-
开放科学(资源服务)标识码(OSID):
-
地表温度(Land Surface Temperature,LST)可以作为地气相互作用的有效指标,是影响区域生态变化的重要因素之一[1],地表温度的变化是地表能量交换的基础[2],研究地表温度及其变化,可间接监测全球气候变化背景下流域生态环境、城市热环境及地表辐射平衡能量等状况[3]. 流域具有承载绿洲的作用,是干旱区人类活动最频繁的场所. 自改革开放以来,随着西部大开发城市化、工业化的高速发展,建筑用地增加,人为改造大面积的下垫面等活动,造成了空气污染严重、城市污染加剧等一系列生态环境问题,威胁着流域居民的健康[4]. 定量反演城市所在流域热环境状况,分析其时空变化特征,可间接监测所在流域的生态环境状况,对流域内城市未来发展规划和生态环境保护具有重要意义.
近年来,遥感卫星数据因具有覆盖范围广、时间同步性、空间分辨率高和成像快等优点[5-8],被广泛应用于地表温度的动态监测中. 学者们基于MODIS等卫星遥感地表温度产品数据,在太湖流域[9]、石羊河流域[10]、博斯腾湖流域[11]等流域尺度探讨了流域的地表温度时空变化特征及不同土地利用/覆被类型对地表温度的影响,进而对流域生态环境展开监测. 然而,在面积较小的流域,MODIS数据的空间分辨率难以满足,相比较中分辨率遥感影像,在小流域尺度选取Landsat系列中高分辨率卫星影像可降低数据空间分辨率带来的误差. Landsat卫星可实现持续地长期观测且容易获取,利用Landsat数据反演LST的相关研究已得到广泛应用. 具体算法有:大气校正法[12]、单窗算法[13]、单通算道法[14]、劈窗算法[15]等;学者们在北京、白沙灌区、齐齐哈尔市辖区、疏勒河上游流域等区域基于Landsat数据采用2种及以上的算法反演地表温度,均发现单窗算法的反演精度较高,可取得较好反演效果[16-20]. 目前,地表温度监测及驱动因素的研究多聚焦于城市区域[21-23]. 干旱区流域是孕育城市的主要区域,在“山地—绿洲—盆地”组合的干旱区流域内,地表环境、地表温度变化过程复杂多变,将整个流域作为研究区,更有利于发现地表温度对全球气候变暖和人类活动的响应.
乌鲁木齐河流域地处亚欧大陆的地理中心,流域内有新疆省会城市乌鲁木齐市,以及附近的五家渠市、下游的昌吉市等城市,是丝绸之路经济带的交通枢纽,乌鲁木齐河流域的环境对流经城市的内外生态起到了决定性作用. 近年来,随着社会经济的发展,流域内人类活动集中,土地利用/覆被大幅改变,城市扩张迅速. 乌鲁木齐河流域内上游人类活动相对较少,中、下游人类活动集中,在气候变化背景下,流域上、中、下游地表温度如何变化尚不明确,对气候变化的响应特征亟待研究. 定量监测乌鲁木齐河流域地表温度的时空变化,有利于乌鲁木齐河流域内的城市发展规划,同时对于周边冰川以及绿洲环境的保护意义重大.
因此,本研究通过利用单窗算法反演2000,2005,2010,2015,2021年5期乌鲁木齐河流域地表温度,反演数据经过归一化处理,并将反演之后的地表温度进行地表温度的分级处理,将LST大致分为5个等级,分别为极高温区、高温区、中温区、低温区以及极低温区,结合温度重心转移模型并计算不同土地利用类型对热环境的贡献度,从空间格局和时间尺度2个方面综合分析乌鲁木齐河流域地表温度22年的变化特征.
Analysis of the Spatial and Temporal Variation Characteristics of Surface Temperature in the Urumqi River Basin from 2000 to 2021
-
摘要:
地表温度是影响生态变化的重要因素之一,地表温度可间接监测所在区域的生态环境状况. 选取Landsat TM/OIL遥感影像为数据源,使用单窗算法定量反演2000,2005,2010,2015,2021年5期乌鲁木齐河流域地表温度,采用重心转移模型分析地表温度的空间转移特征,并结合土地利用数据分析不同土地利用类型的地表温度时空差异. 结果表明:① 2000-2021年,乌鲁木齐河流域地表温度(Land Surface Temperature,LST)整体升高显著,22年间LST平均上升速率为0.44 ℃/a,在空间格局上,整个流域LST空间分布差异较大,温度主要以极高温、高温为主,其中,2021年高温区面积占流域面积的46%;② 2000-2021年各温区重心分布具有明显的方向性转移,各温区重心迁移轨迹明显向中游靠拢,建筑用地面积的增多是流域地表温度变化的主要因素;③ 2000-2021年研究区地表热环境贡献从大到小依次为:草地、林地、水体、耕地、未利用地、建设用地,只有建设用地为正贡献.
Abstract:Land surface temperature (LST) is one of the important factors affecting ecological change. LST can indirectly monitor the ecological environment in the region. In this paper, Landsat TM/OIL remote sensing images were selected as data sources, and the single-window algorithm was used to quantitatively retrieve the land surface temperature (LST) of the Urumqi River basin in the five periods of 2000, 2005, 2010, 2015 and 2021. The gravity shift model was used to analyze the spatial transfer characteristics of LST. Combined with land use data, the spatiotemporal differences of land surface temperature in different land use types were analyzed. The results show as follows: ① LST increases significantly in the Urumqi River basin from 2000 to 2021, and the average LST increase rate in 22 years is 0.44 ℃/a. In terms of spatial pattern, the spatial distribution of LST varies greatly in the whole basin, and the temperature is mainly extremely high and high temperature. In 2021, the area of high temperature area accounts for 46% of the basin area. ② From 2000 to 2021, the distribution of the center of gravity in each temperature region has obvious transfer direction, and the center of gravity migration trajectory in each temperature region is obviously close to the middle reaches. The increase of building land area is the main factor for the change of surface temperature in the basin. ③ From 2000 to 2021, the contribution of surface thermal environment in the study area was grassland, forest land, water body, cultivated land, unused land and construction land, and only construction land made a positive contribution.
-
表 1 影像数据来源列表
影像名 获取时间 行列号 传感器 LT51430292000269BJC00 2000年9月25日 143-29/143-30 TM5 LT51430302005250BJC00 2005年9月7日 143-29/143-30 TM5 LT51430292010232IKR00 2010年8月20日 143-29/143-30 TM5 LC81430292015230LGN01 2015年8月18日 143-29/143-30 OLI LC81430292021214LGN00 2021年8月2日 143-29/143-30 OLI 表 2 地表温度重心转移距离
km 2000-2005年距离 2005-2010年距离 2010-2015年距离 2015-2021年距离 极高温 5.56 26.74 30.59 53.30 高温 5.55 4.82 0.54 17.29 中温 14.26 8.33 4.49 20.72 低温 6.80 7.15 3.29 11.89 极低温 4.05 12.69 6.18 4.31 -
[1] 田浩, 刘琳, 张正勇, 等. 2001-2020年中国地表温度时空分异及归因分析[J]. 地理学报, 2022, 77(7): 1713-1729. [2] 李召良, 段四波, 唐伯惠, 等. 热红外地表温度遥感反演方法研究进展[J]. 遥感学报, 2016, 20(5): 899-920. [3] RAWAT V, SARAF A K, DAS J, et al. Anomalous Land Surface Temperature and Outgoing Long-Wave Radiation Observations Prior to Earthquakes in India and Romania[J]. Natural Hazards, 2011, 59(1): 33-46. doi: 10.1007/s11069-011-9736-5 [4] 郝璐, 孙阁. 城市化对流域生态水文过程的影响研究综述[J]. 生态学报, 2021, 41(1): 13-26. [5] WILLIE Y A, PILLAY R, ZHOU L, et al. Monitoring Spatial Pattern of Land Surface Thermal Characteristics and Urban Growth: ACase Study of King Williams Using Remote Sensing and GIS[J]. Earth Science Informatics, 2019, 12(4): 447-464. doi: 10.1007/s12145-019-00391-2 [6] ZHAO W, HE J L, WU Y H, et al. An Analysis of Land Surface Temperature Trends in the Central Himalayan Region Based on MODIS Products[J]. Remote Sensing, 2019, 11(8): 900. doi: 10.3390/rs11080900 [7] MALAKAR N K, HULLEY G C, HOOK S J, et al. An Operational Land Surface Temperature Product for Landsat Thermal Data: Methodology and Validation[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 56(10): 5717-5735. doi: 10.1109/TGRS.2018.2824828 [8] 宋云帆, 闵文彬, 彭骏. 成都城市下垫面变化对地表热场的影响[J]. 西南大学学报(自然科学版), 2022, 44(7): 197-206. doi: 10.13718/j.cnki.xdzk.2022.07.021 [9] 宋挺, 段峥, 刘军志, 等. Landsat 8数据地表温度反演算法对比[J]. 遥感学报, 2015, 19(3): 451-464. [10] 屈创, 马金辉, 夏燕秋, 等. 基于MODIS数据的石羊河流域地表温度空间分布[J]. 干旱区地理, 2014, 37(1): 125-133. [11] 热伊莱·卡得尔, 玉素甫江·如素力, 阿迪来·乌甫, 等. 2001-2014年博斯腾湖流域地表温度时空分异特征及归因[J]. 干旱地区农业研究, 2018, 36(1): 257-265. [12] 吴志刚, 江滔, 樊艳磊, 等. 基于Landsat 8数据的地表温度反演及分析研究——以武汉市为例[J]. 工程地球物理学报, 2016, 13(1): 135-142. doi: 10.3969/j.issn.1672-7940.2016.01.023 [13] 蒋大林, 匡鸿海, 曹晓峰, 等. 基于Landsat 8的地表温度反演算法研究——以滇池流域为例[J]. 遥感技术与应用, 2015, 30(3): 448-454. [14] 徐涵秋. 新型Landsat 8卫星影像的反射率和地表温度反演[J]. 地球物理学报, 2015, 58(3): 741-747. [15] 覃志豪, ARNON K. 用NOAA-AVHRR热通道数据演算地表温度的劈窗算法[J]. 国土资源遥感, 2001, 13(2): 33-42. doi: 10.3969/j.issn.1001-070X.2001.02.007 [16] 金点点, 宫兆宁. 基于Landsat系列数据地表温度反演算法对比分析——以齐齐哈尔市辖区为例[J]. 遥感技术与应用, 2018, 33(5): 830-841. [17] 张成才, 陈东河, 董洪涛. 基于Landsat-5 TM数据的河南省白沙灌区地表温度反演研究[J]. 遥感技术与应用, 2013, 28(6): 964-968. [18] 黄妙芬, 邢旭峰, 王培娟, 等. 利用LANDSAT/TM热红外通道反演地表温度的三种方法比较[J]. 干旱区地理, 2006, 29(1): 132-137. doi: 10.3321/j.issn:1000-6060.2006.01.022 [19] 苌亚平, 种丹, 李浩杰, 等. 基于HJ-1B卫星数据的疏勒河上游流域地表温度反演[J]. 冰川冻土, 2015, 37(4): 954-962. [20] 朱伊, 范广洲, 华维, 等. 1981-2015年青藏高原地表温度的时空变化特征分析[J]. 西南大学学报(自然科学版), 2018, 40(11): 127-140. doi: 10.13718/j.cnki.xdzk.2018.11.018 [21] 周玄德, 郭华东, 孜比布拉·司马义. 城市扩张过程中不透水面空间格局演变及其对地表温度的影响——以乌鲁木齐市为例[J]. 生态学报, 2018, 38(20): 7336-7347. [22] 魏莉莉, 蒋求名, 马捷, 等. 昆明主城区土地覆盖时空分布及地表温度响应[J]. 农机化研究, 2023, 45(2): 56-61. [23] 梁洪武, 阿里木江·卡斯木, 张雪玲, 等. 干旱区绿洲城市群地表温度时空变化及其影响因素——以天山北坡城市群为例[J]. 生态学报, 2023, 43(9): 3650-3664. [24] YANG J E, HUANG X. The 30 m Annual Land Cover Dataset and Its Dynamics in China from 1990 to 2019[J]. Earth System Science Data, 2021, 13(8): 3907-3925. doi: 10.5194/essd-13-3907-2021 [25] 覃志豪, ZHANG M H, ARNON K, 等. 用陆地卫星TM6数据演算地表温度的单窗算法[J]. 地理学报, 2001, 56(4): 456-466. [26] 覃志豪, LI W J, ZHANG M H, 等. 单窗算法的大气参数估计方法[J]. 国土资源遥感, 2003, 15(2): 37-43. doi: 10.3969/j.issn.1001-070X.2003.02.010 [27] 杨景梅, 邱金桓. 用地面湿度参量计算我国整层大气可降水量及有效水汽含量方法的研究[J]. 大气科学, 2002, 26(1): 9-22. doi: 10.3878/j.issn.1006-9895.2002.01.02 [28] 覃志豪, 李文娟, 徐斌, 等. 陆地卫星TM6波段范围内地表比辐射率的估计[J]. 国土资源遥感, 2004, 16(3): 28-32, 36. doi: 10.3969/j.issn.1001-070X.2004.03.007 [29] 李文亮, 张丽娟, 陈红, 等. 哈尔滨市城市扩展与地表热环境变化关系研究[J]. 地域研究与开发, 2010, 29(2): 49-52, 58. doi: 10.3969/j.issn.1003-2363.2010.02.010 [30] 孙宗耀, 孙希华, 徐新良, 等. 土地利用差异与变化对区域热环境贡献研究——以京津冀城市群为例[J]. 生态环境学报, 2018, 27(7): 1313-1322. [31] 帅晨, 沙晋明, 林金煌, 等. 不同下垫面遥感指数与地温关系的空间差异性研究[J]. 地球信息科学学报, 2018, 20(11): 1657-1666. doi: 10.12082/dqxxkx.2018.180303 [32] 翟盘茂, 余荣, 郭艳君, 等. 2015/2016年强厄尔尼诺过程及其对全球和中国气候的主要影响[J]. 气象学报, 2016, 74(3): 309-321.