2000—2020年玛纳斯河流域的作物种植结构与需水满足度

杨 光，乔学瑾，石建初，吴 训，周祥瑞，张 佳，左 强

2000—2020年玛纳斯河流域的作物种植结构与需水满足度

杨 光1，乔学瑾1，石建初1，吴 训1，周祥瑞1，张 佳2，左 强1※

（1. 中国农业大学土地科学与技术学院，北京 100193；2. 新疆生产建设兵团石河子市水利工程管理服务中心，石河子 832000）

变化环境条件下干旱绿洲水土资源的高效利用一直广受关注。玛纳斯河流域分布着新疆最大、最典型的绿洲农耕区，其水土资源高效利用无疑应基于对种植结构和需水满足度（供水量/需水量）时空演变规律的了解。基于谷歌地球引擎（Google Earth Engine，GEE）平台并通过区域调查和调研，该研究利用面向对象的随机森林分类，建立流域地物遥感识别模型，分析当地2000—2020年种植结构的变化过程，探讨种植结构变化与膜下滴灌棉花水分供应状况和需水满足度间的关系。结果表明：基于GEE平台，融合简单非迭代聚类图像分割算法和随机森林分类算法可快速、准确识别流域地物，总体精度约0.9；近20年，流域种植作物始终以棉花为主，占耕地总面积的80%以上，受益于膜下滴灌技术的节水、抑盐等功效，中、下游盐碱荒地不断被开垦为棉田，致使其面积以每年约101 km2的速度增长，但棉田面积增长与灌溉水资源供给的矛盾日益突出，棉花需水满足度显著下降，尤其是水资源相对匮乏的下游灌区及需水旺盛的夏灌期，2020年流域下游棉花夏灌期需水满足度已降至约46%，种植结构的调整和优化已势在必行。研究可为玛纳斯河流域水资源配置及农业种植结构优化提供科学依据。

作物；随机森林；遥感；种植结构；需水满足度；膜下滴灌棉田；耕地扩张；水资源供应

0 引 言

玛纳斯河流域位于新疆天山北麓、准噶尔盆地南缘，该流域属典型的干旱内陆河区域，其中分布着新疆最大的绿洲农耕区[1]。淡水资源短缺和土壤盐碱化是制约当地农业可持续发展的主要障碍因子，膜下滴灌技术于20世纪末在玛纳斯河流域发源，因具有节水、抑盐、增产等功效而得以大力发展[2]。受气候变化和人类活动等变化环境的共同影响，当地作物种植结构始终处于变化或调整之中，致使农业水资源配置管理也随之发生改变，了解种植结构的变化及其对作物需水满足程度的影响，对于认识和理解变化环境下干旱区流域水文循环特征、优化灌区水资源配置和管理、促进当地绿洲农业和生态环境可持续发展具有重要意义。

目前，玛纳斯河流域土地利用/覆被和耕地景观时空研究多将耕地作为整体分析[3-4]，较少关注不同作物种植结构。虽然也有少数研究基于统计资料来了解种植结构的变化动态[5]，但难以刻画的空间分布特征，无法满足种植结构调整与水资源科学配置等需求。遥感因具有高时效、高覆盖率、客观性强等特点，在种植结构提取方面存在独特优势。基于多时序遥感影像分类可以充分利用作物季相规律特征，已成为当前种植结构区域监测的主流方法[6]，然而对于大范围、长时序而言，遥感影像的获取和处理都需耗费大量的时间和精力。2012年美国谷歌公司推出了具有强大计算能力和丰富数据资源的遥感大数据云计算平台——谷歌地球引擎（Google Earth Engine，GEE），使之前因数据量和计算限制而难以快速实现的大面积、长时序土地利用/覆被演变分析变得简便易行，已成功应用于全球地表水体、森林和农田等的制图和变化动态分析[7-9]。

传统的遥感影像分类多基于像元进行，通常仅考虑影像的光谱信息，而忽略几何结构等空间信息，易导致分类结果的破碎和不准确[10]。面向对象的图像分类方法则有助于以上问题的解决，逐渐成为中、高空间分辨率遥感影像分析和识别的重要途径[11]。面向对象分类的首要步骤就是图像分割，虽然目前相关算法较多，但在GEE环境中仍不常见，主要困难可能在于难以连接适当的函数和调整各种参数以克服GEE计算限制等方面[12]。2017年Achanta等[13]对简单线性迭代聚类（Simple Linear Iterative Clustering，SLIC）超像素图像分割算法进行改进，提出了效果更优的简单非迭代聚类（Simple Noniterative Clustering，SNIC）超像素图像分割算法，近年来已成功应用于GEE平台，但由于推出时间较晚，该改进算法在不同情景中的应用效果仍有待进一步检验。面向对象分类的多种算法中，随机森林因具有数据处理高效、对参数和噪声不敏感、易执行且分类精度高等优势，在作物种植结构提取研究[14]中获得广泛应用。理论上，对于玛纳斯河流域这种地块大而紧凑、集约农业发达的地区，适合采用面向对象分类方法进行精细化的作物种植结构提取，但目前尚缺少这方面的应用实例和研究报道，如何基于多时相影像数据和GEE平台，结合上述SNIC图像分割和随机森林分类算法，准确分析流域种植结构的演变仍有待进一步探索。

流域种植结构调整必然导致水资源配置与管理发生相应改变，使不同区位、不同时期作物的水分供应情况受到相应影响，因此供水量对作物需水量的满足程度（即需水满足度）对评估区域尺度作物水分供应、配置与利用情况有着重要意义。就干旱的玛纳斯河流域绿洲农田而言，作物供水基本源于灌溉和少量的降水，故需水满足度可近似为（灌水量+降水量）与需水量的比值。当地作物灌水和降水资料较易通过调研获取而流域主要作物需水量目前也已积累了大量可靠的研究成果[15]。因此，本研究拟基于GEE云平台，通过结合简单非迭代聚类图像分割和随机森林分类算法，提取玛纳斯河流域近20年的作物种植结构，在此基础上，应用区域灌溉制度和气象资料调研结果，进一步估算主要作物需水满足度，分析作物种植结构和需水满足度的时空变化规律，以期为流域水资源管理配置及农业产业结构区域布局优化提供科学依据。鉴于玛纳斯河流域作物基本以膜下滴灌棉花为主，为节省篇幅，本文对作物需水满足度的评估将主要针对棉花进行。

1 材料与方法

1.1 研究区概况

玛纳斯河流域绿洲灌区（85°01′～86°32′E，43°27′～45°21′N，图1）总面积约1.1×104km2，属典型的温带大陆性气候，年均降水量177.5 mm、蒸发量1 547 mm[16]。流域地势落差较大，自南向北大致可分为上、中、下游3段（图1），上游主要为冲洪积倾斜平原；中游为平缓的冲积平原，其中地下水在冲积扇边缘出露，形成一条狭长的泉水溢出带；下游除冲洪积平原外，还包括干三角洲和沙漠[1]。上游至下游自然条件差异显著，总体表现为土壤质地由粗变细，地下水埋深从深变浅再变深，矿化度由低变高，土壤盐渍化程度逐渐加重[1]。自20世纪50年代以来，流域大力发展灌溉农业，共形成10个主要灌区（图1），多集中在光、热、水、土条件更佳的中、下游地区。但早期灌溉方式不尽合理，加之排水不畅，致使中、下游灌区地下水位迅速上升、土壤次生盐渍化问题十分严重。自20世纪末开始，流域通过不断提高农业科技水平、大力发展膜下滴灌技术，才使得在中、重度盐渍化土壤上种植作物逐步成为可能[17]，目前全流域已基本实现膜下滴灌和农业机械化生产。

在自然条件制约与人为活动的影响下，流域种植结构呈现明显差异，上游地区由于光热条件不足、土层浅薄，多种植玉米和小麦；中、下游则以经济作物棉花为主，也零星分布有玉米、小麦、葡萄和其他作物。其中，冬小麦一般于每年10月上旬播种、春小麦于4月上旬播种，二者均于7月收获；棉花和辣椒于4月中旬播种，9月下旬至10月上旬收获；玉米多于4月中旬播种，8月中下旬收获，连作玉米则在小麦收获之后播种，10月中旬收获；葡萄为多年生作物，不同品种生育期时间有所差异，一般于4月上旬发芽，8—9月收获。

注：图中黑字为各灌区名称。

1.2 地物的遥感识别与面积提取

1.2.1 遥感影像数据处理

为提高作物识别分类精度，本研究选择时空分辨率较高的Sentinel—2（5 d、10 m）和Landsat（16 d、30 m）卫星影像数据进行地物遥感识别与分类，GEE平台可方便、快速地调用、处理和分析Landsat和Sentinel系列产品。为了解近20年玛纳斯河流域种植结构的演变动态，拟按约5 a的时间间隔选取 Landsat—5/7/8或Sentinel—2影像作为数据源开展研究，考虑到生育期内的有效遥感影像需足以反映作物季相规律特征，最终选择2000、2007、2011、2015及2020年的遥感影像进行作物分类反演。

由于流域主要作物生育期集中在5—10月，为充分利用作物物候（季节性和年际变化）信息，选取影像时需尽可能包含研究区内每个月的无云影像。虽然GEE可筛选月内的无云影像，并按每月一幅最小云量予以合成，但无法避免影像中同一作物可能会具有不同时期的光谱特征，从而影响作物分类结果，特别是对于重访周期较长的Landsat影像而言。故本研究中Landsat影像均选择每年5—10月内所有云量小于10%的可完整覆盖研究区的单幅影像参与分类。对于Sentinel数据，虽无可完整覆盖研究区的单幅影像，但其重访周期较短，故通过归一化植被指数（Normalized Difference Vegetation Index，NDVI）月最大值合成法[18]，合成生育期内每月1幅少云或无云影像。最后，共采用了33幅影像，其中12幅来自Sentinel—2，来自Landsat—8、7和5的影像分别为5、4和12幅，选择每幅影像的5个波段（红、绿、蓝、近红外和NDVI波段）参与分类，各年份所选用影像时间及波段信息详见表1。

表1 不同年份所用遥感影像时间及波段信息

注：NDVI为归一化植被指数。

Note: NDVI is the normalized difference vegetation index.

1.2.2 图像分割与分类

为了进行快速、准确的图像分割，本研究采用Achanta等[13]近年来提出的SNIC超像素图像分割算法，经过单次图像像素的遍历便可完成图像分割，可有效降低计算复杂度、提高聚类效率。

在GEE平台中执行SNIC图像分割所需设置参数包括：1）质心间距（Size），即超像素质心之间的距离，根据Mahdianpari等[19]对不同影像最优质心间距的试验结果，本研究Landsat和Sentinel影像的质心间距分别取为5和15；2）紧凑系数（Compactness Factor），该值越大，图像分割后超像素集群越规整，考虑到研究区存在一定比例地块不甚规整同时经过反复试验，本研究取值为0；3）连通性（Connectivity），规定像素的连通情况，为提高计算效率，本研究取为8；4）邻域大小（Neighborhood Size），决定图像合成的质量和速度，本研究取默认值256。

由于SNIC的输出结果会根据影像的缩放比例而变化，因此，必须利用重投影（Reproject）功能指定影像输出分辨率，对于Landsat和Sentinel数据而言，均采用影像自身分辨率（分别为30和10 m）。执行图像分割后，根据获得的每个对象在各波段的平均值，进一步计算对象的方差与几何特征（包括面积、长度、宽度和周长），与各波段平均值一起参与随机森林分类。

随机森林属于监督学习分类器的一种，可以利用多棵决策树对样本进行训练并预测[20]。其运行无需复杂的调参过程，只需设置2个参数，即决策树数量ntree和分类特征数量mtry，其中，ntree对随机森林分类器的效率有着重要影响，研究表明当ntree达到100时，分类精度已经趋于平稳，继续增加树的数量，运行效率将有明显下降[21]，因此本研究中将ntree设为100。鉴于mtry设置为变量总数的1/3、1/2、2/3、全部或平方根均对分类精度并无显著影响[19]，参考Breiman[20]的建议，本研究将mtry设置为变量总数的平方根。最终基于Arcgis 10.6计算出分类结果中各类地物的面积。

1.2.3 地物分类样本选择

训练样本量对于分类结果有着显著影响，van Niel等[22]基于作物生育期内17幅Landsat—7影像，研究了基于像元的最大似然法分类下，训练样本数（）与影像波段数（）间的关系，结果表明当达到2时，分类精度已趋于稳定。本研究取相同数量的验证样本，即每类地物各取4个样本，随机分为两等份，分别用于训练和验证。由于辣椒、葡萄、水体和连作作物在流域上的面积较小，考虑到面向对象的影像分类相比像元而言，待分析数据量大大减少，所需可更低[23]，故将这几类地物的样本总数调整为1。应注意的是，本文样本的单位为地块而非像元，每个地块约0.35km2，包含约390（30 m分辨率）～3 500（10 m分辨率）个像元。

样本选择需基于野外实地调查，限于绿洲面积较大，难以在短期内全部调查，因此在室内对遥感影像进行初步判读的前提下，分别在流域上、中、下游各选择1个典型灌区（分别为大南沟、安集海和莫索湾，图1）进行实地调查。工作于2020年7月5—10日开展，采用手持式GPS记录不同地物点位信息，共包括不同作物样点208个（其中棉花81个、葡萄24个、辣椒15个，均分布在中、下游；玉米48个、小麦40个，主要分布在上游）。根据样本的多时相影像特征，建立目视解译标志，随后选取2020年尚缺少的样本以及其余年份的样本。最终，在5 a中选择2 620个样本，其中棉花、玉米、小麦、荒地及建设用地各540个，葡萄、水体和连作作物各135个，辣椒55个（2015年以前因面积较少而未选取辣椒样本），之后随机抽取每类样本的50%用于训练，其余50%用于验证。以2020年为例，各样本的中心位置坐标如图 2所示。

图2 2020年样本中心点

1.2.4 精度评价指标

基于分类结果混淆矩阵，选取生产者精度（Producer’s Accuracy，PA）、用户精度（User’s Accuracy，UA）、总体精度（Overall Accuracy，OA）和Kappa系数共4个指标来评价地物分类遥感反演的准确性，其中，UA表示每类地物被正确分类的样本数与真实样本数之比；PA表示每类地物被正确分类的样本数与所有被分为该类的样本数之比；OA表示被正确分类的样本数之和与总样本数之比；Kappa则在总体精度的基础上综合考虑各种错分、漏分的样本，来评价分类的准确性，相应的计算公式见文献[24]。

1.3 棉花需水满足度估算

1.3.1 计算方法

对干旱的玛纳斯河流域绿洲农田而言，地下水和根系层土壤储水量对蒸散耗水的补给十分有限，作物水分消耗基本源于灌水和少量的降水[25]，故供水量对需水量的满足程度WDSD可近似表示为

WDSD=(+)/(ETc·Δ)（1）

式中Δ为作物生育期时长，d；和分别为Δ时段内的灌水量和有效降水量[26]，mm；ETc为Δ时段内的作物平均需水强度，mm/d。ETc采用单作物系数法计算

ETc=K·ET0（2）

式中K为作物系数；ET0为参考作物蒸散量，mm/d，基于气象资料采用Penman-Monteith公式予以计算[27]。

1.3.2 资料来源

1）灌水量：石河子市灌溉年报（来源：石河子市水利局）详细记载了2001—2020年玛纳斯河流域不同灌区膜下滴灌棉花的灌溉制度，具体包括全生育期、春灌期和夏灌期的灌水次数、灌水定额等资料，其中春灌期、夏灌期一般分别指每年的6月30日以前和7月1日—9月10日。本次收集到较全资料的中游灌区包括安集海、金沟河、玛纳斯和石河子，下游主要有下野地和莫索湾。

2）气象资料：2001—2020年逐日气象资料通过中国气象局气象数据中心（http://data.cma.cn）查阅，研究区仅包括昌吉市呼图壁一个气象站（图1）。

3）生育期及需水量：本研究区膜下滴灌棉花全生育期为4月25日—9月21日（共150 d），根据田间试验结果，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分别取为0.45、1.15和0.46[28]。

2 结果与分析

2.1 遥感影像地物分类精度检验

基于SNIC图像分割和随机森林分类算法，在利用50%（1 310个）样本进行训练的基础上，对玛纳斯河流域地物进行了遥感分类，经与1 310个验证样本对比，得到2000、2007、2011、2015和2020年流域地物分类混淆矩阵及生产者精度PA分别如图3所示，相应的用户精度UA见表2。各类作物识别的PA普遍较高，多超过0.85，其中最高的是棉花，达0.94及以上；除葡萄外，其他作物识别的UA也普遍较高，基本在0.80以上，葡萄的UA稍稍偏低，浮动于0.64～0.78之间，应与葡萄架中混合较多地面像元，易造成与荒地像元混淆而导致误分有关。

遥感影像的总体识别效果无疑会受到影像空间分辨率和所用时相数目的影响，从各年分类结果来看，2020年由于采用了空间分辨率（10～20 m）更高的Sentinel影像，且所用时相数量（6幅）相对较多（表1、表3），所以对种植结构和其他地物识别的效果更好（图3、表2），总体分类精度达到最高（表3）。可见，在符合研究时间需求的情况下，应尽量选择Sentinel影像进行影像识别分类，以获得更好的分类效果。总体而言，本文所建立的遥感影像分类系统对玛纳斯河流域地物分类识别精度处于较高水平，各年份总体精度OA介于0.88～0.93之间、平均约0.90，Kappa系数介于0.85～0.92之间、平均0.88。本研究团队前期通过随机森林算法采用历年单时相影像进行逐像元地物分类[29]，但执行效率极低，每年的影像下载、预处理和分类总耗时长达数小时，而本研究则只需约10 min，此外本文面向对象分类的目视效果更优，可有效避免同物异谱和异物同谱现象，减少椒盐噪声，在同样采用Landsat-8影像分类的条件下，本文总体精度和Kappa系数均提高约0.03。因此，本文方法应可较为准确且快速地进行区域地物识别和种植结构信息提取。

注：主对角线数值为生产者精度。

表2 2000—2020 年分类检验结果的用户精度

2.2 作物种植结构演变

玛纳斯河流域种植作物以棉花为主，为便于聚焦，将流域地物分为棉田、非棉农田和非农田3种类型，其中非棉农田种植作物主要包括玉米、小麦、葡萄、小麦-玉米连作及辣椒，非农田则包括水体、荒地及建设用地。

表3 2000—2020年所用时相数及分类检验结果的总体精度和Kappa系数

基于2000、2007、2011、2015和2020年玛纳斯河流域主要作物生育期内多幅遥感影像获得的地物分类结果详见图4，相应面积变化情况如图5所示。21世纪初，流域棉田面积共2 415.1 km2，约占灌区总面积的21.9%（图5a），主要分布在中、下游除泉水溢出带和沙漠边缘以外的区域，少量分布在上游北部（图4a）；非棉农田面积535.2 km2，仅占灌区的4.9%，其中面积最多的作物依次为玉米和小麦，主要集中分布在上游南部，中、下游也有零星分布；非农田（含大量盐碱荒地）面积8 073.6 km2，占比达73.2%，主要分布在上游大部、中游泉水溢出带两侧以及下游沙漠边缘处。近20年来，棉田面积总体呈显著上升趋势，快速增长之处基本集中在中、下游（图4），2015年及以前，中、下游棉田面积大致相当，之后，下游棉田面积出现些许回落，致使中游棉田面积显著超过下游（图5b）；非棉农田面积变化不大，有小幅上升；而非农田面积则大幅降低。至2020年，绿洲棉田面积达4 443.8 km2，所占比例增至40.5%，年均增长101.4 km2（图5a），中、下游的大部分区域已呈集中连片的趋势，上游仅在北部分布有少量棉田（图4e）；非棉农田微升至702.6 km2、占比6.4%，分布位置基本未变，仅规模略有提升；非农田面积降至5 826.6 km2、占比53.1%，其在上游的分布与2000年相差不大，中、下游则衰减明显，多被开垦为棉田，仅石河子城区的建设用地有所扩张，下游沙漠边缘处的分布相对较为集中。由于2020年采用了10 m分辨率的Sentinel影像，故相比其他年份获得了更精细和准确的分类结果，从图4可看出，2020年分类结果中，即便面积较小的辣椒和葡萄田也可以较好地识别，并且由于识别细小道路和渠系等的能力较强，Sentinel影像分类时可以更清晰地划分田块，从而有助于精准农业的开展，这对于30 m分辨率的Landsat影像无疑较难。

图4 2000—2020年玛纳斯河流域地物分类结果

作物面积和空间分布特征及其变化动态与当地特殊的自然条件与人类活动等因素密切相关。总体而言，由于流域中、下游面积广大，气候和土壤等自然状况适宜种植经济作物棉花，加之还建有部分调蓄能力较强的水库[30]，因此，在过去的20余年中，流域作物始终以棉花为主，占作物种植面积的比例均在80%以上（图5a）。受地形低、土壤质地细、泉水溢出和排水条件差等因素的影响，流域中、下游诸多区域地下水埋深较浅、矿化度较高、土壤盐渍化问题较为严重[31]，因而早期多为盐碱荒地，棉田仅零散分布在盐渍化程度稍轻的区域（图 4a）。农业科技进步和各类节水技术的推广（如膜下滴灌、节水改造、抗旱耐盐品种选育、农机化水平提高等），使得在轻、中度甚至重度盐碱地上种植棉花成为可能，致使中、下游大量的盐碱荒地被逐步改造为膜下滴灌棉田，因而近20年来，非农田（主要为盐碱荒地）比例下降逾20%，棉田面积得以迅速增长（图5a），原有的耕地破碎化现象得到明显改善，中、下游农田（主要为膜下滴灌棉田）整体呈集中连片并逐渐向沙漠扩张的趋势（图4e）。

从ZY到QZ中，则是由360°0′0″依次减去每一个桩号计算得到的偏角值；从YZ到QZ则依次使用0°0′0″进行累加每个桩号计算得到的偏角值。

由于流域水资源有限，迅猛扩张的棉田面积无疑会进一步加剧水资源供需矛盾和威胁生态环境安全。根据2012—2013年国家相继发布的《关于实行最严格水资源管理制度的意见》《推进生态文明建设规划纲要》等重要指示精神，当地政府陆续出台了降低农业用水总量、退耕还林还草和保护生态环境等积极调控政策或措施，致使棉田扩张趋势得到了一定的缓解，因而近5年来棉田的面积甚至还略有下降（降低约80 km2，图5a），退还面积多集中在灌排条件更差的下游（图5b）。当然，除上述科技、政策等因素外，农业种植结构还可能会受市场调节和气候变化等的影响而在某些年份出现一定的波动，限于篇幅，这里不再一一赘述。

2.3 棉花供水与需水满足度的分布与演变

2.3.1 需水量与有效降水量

由于流域内各项气象条件总体差异较小，故本文将从全流域的角度对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变化过程进行分析，结果见表4。

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

由表4可知，因计算需水量所用气象要素的年际变幅不大，故近20年玛纳斯河流域棉花在各灌溉周期内的需水量基本在一定范围内小幅波动，其全生育期需水量介于668.7 mm（2013年）～737.4 mm（2012年）之间，平均约703.6 mm。其中，春灌期（6月30日前）处于棉花生育前期（包括苗期和蕾期[32]），以营养生长为主，对水分需求相对较小，多年均值约258.0 mm，占总需水量的36.7%；自夏灌期开始，气温逐渐升高，尤其是进入花铃期后，棉花生长日益旺盛，生殖生长逐渐占据上风，相应地，其需水强度大幅攀升，因而夏灌期需水量均值达445.6 mm，全生育期占比在63%以上。

与其他气象数据不同，流域棉花全生育期内的有效降水量在近20年呈现出较强的随机性和较大的差异，如表4所示，最低的2012年（16.1 mm）与最高的2007年（143.3 mm）相差近9倍，平均约89.5 mm，仅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显的不均匀性。从平均水平来看，约65.2%的降水集中在春灌期，期间有效降水量（58.4 mm）可达同期棉花需水量的22.6%，各年度差异较大，最高的2019年（103.7 mm）比最低的2012年（16.1 mm）多约90 mm，达同期棉花需水量的近40%；夏灌期有效降水量（31.1 mm）仅占同期棉花需水量的7%，各年度差异相对较小，极差不超过需水量的14%。显然，对于多数年份，无论春灌期还是夏灌期，降水对棉花需水的补给均十分有限，必须进行灌溉才能保证棉花正常生长。

2.3.2 灌水量

基于可查阅的中游4个灌区（安集海、金沟河、莫索湾、石河子）和下游2个灌区（莫索湾、下野地）的平均数据，对玛纳斯河流域棉花灌水量的变化动态进行分析，如图6所示。

图6 2001—2020年玛纳斯河流域中游与下游全生育期、春灌期和夏灌期棉花灌水量的变化过程

就全生育期而言，在过去的20年中，中、下游的灌水量均呈现出较大的波动（图6），除个别年份外，中游灌水量普遍高于下游，介于321.5～525.3 mm之间，平均431.4 mm，约可满足需水量的61.2%；下游介于294.9～453.4 mm，均值较中游低约50 mm，也可满足近54.4%的水分需求。中、下游灌水量的差异可能主要与地理环境有关，中游地表水和地下水资源相对充足，加之近些年上、中游新建了不少水库，致使下游河段除泄洪期有来水外，其他时间基本处于断流状态[33]，因此下游供水条件较差、灌水量偏低。伴随着膜下滴灌技术的不断推广应用，中、下游棉田面积得以持续增长（图5b），致使灌区水资源供应不足，棉花的灌溉定额不得不随之逐年减少，流域中、下游灌水量分别以约6.8和6.2 mm/a的速率下降，但下降过程具有较为明显的阶段性：2011年以前，中、下游灌水量还只是在各自相对稳定的范围内波动（中游 (480 ± 50) mm，下游 (420 ± 40) mm）；之后则均以较快速率显著下降（中游21.4 mm/a，下游16.6 mm/a），且中、下游的差距逐渐缩小，近5年已基本降至44 mm以内（图6）。表明2012年后中、下游灌区棉田扩张均已大大超过当地水资源的供给能力，且中游原有的灌溉供水优势已逐渐被消耗殆尽。至于期间少数年份的波动，可能主要受棉田面积波动和气候条件变化致使上游来水量发生较大变化等因素的影响。

从灌水量构成来看，春灌期中游灌水量介于83.7～166.2 mm之间，平均约125.2 mm，基本可满足需水量的48.4%，前10年变化较小，之后应该仍然是受棉田面积急剧扩张、灌溉供水量不足的影响而显著下降。下游春灌期灌水量整体相对较为稳定，介于114.7～143.5 mm之间，均值与中游相当。2011年似乎也成了中、下游春灌期灌水量高低关系的分水岭，之前中游高，之后则正好相反（图6），造成该现象的主要原因可能在于下游的土壤盐碱程度相对更重，随着时间增加，原中、重度盐碱地不断被开垦为棉田，通常需要较多灌水来淋洗压盐。

夏灌期属棉花需水高峰期，中、下游灌水量与全生育期相似，下游仍处于较低水平，受灌溉水供需矛盾日益加剧的影响，除少数年份有一定的波动外，整体仍呈基本一致的下降趋势（图6）。近20年来，中游灌区夏灌期灌水量变幅较大，介于230.1～388.2 mm之间（均值306.9 mm），约占需水量均值的68.7%，总体年均衰减4.6 mm；下游均值较中游低约50 mm，占需水量的比例仅57.5%，其衰减速度更快，达5.9 mm/a，至2020年时，下游夏灌期灌水量仅169.0 mm。

2.3.3 需水满足度

在获取近20年有效降水量和灌水量等数据以及膜下滴灌棉花需水量的基础上，通过式（1）即可分别评估流域中、下游不同灌溉周期内棉花需水满足度WDSD的变化过程。由于供水条件优越、灌水量较高，中游WDSD大多高于下游（图7）。从全生育期来看，2012年前中游WDSD基本达80%，之后则随棉田面积扩张和灌溉定额降低而显著下降（图7a），2001年WDSD为82.4%，至2020年已降至54.5%。下游灌区的需水多数年份都难以得到满足，总体也呈显著下降趋势（由76.9%降至50.7%）。

春灌期和夏灌期的WDSD则表现出明显差异，由于春灌期棉花需水量较少、降水相对集中，故WDSD受有效降水量的影响较大，呈现较强的年际波动，中、下游差距较小（2012年后由于下游产生略高的灌水淋洗压盐需求，致使WDSD相应地稍稍超出中游，图7b），总体介于45%～98%之间，平均约71.6%，对于有效降水量低于50 mm（平均值为58.4 mm）的年份（表4），其WDSD普遍低至60%以下，可见在贫水年份有必要增加春灌期的灌溉量，以满足棉花的水分需求。棉花需水、灌水（图6）多集中于夏灌期，故其中、下游WDSD的变化趋势与全生育期基本类似，中游更高、整体显著下降，尤其是自2012年以来下降更为迅猛（图7c），其中，中游从2001年的85.3%降至2020年的59.9%（年均下降约1.3%），下游则从77.5%降至45.9%（年均下降约1.7%）。尤其是近几年夏灌期的供水受到棉田面积扩张和灌水定额减小的很大影响，以致其满足度多在70%以下，甚至低至45.9%（2020年下游），已越来越难以满足作物水分需求。

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

另有一点尚需提请注意的是，有盐分淋洗需求时，作物需水评估通常需要根据盐碱化程度设置一个加大系数[34]。由于资料所限本研究暂无法准确获取这一系数的变化情况，致使WDSD的评估可能存在一定的瑕疵，尤其是当盐碱程度较重时，2.3.1节所列数据可能会低估需水量。事实上，21世纪初（2001—2006年）当膜下滴灌技术在流域中、下游盐碱荒地开始推广应用时，一方面多数灌区的供水还可以得到保障，另一方面绝大部分新增耕地均属中重度盐碱荒地，盐分淋洗还消耗了一部分水，故（在不考虑淋洗的前提下）WDSD尽管处于较高水平（图7），但统计年鉴仍然显示，其棉花单产水平并不高，仅为1 685～2 050 kg/hm2。随着种植年限的增长，根区盐分状况得到逐步改善[35]，至近些年（2012—2018年），尽管由于供水紧张造成WDSD处于较低水平，但棉花单产却始终稳定在2 400～2 513 kg/hm2之间，当然，这其中也许还包含农业科技进步（如抗旱耐盐品种选育、农艺和机械化水平提高等）的贡献[36]，但膜下滴灌所导致根区盐分淡化的重要作用是毋庸置疑的。有关玛纳斯河流域膜下滴灌棉田根系层含盐量的动态变化过程及其对作物需水、耗水、生长和产量的影响，仍有待进一步深入研究。无论如何，玛纳斯河流域近20年耕地扩张所致作物WDSD大大衰减已是不争的事实，必须妥善处理好棉田面积扩张与灌溉水分供应紧张之间的矛盾，才能保证流域膜下滴灌棉花生产的可持续发展。

3 结 论

本文探索了基于GEE云平台、简单非迭代聚类图像分割和随机森林分类算法融合的遥感影像分类识别方法，并通过玛纳斯河流域的野外调查和区域调研对该方法进行了验证，在此基础上，应用该方法进一步分析了当地近20年来种植结构的变化过程，及其对主要作物（膜下滴灌棉花）灌溉水分供应状况和需水满足度的影响，得到主要结论如下：

1）本文所提出的遥感反演方法可快速、准确地进行玛纳斯河流域的地物分类识别和种植结构信息提取，单次分类时长约10 min，影像分类总体精度平均达0.9。

2）2000—2020年流域各类地物分布与面积占比一直处于动态变化之中，种植作物始终以棉花为主并主要分布于中、下游。随着膜下滴灌的推广应用，棉田占比从约22%升至40%，但2015—2020年受人为调控影响，扩张趋势已得到一定缓解；非棉农田多集中分布于上游且面积较小，占比始终在7%以下浮动；随着棉田扩张，非农田面积占比从约73%降至53%，目前多集中于上游山地、中游泉水溢出带和下游沙漠边缘处。

3）受棉田面积扩张、灌溉水资源限制等因素影响，流域棉花灌水量和需水满足度的时空变异明显：空间分布上，下游由于灌排条件较差，二者多低于中游；时间水平上，二者在全生育期均随年份增加而显著下降，从年内分配来看，下降主要发生在棉花供、需水旺盛的夏灌期，特别是2012年以来，夏灌期的衰减趋势更为突出，至2020年，夏灌期下游的需水满足度已降至约46%，表明棉田扩张与供水间的矛盾已十分突出，急需妥善解决方可保证流域绿洲农业的可持续发展。

本文研究结果除可为玛纳斯河流域种植结构调整和水资源配置管理提供科学依据外，已被成功应用于流域膜下滴灌棉田根区含盐量的遥感反演与动态分析之中，相关结果将在后续研究中陆续报道。需要指出的是，本文所述遥感影像分类方法的计算复杂度较高，当研究区范围更大、所用影像分辨率更高或时相数更多时，可能会超出GEE平台的运算限制，是否可以通过分块处理来提高计算效率，或只能通过降低影像分辨率（或减少时相数）来牺牲一定分类精度以应对其运算限制，均有待进一步深入研究。

[1] 张凤华，赵强，潘旭东，等. 新疆玛河流域绿洲土壤特性空间分异与合理开发模式[J]. 水土保持学报，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，吴普特，马枫梅. 膜下滴灌技术生态-经济与可持续性分析：以新疆玛纳斯河流域棉花为例[J]. 生态学报，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年玛纳斯流域耕地景观的时空变化分析[J]. 农业工程学报，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] 黄犁，徐丽萍. 玛纳斯河流域绿洲时空演变及其景观格局变化[J]. 干旱区研究，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] 吕娜娜，白洁，常存，等. 近50年基于农作物种植结构的新疆绿洲农田蒸散发时空变化分析[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] 王军，李久生，关红杰，北疆膜下滴灌棉花产量及水分生产率对灌水量响应的模拟[J]. 农业工程学报，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] 高长远. 安集海灌区潜水水质高矿化成因[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] 李玉义，柳红东，张凤华，等. 新疆玛纳斯河流域灌溉技术对土壤盐渍化的影响[J]. 中国农业大学学报，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] 曹正凤，谢邦昌，纪宏. 一种随机森林的混合算法[J]. 统计与决策，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] 薄树奎，丁琳. 训练样本数目选择对面向对象影像分类方法精度的影响[J]. 中国图象图形学报，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] 康绍忠，蔡焕杰. 农业水管理学[M]. 北京：中国农业出版社，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] 李玉义，逄焕成，陈阜，等. 新疆玛纳斯河流域灌溉水资源保证程度及提升策略[J]. 自然资源学报，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] 李玉义，张凤华，潘旭东，等. 新疆玛纳斯河流域不同地貌类型土壤盐分累积变化[J]. 农业工程学报，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] 刘艳伟，朱仲元，朝伦巴根，等. 水分胁迫条件下羊草群落生育期双作物系数计算方法的验证[J]. 中国农村水利水电，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] 凌红波，徐海量，史薇，等. 新疆玛纳斯河流域绿洲生态安全评价[J]. 应用生态学报，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] 杨劲松，陈小兵，胡顺军，等. 绿洲灌区土壤盐分平衡分析及其调控[J]. 农业环境科学学报，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，王振华，郑旭荣，等. 长期膜下滴灌对根区土壤盐分及棉花生长影响研究[J]. 干旱区资源与环境，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] 毛树春，李亚兵，董合忠. 中国棉花辉煌70年：我国走出了一条适合国情、具有中国特色的棉花发展道路、发展模式和发展理论[J]. 中国棉花，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

杨光，乔学瑾，石建初，等. 2000—2020年玛纳斯河流域的作物种植结构与需水满足度[J]. 农业工程学报，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

国家自然科学基金项目（52079136，51790532）

杨光，博士生，研究方向为干旱区水土资源利用与土壤水盐运移。Email：iguangyang@outlook.com

左强，博士，教授，研究方向为多孔介质中的质量运移与能量传输。Email：qiangzuo@cau.edu.cn