纳法索和乌干达调查点的不同地块的Sentinel-2 EVI时间序列的平均值、第25和第75百分位数的比较。虽然其他地区在灌溉时间序列的旱季表现出明显的峰值，但在乌干达的不同地块中，灌溉和非灌溉EVI时间序列之间没有观察到明显的区别。

讨论

了解灌溉小农的位置对于能源接入规划至关重要，以便调整电网规模以满足与灌溉和农产品加工相关的需求，从而了解相关成本。因此，从开发者的角度来看，关键问题是一个10米×10米（对应0.01公顷土地面积）的像素在被分类器预测为灌溉的情况下，实际上确实被灌溉的概率是多少。

鉴于我们可以通过FAO Aquastat获得关于灌溉的先验知识，这可以使用贝叶斯定理计算出来。在卡诺，总面积的1.3%装备了灌溉。给定像素被灌溉的概率是0.013，未被灌溉的概率是0.987。表2提供了尼日利亚的Transformer模型性能指标。真阳性是分类器给出阳性结果（预测灌溉）且测试标签为灌溉的概率，即0.96。类似地，真阴性是分类器给出阳性结果（预测灌溉）且测试标签为灌溉的概率，即0.014。因此，在卡诺，一个10米×10米的像素在被模型预测为灌溉的情况下，实际上被灌溉的概率是0.48。

拥有多于一个灌溉像素或小农灌溉集群增加了被预测为灌溉的像素实际上被灌溉的概率。因此，将结果聚合到250米×250米（对应6.25公顷）并分箱为灌溉像素所占比例的类别。这可以用作先验，以增加以灌溉为目标区域的概率，前提是它们被分类为灌溉。预测结果已上传至CWP仪表板（可通过导航至“landscape predictions and analysis”下拉菜单并切换“N.Nigeria: % area predicted irrigated (6.25ha)”图层在“Map”选项卡下查看）。该仪表板是一个托管与能源生产性用途项目相关的栅格和矢量图层的平台，是哥伦比亚世界项目的一项倡议，由Quadracci可持续工程实验室执行。

结论

绘制灌溉区域对于通过灌溉发展支持经济增长具有至关重要的政策意义。它也是实现联合国可持续发展目标（SDGs）的关键，即缓解粮食不安全（SDG 2）、可持续管理水资源（SDG 6）和使农业适应气候变化（SDG 13）。用于灌溉抽水和相关能源生产性用途（PUEs）（如农产品加工）的能源为家庭需求提供了灵活的负荷整合。这种负荷转移灵活性为可持续且经济可行的能源接入解决方案提供了系统效益。

旱季光合生长可以使用旱季假彩色合成来识别，以获得植被和基质之间的鲜明对比。接下来的挑战是将不同的类别（如森林等常绿植被、雨养作物、沼泽等）与旱季灌溉农业区分开来。EVI等植被指数的时间剖面提供了关于作物生长、成熟和衰老的信息。如果这些发生在没有降雨满足作物需水量的旱季，则表明使用了灌溉技术。然而，这取决于所检查的气候和景观。在降雨期较长的湿润地区，依赖降雨的周围植被由于没有明显的旱季而不会衰老。因此，这些地区的旱季灌溉无法与雨养农业和其他普遍的植被类型（如灌木、草地等）区分开来。因此，漫长的旱季（如图12示例中所示至少持续6个月）对于这些分类器识别在旱季灌溉的小农农场至关重要。

为检测埃塞俄比亚高地旱季灌溉而开发的方法被操作化，用于检测尼日利亚北部和布基纳法索的小农灌溉，以证明该分类器的适用范围。其他具有类似漫长旱季的半干旱地区，该方法可能适用，包括塞内加尔、马里、加纳等国。尽管比较分析仅限于萨赫勒，但该方法可能适用于赤道以南的国家，如马拉维，这些国家有明显的旱季。这些与非洲农业生态图中的半干旱地区一致。

具有较短旱季的湿润地区（如乌干达）需要不同的方法来识别小农灌溉。这可以通过传统的机器学习方法来实现，结合地形图、降水、蒸散、与地表水的距离、与基础设施的距离等特征来理解农民选择灌溉的地点。

无人驾驶飞行器（UAV）经常被用来克服空间分辨率的障碍并提供亚米级分辨率的影像。虽然这些对于作物分类至关重要，但灌溉的表征依赖于时间数据来区分植被周期与非灌溉农业，而UAV可能无法提供这些数据。