Comparing Irrigation Identification Methods in Colorado: Limitations of Downscaled SMAP Soil Moisture

方法

用400米降尺度SMAP土壤湿度、CHIRPS降水和Landsat NDVI，对

发现

所有方法F1最高仅0.149，无法准确识别灌溉地，归因于大区域异质性而非数据缺陷。

机会点

可检验其他降尺度土壤湿度产品是否同样受大区域异质性限制，并探索融合多源数据提升田间尺度灌溉识别。

在淡水资源有限且用水需求不断增长的背景下，识别和监测水资源需求势在必行。农业灌溉是全球最大的用水部门，占淡水取水量的45%–90%。识别和追踪灌溉土地的变化对于可持续水资源管理以及预测农业用水需求和模式至关重要；然而，现有遥感观测的低分辨率阻碍了田块尺度的分析。土壤湿度观测数据的降尺度被提出作为解决这一问题的方法。本研究比较了五种灌溉识别方法的性能，所用数据基于新开发的降尺度深层土壤湿度外推方法，用于估算土壤湿度主动被动（SMAP）卫星在400 m空间分辨率下5 cm、20 cm和50 cm深度的土壤湿度（SM）。利用该数据以及气候灾害组红外降水与站点数据（CHIRPS）降水和Landsat归一化植被指数（NDVI），我们结合科罗拉多决策支持系统提供的2015年至2024年灌溉地图，在科罗拉多州的农田上就作物类型、灌溉类型和观测深度对这些方法进行了评估。在没有任何作物/灌溉类型–观测深度组合的F1分数超过0.149或MCC值超过0.163的情况下，我们发现无论作物类型、灌溉类型和观测深度如何，这些方法均无法准确识别灌溉土地。由于这些方法在早期小区域研究中取得了成功，且分类地图呈现为大的、空间均一的斑块，我们将此解释为大规模异质区域上田块尺度检测所特有的局限性，而非数据集本身的缺陷。这些发现凸显了该降尺度SM数据集的局限性，并提出其他降尺度土壤湿度产品是否也存在这一局限性的问题。