楊 光，喬學(xué)瑾，石建初，吳 訓(xùn)，周祥瑞，張 佳，左 強(qiáng)

2000—2020年瑪納斯河流域的作物種植結(jié)構(gòu)與需水滿(mǎn)足度

楊 光1，喬學(xué)瑾1，石建初1，吳 訓(xùn)1，周祥瑞1，張 佳2，左 強(qiáng)1※

（1. 中國(guó)農(nóng)業(yè)大學(xué)土地科學(xué)與技術(shù)學(xué)院，北京 100193；2. 新疆生產(chǎn)建設(shè)兵團(tuán)石河子市水利工程管理服務(wù)中心，石河子 832000）

變化環(huán)境條件下干旱綠洲水土資源的高效利用一直廣受關(guān)注?，敿{斯河流域分布著新疆最大、最典型的綠洲農(nóng)耕區(qū)，其水土資源高效利用無(wú)疑應(yīng)基于對(duì)種植結(jié)構(gòu)和需水滿(mǎn)足度（供水量/需水量）時(shí)空演變規(guī)律的了解?；诠雀璧厍蛞妫℅oogle Earth Engine，GEE）平臺(tái)并通過(guò)區(qū)域調(diào)查和調(diào)研，該研究利用面向?qū)ο蟮碾S機(jī)森林分類(lèi)，建立流域地物遙感識(shí)別模型，分析當(dāng)?shù)?000—2020年種植結(jié)構(gòu)的變化過(guò)程，探討種植結(jié)構(gòu)變化與膜下滴灌棉花水分供應(yīng)狀況和需水滿(mǎn)足度間的關(guān)系。結(jié)果表明：基于GEE平臺(tái)，融合簡(jiǎn)單非迭代聚類(lèi)圖像分割算法和隨機(jī)森林分類(lèi)算法可快速、準(zhǔn)確識(shí)別流域地物，總體精度約0.9；近20年，流域種植作物始終以棉花為主，占耕地總面積的80%以上，受益于膜下滴灌技術(shù)的節(jié)水、抑鹽等功效，中、下游鹽堿荒地不斷被開(kāi)墾為棉田，致使其面積以每年約101 km2的速度增長(zhǎng)，但棉田面積增長(zhǎng)與灌溉水資源供給的矛盾日益突出，棉花需水滿(mǎn)足度顯著下降，尤其是水資源相對(duì)匱乏的下游灌區(qū)及需水旺盛的夏灌期，2020年流域下游棉花夏灌期需水滿(mǎn)足度已降至約46%，種植結(jié)構(gòu)的調(diào)整和優(yōu)化已勢(shì)在必行。研究可為瑪納斯河流域水資源配置及農(nóng)業(yè)種植結(jié)構(gòu)優(yōu)化提供科學(xué)依據(jù)。

作物；隨機(jī)森林；遙感；種植結(jié)構(gòu)；需水滿(mǎn)足度；膜下滴灌棉田；耕地?cái)U(kuò)張；水資源供應(yīng)

0 引 言

瑪納斯河流域位于新疆天山北麓、準(zhǔn)噶爾盆地南緣，該流域?qū)俚湫偷母珊祪?nèi)陸河區(qū)域，其中分布著新疆最大的綠洲農(nóng)耕區(qū)[1]。淡水資源短缺和土壤鹽堿化是制約當(dāng)?shù)剞r(nóng)業(yè)可持續(xù)發(fā)展的主要障礙因子，膜下滴灌技術(shù)于20世紀(jì)末在瑪納斯河流域發(fā)源，因具有節(jié)水、抑鹽、增產(chǎn)等功效而得以大力發(fā)展[2]。受氣候變化和人類(lèi)活動(dòng)等變化環(huán)境的共同影響，當(dāng)?shù)刈魑锓N植結(jié)構(gòu)始終處于變化或調(diào)整之中，致使農(nóng)業(yè)水資源配置管理也隨之發(fā)生改變，了解種植結(jié)構(gòu)的變化及其對(duì)作物需水滿(mǎn)足程度的影響，對(duì)于認(rèn)識(shí)和理解變化環(huán)境下干旱區(qū)流域水文循環(huán)特征、優(yōu)化灌區(qū)水資源配置和管理、促進(jìn)當(dāng)?shù)鼐G洲農(nóng)業(yè)和生態(tài)環(huán)境可持續(xù)發(fā)展具有重要意義。

目前，瑪納斯河流域土地利用/覆被和耕地景觀時(shí)空研究多將耕地作為整體分析[3-4]，較少關(guān)注不同作物種植結(jié)構(gòu)。雖然也有少數(shù)研究基于統(tǒng)計(jì)資料來(lái)了解種植結(jié)構(gòu)的變化動(dòng)態(tài)[5]，但難以刻畫(huà)的空間分布特征，無(wú)法滿(mǎn)足種植結(jié)構(gòu)調(diào)整與水資源科學(xué)配置等需求。遙感因具有高時(shí)效、高覆蓋率、客觀性強(qiáng)等特點(diǎn)，在種植結(jié)構(gòu)提取方面存在獨(dú)特優(yōu)勢(shì)?；诙鄷r(shí)序遙感影像分類(lèi)可以充分利用作物季相規(guī)律特征，已成為當(dāng)前種植結(jié)構(gòu)區(qū)域監(jiān)測(cè)的主流方法[6]，然而對(duì)于大范圍、長(zhǎng)時(shí)序而言，遙感影像的獲取和處理都需耗費(fèi)大量的時(shí)間和精力。2012年美國(guó)谷歌公司推出了具有強(qiáng)大計(jì)算能力和豐富數(shù)據(jù)資源的遙感大數(shù)據(jù)云計(jì)算平臺(tái)——谷歌地球引擎（Google Earth Engine，GEE），使之前因數(shù)據(jù)量和計(jì)算限制而難以快速實(shí)現(xiàn)的大面積、長(zhǎng)時(shí)序土地利用/覆被演變分析變得簡(jiǎn)便易行，已成功應(yīng)用于全球地表水體、森林和農(nóng)田等的制圖和變化動(dòng)態(tài)分析[7-9]。

傳統(tǒng)的遙感影像分類(lèi)多基于像元進(jìn)行，通常僅考慮影像的光譜信息，而忽略幾何結(jié)構(gòu)等空間信息，易導(dǎo)致分類(lèi)結(jié)果的破碎和不準(zhǔn)確[10]。面向?qū)ο蟮膱D像分類(lèi)方法則有助于以上問(wèn)題的解決，逐漸成為中、高空間分辨率遙感影像分析和識(shí)別的重要途徑[11]。面向?qū)ο蠓诸?lèi)的首要步驟就是圖像分割，雖然目前相關(guān)算法較多，但在GEE環(huán)境中仍不常見(jiàn)，主要困難可能在于難以連接適當(dāng)?shù)暮瘮?shù)和調(diào)整各種參數(shù)以克服GEE計(jì)算限制等方面[12]。2017年Achanta等[13]對(duì)簡(jiǎn)單線性迭代聚類(lèi)（Simple Linear Iterative Clustering，SLIC）超像素圖像分割算法進(jìn)行改進(jìn)，提出了效果更優(yōu)的簡(jiǎn)單非迭代聚類(lèi)（Simple Noniterative Clustering，SNIC）超像素圖像分割算法，近年來(lái)已成功應(yīng)用于GEE平臺(tái)，但由于推出時(shí)間較晚，該改進(jìn)算法在不同情景中的應(yīng)用效果仍有待進(jìn)一步檢驗(yàn)。面向?qū)ο蠓诸?lèi)的多種算法中，隨機(jī)森林因具有數(shù)據(jù)處理高效、對(duì)參數(shù)和噪聲不敏感、易執(zhí)行且分類(lèi)精度高等優(yōu)勢(shì)，在作物種植結(jié)構(gòu)提取研究[14]中獲得廣泛應(yīng)用。理論上，對(duì)于瑪納斯河流域這種地塊大而緊湊、集約農(nóng)業(yè)發(fā)達(dá)的地區(qū)，適合采用面向?qū)ο蠓诸?lèi)方法進(jìn)行精細(xì)化的作物種植結(jié)構(gòu)提取，但目前尚缺少這方面的應(yīng)用實(shí)例和研究報(bào)道，如何基于多時(shí)相影像數(shù)據(jù)和GEE平臺(tái)，結(jié)合上述SNIC圖像分割和隨機(jī)森林分類(lèi)算法，準(zhǔn)確分析流域種植結(jié)構(gòu)的演變?nèi)杂写M(jìn)一步探索。

流域種植結(jié)構(gòu)調(diào)整必然導(dǎo)致水資源配置與管理發(fā)生相應(yīng)改變，使不同區(qū)位、不同時(shí)期作物的水分供應(yīng)情況受到相應(yīng)影響，因此供水量對(duì)作物需水量的滿(mǎn)足程度（即需水滿(mǎn)足度）對(duì)評(píng)估區(qū)域尺度作物水分供應(yīng)、配置與利用情況有著重要意義。就干旱的瑪納斯河流域綠洲農(nóng)田而言，作物供水基本源于灌溉和少量的降水，故需水滿(mǎn)足度可近似為（灌水量+降水量）與需水量的比值。當(dāng)?shù)刈魑锕嗨徒邓Y料較易通過(guò)調(diào)研獲取而流域主要作物需水量目前也已積累了大量可靠的研究成果[15]。因此，本研究擬基于GEE云平臺(tái)，通過(guò)結(jié)合簡(jiǎn)單非迭代聚類(lèi)圖像分割和隨機(jī)森林分類(lèi)算法，提取瑪納斯河流域近20年的作物種植結(jié)構(gòu)，在此基礎(chǔ)上，應(yīng)用區(qū)域灌溉制度和氣象資料調(diào)研結(jié)果，進(jìn)一步估算主要作物需水滿(mǎn)足度，分析作物種植結(jié)構(gòu)和需水滿(mǎn)足度的時(shí)空變化規(guī)律，以期為流域水資源管理配置及農(nóng)業(yè)產(chǎn)業(yè)結(jié)構(gòu)區(qū)域布局優(yōu)化提供科學(xué)依據(jù)。鑒于瑪納斯河流域作物基本以膜下滴灌棉花為主，為節(jié)省篇幅，本文對(duì)作物需水滿(mǎn)足度的評(píng)估將主要針對(duì)棉花進(jìn)行。

1 材料與方法

1.1 研究區(qū)概況

瑪納斯河流域綠洲灌區(qū)（85°01′～86°32′E，43°27′～45°21′N(xiāo)，圖1）總面積約1.1×104km2，屬典型的溫帶大陸性氣候，年均降水量177.5 mm、蒸發(fā)量1 547 mm[16]。流域地勢(shì)落差較大，自南向北大致可分為上、中、下游3段（圖1），上游主要為沖洪積傾斜平原；中游為平緩的沖積平原，其中地下水在沖積扇邊緣出露，形成一條狹長(zhǎng)的泉水溢出帶；下游除沖洪積平原外，還包括干三角洲和沙漠[1]。上游至下游自然條件差異顯著，總體表現(xiàn)為土壤質(zhì)地由粗變細(xì)，地下水埋深從深變淺再變深，礦化度由低變高，土壤鹽漬化程度逐漸加重[1]。自20世紀(jì)50年代以來(lái)，流域大力發(fā)展灌溉農(nóng)業(yè)，共形成10個(gè)主要灌區(qū)（圖1），多集中在光、熱、水、土條件更佳的中、下游地區(qū)。但早期灌溉方式不盡合理，加之排水不暢，致使中、下游灌區(qū)地下水位迅速上升、土壤次生鹽漬化問(wèn)題十分嚴(yán)重。自20世紀(jì)末開(kāi)始，流域通過(guò)不斷提高農(nóng)業(yè)科技水平、大力發(fā)展膜下滴灌技術(shù)，才使得在中、重度鹽漬化土壤上種植作物逐步成為可能[17]，目前全流域已基本實(shí)現(xiàn)膜下滴灌和農(nóng)業(yè)機(jī)械化生產(chǎn)。

在自然條件制約與人為活動(dòng)的影響下，流域種植結(jié)構(gòu)呈現(xiàn)明顯差異，上游地區(qū)由于光熱條件不足、土層淺薄，多種植玉米和小麥；中、下游則以經(jīng)濟(jì)作物棉花為主，也零星分布有玉米、小麥、葡萄和其他作物。其中，冬小麥一般于每年10月上旬播種、春小麥于4月上旬播種，二者均于7月收獲；棉花和辣椒于4月中旬播種，9月下旬至10月上旬收獲；玉米多于4月中旬播種，8月中下旬收獲，連作玉米則在小麥?zhǔn)斋@之后播種，10月中旬收獲；葡萄為多年生作物，不同品種生育期時(shí)間有所差異，一般于4月上旬發(fā)芽，8—9月收獲。

注：圖中黑字為各灌區(qū)名稱(chēng)。

1.2 地物的遙感識(shí)別與面積提取

1.2.1 遙感影像數(shù)據(jù)處理

為提高作物識(shí)別分類(lèi)精度，本研究選擇時(shí)空分辨率較高的Sentinel—2（5 d、10 m）和Landsat（16 d、30 m）衛(wèi)星影像數(shù)據(jù)進(jìn)行地物遙感識(shí)別與分類(lèi)，GEE平臺(tái)可方便、快速地調(diào)用、處理和分析Landsat和Sentinel系列產(chǎn)品。為了解近20年瑪納斯河流域種植結(jié)構(gòu)的演變動(dòng)態(tài)，擬按約5 a的時(shí)間間隔選取 Landsat—5/7/8或Sentinel—2影像作為數(shù)據(jù)源開(kāi)展研究，考慮到生育期內(nèi)的有效遙感影像需足以反映作物季相規(guī)律特征，最終選擇2000、2007、2011、2015及2020年的遙感影像進(jìn)行作物分類(lèi)反演。

由于流域主要作物生育期集中在5—10月，為充分利用作物物候（季節(jié)性和年際變化）信息，選取影像時(shí)需盡可能包含研究區(qū)內(nèi)每個(gè)月的無(wú)云影像。雖然GEE可篩選月內(nèi)的無(wú)云影像，并按每月一幅最小云量予以合成，但無(wú)法避免影像中同一作物可能會(huì)具有不同時(shí)期的光譜特征，從而影響作物分類(lèi)結(jié)果，特別是對(duì)于重訪周期較長(zhǎng)的Landsat影像而言。故本研究中Landsat影像均選擇每年5—10月內(nèi)所有云量小于10%的可完整覆蓋研究區(qū)的單幅影像參與分類(lèi)。對(duì)于Sentinel數(shù)據(jù)，雖無(wú)可完整覆蓋研究區(qū)的單幅影像，但其重訪周期較短，故通過(guò)歸一化植被指數(shù)（Normalized Difference Vegetation Index，NDVI）月最大值合成法[18]，合成生育期內(nèi)每月1幅少云或無(wú)云影像。最后，共采用了33幅影像，其中12幅來(lái)自Sentinel—2，來(lái)自Landsat—8、7和5的影像分別為5、4和12幅，選擇每幅影像的5個(gè)波段（紅、綠、藍(lán)、近紅外和NDVI波段）參與分類(lèi)，各年份所選用影像時(shí)間及波段信息詳見(jiàn)表1。

表1 不同年份所用遙感影像時(shí)間及波段信息

注：NDVI為歸一化植被指數(shù)。

Note: NDVI is the normalized difference vegetation index.

1.2.2 圖像分割與分類(lèi)

為了進(jìn)行快速、準(zhǔn)確的圖像分割，本研究采用Achanta等[13]近年來(lái)提出的SNIC超像素圖像分割算法，經(jīng)過(guò)單次圖像像素的遍歷便可完成圖像分割，可有效降低計(jì)算復(fù)雜度、提高聚類(lèi)效率。

在GEE平臺(tái)中執(zhí)行SNIC圖像分割所需設(shè)置參數(shù)包括：1）質(zhì)心間距（Size），即超像素質(zhì)心之間的距離，根據(jù)Mahdianpari等[19]對(duì)不同影像最優(yōu)質(zhì)心間距的試驗(yàn)結(jié)果，本研究Landsat和Sentinel影像的質(zhì)心間距分別取為5和15；2）緊湊系數(shù)（Compactness Factor），該值越大，圖像分割后超像素集群越規(guī)整，考慮到研究區(qū)存在一定比例地塊不甚規(guī)整同時(shí)經(jīng)過(guò)反復(fù)試驗(yàn)，本研究取值為0；3）連通性（Connectivity），規(guī)定像素的連通情況，為提高計(jì)算效率，本研究取為8；4）鄰域大?。∟eighborhood Size），決定圖像合成的質(zhì)量和速度，本研究取默認(rèn)值256。

由于SNIC的輸出結(jié)果會(huì)根據(jù)影像的縮放比例而變化，因此，必須利用重投影（Reproject）功能指定影像輸出分辨率，對(duì)于Landsat和Sentinel數(shù)據(jù)而言，均采用影像自身分辨率（分別為30和10 m）。執(zhí)行圖像分割后，根據(jù)獲得的每個(gè)對(duì)象在各波段的平均值，進(jìn)一步計(jì)算對(duì)象的方差與幾何特征（包括面積、長(zhǎng)度、寬度和周長(zhǎng)），與各波段平均值一起參與隨機(jī)森林分類(lèi)。

隨機(jī)森林屬于監(jiān)督學(xué)習(xí)分類(lèi)器的一種，可以利用多棵決策樹(shù)對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)[20]。其運(yùn)行無(wú)需復(fù)雜的調(diào)參過(guò)程，只需設(shè)置2個(gè)參數(shù)，即決策樹(shù)數(shù)量ntree和分類(lèi)特征數(shù)量mtry，其中，ntree對(duì)隨機(jī)森林分類(lèi)器的效率有著重要影響，研究表明當(dāng)ntree達(dá)到100時(shí)，分類(lèi)精度已經(jīng)趨于平穩(wěn)，繼續(xù)增加樹(shù)的數(shù)量，運(yùn)行效率將有明顯下降[21]，因此本研究中將ntree設(shè)為100。鑒于mtry設(shè)置為變量總數(shù)的1/3、1/2、2/3、全部或平方根均對(duì)分類(lèi)精度并無(wú)顯著影響[19]，參考Breiman[20]的建議，本研究將mtry設(shè)置為變量總數(shù)的平方根。最終基于Arcgis 10.6計(jì)算出分類(lèi)結(jié)果中各類(lèi)地物的面積。

1.2.3 地物分類(lèi)樣本選擇

訓(xùn)練樣本量對(duì)于分類(lèi)結(jié)果有著顯著影響，van Niel等[22]基于作物生育期內(nèi)17幅Landsat—7影像，研究了基于像元的最大似然法分類(lèi)下，訓(xùn)練樣本數(shù)（）與影像波段數(shù)（）間的關(guān)系，結(jié)果表明當(dāng)達(dá)到2時(shí)，分類(lèi)精度已趨于穩(wěn)定。本研究取相同數(shù)量的驗(yàn)證樣本，即每類(lèi)地物各取4個(gè)樣本，隨機(jī)分為兩等份，分別用于訓(xùn)練和驗(yàn)證。由于辣椒、葡萄、水體和連作作物在流域上的面積較小，考慮到面向?qū)ο蟮挠跋穹诸?lèi)相比像元而言，待分析數(shù)據(jù)量大大減少，所需可更低[23]，故將這幾類(lèi)地物的樣本總數(shù)調(diào)整為1。應(yīng)注意的是，本文樣本的單位為地塊而非像元，每個(gè)地塊約0.35km2，包含約390（30 m分辨率）～3 500（10 m分辨率）個(gè)像元。

樣本選擇需基于野外實(shí)地調(diào)查，限于綠洲面積較大，難以在短期內(nèi)全部調(diào)查，因此在室內(nèi)對(duì)遙感影像進(jìn)行初步判讀的前提下，分別在流域上、中、下游各選擇1個(gè)典型灌區(qū)（分別為大南溝、安集海和莫索灣，圖1）進(jìn)行實(shí)地調(diào)查。工作于2020年7月5—10日開(kāi)展，采用手持式GPS記錄不同地物點(diǎn)位信息，共包括不同作物樣點(diǎn)208個(gè)（其中棉花81個(gè)、葡萄24個(gè)、辣椒15個(gè)，均分布在中、下游；玉米48個(gè)、小麥40個(gè)，主要分布在上游）。根據(jù)樣本的多時(shí)相影像特征，建立目視解譯標(biāo)志，隨后選取2020年尚缺少的樣本以及其余年份的樣本。最終，在5 a中選擇2 620個(gè)樣本，其中棉花、玉米、小麥、荒地及建設(shè)用地各540個(gè)，葡萄、水體和連作作物各135個(gè)，辣椒55個(gè)（2015年以前因面積較少而未選取辣椒樣本），之后隨機(jī)抽取每類(lèi)樣本的50%用于訓(xùn)練，其余50%用于驗(yàn)證。以2020年為例，各樣本的中心位置坐標(biāo)如圖 2所示。

圖2 2020年樣本中心點(diǎn)

1.2.4 精度評(píng)價(jià)指標(biāo)

基于分類(lèi)結(jié)果混淆矩陣，選取生產(chǎn)者精度（Producer’s Accuracy，PA）、用戶(hù)精度（User’s Accuracy，UA）、總體精度（Overall Accuracy，OA）和Kappa系數(shù)共4個(gè)指標(biāo)來(lái)評(píng)價(jià)地物分類(lèi)遙感反演的準(zhǔn)確性，其中，UA表示每類(lèi)地物被正確分類(lèi)的樣本數(shù)與真實(shí)樣本數(shù)之比；PA表示每類(lèi)地物被正確分類(lèi)的樣本數(shù)與所有被分為該類(lèi)的樣本數(shù)之比；OA表示被正確分類(lèi)的樣本數(shù)之和與總樣本數(shù)之比；Kappa則在總體精度的基礎(chǔ)上綜合考慮各種錯(cuò)分、漏分的樣本，來(lái)評(píng)價(jià)分類(lèi)的準(zhǔn)確性，相應(yīng)的計(jì)算公式見(jiàn)文獻(xiàn)[24]。

1.3 棉花需水滿(mǎn)足度估算

1.3.1 計(jì)算方法

對(duì)干旱的瑪納斯河流域綠洲農(nóng)田而言，地下水和根系層土壤儲(chǔ)水量對(duì)蒸散耗水的補(bǔ)給十分有限，作物水分消耗基本源于灌水和少量的降水[25]，故供水量對(duì)需水量的滿(mǎn)足程度WDSD可近似表示為

WDSD=(+)/(ETc·Δ)（1）

式中Δ為作物生育期時(shí)長(zhǎng)，d；和分別為Δ時(shí)段內(nèi)的灌水量和有效降水量[26]，mm；ETc為Δ時(shí)段內(nèi)的作物平均需水強(qiáng)度，mm/d。ETc采用單作物系數(shù)法計(jì)算

ETc=K·ET0（2）

式中K為作物系數(shù)；ET0為參考作物蒸散量，mm/d，基于氣象資料采用Penman-Monteith公式予以計(jì)算[27]。

1.3.2 資料來(lái)源

1）灌水量：石河子市灌溉年報(bào)（來(lái)源：石河子市水利局）詳細(xì)記載了2001—2020年瑪納斯河流域不同灌區(qū)膜下滴灌棉花的灌溉制度，具體包括全生育期、春灌期和夏灌期的灌水次數(shù)、灌水定額等資料，其中春灌期、夏灌期一般分別指每年的6月30日以前和7月1日—9月10日。本次收集到較全資料的中游灌區(qū)包括安集海、金溝河、瑪納斯和石河子，下游主要有下野地和莫索灣。

2）氣象資料：2001—2020年逐日氣象資料通過(guò)中國(guó)氣象局氣象數(shù)據(jù)中心（http://data.cma.cn）查閱，研究區(qū)僅包括昌吉市呼圖壁一個(gè)氣象站（圖1）。

3）生育期及需水量：本研究區(qū)膜下滴灌棉花全生育期為4月25日—9月21日（共150 d），根據(jù)田間試驗(yàn)結(jié)果，其生育初期（4月25日—5月24日，共30 d）、中期（7月1日—8月24日，共55 d）和末期（8月25日—9月21日，共28 d）的K分別取為0.45、1.15和0.46[28]。

2 結(jié)果與分析

2.1 遙感影像地物分類(lèi)精度檢驗(yàn)

基于SNIC圖像分割和隨機(jī)森林分類(lèi)算法，在利用50%（1 310個(gè)）樣本進(jìn)行訓(xùn)練的基礎(chǔ)上，對(duì)瑪納斯河流域地物進(jìn)行了遙感分類(lèi)，經(jīng)與1 310個(gè)驗(yàn)證樣本對(duì)比，得到2000、2007、2011、2015和2020年流域地物分類(lèi)混淆矩陣及生產(chǎn)者精度PA分別如圖3所示，相應(yīng)的用戶(hù)精度UA見(jiàn)表2。各類(lèi)作物識(shí)別的PA普遍較高，多超過(guò)0.85，其中最高的是棉花，達(dá)0.94及以上；除葡萄外，其他作物識(shí)別的UA也普遍較高，基本在0.80以上，葡萄的UA稍稍偏低，浮動(dòng)于0.64～0.78之間，應(yīng)與葡萄架中混合較多地面像元，易造成與荒地像元混淆而導(dǎo)致誤分有關(guān)。

遙感影像的總體識(shí)別效果無(wú)疑會(huì)受到影像空間分辨率和所用時(shí)相數(shù)目的影響，從各年分類(lèi)結(jié)果來(lái)看，2020年由于采用了空間分辨率（10～20 m）更高的Sentinel影像，且所用時(shí)相數(shù)量（6幅）相對(duì)較多（表1、表3），所以對(duì)種植結(jié)構(gòu)和其他地物識(shí)別的效果更好（圖3、表2），總體分類(lèi)精度達(dá)到最高（表3）?？梢?jiàn)，在符合研究時(shí)間需求的情況下，應(yīng)盡量選擇Sentinel影像進(jìn)行影像識(shí)別分類(lèi)，以獲得更好的分類(lèi)效果。總體而言，本文所建立的遙感影像分類(lèi)系統(tǒng)對(duì)瑪納斯河流域地物分類(lèi)識(shí)別精度處于較高水平，各年份總體精度OA介于0.88～0.93之間、平均約0.90，Kappa系數(shù)介于0.85～0.92之間、平均0.88。本研究團(tuán)隊(duì)前期通過(guò)隨機(jī)森林算法采用歷年單時(shí)相影像進(jìn)行逐像元地物分類(lèi)[29]，但執(zhí)行效率極低，每年的影像下載、預(yù)處理和分類(lèi)總耗時(shí)長(zhǎng)達(dá)數(shù)小時(shí)，而本研究則只需約10 min，此外本文面向?qū)ο蠓诸?lèi)的目視效果更優(yōu)，可有效避免同物異譜和異物同譜現(xiàn)象，減少椒鹽噪聲，在同樣采用Landsat-8影像分類(lèi)的條件下，本文總體精度和Kappa系數(shù)均提高約0.03。因此，本文方法應(yīng)可較為準(zhǔn)確且快速地進(jìn)行區(qū)域地物識(shí)別和種植結(jié)構(gòu)信息提取。

注：主對(duì)角線數(shù)值為生產(chǎn)者精度。

表2 2000—2020 年分類(lèi)檢驗(yàn)結(jié)果的用戶(hù)精度

2.2 作物種植結(jié)構(gòu)演變

瑪納斯河流域種植作物以棉花為主，為便于聚焦，將流域地物分為棉田、非棉農(nóng)田和非農(nóng)田3種類(lèi)型，其中非棉農(nóng)田種植作物主要包括玉米、小麥、葡萄、小麥-玉米連作及辣椒，非農(nóng)田則包括水體、荒地及建設(shè)用地。

表3 2000—2020年所用時(shí)相數(shù)及分類(lèi)檢驗(yàn)結(jié)果的總體精度和Kappa系數(shù)

基于2000、2007、2011、2015和2020年瑪納斯河流域主要作物生育期內(nèi)多幅遙感影像獲得的地物分類(lèi)結(jié)果詳見(jiàn)圖4，相應(yīng)面積變化情況如圖5所示。21世紀(jì)初，流域棉田面積共2 415.1 km2，約占灌區(qū)總面積的21.9%（圖5a），主要分布在中、下游除泉水溢出帶和沙漠邊緣以外的區(qū)域，少量分布在上游北部（圖4a）；非棉農(nóng)田面積535.2 km2，僅占灌區(qū)的4.9%，其中面積最多的作物依次為玉米和小麥，主要集中分布在上游南部，中、下游也有零星分布；非農(nóng)田（含大量鹽堿荒地）面積8 073.6 km2，占比達(dá)73.2%，主要分布在上游大部、中游泉水溢出帶兩側(cè)以及下游沙漠邊緣處。近20年來(lái)，棉田面積總體呈顯著上升趨勢(shì)，快速增長(zhǎng)之處基本集中在中、下游（圖4），2015年及以前，中、下游棉田面積大致相當(dāng)，之后，下游棉田面積出現(xiàn)些許回落，致使中游棉田面積顯著超過(guò)下游（圖5b）；非棉農(nóng)田面積變化不大，有小幅上升；而非農(nóng)田面積則大幅降低。至2020年，綠洲棉田面積達(dá)4 443.8 km2，所占比例增至40.5%，年均增長(zhǎng)101.4 km2（圖5a），中、下游的大部分區(qū)域已呈集中連片的趨勢(shì)，上游僅在北部分布有少量棉田（圖4e）；非棉農(nóng)田微升至702.6 km2、占比6.4%，分布位置基本未變，僅規(guī)模略有提升；非農(nóng)田面積降至5 826.6 km2、占比53.1%，其在上游的分布與2000年相差不大，中、下游則衰減明顯，多被開(kāi)墾為棉田，僅石河子城區(qū)的建設(shè)用地有所擴(kuò)張，下游沙漠邊緣處的分布相對(duì)較為集中。由于2020年采用了10 m分辨率的Sentinel影像，故相比其他年份獲得了更精細(xì)和準(zhǔn)確的分類(lèi)結(jié)果，從圖4可看出，2020年分類(lèi)結(jié)果中，即便面積較小的辣椒和葡萄田也可以較好地識(shí)別，并且由于識(shí)別細(xì)小道路和渠系等的能力較強(qiáng)，Sentinel影像分類(lèi)時(shí)可以更清晰地劃分田塊，從而有助于精準(zhǔn)農(nóng)業(yè)的開(kāi)展，這對(duì)于30 m分辨率的Landsat影像無(wú)疑較難。

圖4 2000—2020年瑪納斯河流域地物分類(lèi)結(jié)果

作物面積和空間分布特征及其變化動(dòng)態(tài)與當(dāng)?shù)靥厥獾淖匀粭l件與人類(lèi)活動(dòng)等因素密切相關(guān)?？傮w而言，由于流域中、下游面積廣大，氣候和土壤等自然狀況適宜種植經(jīng)濟(jì)作物棉花，加之還建有部分調(diào)蓄能力較強(qiáng)的水庫(kù)[30]，因此，在過(guò)去的20余年中，流域作物始終以棉花為主，占作物種植面積的比例均在80%以上（圖5a）。受地形低、土壤質(zhì)地細(xì)、泉水溢出和排水條件差等因素的影響，流域中、下游諸多區(qū)域地下水埋深較淺、礦化度較高、土壤鹽漬化問(wèn)題較為嚴(yán)重[31]，因而早期多為鹽堿荒地，棉田僅零散分布在鹽漬化程度稍輕的區(qū)域（圖 4a）。農(nóng)業(yè)科技進(jìn)步和各類(lèi)節(jié)水技術(shù)的推廣（如膜下滴灌、節(jié)水改造、抗旱耐鹽品種選育、農(nóng)機(jī)化水平提高等），使得在輕、中度甚至重度鹽堿地上種植棉花成為可能，致使中、下游大量的鹽堿荒地被逐步改造為膜下滴灌棉田，因而近20年來(lái)，非農(nóng)田（主要為鹽堿荒地）比例下降逾20%，棉田面積得以迅速增長(zhǎng)（圖5a），原有的耕地破碎化現(xiàn)象得到明顯改善，中、下游農(nóng)田（主要為膜下滴灌棉田）整體呈集中連片并逐漸向沙漠?dāng)U張的趨勢(shì)（圖4e）。

從ZY到QZ中，則是由360°0′0″依次減去每一個(gè)樁號(hào)計(jì)算得到的偏角值；從YZ到QZ則依次使用0°0′0″進(jìn)行累加每個(gè)樁號(hào)計(jì)算得到的偏角值。

由于流域水資源有限，迅猛擴(kuò)張的棉田面積無(wú)疑會(huì)進(jìn)一步加劇水資源供需矛盾和威脅生態(tài)環(huán)境安全。根據(jù)2012—2013年國(guó)家相繼發(fā)布的《關(guān)于實(shí)行最嚴(yán)格水資源管理制度的意見(jiàn)》《推進(jìn)生態(tài)文明建設(shè)規(guī)劃綱要》等重要指示精神，當(dāng)?shù)卣懤m(xù)出臺(tái)了降低農(nóng)業(yè)用水總量、退耕還林還草和保護(hù)生態(tài)環(huán)境等積極調(diào)控政策或措施，致使棉田擴(kuò)張趨勢(shì)得到了一定的緩解，因而近5年來(lái)棉田的面積甚至還略有下降（降低約80 km2，圖5a），退還面積多集中在灌排條件更差的下游（圖5b）。當(dāng)然，除上述科技、政策等因素外，農(nóng)業(yè)種植結(jié)構(gòu)還可能會(huì)受市場(chǎng)調(diào)節(jié)和氣候變化等的影響而在某些年份出現(xiàn)一定的波動(dòng)，限于篇幅，這里不再一一贅述。

2.3 棉花供水與需水滿(mǎn)足度的分布與演變

2.3.1 需水量與有效降水量

由于流域內(nèi)各項(xiàng)氣象條件總體差異較小，故本文將從全流域的角度對(duì)2001—2020年棉花不同灌溉周期（全生育期、春灌期和夏灌期）的需水量和有效降水量變化過(guò)程進(jìn)行分析，結(jié)果見(jiàn)表4。

表4 2001—2020年瑪納斯河流域全生育期、春灌期和夏灌期的棉花需水量和有效降水量

由表4可知，因計(jì)算需水量所用氣象要素的年際變幅不大，故近20年瑪納斯河流域棉花在各灌溉周期內(nèi)的需水量基本在一定范圍內(nèi)小幅波動(dòng)，其全生育期需水量介于668.7 mm（2013年）～737.4 mm（2012年）之間，平均約703.6 mm。其中，春灌期（6月30日前）處于棉花生育前期（包括苗期和蕾期[32]），以營(yíng)養(yǎng)生長(zhǎng)為主，對(duì)水分需求相對(duì)較小，多年均值約258.0 mm，占總需水量的36.7%；自夏灌期開(kāi)始，氣溫逐漸升高，尤其是進(jìn)入花鈴期后，棉花生長(zhǎng)日益旺盛，生殖生長(zhǎng)逐漸占據(jù)上風(fēng)，相應(yīng)地，其需水強(qiáng)度大幅攀升，因而夏灌期需水量均值達(dá)445.6 mm，全生育期占比在63%以上。

與其他氣象數(shù)據(jù)不同，流域棉花全生育期內(nèi)的有效降水量在近20年呈現(xiàn)出較強(qiáng)的隨機(jī)性和較大的差異，如表4所示，最低的2012年（16.1 mm）與最高的2007年（143.3 mm）相差近9倍，平均約89.5 mm，僅占棉花多年平均需水量的12.7%。有效降水量在春灌期和夏灌期的分配具有明顯的不均勻性。從平均水平來(lái)看，約65.2%的降水集中在春灌期，期間有效降水量（58.4 mm）可達(dá)同期棉花需水量的22.6%，各年度差異較大，最高的2019年（103.7 mm）比最低的2012年（16.1 mm）多約90 mm，達(dá)同期棉花需水量的近40%；夏灌期有效降水量（31.1 mm）僅占同期棉花需水量的7%，各年度差異相對(duì)較小，極差不超過(guò)需水量的14%。顯然，對(duì)于多數(shù)年份，無(wú)論春灌期還是夏灌期，降水對(duì)棉花需水的補(bǔ)給均十分有限，必須進(jìn)行灌溉才能保證棉花正常生長(zhǎng)。

2.3.2 灌水量

基于可查閱的中游4個(gè)灌區(qū)（安集海、金溝河、莫索灣、石河子）和下游2個(gè)灌區(qū)（莫索灣、下野地）的平均數(shù)據(jù)，對(duì)瑪納斯河流域棉花灌水量的變化動(dòng)態(tài)進(jìn)行分析，如圖6所示。

圖6 2001—2020年瑪納斯河流域中游與下游全生育期、春灌期和夏灌期棉花灌水量的變化過(guò)程

就全生育期而言，在過(guò)去的20年中，中、下游的灌水量均呈現(xiàn)出較大的波動(dòng)（圖6），除個(gè)別年份外，中游灌水量普遍高于下游，介于321.5～525.3 mm之間，平均431.4 mm，約可滿(mǎn)足需水量的61.2%；下游介于294.9～453.4 mm，均值較中游低約50 mm，也可滿(mǎn)足近54.4%的水分需求。中、下游灌水量的差異可能主要與地理環(huán)境有關(guān)，中游地表水和地下水資源相對(duì)充足，加之近些年上、中游新建了不少水庫(kù)，致使下游河段除泄洪期有來(lái)水外，其他時(shí)間基本處于斷流狀態(tài)[33]，因此下游供水條件較差、灌水量偏低。伴隨著膜下滴灌技術(shù)的不斷推廣應(yīng)用，中、下游棉田面積得以持續(xù)增長(zhǎng)（圖5b），致使灌區(qū)水資源供應(yīng)不足，棉花的灌溉定額不得不隨之逐年減少，流域中、下游灌水量分別以約6.8和6.2 mm/a的速率下降，但下降過(guò)程具有較為明顯的階段性：2011年以前，中、下游灌水量還只是在各自相對(duì)穩(wěn)定的范圍內(nèi)波動(dòng)（中游 (480 ± 50) mm，下游 (420 ± 40) mm）；之后則均以較快速率顯著下降（中游21.4 mm/a，下游16.6 mm/a），且中、下游的差距逐漸縮小，近5年已基本降至44 mm以?xún)?nèi)（圖6）。表明2012年后中、下游灌區(qū)棉田擴(kuò)張均已大大超過(guò)當(dāng)?shù)厮Y源的供給能力，且中游原有的灌溉供水優(yōu)勢(shì)已逐漸被消耗殆盡。至于期間少數(shù)年份的波動(dòng)，可能主要受棉田面積波動(dòng)和氣候條件變化致使上游來(lái)水量發(fā)生較大變化等因素的影響。

從灌水量構(gòu)成來(lái)看，春灌期中游灌水量介于83.7～166.2 mm之間，平均約125.2 mm，基本可滿(mǎn)足需水量的48.4%，前10年變化較小，之后應(yīng)該仍然是受棉田面積急劇擴(kuò)張、灌溉供水量不足的影響而顯著下降。下游春灌期灌水量整體相對(duì)較為穩(wěn)定，介于114.7～143.5 mm之間，均值與中游相當(dāng)。2011年似乎也成了中、下游春灌期灌水量高低關(guān)系的分水嶺，之前中游高，之后則正好相反（圖6），造成該現(xiàn)象的主要原因可能在于下游的土壤鹽堿程度相對(duì)更重，隨著時(shí)間增加，原中、重度鹽堿地不斷被開(kāi)墾為棉田，通常需要較多灌水來(lái)淋洗壓鹽。

夏灌期屬棉花需水高峰期，中、下游灌水量與全生育期相似，下游仍處于較低水平，受灌溉水供需矛盾日益加劇的影響，除少數(shù)年份有一定的波動(dòng)外，整體仍呈基本一致的下降趨勢(shì)（圖6）。近20年來(lái)，中游灌區(qū)夏灌期灌水量變幅較大，介于230.1～388.2 mm之間（均值306.9 mm），約占需水量均值的68.7%，總體年均衰減4.6 mm；下游均值較中游低約50 mm，占需水量的比例僅57.5%，其衰減速度更快，達(dá)5.9 mm/a，至2020年時(shí)，下游夏灌期灌水量?jī)H169.0 mm。

2.3.3 需水滿(mǎn)足度

在獲取近20年有效降水量和灌水量等數(shù)據(jù)以及膜下滴灌棉花需水量的基礎(chǔ)上，通過(guò)式（1）即可分別評(píng)估流域中、下游不同灌溉周期內(nèi)棉花需水滿(mǎn)足度WDSD的變化過(guò)程。由于供水條件優(yōu)越、灌水量較高，中游WDSD大多高于下游（圖7）。從全生育期來(lái)看，2012年前中游WDSD基本達(dá)80%，之后則隨棉田面積擴(kuò)張和灌溉定額降低而顯著下降（圖7a），2001年WDSD為82.4%，至2020年已降至54.5%。下游灌區(qū)的需水多數(shù)年份都難以得到滿(mǎn)足，總體也呈顯著下降趨勢(shì)（由76.9%降至50.7%）。

春灌期和夏灌期的WDSD則表現(xiàn)出明顯差異，由于春灌期棉花需水量較少、降水相對(duì)集中，故WDSD受有效降水量的影響較大，呈現(xiàn)較強(qiáng)的年際波動(dòng)，中、下游差距較?。?012年后由于下游產(chǎn)生略高的灌水淋洗壓鹽需求，致使WDSD相應(yīng)地稍稍超出中游，圖7b），總體介于45%～98%之間，平均約71.6%，對(duì)于有效降水量低于50 mm（平均值為58.4 mm）的年份（表4），其WDSD普遍低至60%以下，可見(jiàn)在貧水年份有必要增加春灌期的灌溉量，以滿(mǎn)足棉花的水分需求。棉花需水、灌水（圖6）多集中于夏灌期，故其中、下游WDSD的變化趨勢(shì)與全生育期基本類(lèi)似，中游更高、整體顯著下降，尤其是自2012年以來(lái)下降更為迅猛（圖7c），其中，中游從2001年的85.3%降至2020年的59.9%（年均下降約1.3%），下游則從77.5%降至45.9%（年均下降約1.7%）。尤其是近幾年夏灌期的供水受到棉田面積擴(kuò)張和灌水定額減小的很大影響，以致其滿(mǎn)足度多在70%以下，甚至低至45.9%（2020年下游），已越來(lái)越難以滿(mǎn)足作物水分需求。

a. 全生育期a. Whole irrigation stageb. 春灌期b. Spring irrigation stagec. 夏灌期c. Summer irrigation stage

另有一點(diǎn)尚需提請(qǐng)注意的是，有鹽分淋洗需求時(shí)，作物需水評(píng)估通常需要根據(jù)鹽堿化程度設(shè)置一個(gè)加大系數(shù)[34]。由于資料所限本研究暫無(wú)法準(zhǔn)確獲取這一系數(shù)的變化情況，致使WDSD的評(píng)估可能存在一定的瑕疵，尤其是當(dāng)鹽堿程度較重時(shí)，2.3.1節(jié)所列數(shù)據(jù)可能會(huì)低估需水量。事實(shí)上，21世紀(jì)初（2001—2006年）當(dāng)膜下滴灌技術(shù)在流域中、下游鹽堿荒地開(kāi)始推廣應(yīng)用時(shí)，一方面多數(shù)灌區(qū)的供水還可以得到保障，另一方面絕大部分新增耕地均屬中重度鹽堿荒地，鹽分淋洗還消耗了一部分水，故（在不考慮淋洗的前提下）WDSD盡管處于較高水平（圖7），但統(tǒng)計(jì)年鑒仍然顯示，其棉花單產(chǎn)水平并不高，僅為1 685～2 050 kg/hm2。隨著種植年限的增長(zhǎng)，根區(qū)鹽分狀況得到逐步改善[35]，至近些年（2012—2018年），盡管由于供水緊張?jiān)斐蒞DSD處于較低水平，但棉花單產(chǎn)卻始終穩(wěn)定在2 400～2 513 kg/hm2之間，當(dāng)然，這其中也許還包含農(nóng)業(yè)科技進(jìn)步（如抗旱耐鹽品種選育、農(nóng)藝和機(jī)械化水平提高等）的貢獻(xiàn)[36]，但膜下滴灌所導(dǎo)致根區(qū)鹽分淡化的重要作用是毋庸置疑的。有關(guān)瑪納斯河流域膜下滴灌棉田根系層含鹽量的動(dòng)態(tài)變化過(guò)程及其對(duì)作物需水、耗水、生長(zhǎng)和產(chǎn)量的影響，仍有待進(jìn)一步深入研究。無(wú)論如何，瑪納斯河流域近20年耕地?cái)U(kuò)張所致作物WDSD大大衰減已是不爭(zhēng)的事實(shí)，必須妥善處理好棉田面積擴(kuò)張與灌溉水分供應(yīng)緊張之間的矛盾，才能保證流域膜下滴灌棉花生產(chǎn)的可持續(xù)發(fā)展。

3 結(jié) 論

本文探索了基于GEE云平臺(tái)、簡(jiǎn)單非迭代聚類(lèi)圖像分割和隨機(jī)森林分類(lèi)算法融合的遙感影像分類(lèi)識(shí)別方法，并通過(guò)瑪納斯河流域的野外調(diào)查和區(qū)域調(diào)研對(duì)該方法進(jìn)行了驗(yàn)證，在此基礎(chǔ)上，應(yīng)用該方法進(jìn)一步分析了當(dāng)?shù)亟?0年來(lái)種植結(jié)構(gòu)的變化過(guò)程，及其對(duì)主要作物（膜下滴灌棉花）灌溉水分供應(yīng)狀況和需水滿(mǎn)足度的影響，得到主要結(jié)論如下：

1）本文所提出的遙感反演方法可快速、準(zhǔn)確地進(jìn)行瑪納斯河流域的地物分類(lèi)識(shí)別和種植結(jié)構(gòu)信息提取，單次分類(lèi)時(shí)長(zhǎng)約10 min，影像分類(lèi)總體精度平均達(dá)0.9。

2）2000—2020年流域各類(lèi)地物分布與面積占比一直處于動(dòng)態(tài)變化之中，種植作物始終以棉花為主并主要分布于中、下游。隨著膜下滴灌的推廣應(yīng)用，棉田占比從約22%升至40%，但2015—2020年受人為調(diào)控影響，擴(kuò)張趨勢(shì)已得到一定緩解；非棉農(nóng)田多集中分布于上游且面積較小，占比始終在7%以下浮動(dòng)；隨著棉田擴(kuò)張，非農(nóng)田面積占比從約73%降至53%，目前多集中于上游山地、中游泉水溢出帶和下游沙漠邊緣處。

3）受棉田面積擴(kuò)張、灌溉水資源限制等因素影響，流域棉花灌水量和需水滿(mǎn)足度的時(shí)空變異明顯：空間分布上，下游由于灌排條件較差，二者多低于中游；時(shí)間水平上，二者在全生育期均隨年份增加而顯著下降，從年內(nèi)分配來(lái)看，下降主要發(fā)生在棉花供、需水旺盛的夏灌期，特別是2012年以來(lái)，夏灌期的衰減趨勢(shì)更為突出，至2020年，夏灌期下游的需水滿(mǎn)足度已降至約46%，表明棉田擴(kuò)張與供水間的矛盾已十分突出，急需妥善解決方可保證流域綠洲農(nóng)業(yè)的可持續(xù)發(fā)展。

本文研究結(jié)果除可為瑪納斯河流域種植結(jié)構(gòu)調(diào)整和水資源配置管理提供科學(xué)依據(jù)外，已被成功應(yīng)用于流域膜下滴灌棉田根區(qū)含鹽量的遙感反演與動(dòng)態(tài)分析之中，相關(guān)結(jié)果將在后續(xù)研究中陸續(xù)報(bào)道。需要指出的是，本文所述遙感影像分類(lèi)方法的計(jì)算復(fù)雜度較高，當(dāng)研究區(qū)范圍更大、所用影像分辨率更高或時(shí)相數(shù)更多時(shí)，可能會(huì)超出GEE平臺(tái)的運(yùn)算限制，是否可以通過(guò)分塊處理來(lái)提高計(jì)算效率，或只能通過(guò)降低影像分辨率（或減少時(shí)相數(shù)）來(lái)犧牲一定分類(lèi)精度以應(yīng)對(duì)其運(yùn)算限制，均有待進(jìn)一步深入研究。

[1] 張鳳華，趙強(qiáng)，潘旭東，等. 新疆瑪河流域綠洲土壤特性空間分異與合理開(kāi)發(fā)模式[J]. 水土保持學(xué)報(bào)，2005，19(6)：55-58.

Zhang Fenghua, Zhao Qiang, Pan Xudong, et al. Spatial differentiation and exploration direction of soil characteristic in valley of Manas River in Xinjiang[J]. Journal of Soil and Water Conservation, 2005, 19(6): 55-58. (in Chinese with English abstract)

[2] 范文波，吳普特，馬楓梅. 膜下滴灌技術(shù)生態(tài)-經(jīng)濟(jì)與可持續(xù)性分析：以新疆瑪納斯河流域棉花為例[J]. 生態(tài)學(xué)報(bào)，2012，32(23)：7559-7567.

Fan Wenbo, Wu Pute, Ma Fengmei. Socio-economic impacts of under-film drip irrigation technology and sustainable assessment: A case in the Manas River Basin, Xinjiang, China[J]. Acta Ecologica Sinica, 2012, 32(23): 7559-7567. (in Chinese with English abstract)

[3] 李均力，姜亮亮，包安明，等. 1962-2010年瑪納斯流域耕地景觀的時(shí)空變化分析[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2015，31(4)：277-285.

Li Junli, Jiang Liangliang, Bao Anming, et al. Spatio-temporal change analysis of cultivated land in Manas drainage basin during 1962-2010[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(4): 277-285. (in Chinese with English abstract)

[4] 黃犁，徐麗萍. 瑪納斯河流域綠洲時(shí)空演變及其景觀格局變化[J]. 干旱區(qū)研究，2019，36(5)：1261-1269.

Huang Li, Xu Liping. Spatiotemporal evolution of the oasis and change of landscape pattern in the Manas River Basin[J]. Arid Zone Research, 2019, 36(5): 1261-1269. (in Chinese with English abstract)

[5] 呂娜娜，白潔，常存，等. 近50年基于農(nóng)作物種植結(jié)構(gòu)的新疆綠洲農(nóng)田蒸散發(fā)時(shí)空變化分析[J]. 地理研究，2017，36(8)：1443-1454.

Lu Nana, Bai Jie, Chang Cun, et al. Spatial-temporal changes in evapotranspiration based on planting patterns of major crops in the Xinjiang oasis during 1960-2010[J]. Geographical Research, 2017, 36(8): 1443-1454. (in Chinese with English abstract)

[6] Vintrou E, Desbrosse A, Begue A, et al. Crop area mapping in West Africa using landscape stratification of MODIS time series and comparison with existing global land products[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 14(1): 83-93.

[7] Pekel J F, Cottam A, Gorelick N, et al. High-resolution mapping of global surface water and its long-term changes[J]. Nature, 2016, 540(7633): 418.

[8] Gorelick N, Hancher M, Dixon M, et al. Google Earth Engine: Planetary-scale geospatial analysis for everyone[J]. Remote Sensing of Environment, 2017, 202(12): 18-27.

[9] Tsai Y H, Stow D, Chen H L, et al. Mapping vegetation and land use types in Fanjingshan national nature reserve using Google Earth Engine[J]. Remote Sensing, 2018, 10(6): 927.

[10] Xiong J, Thenkabail P S, Tilton J C, et al. Nominal 30-m cropland extent map of continental Africa by integrating pixel-based and object-based algorithms using Sentinel-2 and Landsat-8 data on Google Earth Engine[J]. Remote Sensing, 2017, 9(10): 1065.

[11] Blaschke T. Object based image analysis for remote sensing[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2010, 65(1): 2-16.

[12] Tassi A, Vizzari M. Object-oiriented LULC classification in Google Earth Engine combining SNIC, GLCM, and machine learning algorithms[J]. Remote Sensing, 2020, 12(22): 3776.

[13] Achanta R, Susstrunk S. Superpixels and polygons using simple non-iterative clustering[C]. Honolulu: 30th IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2017), 2017: 4895-4904.

[14] Immitzer M, Vuolo F, Atzberger C. First experience with sentinel-2 data for crop and tree species classifications in Central Europe[J]. Remote Sensing, 2016, 8(3): 166.

[15] 王軍，李久生，關(guān)紅杰，北疆膜下滴灌棉花產(chǎn)量及水分生產(chǎn)率對(duì)灌水量響應(yīng)的模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2016，32(3)：62-68.

Wang Jun, Li Jiusheng, Guan Hongjie. Modeling response of cotton yield and water productivity to irrigation amount under mulched drip irrigation in North Xinjiang[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(3): 62-68. (in Chinese with English abstract)

[16] 高長(zhǎng)遠(yuǎn). 安集海灌區(qū)潛水水質(zhì)高礦化成因[J]. 新疆水利，1996，19(2)：26-29.

Gao Changyuan. Causes of high mineralization of phreatic water quality in Anjihai Irrigation Zone[J]. Xinjiang Water Resources, 1996, 19(2): 26-29. (in Chinese with English abstract)

[17] 李玉義，柳紅東，張鳳華，等. 新疆瑪納斯河流域灌溉技術(shù)對(duì)土壤鹽漬化的影響[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)，2007，53(1)：22-26.

Li Yuyi, Liu Hongdong, Zhang Fenghua, et al. Assessment on the effect of irrigation technology on soil salinization in Manas River Valley, Xinjiang[J]. Journal of China Agricultural University, 2007, 53(1): 22-26. (in Chinese with English abstract)

[18] Reed B C, Brown J F, Vanderzee D, et al. Measuring phenological variability from satellite imagery[J]. Journal of Vegetation Science, 1994, 5(5): 703-714.

[19] Mahdianpari M, Salehi B, Mohammadimanesh F, et al. The first wetland inventory map of Newfoundland at a spatial resolution of 10 m using Sentinel-1 and Sentinel-2 data on the Google Earth Engine cloud computing platform[J]. Remote Sensing, 2019, 11(1): 43.

[20] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

[21] 曹正鳳，謝邦昌，紀(jì)宏. 一種隨機(jī)森林的混合算法[J]. 統(tǒng)計(jì)與決策，2014，30(4)：7-9.

Cao Zhengfeng, Xie Bangchang, Ji Hong. A hybrid algorithm for random forest[J]. Statistics and Decision, 2014, 30(4): 7-9. (in Chinese with English abstract)

[22] van Niel T G, McVicar T R, Datt B. On the relationship between training sample size and data dimensionality: Monte Carlo analysis of broadband multi-temporal classification[J]. Remote Sensing of Environment, 2005, 98(4): 468-480.

[23] 薄樹(shù)奎，丁琳. 訓(xùn)練樣本數(shù)目選擇對(duì)面向?qū)ο笥跋穹诸?lèi)方法精度的影響[J]. 中國(guó)圖象圖形學(xué)報(bào)，2010，15(7)：1106-1111.

Bo Shukui, Ding Lin. The effect of the size of training sample on classification accuracy in object-oriented image analysis[J]. Journal of Image and Graphics, 2010, 15(7): 1106-1111. (in Chinese with English abstract)

[24] Congalton R G. A review of assessing the accuracy of classifications of remotely sensed data[J]. Remote Sensing of Environment, 1991, 37(1): 35-46.

[25] Du T S, Kang S Z, Zhang J H, et al. Water use and yield responses of cotton to alternate partial root-zone drip irrigation in the arid area of north-west China[J]. Irrigation Science, 2008, 26(2): 147-159.

[26] 康紹忠，蔡煥杰. 農(nóng)業(yè)水管理學(xué)[M]. 北京：中國(guó)農(nóng)業(yè)出版社，1996.

[27] Allen R, Pereira L, Raes D, et al. Crop evapotranspiration: Guidelines for computing crop water requirements[R]. Rome, FAO Irrigation and Drainage Paper, 1998: 56.

[28] Meixian L, Jingsong Y, Xiaoming L, et al. Numerical simulation of soil water dynamics in a drip irrigated cotton field under plastic mulch[J]. Pedosphere, 2013, 23(5): 620-635.

[29] Qiao X J, Yang G, Shi J C, et al. Remote sensing data fusion to evaluate patterns of regional evapotranspiration_ a case study for dynamics of film-mulched drip irrigated cotton in China's Manas River Basin over 20 years[J]. Remote Sensing, 2022, 14(14): 3438.

[30] 李玉義，逄煥成，陳阜，等. 新疆瑪納斯河流域灌溉水資源保證程度及提升策略[J]. 自然資源學(xué)報(bào)，2010，25(1)：32-42.

Li Yuyi, Pang Huancheng, Chen Fu, et al. Analysis on the guarantee degree of irrigation water resources and its promotion strategies in Manas River Valley, Xinjiang[J]. Journal of Natural Resources, 2010, 25(1): 32-42. (in Chinese with English abstract)

[31] 李玉義，張鳳華，潘旭東，等. 新疆瑪納斯河流域不同地貌類(lèi)型土壤鹽分累積變化[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2007，23(2)：60-64.

Li Yuyi, Zhang Fenghua, Pan Xudong, et al. Changes of salt accumulation in soil layers with different landforms in Manas River Valley in Xinjiang region of China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2007, 23(2): 60-64. (in Chinese with English abstract)

[32] 劉艷偉，朱仲元，朝倫巴根，等. 水分脅迫條件下羊草群落生育期雙作物系數(shù)計(jì)算方法的驗(yàn)證[J]. 中國(guó)農(nóng)村水利水電，2010，52(4)：39-42.

Liu Yanwei, Zhu Zhongyuan, Chaolunbagen, et al. Validation of estimating dual crop coefficient approach in growing season for the community of Leymus Chinensis under water stress conditions[J]. China Rural Water and Hydropower, 2010, 52(4): 39-42. (in Chinese with English abstract)

[33] 凌紅波，徐海量，史薇，等. 新疆瑪納斯河流域綠洲生態(tài)安全評(píng)價(jià)[J]. 應(yīng)用生態(tài)學(xué)報(bào)，2009，20(9)：2219-2224.

Ling Hongbo, Xu Hailiang, Shi Wei, et al. Ecological safety assessment of Manas River Basin oasis, Xinjiang[J]. Chinese Journal of Applied Ecology, 2009, 20(9): 2219-2224. (in Chinese with English abstract)

[34] 楊勁松，陳小兵，胡順軍，等. 綠洲灌區(qū)土壤鹽分平衡分析及其調(diào)控[J]. 農(nóng)業(yè)環(huán)境科學(xué)學(xué)報(bào)，2007，27(4)：1438-1443.

Yang Jingsong, Chen Xiaobing, Hu Shunjun, et al. Analysis of soil-salt balance and its control in oasis irrigation area[J]. Journal of Agro-Environment Science, 2007, 27(4): 1438-1443. (in Chinese with English abstract).

[35] 李文昊，王振華，鄭旭榮，等. 長(zhǎng)期膜下滴灌對(duì)根區(qū)土壤鹽分及棉花生長(zhǎng)影響研究[J]. 干旱區(qū)資源與環(huán)境，2015，29(8)：161-166.

Li Wenhao, Wang Zhenhua, Zheng Xurong, et al. The effect of drip irrigation under film in long-term on the soil salinity in root zone and the cotton growth[J]. Journal of Arid Land Resources and Environment, 2015, 29(8): 161-166. (in Chinese with English abstract)

[36] 毛樹(shù)春，李亞兵，董合忠. 中國(guó)棉花輝煌70年：我國(guó)走出了一條適合國(guó)情、具有中國(guó)特色的棉花發(fā)展道路、發(fā)展模式和發(fā)展理論[J]. 中國(guó)棉花，2019，46(7)：1-14.

Mao Shuchun, Li Yabing, Dong Hezhong. Brilliant 70 Years of China Cotton: China has enbarked on a debelopment path, model and theory of cotton production with Chinese characteristics suitable for national conditions[J]. China Cotton, 2019, 46(7): 1-14. (in Chinese with English abstract)

Crop planting structure and water demand satisfaction degree in Manas River Basin from 2000 to 2020

Yang Guang1, Qiao Xuejin1, Shi Jianchu1, Wu Xun1, Zhou Xiangrui1, Zhang Jia2, Zuo Qiang1※

(1.,,100193,; 2.,832000,)

Efficient utilization of water and soil resources has been critical under the changing environmental conditions in the arid oasis. It is very necessary to understand the temporal and spatial evolution of crop planting structure and crop water demand satisfaction degree (i.e. the ratio of supplied water amount to water demand) for the efficient use of water and soil resources and sustainable development of agriculture in the arid Manas River Basin, including the largest typically agricultural oasis in Xinjiang of western China. In this study, a classification model was established for the surface features via the remote sensing inversion using the Google Earth Engine (GEE) cloud computing platform, together with the coupled Simple Non-Iterative Clustering super pixel image segmentation and Random Forest classifier. The classification model was verified using a regional survey at the fixing sampling positions with the GPS. Then, the model was applied to the crop planting structure in the Manas River Basin over the past 20 years from 2000 to 2020. The Penman-Monteith formula was used to calculate the effective precipitation in the irrigation schedule from the regional survey and the water demand of the main crop (drip-irrigated cotton under film mulch). A systematic investigation was made to explore the effect of the crop planting structure on the irrigation water supply and water demand satisfaction degree for the drip-irrigated cotton under film mulch. Results showed that the new remote sensing inversion model was reliable for the surface feature classification in the Manas River Basin, with an annual average overall accuracy of 0.9. The planting crop of the basin was dominated by drip-irrigated and film-mulched cotton, accounting for more than 80% of the total planting area in all the last 21 years, and mainly distributed in the midstream and downstream regions, where the climate and hydrological conditions were more suitable for the cotton growth. Beneficial from the water-saving and salinization-alleviating characteristics of drip irrigation under the film mulch, a lot of mildly- and moderately- or even severely-salinized wastelands were continuously reclaimed into the cotton fields, resulting in an increased rate of about 101 km2/ain the area. There was an ever-increasing prominent contradiction between the expansion of cotton fields and the limited supply of irrigation water resources, particularly with a significant declining trend in the water demand satisfaction degree for cotton. The irrigation amount and water demand satisfaction degree in downstream were generally lower than those in the midstream, due to the low irrigation and drainage conditions, especially when the crop was in the peak water demand during the summer irrigation period. The average water demand satisfaction degreedecreased over the entire basin in the whole irrigation period by 2020. It is a high demand to optimize the crop planting structure in the arid Manas River Basin.

crops; random forest; remote sensing; planting structure; water demand satisfaction degree; drip-irrigated cotton fields under film mulch; farmland expansion; water supply

10.11975/j.issn.1002-6819.2022.18.017

S127；S274.1

A

1002-6819(2022)-18-0156-11

楊光，喬學(xué)瑾，石建初，等. 2000—2020年瑪納斯河流域的作物種植結(jié)構(gòu)與需水滿(mǎn)足度[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38(18)：156-166.doi：10.11975/j.issn.1002-6819.2022.18.017 http://www.tcsae.org

Yang Guang, Qiao Xuejin, Shi Jianchu, et al. Crop planting structure and water demand satisfaction degree in Manas River Basin from 2000 to 2020[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 156-166. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.017 http://www.tcsae.org

2022-03-29

2022-07-10

國(guó)家自然科學(xué)基金項(xiàng)目（52079136，51790532）

楊光，博士生，研究方向?yàn)楦珊祬^(qū)水土資源利用與土壤水鹽運(yùn)移。Email：iguangyang@outlook.com

左強(qiáng)，博士，教授，研究方向?yàn)槎嗫捉橘|(zhì)中的質(zhì)量運(yùn)移與能量傳輸。Email：qiangzuo@cau.edu.cn