《Physics and Chemistry of the Earth, Parts A/B/C》：Delineation of irrigated croplands and spatial analysis of crop water use for water resource management in the Orange River Valley, Northern Cape
编辑推荐：
研究人员整合多源卫星数据，利用随机森林（Random Forest, RF）算法和地表能量平衡系统（Surface Energy Balance System, SEBS）模型，对南非北开普省奥兰治河谷（Orange River Valley）2022—202
研究人员整合多源卫星数据，利用随机森林（Random Forest, RF）算法和地表能量平衡系统（Surface Energy Balance System, SEBS）模型，对南非北开普省奥兰治河谷（Orange River Valley）2022—2024年干季（6—8月）的灌溉农田进行制图，并分析其作物水分利用。研究发现：多源卫星数据可准确绘制2022—2024年灌溉农田；随机森林在半干旱地区能有效识别灌溉农业；SEBS模型有效捕捉了作物水分利用的空间格局；SEBS估算的蒸散发（evapotranspiration, ET）与Penman–Monteith参考蒸散发在数值量级上吻合良好；遥感集成方法可支持改善灌溉水管理。
论文解读：
非洲农业消耗约85%的地表水和地下水资源，在气候变化背景下，该地区面临更频繁的极端事件和干旱化趋势，农业灌溉用水压力持续增大。南非北开普省奥兰治河谷地区气候干旱，农业高度依赖奥兰治河灌溉，种植鲜食葡萄、柑橘、棉花和玉米等需水量差异显著的作物。准确划定灌溉农田范围并量化作物水分利用，是优化灌溉管理和可持续配置有限水资源的关键。然而，现有蒸散发（evapotranspiration, ET）研究多集中于区域或国家尺度，对河谷内高集约灌溉系统的局部动态刻画不足，且地表能量平衡类模型在精细尺度上的应用受限于高数据需求和技术复杂性。为此，研究人员开展本研究，旨在利用多源卫星数据结合随机森林（Random Forest, RF）分类和地表能量平衡系统（Surface Energy Balance System, SEBS）模型，绘制奥兰治河谷灌溉农田空间分布并估算作物水分利用，以支持当地水资源管理。
研究区域位于南非北开普省Upington附近的奥兰治河谷，属于半干旱气候，降水稀少且年际变率大，灌溉是维持农业生产的主要方式。研究人员选用2022—2024年6—8月干季的Sentinel-2和Landsat8影像，因为该时段降雨极少，非灌溉植被普遍枯黄，而灌溉农田仍保持绿色，有利于提高识别精度。研究首先在Google Earth Engine（GEE）中基于Sentinel-2影像执行RF监督分类，将地表分为水体、灌溉农田、建设用地、裸地和自然植被五类；参考样本从Google Earth Pro高分辨率历史影像中目视解译，每类300个点，其中70%用于训练，30%用于独立验证。随后在ILWIS平台运行SEBS模型，利用Landsat8影像反演归一化植被指数（Normalized Difference Vegetation Index, NDVI）、宽波段反照率、地表温度（Land Surface Temperature, LST）、比辐射率、叶面积指数（Leaf Area Index, LAI）和植被覆盖度（Fractional Vegetation Cover, FVC）等参数，并输入来自南非天气局（South African Weather Service, SAWS）和农业研究委员会（Agricultural Research Council, ARC）共5个地面站的气象数据，包括比湿、风速、气温和太阳辐射，同时使用数字高程模型（Digital Elevation Model, DEM）和儒略日作为辅助输入。SEBS输出逐日ET，并与ARC采用Penman–Monteith方法计算的参考ET进行对比验证。该研究未开展地面实测验证，因缺乏经费和实测数据。
研究结果如下：
3.1 作物面积划定（Crop area delineation）：基于Sentinel-2的RF分类结果显示，灌溉农田高度集中于奥兰治河谷沿岸，呈明显的矩形或中心枢轴圆形几何特征，与自然植被区分明显；三年分类总体精度（Overall Accuracy, OA）均超过80%，其中2023年最高（89%）。2022年灌溉农田的生产者精度为90%、用户精度为75%；2023年分别为75%和77%；2024年分别为69%和90%。这表明RF分类器能够可靠地绘制半干旱地区的灌溉农田空间分布。
3.1.1 精度评价结果（Accuracy Assessment Results）：通过混淆矩阵评估，三年OA均高于80%，说明分类总体表现良好，但不同年份的类别错误类型存在差异。2022年灌溉农田生产者精度高而用户精度较低，表明错分误差相对明显；2024年则相反，生产者精度下降而用户精度提高，表明漏分误差相对突出。总体上RF分类结果适用于后续分析。
3.2 蒸散发结果（Evapotranspiration Results）：SEBS模型估算的干季ET呈现明显的空间异质性，灌溉农田的ET始终高于裸地和自然植被。2022年每日ET范围为1～7.561 mm/day，高值集中在奥兰治河沿岸的灌溉农田；2023年ET整体较低，范围为1.02～3.478 mm/day，但沿河农业区仍呈较高值；2024年ET达到三年最高，范围为0.048～10 mm/day，最高值同样出现在河谷灌溉区。裸地ET最低，水体ET也相对较低。三年结果均显示灌溉农田是ET高值区，与农田划定结果一致，验证了SEBS对灌溉驱动ET的捕捉能力。
3.2.1 逐日ET值验证（Validation of the daily ET values）：将SEBS ET与Penman–Monteith参考ET对比，2022—2024年的均方根误差（Root Mean Square Error, RMSE）分别为0.991、0.889和1.301 mm/day，表明两者的ET量级接近；但决定系数R2仅为0.10～0.29，线性相关性较弱。这说明SEBS能较好重现ET的整体大小和空间格局，但在刻画日际时间波动方面能力有限，可能因为SEBS基于卫星过境时的瞬时地表状态，而Penman–Monteith使用连续气象观测数据。
讨论方面：4.1 灌溉农田空间分布与水资源可得性密切相关，远离河道的农田较少，反映水输送基础设施的局限性；RF分类精度与其他研究一致。4.2 三年间ET年际变化显著，2024年最高可能与较高的大气蒸发需求有关；灌溉农田ET持续高于非灌溉地表，体现了灌溉对维持高ET的作用。4.3 空间ET制图有助于识别高耗水区和潜在缺水区，可为灌溉调度和配水策略提供依据。4.4 研究存在局限性：缺乏地面真值数据，遥感反演参数（如反照率、LST、比辐射率）的不确定性会影响SEBS精度，且SEBS未直接使用土壤水分信息，在水分受限条件下可能高估ET。4.5 未来应优先开展实地调查和通量塔验证，并引入作物类型信息，以及增加气象站点数量来减少数据空缺。
结论翻译：本研究表明，整合多源卫星数据有助于估算Upington奥兰治河谷小规模灌溉系统的作物水分利用。关键发现之一是，使用高空间分辨率卫星影像可以有效地划定半干旱地区的灌溉农田，这有助于深入了解灌溉农田的空间分布以及农业用水如何分配。研究结果进一步表明，SEBS模型可有效估算作物水分利用，尽管SEBS与Penman–Monteith方法之间存在小幅差异，但两种方法的总体趋势相似。这表明遥感可以成为监测类似北开普省奥兰治河谷小规模灌溉系统用水量的有用工具。这些发现对于改善水资源短缺地区（如该国半干旱地区）的水资源分配与管理至关重要。本研究为未来研究人员纳入地面验证数据进行验证，并测试其他能量平衡方法以比较和评估哪种方法在半干旱地区估算作物水分利用更优，提供了初步基础。这种方法可在全国干旱地区应用，以补充该领域有限的研究，并有助于改善用水规划和支持更可持续的农业。
