基于GF-1数据的耕地土壤镉(Cd)含量遥感估算方法

本文采用多种光谱变换和回归分析方法探索了使用GF-1卫星影像监测耕地土壤镉(Cd)含量的可行性。首先针对获取的GF-1原始影像数据,在完成预处理及剔除植被信息后进行倒对数、平方根和反正弦平方根变换,生成4套光谱影像;然后分别用采样点5 m缓冲区内各套影像光谱统计值与Cd含量进行相关性分析和多种回归分析。选择模型决定系数最高(>95%)的反正弦平方根变换后的自适应重加权回归方法构建的线性回归模型作为遥感估算模型。遥感估算结果在稻田积水、边缘地带等出现了异常估算值;笔者分析原因后应用线性插值的方法得到最终估算结果。相关性分析和建模精度表明该方法是可行的,有望应用于实际土壤质量监测和土地管理中。

基于HJ-1星和GF-1号影像融合特征提取冬小麦种植面积

为提高基于国产环境与灾害监测预报卫星(HJ-1/CCD)影像大范围提取冬小麦种植面积的精度,以江苏省宿迁市沭阳县为研究区域,对冬小麦拔节期30 m×30 m的HJ-1/CCD多光谱影像和2 m×2 m的高分1号卫星全色影像(GF-1/PMS)进行融合与面向对象分类研究。将GF-1/PMS全色影像进行8、16和24 m重采样,得到4种空间分辨率(含2 m)的全色影像,分别与HJ-1/CCD多光谱影像利用光谱锐化法(Gram-Schmidt,GS)进行融合。通过对融合影像进行质量评价,选择适合研究区冬小麦种植田块格局的适宜尺度影像。将HJ-1/CCD多光谱影像重采样,得到与适宜尺度融合影像相同尺度的影像,在两景影像中分别选取包含光谱、纹理信息的训练融合影像样本(samples of fused image,SFI)和重采样影像样本(samples of resampling image,SRI),采用面向对象分类方法对适宜尺度融合影像(fused image,FI)和重采样影像(resampling image,RI)进行冬小麦种植面积提取。结果表明,16 m×16 m融合影像的效果优于2 m×2 m、8 m×8 m和24 m×24 m融合影像,其均值、标准差、平均梯度和相关系数分别为161.15、83.01、4.55和0.97。面向对象分类后,SFI对重采样影像RI16m分类的总体精度为92.22%,Kappa系数为0.90。SFI对融合影像FI16m分类的总体精度为94.44%,Kappa系数为0.93。SRI对重采样影像RI16m分类的总体精度为84.44%,Kappa系数为0.80。SFI对融合影像FI16m分类效果最好,说明基于融合影像和融合影像提取样本(SFI)结合的面向对象分类方法能准确提取冬小麦种植面积。另外,重采样影像和融合影像提取样本(SFI)相结合的面向对象分类方法也可较好提取冬小麦种植面积。为利用国产中空间分辨率HJ-1/CCD卫星和高分1号卫星融合影像有效提取大区域冬小麦种植面积信息提供了参考。

基于GF-1多光谱影像的河道碍洪物遥感AI识别模型

河道碍洪物是洪涝灾害的重要影响因素,对其进行高效精准监管需引起高度重视。传统的人工巡查难以满足高效精准的应用需求,因此结合人工智能(AI)的遥感技术应用是必经之路。然而诸多的AI模型在遥感应用中的表现尚不清晰,亟待深入探讨。本文以广西大藤峡库区为例,研究河道碍洪物遥感AI识别模型构建方法。基于GF-1遥感影像,构建碍洪物训练样本集,以ResNet101为核心网络,采用当前主流的6种语义分割模型,包括PSPNet、PAN、MANet、FPN、DeepLabV3+和UNet++,进行碍洪物识别模型训练,进而评估其精度和效率。结果表明:①利用ResNet101作为骨干网络的深度学习模型,在河道碍洪物识别中表现优异,所有模型的F1得分均大于0.70,交并比(IoU)均大于0.58。其中,结合洞卷积和全局池化技术的DeepLabV3+模型的F1得分为0.82,IoU为0.72,体现了其在捕捉上下文信息和微观特征方面的显著优势。②PSPNet在参数量较低的情况下表现出较高的处理效率和精度,每批次能处理8个样本,帧率高达10.49。综上,DeepLabV3+在精确识别和轮廓描绘方面的表现尤为突出,而PSPNet在大规模数据处理上显示出巨大潜力。研究结果可为AI遥感模型构建提供参考,并为河道安全监管提供技术支撑。

基于GF-1卫星遥感反演排水河沟水体溶存N_(2)O浓度模型对比研究

[目的]探究利用GF-1卫星数据反演水体溶存氧化亚氮(N_(2)O)浓度的可行性,为实现低成本、高效率的水质实时监测提供有效途径。[方法]以宁夏青铜峡灌区第1和第5排水河沟为研究对象,选取与排水河沟水体溶存N_(2)O浓度相关性高的GF-1卫星影像波段反射率和水质参数作为自变量,通过最优子集筛选法确定最优自变量组合,分别构建了多元线性回归、BP神经网络和支持向量机模型,对水体溶存N_(2)O浓度进行预测对比。[结果]水温(T)、溶解性有机碳(DOC)等是影响水体溶存N_(2)O浓度的主要因素,同时近红外(NIR)等卫星波段与水体溶存N_(2)O浓度变化趋势显著相关。当自变量包括T,NIR等7个因素时,模型预测效果最佳。在3种模型中,BP神经网络模型验证结果R^(2)为0.64,具有最高预测精度。[结论]GF-1卫星数据以及水质参数与水体溶存N_(2)O浓度存在复杂的相关性关系,且BP神经网络能够实现利用GF-1卫星数据较高精度地反演水体溶存N_(2)O浓度。

基于GF-1卫星影像的青岛市冬小麦种植面积变化动态监测

为准确获取青岛市冬小麦种植面积及空间分布变化特点,帮助相关部门优化种植结构,合理安排农业生产,研究利用GF-1 WFV卫星遥感影像,选择青岛市2014—2021年冬小麦种植面积遥感提取的最佳时相,采用图像监督分类法提取冬小麦的种植面积,并通过分类后比较法分析小麦种植面积的动态变化。结果表明:2014—2021年青岛市冬小麦的种植面积为21.7万~24.8万hm^(2),2016年小麦种植面积最大,2020年最小,每年冬小麦种植面积波动范围为0.3万~2.7万hm^(2);遥感提取的种植面积与统计部门提供的种植面积误差较小,误差百分率不超过6.5%;小麦与其他地物类型之间相互转换的差异很小,2014—2021年逐年小麦转为其他地物的面积变化范围为8.0万~10.9万hm^(2),其他地物转为小麦的面积变化范围为7.9万~11.4万hm^(2)。

基于GF-1 WFV的漫湾养殖区悬浮物浓度估算研究

网箱养殖对区域水环境影响较大,研究网箱养殖区水质参数变化规律对于认知区域性水产养殖对水环境的影响具有较大的现实意义。采用GF-1WFV数据,针对漫湾库区近年成倍增长的网箱养殖区,构建了网箱养殖区总悬浮物浓度反演模型。结果表明:模型具有较高的精度,反演值与实测值的平均相对误差为9.65%,均方根误差为0.33 mg/L。依据构建的反演模型与卫星影像反演了漫湾网箱养殖区的总悬浮物浓度,分析了库区和不同网箱体位置的总悬浮物浓度变化规律。研究发现,漫湾库区和不同网箱体位置的悬浮物浓度变化规律基本一致,网箱体总悬浮物浓度未因养殖局部“圈定”现象而出现异常,但比库区河流整体悬浮物浓度要小,主要因其总悬浮物浓度变化主要受降水、地表径流、水流流速等影响,网箱养殖会降低其对局部“圈定”区的总悬浮物浓度的影响。研究对漫湾库区和网箱养殖区总悬浮物浓度变化规律认识具有一定参考意义,后续将发展多源遥感数据的水质参数遥感估算模型,用于漫湾网箱养殖区水环境变化规律的认知。

GF-1影像地物最优分割尺度确定方法与评价

GF-1卫星是中国高分辨率对地观测系统的第一颗卫星,在土地利用变更调查、土地利用动态监测等方面发挥重要作用。在面向对象的信息提取研究中,传统最优分割尺度方法得到的往往是某一个确定数值。以GF-1影像为实验影像,分别利用均值方差法、最大面积法、面积比均值法等方法,对影像常见地物进行最优分割尺度研究,得到最优分割尺度区间,采用eCognition软件ESP工具进行分割结果评价,在这个区间都能得到较好的分割效果。

融合GF-1和高光谱的内陆水体叶绿素a浓度反演

通过对含叶绿素a水体反射光谱特征分析,融合国产高分卫星和近地高光谱数据开展内陆水体水质遥感监测工作,形成了叶绿素a浓度遥感反演技术方法。利用GF-1遥感数据特征波段,与实测近地高光谱数据进行相关性分析,构建叶绿素a浓度联合反演估计模型,其相关性系数达到0.794。将实测值与预测值进行线性拟合,其拟合优度达到0.7805,两者间均方根误差为2.11,平均相对误差为20.56%,基本满足水库叶绿素a含量遥感反演需求。选取湖南省典型水库,通过标准化分级,监测水库叶绿素a浓度空间分布情况,为后期快速掌握内陆水体污染控制、风险评估等提供技术支撑。

基于GF-1 PMS的喀斯特城镇绿地提取研究

绿地面积作为园林城市建设的重要指标,对于城市规划建设具有重要意义。文章基于面向对象分类算法,以位于喀斯特山区的贵州省毕节市海子街镇为研究区,利用高分一号(GF-1)PMS遥感影像进行城镇绿地提取。结果表明:绿地信息在GF-1 PMS影像上具有明显的光谱、纹理特征,通过对影像对象特征的不同选择和组合,能够很好地提取城镇绿地信息;在面向对象分类算法中,基于规则的绿地信息提取总体分类精度为79.36%,Kappa系数为0.76;基于样本的绿地信息提取总体分类精度为89.79%,Kappa系数为0.85,其提取效果比基于规则的面向对象方法更好。

GF-1与GF-6 WFV影像在滇池悬浮物浓度反演中的对比分析

总悬浮物(TSM)是水环境评价的重要参数之一,也是遥感水质反演的重要指标。GF-1/WFV和GF-6/WFV作为高分系列对外免费开放的卫星数据,在遥感监测中的应用较为广泛,但目前针对两种数据的对比分析以及GF-6/WFV新增波段在水体水质参数反演中的适用性研究较少。以云南滇池水域为研究区域,对与水体实测数据同步过境(或时相相近)的GF-1/WFV和GF-6/WFV遥感影像采用统计分析的方法进行相同波段(蓝、绿、红、近红外)一致性分析,在此基础上运用经验回归方法分别构建两种数据的TSM反演模型,并将加入GF-6/WFV新增波段的模型与GF-1/WFV构建的模型进行对比分析,选择最优模型应用于滇池2020年的6幅GF-6/WFV图像得到滇池TSM分布图。结果表明:GF-1/WFV与GF-6/WFV的蓝、绿、红、近红外波段的相关系数分别为0.98,0.98,0.97和0.99,两种数据的表观反射率具有很高的一致性。GF-1/WFV基于蓝、绿、近红外波段构建的差值模型“B2+B4-B1”反演精度较高,模型反演的均方根误差为6.35 mg·L^(-1),平均绝对百分比误差为23.60%。GF-6/WFV基于近红外、红边1和红边2波段构建的比值模型“1/B5+B6”反演精度较高,模型反演的均方根误差(RMSE)为3.07 mg·L^(-1),平均绝对百分比误差(MAPE)为20.65%,以GF-1/WFV构建的差值模型“B1-B4”与GF-6/WFV构建的“B5-B4”对比发现后者均方根误差减小了2.61 mg·L^(-1),平均绝对百分比降低了32.33%,实验表明加入红边波段的模型反演效果较其他模型更好。采用建模公式得到了2020年滇池TSM分布图,滇池TSM的变化范围在4~45 mg·L^(-1),均值为18.23 mg·L^(-1),总体空间分布呈现北重南轻的分布态势,滇池TSM时间分布表现为上升-下降趋势。该研究不仅可以为湖泊水质监测传感器波段设置提供参考和借鉴,也为滇池水资源监管部门进行水质遥感监测提供了技术支撑。

GF-6/WFV与GF-1/WFV传感器数据对比

目的:利用GF-6和GF-1卫星高时空分辨率、覆盖范围广等特点,组网协同研究二者宽幅(WFV)传感器之间的差异。方法:基于同期过境的2对GF-6/WFV与GF-1/WFV影像数据,采用样区均值法进行地表反射率层面的交互对比分析,探究G F-6/WFV与GF-1/WFV波段光谱数据之间的定量关系,并构建线性转换方程。结果:GF-6/WFV与GF-1/WFV的观测能力具有较高的一致性,对应波段间线性回归方程的决定系数(R 2)均高于0.942。GF-1/WFV1、GF-1/WFV2与GF-6/WFV数据间的均方根误差(RMSE)在蓝光波段较小,但在绿光、红光和近红外波段的差异逐渐增大;总体上,GF-6/WFV的信号强度比GF-1/WFV低9%~14%,其低于GF-1/WFV1约9.327%,低于GF-1/WFV2约13.573%。经线性转换后的GF-1/WFV数据与G F-6/WFV数据的差异明显降低,GF-1/WFV1数据对应波段的RMSE降低56.435%,相对偏差率(ME)降低8.351%;GF-1/WFV2数据RMSE的降低率达60%以上,ME降低11.119%。结论:G F-6/WFV与GF-1/WFV的转换方程具有较高的准确性,可有效提升2颗卫星组网观测的一致性,对监测地表变化、采集地面信息等具有重要意义。本研究可为GF-6与GF-1卫星数据的协同观测和组网应用提供科学参考。

基于深度学习的GF-1卫星WFV影像赤潮探测方法

赤潮是我国主要的海洋生态灾害,有效监测赤潮的发生和空间分布对于赤潮的防治具有重要意义。传统的赤潮监测以低空间分辨率的水色卫星为主,但是其对于频发的小规模赤潮存在监控盲区。GF-1卫星WFV影像具有空间分辨率高、成像幅宽大和重访周期短等优点,在小规模赤潮监测中表现出较大的潜力。然而,GF-1卫星WFV影像的光谱分辨率较低,波段少,传统面向水色卫星的赤潮探测方法无法应用于GF-1卫星WFV数据。而且赤潮具有形态多变、尺度不一的特点,难以精确提取。基于此,本文提出了一种面向GF-1卫星WFV影像的尺度自适应赤潮探测网络(SARTNet)。该网络采用双层主干结构以融合赤潮水体的形状特征与细节特征,并引入注意力机制挖掘不同尺度赤潮特征之间的相关性,提高网络对复杂分布赤潮的探测能力。实验结果表明,SARTNet赤潮探测精度优于现有方法,F1分数达到0.89以上,对不同尺度的赤潮漏提和误提较少,且受环境因素的影响较小。

基于IR-MAD算法的GF-1影像土地利用变化检测研究

变化检测是遥感应用领域的研究热点之一,为探究高分一号(GF-1)PMS影像在土地利用变化检测中的适用性和有效性,文章以毕节市金海湖新区办事处为研究区,选取2017、2019两期GF-1 PMS影像为数据源,对比直接分析比较法中的迭代加权多元变化检测(IR-MAD)和基于随机森林(Random Forest, RF)分类后比较法的检测效果。结果表明:IR-MAD算法检测效果良好,可以有效地区分不变区域与变化区域,总体精度和Kappa系数较高,过程不依赖于训练样本的多少,总体精度达到90.78%,Kappa系数为0.86,而随机森林分类算法精度相对较低,检测效果欠佳,总体精度为89.32%,Kappa系数为0.80。因此,IR-MAD算法更适用于小尺度的土地利用变化检测。

基于GF-1影像的蒙古高原干旱半干旱地区自然道路提取——以蒙古国古尔班特斯苏木为例

蒙古高原广袤的干旱半干旱地区存在大量未经规划的自然道路,也称临时道路或越野公路。此类道路由车辆任意行驶碾压导致,会对地表生态及其稳定性造成影响,加剧干旱半干旱地区土地退化。由于自然道路数量众多、分布不规则且易随着区域发展而改变,因而高效精确获取这些信息是大范围草原地区的一个紧迫需求和难点。该文以蒙古国自然道路为主要提取目标,基于国产高分一号(GF-1)影像采用面向对象的方法进行研究区道路信息提取。首先对覆盖研究区的GF-1影像进行数据预处理,采用多尺度分割方法进行影像对象分割;然后对需要提取的自然道路进行特征分析,通过计算光谱、几何特征参数及随机选取道路样本统计样本特征值,选出能表达自然道路特征的参数构建道路提取规则集;进而结合多种方法的组合应用,最终通过最邻近分类法实现对道路的初步提取,采用阈值分类法等分类算法优化道路信息。结果表明,提取的蒙古国古尔班特斯苏木研究区自然道路长度为3708.745 km,密度为0.129 km/km^(2),总体呈现东南密集,西、北部稀疏的分布特征,与本地区实际的煤矿企业生产和居民城镇生活情况相符。研究表明所提方法可以较完整地提取出研究区自然道路,可为蒙古高原等广大干旱半干旱地区自然道路提取提供方法借鉴。

基于GF-1遥感图像和ResNet50网络的PM_(2.5)浓度预测研究

基于GF-1卫星图像、结合Merra-2气象数据作为辅助预测变量,构建了长三角地区基于ResNet50网络的PM_(2.5)预测模型。其中气象参数可以为模型提供较为准确的PM_(2.5)浓度基准,而GF-1图像能帮助模型更合理准确地预测PM_(2.5)浓度的空间变化。利用十折交叉验证和测试集验证对模型进行检验,结果显示:模型的皮尔森相关系数R为0.948,预测PM_(2.5)的RMSE为6.6μg/m~3。反演得到分辨率为500 m的PM_(2.5)浓度分布图合理稳健。GF-1遥感图像和ResNet50网络适用于PM_(2.5)浓度预测,可以作为辅助监测手段,为长三角地区PM_(2.5)热点识别、后续流行病学研究提供数据支撑。

基于GF-1卫星遥感的冬小麦面积早期识别

GF-1号卫星是中国高分卫星系列首颗卫星,自2013年04月26日发射以来,提供了大量的2 m/8 m/16 m空间分辨率的卫星数据,成为中国农业遥感监测的主要数据源之一。该文以GF-1卫星携带的16 m空间分辨率的宽视场(wide field view,WFV)传感器为主要数据源,采用2013年10月2日、10月17日、11月7日和12月5日4个时相的数据,以多尺度分割后的对象为基本分类单元,采用分层决策树分类的方法对冬小麦面积进行提取,并利用地面样方数据对分类结果进行了精度验证。结果表明,北京市顺义区冬小麦面积7 095 hm2,分类总体精度达到96.7%,制图精度为90.0%,其他未分类类别精度为97.3%,Kappa系数为0.8。研究区内冬小麦的播种时间可以分为10月1-5日早播、10月6-10日中播、10月11-15日中晚播、10月16-20日晚播等4个时间段,不同播期对应着归一化植被指数(normalized difference vegetation index,NDVI)不同的变化规律,是分层的基础,结合波段反射率、波段反射率和、波段反射率比值等参数的变化规律,通过分层可以有效的剔除草坪、桃树等容易同冬小麦混淆的地物类型,GF-1/WFV提供的多时相遥感数据能够可靠的反映冬小麦发育变化的规律,是冬小麦面积准确提取的基础,在农作物面积遥感监测业务运行中具有较大的开发应用潜力。

基于GF-1卫星数据的农作物种植面积遥感抽样调查方法

GF-1号卫星是中国2013年4月26日发射的一颗高分辨率遥感卫星,为解决该新型卫星数据在农作物对地抽样遥感调查中的应用技术方法问题,该文针对GF-1号卫星数据的特点,研究了基于GF-1号卫星16m WFV传感器和2m/8m PMS传感器卫星数据的农作物种植面积遥感抽样调查方法。根据研究区物候历,选择农作物识别关键期的16m WFV传感器数据进行多时相农作物种植面积的中分辨率遥感提取;在中分辨率农作物面积遥感分类图基础上,计算研究区域的MORAN I指数,确定格网抽样单元的大小,进行多目标农作物的MPPS(multivariate probability proportional to size)抽样;对抽样单元采用2m/8 m PMS传感器卫星数据进行高分辨率农作物面积制图;最后根据MPPS抽样方法进行总体农作物种植面积的推断,并计算CV值,评价抽样精度。以江苏省东台市为研究区对GF-1号卫星数据进行了应用研究。研究结果表明,GF-1号卫星数据完全可以应用于县级农作物种植面积的提取,农作物种植面积提取精度优于90%。

基于多时相GF-1遥感影像的作物分类提取

为了提高遥感影像数据对作物分类提取的精度,更多地反映作物的空间分布结构和物候差异,以黑龙江农垦赵光农场为研究对象,提出一种基于分区与决策树分层分类相结合的作物遥感分类方法,利用2014年高分一号卫星(GF-1)WFV遥感影像数据(4景)开展主要作物的识别分类提取。首先,结合实地调查与影像光谱特征信息的总体分布,将研究区分割成3个子区域(西南区、北部区和东南区);其次,基于多时相遥感影像序列,分析主要作物的反射光谱和植被指数的时序变化特征,构建基于决策树分层分类的主要作物遥感分类模型,成功提取了赵光农场主要作物的空间种植信息。结果表明,2种分类方法的精度都很高,总体精度均在97.00%以上,Kappa系数均在0.900 0以上。分区分类更优于整幅图像非分区分类,总体精度达到98.10%,Kappa系数达到0.960 7;非分区分类总体精度为97.50%,Kappa系数为0.948 3。研究表明,基于分区与决策树分类法相结合的作物分类结果精度,明显优于不使用分区分类的结果。由分区与决策树分层相结合的分类方法能够有效提高黑龙江垦区主要种植作物分类的准确性和精度。

基于GF-1卫星遥感数据识别京津冀冬小麦面积

省级尺度冬小麦面积的精准获取技术是农作物面积遥感监测研究的主要内容之一。为了获取省级尺度的冬小麦种植面积,该文以北京市(京)、天津市(津)和河北省(冀)3个省域范围为例,以国家标准地形图分幅为分类的图幅单元,利用国产GF-1/WFV数据,构建冬小麦面积指数,实现了省级尺度冬小麦面积的识别。本文以冬小麦全部9个月生育期的984景影像作为数据源,依次经过数据预处理、标准图幅单元的NDVI合成、样本点选择、冬小麦面积指数构建、冬小麦作物类型确认、省域范围制图及精度验证等步骤完成研究区域内冬小麦面积的提取。采用区域网平差和6S大气校正算法对数据源预处理,以中国1︰10万标准地形图分幅为分类图幅单元构建冬小麦面积指数,将冬小麦面积指数按照1%的比例等分,并将面积指数从0到100%分割为101个提取节点,将提取节点的NDVI值依次与类型确认样本比较,精度最高的则确认为冬小麦面积提取阈值,同时将该阈值应用于图幅单元内冬小麦面积指数影像,获取冬小麦种植分布。最后冬小麦面积识别的精度表明,以标准地图分幅作为计算单元,在GF-1影像基础上,利用冬小麦面积指数能够显著提高冬小麦与其他地物类型的波谱差异,且冬小麦的总体识别精度达到89.6%,用户精度达到89.8%,制图精度96.5%,Kappa系数0.72。在典型区域,本文算法与监督分类算法精度结果较为一致,除制图精度相差4.77%外,总体精度与用户精度差都在1.00%以内,说明本文算法具有精度高、运行效率高、分类单元识别结果一致性强的特点,能够满足省级尺度农情遥感业务监测的需要。

基于GF-1卫星数据监测灌区灌溉面积方法研究——以东雷二期抽黄灌区为例

由于田块破碎、灌区信息化水平不高、土壤墒情反演困难等原因,在我国开展较高精度灌溉面积遥感监测依然面临很多困难。基于GF-1较高空间分辨率卫星数据,通过光谱匹配方法像元尺度应用,并引入OTSU自适应阈值算法,构建了高分辨率灌溉面积遥感监测新方法。选择我国西北干旱半干旱区典型渠灌灌区即东雷二期抽黄灌区为研究区,对其2018年的主要粮食作物种植强度及其灌溉面积开展了遥感识别提取研究。结果表明,东雷二期抽黄灌区灌溉面积为81 571.58 hm^2,其中双季轮作(小麦与玉米轮作)灌溉面积为40 335.88 hm^2,单季小麦灌溉面积为15 276.94 hm^2,单季玉米灌溉面积为14 059.14 hm^2;各灌溉子系统灌溉面积由大到小排序依次是流曲、孙镇、兴镇、荆姚、刘集、蒲城和大荔;通过野外采样精度验证,结果总体精度为88.27%(Kappa系数为0.8308),与国际水管理研究所灌溉数据产品相比,能更有效识别小田块灌溉分布及建设用地信息,在作物种植强度及其灌溉面积分布方面更符合我国实际情况,可为干旱监测预警、灌溉面积监测、灌溉用水效益评估等提供技术保障。