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

图1 研究区位置及高程

Fig.1 Location and elevation of study area

1.2 数据源及其预处理

本文的主要基础数据包括覆盖研究区的Landsat8遥感影像、90 m空间分辨率的SRTM DEM数据、多年平均降水数据以及土地利用与土壤类型数据。其中Landsat8数据和SRTM DEM数据均来源于地理空间数据云网站(http://www.gscloud.cn/),Landsat8数据标识为LC81390402015250LGN00,条带号为139,行编号为40,云覆盖量为0.66%; 年均降水数据来源于国家地球系统科学共享平台(http://www.geodata.cn/); 土壤类型与土地利用数据均来源于地理国情监测平台(http://www.dsac.cn),数据的整体质量较好。

由于下载的Landsat8数据已经过基于地形的几何纠正,故本文不再进行几何纠正。海拔、坡度和坡向均由SRTM DEM数据获取。

2 研究方法

2.1 LST反演算法

2.1.1 辐射传输方程算法

辐射传输方程算法(radioactive transfer equation algorithm, RTE)是一种基于大气辐射传输模型的传统算法。在整个地气系统的辐射传输过程中,卫星接收的热红外辐射能量L_λ主要由经大气衰减后传感器接收的热辐射能量、大气上行辐射亮度 $L_{↑}$ 和下行辐射亮度 $L_{↓}$ 这3部分构成。卫星接收到的热红外辐射亮度值即辐射传输方程^[9],其公式为

(1)

L_{λ} = [εB (T_{s}) + (1 - ε) L_{↓}] τ + L_{↑}

式中: ε为地表比辐射率; B(T_s)为黑体辐射亮度; T_s为地面真实温度,K; $L_{↓}$ 和 $L_{↑}$ 分别为大气下行和大气上行辐射亮度,W·m^-2·Sr^-1·μm^-1; τ为大气透过率。

假设地表、大气对热辐射具有朗伯体性质,根据辐射传输方程可得出与地表真实温度正相关的黑体辐射亮度B(T_s),即

(2)

B (T_{s}) = [L_{λ} - L_{↑} - τ (1 - ε) L_{↓}] / (τε)

式中τ, $L_{↑}$ 和 $L_{↓}$ 3个参数可以通过美国国家航空航天局官网(http://atmcorr.gsfc.nasa.gov/)获得(表1)。

表1 LST反演参数

Tab.1 LST inversion parameters

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

在估算出黑体辐射亮度值B(T_s)后,根据普朗克定律的反函数,可得到地面的真实温度值,其公式为

(3)

T_{s} = K_{2} / \ln (\frac{K_{1}}{B (T_{s})} + 1)

式中K₁和K₂为常数。TIRS 10波段的K₁与K₂分别为774.89 W·m^-2·Sr^-1·μm^-1和1 321.08 K; TIRS 11波段中,K₁与K₂分别为480.89 W·m^-2·Sr^-1·μm^-1和1 201.14 K。

2.1.2 普适性单通道算法

普适性单通道算法(single channel algorithm, SC)是由Jiménez-Muñoz等^[10]在2003年提出的适用于热红外单波段的LST反演算法。2014年Jiménez-Muñoz等^[11]在原有SC算法的基础上,增加了针对Landsat8数据的大气参数,即

(4)

T_{s} = γ [(ψ_{1} L_{sen} + ψ_{2}) / ε + ψ_{3}] + δ

(5)

γ \approx T_{sen}^{2} / b_{γ} L_{sen}

(6)

δ \approx T_{sen} - T_{sen}^{2} / b_{γ}

式中: b_γ为参数,对于TIRS 10波段,b_γ=1 324 K,对于TIRS 11波段,b_γ=1 199 K; L_sen为影像像元所对应的光谱辐射值; T_sen表示由热红外波段转换出的亮温值; ψ₁,ψ₂,ψ₃分别为中间变量,为避免大气水汽含量的影响,故采用原始推导公式来计算,即

(7)

$ψ_{1} = \frac{1}{τ}, ψ_{2} = - L_{↓} - L_{↑}, ψ_{3} = L_{↓}$ 。

2.2 影响因素分析方法

地理探测器模型是王劲峰等^[12]基于地理空间分异理论提出的一种能够探测空间分异性、揭示其背后驱动因子及因子间相对重要性与影响模式的统计学方法。该模型通过因子“解释力”或“贡献度”统计量衡量空间分异性、探测影响因子与分析因子间的交互关系。其基本思想是: 如果一种现象的发生总是和某些因子在空间分布上趋于一致,则可以认为两者在空间上存在一定的关联性。通过对“现象—因子”间变化趋势的分析,尝试找出与这种现象在空间变化上具有显著一致性的因子,以定量探测结果中统计量较高的因子,作为对该现象有较强解释力和贡献度的因子^[13]。近年来,地理探测器模型在地理要素格局演变及地域空间分异等方面研究中的应用非常广泛^[14,15]。

2.2.1 因子探测器

因子探测器通过因子“解释力”或“贡献度”的大小定量反映各类因子对LST空间分异特征的影响程度。其中,影响因子A对LST产生空间分异的解释力大小P可以表达为^[12]

(8)

P = 1 - \frac{\overset{L}{\sum_{h = 1}} N_{h} σ_{h}^{2}}{N σ^{2}}

式中: N_h为因子A中类型为h的样本数; $σ_{h}^{2}$ 为因子A中类型h内的样本方差; L为因子A中的类型总数; N为整体的样本总数; σ²为整体的样本方差(离散方差),当σ²≠0时,该模型成立。P的值域范围在[0,1]之间,P越接近于1,该因子对LST产生空间分异的解释力与影响力就越强。

2.2.2 交互探测器

交互探测器主要是通过因子交互后的解释力大小来定量反映因子间的相对重要性以及对LST产生空间分异的影响模式。假设P(A)与P(B)分别是影响因子A与B对LST产生空间分异的解释力,P(A∩B)是影响因子A与B交互后的解释力,则在多因子共同作用下的影响模式主要有5种^[16]。

1)非线性减弱: P(A∩B)<min[P(A),P(B)]。

2)单线性减弱: min[P(A),P(B)]<P(A∩B)<max[P(A),P(B)]。

3)双线性增强: P(A∩B)>max[P(A),P(B)]。

4)相互独立: P(A∩B)=P(A)+P(B)。

5)非线性增强: P(A∩B)>P(A)+P(B)。

2.3 LST影响因素分析

2.3.1 影响因子选取

根据物质的热辐射原理,LST受到地表辐射收支与能量平衡过程的控制^[2]。在桑珠孜区等高原地区,地形、植被覆盖、土地利用和土壤特性等引起的地表辐射差异,直接影响局部地区的地表净辐射。在参考众多学者的研究成果^{[17,18,19,20]}后,本文选择海拔、NDVI、土壤类型和NDMI等8类因子探究高原地区LST的分异特征与形成机理。

2.3.2 NDMI与NDVI获取

高原地区的植被覆盖状况与地表水汽含量是影响区域气候变化及地表热特征的重要来源。NDVI和NDMI可以分别表征区域内植被的覆盖程度及地表的水汽特征。其中,NDVI定义为^[20]

(9)

NDVI = \frac{ρ_{Nir} - ρ_{Red}}{ρ_{Nir} + ρ_{Red}}

式中ρ_Nir与ρ_Red分别为Landsat8 OLI的第5与第4波段的反射率。NDVI值域范围在[-1,1]之间,通常正值表示有植被覆盖的区域,值越大植被覆盖度越高; 0值表示裸土等基本无植被覆盖的区域; 负值则一般表示水体、冰、雪等区域。

NDMI则是利用Landsat8 OLI的近红外波段与中红外波段反射率提取。NDMI定义为^[20]

(10)

NDMI = \frac{ρ_{Nir} - ρ_{Mir}}{ρ_{Nir} + ρ_{Mir}}

式中ρ_Mir为Landsat8 OLI的第6波段的反射率。NDMI值域范围在[0,1]之间,通常高值对应水汽含量高的植被冠层与水体等物质; 低值则对应岩石、建筑物等水汽含量较低的地物。

2.3.3 统计分析

为了研究本文所选的8类因子对高原地区LST空间分异特征的影响,首先利用ArcGIS软件中的数据管理工具在研究区内创建3 000个随机点; 然后利用提取分析工具分别提取随机点处的LST值与海拔、NDVI和NDMI等信息。由于NDVI负值在针对植被覆盖及LST的相关研究中,参考价值不大,故只保留NDVI>0且同时含有其他7类因子信息的随机点开展进一步的研究。为了能较为清晰地反映LST与各类因子间的关系,生成LST与海拔、坡度、坡向、年均降水量、NDVI和NDMI等6类可量化因子间的散点图,并构建出LST与各类因子间的最佳拟合关系,以决策系数R²来描述LST与各因子间的相关程度。自然断点法可以根据数据的分布规律自然分组,避免人为因素干扰,提高研究结果的可靠性与说服力^[21]。在进行地理探测器因子探测与交互探测前,将土地类型和土壤类型这2类不可量化因子按属性分层,采用自然断点法将其他6类可量化因子值分别重分类为5层,每层随机点均达到反映对象真实性质的大样本要求。

3 结果与分析

3.1 LST反演结果与验证

研究区Landsat8数据的LST反演结果如图2和表2所示。

图2

图2 研究区LST反演结果

Fig.2 Inversion results of LST in the study area

表2 LST反演结果对比

Tab.2 Comparison of LST inversion results(℃)

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
2015-09-07 T12:35:26	SC算法	-2.98	41.10	24.11	7.08

从空间分布来看,2种算法反演结果的空间分布基本一致,LST较高的地区均位于研究区内海拔较低的宽谷、湖盆地区; 而在海拔较高的区域,LST则相对较低。从反演结果看,2种算法的反演结果十分接近,LST均值相差0.28 ℃,最大值与最小值分别相差0.27 ℃与0.3 ℃,标准差分别为7.07 ℃与7.08 ℃,这与研究区地形复杂,气候多样的特点相吻合。通过与同时段研究区气象站点监测的气象数据对比,表明Landsat8数据的LST反演结果可靠性较高。

3.2 LST与影响因子的相互关系

利用以“NDVI>0”的属性筛选后含有LST值与其他7类影响因子信息的1 183个随机点来研究各类因子对LST空间分布与分异特征的影响。同时,构建出6类可量化因子与LST间的最佳拟合关系。可量化因子与LST的散点图如图3所示,全部影响因子的空间分布情况如图4所示。

图3

图3 可量化影响因子与LST的散点图

Fig.3 Scatter plots of quantifiable influence factors and LST

图4

图4 影响因子与LST空间分布

Fig.4 Influence factors and spatial distribution of LST

从图3和图4可以看出,各类因子间及各类因子与LST间在空间分布上具有明显的差异。在可量化因子与LST的最佳拟合关系中,海拔与LST间的拟合程度最高,R²达到了0.482; 其后依次为NDVI,NDMI、坡向和坡度; 而年均降水量的拟合程度则相对较差,R²不足0.1。NDVI与NDMI的最佳拟合为二项式拟合,并且NDVI的二次项系数为正值,NDMI的二次项系数为负值,这与孙常峰等^[8]的结论相一致。在所有可量化因子中,坡向与LST间呈现出LST随坡向度数的增加先增加后降低的趋势,这与韩贵锋等^[22]所得结论一致。除坡向外,其他因子与LST之间均呈明显的负相关关系,在海拔、NDVI、坡度、NDMI和年均降水量不断增加的情况下,LST会逐渐降低,但下降速度各有差异。

3.3 LST的影响因素

3.3.1 因子探测结果与分析

将1 183个随机点中的因子重分类结果与LST应用因子探测器进行探测,探测结果如表3和表4所示。

表3 单影响因子的探测结果

Tab.3 Detection results of single influence factor

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

表4 因子影响LST显著性差异统计(置信水平95%)

Tab.4 Multiple factors affect statistical significance of LST differences

探测因子(X₁)	1	2	3	4	5	6	7
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

注: 1表示土壤类型; 2表示土地类型; 3表示NDVI; 4表示海拔; 5表示坡度; 6表示坡向; 7表示NDMI; 8表示年均降水量。

从表3可以看出,其他因子Q值均为0.00,而土地类型的Q值为0.09(>0.05),说明在高原地区土地类型对LST空间分布与分异特征的影响并不显著,不能够作为影响因子。综合分析表3和表4可以看出,海拔与NDVI对LST空间分布与分异特征的影响较为显著,解释力较强,是主要影响因子; 而坡向、NDMI、土壤类型与坡度的解释力则相对较弱,是次要影响因子。从单因子的角度来看,海拔(解释力P=0.458 6)是影响LST的空间分布与分异特征最主要因子,这与孙常峰等^[8]得出的结论相一致; 其后依次为NDVI(解释力P=0.302 4)、坡向(解释力P=0.244 4)、NDMI(解释力P=0.196 5)、土壤类型(解释力P=0.171 3)与坡度(解释力P=0.133 0)。年均降水量对LST的空间分布与分异特征的影响程度明显偏弱,解释力不足0.1。3.3.2 交互探测结果与分析为了进一步分析各类因子与LST间的关系,将1 183个随机点中的因子重分类结果与LST应用交互探测器进行探测,探测结果如表5所示。

表5 多影响因子的交互作用

Tab.5 Interaction of multiple factors

交互因子(X₁∩X₂)	P(X₁)	P(X₁)	P(X₁∩X₂)	交互结果	影响模式
土壤类型∩海拔	0.171 3	0.458 6	0.478 1	P(A∩B)>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(A∩B)>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(A∩B)>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(A∩B)>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(A∩B)>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(A∩B)>P(A)+P(B)	非线性增强
NDVI∩海拔	0.302 4	0.458 6	0.573 9	P(A∩B)>max[P(A),P(B)]	双线性增强
NDVI∩坡度	0.302 4	0.133 0	0.370 4	P(A∩B)>max[P(A),P(B)]	双线性增强
NDVI∩坡向	0.302 4	0.244 4	0.478 2	P(A∩B)>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(A∩B)>max[P(A),P(B)]	双线性增强
NDVI∩NDMI	0.302 4	0.196 5	0.342 3	P(A∩B)>max[P(A),P(B)]	双线性增强
海拔∩坡度	0.458 6	0.133 0	0.482 7	P(A∩B)>max[P(A),P(B)]	双线性增强
海拔∩坡向	0.458 6	0.244 4	0.710 4	P(A∩B)>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(A∩B)>max[P(A),P(B)]	双线性增强
海拔∩NDMI	0.458 6	0.196 5	0.633 2	P(A∩B)>max[P(A),P(B)]	双线性增强
坡度∩坡向	0.133 0	0.244 4	0.369 4	P(A∩B)>max[P(A),P(B)]	双线性增强
坡度∩NDMI	0.133 0	0.196 5	0.383 8	P(A∩B)>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(A∩B)>max[P(A),P(B)]	双线性增强
坡向∩NDMI	0.244 4	0.196 5	0.375 0	P(A∩B)>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(A∩B)>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(A∩B)>P(A)+P(B)	非线性增强

从表5可以看出,高原地区LST的空间分布与分异特征的形成并非只受到一种因子的影响,而是由多种因子共同作用的结果,并且影响效果更为显著。其中,海拔与坡向(交互解释力P=0.710 4)的协同作用最为明显,其后依次为海拔与NDMI(交互解释力P=0.633 2)、海拔与NDVI(交互解释力P=0.573 9)。在与海拔的共同作用下,与NDVI相比,NDMI的作用效果更为明显。与单个因子的解释力相比,所有因子在相互交互后对LST的空间分布与分异特征的影响均具有协同增强的作用,并且所有因子的影响效果均为非独立存在的。海拔与坡向在相互作用环境下的交互解释力(0.710 4)远远大于单因子作用下的解释力(0.458 6与0.244 4)。通过交互探测器的探测结果也可以发现,各影响因子之间的相互作用也并非因子间简单的相乘或相加关系,而是一种相对复杂的叠加关系,这也是地理探测器的优势所在。

4 结论

本文利用Landsat8数据,采用2种典型的地表温度(LST)反演算法获得了研究区LST,同时应用地理探测器模型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,得到了以下结论:

1)在可量化因子中,除坡向外的其他因子与LST间均呈明显的负相关关系,LST随着NDVI、海拔、NDMI、坡度以及年均降水量的增加会逐渐降低,但下降速度存在差异; 坡向则与LST呈现出LST随坡向度数的增加先增加后降低的趋势。

2)在单因子作用下,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,解释力最强,其后依次为NDVI、坡向、NDMI、土壤类型、坡度与年均降水量。

3)高原地区LST的空间分布与分异特征的形成并非只受到一种因子的影响,而是由多因子共同作用的结果。在多因子共同作用下,海拔与坡向、海拔与NDMI以及海拔与NDVI对LST的空间分布与分异特征的影响最为显著,解释力最强。同时,与单因子相比,所有因子在交互作用下对LST的空间分布与分异特征的影响均具有协同增强的作用。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Scarano

, Sobrino J

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 URL [本文引用: 1]

[2]

Rosca C F, Harpa G

, Croitoru A

, 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.

[本文引用: 2]

[3]

Kerchove R V

, Lhermitte

, Veraverbeke

, 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 URL [本文引用: 1]

[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.

URL Magsci [本文引用: 1]

以河南省省会郑州市为研究区域，在2 km×2 km网格尺度下将多样性理论与方法应用于区域地表水体、归一化植被指数(NDVI)和地表温度(LST)分布的离散性评价，将NDVI和LST各分为4个等级，计算了其空间分布多样性指数，并探索了它们之间的内在联系.结果表明：将多样性理论与研究方法应用于区域热环境的空间分布离散性评价具有可操作性和实际研究意义；地表水体分布与最低温区分布具有较高的区位重叠性，高的植被覆盖度往往伴随低的地表温度；1988—2009年，郑州市地表水体分布离散性呈明显降低趋势；地表水体分布离散性与区域内各温度区分布离散性存在紧密联系；NDVI分级分布离散性与各温度区分布离散性之间关系复杂，需引入其他环境影响因素参与评价.

Duan J

, Zhang X

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

, Shi Y

, Yao Y

, 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

, Cui H

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.

Wen L

, Peng W

, Yang H

, 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:<a href='http://dx.doi.org/10.5846/stxb201310312626'>10.5846/stxb201310312626</a> Magsci [本文引用: 3]

[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.

以泰山为例，应用夏季的Landsat 5的TM6为基本数据源，基于单窗算法定量反演了泰山地表面温度（LST），在此基础上首先探讨了LST与地形因子的关系，然后比较了归一化水汽指数（NDMI）和归一化植被指数（NDVI）在表达山区LST上的效力，最后利用逐步回归分析法，构建出LST与地形因子、NDMI的回归方程，应用偏相关系数，得出各个因子对LST的影响程度。结果表明：1）在地形因子中，影响LST的主要因素是海拔，随海拔升高呈自然对数形式降低，相比而言，坡度、坡向以及太阳入射能量的影响则很小；2）在没有水体时，NDVI与NDMI都能有效地表达山区的LST，LST与NDVI间是二次项负相关关系，与NDMI间是线性负相关关系，在表达LST上NDMI比NDVI更有效；3）综合分析表明，地表水汽特征是其表面温度最主要的影响因素，其次是海拔。研究结果将为山区地表温度空间分异性特征及形成机制的研究提供科学的参考。

Sun C

, Kong F

, Yin H

, 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.

Magsci [本文引用: 3]

[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 URL Magsci [本文引用: 1]

针对CBERS-02IRMSS的热红外通道特性，对Jimenez-Munoz和Sobfino提出的普适性单通道地表温度反演算法进行改进，并利用该传感器热红外遥感数据反演北京地区和苏锡常地区的地表温度；利用2004年8月17日在青海湖的野外实测数据对该算法的地表温度反演结果进行的验证表明，改进的单通道反演算法应用于CBERS-02IRMSS传感器热红外数据的地表温度反演具有很高的反演精度。并在此基础上，运用城市热场变异指数对北京地区和苏锡常地区的城市热岛效应进行分析，运用中国研制的热红外卫星遥感数据给出了城市热岛效应的定量化描述。结果表明，CBERS-02IRMSS热红外遥感数据完全可以满足定量化应用的要求，具有很大的应用潜力。

Zhang

, Yu

, Gu X

, 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.

[10]

Jiménez-Muñoz J

, Sobrino J

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

, Sobrino J

, Skoković

, 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 URL [本文引用: 1]

[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.

[本文引用: 2]

Wang J

, Xu C

Geodetector:Principle and prospective

[J]. Acta Geographica Sinica, 2017,72(1):116-134.

[本文引用: 2]

[13]

Wang J

, Hu

Environmental health risk detection with Geodetector

[J]. Environmental Modelling and Software, 2012,33:114-115.

DOI:10.1016/j.envsoft.2012.01.015 URL [本文引用: 1]

[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.

URL [本文引用: 1]

山洪灾害时空分布规律及其影响因素,是灾害时空数据挖掘领域所关注的重点问题。本研究采用1950-2015年四川省历史山洪灾害事件数据,结合地统计、地理探测器、空间分析等方法,系统地分析了四川省1950-2015年历史山洪灾害的时空分布规律及其影响因素。结果表明:(1) 1950-2015年四川省山洪灾害数量整体呈先稳定后增长的趋势；山洪灾害主要集中在5-9月,7月覆盖率100%。(2)县域灾害频次在南-北方向呈递减分布趋势；平均降雨量(历史山洪灾害过程降雨的平均值)在东-西方向呈指数型增长趋势,南-北方向由中部向南北递减。(3) 1950s-2010s和5-9月历史累计山洪灾害重心及各标准差椭圆中心集中在四川中部地区,向东北方向移动,累计灾害点空间分布呈西南—东北格局。(4)县域山洪灾害数量及平均降雨量呈空间正自相关。(5)地理探测器分析表明自然因素、降雨、人类活动等因素对山洪灾害时空分布影响较大,其中不同降雨指标、高程标准差、坡度是山洪灾害时空分布规律的主要驱动因素。研究结果对查清四川省山洪灾害时空分布特征及小流域山洪监测预警、风险评价、防治区划等提供坚实的理论基础和科技支撑。

Xiong J

, Zhao Y

, Cheng W

, 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

, Zheng X

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

, Wan

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.

以北京市为研究区，在对Landsat-5 TM数据大气校正基础上，利用TM单窗算法定量反演地表温度，并估算了5种植被参数：归一化差值植被指数（NDVI）、比值植被指数（RVI）、绿度植被指数（GVI）、土壤调节植被指数（MSAVI）和植被覆盖度（fg）。结合地表温度（LST）空间分布，对比分析5种植被参数与地表温度的相关程度。分析结果显示，相对于上述4种植被指数，fg与地表温度有更好的负相关性，对地表温度空间分布的指示能力更佳。利用fg与地表温度关系定量分析了植被覆盖程度对热岛效应的影响，发现北京市区平均地表温度比近郊区和远郊区分别高1.6 K和5.3 K。

, Zhao Z

, Liu

, 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.

[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.

以Landsat TM/ETM+图像为主要数据源，提取了江苏省盐城滨海湿地土地利用/覆盖信息；基于单窗算法反演了地表温度，综合分析了1992—2009年间湿地土地利用/覆盖变化（LUCC）及其对地表温度的影响。结果表明：在1992—2009年的17 a间，江苏省滨海湿地最主要的LUCC类型是人类主导型，且以自然类型向人工类型转化最为显著；互花米草、碱蓬和芦苇等自然景观总面积减少了385.52 km2，养殖场、盐田及建筑用地等人工景观总面积增加了376.97 km2；人为干扰是湿地LUCC最主要的驱动因素。在LUCC的影响下，湿地地表温度也有显著波动，多数湿地类型都有不同层次的升温。

Du P

, Chen

, Tan

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.

[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

, Lei X

, Zhang

, 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.

[本文引用: 3]

, Wang H

, Qin M

, et al.

Comparative study on the correlations between NDVI,NDMI and LST

[J]. Progress in Geography, 2017,36(5):585-596.

[本文引用: 3]

[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

, Li J

Geographic detection and optimizing decision of the differentiation mechanism of rural poverty in China

[J]. Acta Geographica Sinica, 2017,72(1):161-173.

DOI:<a href='http://dx.doi.org/10.5846/stxb201211271679'>10.5846/stxb201211271679</a> Magsci [本文引用: 1]

[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.

为揭示坡向对山地城市地表温度的影响，以重庆市主城区为例，由Landsat TM影像反演地表温度，提取各坡向上的地表温度，进行方差分析。结果发现，东南和南坡向的地表温度较高，而西北和北坡向的地表温度较低，8坡向分类时，各坡向的平均地表温度的差异具有显著性；用地类型没有坡向偏好，对于同一种用地类型，各坡向的平均地表温度没有显著差异。不同的用地类型上的城市建设强度和生产、生活活动差异是引起地表温度变化的主要因素，而坡向对城市地表温度的影响相比强烈的城市人为活动产生的环境效应而言是微弱的。

Han G

, Ye

, Sun Z

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.