Please wait a minute...
国土资源遥感  2019, Vol. 31 Issue (2): 164-171    DOI: 10.6046/gtzyyg.2019.02.23
  技术应用 本期目录 | 过刊浏览 | 高级检索 |
高原地区LST空间分异特征及影响因素研究——以桑珠孜区为例
熊俊楠1,2,李伟1,程维明2(),范春捆3,李进1,赵云亮1
1.西南石油大学土木工程与建筑学院,成都 610500
2.中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室,北京 100101
3.西藏自治区农牧科学院农业研究所,拉萨 850000
Spatial variability and influencing factors of LST in plateau area: Exemplified by Sangzhuzi District
Junnan XIONG1,2,Wei LI1,Weiming CHENG2(),Chunkun FAN3,Jin LI1,Yunliang ZHAO1
1.School of Civil Engineering and Architecture, Southwest Petroleum University, Chengdu 610500, China
2.State Key Laboratory of Resources and Environmental Information System, Institute of Geographic and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
3.Agriculture Research Institute, Tibet Academy of Agriculture and Animal Husbandry Sciences, Lhasa 850000, China
全文: PDF(3462 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 

揭示高原地区地表温度(land surface temperature, LST)空间分异特征及影响因素对当地气候变化研究的意义重大。现有研究主要分析了LST与单因子的关系,但以高原地区为研究区,结合多方面因子进行LST空间分异特征与影响因素定量分析的研究还相对较少。文中以西藏自治区日喀则市桑珠孜区为例,利用Landsat8遥感数据,采用辐射传输方程算法和普适性单通道算法反演研究区LST; 应用地理探测器模型中的因子探测器与交互探测器分别定量探测出单因子与多因子共同作用时对LST的影响程度。研究结果表明,可量化因子中,LST随坡向度数的增加呈现出先增加后降低再增加的趋势,其他因子与LST间均呈明显的负相关关系,但下降速度存在差异; 海拔是影响高原地区LST空间分布与分异特征的最主要因素,其后依次为归一化植被指数(normalized difference vegetation index,NDVI)、坡向、归一化水汽指数(normalized difference moisture index,NDMI)、土壤类型、坡度与年均降水量; 高原地区LST的空间分布与分异特征的形成是多种因子共同作用的结果,所有因子在交互作用下均具有协同增强作用,海拔与坡向、海拔与NDMI以及海拔与NDVI的影响最为显著。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
熊俊楠
李伟
程维明
范春捆
李进
赵云亮
关键词 Landsat8高原地区地表温度(LST)影响因素地理探测器    
Abstract

Revealing the spatial differentiation characteristics and influencing factors of land surface temperature (LST) in the plateau area is of great significance for the study of local climate change. However, the existing research merely analyzes the relationship between single factor and LST, whereas the study of the spatial differentiation characteristics and the quantitative analysis of influencing factors of LST in the plateau area are relatively insufficient. Taking the Sangzhuzi District of Xigaze City as an example, the authors used Landsat8 remote sensing data to invert the LST of the study area by using radiative transfer equation algorithm and the universal single-channel algorithm. In addition, the factor detector and interaction detector in the geodetector model were used to quantitatively detect the influence of single factor and multiple factors on LST, respectively. The results show that, in the quantifiable factors, LST increases first and then decreases with the increase in the degree of aspect, and there is a significant negative correlation between LST and other factors with a difference in the descent speed. Elevation is the most important factor affecting the spatial distribution and forming the differentiation characteristics of LST in the plateau area, followed by normalized difference vegetation index(NDVI), aspect, normalized difference moisture index(NDMI), soil type, slope, and average annual precipitation; the spatial distribution and the formation of differentiation characteristics of LST in the plateau area are the result of multiple factors, all of which have a synergistic enhancement effect under interactions, such as the interaction of elevation and aspect, elevation and NDMI, and elevation and NDVI with the most significant impact.

Key wordsLandsat8    plateau region    land surface temperature(LST)    influence factors    geographical detector
收稿日期: 2018-04-10      出版日期: 2019-05-23
ZTFLH:  P237P94  
基金资助:中国水利水电科学研究院全国山洪灾害调查评价项目“全国山洪灾害调查评价成果汇总及图件制作”(SHZH-IWHR-57);国家自然科学基金项目“基于人类动力学的面向震后救援的人员在地理建筑空间的分布规律研究”(51774250);西藏自治区科技支撑计划项目“西藏主要气象灾害对农业的影响研究与数据库建设”(省809);西南石油大学科技创新团队项目“测绘遥感”共同资助(2017CXTD09)
通讯作者: 程维明     E-mail: chengwm@lreis.ac.cn
作者简介: 熊俊楠(1981-),男,在站博士后,副教授,主要从事遥感地理信息系统理论与灾害风险分析方面的研究。Email: neu_xjn@163.com。
引用本文:   
熊俊楠,李伟,程维明,范春捆,李进,赵云亮. 高原地区LST空间分异特征及影响因素研究——以桑珠孜区为例[J]. 国土资源遥感, 2019, 31(2): 164-171.
Junnan XIONG,Wei LI,Weiming CHENG,Chunkun FAN,Jin LI,Yunliang ZHAO. Spatial variability and influencing factors of LST in plateau area: Exemplified by Sangzhuzi District. Remote Sensing for Land & Resources, 2019, 31(2): 164-171.
链接本文:  
http://www.gtzyyg.com/CN/10.6046/gtzyyg.2019.02.23      或      http://www.gtzyyg.com/CN/Y2019/V31/I2/164
Fig.1  研究区位置及高程
时间 τ L/(W·m-2·
Sr-1·μm-1)
L/(W·m-2·
Sr-1·μm-1)
2015-09-07
T12:35:26
0.93 0.45 0.79
Tab.1  LST反演参数
Fig.2  研究区LST反演结果
时间 LST反演算法 最小值 最大值 平均值 标准差
2015-09-07
T12:35:26
RTE算法 -3.28 40.83 23.83 7.07
SC算法 -2.98 41.10 24.11 7.08
Tab.2  LST反演结果对比
Fig.3  可量化影响因子与LST的散点图
Fig.4  影响因子与LST空间分布
探测因子(X1) 解释力P 显著水平Q 排序(P值由高到低)
海拔 0.458 6 0.00 1
坡度 0.133 0 0.00 6
坡向 0.244 4 0.00 3
年均降水量 0.063 2 0.00 7
土地类型 0.037 5 0.09 8
土壤类型 0.171 3 0.00 5
NDVI 0.302 4 0.00 2
NDMI 0.196 5 0.00 4
Tab.3  单影响因子的探测结果
探测因子(X1) 1 2 3 4 5 6 7 8
1
2 N
3 Y Y
4 Y Y Y
5 N Y N N
6 Y Y N N Y
7 N Y N N N N
8 N N N N N N N
Tab.4  因子影响LST显著性差异统计(置信水平95%)
交互因子(X1X2) P(X1) P(X1) P(X1X2) 交互结果 影响模式
土壤类型∩海拔 0.171 3 0.458 6 0.478 1 P(AB)>max[P(A),P(B)] 双线性增强
土壤类型∩坡度 0.171 3 0.133 0 0.239 9 P(AB)>max[P(A),P(B)] 双线性增强
土壤类型∩坡向 0.171 3 0.244 4 0.408 1 P(AB)>max[P(A),P(B)] 双线性增强
土壤类型∩年均降水量 0.171 3 0.063 2 0.233 1 P(AB)>max[P(A),P(B)] 双线性增强
土壤类型∩NDVI 0.171 3 0.302 4 0.407 9 P(AB)>max[P(A),P(B)] 双线性增强
土壤类型∩NDMI 0.171 3 0.196 5 0.392 1 P(AB)>P(A)+P(B) 非线性增强
NDVI∩海拔 0.302 4 0.458 6 0.573 9 P(AB)>max[P(A),P(B)] 双线性增强
NDVI∩坡度 0.302 4 0.133 0 0.370 4 P(AB)>max[P(A),P(B)] 双线性增强
NDVI∩坡向 0.302 4 0.244 4 0.478 2 P(AB)>max[P(A),P(B)] 双线性增强
NDVI∩年均降水量 0.302 4 0.063 2 0.341 9 P(AB)>max[P(A),P(B)] 双线性增强
NDVI∩NDMI 0.302 4 0.196 5 0.342 3 P(AB)>max[P(A),P(B)] 双线性增强
海拔∩坡度 0.458 6 0.133 0 0.482 7 P(AB)>max[P(A),P(B)] 双线性增强
海拔∩坡向 0.458 6 0.244 4 0.710 4 P(AB)>P(A)+P(B) 非线性增强
海拔∩年均降水量 0.458 6 0.063 2 0.490 8 P(AB)>max[P(A),P(B)] 双线性增强
海拔∩NDMI 0.458 6 0.196 5 0.633 2 P(AB)>max[P(A),P(B)] 双线性增强
坡度∩坡向 0.133 0 0.244 4 0.369 4 P(AB)>max[P(A),P(B)] 双线性增强
坡度∩NDMI 0.133 0 0.196 5 0.383 8 P(AB)>P(A)+P(B) 非线性增强
坡度∩年均降水量 0.133 0 0.063 2 0.184 1 P(AB)>max[P(A),P(B)] 双线性增强
坡向∩NDMI 0.244 4 0.196 5 0.375 0 P(AB)>max[P(A),P(B)] 双线性增强
坡向∩年均降水量 0.244 4 0.063 2 0.336 4 P(AB)>P(A)+P(B) 非线性增强
NDMI∩年均降水量 0.196 5 0.063 2 0.290 6 P(AB)>P(A)+P(B) 非线性增强
Tab.5  多影响因子的交互作用
[1] Scarano M, Sobrino J A . On the relationship between the sky view factor and the land surface temperature derived by Landsat-8 images in Bari,Italy[J]. International Journal of Remote Sensing, 2015,36(19-20):4820-4835.
doi: 10.1080/01431161.2015.1070325
[2] Rosca C F, Harpa G V, Croitoru A E, et al. The impact of climatic and non-climatic factors on land surface temperature in southwestern Romania[J]. Theoretical and Applied Climatology, 2016,130(3-4):1-16.
[3] Kerchove R V D, Lhermitte S, Veraverbeke S , et al. Spatio-temporal variability in remotely sensed land surface temperature,and its relationship with physiographic variables in the Russian Altay Mountains[J]. International Journal of Applied Earth Observation and Geoinformation, 2013,20(2):4-19.
doi: 10.1016/j.jag.2011.09.007
[4] 段金龙, 张学雷 . 区域地表水体、归一化植被指数与热环境多样性格局的关联分析[J]. 应用生态学报, 2012,23(10):2812-2820.
Duan J L, Zhang X L . Correlative analysis of the diversity patterns of regional surface water,NDVI and thermal environment[J]. Chinese Journal of Applied Ecology, 2012,23(10):2812-2820.
[5] 李润林, 时永杰, 姚艳敏 , 等. 基于LandsatTM/ETM+的张掖市甘州区绿洲冷岛效应时空变化研究[J]. 干旱区资源与环境, 2014,28(9):139-144.
Li R L, Shi Y J, Yao Y M , et al. Temporal and spatial variation of oasis cold island effect in Ganzhou District of Zhangye based on Landsat TM /ETM+[J]. Journal of Arid Land Resources and Environment, 2014,28(9):139-144.
[6] 钱乐祥, 崔海山 . 归一化水汽指数与地表温度的关系[J]. 地理研究, 2008,27(6):1358-1366.
Qian L X, Cui H S . Relationship between normalized difference moisture index and land surface temperature[J]. Geographical Research, 2008,27(6):1358-1366.
[7] 文路军, 彭文甫, 杨华容 , 等. 夏季川西高原地表温度的空间特征和影响因素——以西昌市大部分区域为例[J]. 国土资源遥感, 2017,29(2):207-214.doi: 10.6046/gtzyyg.2017.02.30.
doi: 10.6046/gtzyyg.2017.02.30
Wen L J, Peng W F, Yang H R , et al. An analysis of land surface temperature(LST) and its influencing factors in summer in western Sichuan Plateau:A case study of Xichang City[J]. Remote Sensing for Land and Resources, 2017,29(2):207-214.doi: 10.6046/gtzyyg.2017.02.30.
doi: 10.6046/gtzyyg.2017.02.30
[8] 孙常峰, 孔繁花, 尹海伟 , 等. 山区夏季地表温度的影响因素——以泰山为例[J]. 生态学报, 2014,34(12):3396-3404.
doi: <a href='http://dx.doi.org/10.5846/stxb201310312626'>10.5846/stxb201310312626</a>
Sun C F, Kong F H, Yin H W , et al. Analysis of factors affecting mountainous land surface temperature in the summer:A case study over Mount Tai[J]. Acta Ecologica Sinica, 2014,34(12):3396-3404.
doi: <a href='http://dx.doi.org/10.5846/stxb201310312626'>10.5846/stxb201310312626</a>
[9] 张勇, 余涛, 顾行发 , 等. CBERS-02 IRMSS热红外数据地表温度反演及其在城市热岛效应定量化分析中的应用[J]. 遥感学报, 2006,10(5):789-797.
doi: 10.3321/j.issn:1007-4619.2006.05.028
Zhang Y, Yu T, Gu X F , et al. Land surface temperature retrieval from CBERS-02 IRMSS thermal infrared data and its applications in quantitative analysis of urban heat island effect[J]. Journal of Remote Sensing, 2006,10(5):789-797.
doi: 10.3321/j.issn:1007-4619.2006.05.028
[10] Jiménez-Muñoz J C, Sobrino J A . A generalized single-channel method for retrieving land surface temperature from remote sensing data[J]. Journal of Geophysical Research Atmospheres, 2003,108(d22):4688-4695.
[11] Jiménez-Muñoz J C, Sobrino J A , Skoković D , et al. Land surface temperature retrieval methods from Landsat-8 thermal infrared sensor data[J]. IEEE Geoscience and Remote Sensing Letters, 2014,11(10):1840-1843.
doi: 10.1109/LGRS.2014.2312032
[12] 王劲峰, 徐成东 . 地理探测器:原理与展望[J]. 地理学报, 2017,72(1):116-134.
Wang J F, Xu C D . Geodetector:Principle and prospective[J]. Acta Geographica Sinica, 2017,72(1):116-134.
[13] Wang J F, Hu Y . Environmental health risk detection with Geodetector[J]. Environmental Modelling and Software, 2012,33:114-115.
doi: 10.1016/j.envsoft.2012.01.015
[14] 熊俊楠, 赵云亮, 程维明 , 等. 四川省山洪灾害时空分布规律及其影响因素研究[J]. 地球信息科学学报, 2018,20(10):1443-1456.
Xiong J N, Zhao Y L, Cheng W M , et al. Temporal-spatial distribution and the influencing factors of mountain flood disasters in Sichuan Province[J]. Journal of Geo-Information Science, 2018,20(10):1443-1456.
[15] 徐秋蓉, 郑新奇 . 一种基于地理探测器的城镇扩展影响机理分析法[J]. 测绘学报, 2015,44(s1):96-101.
Xu Q R, Zheng X Q . Analysis of influencing mechanism of urban growth using geographical detector[J]. Acta Geodaetica et Cartographica Sinica, 2015,44(s1):96-101.
[16] 李华威, 万庆 . 小流域山洪灾害危险性分析之降雨指标选取的初步研究[J]. 地球信息科学学报, 2017,19(3):425-435.
Li H W, Wan Q . Study on rainfall index selection for hazard analysis of mountain torrents disaster of small watersheds[J]. Journal of Geo-Information Science, 2017,19(3):425-435.
[17] 马伟, 赵珍梅, 刘翔 , 等. 植被指数与地表温度定量关系遥感分析——以北京市TM数据为例[J]. 国土资源遥感, 2010,22(4):108-112.doi: 10.6046/gtzyyg.2010.04.22.
doi: 10.6046/gtzyyg.2010.04.22
Ma W, Zhao Z M, Liu X , et al. A quantitative analysis of the relationship between vegetation indices and land surface temperature based on remote sensing:A case study of TM data for Beijing[J]. Remote Sensing for Land and Resources, 2010,22(4):108-112.doi: 10.6046/gtzyyg.2010.04.22.
doi: 10.6046/gtzyyg.2010.04.22
[18] 杜培军, 陈宇, 谭琨 . 江苏滨海湿地土地利用/覆盖变化与地表温度响应遥感监测[J]. 国土资源遥感, 2014,26(2):112-120.doi: 10.6046/gtzyyg.2014.02.22.
doi: 10.6046/gtzyyg.2014.02.22
Du P J, Chen Y, Tan K . The remote sensing monitoring of land use/cover change and land surface temperature responses over the coastal wetland in Jiangsu[J]. Remote Sensing for Land and Resources, 2014,26(2):112-120.doi: 10.6046/gtzyyg.2014.02.22.
doi: 10.6046/gtzyyg.2014.02.22
[19] 姚宜斌, 雷祥旭, 张良 , 等. 青藏高原地区1979—2014年大气可降水量和地表温度时空变化特征分析[J]. 科学通报, 2016,61(13):1462-1477.
Yao Y B, Lei X X, Zhang L , et al. Analysis of precipitable water vapor and surface temperature variation over Qinghai-Tibetan Plateau from 1979 to 2014[J]. Chinese Science Bulletin, 2016,61(13):1462-1477.
[20] 李斌, 王慧敏, 秦明周 , 等. NDVI、NDMI与地表温度关系的对比研究[J]. 地理科学进展, 2017,36(5):585-596.
Li B, Wang H M, Qin M Z , et al. Comparative study on the correlations between NDVI,NDMI and LST[J]. Progress in Geography, 2017,36(5):585-596.
[21] 刘彦随, 李进涛 . 中国县域农村贫困化分异机制的地理探测与优化决策[J]. 地理学报, 2017,72(1):161-173.
Liu Y S, Li J T . Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China[J]. Acta Geographica Sinica, 2017,72(1):161-173.
[22] 韩贵锋, 叶林, 孙忠伟 . 山地城市坡向对地表温度的影响——以重庆市主城区为例[J]. 生态学报, 2014,34(14):4017-4024.
doi: <a href='http://dx.doi.org/10.5846/stxb201211271679'>10.5846/stxb201211271679</a>
Han G F, Ye L, Sun Z W . Influence of aspect on land surface temperature in mountainous city:A case study in central area of Chongqing City[J]. Acta Ecologica Sinica, 2014,34(14):4017-4024.
doi: <a href='http://dx.doi.org/10.5846/stxb201211271679'>10.5846/stxb201211271679</a>
[1] 刘文雅,邓孺孺,梁业恒,吴仪,刘永明. 基于辐射传输模型的巢湖叶绿素a浓度反演[J]. 国土资源遥感, 2019, 31(2): 102-110.
[2] 李静,孙强强,张平,孙丹峰,温礼,李宪文. 基于多时相热红外遥感的钢铁企业生产状态辅助监测[J]. 国土资源遥感, 2019, 31(1): 220-228.
[3] 孙桂芬,覃先林,刘树超,李晓彤,陈小中,钟祥清. 典型植被指数识别火烧迹地潜力分析[J]. 国土资源遥感, 2019, 31(1): 204-211.
[4] 王月如,韩鹏鹏,关舒婧,韩宇,易琳,周廷刚,陈劲松. 基于Landsat8 OLI数据的富贵竹种植区域信息提取[J]. 国土资源遥感, 2019, 31(1): 133-140.
[5] 杨敏,杨贵军,王艳杰,张勇峰,张智宏,孙晨红. 北京城市热岛效应时空变化遥感分析[J]. 国土资源遥感, 2018, 30(3): 213-223.
[6] 华俊玮, 祝善友, 张桂欣. 基于随机森林算法的地表温度降尺度研究[J]. 国土资源遥感, 2018, 30(1): 78-86.
[7] 陈瀚阅, 朱利, 李家国, 范协裕. 基于Landsat8数据的2种海表温度反演单窗算法对比——以红沿河核电基地海域为例[J]. 国土资源遥感, 2018, 30(1): 45-53.
[8] 杨敏, 杨贵军, 陈晓宁, 张勇峰, 尤静妮. 基于FSDAF方法融合生成高时空分辨率地表温度[J]. 国土资源遥感, 2018, 30(1): 54-62.
[9] 庞海洋, 孔祥生, 汪丽丽, 钱永刚. ENDSI增强型雪指数提取积雪研究[J]. 国土资源遥感, 2018, 30(1): 63-71.
[10] 张雅莉, 阿尔达克·克里木, 张东, 依力亚斯江·努尔麦麦提, 张飞. 基于Landsat8 OLI影像光谱的土壤盐分估算模型研究[J]. 国土资源遥感, 2018, 30(1): 87-94.
[11] 孙明, 谢敏, 丁美花, 许文龙, 黄思琦, 高菲. 2001—2015年间广西壮族自治区防城港市热岛效应时空变化研究[J]. 国土资源遥感, 2018, 30(1): 135-143.
[12] 张成才, 罗蔚然, 窦小楠, 王金鑫. 应用Landsat8数据改进FCD模型方法[J]. 国土资源遥感, 2017, 29(4): 33-38.
[13] 贺丽琴, 杨鹏, 景欣, 晏磊, 苏琳琳. 基于MODIS影像及不透水面积的珠江三角洲热岛效应时空分析[J]. 国土资源遥感, 2017, 29(4): 140-146.
[14] 孙娜, 高志强, 王晓晶, 罗志东. 基于高分遥感影像的黄土高原地区水体高精度提取[J]. 国土资源遥感, 2017, 29(4): 173-178.
[15] 赵菲菲, 包妮沙, 吴立新, 孙瑞. 国产HJ-1B卫星数据的地表温度及湿度反演方法——以呼伦贝尔草原伊敏露天煤矿区为例[J]. 国土资源遥感, 2017, 29(3): 1-9.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
京ICP备05055290号-2
版权所有 © 2015 《国土资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编:100083
电话:010-62060291/62060292 Email:gtzyyg@agrs.cn; gtzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发