空间分辨率对利用高分辨率遥感技术检测喷灌不均匀性的影响

《Precision Agriculture》：Influence of spatial resolution on the detection of sprinkler irrigation non-uniformity using high-resolution remote sensing

　　**摘要**
**目的**
本研究旨在评估一种基于无人机采集的多光谱时间序列的方法，该方法用于在玉米种植的不同生长阶段识别田块级别的灌溉异常。研究探讨了灌溉堵塞持续时间、空间分辨率（像素大小）和地形条件对异常检测能力的影响。

**方法**
实验在2024年夏季生长季进行，选取了两个具有不同地形的玉米田：一个平坦，另一个呈倾斜状。在每个田块中，每次灌溉时有三个喷头被故意堵塞，堵塞时间从15天到25天不等，具体取决于作物的物候阶段。使用配备RGB和多光谱传感器以及GNSS RTK模块的DJI Mavic 3 M无人机，每五天拍摄一次多光谱图像。飞行任务选择在太阳辐射强度最高的时段进行，以确保辐射测量的准确性，并生成用于分析的均匀时间序列。

**结果**
灌溉引起的植被响应的可检测性受到像素大小和灌溉堵塞持续时间的共同影响。较高的空间分辨率提升了检测性能，尤其是在长时间缺水期间。降水事件和地形变化通过增加水分供应来减弱了灌溉堵塞的影响，从而延缓了其在归一化差异植被指数（NDVI）时间序列中的差异显现。

**结论**
所提出的方法结合了多光谱无人机时间序列和基于p值及灌溉区与非灌溉区平均差异的统计测试，用于在田块尺度上识别灌溉引起的植被响应。该方法在不同的农业和地形条件下表现出较强的鲁棒性，并为灌溉监测提供了可转移的框架，具有应用于其他作物以及与无人机和基于卫星的精准农业系统集成的潜力。

**引言**
农业生产效率在很大程度上取决于灌溉的均匀性，这是实现水资源高效利用和作物良好生长及产量的关键因素。在各种灌溉方法中，喷灌系统已被证明是全球最广泛使用且效率最高的灌溉方式之一（Yan等，2020；Zhang等，2013），尤其是在水资源稀缺的地区（Abd El-Wahed等，2016）。在西班牙，这种灌溉系统得到广泛应用，支持着包括埃布罗河流域在内的广阔农业区域的灌溉（Dechmi等，2003）。灌溉均匀性对于确保作物均匀生长和优化水资源利用效率至关重要（Dechmi等，2003；Merriam & Keller，1978；Nascimento等，2019）。喷灌系统能够将水均匀地施加到作物上（Montazar & Sadeghi，2008），并且适用于形状不规则的小田块（Carr & Knox，2011）。灌溉的均匀性不仅取决于环境条件，还依赖于安装的正确水力设计和操作（Elhussiny等，2023）。轻微的故障、阻塞或堵塞可能会造成难以通过直接视觉检查发现的水分缺乏区域。此外，人工灌溉监测工作繁琐、缺乏系统性且容易出错，尤其是在中型和大型农场中。因此，需要引入能够及时检测和纠正喷灌系统异常的监测技术。
在这一背景下，遥感成为客观且空间明确评估作物对灌溉异常响应的宝贵工具。特别是，它已被证明能有效监测作物的水分和生长状态，以高效准确的方式提供详细的时空信息（Gómez等，2019；Karthikeyan等，2020；Zapata等，2013）。卫星图像由于覆盖范围广且数据连续可用，适用于大规模评估作物物候状态和检测水分胁迫。然而，这些传感器的典型空间和时间分辨率限制了它们识别小规模或快速变化的灌溉异常（如喷灌系统中的阻塞或堵塞）的能力（Chakhvashvili等，2024；Sun等，2024；Yeom等，2019）。
最近，配备多光谱相机的无人机（UAV）的技术进步克服了这些限制，提供了适合于田块尺度作物监测的高空间和时间分辨率图像。将UAV与植被指数（尤其是归一化差异植被指数NDVI）相结合，已被证明在表征作物物候状态、检测水分缺乏以及验证卫星传感器获取的结果方面非常有效（Bendig等，2015；Gade等，2025）。NDVI已被证明在田块尺度上有效识别作物水分胁迫。Kyratzis等（2015）利用配备常规和近红外相机的无人机图像评估了地中海条件下遭受晚期干旱的硬质小麦品种，发现NDVI与籽粒产量之间存在显著相关性，尤其是在作物生长后期。Mali等（2025）结合安装在无人机上的多光谱和热成像传感器估算了作物水分胁迫指数（CWSI），证明NDVI和其他从遥感图像衍生的植被指数能够高精度地绘制田块内水分缺乏的空间变异图。Zhang等（2019a, b）使用无人机获取的高分辨率多光谱图像评估了不同缺水程度下的玉米，建立了NDVI与CWSI之间的回归模型，显示出在农场尺度上检测和绘制水分胁迫的高潜力。综上所述，现有证据支持将NDVI作为表征和绘制田块级别作物水分胁迫空间变异性的可靠指标。
在这一背景下，非参数统计方法在遥感中越来越被用于支持从传感器数据集中进行稳健推断。特别是Mann–Whitney U检验被广泛用于在无法保证数据正态性假设的情况下比较不同处理条件下的植被指数分布（Lee & Chow，2015）。这些方法能够对高空间分辨率数据集中的差异进行统计上稳健的评估，尤其是在结合量化植被响应幅度的效应量指标时（Abera等，2021；Ebrahimi等，2024）。
作物系数（Kc）是一个反映作物不同物候阶段的指标，与NDVI等植被指数有直接且稳健的关系（Allen等，1998；Dingre等，2021；Mateos等，2013；Mukiibi等，2023）。这种概念关系使得NDVI值能够在作物生长背景中得到解释，从而确定灌溉异常最明显和最易被检测到的关键时刻。
鉴于农业灌溉管理和优化的新挑战，本研究旨在开发并评估一种基于无人机获取的多光谱图像时间序列的方法，用于识别田块级别玉米作物的局部灌溉异常。与以往评估大面积灌溉不足区域水分胁迫的研究不同，本研究提出扩展多时相NDVI的应用范围，以识别和定位单个喷头中的堵塞或障碍物，为监测喷灌系统性能提供了实用的方法。具体而言，研究旨在确定：（i）能够可靠识别与灌溉系统故障相关的堵塞喷头的最大像素大小；（ii）通过分析作物的光谱响应，能够检测到持续异常的最短时间。此外，研究考虑了玉米生长的不同阶段，以评估早期检测的可行性，并在不同的空间分辨率下进行测试，探索将该方法转移到中等分辨率卫星平台（如PlanetScope的3–4米分辨率或Sentinel-2的10米分辨率）的可能性。目的是利用遥感技术实现喷灌系统的及时监测，扩展NDVI等多光谱指数在检测一般水分胁迫以及喷头级别具体操作故障方面的能力。

**研究区域**
研究在西班牙纳瓦拉地区的拉拉加市（Larraga）的两个玉米田进行（图1），该地区属于温带干旱地中海气候，年均降雨量为473.5毫米，年均气温介于12°C至14.5°C之间（数据来源：MeteoNavarra，纳瓦拉政府，2025）。

**图1**
**研究地块的位置图**
选定的两个地块分别为地块1（约2.83公顷）和地块2（约6.89公顷），均配备了喷灌系统，喷头呈三角形排列，灌溉范围为15×18米（图2a）。根据该地区的官方土壤分类（IDENA，2024），这两个地块属于壤土-粘土-粉砂质土壤类型（符合USDA分类，2011），因此在地块内部和之间被认为是土壤均匀的。这种土壤类型和质地的均匀性有助于最小化土壤因素引起的变异，使分析重点集中在灌溉异常的检测上。地块的坡度（图2b）是根据研究区域的数字地形模型（DTM，IDENA，2019）确定的。地块1的地形几乎平坦，而地块2的坡度较陡，更接近城市中心。
此外，还获得了关于两个地块灌溉基础设施及其管理的详细信息，包括喷头的位置和分布，以及灌溉数据（如整个季节的总灌溉流量和频率）。这些信息对于评估水分分布和作物生长至关重要，并被纳入结果的分析和解释中。

** meteorological data**
为了补充作物监测及其时间演变分析，整合了整个季节记录的气候和灌溉数据。使用了MeteoNavarra（纳瓦拉政府，2025）提供的阿尔塔霍纳（Artajona）气象站的数据。这些数据以日格式下载并组织处理，以便与飞行计划和灌溉日期相结合。MeteoNavarra提供的蒸散数据使用FAO手册中的Penman-Monteith方法进行计算（Allen & Pereira，2009；Pelta等，2022）。
此外，还获得了每个地块在整个生长季节的灌溉记录，这些记录使得气候数据可以与灌溉干预措施相关联。这些信息使我们能够重建该作物在季节期间的水分历史，并将其以每日直方图的形式呈现，从而便于将其与通过无人机获取的NDVI时间序列相结合。

### 实验设计及喷灌器阻断策略
为了分析作物对灌溉系统可能出现的故障的响应，在2024年夏季设计了一项受控的实验试验。试验包括有意阻断每个地块中随机选定的喷灌器，目的是通过分析植被指数的时间序列来评估检测堵塞或障碍的能力。阻断期间的确定基于作物的物候阶段，这些阶段是根据作物系数（Kc）的演变来制定的。Kc曲线的构建遵循了Allen等人（1998年）提出的方法论，使用玉米种植的表格数值，并根据实际播种日期进行时间调整。这种方法使得能够定义主要的物候阶段（作物生长期、中期和后期），这些阶段被用作安排喷灌器阻断时间的参考（图3a和b）。

由于播种日期和地块地形的差异，采取了不同的阻断策略。在2024年4月17日播种且地形基本平坦的地块1中（图2a和b），实施了四个阻断阶段，每个阶段影响三个随机选定的喷灌器。阻断是在原位进行的，移除喷灌器后在其位置放置了一个?英寸的黄铜螺帽，以阻止水在该点喷出。这样，在整个作物生长阶段、中期和后期，共有12个喷灌器受到了影响（图3a）。地块1中的前三个阻断阶段持续时间相似，平均约为15天，以诱导作物生长缺水；而第四个阻断阶段延长至25天，与作物的最后一个阶段 coincide，以评估在整个物候周期内异常情况的可检测性。在15天或25天的阻断期结束后，移除了黄铜螺帽并重新安装了喷灌器。

在2024年5月5日播种且坡度较陡的地块2中（图2b），实施了三个阻断事件，共影响了9个喷灌器（图3b）。该地块也采用了与地块1相同的原位阻断程序。阻断的持续时间逐渐延长，分别为大约15天、20天和25天。这种设计使我们能够评估灌溉缺水持续时间如何影响在坡度条件下的异常检测能力，因为地形会影响水分再分布和作物响应。

### 数据收集与处理
我们的分析使用了由DJI Mavic 3 M无人机（UAV）拍摄的图像，该无人机配备了RGB相机和多光谱系统，以及集成的GNSS RTK（实时动态）模块（图4）。该系统包括一个2000万像素的4/3 CMOS传感器和四个多光谱（MS）传感器，每个传感器具有500万像素，分别记录绿光（560 nm±16 nm）、红光（650 nm±16 nm）、红边光（730 nm±16 nm）和近红外（860 nm±26 nm）波段的信息。有关更多详细信息，请参阅无人机的技术规格（DJI，2025年）。为确保获取图像的辐射一致性并实现准确的时间对比，在每次飞行前后都使用了反射校准面板（Chakhvashvili等人，2024年；Luan等人，2024年）。

图像使用集成在无人机中的GNSS RTK模块进行了地理参考，这提供了精确的图像调整所需的精度，并消除了对地面控制点（GCPs）的需求。多项研究表明，在最佳条件下，这种方法可以实现厘米级的空间精度（Kalacska等人，2020年；Stott等人，2020年；Szypu?a，2024年；Teppati Losè等人，2020年；Türk等人，2022年）。

### 数据处理过程
飞行在70米的高度进行，图像的地面采样距离（GSD）为3.23厘米/像素。图像之间的纵向和横向重叠率为80%，这允许对研究地块进行适当的摄影测量重建。每5天进行一次飞行，以获得良好的时间分辨率，从而捕捉作物生长的变化。图像在晴朗的日子里于11:00至13:00之间拍摄。这个时间范围被特别选择，以与太阳辐射最强的时期重合，这样可以最小化光照的变化，减少阴影的影响，并确保更加均匀的光照（de Souza等人，2021年；Jafarbiglu & Pourreza，2023年）。

每次飞行同时生成了五组共注册的图像，包括一张RGB图像和四张多光谱图像，为两个地块提供了大量且均匀的多时相和多光谱数据。

### 结果与分析
图像以TIFF格式存储，便于使用Agisoft Metashape Professional软件（俄罗斯圣彼得堡，版本1.7.4，64位）进行后处理，该软件在摄影测量和遥感项目中被广泛使用（Deidda等人，2024年；Heinemann等人，2025年；Peng等人，2023年）。

后处理工作包括图像对齐、辐射校正和密点云的生成。随后应用了过滤去除错误点（Shi等人，2018年），并构建了高分辨率的数字高程模型（DEM）。最后，为每个飞行日期生成了空间分辨率为5厘米/像素的多波段正射影像。这些正射影像在不同的像素尺度（0.05米、0.25米、1米、3米和10米）上进行了重采样，以便与当前卫星传感器的数据进行比较，以评估基于可用空间分辨率的灌溉异常检测能力。

数据分析使用了Python（版本3.10.9，64位）进行计算、实现异常检测算法并自动化工作流程，同时使用QGIS（版本3.34.6，64位）进行结果的整合、可视化和地理空间分析。多光谱图像用于分析作物生长的空间变化和变化模式，而RGB图像用于跟踪作物生长情况。

为了定义每个地块的研究区域，使用了半径为5米和10米的圆形缓冲区（图2a），这些缓冲区围绕着被阻断的喷灌器，旨在表征无灌溉区域（N-Irr-Z）。这些半径是通过结合喷灌器分布计划和制造商关于喷灌器轨迹及有效灌溉范围的技术规格（SOMLO 30 C黄铜模型）来确定的，该模型在该研究区域常用且两个地块均采用。缓冲区的定义考虑了水射流的范围以及灌溉强度随距离喷灌器的逐渐减弱，以及对正射影像进行的空间重缩放，以便在不同空间分辨率下评估异常的可检测性。因此，建立了两个独立的分析半径：5米和10米。10米半径定义为避免相邻喷灌器直接影响的最大距离，而5米半径则作为一个更为保守的尺度，以保证在较低空间分辨率情况下也能检测到异常。

此外，还定义了环形缓冲区（图2a），其范围是从每个被阻断喷灌器中心测量的10米到15米之间的区域，代表有效灌溉区域（Irr-Z）。这些环形缓冲区是根据喷灌器分布计划的空间分析来界定的，每个喷灌器根据制造商的技术规格分配了其标称范围半径。基于这种几何配置，确定了相邻喷灌器影响半径之间的重叠区域。分析显示，10米到15米之间的区间被相邻喷灌器的灌溉覆盖，保证了该区域的有效灌溉。每个环形缓冲区与其对应的5米和10米圆形缓冲区的接近性，便于在土壤和地形条件均匀的情况下，对有效灌溉区域和无灌溉区域进行稳健的比较。

根据这种划分，生成了一个矢量文件（shapefile），定义了Irr-Z参考区域，以确保选定的像素代表了正常灌溉条件的区域，排除了由喷灌器堵塞引起的边缘效应和变化。从正射校正后的多光谱图像中计算了每个飞行日期的NDVI，作为作物状况动态的主要指标。

对于每个日期，通过平均每个区块内的三个喷灌器的NDVI值来汇总NDVI值，从而获得Irr-Z和N-Irr-Z的代表性数值。这种汇总提供了灌溉和未灌溉条件下作物生长的描述性时间信号。缓冲区内的像素没有被排除，因为它们的配置确保了具有最小边缘效应的均匀区域。

NDVI时间序列被用作监测框架，可以可视化随时间变化的空间聚合植被响应。这有助于解释灌溉效果与外部因素（如灌溉计划、降水事件和蒸散需求）之间的关系。

此外，还计算了连续日期之间NDVI的时间变化率，使用百分比变化公式（公式1）进行表示：
$$\:{NDVI}_{RC}=\frac{{NDVI}_{t}-{NDVI}_{t-1}}{{NDVI}_{t-1}}\times\:100$$
其中：NDVIRC% = NDVI的变化百分比 [%]；NDVIt = 当前日期的NDVI值 [天]；NDVIt?1 = 前一个日期的NDVI值 [天]。

研究的主要推断框架基于像素级别的分析。对于每个日期，使用Irr-Z和N-Irr-Z内的NDVI值构建了经验分布，保留了数据的全部空间变异性。使用非参数Mann–Whitney U检验评估了灌溉区域和未灌溉区域之间的统计差异，以比较每次采集日期两种条件下的像素值分布。

同时，使用ΔNDVI量化了观察到的差异的大小，ΔNDVI定义为Irr-Z和N-Irr-Z的平均NDVI之间的差异。这种双重框架允许区分统计显著性和实际相关性。

基于ΔNDVI的大小，实施了一种分类方案，将植被响应分为四个等级：无变化、小差异、中等差异和显著差异。这种分类在所有日期和空间分辨率上一致应用。

总体而言，时间聚合提供了描述性的物候背景，而基于像素的统计框架构成了研究的主要推断组成部分。

### 结果概述
结果分为两个互补的分析：（i）基于聚合时间序列和变化率指标的NDVI动态的时间分析，描述了作物对灌溉堵塞的响应；（ii）基于像素的统计分析，用于量化每个采集日期下灌溉和未灌溉条件之间的差异。

### 结果展示
NDVI的时间分析及其相关的水文变量（灌溉、降水和蒸散）在主要手稿中使用无人机原生空间分辨率（0.05米/像素）进行展示，该分辨率提供了最高的空间细节，因此被用作解释细尺度灌溉模式的参考尺度（图5、6、7和8）。数据在喷洒器位置周围的两个缓冲区配置下进行了分析（5米和10米），分别如图5和图7以及图6和图8所示，以评估空间背景对灌溉异常检测的影响。尽管分析在多个空间分辨率（0.05米、0.25米、1米、3米和10米）下进行，以确保全面的多尺度评估，但在补充材料中提供了较粗分辨率的结果，以保持清晰度并关注最具空间代表性的尺度。

**图1（5米缓冲区）中NDVI对灌溉阻塞的响应**
**图5**
该图像的替代文本可能是使用AI生成的。
**完整尺寸图像**

**图1的结果**
5米圆形缓冲区对应于未灌溉区域（N-Irr-Z），10-15米环形缓冲区对应于实际灌溉区域（Irr-Z）。
(a) 按阻塞时期划分的NDVI时间序列，比较不同像素大小的Irr-Z和N-Irr-Z。每个面板的顶部显示了降水量和灌溉量直方图，底部显示了蒸散量直方图，为作物生长提供了水文背景。
(b) NDVI的变化率与时间序列相同的阻塞时期和颜色相对应，从而可以评估Irr-Z和N-Irr-Z之间变化的相对幅度。

在图1中，使用5米缓冲区时，NDVI时间序列显示，在所有灌溉阻塞事件中，灌溉区域（Irr-Z）和未灌溉区域（N-Irr-Z）之间存在一致差异（图5a）。总体而言，N-Irr-Z在灌溉中断期间NDVI值下降，灌溉恢复后部分恢复，尽管这些响应的幅度和持续时间因阻塞情景而异。

空间分辨率影响这些差异的检测能力。在更细的分辨率（≤3米）下，Irr-Z和N-Irr-Z的动态差异更明显（补充图1-3），而在10米分辨率下，两种信号趋于一致，表明由于聚合效应导致了空间敏感性的逐渐丧失（补充图4）。随着像素大小的增加，两个区域之间统计上显著差异的减弱也进一步反映了这种行为。

降水事件（>20毫米）会暂时改变NDVI动态，特别是在早期阻塞阶段，观察到两个序列之间的趋同或部分恢复。在后期阶段，N-Irr-Z的恢复减少，这表明在长时间灌溉中断下存在累积的水分压力。

NDVI变化率（图5b）捕捉了植被的短期响应，在作物早期发育期间变异性较高，在后期阶段行为更稳定。灌溉恢复后，NDVI变化率突然增加，特别是在更细的空间分辨率下，而在较粗的分辨率下则表现出不明显的响应。

最后，随着像素大小的增加，灌溉区域和未灌溉区域之间的差异减小，主要是由于每个缓冲区内的有效空间采样减少（表2），这限制了在10米配置下解析细尺度异质性的能力。

**图6（10米缓冲区）中NDVI对灌溉阻塞的响应**
**图6**
该图像的替代文本可能是使用AI生成的。
**完整尺寸图像**

**图1的结果**
10米圆形缓冲区对应于未灌溉区域（N-Irr-Z），10-15米环形缓冲区对应于实际灌溉区域（Irr-Z）。
(a) 按阻塞时期划分的NDVI时间序列，比较不同像素大小的Irr-Z和N-Irr-Z。每个面板的顶部显示了降水量直方图，底部显示了灌溉量和蒸散量直方图，为作物生长提供了水文背景。
(b) NDVI的变化率与时间序列相同的阻塞区域和颜色相对应，从而可以评估Irr-Z和N-Irr-Z之间变化的相对幅度。

对于图1，在喷洒器周围考虑10米缓冲区时（图6），NDVI对灌溉阻塞的响应通常不如5米缓冲区观察到的那样明显（图5）。在大多数情况下，Irr-Z和N-Irr-Z时间序列有更高的重叠度，特别是在≥3米的较粗空间分辨率下（补充图7-8），表明空间对比度降低。

第一次阻塞（区域1）的影响仍然可检测到，其行为与5米缓冲区配置下观察到的类似，而后续的阻塞时期显示出区域之间的区分逐渐减弱。降水事件（>20毫米）再次作为NDVI动态的短暂调节因素，部分掩盖了灌溉效应。

总体而言，NDVI变化率显示出与5米缓冲区观察到的模式一致，尽管幅度减小且Irr-Z和N-Irr-Z之间的分离减弱，特别是在10米像素大小下，时间差异变得不那么明显。

**图7（5米缓冲区）中NDVI对灌溉阻塞的响应**
**图7**
该图像的替代文本可能是使用AI生成的。
**完整尺寸图像**

**图2的结果**
5米圆形缓冲区对应于未灌溉区域（N-Irr-Z），10-15米环形缓冲区对应于实际灌溉区域（Irr-Z）。
(a) 按阻塞时期划分的NDVI时间序列，比较不同像素大小的Irr-Z和N-Irr-Z。每个面板的顶部显示了降水量直方图，底部显示了灌溉量和蒸散量直方图，为作物生长提供了水文背景。
(b) NDVI的变化率与时间序列相同的阻塞区域和颜色相对应，从而可以评估Irr-Z和N-Irr-Z之间变化的相对幅度。

在图2中，使用5米缓冲区时，NDVI时间序列对灌溉阻塞的响应总体较弱，这与更先进的作物生长阶段和较少的阻塞情景相符（图7a）。在更细的空间分辨率（≤3米，补充图9-11）下，偶尔在区域1和2观察到灌溉区域（Irr-Z）和未灌溉区域（N-Irr-Z）之间的短期偏差；然而，这些差异的幅度和时间持久性有限。在区域3，没有检测到明显的异常，这与一次显著的降水事件（>20毫米）同时发生，稳定了NDVI动态。

在10米分辨率下（补充图12），Irr-Z和N-Irr-Z时间序列显示出高度相似的轨迹，在阻塞期间只有轻微且不持久的偏差。总体而言，所有区域的两个序列几乎平行发展。

NDVI变化率遵循一致但较弱的响应模式。在区域1和2中，所有像素大小下都观察到Irr-Z和N-Irr-Z之间的短暂分歧，特别是在灌溉恢复事件之后，两个序列迅速趋同。在区域3，变化率的变化最小，除了在最细的分辨率（≤1米）下可以检测到轻微的短暂差异外，没有明显的分离。

**图8（10米缓冲区）中NDVI对灌溉阻塞的响应**
**图8**
该图像的替代文本可能是使用AI生成的。
**完整尺寸图像**

**图2的结果**
10米圆形缓冲区对应于未灌溉区域（N-Irr-Z），10-15米环形缓冲区对应于实际灌溉区域（Irr-Z）。
(a) 按阻塞时期划分的NDVI时间序列，比较不同像素大小的Irr-Z和N-Irr-Z。每个面板的顶部显示了降水量直方图，底部显示了灌溉量和蒸散量直方图，为作物生长提供了水文背景。
(b) NDVI的变化率与时间序列相同的阻塞区域和颜色相对应，从而可以评估Irr-Z和N-Irr-Z之间变化的相对幅度。

对于图2，使用10米缓冲区时，NDVI时间序列对灌溉阻塞的响应总体上较弱（图8a）。在更细的空间分辨率下（<1米），仅观察到灌溉区域（Irr-Z）和未灌溉区域（N-Irr-Z）之间的轻微和短暂的偏差，而在较粗的像素大小下（补充图14-16），两个序列几乎呈平行轨迹，没有持久的分离。在区域2，主要在中等空间分辨率（≤3米）下检测到有限的和短暂的差异，尽管这些差异不会随时间持续存在，并且在灌溉恢复后迅速恢复。在区域3，跨空间分辨率没有观察到明显的差异，表明灌溉信号完全减弱。

**对灌溉引起的NDVI差异的统计分析**
应用基于像素的统计分析来量化每个采集日期灌溉区域（Irr-Z）和未灌溉区域（N-Irr-Z）之间的差异。该程序结合了假设检验（Mann-Whitney U检验）、效应大小估计（ΔNDVI）和整合这两个指标的分类方案。

为了便于解释，提供了一个代表性的工作流程（图9），总结了从NDVI时间序列提取到统计推断的完整分析过程。这包括将基于像素的NDVI时间序列转换为使用假设检验和效应大小指标的统计推断。该方法结合了时间动态、概率显著性（p值）和基于幅度的差异（ΔNDVI）来评估每个采集日期灌溉区域和未灌溉区域之间的可分离性。

**图9**
该图像的替代文本可能是使用AI生成的。
**完整尺寸图像**

**综合工作流程**
用于统计评估灌溉和喷洒器阻塞引起的NDVI差异。
(a) 首先提取灌溉区域（Irr-Z）和未灌溉区域（N-Irr-Z）的NDVI时间序列并进行时间分析。然后使用（i）假设检验（Mann-Whitney U检验）和（ii）基于ΔNDVI的效应大小指标比较像素群体。结果使用综合分类方案进行联合解释，其中颜色编码反映了统计显著性（p值）和分离幅度（ΔNDVI）。包括了代表性的直方图来说明对比情况：
(b) 没有显著差异的情况，显示类别之间的分布相似且重叠强烈；
(c) 检测到差异的情况，其中分布和平均值有明显的变化。

**图10**
该图像的替代文本可能是使用AI生成的。
**完整尺寸图像**

**实验地块1中NDVI的时间动态**
使用5米缓冲区，显示了灌溉区域（Irr-Z）和未灌溉区域（N-Irr-Z）的条件，以及相应的统计显著性（p值）和采集日期之间的植被差异（ΔNDVI）。该图整合了时间序列演化、假设检验结果（Mann-Whitney U检验）和ΔNDVI值的效应大小分类。
(a) 阻塞期1（喷洒器1、2、3）；
(b) 阻塞期2（喷洒器4、5、6）；
(c) 阻塞期3（喷洒器7、8、9）；
(d) 阻塞期4（喷洒器10、11、12）。

对于喷洒器组1-3，整个季节中灌溉区域（Irr-Z）和未灌溉区域（N-Irr-Z）之间的NDVI差异通常较小。在阻塞期1期间，在0.05米（图10a）到3米（补充图17a-19a）的空间分辨率范围内偶尔检测到统计上显著的差异，ΔNDVI值的幅度从小到中等不等。这些差异是短暂的，并没有持续的时间持久性。在10米空间分辨率下（补充图20a），在任何采集日期都没有检测到统计上显著的差异，ΔNDVI值接近零，表明在较粗的分辨率下信号完全减弱。值得注意的是，在阻塞期结束后的一个采集日期，在≤3米的分辨率下仍显示出中等的ΔNDVI，表明检测到的信号有短暂的时间持久性。灌溉恢复后，ΔNDVI值迅速稳定，其余季节的分类返回到小的差异或没有检测到变化。

相比之下，对应于阻塞期2的喷洒器组4-6，在季节中期表现出明显的响应。在阻塞期开始之前，灌溉区域和未灌溉区域之间的NDVI时间序列在高达3米的空间分辨率下表现出均匀的行为（补充图17b-19b），没有检测到统计上显著的差异。同样，在10米分辨率下，这个初始阶段也没有观察到差异。在阻塞期间，从0.05米（图10b）到3米的空间分辨率范围内出现了明显且稳健的可分离性，特征是极低的p值和强烈的ΔNDVI值。这种峰值响应是该组观察到的最明显的分离。峰值之后，ΔNDVI值减小但仍保持正值且统计上显著，从强分类变为小差异分类。在10米分辨率下，只有一个日期显示出小的差异，而时间序列的其余部分主要由非显著结果和可以忽略的ΔNDVI值主导。

同样，喷洒器组7-9从阻塞期3开始显示出可检测的NDVI差异，最初在≤3米的空间分辨率下被分类为小差异（图10c和补充图17c-19c）。在整个阻塞期间，这些差异持续存在并逐渐增加，在期末达到中等峰值。在重新启动灌溉后，ΔNDVI数值有所下降，但在整个观测期内仍被持续分类为小幅度差异。这种时间模式在空间分辨率≤3米的情况下得到了一致性的捕捉。相比之下，在10米分辨率下（见补充图20c），响应明显较弱。在阻塞期结束时检测到了一个小幅度差异，而其余日期则没有显示出统计学上的显著分离。在作物生长过渡到中期时也检测到了一个孤立信号，这可能反映了在该较粗分辨率下对混合像素的敏感性。最后，喷洒组10-12（对应于阻塞期4）表现出最强烈且最持久的响应。在阻塞期开始后不久，NDVI差异就变得可检测到了，在空间分辨率≤3米的情况下，ΔNDVI数值最初被分类为小幅度差异（见图10d和补充图17d-19d）。随着阻塞期的进展，ΔNDVI的幅度系统性增加，在最初的两周内从小幅差异转变为中度差异，并在阻塞开始后大约15到25天达到显著差异。在重新启动灌溉后，这些显著差异仍然存在，表明在季节后期灌溉区和非灌溉区之间有持续的分离。这种时间变化在空间分辨率≤3米的情况下得到了一致性的捕捉。此外，在非常高的空间分辨率（5厘米）下，在作物生长早期也检测到了显著差异，在25厘米到3米的分辨率下这些差异则表现为中度差异。随着作物进入中期生长阶段，这些差异逐渐减小并趋于稳定。相比之下，10米分辨率（见补充图20d）仅部分捕捉到了这一行为。尽管在阻塞期大多数日期都被分类为非显著差异，但在第4期结束时出现了一个小幅度差异，表明在粗分辨率下开始出现可区分性。这一信号在阻塞期之后变得更加明显，在随后的日期中检测到了中度差异。然而，这些响应在时间上存在延迟，并且与在更精细空间分辨率下观察到的响应相比一致性较低。

**统计分析图1 缓冲区10米**
**图11**
这幅图像的替代文本可能是使用AI生成的。

**图11** 使用10米缓冲区实验地块1中灌溉（Irr-Z）和非灌溉（N-Irr-Z）条件的NDVI时间动态，以及相应的统计显著性（p值）和不同采集日期间的植被差异（ΔNDVI）。该图整合了时间序列演变、假设检验结果（Mann-Whitney U检验）以及ΔNDVI值的效果大小分类。
(a) 阻塞期1（喷灌器1、2、3）；
(b) 阻塞期2（喷灌器4、5、6）；
(c) 阻塞期3（喷灌器7、8、9）；
(d) 阻塞期4（喷灌器10、11、12）

对于喷灌组1-3，在10米缓冲配置下，灌溉区（Irr-Z）和非灌溉区（N-Irr-Z）之间的NDVI对比通常较弱，整个季节都没有明显的分离。在阻塞期1期间，高空间细节（5厘米、25厘米和1米）上的统计显著性偶尔出现（见图11a和补充图21a-22a），主要出现在生长早期和中期。这些差异通常被分类为小幅度差异，偶尔在显著性和非显著性之间转换，表明时间稳定性有限。随着空间分辨率的降低，信号逐渐减弱：在3米分辨率下（见补充图23a），仅观察到孤立的弱响应；而在10米分辨率下（见补充图24a），所有日期上的分离完全消失。灌溉恢复后，NDVI差异迅速收敛至可忽略不计的值，没有持续的阻塞后信号。

对于喷灌组4-6，在阻塞期2期间表现出了更有结构的响应，结果强烈依赖于空间分辨率。在灌溉限制之前，灌溉区和非灌溉区在所有尺度上的变化相似，没有统计学上的分离。一旦阻塞期开始，分歧主要在5厘米（见图11b）和3米（见补充图21b-23b）之间变得明显，ΔNDVI在生长早期到中期增加并达到小到中等水平，这与喷灌器阻塞引起的峰值压力条件相吻合。在10米分辨率下（见补充图24b），信号最初无法检测到；然而，在阻塞期间，它表现为中度差异，偶尔出现强烈差异。在这个峰值之后，信号减弱，主要稳定在小幅度差异类别中，期间有非显著性的间歇期。

对于喷灌组7-9，在阻塞期3期间，灌溉区和非灌溉区之间的NDVI值逐渐分化。在阻塞期开始时，不同空间分辨率（从5厘米到3米）之间的响应表现为小幅度差异（见图11c和补充图21c-23c）。在这个时期的早期，大多数比较在所有尺度上都未显示出显著性。随着阻塞期的进展，在同一分辨率范围内（5厘米到3米）逐渐出现了一致的小的差异，并在7月底和8月初加剧。这种时间演变比前几组更为连贯，ΔNDVI值在压力峰值条件下趋于稳定。在3米分辨率下，信号仍然可检测到，但幅度减小，通常在阻塞期结束后在无变化和小幅度差异之间波动。在10米分辨率下（见补充图24c），除了在生长中期转变期间出现的孤立弱信号外，几乎没有分离性。然而，这些响应在时间上延迟且与在更精细空间分辨率下观察到的响应相比一致性较低。

**统计分析图2 缓冲区5米**
**图12**
这幅图像的替代文本可能是使用AI生成的。

**图12** 使用5米缓冲区实验地块2中灌溉（Irr-Z）和非灌溉（N-Irr-Z）条件的NDVI时间动态，以及相应的统计显著性（p值）和不同采集日期间的植被差异（ΔNDVI）。该图整合了时间序列演变、假设检验结果（Mann-Whitney U检验）以及ΔNDVI值的效果大小分类。
(a) 阻塞期1（喷灌器1、2、3）；
(b) 阻塞期2（喷灌器4、5、6）；
(c) 阻塞期3（喷灌器7、8、9）

对于喷灌组1-3，在10米缓冲配置下，灌溉区（Irr-Z）和非灌溉区（N-Irr-Z）之间的NDVI对比通常较弱，并且在5米缓冲区域内随时间有限。在5厘米的最细分辨率下，限制开始时信号显示出早期响应，具有统计学上的显著但较小的负ΔNDVI值，表明在初始阶段非灌溉区的植被活动略高。在5厘米（见图12a）、25厘米、1米（见补充图25a-27a）分辨率下大约11月7日左右出现了短暂的反转，出现了小的正ΔNDVI值，表明与峰值压力条件相吻合的短暂可区分性。然而，这种模式并不持久。从7月中旬开始，大多数观测结果在所有分辨率上趋于无显著差异或ΔNDVI几乎为零，表明在作物恢复和稳定期间信号迅速均匀化。在10米分辨率下，整个时期都没有检测到有意义的区分性，结果始终不显著，ΔNDVI接近零，确认了在粗尺度上完全丧失了敏感性。

另一方面，喷灌组4-6在阻塞期2的响应更有结构，且在时间上更集中，尽管仍然受到空间分辨率的强烈调制。在限制开始之前和期间，灌溉区和非灌溉区在所有尺度上的变化相似，没有明显的统计分离（见图12b和补充图25b-27b），只有孤立的弱信号。主要的分歧出现在7月底和8月初，特别是在5厘米、25厘米、1米和3米处观察到了明显的峰值响应，显示出灌溉区在压力条件下的较强植被活动。这一峰值在3米分辨率下被一致捕捉到，尽管有所减弱。在这个时期之后，信号迅速减弱，主要稳定在小幅度差异类别中，期间有非显著性的间歇期。

对于喷灌组7-9，在阻塞期3期间，灌溉区和非灌溉区之间的NDVI值逐渐分化。在阻塞期开始时，不同空间分辨率（从5厘米到3米）之间的响应表现为小幅度差异（见图11c和补充图21c-23c）。在这个时期的早期，大多数比较在所有尺度上都未显示出显著性。随着阻塞期的进展，在相同的分辨率范围内（5厘米到3米）逐渐出现一致的小幅度差异，并在7月底和8月初加剧。这种时间演变比前几组更为连贯，ΔNDVI值在压力峰值条件下趋于稳定。在3米分辨率下，信号仍然可检测到，但幅度减小，通常在阻塞期结束后在无变化和小幅度差异之间波动。在10米分辨率下（见补充图24c），几乎不存在区分性，除了在与生长中期物候转变相吻合的时期出现了一些孤立的弱信号，这可能是受粗尺度上混合像素效应的影响。

最后，喷灌组10-12在阻塞期4期间表现出最明显且空间上最稳健的响应。从灌溉限制开始，NDVI差异在5厘米（见图11c）和1米（见补充图21d-22d）的精细分辨率下始终可检测到，最初表现为小幅度差异，并逐渐增强。在整个阻塞期间观察到了明显的加剧，8月中旬到后期出现了中度到强烈的ΔNDVI值，反映了累积的压力效应。这种模式在3米分辨率下也得到了保留（见补充图23d），尽管幅度减小且响应略微延迟。与其他组不同，10米分辨率（见补充图24d）在阻塞期的后期捕捉到了部分信号，在那里中度到强烈的差异变得明显且时间上一致。这表明，在高压力条件下，即使是在粗尺度聚合下也保留了对灌溉引起的植被对比的部分敏感性。

**统计分析图2 缓冲区5米**
**图13**
这幅图像的替代文本可能是使用AI生成的。

**图13** 使用5米缓冲区实验地块2中灌溉（Irr-Z）和非灌溉（N-Irr-Z）条件的NDVI时间动态，以及相应的统计显著性（p值）和不同采集日期间的植被差异（ΔNDVI）。该图整合了时间序列演变、假设检验结果（Mann-Whitney U检验）以及ΔNDVI值的效果大小分类。
(a) 阻塞期1（喷灌器1、2、3）；
(b) 阻塞期2（喷灌器4、5、6）；
(c) 阻塞期3（喷灌器7、8、9）

对于喷灌组1-3，在阻塞期1期间，灌溉区和非灌溉区之间的NDVI差异通常较弱，并且在第5米缓冲区域内随时间有限，明显依赖于空间分辨率。在5厘米的最细分辨率下，限制开始时信号显示出早期响应，具有统计学上的显著但较小的负ΔNDVI值，表明在初始阶段非灌溉区的植被活动略高。在5厘米（见图12a）、25厘米、1米（见补充图25a-27a）分辨率下大约11月7日左右出现了短暂的反转，出现了小的正ΔNDVI值，表明与峰值压力条件相吻合的短暂可区分性。然而，这种模式并不持久。从7月中旬开始，大多数观测结果在所有分辨率上趋于无显著差异或ΔNDVI几乎为零，表明在作物恢复和稳定期间信号迅速均匀化。在10米分辨率下，整个时期都没有检测到有意义的区分性，结果始终不显著，ΔNDVI接近零，确认了在粗尺度上完全丧失了敏感性。

另一方面，喷灌组4-6在阻塞期2的响应更有结构，且在时间上更集中，尽管仍然受到空间分辨率的强烈调制。在限制开始之前和期间，灌溉区和非灌溉区在所有尺度上的变化相似，5厘米（见图12b）到3米（见补充图25b-27b）之间没有明显的统计分离，只有孤立的弱信号。主要的分歧出现在7月底和8月初，特别是在5厘米、25厘米、1米和3米处观察到了明显的峰值响应，显示出灌溉区在压力条件下的较强植被活动。这一峰值在3米分辨率下被一致捕捉到，尽管有所减弱。在这个时期之后，信号迅速减弱，回到无显著差异或非常小的ΔNDVI波动。在10米分辨率下（见补充图28b），整个季节期间的响应基本上被抑制，没有一致的可区分性，只有偶尔的弱信号，证实了粗分辨率无法解析在更精细尺度上观察到的短暂压力动态。

最后，对于喷灌组7-9，在阻塞期3期间，灌溉区和非灌溉区之间的NDVI区分性通常较弱且不那么结构化，在阻塞期3期间只有间歇性的分化证据。在5厘米（见图12c）和25厘米（见补充图25c）处，阻塞期早期出现了小幅度差异，但这些差异没有持续并迅速回到了非显著行为。在1米（见补充图26c）和3米（见补充图27c）处，信号进一步减弱，大多数日期显示无显著差异，只有偶尔的微小偏离零。在10米分辨率下（见补充图28c），没有观察到有意义的区分性，整个时间序列主要由非显著结果和接近零的ΔNDVI主导，表明空间聚合完全掩盖了与这种灌溉阻塞相关的微弱生理响应。

**统计分析图2 缓冲区10米**
**图13**
这幅图像的替代文本可能是使用AI生成的。

**图13** 使用10米缓冲区实验地块2中灌溉（Irr-Z）和非灌溉（N-Irr-Z）条件的NDVI时间动态，以及相应的统计显著性（p值）和不同采集日期间的植被差异（ΔNDVI）。该图整合了时间序列演变、假设检验结果（Mann-Whitney U检验）以及ΔNDVI值的效果大小分类。
(a) 阻塞期1（喷灌器1、2、3）；
(b) 阻塞期2（喷灌器4、5、6）；
(c) 阻塞期3（喷灌器7、8、9）

对于喷灌组1-3，在10米缓冲配置下，灌溉区和非灌溉区之间的NDVI对比通常较弱，并且在5米缓冲区域内随时间有限，明显依赖于空间分辨率。在5厘米的最细分辨率下，限制开始时信号显示出早期响应，具有统计学上的显著但较小的负ΔNDVI值，表明在初始阶段非灌溉区的植被活动略高。在5厘米（见图12a）、25厘米、1米（见补充图25a-27a）分辨率下大约11月7日左右出现了短暂的反转，出现了小的正ΔNDVI值，表明与峰值压力条件相吻合的短暂可区分性。然而，这种模式并不持久。从7月中旬开始，大多数观测结果在所有分辨率上趋于无显著差异或ΔNDVI几乎为零，表明在作物恢复和稳定期间信号迅速均匀化。在10米分辨率下，整个时期都没有检测到有意义的区分性，结果始终不显著，ΔNDVI接近零，确认了在粗尺度上完全丧失了敏感性。

另一方面，喷灌组4-6在阻塞期2的响应更有结构，且在时间上更集中，尽管仍然受到空间分辨率的强烈调制。在限制开始之前和期间，灌溉区和非灌溉区在所有尺度上的变化相似，5厘米（见图12b）到3米（见补充图25b-27b）之间没有明显的统计分离，只有孤立的弱信号。主要的分歧出现在7月底和8月初，特别是在5厘米、25厘米、1米和3米处观察到了明显的峰值响应，显示出灌溉区在压力条件下的较强植被活动。这一峰值在3米分辨率下被一致捕捉到，尽管有所减弱。在这个时期之后，信号迅速减弱，回到无显著差异或非常小的ΔNDVI波动。在10米分辨率下（见补充图28b），整个季节期间的响应基本上被抑制，没有一致的可区分性，只有偶尔的弱信号，证实了粗分辨率无法解析在更精细尺度上观察到的短暂压力动态。

最后，对于喷灌组7-9，在阻塞期3期间，灌溉区和非灌溉区之间的NDVI区分性通常较弱且不那么结构化，只在阻塞期3期间偶尔有分化证据。在5厘米（见图12c）和25厘米（见补充图25c）处，阻塞期早期出现了小幅度差异，但这些差异没有持续并迅速回到了非显著行为。在1米（见补充图26c）和3米（见补充图27c）处，信号进一步减弱，大多数日期显示无显著差异，只有偶尔的微小偏离零。在10米分辨率下（见补充图28c），没有观察到有意义的区分性，整个时间序列主要由非显著结果和接近零的ΔNDVI主导，表明空间聚合完全掩盖了与这种灌溉阻塞相关的微弱生理响应。在第三个阻断期期间，所有分辨率下的ΔNDVI值均保持在无变化类别内，表明信号完全减弱。在10米分辨率下，所有时期的可分性基本不存在，这证实了由于空间聚合效应导致的灵敏度下降。总体而言，两个图表均显示随着像素大小的增加，NDVI的可分性逐渐降低，在第二个图表中这种减弱更为明显。这种行为与空间聚合和环境因素（如降水）的共同影响一致，这些因素进一步降低了灌溉区与非灌溉区之间的对比度。

在平坦地面上，检测灌溉引起的NDVI差异所需的最短阻断时间根据作物生长阶段、空间分辨率和缓冲区配置而变化，这些结论是通过ΔNDVI的分类和统计显著性得出的。在第一个图表中，在早期发育阶段（阻断期1），在精细的空间分辨率（≤3米）下，通常在阻断开始后的前5天内就能检测到差异，此时已经观察到较小的ΔNDVI值。随着作物的生长（阻断期2和3），响应变得更加明显且时间上更为稳定，通常在10到15天之间形成明显的差异。在季节后期（阻断期4），即使持续检测也能发现显著的差异，表明累积的胁迫效应和恢复能力的下降。

在坡地上，异常检测所需的最短阻断时间相比平坦地面要长。在第二个图表中，由于坡地条件的影响，异常检测的强度和时机都较弱，这一点从ΔNDVI的幅度和统计显著性模式中可以看出。在空间分辨率≤3米的情况下，偶尔在阻断期1和2能检测到微小差异，但通常需要在灌溉受限10到15天后才能观察到，并且这些差异的幅度通常较小。这些响应持续时间较短，时间稳定性有限。在第三个阻断期期间，任何空间分辨率下都未观察到可检测的差异，ΔNDVI值始终被分类为无变化，表明灌溉信号被完全抑制。这种行为与包括降水事件在内的外部因素的影响一致，这些因素有助于保持灌溉区和非灌溉区之间的NDVI条件均匀性。

在10米分辨率下，所有阻断期间几乎都未能检测到异常，大多数观测结果被归类为无显著性，ΔNDVI值接近零。总体而言，结果表明坡地条件降低了灌溉引起的NDVI差异的幅度和可检测性，增加了检测所需的最短阻断时间，限制了粗空间分辨率的有效性。

核心解释：超越时间模式
研究结果表明，基于NDVI的异常检测不仅受时间模式的影响，还受到空间分辨率、地形结构和胁迫持续性的相互作用的影响。重要的是，结合使用p值和ΔNDVI提供了一个比单独观察时间序列更稳健的框架，用于评估灌溉干扰下的植被可分性（Mali等人，2025年）。在两个图表中，统计显著性和农学相关性之间存在一致的脱钩现象。虽然p值表明可以检测到差异，但ΔNDVI决定了这些差异在实际意义上是否具有意义。这突显了在异质农业环境中，仅依靠统计敏感性是不够的。NDVI的表现还受到空间尺度（Adedeji等人，2025年）、物候阶段（Adedeji等人，2025年；Dong等人，2024年）以及外部驱动因素（如降水（Ashok等人，2021年；Chakhvashvili等人，2024年；Nascimento等人，2019年）的影响。

像素大小作为信息损失的主要来源
空间分辨率决定了灌溉引起的对比度的保持程度。精细分辨率（≤3米）能够保持相对均匀的像素组成，使得NDVI响应与统计显著性保持一致。在10米分辨率下，由于光谱混合，即使统计差异仍然可检测，ΔNDVI的幅度也会减弱（Khaliq等人，2019年；Yang等人，2025年）。这表明检测效果可以保留，但其农学表达效果被削弱了。这种效应还受到小缓冲区下采样结构的影响，其中粗糙的像素减少了有效观测数量，增加了p值和ΔNDVI估计的不确定性（Dong等人，2021年；Wajima等人，2026年）。因此，对粗分辨率的解释必须谨慎对待，因为统计输出可能反映了采样结构而非真实的植被响应。

此外，随着像素大小的增加，ΔNDVI的幅度会减小，这是因为混合的土地表面条件压缩了植被对比度（Easterday等人，2019年；Meier & Mauser，2023年；Yang等人，2025年）。

缓冲区配置和灌溉结构
缓冲区大小调节了灌溉信号的纯度。较小的缓冲区通过隔离受灌溉失败直接影响更严重的区域来增强ΔNDVI的对比度（Sapkota等人，2025年），而较大的缓冲区则由于喷头重叠和风的重新分配引入了空间混合（Adedeji等人，2025年；Morcillo等人，2024年）。在坡地条件下，这种效应被放大，因为重力驱动的重新分配改变了土壤湿度模式，降低了水分压力的空间一致性（Wang等人，2025年）。此外，坡度会扭曲喷头分布模式，增加下坡方向的水分积累，降低灌溉均匀性（Zhang等人，2019a, b）。结果可能是，在低洼地区，灌溉不足可能得到部分补偿，即使检测到统计显著性，ΔNDVI的对比度也会减弱（Campero-Taboada等人，2026年；Peeters等人，2024年）。

时间敏感性和环境调节
时间敏感性反映了在给定空间条件下水分压力的持续性。在精细尺度观测下，NDVI对灌溉中断的反应迅速，反映了植被结构和光合作用活动的生理变化（De Vos等人，2025年；Dong等人，2024年）。然而，这种响应受到外部因素的强烈调节。降水事件可以暂时使不同处理之间的NDVI变得均匀，减少了ΔNDVI或延迟了可检测的对比度（Belhaj等人，2025年；Qasimi等人，2023年）。这强调了时间持续性对于区分灌溉效应和气候变异性是必要的。总体而言，基于NDVI的异常检测需要结合统计显著性和效应大小进行综合解释。高空间分辨率最大化了敏感性，而粗分辨率则由于混合和采样效应引入了结构衰减（Adedeji等人，2025年；Khaliq等人，2019年；Wajima等人，2026年）。地形进一步通过改变水文重新分配来调节可检测性，使统计和农学响应脱钩（Campero-Taboada等人，2026年；Peeters等人，2024年）。

结论
本研究提出并验证了一种在地块尺度上检测灌溉异常的方法论框架，该方法基于多光谱NDVI时间序列、统计显著性（p值）和效应大小（ΔNDVI）的集成分析。通过明确结合时间动态和统计推断，该方法超越了纯粹的视觉解释，为识别灌溉干扰下的有意义的植被响应提供了更稳健的基础。研究结果证实，异常的可检测性主要受空间分辨率的控制，高分辨率数据（≤3米）始终能够保持灌溉区与非灌溉区之间的显著对比度。相比之下，粗分辨率（例如10米）的检测能力有限，因为空间聚合降低了ΔNDVI的幅度并限制了统计稳健性，特别是在可用像素数量受限的小缓冲区配置下。这些限制并不妨碍检测，但由于光谱混合和样本量的共同作用，需要谨慎解释。

缓冲区配置和地形条件引入了额外的复杂性。较小的缓冲区通过隔离受灌溉失败直接影响更严重的区域来增强可检测性，而较大的缓冲区则通过空间混合稀释信号。在坡地条件下，这种效应被放大，因为水分重新分配改变了局部湿度模式，降低了NDVI对比度，在某些情况下，使统计显著性和农学相关性脱钩。时间维度仍然是一个关键的补充因素。NDVI时间序列和变化率提供了关于水分压力持续性和演变的宝贵见解，特别是在与ΔNDVI和p值结合解释时。在此背景下，结果表明，异常检测不仅依赖于空间分辨率，还依赖于灌溉失败的时间持续性，强调了持续胁迫条件对于可靠识别的必要性。这有助于定义操作性检测阈值，将最短持续时间与空间分辨率联系起来，提供了一个更实用的解释框架。

总体而言，所提出的方法论为灌溉异常检测建立了基于统计可检测性和实际相关性的统一基础。除了在本研究中的应用外，该框架还为定义可靠检测所需的最小空间和时间要求提供了可转移的标准，支持其整合到无人机和基于卫星的监测系统中。这些发现有助于推进精准农业策略，实现更高效的水资源管理和在变化的环境条件下加强作物韧性。