4
2000
... 从冻土物理学角度出发，多年冻土是岩石圈-土壤-大气圈热质交换过程中相互作用形成和发展的［1］，自然界的许多因素参与了这一过程.在全球尺度上，气候的地带性规律控制着多年冻土的变化和分布差异；在区域尺度和局地尺度上，植被、土壤、积雪以及微地形等的差异对多年冻土分布的影响在一定条件下会超过大的气候背景成为驱动多年冻土空间分布的主要因素，造成多年冻土在空间上的非气候带分布规律［2-6］.青藏高原发育着全球中低纬度地区海拔最高、面积最大的多年冻土区［7］，其多年冻土面积达1.06×106 km2［8］，在区域气候和地质条件等因素的综合影响下，青藏高原多年冻土分布特征具有显著的空间差异.因此，研究多年冻土分布的影响因素是区域冻土研究的重要内容之一，建立多年冻土空间分布与环境因子之间的关系也是多年冻土预测、建模必不可少的基础. ...
... 气候背景直接影响到地表温度［39］，各种地质地理因素对多年冻土的影响主要表现为影响到达地面的热流大小［1］，其相互作用下导致地气系统能量变化在空间上的不同，造成多年冻土在空间上的分异［40］.在不同区域，各局地因素对多年冻土分布的影响程度也有较大差异.在选取的因子中，探测结果（表3）显示，地表温度都为影响各区域多年冻土分布的主要因素，并结合相关分析得到研究区各因子与多年冻土分布之间的相关性（表4），分析讨论得出地表温度越低的区域多年冻土分布越广泛.根据探测的各因子q值，以0.3为标准进行划分，探讨各局地因素对多年冻土分布的影响强弱，表明：积雪日数、NDVI和地表反照率对温泉地区和西昆仑地区多年冻土分布影响较大，改则地区和不冻泉地区影响多年冻土分布较强的因子为积雪日数，阿尔金地区多年冻土分布除了受地表温度影响较强，其他局地因素都表现为弱影响. ...
... 植被是影响多年冻土热状况的主要因素之一，植被能减少到达地表的太阳辐射，降低地面温度差，减少了进入土壤中的热量［1］.NDVI对温泉地区和西昆仑地区的多年冻土分布影响较强，而对改则地区、阿尔金地区和不冻泉地区的多年冻土分布影响较弱.分析其原因为：植被对地表层热状况影响取决于所在地区植被分布特征［41］，在温泉地区和西昆仑地区，植被与地表温度的空间分布存在相似性，即地表温度高的地区，植被发育越好，与两地主要以山地地形为主有很大的联系，而地表温度特征与多年冻土的分布具有明显的一致性.而在改则地区、阿尔金地区和不冻泉地区，山地地形分布不集中，NDVI与地表温度在空间上的分布无规律.在温泉和西昆仑地区，NDVI和多年冻土的分布关系表现为NDVI越小的区域，多年冻土分布越广泛；而在其他地区表现为NDVI越大的区域，多年冻土分布越广泛. ...
... 积雪的作用主要有：阻碍地表与大气之间热交换起隔热作用、使一部分热量不能达到地表起冷却作用、融化时吸收大量的热量起冷却作用，高原上不同区域雪盖对浅层地温的影响存在较大差异，冷季积雪的综合作用是削弱地表的冷却作用，对浅层地温起到了保温作用［1，41］.积雪对研究区多年冻土分布的影响表现为：温泉地区和西昆仑地区影响最强，不冻泉地区和改则地区次之，阿尔金地区影响最弱.分析其原因为：阿尔金地区平地较多且分布集中，温泉地区和西昆仑地区多为山地地形，海拔相差大；不冻泉地区和改则地区平地分布虽然多，但不集中，积雪日数特征和多年冻土分布在空间上表现为积雪日数越多的区域多年冻土分布越广泛. ...
4
2000
... 从冻土物理学角度出发，多年冻土是岩石圈-土壤-大气圈热质交换过程中相互作用形成和发展的［1］，自然界的许多因素参与了这一过程.在全球尺度上，气候的地带性规律控制着多年冻土的变化和分布差异；在区域尺度和局地尺度上，植被、土壤、积雪以及微地形等的差异对多年冻土分布的影响在一定条件下会超过大的气候背景成为驱动多年冻土空间分布的主要因素，造成多年冻土在空间上的非气候带分布规律［2-6］.青藏高原发育着全球中低纬度地区海拔最高、面积最大的多年冻土区［7］，其多年冻土面积达1.06×106 km2［8］，在区域气候和地质条件等因素的综合影响下，青藏高原多年冻土分布特征具有显著的空间差异.因此，研究多年冻土分布的影响因素是区域冻土研究的重要内容之一，建立多年冻土空间分布与环境因子之间的关系也是多年冻土预测、建模必不可少的基础. ...
... 气候背景直接影响到地表温度［39］，各种地质地理因素对多年冻土的影响主要表现为影响到达地面的热流大小［1］，其相互作用下导致地气系统能量变化在空间上的不同，造成多年冻土在空间上的分异［40］.在不同区域，各局地因素对多年冻土分布的影响程度也有较大差异.在选取的因子中，探测结果（表3）显示，地表温度都为影响各区域多年冻土分布的主要因素，并结合相关分析得到研究区各因子与多年冻土分布之间的相关性（表4），分析讨论得出地表温度越低的区域多年冻土分布越广泛.根据探测的各因子q值，以0.3为标准进行划分，探讨各局地因素对多年冻土分布的影响强弱，表明：积雪日数、NDVI和地表反照率对温泉地区和西昆仑地区多年冻土分布影响较大，改则地区和不冻泉地区影响多年冻土分布较强的因子为积雪日数，阿尔金地区多年冻土分布除了受地表温度影响较强，其他局地因素都表现为弱影响. ...
... 植被是影响多年冻土热状况的主要因素之一，植被能减少到达地表的太阳辐射，降低地面温度差，减少了进入土壤中的热量［1］.NDVI对温泉地区和西昆仑地区的多年冻土分布影响较强，而对改则地区、阿尔金地区和不冻泉地区的多年冻土分布影响较弱.分析其原因为：植被对地表层热状况影响取决于所在地区植被分布特征［41］，在温泉地区和西昆仑地区，植被与地表温度的空间分布存在相似性，即地表温度高的地区，植被发育越好，与两地主要以山地地形为主有很大的联系，而地表温度特征与多年冻土的分布具有明显的一致性.而在改则地区、阿尔金地区和不冻泉地区，山地地形分布不集中，NDVI与地表温度在空间上的分布无规律.在温泉和西昆仑地区，NDVI和多年冻土的分布关系表现为NDVI越小的区域，多年冻土分布越广泛；而在其他地区表现为NDVI越大的区域，多年冻土分布越广泛. ...
... 积雪的作用主要有：阻碍地表与大气之间热交换起隔热作用、使一部分热量不能达到地表起冷却作用、融化时吸收大量的热量起冷却作用，高原上不同区域雪盖对浅层地温的影响存在较大差异，冷季积雪的综合作用是削弱地表的冷却作用，对浅层地温起到了保温作用［1，41］.积雪对研究区多年冻土分布的影响表现为：温泉地区和西昆仑地区影响最强，不冻泉地区和改则地区次之，阿尔金地区影响最弱.分析其原因为：阿尔金地区平地较多且分布集中，温泉地区和西昆仑地区多为山地地形，海拔相差大；不冻泉地区和改则地区平地分布虽然多，但不集中，积雪日数特征和多年冻土分布在空间上表现为积雪日数越多的区域多年冻土分布越广泛. ...
Climate change disequilibrium of boreal permafrost peatlands caused by local processes
1
1998
... 从冻土物理学角度出发，多年冻土是岩石圈-土壤-大气圈热质交换过程中相互作用形成和发展的［1］，自然界的许多因素参与了这一过程.在全球尺度上，气候的地带性规律控制着多年冻土的变化和分布差异；在区域尺度和局地尺度上，植被、土壤、积雪以及微地形等的差异对多年冻土分布的影响在一定条件下会超过大的气候背景成为驱动多年冻土空间分布的主要因素，造成多年冻土在空间上的非气候带分布规律［2-6］.青藏高原发育着全球中低纬度地区海拔最高、面积最大的多年冻土区［7］，其多年冻土面积达1.06×106 km2［8］，在区域气候和地质条件等因素的综合影响下，青藏高原多年冻土分布特征具有显著的空间差异.因此，研究多年冻土分布的影响因素是区域冻土研究的重要内容之一，建立多年冻土空间分布与环境因子之间的关系也是多年冻土预测、建模必不可少的基础. ...
Influences of local factors on permafrost occurrence and their implications for Qinghai-Xizang Railway design
1
2003
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
局地因素对多年冻土分布的影响及其对青藏铁路设计的启示
1
2003
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
Review on the interaction models between Climatic system and frozen soil
0
2002
Remote sensing of permafrost-related problems and hazards
1
2008
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
Temporal and spatial variations of the active layer along the Qinghai-Tibetan Highway in a permafrost region
1
2012
... 从冻土物理学角度出发，多年冻土是岩石圈-土壤-大气圈热质交换过程中相互作用形成和发展的［1］，自然界的许多因素参与了这一过程.在全球尺度上，气候的地带性规律控制着多年冻土的变化和分布差异；在区域尺度和局地尺度上，植被、土壤、积雪以及微地形等的差异对多年冻土分布的影响在一定条件下会超过大的气候背景成为驱动多年冻土空间分布的主要因素，造成多年冻土在空间上的非气候带分布规律［2-6］.青藏高原发育着全球中低纬度地区海拔最高、面积最大的多年冻土区［7］，其多年冻土面积达1.06×106 km2［8］，在区域气候和地质条件等因素的综合影响下，青藏高原多年冻土分布特征具有显著的空间差异.因此，研究多年冻土分布的影响因素是区域冻土研究的重要内容之一，建立多年冻土空间分布与环境因子之间的关系也是多年冻土预测、建模必不可少的基础. ...
青藏公路沿线多年冻土区活动层动态变化及区域差异特征
1
2012
... 从冻土物理学角度出发，多年冻土是岩石圈-土壤-大气圈热质交换过程中相互作用形成和发展的［1］，自然界的许多因素参与了这一过程.在全球尺度上，气候的地带性规律控制着多年冻土的变化和分布差异；在区域尺度和局地尺度上，植被、土壤、积雪以及微地形等的差异对多年冻土分布的影响在一定条件下会超过大的气候背景成为驱动多年冻土空间分布的主要因素，造成多年冻土在空间上的非气候带分布规律［2-6］.青藏高原发育着全球中低纬度地区海拔最高、面积最大的多年冻土区［7］，其多年冻土面积达1.06×106 km2［8］，在区域气候和地质条件等因素的综合影响下，青藏高原多年冻土分布特征具有显著的空间差异.因此，研究多年冻土分布的影响因素是区域冻土研究的重要内容之一，建立多年冻土空间分布与环境因子之间的关系也是多年冻土预测、建模必不可少的基础. ...
Impacts of climatic change on permafrost and cold regions environments in China
1
... 从冻土物理学角度出发，多年冻土是岩石圈-土壤-大气圈热质交换过程中相互作用形成和发展的［1］，自然界的许多因素参与了这一过程.在全球尺度上，气候的地带性规律控制着多年冻土的变化和分布差异；在区域尺度和局地尺度上，植被、土壤、积雪以及微地形等的差异对多年冻土分布的影响在一定条件下会超过大的气候背景成为驱动多年冻土空间分布的主要因素，造成多年冻土在空间上的非气候带分布规律［2-6］.青藏高原发育着全球中低纬度地区海拔最高、面积最大的多年冻土区［7］，其多年冻土面积达1.06×106 km2［8］，在区域气候和地质条件等因素的综合影响下，青藏高原多年冻土分布特征具有显著的空间差异.因此，研究多年冻土分布的影响因素是区域冻土研究的重要内容之一，建立多年冻土空间分布与环境因子之间的关系也是多年冻土预测、建模必不可少的基础. ...
气候变化对中国多年冻土和寒区环境的影响
1
2000
... 从冻土物理学角度出发，多年冻土是岩石圈-土壤-大气圈热质交换过程中相互作用形成和发展的［1］，自然界的许多因素参与了这一过程.在全球尺度上，气候的地带性规律控制着多年冻土的变化和分布差异；在区域尺度和局地尺度上，植被、土壤、积雪以及微地形等的差异对多年冻土分布的影响在一定条件下会超过大的气候背景成为驱动多年冻土空间分布的主要因素，造成多年冻土在空间上的非气候带分布规律［2-6］.青藏高原发育着全球中低纬度地区海拔最高、面积最大的多年冻土区［7］，其多年冻土面积达1.06×106 km2［8］，在区域气候和地质条件等因素的综合影响下，青藏高原多年冻土分布特征具有显著的空间差异.因此，研究多年冻土分布的影响因素是区域冻土研究的重要内容之一，建立多年冻土空间分布与环境因子之间的关系也是多年冻土预测、建模必不可少的基础. ...
A new map of permafrost distribution on the Tibetan Plateau
2
2017
... 从冻土物理学角度出发，多年冻土是岩石圈-土壤-大气圈热质交换过程中相互作用形成和发展的［1］，自然界的许多因素参与了这一过程.在全球尺度上，气候的地带性规律控制着多年冻土的变化和分布差异；在区域尺度和局地尺度上，植被、土壤、积雪以及微地形等的差异对多年冻土分布的影响在一定条件下会超过大的气候背景成为驱动多年冻土空间分布的主要因素，造成多年冻土在空间上的非气候带分布规律［2-6］.青藏高原发育着全球中低纬度地区海拔最高、面积最大的多年冻土区［7］，其多年冻土面积达1.06×106 km2［8］，在区域气候和地质条件等因素的综合影响下，青藏高原多年冻土分布特征具有显著的空间差异.因此，研究多年冻土分布的影响因素是区域冻土研究的重要内容之一，建立多年冻土空间分布与环境因子之间的关系也是多年冻土预测、建模必不可少的基础. ...
... 青藏高原冻土分布图采用Zou等［8］利用TTOP模型的模拟结果.在此基础上选取五个研究区，分别为东部温泉地区、西部西昆仑地区、南部改则地区、北部阿尔金地区和中部不冻泉地区.这些区域均分布于多年冻土与季节冻土的过渡地带（图1），多为不连续多年冻土. ...
Accuracy verification of the Tibetan Plateau permafrost map based on MODIS LST product
1
2017
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
MODISLST产品青藏高原冻土图的精度验证
1
2017
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
Assessing the applicability of MODIS land surface temperature products in continuous permafrost regions in the central Tibetan Plateau
2
2015
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
... Sources of the used data
Table 1| 数据 | 指标 | 描述 |
|---|
| 地表温度 | 全天地表温度 | 采用基于物理的白天/黑夜地表温度反演的MOD11系列遥感数据集，用其包含的白天地表温度和晚上地表温度来计算全天地表温度［10，30］ |
| 积雪 | 冬半年积雪日数 | 来源于中国科学院西北生态环境资源研究院Hao等［31］制作的MODIS 005版本和IMS数据集的青藏高原融合逐日无云积雪产品数据集 |
| 植被 | 7—9月NDVI | MOD13A2 16d植被指数合成产品 |
| 反照率 | 地表短波反照率 | MCD43A4数据集，利用其1~7波段的反照率计算短波地表反照率［32］ |
| DEM | 坡度、坡向 | 在ArcGIS中使用surface analysis工具，基于30 m分辨率的DEM数字高程模型数据，提取坡度和坡向 |
1.3 方法与模型本研究利用地理探测器模型，确定不同因子对各研究区多年冻土分布的影响程度.地理探测器模型［21，33］能探测同一区域内变量的相似性、不同区域间变量的差异性.假设自变量X和因变量Y的空间分布趋于一致，那么它们之间存在统计关联性，进而可以揭示其因果关系.两个变量空间分布的一致性、空间分异性可以用地理探测器中的q值度量，而q值可直接用地理探测器模型计算（http：//www.geodetector.org/）.本文所使用地理探测器功能包括［34］：（1）因子探测；（2）交互作用探测，地理探测器模型的公式表达如下： ...
MODIS地表温度产品在青藏高原连续多年冻土区的适用性分析
2
2015
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
... Sources of the used data
Table 1| 数据 | 指标 | 描述 |
|---|
| 地表温度 | 全天地表温度 | 采用基于物理的白天/黑夜地表温度反演的MOD11系列遥感数据集，用其包含的白天地表温度和晚上地表温度来计算全天地表温度［10，30］ |
| 积雪 | 冬半年积雪日数 | 来源于中国科学院西北生态环境资源研究院Hao等［31］制作的MODIS 005版本和IMS数据集的青藏高原融合逐日无云积雪产品数据集 |
| 植被 | 7—9月NDVI | MOD13A2 16d植被指数合成产品 |
| 反照率 | 地表短波反照率 | MCD43A4数据集，利用其1~7波段的反照率计算短波地表反照率［32］ |
| DEM | 坡度、坡向 | 在ArcGIS中使用surface analysis工具，基于30 m分辨率的DEM数字高程模型数据，提取坡度和坡向 |
1.3 方法与模型本研究利用地理探测器模型，确定不同因子对各研究区多年冻土分布的影响程度.地理探测器模型［21，33］能探测同一区域内变量的相似性、不同区域间变量的差异性.假设自变量X和因变量Y的空间分布趋于一致，那么它们之间存在统计关联性，进而可以揭示其因果关系.两个变量空间分布的一致性、空间分异性可以用地理探测器中的q值度量，而q值可直接用地理探测器模型计算（http：//www.geodetector.org/）.本文所使用地理探测器功能包括［34］：（1）因子探测；（2）交互作用探测，地理探测器模型的公式表达如下： ...
Mean annual ground temperature distribution on the Tibetan Plateau： permafrost distribution mapping and further application
1
2002
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
基于年平均地温的青藏高原冻土分布制图及应用
1
2002
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
The mean annual temperature at the top of permafrost， the TTOP model， and the effect of unfrozen water
0
2002
A GIS-aided response model of high-altitude permafrost to global change
0
1999
Surface frost number model and its application to the Tibetan Plateau
1
2012
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
地面冻结数模型及其在青藏高原的应用
1
2012
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
Automated mapping of mountain permafrost using the program PERMAKART within the geographical information system ARC/INFO
1
1992
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
Permafrost investigations with GIS： a case study in the Fletschhorn area， Wallis， Swiss Alps
1
1998
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
Mountain permafrost distribution modelling using a multi-criteria approach in the H?vsg?l area， northern Mongolia
1
2006
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
Multispectral and hyperspectral remote sensing of alpine snow properties
1
2004
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
Role of vegetation and climate in permafrost active layer depth in arctic tundra of northern Alaska and Canada
0
2004
Distribution of soils and landform relationships in the permafrost regions of Qinghai-Xizang （Tibetan） Plateau
1
2015
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
青藏高原多年冻土区土壤-景观模型与土壤分布制图
1
2015
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
Geodetector： principle and prospective
3
2017
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
... 本研究利用地理探测器模型，确定不同因子对各研究区多年冻土分布的影响程度.地理探测器模型［21，33］能探测同一区域内变量的相似性、不同区域间变量的差异性.假设自变量X和因变量Y的空间分布趋于一致，那么它们之间存在统计关联性，进而可以揭示其因果关系.两个变量空间分布的一致性、空间分异性可以用地理探测器中的q值度量，而q值可直接用地理探测器模型计算（http：//www.geodetector.org/）.本文所使用地理探测器功能包括［34］：（1）因子探测；（2）交互作用探测，地理探测器模型的公式表达如下： ...
... 交互探测分别计算因子X1和X2的q值q（X1）和q（X2），然后计算因子X1和X2交互作用的q值q（X1∩X2）；根据q（X1）、q（X2）和q（X1∩X2）的关系，交互作用可分为非线性减弱、单因子非线性减弱、双因子增强、独立、非线性增强（表2）.本文基于交互作用的探测结果，评估在双因子共同作用下影响多年冻土空间分布的能力是否增强［21，35］. ...
地理探测器： 原理与展望
3
2017
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
... 本研究利用地理探测器模型，确定不同因子对各研究区多年冻土分布的影响程度.地理探测器模型［21，33］能探测同一区域内变量的相似性、不同区域间变量的差异性.假设自变量X和因变量Y的空间分布趋于一致，那么它们之间存在统计关联性，进而可以揭示其因果关系.两个变量空间分布的一致性、空间分异性可以用地理探测器中的q值度量，而q值可直接用地理探测器模型计算（http：//www.geodetector.org/）.本文所使用地理探测器功能包括［34］：（1）因子探测；（2）交互作用探测，地理探测器模型的公式表达如下： ...
... 交互探测分别计算因子X1和X2的q值q（X1）和q（X2），然后计算因子X1和X2交互作用的q值q（X1∩X2）；根据q（X1）、q（X2）和q（X1∩X2）的关系，交互作用可分为非线性减弱、单因子非线性减弱、双因子增强、独立、非线性增强（表2）.本文基于交互作用的探测结果，评估在双因子共同作用下影响多年冻土空间分布的能力是否增强［21，35］. ...
Dynamics and driving factors of landscape fragmentation based on GeoDetector in the Bailongjiang Watershed of Gansu Province
1
2018
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
地理探测器方法下甘肃白龙江流域景观破碎化与驱动因子分析
1
2018
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
Quantitative attribution analysis of soil erosion in different morphological types of geomorphology in karst areas： based on the geographical detector method
1
2018
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
基于地理探测器的喀斯特不同地貌形态类型区土壤侵蚀定量归因
1
2018
... 温度是影响多年冻土分布的主要因素，是驱动土壤热状态的主要因子［9-10］.目前，对青藏高原多年冻土分布的研究主要通过模型建立温度与多年冻土分布之间的关系来实现.如冻土制图模型中，传统的经验统计模型（高程模型、年平均地温模型）以及简单半经验-半物理机制模型［冻结数模型、TTOP（Top Temperature Of Permafrost）模型］都将海拔、气温或地温作为驱动，采用多年冻土分布下界或者设定阈值来判定多年冻土的分布范围［11-14］，但是，这些模型模拟过程中未充分考虑影响多年冻土分布的其他局地因素.例如，程国栋［3］发现坡度、坡向等局地因素可以通过影响地温进而影响多年冻土的空间分布.Keller等［15］提出的山地多年冻土分布模型（PERMAKART），考虑到坡度和坡向等地形因子的影响，模拟了瑞士地区山地多年冻土的分布.Frauenfelder等［16］在山地多年冻土分布模型基础上考虑到积雪、植被等因素的影响，模拟了阿尔卑斯山地区多年冻土分布.以上研究结果都是建立在足够的调查资料基础上，但实际上大部分多年冻土分布于气候恶劣、可达性差的地区，调查资料稀少，而随着遥感技术的应用和发展，科学家们可通过卫星遥感数据快速的获取不同区域的下垫面信息，如Kääb［5］利用数字地形模型（DTM）、可见光遥感以及微波遥感等数据源，综合考虑与多年冻土分布密切相关的因素，对多年冻土灾害进行评估和管理.Etzelmüller［17］考虑影响多年冻土分布相关的因子来确定蒙古国库苏古尔地区多年冻土存在的可能性大小.总的来说，局地因素通过影响地气能量交换和到达地表的太阳辐射，从而造成多年冻土空间分布上的差异［18-20］，而且不同区域环境下，其主导影响因子也有较大差异.同理，相同因子作用在不同地区也会造成对多年冻土分布的差异.目前的研究多针对各因子如何影响多年冻土分布，但是如何定量描述驱动因子对多年冻土分布影响程度，尤其是地表局地因素对多年冻土分布影响的定量化研究还存在不足.地理探测器能够探测空间分异性，以及揭示其背后驱动力的一种新的统计学方法，其基于如果某个自变量对某个因变量有重要影响，那么自变量和因变量的空间分布应该具有相似性［21］，其不仅可以定量分析影响多年冻土空间分布各因子的驱动力相对大小，还能探测各驱动因子的交互作用.目前，地理探测器模型能够应用到自然科学、环境科学、社会科学等各个方面［22-23］. ...
Support vector machine based soil mapping of a typical permafrost area in the Qinghai-Tibet Plateau
1
2011
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
基于支持向量机的典型冻土区土壤制图研究
1
2011
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
Permafrost distribution using sub-region classification and multivariate data in the wenquan area over the Qinghai-Tibet Plateau
1
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
基于分区和多元数据的青藏高原温泉区域多年冻土分布研究
1
2012
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
Distribution characteristics of groundwater in non-freezing spring area on Tibetan Plateau
1
2013
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
青藏高原不冻泉地区地下水分布特征
1
2013
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
Relationship between the glacier and climate change in the Altun Mountain in recent four decades
1
2017
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
近40 a阿尔金山冰川与气候变化关系研究
1
2017
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
Using transient electromagnetic method to sound permafrost depth in the West Kunlun Mountains
1
2015
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
基于瞬变电磁法（TEM）的西昆仑地区多年冻土厚度探测与研究
1
2015
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
haracteristics of permafrost in Gerze County on the Tibetan Plateau
1
2015
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
青藏高原改则地区多年冻土特征
1
2015
... 各研究区内地形和气候特征存在较大差异，温泉地区海拔介于3 430~5 300 m之间，地形以山地和丘陵为主，区域内年平均气温在1.3 ℃以下，年降水量约400~600 mm［24-25］.不冻泉地区地形呈现明显起伏，青藏铁路斜穿而过，区内海拔多在4 000 m以上，气象站资料显示年平均气温为-6.2 ℃，年平均降水量为270 mm［26］.阿尔金地区以丘陵和山间盆地为主，地势从西南向东北呈现降低趋势，海拔在3 400~5 400 m之间，年平均气温低于3.6 ℃，年降水稀少，极为干旱［27］.西昆仑地区地势总体表现为东北低，中部多为高山，南部较缓，区内海拔除去图中东北区域外，多集中在5 000 m以上，为研究区内平均海拔最高的区域，冰川分布广泛，年平均气温在-4.5 ℃以下，年平均降水量在60~120 mm之间［28］.改则地区地势大致为西北高，东南低，无明显起伏，海拔在4 400~6 300 m之间，区内地形以山地和山间盆地为主，区内年平均气温为0 ℃左右，年平均降水量为150 mm［29］. ...
A physics-based algorithm for retrieving land-surface emissivity and temperature from EOS/MODIS data
1
1997
... Sources of the used data
Table 1| 数据 | 指标 | 描述 |
|---|
| 地表温度 | 全天地表温度 | 采用基于物理的白天/黑夜地表温度反演的MOD11系列遥感数据集，用其包含的白天地表温度和晚上地表温度来计算全天地表温度［10，30］ |
| 积雪 | 冬半年积雪日数 | 来源于中国科学院西北生态环境资源研究院Hao等［31］制作的MODIS 005版本和IMS数据集的青藏高原融合逐日无云积雪产品数据集 |
| 植被 | 7—9月NDVI | MOD13A2 16d植被指数合成产品 |
| 反照率 | 地表短波反照率 | MCD43A4数据集，利用其1~7波段的反照率计算短波地表反照率［32］ |
| DEM | 坡度、坡向 | 在ArcGIS中使用surface analysis工具，基于30 m分辨率的DEM数字高程模型数据，提取坡度和坡向 |
1.3 方法与模型本研究利用地理探测器模型，确定不同因子对各研究区多年冻土分布的影响程度.地理探测器模型［21，33］能探测同一区域内变量的相似性、不同区域间变量的差异性.假设自变量X和因变量Y的空间分布趋于一致，那么它们之间存在统计关联性，进而可以揭示其因果关系.两个变量空间分布的一致性、空间分异性可以用地理探测器中的q值度量，而q值可直接用地理探测器模型计算（http：//www.geodetector.org/）.本文所使用地理探测器功能包括［34］：（1）因子探测；（2）交互作用探测，地理探测器模型的公式表达如下： ...
Accuracy assessment of four cloud-free snow cover products over the Qinghai-Tibetan Plateau
1
2019
... Sources of the used data
Table 1| 数据 | 指标 | 描述 |
|---|
| 地表温度 | 全天地表温度 | 采用基于物理的白天/黑夜地表温度反演的MOD11系列遥感数据集，用其包含的白天地表温度和晚上地表温度来计算全天地表温度［10，30］ |
| 积雪 | 冬半年积雪日数 | 来源于中国科学院西北生态环境资源研究院Hao等［31］制作的MODIS 005版本和IMS数据集的青藏高原融合逐日无云积雪产品数据集 |
| 植被 | 7—9月NDVI | MOD13A2 16d植被指数合成产品 |
| 反照率 | 地表短波反照率 | MCD43A4数据集，利用其1~7波段的反照率计算短波地表反照率［32］ |
| DEM | 坡度、坡向 | 在ArcGIS中使用surface analysis工具，基于30 m分辨率的DEM数字高程模型数据，提取坡度和坡向 |
1.3 方法与模型本研究利用地理探测器模型，确定不同因子对各研究区多年冻土分布的影响程度.地理探测器模型［21，33］能探测同一区域内变量的相似性、不同区域间变量的差异性.假设自变量X和因变量Y的空间分布趋于一致，那么它们之间存在统计关联性，进而可以揭示其因果关系.两个变量空间分布的一致性、空间分异性可以用地理探测器中的q值度量，而q值可直接用地理探测器模型计算（http：//www.geodetector.org/）.本文所使用地理探测器功能包括［34］：（1）因子探测；（2）交互作用探测，地理探测器模型的公式表达如下： ...
Narrowband to broadband conversions of land surface albedo I： Algorithms
1
2001
... Sources of the used data
Table 1| 数据 | 指标 | 描述 |
|---|
| 地表温度 | 全天地表温度 | 采用基于物理的白天/黑夜地表温度反演的MOD11系列遥感数据集，用其包含的白天地表温度和晚上地表温度来计算全天地表温度［10，30］ |
| 积雪 | 冬半年积雪日数 | 来源于中国科学院西北生态环境资源研究院Hao等［31］制作的MODIS 005版本和IMS数据集的青藏高原融合逐日无云积雪产品数据集 |
| 植被 | 7—9月NDVI | MOD13A2 16d植被指数合成产品 |
| 反照率 | 地表短波反照率 | MCD43A4数据集，利用其1~7波段的反照率计算短波地表反照率［32］ |
| DEM | 坡度、坡向 | 在ArcGIS中使用surface analysis工具，基于30 m分辨率的DEM数字高程模型数据，提取坡度和坡向 |
1.3 方法与模型本研究利用地理探测器模型，确定不同因子对各研究区多年冻土分布的影响程度.地理探测器模型［21，33］能探测同一区域内变量的相似性、不同区域间变量的差异性.假设自变量X和因变量Y的空间分布趋于一致，那么它们之间存在统计关联性，进而可以揭示其因果关系.两个变量空间分布的一致性、空间分异性可以用地理探测器中的q值度量，而q值可直接用地理探测器模型计算（http：//www.geodetector.org/）.本文所使用地理探测器功能包括［34］：（1）因子探测；（2）交互作用探测，地理探测器模型的公式表达如下： ...
Geographical detectors‐based health risk assessment and its application in the neural tube defects study of the Heshun Region， China
1
2010
... 本研究利用地理探测器模型，确定不同因子对各研究区多年冻土分布的影响程度.地理探测器模型［21，33］能探测同一区域内变量的相似性、不同区域间变量的差异性.假设自变量X和因变量Y的空间分布趋于一致，那么它们之间存在统计关联性，进而可以揭示其因果关系.两个变量空间分布的一致性、空间分异性可以用地理探测器中的q值度量，而q值可直接用地理探测器模型计算（http：//www.geodetector.org/）.本文所使用地理探测器功能包括［34］：（1）因子探测；（2）交互作用探测，地理探测器模型的公式表达如下： ...
A measure of spatial stratified heterogeneity
1
2016
... 本研究利用地理探测器模型，确定不同因子对各研究区多年冻土分布的影响程度.地理探测器模型［21，33］能探测同一区域内变量的相似性、不同区域间变量的差异性.假设自变量X和因变量Y的空间分布趋于一致，那么它们之间存在统计关联性，进而可以揭示其因果关系.两个变量空间分布的一致性、空间分异性可以用地理探测器中的q值度量，而q值可直接用地理探测器模型计算（http：//www.geodetector.org/）.本文所使用地理探测器功能包括［34］：（1）因子探测；（2）交互作用探测，地理探测器模型的公式表达如下： ...
Influential factors detection for surface water quality with geographical detectors in China
1
2018
... 交互探测分别计算因子X1和X2的q值q（X1）和q（X2），然后计算因子X1和X2交互作用的q值q（X1∩X2）；根据q（X1）、q（X2）和q（X1∩X2）的关系，交互作用可分为非线性减弱、单因子非线性减弱、双因子增强、独立、非线性增强（表2）.本文基于交互作用的探测结果，评估在双因子共同作用下影响多年冻土空间分布的能力是否增强［21，35］. ...
Spatio-temporal variability of winter snow cover over the Tibetan-Plateau and its relation to Arctic Oscillation
1
2017
... 山区和低温区域容易形成积雪，其地表反照率较高［36］.高海拔地区其植被覆盖较低［37］，其地表反照率较高.由于冰川和湖泊具有高反照率、低NDVI等特点，因此去除冰川和湖泊的影响，对研究区内各因子的空间分布（图2）和箱线图（图3）进行对比分析：西昆仑地区高度差最大，同时其地表温度、冬半年积雪日数和地表反照率相差也最大，区内年平均地表温度为研究区内最低（-0.68 ℃），冬半年平均积雪日数最大（46 d），年平均地表反照率最高（0.27）.不冻泉地区年平均地表温度为-0.38 ℃，仅高于西昆仑地区；温泉地区虽然年平均地表温度仅低于改则地区，但区内多山地，其海拔相差也较大，最高坡度和平均坡度为研究区内最高，从而形成温泉地区和不冻泉地区冬半年平均积雪日数（37 d）仅次于西昆仑地区，但是由于区内降水量高于其他研究区（在青藏高原，降水量与植被成正相关［38］），而造成这两个地区夏季年平均NDVI远高于其他研究区，分别为0.42和0.32，且集中分布在0.2以上，使其区内地表反照率低于其他研究区；改则地区和阿尔金地区年地表反照率特征相似，多集中在0.2~0.3之间；改则地区年平均地表温度为研究区内最高（1.22 ℃），其冬半年平均积雪日数（16 d）为研究区内最低，其平均海拔为研究区最高（4 997 m）；阿尔金地区海拔虽然多分布在5 000 m以下，但其降水量为研究区内最低，造成NDVI为研究区最低，且集中在0.1以下. ...
青藏高原冬季积雪时空变化特征及其与北极涛动的关系
1
2017
... 山区和低温区域容易形成积雪，其地表反照率较高［36］.高海拔地区其植被覆盖较低［37］，其地表反照率较高.由于冰川和湖泊具有高反照率、低NDVI等特点，因此去除冰川和湖泊的影响，对研究区内各因子的空间分布（图2）和箱线图（图3）进行对比分析：西昆仑地区高度差最大，同时其地表温度、冬半年积雪日数和地表反照率相差也最大，区内年平均地表温度为研究区内最低（-0.68 ℃），冬半年平均积雪日数最大（46 d），年平均地表反照率最高（0.27）.不冻泉地区年平均地表温度为-0.38 ℃，仅高于西昆仑地区；温泉地区虽然年平均地表温度仅低于改则地区，但区内多山地，其海拔相差也较大，最高坡度和平均坡度为研究区内最高，从而形成温泉地区和不冻泉地区冬半年平均积雪日数（37 d）仅次于西昆仑地区，但是由于区内降水量高于其他研究区（在青藏高原，降水量与植被成正相关［38］），而造成这两个地区夏季年平均NDVI远高于其他研究区，分别为0.42和0.32，且集中分布在0.2以上，使其区内地表反照率低于其他研究区；改则地区和阿尔金地区年地表反照率特征相似，多集中在0.2~0.3之间；改则地区年平均地表温度为研究区内最高（1.22 ℃），其冬半年平均积雪日数（16 d）为研究区内最低，其平均海拔为研究区最高（4 997 m）；阿尔金地区海拔虽然多分布在5 000 m以下，但其降水量为研究区内最低，造成NDVI为研究区最低，且集中在0.1以下. ...
The relationships between MODIS vegetation indices and altitude in the Tibetan plateau
1
2013
... 山区和低温区域容易形成积雪，其地表反照率较高［36］.高海拔地区其植被覆盖较低［37］，其地表反照率较高.由于冰川和湖泊具有高反照率、低NDVI等特点，因此去除冰川和湖泊的影响，对研究区内各因子的空间分布（图2）和箱线图（图3）进行对比分析：西昆仑地区高度差最大，同时其地表温度、冬半年积雪日数和地表反照率相差也最大，区内年平均地表温度为研究区内最低（-0.68 ℃），冬半年平均积雪日数最大（46 d），年平均地表反照率最高（0.27）.不冻泉地区年平均地表温度为-0.38 ℃，仅高于西昆仑地区；温泉地区虽然年平均地表温度仅低于改则地区，但区内多山地，其海拔相差也较大，最高坡度和平均坡度为研究区内最高，从而形成温泉地区和不冻泉地区冬半年平均积雪日数（37 d）仅次于西昆仑地区，但是由于区内降水量高于其他研究区（在青藏高原，降水量与植被成正相关［38］），而造成这两个地区夏季年平均NDVI远高于其他研究区，分别为0.42和0.32，且集中分布在0.2以上，使其区内地表反照率低于其他研究区；改则地区和阿尔金地区年地表反照率特征相似，多集中在0.2~0.3之间；改则地区年平均地表温度为研究区内最高（1.22 ℃），其冬半年平均积雪日数（16 d）为研究区内最低，其平均海拔为研究区最高（4 997 m）；阿尔金地区海拔虽然多分布在5 000 m以下，但其降水量为研究区内最低，造成NDVI为研究区最低，且集中在0.1以下. ...
青藏高原地区不同植被类型MODIS植被指数与海拔高度的关系研究
1
2013
... 山区和低温区域容易形成积雪，其地表反照率较高［36］.高海拔地区其植被覆盖较低［37］，其地表反照率较高.由于冰川和湖泊具有高反照率、低NDVI等特点，因此去除冰川和湖泊的影响，对研究区内各因子的空间分布（图2）和箱线图（图3）进行对比分析：西昆仑地区高度差最大，同时其地表温度、冬半年积雪日数和地表反照率相差也最大，区内年平均地表温度为研究区内最低（-0.68 ℃），冬半年平均积雪日数最大（46 d），年平均地表反照率最高（0.27）.不冻泉地区年平均地表温度为-0.38 ℃，仅高于西昆仑地区；温泉地区虽然年平均地表温度仅低于改则地区，但区内多山地，其海拔相差也较大，最高坡度和平均坡度为研究区内最高，从而形成温泉地区和不冻泉地区冬半年平均积雪日数（37 d）仅次于西昆仑地区，但是由于区内降水量高于其他研究区（在青藏高原，降水量与植被成正相关［38］），而造成这两个地区夏季年平均NDVI远高于其他研究区，分别为0.42和0.32，且集中分布在0.2以上，使其区内地表反照率低于其他研究区；改则地区和阿尔金地区年地表反照率特征相似，多集中在0.2~0.3之间；改则地区年平均地表温度为研究区内最高（1.22 ℃），其冬半年平均积雪日数（16 d）为研究区内最低，其平均海拔为研究区最高（4 997 m）；阿尔金地区海拔虽然多分布在5 000 m以下，但其降水量为研究区内最低，造成NDVI为研究区最低，且集中在0.1以下. ...
Variations in alpine grassland cover and its correlation with climate variableson the Qinghai-Tibet Plateau in
1
2017
... 山区和低温区域容易形成积雪，其地表反照率较高［36］.高海拔地区其植被覆盖较低［37］，其地表反照率较高.由于冰川和湖泊具有高反照率、低NDVI等特点，因此去除冰川和湖泊的影响，对研究区内各因子的空间分布（图2）和箱线图（图3）进行对比分析：西昆仑地区高度差最大，同时其地表温度、冬半年积雪日数和地表反照率相差也最大，区内年平均地表温度为研究区内最低（-0.68 ℃），冬半年平均积雪日数最大（46 d），年平均地表反照率最高（0.27）.不冻泉地区年平均地表温度为-0.38 ℃，仅高于西昆仑地区；温泉地区虽然年平均地表温度仅低于改则地区，但区内多山地，其海拔相差也较大，最高坡度和平均坡度为研究区内最高，从而形成温泉地区和不冻泉地区冬半年平均积雪日数（37 d）仅次于西昆仑地区，但是由于区内降水量高于其他研究区（在青藏高原，降水量与植被成正相关［38］），而造成这两个地区夏季年平均NDVI远高于其他研究区，分别为0.42和0.32，且集中分布在0.2以上，使其区内地表反照率低于其他研究区；改则地区和阿尔金地区年地表反照率特征相似，多集中在0.2~0.3之间；改则地区年平均地表温度为研究区内最高（1.22 ℃），其冬半年平均积雪日数（16 d）为研究区内最低，其平均海拔为研究区最高（4 997 m）；阿尔金地区海拔虽然多分布在5 000 m以下，但其降水量为研究区内最低，造成NDVI为研究区最低，且集中在0.1以下. ...
1982-2013年青藏高原高寒草地覆盖变化及与气候之间的关系
1
2017
... 山区和低温区域容易形成积雪，其地表反照率较高［36］.高海拔地区其植被覆盖较低［37］，其地表反照率较高.由于冰川和湖泊具有高反照率、低NDVI等特点，因此去除冰川和湖泊的影响，对研究区内各因子的空间分布（图2）和箱线图（图3）进行对比分析：西昆仑地区高度差最大，同时其地表温度、冬半年积雪日数和地表反照率相差也最大，区内年平均地表温度为研究区内最低（-0.68 ℃），冬半年平均积雪日数最大（46 d），年平均地表反照率最高（0.27）.不冻泉地区年平均地表温度为-0.38 ℃，仅高于西昆仑地区；温泉地区虽然年平均地表温度仅低于改则地区，但区内多山地，其海拔相差也较大，最高坡度和平均坡度为研究区内最高，从而形成温泉地区和不冻泉地区冬半年平均积雪日数（37 d）仅次于西昆仑地区，但是由于区内降水量高于其他研究区（在青藏高原，降水量与植被成正相关［38］），而造成这两个地区夏季年平均NDVI远高于其他研究区，分别为0.42和0.32，且集中分布在0.2以上，使其区内地表反照率低于其他研究区；改则地区和阿尔金地区年地表反照率特征相似，多集中在0.2~0.3之间；改则地区年平均地表温度为研究区内最高（1.22 ℃），其冬半年平均积雪日数（16 d）为研究区内最低，其平均海拔为研究区最高（4 997 m）；阿尔金地区海拔虽然多分布在5 000 m以下，但其降水量为研究区内最低，造成NDVI为研究区最低，且集中在0.1以下. ...
A study of factors which control variation of permafrost table
1
2011
... 气候背景直接影响到地表温度［39］，各种地质地理因素对多年冻土的影响主要表现为影响到达地面的热流大小［1］，其相互作用下导致地气系统能量变化在空间上的不同，造成多年冻土在空间上的分异［40］.在不同区域，各局地因素对多年冻土分布的影响程度也有较大差异.在选取的因子中，探测结果（表3）显示，地表温度都为影响各区域多年冻土分布的主要因素，并结合相关分析得到研究区各因子与多年冻土分布之间的相关性（表4），分析讨论得出地表温度越低的区域多年冻土分布越广泛.根据探测的各因子q值，以0.3为标准进行划分，探讨各局地因素对多年冻土分布的影响强弱，表明：积雪日数、NDVI和地表反照率对温泉地区和西昆仑地区多年冻土分布影响较大，改则地区和不冻泉地区影响多年冻土分布较强的因子为积雪日数，阿尔金地区多年冻土分布除了受地表温度影响较强，其他局地因素都表现为弱影响. ...
影响多年冻土上限变化的因素探讨
1
2011
... 气候背景直接影响到地表温度［39］，各种地质地理因素对多年冻土的影响主要表现为影响到达地面的热流大小［1］，其相互作用下导致地气系统能量变化在空间上的不同，造成多年冻土在空间上的分异［40］.在不同区域，各局地因素对多年冻土分布的影响程度也有较大差异.在选取的因子中，探测结果（表3）显示，地表温度都为影响各区域多年冻土分布的主要因素，并结合相关分析得到研究区各因子与多年冻土分布之间的相关性（表4），分析讨论得出地表温度越低的区域多年冻土分布越广泛.根据探测的各因子q值，以0.3为标准进行划分，探讨各局地因素对多年冻土分布的影响强弱，表明：积雪日数、NDVI和地表反照率对温泉地区和西昆仑地区多年冻土分布影响较大，改则地区和不冻泉地区影响多年冻土分布较强的因子为积雪日数，阿尔金地区多年冻土分布除了受地表温度影响较强，其他局地因素都表现为弱影响. ...
The influence of underlying surfaces on thermal regime in permafrost regions
1
2009
... 气候背景直接影响到地表温度［39］，各种地质地理因素对多年冻土的影响主要表现为影响到达地面的热流大小［1］，其相互作用下导致地气系统能量变化在空间上的不同，造成多年冻土在空间上的分异［40］.在不同区域，各局地因素对多年冻土分布的影响程度也有较大差异.在选取的因子中，探测结果（表3）显示，地表温度都为影响各区域多年冻土分布的主要因素，并结合相关分析得到研究区各因子与多年冻土分布之间的相关性（表4），分析讨论得出地表温度越低的区域多年冻土分布越广泛.根据探测的各因子q值，以0.3为标准进行划分，探讨各局地因素对多年冻土分布的影响强弱，表明：积雪日数、NDVI和地表反照率对温泉地区和西昆仑地区多年冻土分布影响较大，改则地区和不冻泉地区影响多年冻土分布较强的因子为积雪日数，阿尔金地区多年冻土分布除了受地表温度影响较强，其他局地因素都表现为弱影响. ...
不同下垫面对多年冻土的热状况的影响分析
1
2009
... 气候背景直接影响到地表温度［39］，各种地质地理因素对多年冻土的影响主要表现为影响到达地面的热流大小［1］，其相互作用下导致地气系统能量变化在空间上的不同，造成多年冻土在空间上的分异［40］.在不同区域，各局地因素对多年冻土分布的影响程度也有较大差异.在选取的因子中，探测结果（表3）显示，地表温度都为影响各区域多年冻土分布的主要因素，并结合相关分析得到研究区各因子与多年冻土分布之间的相关性（表4），分析讨论得出地表温度越低的区域多年冻土分布越广泛.根据探测的各因子q值，以0.3为标准进行划分，探讨各局地因素对多年冻土分布的影响强弱，表明：积雪日数、NDVI和地表反照率对温泉地区和西昆仑地区多年冻土分布影响较大，改则地区和不冻泉地区影响多年冻土分布较强的因子为积雪日数，阿尔金地区多年冻土分布除了受地表温度影响较强，其他局地因素都表现为弱影响. ...
Dual influences of local environmental variables on ground temperatures on the interior-eastern Qinghai-Tibet Plateau （I）： vegetation and snow cover
2
2008
... 植被是影响多年冻土热状况的主要因素之一，植被能减少到达地表的太阳辐射，降低地面温度差，减少了进入土壤中的热量［1］.NDVI对温泉地区和西昆仑地区的多年冻土分布影响较强，而对改则地区、阿尔金地区和不冻泉地区的多年冻土分布影响较弱.分析其原因为：植被对地表层热状况影响取决于所在地区植被分布特征［41］，在温泉地区和西昆仑地区，植被与地表温度的空间分布存在相似性，即地表温度高的地区，植被发育越好，与两地主要以山地地形为主有很大的联系，而地表温度特征与多年冻土的分布具有明显的一致性.而在改则地区、阿尔金地区和不冻泉地区，山地地形分布不集中，NDVI与地表温度在空间上的分布无规律.在温泉和西昆仑地区，NDVI和多年冻土的分布关系表现为NDVI越小的区域，多年冻土分布越广泛；而在其他地区表现为NDVI越大的区域，多年冻土分布越广泛. ...
... 积雪的作用主要有：阻碍地表与大气之间热交换起隔热作用、使一部分热量不能达到地表起冷却作用、融化时吸收大量的热量起冷却作用，高原上不同区域雪盖对浅层地温的影响存在较大差异，冷季积雪的综合作用是削弱地表的冷却作用，对浅层地温起到了保温作用［1，41］.积雪对研究区多年冻土分布的影响表现为：温泉地区和西昆仑地区影响最强，不冻泉地区和改则地区次之，阿尔金地区影响最弱.分析其原因为：阿尔金地区平地较多且分布集中，温泉地区和西昆仑地区多为山地地形，海拔相差大；不冻泉地区和改则地区平地分布虽然多，但不集中，积雪日数特征和多年冻土分布在空间上表现为积雪日数越多的区域多年冻土分布越广泛. ...
青藏高原中、东部局地因素对地温的双重影响（I）： 植被和雪盖
2
2008
... 植被是影响多年冻土热状况的主要因素之一，植被能减少到达地表的太阳辐射，降低地面温度差，减少了进入土壤中的热量［1］.NDVI对温泉地区和西昆仑地区的多年冻土分布影响较强，而对改则地区、阿尔金地区和不冻泉地区的多年冻土分布影响较弱.分析其原因为：植被对地表层热状况影响取决于所在地区植被分布特征［41］，在温泉地区和西昆仑地区，植被与地表温度的空间分布存在相似性，即地表温度高的地区，植被发育越好，与两地主要以山地地形为主有很大的联系，而地表温度特征与多年冻土的分布具有明显的一致性.而在改则地区、阿尔金地区和不冻泉地区，山地地形分布不集中，NDVI与地表温度在空间上的分布无规律.在温泉和西昆仑地区，NDVI和多年冻土的分布关系表现为NDVI越小的区域，多年冻土分布越广泛；而在其他地区表现为NDVI越大的区域，多年冻土分布越广泛. ...
... 积雪的作用主要有：阻碍地表与大气之间热交换起隔热作用、使一部分热量不能达到地表起冷却作用、融化时吸收大量的热量起冷却作用，高原上不同区域雪盖对浅层地温的影响存在较大差异，冷季积雪的综合作用是削弱地表的冷却作用，对浅层地温起到了保温作用［1，41］.积雪对研究区多年冻土分布的影响表现为：温泉地区和西昆仑地区影响最强，不冻泉地区和改则地区次之，阿尔金地区影响最弱.分析其原因为：阿尔金地区平地较多且分布集中，温泉地区和西昆仑地区多为山地地形，海拔相差大；不冻泉地区和改则地区平地分布虽然多，但不集中，积雪日数特征和多年冻土分布在空间上表现为积雪日数越多的区域多年冻土分布越广泛. ...
甘公网安备 62010202000676号
