黄河源区夏季地表温度变化研究

2023-09-28唐太斌金晓媚魏赛拉加张永艳

干旱区地理(汉文版) 2023年8期

唐太斌，周保，金晓媚，魏赛拉加，马涛，张永艳

（1.青海省地质环境监测总站，青海西宁 810008；2.中国地质大学（北京）水资源与环境学院，北京 100083）

黄河源区作为黄河的发源地，是中华水塔的重要组成部分。源区生态环境敏感、脆弱，近几十年来，源区多年冻土已发生大面积退化并日趋严重［1］，植被范围逐渐减少，草场退化、水土流失严重等生态环境问题日趋严重。地表温度是地表、大气及太阳之间的热量交换，不少学者将其视为监测地球环境动态变化的重要指标之一。有学者将地表温度应用于灾害监测，如利用热红外异常来研究地表温度与地震发生的关系［1］。研究黄河源区地表温度是深入研究三江源地区能量循环、环境保护的基础，可为黄河源区的生态保护及三江源气候变化与生态响应提供科学依据。同时，精确反演地表温度对于全球气候变化的研究、地球环境灾害监测及自然资源管理有着极其重要的意义［2］。

单通道算法是利用卫星传感器上的一个热红外通道来获得地表的辐射能量，并利用大气的温度廓线、湿度廓线和压力廓线，建立大气辐射传输方程，以此为基础来消除大气以及地表比辐射率对地表温度的影响，进一步通过普朗克函数反演得到地表温度［3］。覃志豪等［4］利用Landsat TM 数据的第6波段，推出了只需3个参数反演地表温度的算法，其具有较高反演精度。毛克彪等［5］首次利用覃志豪提出的基于Landsat TM 数据的单窗反演算法，对MODIS 卫星的第31、32 波段建立了辐射率与温度的线性经验关系式。毛克彪等［6］首次推导出了适用于ASTER 传感器的单窗算法，该算法更适合于小区域的温度空间差异分析。Landsat 卫星具有空间分辨率高、观测时间序列长的优势，已经有接近40 a的观测数据。其次，Landsat 是一种多光谱数据，光谱信息丰富且存储数据多，其热红外波段对地物的热信息比较敏感。因此，本文选用Landsat数据反演黄河源区夏季的地表温度。

1 数据与方法

1.1 研究区概况

黄河源区（33°～35°N，95°～102°E）位于青藏高原东部、青海省南部（图1），南北长约171 km，东西长约232 km，面积约14.75 km2，平均海拔在4000 m左右，最高约6200 m。研究区属高原大陆性气候，气温相对较低，早晚温差大，夏季多年平均气温为3.67 ℃。源区蒸散发相对强烈，年均蒸发量达到1200～2000 mm，2001—2009年黄河源年蒸散量增加明显［7-8］。

图1 研究区示意图Fig.1 Schematic diagram of the study area

1.2 研究数据

本研究选取1990、1995、2000、2005、2010 年7月或8 月Landsat5 的TM 数据，选取2015、2018 年7月或8 月Landsat8 的OLI/TIRS 数据，由于Landsat 扫描面积相对较小，同一月份很难拼出完整覆盖研究区的影像，需要多幅影像镶嵌而成，选取时云量低于10%，则向相邻（前后）年度取缺少部分的影像。本文采用空间分辨率为30 m 的SRTM-DEM 高程数据，来自中科院地理空间数据云网站（http://www.gscloud.cn）；气象数据来自中国气象数据网（http://data.cma.cn）；土壤湿度数据来自GLDAS 全球陆面数据同化系统（https://disc.gsfc.nasa.gov/datasets）。

1.3 研究方法

1.3.1 反演方法覃志豪针对Landsat 5数据的热红外波段特点，根据地表热辐射传导方程推导出了精度较高的地表温度反演算法［4］，主要是将大气和地表的作用直接反映在公式中，公式如下［4］：

式中：Ts为实际地表温度（K）；a、b 为回归系数（a=-37.3556，b=0.4586）；Tsensor为传感器亮度温度（K）；Ta为大气平均作用温度（K）；τ为大气透过率；ε为地表比辐射率；C、D为关于τ与ε的函数。该方法适用于只有一个热红外波段的遥感数据［9］，且仅需地表比辐射率、大气透过率、大气平均作用温度3个参数即可实现地表温度的反演。

国内外学者针对Landsat8 TIRS的第10波段，对单窗算法公式中的a、b 2 个参数进行拟合，得到Landsat8 TIRS波段10的地表温度反演算法公式［4］：

式中：Ts10为Landsat8 TIRS 波段10 反演得到的地表温度（K）；Tsensor10为Landsat8 TIRS 波段10 的传感器亮度温度（K）；a10、b10为回归系数（表1）；C10、D10为关于中间变量τ10与ε10的函数，根据以下公式得到：

表1 Landsat8 TIRS波段10的回归系数取值［10］Tab.1 Regression coefficient value of Landsat8 TIRS band 10［10］

1.3.2 分析方法本文分析利用一元线性回归趋势分析方法来计算每个像元在1990—2018年（间隔3～5 a）的变化趋势，分析黄河源区夏季地表温度的变化情况，计算公式为［11］：

式中：QinLSTslope为每个像元在这7 a 变化趋势的斜率；i为年序号（i=1, 2, 3, …,n）；QinLSTi为第i年夏季的覃志豪算法地表温度值。QinLSTslope＞0 说明地表温度在上升，QinLSTslope＜0，说明地表温度值在下降。

数学家皮尔逊基于极大似然法提出变量之间的相关系数（r），被用来衡量2 个变量之间线性关系的强弱。r的正负代表着变量间的相关性质，若其r越接近于1，则说明两组数据之间的正相关性越强。本文通过计算皮尔逊相关系数来反映地表温度与其影响因素之间的关系，计算公式如下［12］：

式中：i为第几年；n为时间序列长度；xi、yi为第i年的样本值；xˉ、yˉ分别为样本值x、y的平均值。

1.3.3 反演参数的确定覃志豪地表温度单窗反演算法需要确定3 个物理参数：（1）地表比辐射率，指物体与黑体在同温度、同波长下辐射出射度的比值［13-14］。在确定传感器测距范围和像素尺寸时，地表比发射率的大小主要取决于地表材料的组成、形状和结构［15］。研究区的地表比辐射率根据其像元中的土地利用类型及植被指数计算［16-19］，本研究区将地表划分为水体、植被、自然地表（裸地+建筑用地+冰川）。（2）大气透过率，指电磁波在大气中传播时，经大气衰减后的电磁辐射通量与入射时电磁辐射通量的比值，其大小主要由大气状况、入射点高度等因素决定。本文利用覃志豪等提出结合水汽含量动态变化的大气透过率方程进行估算［20-25］。（3）大气平均作用温度，主要受大气分子的活跃状态、大气剖面温度及大气成分的运动特征等影响［26］。本文将根据大气平均气温与地表高程之间的关系，通过大气模拟，得出在不同大气模式及不同大气剖面的背景下，估算大气平均作用温度［27-28］。其中地表比辐射率的计算需要用Landsat 多光谱数据求得植被指数NDVI，再利用像元二分模型计算得到植被覆盖率，结合不同地物类型的地表求得整个源区地表比辐射率。大气透过率主要受大气水汽含量的影响，借助经验公式求得大气透过率的值。根据不同大气模式的经验公式估算得到大气平均作用温度。

1.3.4 地表温度反演原始数据经过一系列预处理后，需要进行辐射亮温的计算，利用Planck 公式进行亮度温度值的转化，即可获得地表温度，公式如下［4］：

式中：Tsensor为传感器亮度温度（K）；Lsensor为经过预处理之后的辐射亮度（w·m-2·sr-1·μm-1）；K1、K2为常量，可从影像数据文件中获得（表2）。

表2 辐射常数KTab.2 Radiation constant K

根据公式（1）、（4）、（6）即可反演得到地表温度。

2 结果与分析

2.1 反演结果的验证

将覃志豪反演地表温度（简称反演地表温度）与MODIS 地表温度进行对比验证。由于MODIS 数据仅在2000 年以后才有数据产品，因此选取2000、2005、2010、2015、2018年夏季MODIS 地表温度数据进行验证（图2）。

图2 反演地表温度与MODIS地表温度对比Fig.2 Comparison between retrieved surface temperature and MODIS surface temperature

总体上，反演地表温度的平均值高于MODIS 地表温度的平均值，这是由于相对于其他热红外传感器，Landsat 数据具有非常高的空间分辨率，而MODIS 数据分辨率较低，其混合像元包含的地物信息变化相对更大，会拉低整体的地表温度值，另外黄河源区扎陵湖及鄂陵湖的面积较大，进一步影响了黄河源区夏季地表温度的平均值。5 个年份的地表温度平均值在2015 年发生突变，MODIS 地表温度平均值在2015 年之前是先下降而后再上升，而反演地表温度在2015 年之前呈现先上升再下降而后再上升的趋势，在2015 年之后，两种数据地表温度的平均值呈下降趋势。在年际尺度上，两种地表温度平均值有所差异，因此有必要对两种地表温度数据进行相关性分析。

2000—2018 年反演地表温度与MODIS 地表温度呈正相关，其中2015年两种地表温度数据的相关性最高，r为0.59，2018 年两种地表温度的相关性最低，其余各年份r值不是很高，在0.43～0.53 之间（图3），主要原因为两种地表温度数据的空间分辨率不一致；反演的Landsat数据是由不同时间的影响镶嵌而成，存在一定误差；少量云的存在会影响反演的结果。

图3 反演地表温度与MODIS地表温度的相关性Fig.3 Correlation between retrieved surface temperature and MODIS surface temperature

2.2 地表温度的时空分布特征

利用覃志豪单窗反演算法反演得到黄河源区夏季地表温度空间分布（图4a～g）。整体上，黄河源区北部地表温度最高，可达50 ℃，这是因为北部地区海拔较低，且耕地及建筑用地较多；黄河源中部地区地表温度呈现蓝色的区域为冰川，其温度最低，约为-24 ℃，其他蓝色的区域有部分是云层覆盖，导致地表温度较低呈现蓝色。

图4 反演地表温度的空间分布及年际变化趋势Fig.4 Spatial distribution and interannual variation trend of retrieved surface temperature

局部来看，黄河源区西部的两大湖泊，扎陵湖及鄂陵湖的表面温度相对较低；1995 年黄河源区南部、2005年及2010年黄河源区西南部地表温度有负值出现（图4b、d～e），由于零散的云覆盖所导致。

根据线性回归公式（6）计算出7 个年份地表温度的变化斜率值（图4h），对地表温度年平均值序列变化进行趋势分析［29］，从图中可以看出，1990—2018 年，黄河源区北部及中部边缘山区地表温度呈现上升趋势，黄河源西部及东部地区地表温度呈现下降趋势。

2.3 地表温度影响因素分析

地表温度主要受高程、土壤湿度、气候、植被状况、用地类型以及人类活动等因素的共同影响。黄河源区建筑用地少，人类活动范围较小，因此黄河源区地表温度主要受自然因素影响。降水和气温通过水热交换影响了每个像元地表温度的大小；在众多影响因素中，地表高程与地表温度的相关性最高；土壤湿度也影响了地表温度的空间分布，植被及土地利用类型对地表温度的影响主要是通过地表比辐射率体现的［30］。因此，探讨高程、土壤湿度、气候、植被状况和土地类型等因素对黄河源区夏季地表温度时空分布的影响十分必要。

2.3.1 高程根据研究区高程数据，选取高程起伏较大、纬度变化小、地物类型变化不大的区域，以保证在高程与地表温度的相关性分析中，高程是最主要的影响因素。提取其7个年份的高程以及地表温度并计算其r值（图5），各年份地表温度与高程存在明显的负相关关系，r值平均为-0.65，2000、2015、2018 年均达0.70 以上（图5c、f～g）。高程平均每增高100 m，地表温度下降约0.925 ℃。

图5 地表温度与高程的相关性Fig.5 Correlation between surface temperature and elevation

2.3.2 土壤湿度选用GLDAS 土壤湿度数据产品（https://disc.gsfc.nasa.gov），该数据的空间分辨率较为粗糙，仅为0.25°，无法在空间上反映地表温度与土壤湿度的相关关系。但是黄河源区面积大，可以在空间上进行对比，可在一定程度上反映土壤湿度与地表温度的变化情况。黄河源区土壤湿度的高值区分布在研究区的南部及东南部，而低值区域分布在东北部及西部（图6a）。空间上，黄河源区东部及西部地表温度较高，其土壤湿度低；黄河源区东南部地表温度相对较低，其土壤湿度高，某种程度上可以说明地表温度与土壤湿度在空间分布上存在负相关关系（图6）。

图6 2015年土壤湿度与地表温度的空间分布Fig.6 Spatial distributions of soil moisture and surface temperature in 2015

2.3.3 气温将气温栅格数据重新降尺度至30 m空间分辨率，并投影至与地表温度空间分布图一致的坐标系，计算出黄河源区夏季地表温度与夏季气温的相关性空间分布（图7），整个黄河源区地表温度与气温呈正相关的部分约占55%，r平均值约为0.38，主要分布在黄河源区的西部、北部和东南部山区。源区西部及东部存在明显的分带现象，是由于不同时相的影像镶嵌而成。

图7 地表温度与气温的相关性Fig.7 Correlation between surface temperature and air temperature

2.3.4 降水量利用ENVI软件计算得出黄河源区夏季地表温度与夏季降水量的相关性空间分布（图8），进一步统计栅格，其中约70%的像元其r为负值，其中r小于-0.4 的像元约占20%，说明随着该地区降水量的增加，相应的黄河源区地表温度降低，呈负相关关系的像元主要分布在黄河源区西部两大湖泊附近，及黄河源中部山区、南部东部边缘地区。

图8 地表温度与降水量的相关性Fig.8 Correlation between surface temperature and precipitation

2.3.5 用地类型提取不同地物类型的地表温度（图9），不难看出，1990—2018年水体的地表温度基本不变，其他地物的地表温度均呈现上升的趋势；冰川与裸地的地表温度升高最快，冰川从1990年平均地表温度-7.0 ℃上升到2018 年平均地表温度3.0 ℃，增幅达10.0 ℃；裸地由1990 年平均地表温度23.7 ℃上升到2018 年的34.5 ℃，增幅达10.8 ℃；耕地、植被的地表温度呈现上升趋势，但增速较缓，分别由1990 年平均地表温度27.2 ℃、21.2 ℃上升到2018年的34.1 ℃、27.3 ℃，增幅分别达6.9 ℃、6.1 ℃。