利用热卫星观测数据对灌溉时机进行特征分析：一种数据驱动的方法

《Remote Sensing of Environment》：Characterization of irrigation timing using thermal satellite observations, a data-driven approach

灌溉时间属性遥感反演方法研究基于地表温度（LST）差异与变化点检测算法，通过对比作物区与邻近自然区域LST变化提取灌溉事件。在Nebraska和伊朗Mahabad验证，灌溉事件检测F1分数达0.59-0.74，误差主因云覆盖影响。该方法有效表征灌溉时间年际变化，提升水资源管理模型精度。

　　灌溉是地球上淡水资源的主要消耗者，也是人类对水循环干预最显著的形式之一。据联合国粮食及农业组织（FAO）2023年的报告，全球约有24亿人面临中度至重度粮食不安全的问题，而灌溉农业在维持稳定粮食供应方面发挥着关键作用。相比依赖降雨的农业，灌溉农业的单位面积产量是其两倍以上，因此它在全球粮食生产中占据重要地位。然而，灌溉农业平均消耗了地球淡水总开采量的70%（在中东和东南亚地区甚至超过90%），这种高消耗对环境产生了深远影响，既有积极的一面，也有消极的一面。

积极影响方面，灌溉可以促进下游地区的降水增加，例如通过改变局部水循环模式，使得云层形成和降水过程更加活跃。此外，灌溉还能在极端高温日子里起到降温作用，从而缓解热浪对人类健康和生态系统的影响。然而，消极影响同样显著，例如灌溉可能延迟季风的开始，导致降水模式发生变化，同时还会引发超出人类耐受范围的湿热浪。灌溉农业还对地球系统的关键行星边界（如淡水使用、养分循环和土地系统变化）施加压力，这些边界定义了人类社会安全运行的空间范围。

尽管灌溉对水资源和粮食安全至关重要，且对地球系统产生广泛影响，但在陆地表面和气候模型中，灌溉仍然缺乏准确的表示。主要原因是灌溉决策涉及复杂的人类因素，例如作物选择、是否进行灌溉或休耕、以及灌溉的时间和频率等。这些决策往往基于农民的经验和简单规则，而非精确的土壤湿度数据。因此，许多现有的灌溉模型在模拟灌溉时间决策时，可能会引入偏差，从而影响对人类对水循环影响的准确评估。

灌溉时间决策通常分为两个方面：一是季节性灌溉时间的确定，即确定灌溉季节的开始和结束；二是每个灌溉事件的具体时间安排。大多数陆地表面模型（LSM）使用固定的作物日历来确定灌溉季节，这种做法无法反映生长季节的年际变化。另一种方法是通过植被指数的阈值来识别灌溉季节的开始和结束，例如在植被指数达到峰值的20%时或在绿植被比例（GVF）年度变化的40%阈值被突破时。然而，这些方法在实际应用中存在局限，尤其是在处理灌溉事件的频率和具体时间时，需要更精确的数据支持。

为了更准确地捕捉灌溉时间的特征，研究人员尝试利用更高分辨率的遥感数据，如Sentinel-1卫星提供的土壤湿度数据。例如，Jalilvand等人（2021）发现，SMAP/Sentinel-1 1公里分辨率的土壤湿度数据能够有效识别灌溉信号，相较于非灌溉区域，灌溉区域的土壤湿度变化更为显著。然而，这些方法也面临挑战，例如Sentinel-1的观测频率较低（欧洲地区每2-6天一次，其他地区甚至可达12天），导致在频繁灌溉的区域难以准确捕捉灌溉事件。此外，土壤饱和度和低灌溉率（如滴灌）也可能限制这些方法的适用性。

相比之下，利用地表温度（LST）来表征灌溉属性的研究较少。灌溉过程会将大量的太阳辐射能量转化为潜热，从而降低地表和空气温度。这种降温效应可以通过卫星观测到，并且在某些情况下可以用于识别灌溉事件。然而，大多数研究主要关注灌溉导致的降温效果及其对水预算、近地表气候和全球变暖的抑制作用，而非直接利用LST来表征灌溉活动。

在本研究中，我们提出了一种基于LST的新方法，用于提取灌溉时间属性，包括灌溉季节的开始和结束时间，以及每个灌溉事件的具体时间。该方法利用了“水文相似性”概念，即通过比较灌溉像素与周围自然像素的地表温度，排除其他因素对温度变化的影响，从而更准确地识别灌溉活动。具体而言，我们计算了每个像素与周围自然像素之间的温度差（ΔLST），并使用变化点检测（CPD）算法来提取灌溉时间属性。这种方法的优势在于，它不依赖于特定区域的阈值，而是通过统计性质的变化来识别灌溉事件，从而提高了方法的通用性和准确性。

为了验证该方法的有效性，我们在两个主要的灌溉区域进行了评估：美国的内布拉斯加州（NEB）和伊朗的马哈巴德平原（MAH）。在内布拉斯加州，我们利用了实地灌溉数据，以评估模型在确定灌溉季节开始和结束时间方面的准确性。结果表明，该方法在估算灌溉季节持续时间时的误差分别为18%和15%。其中，云层覆盖是主要的误差来源，尤其是在灌溉季节开始或结束时，云层可能遮挡卫星观测，从而影响ΔLST的计算。因此，在模型评估中，我们特别关注了云层覆盖对结果的影响，并讨论了这一问题带来的不确定性。

在伊朗的马哈巴德平原，我们同样应用了该方法，并发现其在识别灌溉事件方面的准确度较高。通过对不同参数进行广泛的超参数调优，我们能够优化模型的性能，并为不同灌溉实践提供具体的参数建议。例如，在某些区域，农民更倾向于频繁灌溉，而在其他区域，灌溉事件则相对较少。这些差异导致了模型在不同地点的表现有所不同，因此需要根据具体的灌溉模式调整参数设置。

此外，我们还开发了一个名为AgroTrack的Python工具包，用于实现这一方法。该工具包通过水文相似性概念，识别出每个像素附近的自然“双胞胎”像素，并构建ΔLST张量，以提取灌溉时间属性。AgroTrack包含多个模块，其中两个核心模块用于在时间和空间上提取灌溉特征：一是用于识别自然双胞胎像素的模块，二是用于应用变化点检测算法的模块。通过这些模块，AgroTrack能够自动化处理大量遥感数据，并提供详细的灌溉时间信息。

本研究的结果表明，基于LST的方法在表征灌溉时间属性方面具有显著优势。它不仅能够准确识别灌溉季节的开始和结束时间，还能捕捉到每个灌溉事件的具体时间。与传统的基于土壤湿度的模型相比，该方法在处理数据缺失和观测频率较低的问题上更具鲁棒性。例如，在某些情况下，土壤湿度数据可能因为云层覆盖而缺失，但LST数据仍然可以通过卫星观测获取，从而减少对灌溉时间的误判。

然而，该方法也存在一些局限性。首先，云层覆盖仍然是影响结果准确性的主要因素，尤其是在灌溉季节开始和结束时，云层可能会干扰卫星观测，导致ΔLST的计算出现偏差。其次，尽管LST数据的分辨率较高，但在某些情况下，其对灌溉事件的响应可能滞后，尤其是在灌溉频率较低或灌溉强度较弱的地区。因此，在实际应用中，需要结合其他数据源（如土壤湿度和植被指数）来进一步提高模型的准确性。

总的来说，本研究提出了一种新颖的基于LST的方法，用于提取灌溉时间属性。该方法通过水文相似性概念，排除了其他因素对温度变化的影响，从而更准确地识别灌溉活动。与传统的基于土壤湿度的模型相比，该方法在处理数据缺失和观测频率较低的问题上更具优势，同时其通用性和可扩展性也更高。未来的研究可以进一步探索该方法在不同地理和气候条件下的适用性，并结合更多的遥感数据源，以提高模型的精度和可靠性。此外，还可以考虑将该方法与其他农业模型相结合，以更全面地评估灌溉对水循环和生态系统的影响。