基于地表参数变化的延河流域地表温度时空演变分析

doi:10.6046/zrzyyg.2023038

基于地表参数变化的延河流域地表温度时空演变分析

李威洋^,¹, 史海静^,², 聂玮廷¹, 杨鑫源¹

1.西北农林科技大学资源环境学院,杨凌 712100

2.西北农林科技大学水土保持研究所,杨凌 712100

Analyzing the spatio-temporal evolution of surface temperatures in the Yanhe River basin based on the changes in surface parameters

LI Weiyang^,¹, SHI Haijing^,², NIE Weiting¹, YANG Xinyuan¹

1. School of Resources and Environment, Northwest A&F University, Yangling 712100, China

2. Institute of Soil and Water Conservation, Northwest A&F University, Yangling 712100, China

通讯作者: 史海静(1983-),女,博士,副研究员,主要从事数字水土保持与大数据分析的科研工作。Email:shihaijingcn@nwafu.edu.cn。

责任编辑: 陈昊旻

收稿日期: 2023-02-22 修回日期: 2023-05-15

基金资助:

西部青年学者项目“黄土丘陵区地形微生境分类评价与潜在植物群落分布模拟”(XAB2020YN04)
国家自然科学基金项目“黄土丘陵区地形微气候环境与植物功能性状响应”(41501055)

Received: 2023-02-22 Revised: 2023-05-15

作者简介 About authors

李威洋(2002-),男,本科,主要从事遥感定量反演研究。Email: liweiyang@nwafu.edu.cn。

摘要

地表温度是地表能量平衡与陆面过程的重要参数,与地表参数变化关系密切。该文以黄土高原的延河流域为例,基于2015年、2018年和2020年Landsat OLI/TIRS影像,在利用大气校正法反演地表温度的基础上,提取影像归一化建筑指数(normalized difference built-up index,NDBI)、归一化植被指数(normalized differential vegetation index,NDVI)和归一化水汽指数(normalized difference moisture index,NDMI),分析地表温度与地表参数和土地利用类型的关系,以及地表温度时空变化特征。结果表明,地表温度的反演值与验证值在2015年、2018年和2020年的相关系数分别达0.569,0.675和0.632,均大于0.5,具有一定的准确性和可行性。从地表温度时空变化特征上看,低温区、次中温区、次高温区面积有所减少,而中温区面积增长较大,高温区面积略有增长,地表温度有向中、高温增长的趋势; 从与土地利用类型的关系来看,下垫面覆盖类型的地表温度均呈现为水域<林地<草地<耕地<建设用地; 从与地表参数的定量关系来看,延河流域地表温度变化与地表参数变化存在显著相关性,NDBI与地表温度变化呈正相关性,NDVI和NDMI与地表温度变化呈负相关性; 从与地理环境因素的关系来看,地表温度随着海拔的升高而降低。在不同坡度上地表温度也体现差异性,其中平坡地表温度最高,坡度越陡温度越低。不同坡向地表温度具有显著差异,其中阳坡地表温度明显大于阴坡地表温度。研究结果可为复杂地区的地表水热环境研究提供参考。

关键词： 地表温度; 遥感; 温度转移矩阵; 相关性分析; 延河流域

Abstract

Surface temperature, a significant parameter of surface energy balance and land surface processes, is closely associated with the changes in surface parameters. With the Yanhe River basin in the Loess Plateau as a study area, this study derived the surface temperatures through inversion using the atmospheric correction method based on the Landsat OLI/TIRS images of 2015, 2018, and 2020. Moreover, by extracting the normalized difference build-up index (NDBI), normalized differential vegetation index (NDVI), and normalized difference moisture index (NDMI), this study analyzed the relationships of surface temperatures with surface parameters and land use types, as well as the spatio-temporal variations of surface temperatures. The results demonstrate that the correlation coefficients between the inverted and verified values of surface temperatures in 2015, 2018, and 2020 were 0.569, 0.675, and 0.632, respectively, all exceeding 0.5, suggesting certain accuracy and feasibility. Concerning the spatio-temporal variations of surface temperatures, the low-, sub-medium-, and sub-high-temperature zones exhibited decreased areas, whereas medium- and high-temperature zones manifested significantly and slightly increased areas, respectively, suggesting that the surface temperatures tended to increase towards medium and high temperatures. In terms of the relationship with land use types, the surface temperatures of underlying surface cover types increased in the order of water area, forest land, grassland, cultivated land, and construction land. The quantitative relationship reveals significant correlations between changes in surface temperatures and surface parameters of the Yanhe River basin. Specifically, the changes in surface temperatures were positively correlated with the NDBI but negatively correlated with the NDVI and the NDMI. From the perspective of geographical environment factors, surface temperatures decreased with increasing altitude. Different slopes exhibited distinct surface temperatures, which were the highest on flat slopes and lower on steeper slopes. Additionally, different slope aspects manifested significantly different surface temperatures, which were significantly higher on sunny slopes compared to shady slopes. The findings of this study will serve as a reference for exploring surface water thermal environments in complex areas.

Keywords： surface temperature; remote sensing; temperature transfer matrix; correlation analysis; Yanhe River basin

PDF (8301KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

李威洋, 史海静, 聂玮廷, 杨鑫源. 基于地表参数变化的延河流域地表温度时空演变分析[J]. 自然资源遥感, 2024, 36(2): 229-238 doi:10.6046/zrzyyg.2023038

LI Weiyang, SHI Haijing, NIE Weiting, YANG Xinyuan. Analyzing the spatio-temporal evolution of surface temperatures in the Yanhe River basin based on the changes in surface parameters[J]. Remote Sensing for Land & Resources, 2024, 36(2): 229-238 doi:10.6046/zrzyyg.2023038

0 引言

地表温度(land surface temperature,LST)作为研究驱动地表与大气之间能量交换的关键参数^[1],对全球气候变化、蒸散发、环境监测、水资源管理和地热异常勘探等有重要意义^[2⇓⇓-5]。随着热红外遥感的发展,国内外学者基于卫星热红外数据开展了较多的研究,并提出了不同的LST反演算法,如辐射传输方程法^[6]、单通道算法^[7]、劈窗算法^[8]、多波段算法^[9]等方法。由于对地物热辐射信息敏感,Landsat卫星的热红外波段被广泛的应用于LST变化的监测中,例如,Maulana等^[10]利用Landsat8 OLI/TIRS图像和GEE(Google Earth Engine)处理LST的时间序列数据,进行LST的有效监测,泗水市的平均LST在2016年之后不断上升,热舒适性越来越差; Kimothi等^[11]利用Landsat TM传感器数据和MDFA(multifractal detrended fluctuation analysis)对喜马拉雅山脉的LST进行时空分析,表明城市化加剧了热岛效应的影响。Galve等^[12]使用单通道算法和分裂窗法对陆地卫星数据进行温度反演,对高对比度半干旱农业生态系统的地表温度做出估计评估; Bradtke^[13]通过Landsat8的热红外传感器采集数据,使用IdePix算法进行分析处理,得到波罗的海高分辨率海面温度图。现有研究为地表温度反演提供了技术支撑,但多针对平坦地表,对于地形复杂的地表如山区研究较少。研究表明,地表温度与下垫面指数有关,常用的下垫面指数包含归一化建筑指数(normalized difference built-up index,NDBI)、归一化植被指数(normalized differential vegetation index,NDVI)和归一化水汽指数(normalized difference moisture index,NDMI)等。Guha等^[14]利用1988—2019年陆地卫星数据,经过线性检验得到了地表温度与NDVI呈负相关,与NDBI呈正相关的结论; Mallick等^[15]验证了NDMI与地表温度的相关性,得到了二者之间呈负相关的结论,并提出可以利用NDMI对地表温度进行预测。此外,地表温度还与土地覆盖类型有关。Rehman等^[16]对比了30 a间研究区内各类土地覆盖物的面积变化及各类地物所对应的地表温度状况,得到了建成区地表温度显著大于其他区域的结果; 钱乐祥等^[17]计算了研究区土地覆盖类型的地表温度平均值,发现城市、建筑用地温度相对较高,而耕地、水体、森林等相对较低。同时,地表温度还受地形变化等影响,尤其在地形复杂区。SimÓ等^[18]使用Landsat和MODIS数据进行复杂地形的地表温度反演,并与真实值进行比较,得到巴利阿里群岛大学更详细的地表温度测量方法; Peng等^[19]结合高程、坡度、坡向与阴影地貌等因素,得出地表温度与高程、坡度呈负相关,与坡向关系不显著,与阴影地貌呈显著的线性相关的结论; 赵伟等^[20]进一步提出了随坡度向南,地表温度逐渐上升的变化趋势,并从3个因素方面分别论证了冬季地表温度受地形因子的影响更加敏感。因此,对于地形复杂区域地表温度的定量化分析,应该综合考虑不同的下垫面参数、土地覆被以及地形因子等。

延河流域位于黄土高原地区,是黄土丘壑区的典型流域,该区地形复杂,水土流失严重。由于易侵蚀性和区域干旱缺水的特点,同时加上气候变化和人类活动的影响,该地区是全球气候变化响应的敏感区域之一^[21]。为准确获取该区的地表温度,本研究以Landsat8为遥感数据源,利用大气校正法反演地表温度,提取影像NDBI,NDVI和NDMI指数,分析地表温度时空变化特征及其与地表参数、土地利用类型以及地形参数的关系,准确刻画该区的地表温度,从而为地形复杂区的地表水热环境研究提供支持。

1 研究区概况及数据源

1.1 研究区概况

延河流域地处陕西北部黄土高原中部(图1),地理位置为N 36°27'~37°58',E 108°38'~110°29',流域总面积约为7 725 km²,干流全长286.90 km。延河是黄河的一级支流,发源于榆林市靖边县的周山,流经延安市志丹县、安塞区、宝塔区和延长县,最终汇入黄河^[22]。流域属于黄土丘陵沟壑区,地形复杂,地势西北高,东南低^[23]。土壤类型以黄绵土为主,抗侵蚀能力差。在多方面因素的综合作用下,延河流域内水土流失问题较为严重。研究区的复杂地形环境为综合分析不同下垫面参数、土地覆被以及地形参数对地表温度的影响特征提供了根本条件。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区位置

Fig.1 Location of study area

1.2 数据来源及预处理

1.2.1 数据来源

研究数据包括遥感数据、土地利用数据以及研究区矢量数据。本研究选取2015年、2018年、2020年的Landsat8 OLI/TIRS影像作为研究基础影像源,时相分别为2015-07-01、2018-05-22和2020-05-11,影像均来源于地理空间数据云平台(http://www.gscloud.cn/),空间分辨率为30 m,云量小于5%,影像质量完好,无条带。由于无法获得气象观测的温度数据,因此选择在国家气象科学数据中心(https://data.cma.cn/)获取2018年和2020年 CLDAS地表温度分析产品V2.0实时产品数据,以及在国家青藏高原科学数据中心(https://data.tpdc.ac.cn/)获取2015年同步的 MODIS地表温度数据作为地表温度反演验证数据。辅助数据包括土地覆盖年度数据、延河流域矢量边界、数字高程模型(digital elevation model,DEM)数据,来源于自然资源部官网(https://www.,mnr.gov.cn/sj/sjfw/)以及地球系统科学数据中心黄土高原分中心(https://www.loess.geodata.cn)。

1.2.2 数据预处理

借助ENVI5.6软件对下载的遥感影像进行辐射定标、大气校正、图像镶嵌等预处理,通过延河流域矢量边界进行裁剪,从而得到研究范围。温度反演数据为NetCDF格式,通过ArcGIS10.8软件进行数据格式转换、裁剪以及栅格计算,得到研究区验证数据。由于土地利用类型众多,根据研究需要将其分类并重新编码,分别为耕地、林地、草地、水体、建设用地5个土地利用类型。

2 研究方法

2.1 大气校正法

根据以往研究,Landsat8 OLI/TIRS影像第11波段存在定标参数误差较大的问题,因此不宜采用劈窗算法^[8],仅选取TIRS第10波段采用大气校正法进行反演。该算法又称辐射传输方程法,基于在陆面与大气辐射传输过程中,卫星所接收的辐射值包含地表真实热辐射以及大气上行、下行辐射3个部分^[24]的原理,从接收到的热辐射总量中减去大气对其影响,剩余的辐射热量值则转换为地表温度,从而实现反演。利用ENVI软件对影像进行预处理后,首先计算地表亮度温度^[25]。其计算公式为:

(1)

B (T S) = [L_{λ} - L ↑ - τ (1 - ε) L ↓] / ε τ

式中: $B (T S)$ 为亮温; $L ↑$ 和 $L ↓$ 分别为大气上行和下行辐射值; $ε$ 为卫星接收到的辐射值; $τ$ 为大气在热红外波段的透射率; $L_{λ}$ 为传感器接收的辐射亮度值。

然后通过普朗克函数^[26]得到地表温度反演公式,即

(2)

T S = K_{2} / l n [K_{1} / B (T S) + 1]

式中: $T S$ 为反演得到的地表温度; $K_{1}$ 和 $K_{2}$ 分别为常数,在Landsat8 OLI/TIRS传感器中取值为 $K_{1} = 774.89, K_{2} = 1321.08$ 。

2.2 均值-标准差法温度分级

由于3景遥感影像的成相时间不同,不便于直接进行横向对比,因此采用均值—标准差法进行温度等级划分,以期实现横向对比。该方法以区域内平均温度为基础,以计算所得的温度标准差为等级间隔^[27],按照不同倍数的标准差实现不同等级的确定,从而对反演所得LST结果的归一化处理,消除温度异常值,解决最大、最小温度较差过大的问题,能够较好地反映不同LST变化的细节及其空间分布。通过以上参数得到区域温度等级划分依据^[28](表1)。

表1 温度等级划分依据

Tab.1 Temperature classification basis

等级	划分依据^①
高温区	$T S > μ + S t d$
次高温区	$μ + 0.5 S t d < T S \leq μ + S t d$
中温区	$μ - 0.5 S t d < T S \leq μ + 0.5 S t d$
次中温区	$μ - S t d < T S \leq μ - 0.5 S t d$
低温区	$T S < μ - S t d$

①: $μ$ 为地温均值; $S t d$ 为标准差。

新窗口打开| 下载CSV

2.3 温度空间转移矩阵方法

系统分析中对系统状态与状态转移的定量描述叫作空间转移矩阵^[29]。通过转移矩阵变化,对延河流域LST变化进行度量分析,清晰表达LST的格局变化趋势。温度转移矩阵的数字形式表述为:

(3)

S_{i j} = [\begin{array}{l} S_{11} & S_{12} & \dots & S_{1 n} \\ S_{21} & S_{22} & \dots & S_{2 n} \\ ︙ & ︙ & ︙ & ︙ \\ S_{n 1} & S_{n 2} & \dots & S_{n n} \end{array}]

式中: S为研究区面积; $n$ 为温区分级数; $i, j$ 分别为研究初期与末期的温度等级序号。

2.4 LST相关参数获取

2.4.1 下垫面指数提取

下垫面主要包括土壤、植被和河流等,它们显著影响着地形、气候和季风等与LST相关的因素^[30]。本文通过提取不同的下垫面指数来反映不同时空下LST的变化情况。

1)NDBI指数由2000年引进的仿NDVI的基础上提出,在TM4(近红外波段)与TM5(中红外波段)之间提取灰度值升高的唯一地类,即城镇地类^[31],从而获取准确的城镇建筑用地信息,NDBI值越大意味着城镇越密集^[32]。NDBI的计算公式为:

(4)NDBI=

(ρ_{M I R} - ρ_{N I R}) / (ρ_{M I R} + ρ_{N I R})

式中: $ρ_{M I R}$ 为中红外波段反射率; $ρ_{N I R}$ 为近红外波段反射率。

2)NDVI是由地物光谱信息推算得出的反映地表植被状况的参数^[32],能够反映植被覆盖程度及其生长状况,其值越大表明植被覆盖度越高。NDVI的计算公式为:

(5)NDVI=

(ρ_{N I R} - ρ_{R E D}) / (ρ_{N I R} + ρ_{R E D})

式中 $ρ_{R E D}$ 为红光波段反射率。

3)NDMI指数是依据短波红外与近红外波段反射率之间的差异来反映地物水汽含量的,因为这2个波段的差异主要是由于吸收水分所造成的^[33]。NDMI的计算公式为:

(6)NDMI =

(ρ_{N I R} - ρ_{M I R}) / (ρ_{N I R} + ρ_{M I R})

。

2.4.2 地理环境因子提取

由于研究区地形复杂,起伏较大,因此考虑地理环境因子对地表温度的影响。利用DEM数据,从海拔、坡度、坡向3个方面定量分析地表温度的时空分布和变化特征。通过使用ArcGIS软件对DEM数据进行表面分析,再通过重分类、色彩渲染、制图输出得到海拔、坡度、坡向图,并根据研究区地形特征,对地形因子进行等级划分。海拔按绝对高度划分为[495,1 000) m、[1 000~1 250) m、[1 250~1 500) m、[1 500~1 795) m共4个等级; 坡度划分为平坡[0,5)°、缓坡[5~15)°、斜坡[15~25)°、陡坡[25~35)°和急坡[35~90)°共5个等级; 坡向划分为平缓坡(0°)、阴坡([337.5,360)°和[0,67.5)°)、半阴坡([67.5~112.5)°和[292.5~337.5)°)、阳坡([157.5~247.5°)、半阳坡([112.5~157.5)°和[247.5~292.5)°)。

2.5 LST与下垫面指数数据处理

对LST与各下垫面指数进行相关分析之前,首先进行数据的提取和预处理。利用ENVI软件去除指数计算中的异常值,并对其进行归一化处理,计算公式为:

(7)

N' = (N - N_{m i n}) / (N_{m a x} - N_{m i n})

式中: $N$ 为原始数值; $N'$ 为归一化处理后的数值,其值在[0,1]; $N_{m a x}$ 和 $N_{m i n}$ 分别为原始数值中的最大、最小值。

利用ArcMap软件导入归一化处理后的各下垫面指数与反演得到的LST数据,在影像范围内生成500个随机点(图2),提取各年份的NDBI,NDVI,NDMI指数和LST值。利用SPSS软件对属性表信息进行分析,研究其协同关系。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 ArcMap随机生成样本点

Fig.2 ArcMap randomly generates sample points

3 结果与分析

3.1 LST反演结果与分析

LST反演结果显示,延河流域2015年7月1日平均地表温度为35.14 ℃,2018年5月22日平均地表温度为20.45 ℃,2015年7月1日LST标准差最大,达3.12 ℃(表2)。虽然选取的遥感影像为晴天且无云,质量较好,但LST的大小会受如植被、土壤、下垫面性质等影响,导致影像误差产生,因此2018年温度反演的值较2015年和2020年偏低。

表2 2015—2020年延河流域温度变化

Tab.2 Temperature changes in the Yanhe River Basin from 2015 to 2020(℃)

日期	最小值	最大值	平均值	标准差
2015-07-01	24.80	45.61	35.14	3.12
2018-05-22	17.05	26.85	20.45	1.52
2020-05-11	18.23	34.27	26.51	3.06

新窗口打开| 下载CSV

采用LST产品对反演LST进行精度验证,首先将Landsat数据重采样至与反演数据空间分辨率一致,然后对Landsat数据与验证数据进行配准,随机生成500个有效点,分别提取LST数据并进行相关性分析,结果显示,2015年相关系数达0.569,2018年相关系数达0.675,2020年相关系数达0.632,相关系数均大于0.5,较好地满足了研究需要。因此采用大气校正法反演LST具有可行性。

从延河流域温度等级分布可以看出(图3),总体温度呈现西北高、东南低的现象。这也与当地植被带一一对应,从黄土高原腹地的沙化干草原到森林草原带、再到森林灌木、乔木带,LST逐渐降低。此外,对于此区域的城市有较高的LST,这与城市的下垫面、人类聚集、气候等因素有关。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 不同年份延河流域温度等级分布

Fig.3 Temperature grade distribution in Yanhe River Basin in different years

3.2 LST时空变化特征

2015年、2018年、2020年这3 a的温度等级空间转移情况可分为2015—2018和2018—2020年2个阶段。由温度转移矩阵表3、表4可知,2015—2018年,低温区面积总体呈现减少,共减少2 240.19 hm²,主要是次中温区和中温区的面积转出较大; 次中温区面积减小9 132.12 hm²,为低温区减少面积的4倍多,面积转出主要是次高温区和中温区; 中温区面积由2015年的284 729.49 hm²增加到2018年的297 531.09 hm²,总面积增加12 801.6 hm²; 次高温区面积增加5 597.01 hm²,从中温区转入至次高温区面积最多,达9 508.14 hm²; 高温区面积减少7 026.63 hm²。2018—2020年,低温区面积有所减少,主要是中温区和次高温区的转入面积较少; 次中温区面积总体略有增加,共增加689.58 hm²,主要是中温区的转入面积较大,净转入7 516.98 hm²; 中温区面积变化最大,为面积减少最多的热场区域,共减少9 769.77 hm²,主要是次中温区转出面积较大; 次高温区和高温区面积总有所增加,次高温区面积增加3 637.08 hm²,高温区面积增加7 391.97 hm²。从2015—2020年总体上来看,低温区、次中温区、次高温区面积有所减少,中温区面积增加较大,高温区面积略有增加。究其原因,一方面,随着水土保持工程力度加大,热环境变暖速度有所降低; 另一方面,随着城市的进一步建设与不合理的种植林地等因素的产生,导致部分地区热环境不减反增,对热环境带来一定的不良影响。

表3 2015—2018年温度转移矩阵

Tab.3 Temperature transfer matrix from 2015 to 2018(hm²)

2018年 2015年	低温区	次中温区	中温区	次高温区	高温区	总计
低温区	70 525.80	28 347.93	26 502.39	1 450.08	524.88	127 351.08
次中温区	25 225.74	31 915.98	55 129.95	5 688.27	1 629.54	119 589.48
中温区	24 373.44	38 485.35	144 142.47	50 651.64	27 076.60	284 729.49
次高温区	3 529.08	7 680.42	41 143.50	29 623.86	29 656.80	111 633.66
高温区	1 456.83	4 027.68	30 612.78	29 816.82	58 754.50	124 668.63
总计	125 110.89	110 457.36	297 531.09	117 230.67	117 642.32	767 972.34

新窗口打开| 下载CSV

表4 2018—2020年温度转移矩阵

Tab.4 Temperature transfer matrix from 2018 to 2020(hm²)

2020年 2018年	低温区	次中温区	中温区	次高温区	高温区	总计
低温区	78 520.59	25 666.65	19 162.17	1 434.60	326.88	125 110.89
次中温区	27 076.41	35 266.68	41 553.27	5 112.90	1 448.19	110 457.45
中温区	17 520.75	49 070.25	164 683.71	44 563.14	21 693.24	297 531.09
次高温区	27.63	1 087.47	47 982.33	38 024.91	30 108.33	117 230.67
高温区	16.65	55.98	14 379.84	3 1732.20	71 457.66	117 642.33
总计	123 162.03	111 147.03	287 761.32	120 867.75	125 034.30	767 972.43

新窗口打开| 下载CSV

3.3 LST与土地覆盖类型变化分析

通过使用空间分析方法,将2015年、2018年、2020年土地利用遥感分类数据与Landsat地表温度反演数据在ArcGIS中进行分区统计和面积量算,得到各年份土地类型的面积与在温度分级下各土地类型占该土地类型总面积的比重,该比重用 $θ$ 表示。通过数值化温度分级类型,将低温区赋予5,次中温区赋予4,中温区赋予3,次高温区赋予2,高温区赋予1。

分区LST数值用 $T_{s}$ 表示,则各土地类型在数值化温度等级的评价得分用F_i表示,其公式为:

(8)

F_{i} = θ \cdot T_{s}

。

评价得分如表5所示。虽然各年份各土地类型的分数略有差异,但从总体来看,延河流域2015—2020年3期各下垫面覆盖类型的LST均呈现为水域<林地<草地<耕地<建设用地的特征。因此,通过合理增加水域和林地面积,可有效降低研究区LST,从而减少干旱天气的发生。

表5 各土地类型在不同年份的温度评分情况

Tab.5 The temperature conditions of each land type in different years were scored

土地利用类型	2015年	2018年	2020年
耕地	2.497 67	2.652 77	2.602 38
林地	4.507 34	3.775 78	4.213 32
草地	2.809 73	2.622 07	2.857 82
水域	4.884 62	3.763 21	4.234 66
建设用地	2.215 39	1.542 80	2.026 44

新窗口打开| 下载CSV

3.4 LST与地表参数定量分析

3.4.1 LST与地表参数的回归分析

使用ArcGIS10.8软件随机生成500个样本点,提取各样本点的NDBI,NDMI,NDVI和LST,通过转换工具将点值数据转换为Excel数据,使用SPSS软件进行回归分析,通过对比、实验和验证,获得最佳拟合方程和定量关系,如表6所示。从回归方程可以看出,LST与NDBI呈现正向增长关系,而NDVI,NDMI与LST呈负相关。以2015年为例,NDBI每上升0.1,将产生2.37~5.78 ℃的LST作用; NDMI每增加0.1,LST下降3.4 ℃; NDVI每增加0.1,LST下降2.4 ℃。NDBI与LST呈指数关系,建筑物越多越密集,LST升温越快。

表6 NDBI,NDMI,NDVI与LST的定量关系

Tab.6 The quantitative relationship between NDBI,NDVI,NDMI and LST

年份	回归分析^①
2015年	$\begin{array}{l} L S T = 22.6651 e^{0.993 N D B I} \\ R^{2} = 0.495 \end{array}$	$\begin{array}{l} L S T = - 34.4369 N D M I + 54.508 \\ R^{2} = 0.491 \end{array}$	$\begin{array}{l} L S T = - 24.0171 N D V I + 53.895 \\ R^{2} = 0.449 \end{array}$
2018年	$\begin{array}{l} L S T = 16.261 e^{0.431 N D B I} \\ R^{2} = 0.207 \end{array}$	$\begin{array}{l} L S T = - 8.8673 N D M I + 24.661 \\ R^{2} = 0.203 \end{array}$	$\begin{array}{l} L S T = - 6.4295 N D V I + 25.464 \\ R^{2} = 0.195 \end{array}$
2020年	$\begin{array}{l} L S T = 13.224 e^{1.363 N D B I} \\ R^{2} = 0.489 \end{array}$	$\begin{array}{l} L S T = - 34.78 N D M I + 43.726 \\ R^{2} = 0.473 \end{array}$	$\begin{array}{l} L S T = - 23.9976 N D V I + 44.660 \\ R^{2} = 0.469 \end{array}$

①所有回归方程均通过1%显著性检验。

新窗口打开| 下载CSV

3.4.2 地表参数分布的时空特征

通过在ENVI软件中对预处理过的影像进行相关波段运算,之后对数据进行正向化、归一化处理。通过ArcGIS软件进行专题制图表达,得到2015—2020年NDBI,NDVI和NDMI结果如图4—6所示。2015—2020年,通过NDBI发现建筑物覆盖度有所上升,这与城市扩张、工业生产、居民住房条件改善等因素有关。分析NDVI发现,整体植被覆盖度呈现中等偏下水平,在延安市区植被覆盖度明显较低,林地类型有较高的植被指数。NDMI总体呈现西北低、东南高的空间分布格局,2015年为3 a中NDMI最高的年份。由于气候变化以及不合理的退耕还林等因素,从时间序列上看,NDMI呈现下降趋势。此外,由于遥感图像自身误差以及图像处理误差,导致部分地区指数表现明显,出现数值过高或过低现象。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 不同年份NDBI变化

Fig.4 Change of NDBI in different years

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 不同年份NDVI变化

Fig.5 Change of NDVI in different years

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 不同年份NDMI变化

Fig.6 Change of NDMI in different years

3.4.3 地表温度与地理因素变化统计分析

使用ArcGIS10.8软件进行分区统计分析,得到2015年、2018年和2020年海拔、坡度、坡向与地表平均温度的分类统计值,如图7、表7—9所示。随着海拔升高,地表平均温度逐渐降低,与气温垂直递减规律相类似。延河流域海拔最高等级区与最低等级区地表平均温度相差0.86~1.47 ℃; 坡度对地表温度有一定影响,在2015年、2018年、2020年均呈现为平坡地表平均温度最高,急坡地表平均温度最低,随着坡度的升高LST逐渐降低,这与太阳辐射等因素有关,坡度越缓,地表在正午接收的热量越高;对于不同的坡向,LST也呈现不同程度的差异。阳坡地表平均温度最高,半阳坡、平缓坡、半阴坡平均温度依次降低,阴坡平均温度最低。2015年阳坡与阴坡平均温度相差0.98℃,2018年相差1.07℃,2020年相差1.37℃,阴阳坡LST差异较大。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 延河流域地形因子分级分类图

Fig.7 Topographic factor classification map of Yanhe River Basin

表7 2015年LST与地形因素分类统计

Tab.7 Classification and statistics of LST and topographic factors in 2015

海拔等级		坡度分级		坡向分类
高程/m	平均温度/℃	坡度	平均温度/℃	坡向	平均温度/℃
[495,1 000)	35.42	平坡	35.82	阳坡	35.71
[1 000,1 250)	35.03	缓坡	35.33	半阳坡	35.49
[1 250,1 500)	34.67	斜坡	35.28	平缓坡	35.26
[1 500,1 795)	34.56	陡坡	35.06	半阴坡	35.07
		急坡	34.93	阴坡	34.73

新窗口打开| 下载CSV

表8 2018年LST与地形因素分类统计

Tab.8 Classification and statistics of LST and topographic factors in 2018

海拔等级		坡度分级		坡向分类
高程/m	平均温度/℃	坡度	平均温度/℃	坡向	平均温度/℃
[495,1 000)	21.48	平坡	21.18	阳坡	21.23
[1 000,1 250)	20.55	缓坡	20.51	半阳坡	20.67
[1 250,1 500)	20.05	斜坡	20.43	平缓坡	20.52
[1 500,1 795)	20.01	陡坡	20.38	半阴坡	20.39
		急坡	20.34	阴坡	20.16

新窗口打开| 下载CSV

表9 2020年LST与地形因素分类统计

Tab.9 Classification and statistics of LST and topographic factors in 2020

海拔等级		坡度分级		坡向分类
高程/m	平均温度/℃	坡度	平均温度/℃	坡向	平均温度/℃
[495,1 000)	27.27	平坡	27.38	阳坡	27.22
[1 000,1 250)	26.88	缓坡	26.75	半阳坡	27.09
[1 250,1 500)	26.42	斜坡	26.54	平缓坡	26.72
[1 500,1 795)	26.29	陡坡	26.41	半阴坡	26.35
		急坡	26.27	阴坡	25.85

新窗口打开| 下载CSV

4 结论与讨论

4.1 结论

本文以地处黄土高原的延河流域为例,选取了2015年、2018年、2020年Landsat8遥感影像,借助RS和GIS技术支持,利用大气校正法对LST进行了反演,并在此基础上提取了NDVI,NDBI和NDMI指数,运用空间转移矩阵分析了延河流域LST的空间变化状况,此外,综合土地利用类型进行综合评分,定量分析了不同土地利用类型对LST的影响,结论如下:

1)根据温度空间变异矩阵,2015—2020年,低温区、次中温区、次高温区面积有所减少,中温区面积增加较大,高温区面积略有增加。

2)分析不同土地覆盖类型地表温度变化,发现各下垫面覆盖类型的LST均呈现为水域<林地<草地<耕地<建设用地。水域和林地的面积增加有利于LST的降低,而建设用地的增加会造成LST的异常升高。

3)对地表参数进行定量分析,发现延河流域LST变化与地表参数变化存在显著相关性,NDBI与LST变化呈正相关性,为热环境效应的贡献面; NDVI和NDMI与LST变化呈负相关性,二者处于热环境效应的抑制面,且NDBI与LST关系呈指数型,建筑物越密集对LST影响越大。

4)对地形因素进行分析,发现随着海拔的升高,LST逐渐降低,与气温随海拔的变化趋势一致; 坡度越大,LST越低,到达地面的热量越少; 不同坡向LST有差异,其中阴坡与阳坡LST差异最大,阳坡LST显著高于阴坡LST。

4.2 讨论

地形复杂区LST,不仅受宏观尺度上的纬度、海陆位置、大气环流等因素的影响,还受土地利用类型、植被、地形、建筑指数等因素的影响。因此,综合考虑不同的下垫面参数、土地覆被以及地形因子,是地形复杂区域地表温度的定量化分析的研究趋势。同时,根据下垫面指数与土地利用结构来看,林地与水域对异常高温起到重要的抑制作用,而建筑用地对高温具有正向促进作用。研究区处于半干旱气候区,夏季高温多雷阵雨,冬季寒冷干燥,水资源也不充裕,若贸然增加水域面积,则会带来一系列问题,比如夏季极易可能发生山体滑坡、崩塌、泻溜等重力侵蚀现象,造成严重的水土流失现象。因此,合理种植林草是延河流域治理水土流失、抑制热环境变化的根本措施。目前黄土高原人工林营造使得该区域变绿明显,但同时消耗了大量土壤水分,导致人工林深层土壤出现了大面积的干燥化现象,对区域生态系统稳定性带来威胁。因此,在因地制宜、合理种植林草的同时,实施山水林田湖草沙一体化生态保护和修复,提高生态系统稳定性和可持续性,可为改善生态环境脆弱区提供一定的参考。

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]

Zhao

, Lee

, Schultz

N M

A wedge strategy for mitigation of urban warming in future climate scenarios

[J]. Atmospheric Chemistry and Physics, 2017, 17(14):9067-9080.