Abstract Monitoring irrigation is essential for an efficient management of water resources in arid and semi-arid regions. We propose to estimate the timing and the amount of irrigation throughout the agricultural season using optical and thermal Landsat-7/8 data. The approach is implemented in four steps: i) partitioning the Landsat land surface temperature (LST) to derive the crop water stress coefficient (Ks), ii) estimating the daily root zone soil moisture (RZSM) from the integration of Landsat-derived Ks into a crop water balance model, iii) retrieving irrigation at the Landsat pixel scale and iv) aggregating pixel-scale irrigation estimates at the crop field scale. The new irrigation retrieval method is tested over three agricultural areas during four seasons and is evaluated over five winter wheat fields under different irrigation techniques (drip, flood and no-irrigation). The model is very accurate for the seasonal accumulated amounts (R ~ 0.95 and RMSE ~ 44 mm). However, lower agreements with observed irrigations are obtained at the daily scale. To assess the performance of the irrigation retrieval method over a range of time periods, the daily predicted and observed irrigations are cumulated from 1 to 90 days. Generally, acceptable errors (R = 0.52 and RMSE = 27 mm) are obtained for irrigations cumulated over 15 days and the performance gradually improves by increasing the accumulation period, depicting a strong link to the frequency of Landsat overpasses (16 days or 8 days by combining Landsat-7 and -8). Despite the uncertainties in retrieved irrigations at daily to weekly scales, the daily RZSM and evapotranspiration simulated from the retrieved daily irrigations are estimated accurately and are very close to those estimated from actual irrigations. This research demonstrates the utility of high spatial resolution optical and thermal data for estimating irrigation and consequently for better closing the water budget over agricultural areas. We also show that significant improvements can be expected at daily to weekly time scales by reducing the revisit time of high-spatial resolution thermal data, as included in the TRISHNA future mission requirements.

中文翻译：

---

将 Landsat 光学/热数据整合到作物水分平衡模型中的灌溉反演：以半干旱地区冬小麦田为例

摘要 监测灌溉对于干旱和半干旱地区水资源的有效管理至关重要。我们建议使用光和热 Landsat-7/8 数据估计整个农业季节的灌溉时间和数量。该方法分四个步骤实施：i) 划分 Landsat 地表温度 (LST) 以推导出作物水分胁迫系数 (Ks)，ii) 通过整合 Landsat 推导出的 Ks 估算每日根区土壤水分 (RZSM)进入作物水分平衡模型，iii) 在 Landsat 像素尺度上检索灌溉和 iv) 在作物田间尺度上汇总像素尺度灌溉估计。新的灌溉检索方法在四个季节的三个农业区进行了测试，并在不同灌溉技术（滴灌、洪水和无灌溉）下对五个冬小麦田进行了评估。该模型对于季节性累积量（R ~ 0.95 和 RMSE ~ 44 毫米）非常准确。然而，在每日尺度上获得的与观察到的灌溉的一致性较低。为了评估灌溉检索方法在一段时间内的性能，每天预测和观察到的灌溉量从 1 到 90 天累积。通常，对于超过 15 天累积的灌溉，可以获得可接受的误差（R = 0.52 和 RMSE = 27 mm），并且随着累积时间的增加，性能逐渐提高，描绘了与 Landsat 立交桥频率的强烈联系（16 天或结合 Landsat-7 和 -8 的 8 天）。尽管在每日到每周范围内检索灌溉存在不确定性，但从检索到的每日灌溉模拟的每日 RZSM 和蒸散量是准确估计的，并且与实际灌溉估计的非常接近。这项研究证明了高空间分辨率光学和热数据在估算灌溉方面的效用，从而更好地关闭农业地区的水收支平衡。我们还表明，通过减少 TRISHNA 未来任务要求中包含的高空间分辨率热数据的重访时间，可以预期在每天到每周的时间范围内都有显着的改进。从检索到的每日灌溉模拟的每日 RZSM 和蒸散量是准确估计的，并且与实际灌溉估计的非常接近。这项研究证明了高空间分辨率光学和热数据在估算灌溉方面的效用，从而更好地关闭农业地区的水收支平衡。我们还表明，通过减少 TRISHNA 未来任务要求中包含的高空间分辨率热数据的重访时间，可以预期在每天到每周的时间范围内都有显着的改进。从检索到的每日灌溉模拟的每日 RZSM 和蒸散量是准确估计的，并且与实际灌溉估计的非常接近。这项研究证明了高空间分辨率光学和热数据在估算灌溉方面的效用，从而更好地关闭农业地区的水收支平衡。我们还表明，通过减少 TRISHNA 未来任务要求中包含的高空间分辨率热数据的重访时间，可以预期在每天到每周的时间范围内都有显着的改进。这项研究证明了高空间分辨率光学和热数据在估算灌溉方面的效用，从而更好地关闭农业地区的水收支平衡。我们还表明，通过减少 TRISHNA 未来任务要求中包含的高空间分辨率热数据的重访时间，可以预期在每天到每周的时间范围内都有显着的改进。这项研究证明了高空间分辨率光学和热数据在估算灌溉方面的效用，从而更好地关闭农业地区的水收支平衡。我们还表明，通过减少 TRISHNA 未来任务要求中包含的高空间分辨率热数据的重访时间，可以预期在每天到每周的时间范围内都有显着的改进。