从国家尺度到全球尺度：基于知识引导数据增强绘制全球中心支轴式灌溉耕地分布图

《Remote Sensing of Environment》：From national to global: Mapping global center-pivot irrigated cropland with knowledge-guided data augmentation

　　

我们以前所未有的全面性映射了全球中心支轴灌溉农田（CPIC）的分布。

中心支轴灌溉农田（CPIC）具有灌溉效率高、保障高产且稳定的粮食生产等优势，在全球农业发展和粮食安全中发挥重要作用（Chai 等，2016；Rosa 等，2020；Waller & Yitayew，2016；Wang 等，2021）。通过配备中心支轴灌溉系统，CPIC 可在关键作物生长阶段通过抽取地下水和优化水资源管理实现及时且充足的水分供给。CPIC 具有高产量、抗旱性强、适合大面积灌溉等特点（Cooley & Smith，2022），已在众多国家和地区的农业区域迅速扩展（Chen 等，2023；Li 等，2022；Liu 等，2023）。然而，这一扩张也引发了显著的环境问题，包括森林砍伐（Gibbs 等，2010；Morton 等，2006）和地下水过度开采（Scanlon 等，2012；Zektser 等，2005）。例如，自1985年以来，巴西 CPIC 扩张已侵占42000 公顷灌丛地和25000 公顷森林（Liu 等，2023）。在美国，集中分布大量 CPIC 的奥加拉拉含水层水位正因过度抽取而持续下降（Deines 等，2017；Spera 等，2016）。同样，在干旱的沙特阿拉伯，CPIC 引发的地下水枯竭已促使政府逐步淘汰该灌溉方式（Johansen 等，2021；Li 等，2022）。因此，平衡 CPIC 发展与生态可持续性已成为全球性政策挑战，亟需精准绘制全球 CPIC 空间分布图，以指导农业战略部署与生态评估。

遥感技术凭借大范围覆盖、高频重访和客观数据采集等优势，已成为监测多种地表要素空间分布的有力工具（Gong 等，2020；Hansen 等，2013；Kruitwagen 等，2021；Pekel 等，2016）。CPIC 田块具有独特的圆形形态特征（Johansen 等，2021；Saraiva 等，2020），源于安装在轮式桁架上的喷淋器围绕中心支点旋转。利用这一显著的几何特征，研究者们已开发出多种方法从卫星影像中识别 CPIC。

20 世纪70 年代的初步探索主要依赖对Landsat 多光谱扫描仪（MSS）影像进行人工判读（Rundquist 等，1989）。尽管精度较高，但此类人工方法劳动强度大，难以满足大规模应用或频繁更新的需求。随着图像技术的发展，自动化方法逐步涌现，用于从卫星数据中提取 CPIC。例如，Rodrigues 等（2020）采用霍夫变换方法（Davies，1988）在Landsat 影像中检测 CPIC。Yan 和 Roy（2014）提出了一种基于对象的图像分析方法，自动提取规则农田图案。Johansen 等（2021）同样采用类似的基于对象的方法，利用Landsat 8 数据绘制了沙特阿拉伯的CPIC 分布图。这些传统机器学习算法在简单场景中表现良好，但在复杂背景中难以有效分离 CPIC。

近年来，卷积神经网络（CNN）凭借其从卫星影像中学习层次化特征表示并有效应对复杂背景的能力，被广泛应用于 CPIC 提取。Zhang 等（2018）首次尝试将 CNN 方法用于卫星影像中的 CPIC 检测。他们使用 CNN 分类网络判断每个小图像块是否包含 CPIC，并采用滑动窗口方法为图像中每个像素生成 CPIC 概率图。de Albuquerque 等（2020）比较了不同语义分割方法在 CPIC 提取中的表现，发现 U-Net 模型（Ronneberger 等，2015）取得了更优的预测结果。这些案例研究表明，CNN 在自动化提取卫星影像中的 CPIC 方面具有广阔潜力。

对于全球范围制图，精度和效率不仅取决于分类算法，还与大规模数据处理能力及训练样本的代表性密切相关（Gong 等，2020；Hansen 等，2013）。Google Earth Engine（GEE）（Gorelick 等，2017）等云计算平台能够管理和处理大规模卫星数据，使生成高分辨率全球专题地图成为可能（Hansen 等，2013；Huang 等，2022；Pekel 等，2016）。将 GEE 与 CNN 相结合已成为一种有前景的方法，用于生成高精度全球 CPIC 地图。例如，Liu 等（2023）开发了一种框架，整合 GEE、Google Drive 和 Colab 平台，结合 U-Net 模型，利用 Landsat 影像生成了巴西的年度 CPIC 地图。Chen 等（2023）构建了包含约600 个影像块的训练数据集，并采用实例分割算法绘制了全球干旱地区的 CPIC 分布图。Tian 等（2023）提出了 Pivot-Net 模型检测 CPIC，并结合云平台生成了美国 CPIC 地图，随后将其扩展至全球范围（Tian 等，2025）。尽管大规模 CPIC 制图取得了显著进展，但在地理范围受限或代表性不足的样本上训练的模型在全球应用时仍可能面临精度下降的挑战。我们的分析发现，当前全球 CPIC 产品存在显著漏报误差，这很可能归因于训练样本数量不足或代表性较差。

构建具有全球代表性的训练数据集对于生成高精度全球 CPIC 地图至关重要。基于 CNN 的方法的预测精度高度依赖于训练数据的空间代表性和数据量（Alzubaidi 等，2021；Ng 等，2020）。目前，全球分布样本数据集的缺失在很大程度上导致了现有产品中对 CPIC 的大量漏报。传统上，构建训练数据集需通过人工目视判读进行逐像素标注，这非常耗时且劳动密集，难以在全球范围内实施。近年来，自训练方法已展现出利用有限标注数据与丰富无标注数据来提升模型性能的能力，显著减少了对人工标注的依赖（Xia 等，2025；Xie 等，2020；Zou 等，2018）。这类方法通常包括：先利用标注数据训练初始模型，为无标注数据生成伪标签，再将高置信度样本筛选并合并入训练集，迭代优化新模型。我们此前的研究建立了巴西全国范围的高质量数据集（Liu 等，2023），可作为初始模型的基础训练集。然而，如何借助 CPIC 的独特特征清理伪标签，进而构建具有全球代表性的训练集，仍是一个关键挑战。

本研究提出了一种新颖的方法，利用30 米分辨率的Landsat 影像制作全球 CPIC 地图（GCMap），并界定2020 年全球 CPIC 的空间分布。基于我们此前的巴西研究（Liu 等，2023），我们开发了一个框架，通过三项关键创新创建全球代表性训练数据：（1）我们提出了一种形状先验引导的投影模拟（PS）方法，以初步增强全国范围数据集中 CPIC 样本的多样性。基于该新数据集，训练了一个初始 U-Net 模型，用于生成全球 CPIC 的伪标签。（2）我们采用分层采样方法，基于全球 CPIC 伪标签获取新样本对，提高样本的代表性和多样性。（3）我们提出了一种双时相校正机制来清理样本标签，最终生成具有较高代表性的高置信度全球训练样本。最后，利用该全球数据集训练了一个性能更强的 U-Net 模型，并部署于云平台生成了 GCMap。本工作提供了全面的全球 CPIC 空间分布清单，并与现有其他 CPIC 地图进行了系统对比分析。基于 GCMap，我们进一步探讨了 CPIC 的地理分布特征，这将为水资源管理和农业决策提供重要的信息支撑。

**卫星影像与预处理**

本研究用于全球中心支轴灌溉农田（CPIC）制图的主要卫星数据为Landsat Collection 2 Level-2 产品。该数据集提供了空间分辨率为30 米的大气校正地表反射率数据。尽管单个卫星平台的名义重访周期为16 天，但我们利用了Landsat 7 和8 双星星座的协同观测来加密时间序列。具体而言，我们使用了所有可用的地表反射率影像……

**GCMap 精度评估**

我们严格按照 Olofsson 等（2014）的规程，采用基于点的独立验证样本对全球 CPIC 地图（GCMap）的精度进行了严格评估。如表2 所示，分层误差矩阵及相应的无偏面积加权估计值——包括用户精度（UA）、生产者精度（PA）、总体精度（OA）及其95% 置信区间（CI）——均表明该地图产品具有高精度。具体而言，GCMap 取得了显著的高精度结果……

**与现有产品比较**

我们利用所提出的方法生成了2020 年全球 CPIC 地图（GCMap），并计算出当年全球 CPIC 面积为1870±42 万公顷（Mha）。首先，我们将本产品与当前最先进的全球覆盖型 GCPIS 产品（Tian 等，2025）的精度进行了定量比较。基于构建的全球验证点，我们对两者的 F1 分数进行了对比分析（注：GCPIS 产品中的漏报误差主要存在于背景区域……

**结论**

中心支轴灌溉农田（CPIC）具有灌溉效率高、在全球农业发展和粮食安全中发挥重要作用等特点。本研究开发了一种新颖的方法框架，通过专门算法将 CPIC 先验知识整合到全球训练数据集的生成中，最终基于Landsat 影像制作了2020 年全球 CPIC 地图（GCMap）。该框架遵循基于设计的分层采样和误差矩阵评估体系……

**CRediT 作者贡献声明**

刘向宇：撰写——初稿、可视化、软件、方法论、形式分析、概念构思。何伟：撰写——审阅与编辑、验证、监督。夏宇：撰写——审阅与编辑、可视化、验证、软件。王杰：撰写——审阅与编辑、验证、监督、项目管理、经费获取。张宏艳：撰写——审阅与编辑、监督、资源、概念构思。

**利益冲突声明**

作者声明，不存在任何可能影响本文所报告工作的已知竞争性财务利益或个人关系。

**致谢**

本研究获得了国家自然科学基金（项目号：T2525018 和42501581）、PCL 重大项目（PCL2024A04）以及中国博士后科学基金（2025M780316）的资助。我们感谢匿名审稿人提出的建设性意见和建议，这些意见显著改进了本文。

刘向宇 | 何伟 | 夏宇 | 王杰 | 张宏艳