冰川冻土, 2022, 44(5): 1523-1538 doi: 10.7522/j.issn.1000-0240.2022.0135

冰冻圈与全球变化

西藏地表温度时空演变特征及影响因子

伍健恒,1, 孙彩歌1, 樊风雷,1,2

1.华南师范大学 地理科学学院，广东 广州 510631

2.西藏大学 高原地表遥感监测联合实验室，西藏 拉萨 850000

Spatiotemporal evolution characteristics and influencing factors of land surface temperature （LST） in Tibet

WU Jianheng,1, SUN Caige1, FAN Fenglei,1,2

1.School of Geography，South China Normal University，Guangzhou 510631，China

2.Joint Laboratory of Plateau Surface Remote Sensing，Tibet University，Lhasa 850000，China

通讯作者: 樊风雷，教授，主要从事环境遥感、西藏生态安全及监测研究. E-mail： fanfenglei@gig.ac.cn

收稿日期: 2021-08-21   修回日期: 2022-10-05  

基金资助: 广东省基础与应用基础研究基金项目.  2021A1515011411

Received: 2021-08-21   Revised: 2022-10-05  

作者简介 About authors

伍健恒，硕士研究生，主要从事高原地表温度研究.E-mail：1311294823@qq.com , E-mail：1311294823@qq.com

摘要

地表温度（land surface temperature， LST）是反映生态环境状况的重要指标。西藏作为气候变化的敏感地区，掌握其LST的时空变化有利于深入了解西藏热环境演化过程，为长期监测高原基础生态变化提供帮助。研究基于谷歌地球引擎获取西藏2000—2020年的MODIS LST数据，采用归一化分级方法对LST进行5个等级的划分，利用趋势分析、热力空间分析以及重心迁移等方法分析了研究区近20年来的LST时空演变特征。同时，选取归一化植被指数（normalized difference vegetation index， NDVI）、裸土指数（bare soil index， BI）、垂直不透水面指数（perpendicular impervious surface index， PISI）、湿度（WET）以及高程（digital elevation model， DEM）等5个影响LST的地表参数，结合多尺度地理加权回归，探讨了LST影响因子的作用尺度与作用效力。结果表明：2000—2020年，西藏LST均值由18.72 ℃上升至20.28 ℃，年均增长0.09 ℃，LST呈现微弱上升态势。20年来，LST在所有年份皆具有西北高、东南低的空间分布格局，LST增温趋势亦表现为西北高、东南低的分布特征。低温区和高温区空间分布聚集，形状简单、规则；次低温区、中温区以及次高温区空间分布破碎，形状复杂。2000—2020年各温区重心分布具有明显的方向性，且各温区重心迁移轨迹具有显著差异。特别是，低温区重心与高温区重心迁移轨迹呈现出由相向而行到背向而行的转变，反映出研究区东西部区域LST差距经历了由缩小到扩大的过程。DEM和WET对LST具有负向影响，BI、PISI和NDVI具有正向影响，常数项在不同生态区具有不同的影响性质。DEM具有较小的作用尺度以及最强的作用效力，常数项具有最小的作用尺度以及仅次于DEM的作用效力。

关键词： 地表温度 ; 多尺度地理加权回归 ; 时空演化 ; MODIS ; 西藏

Abstract

Land surface temperature （LST） is one of the important indicators reflecting the ecological environment and has a strong correlation with air temperature. Against the backdrop of rising global air temperature， Tibet， a sensitive area for climate change， is worthy of being monitored the spatiotemporal change for LST by remote sensing technology on a large scale， which is helpful for gaining insight into the evolutionary process of the Tibetan thermal environment and for long-term monitoring of basic ecological change in plateau areas. However， remote sensing images in plateau areas generally face the problem of cloud shading， with the annual average cloud amount exceeding 50%， which greatly reduces the availability of remote sensing data and makes it difficult to effectively monitor the LST in plateau areas over a large range and long-time span. In addition， the research on LST and surface parameters is mainly based on classical linear regression and geographically weighted regression， and the scale effects of different surface parameters on the spatial differentiation pattern of LST are not fully considered， which results in an unstable regression.In this paper， with the help of Google Earth Engine （GEE）， the MODIS LST data of Tibet without cloud cover from 2000 to 2020 were obtained by the methods of cloud identification， could masking， image overlay and mean value composite to address the problem of cloud cover in the plateau region. LST was classified into 5 classes by normalized classification method， and then the spatiotemporal distribution characteristics of Tibet’s LST is explored using trend analysis， landscape pattern indexes and movement analysis of the center of gravity. Moreover， the surface parameters which effect LST such as normalized difference vegetation index （NDVI）， bare soil index （BI）， perpendicular impervious surface index （PISI）， humidity （WET） are retrieved and digital elevation model （DEM） is attained. In view of the fact that traditional regression methods cannot take into account the spatial scale variations， the paper use multi-scale geographically weighted regression which can address this problem and the effect on LST and the spatial scale variations of LST influencing factors are analyzed. The following conclusions are drawn from the research analysis： The mean value of LST increased from 18.72 ℃ to 20.28 ℃ over the past two decades （2000—2020） with an annual growth of 0.09 ℃， showing a weak increased trend. The interannual variation law of LST in Tibet is as follows： fluctuating increase—continuous decrease—rapid increase—large decrease—slight increase. From the perspective of ecological regions， the interannual changes of LST in each ecological region are significantly different. LST and its increased trend are spatially uneven in Tibet， with a higher value in northwest than in southeast. The spatial structure of the LST is dominated by the medium LST zone and above， which accounts for about 70% of the study area. Low LST zone and high LST zone is aggregated with simple and regular shapes while sub-low LST， medium LST， and sub-high LST zones are fragmented with complex shapes. The distribution of the center of gravity for each LST zones during 2000—2020 has obvious directionality and the movements of that have significant differences. In particular， the movements of the center of gravity in the low LST zone and high LST zone show a shift from toward each other to moving in opposite directions， reflecting that the regional LST gap between the east and west of study area has experienced a process from narrowing to widening. DEM and WET have negative effects on LST， BI， PISI and NDVI have positive effects， and the intercept have different influence in different ecological zones. Among of them， DEM has fairly small scale and the strongest effect； the intercept has the smallest scale and fairly strong effect.

Keywords： land surface temperature （LST） ; multi-scale geographically weighted regression ; spatiotemporal evolution ; MODIS ; Tibet

PDF (11853KB) 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

伍健恒, 孙彩歌, 樊风雷. 西藏地表温度时空演变特征及影响因子[J]. 冰川冻土, 2022, 44(5): 1523-1538 doi:10.7522/j.issn.1000-0240.2022.0135

WU Jianheng, SUN Caige, FAN Fenglei. Spatiotemporal evolution characteristics and influencing factors of land surface temperature （LST） in Tibet[J]. Journal of Glaciology and Geocryology, 2022, 44(5): 1523-1538 doi:10.7522/j.issn.1000-0240.2022.0135

0 引言

由于人类活动以及自然气候波动的加剧，1880—2012年全球平均地表温度（land surface temperature， LST）升高了0.85 ℃，1951—2012年全球平均LST升温速率为0.12 ℃⋅（10a）-1，约为1880年以来的2倍，大量的观测事实和实例研究证明，全球气候呈现暖化的趋势［1-2］。LST包括了地表水体表面温度和陆地表面温度［3］，它在地-气系统间的能量交换和水热平衡过程中扮演着重要角色，对水循环、植被生长、气候变化产生深刻影响，是地表过程分析与模拟的关键参数［4］。

热红外遥感是获取大区域尺度地表热力信息的重要手段，能够基于热辐射平衡方程反演出高精度的LST。针对不同特性的热红外遥感数据，多种LST反演算法相继被提出，主要包括单通道算法、分裂窗算法以及温度发射率分离算法等［5-7］。MODIS与ASTER具有多个热红外波段，学者们分别利用分裂窗算法和温度发射率分离算法生产了MODIS LST和ASTER LST地表温度产品。随后，学者们利用不同的验证数据，如红外温度计数据、同步探空数据、气象站气温数据以及同步高分辨率遥感影像开展了大量LST产品适用性评价工作［8］。已有研究指出，MODIS LST可以获得区域尺度上温度场变化，适用于热力差异分析，而ASTER LST则能更精细地反映温度变化的细节特征，适合于小区域的对比研究和精度验证［9］。

由于MODIS LST覆盖范围广、适用性强，学者们开展了以MODIS LST为数据基础的相关研究，得到丰硕的成果。乔治等［10］利用MODIS LST从数量、形状以及结构维度揭示北京地表热力景观时空分异；饶胜等［11］基于MODIS数据探究了珠三角地区的热岛分布，并且发现MODIS LST能较好反映城市化进程中区域热环境的变化；赵冰等［12］以MODIS LST为数据源，系统分析了近15年中国LST的时空分布和变化格局，发现中国LST整体呈现微弱上升的趋势，且暖化趋势显著不均；也有学者尝试利用MODIS LST和气象站点数据构建LST与近地气温关系模型，模型结果能够较好适用于其研究区域［13-14］。以上研究说明基于MODIS LST的大区域尺度热环境监测切实可行，但是具有长时间跨度、高时间分辨率，以中国西部生态脆弱地区为对象的LST时空演变研究仍然鲜见。

青藏高原是国内外学者研究的热点地区，以往对其LST的时空分析主要依赖地面站点展开。胡军等［15］利用西藏10个地面站点的逐月平均地温资料，采用趋势分析的方法研究了1971—2005年西藏近35年的年、季平均LST变化趋势、气候突变以及异常年份；卓嘎等［16］利用西藏地区38个观测站点的0 cm地温资料，采用经验正交函数方法探讨1980—2004年西藏年平均及不同季节地温异常时空结构特征。随着热红外遥感技术的发展，MODIS、GSM-5和AATSR等遥感影像成为了青藏高原LST研究的主要数据来源［17-19］，其中，MODIS凭借其相对较高的空间分辨率成为最为关键的数据源。杨成松等［20］基于MODIS LST数据通过时空信息融合的方法对高原地区缺失像元进行重构，并建立以年为周期的余弦函数模型来描述青藏高原LST在各年份的季节波动；Xu等［21］考虑到云层污染造成MODIS LST数据缺失的问题，采用时间序列谐波分析的方法进行LST时序影像的重构，以此为基础探究了青藏高原LST的年际变化、峰值周期以及季节性波动。

大量研究利用普通线性回归（ordinary least square， OLS）或者地理加权回归（geographically weighted regression， GWR）对LST的影响因子进行探析，表明LST受多种因素的综合影响，与地形、地表覆盖、湿度、夜间灯光以及风环境等因素密切相关［22-26］。文路军等［27］利用逐步回归分析构建了LST与DEM、坡度、坡向以及其他地表参数的回归方程，探究了向阳面与背阳面下各地表参数对LST影响程度的差异；王佳等［28］基于Landsat土地覆盖数据与MODIS LST数据采用OLS与GWR分析了林地、草地、湿地、耕地以及人工表面与LST的关系。然而，由于LST及其影响因子存在明显的空间异质性，传统的方法难以识别影响因子的空间尺度差异，捕捉的大量噪声会造成较大的估计偏误。

综上所述，MODIS LST是大区域尺度热环境演变研究的主要数据源。尽管已有研究表明MODIS LST在青藏高原有较好的适用性［29］，但是高原地区遥感影像普遍面临云遮挡问题，年平均云量超过50%［30］，这大大降低了遥感数据的可用性。有限的数据和卫星传感器本身的不确定性导致了LST的趋势分析结果存在差异［31］，难以对高原地区进行大范围长时间跨度的有效监测。此外，对LST影响因子的研究主要基于OLS与GWR，由于忽略了影响因子的空间作用尺度会造成回归结果的不稳健。针对前者，近年来发展的谷歌云计算平台（Google Earth Engine， GEE）通过云检测以及影像叠加提取均值的方式可以获取无云或者少云的遥感影像，解决了云层遮挡、数据缺失的问题［32］；针对后者，多尺度地理加权回归（multi-scale geographically weighted regression， MGWR）通过允许带宽具有特异性从而量化了影响因子作用尺度，解决了OLS和GWR无法识别影响因子作用尺度的问题，使其回归结果更为可靠［33］。因此，本文基于GEE平台采用均值合成的方法生成无云覆盖的长时间序列MODIS LST遥感数据，利用趋势分析、热力空间分析以及热力重心迁移等方法量化西藏LST年际变化特征及空间格局演变，并且选取高程（digital elevation model， DEM）、归一化植被指数（normalized difference vegetation index， NDVI）、裸土指数（bare soil index， BI）、垂直不透水面指数（perpendicular impervious surface index， PISI）和缨帽变换的湿度分量（WET）作为LST影响因子，结合MGWR分析LST影响因子的作用效力与作用尺度。

1 研究区与数据

1.1　研究区概况

西藏地处青藏高原，地理范围为26°50′~36°53′ N、78°25′~99°06′ E，东西横跨2 000 km，南北相距1 000 km，平均海拔在4 000 m以上，三维地带性分异显著，由西北至东南分别为高原寒带、高原亚寒带、高原温带、亚热带和热带。西藏年日照时数1 443.5~3 574.3 h，各地年日照时数差异较大，年平均气温-2.4~12.1 ℃，气温由东南向西北递减。西藏复杂且独特的自然条件造成了LST的区域差异，为了细化分析西藏的热环境特征，本文按照王小丹等［34］对西藏生态区的划分，将研究区划分为了7个生态区（图1），各生态区体现不同的气候和地貌特征。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1   西藏生态分区

注：基于自然资源部标准地图服务网站审图号为GS（2019）3333号的标准地图制作，底图无修改，以下各地图均如此

Fig. 1   Ecological zoning in Tibet


1.2　数据来源与处理

本文借助GEE平台获得了551景的MOD11A2地表温度产品，该产品是MOD11A1逐日地表温度产品8天数据的算术平均。MOD11A1是基于分裂窗算法利用31（10.78~11.28 μm）和32（11.77~12.27 μm）热红外波段计算得到，已有研究表明，在地形平坦，地物均一且晴空的条件下，MODIS LST产品误差低于1 ℃［35-36］。本文选取MOD11A2中的日间地表温度数据利用QC质量控制波段识别云层并对数据进行云掩膜，最后通过影像叠加以及均值合成的方法［式（1）］生成覆盖全区、无云遮挡的2000—2020年3—9月日间LST均值数据。此外，本文利用27景的MOD09A1影像分别计算了2020年3—9月均值NDVI［37］、WET［38］、PISI［39］和BI［40］，并且获取集成于GEE平台的30 m空间分辨率SRTM数字高程数据（digital elevation model， DEM）。为统一地表参数与LST的空间分辨率，将所有数据的空间分辨率重采样为1 000 m。

LSTmean=∑i=1nLSTin

式中：LSTmean为日间LST均值；LST i 为第i张影像的日间LST值；n为影像张数。如果某一景影像某区域因云层覆盖被掩膜，则该景的该区域像元不参与均值运算。

在没有安装红外温度测量设备和辐射测量仪器的区域，或无法得到长时间和大范围观测数据时，可以利用气象站的气温数据对LST精度进行相对评价。本文选用2000—2020年西藏地区22个地面气象观测站点的3—9月平均气温数据对MODIS LST进行适用性评价，数据来源于中国气象局国家气象信息中心和NOAA数据搜索平台（部分站点于2018年后缺失数据）。

2 研究方法

2.1　地表温度趋势分析

本文利用基于像元尺度的时间序列分析法探究研究区域LST的变化特征，采用趋势线性斜率分析2000—2020年LST的演变趋势，计算公式为

Slopeij=n∑t=1ntLSTijt-∑t=1nt∑t=1nLSTijtn∑t=1nt2-(∑t=1nt)2

式中：Slope ij 为第i行第j列像元的趋势线斜率；n为时间序列长度；LSTijt为第t年第i行第j列像元的LST。Slope ij >0表示LST呈现上升趋势，反之则为下降趋势。

2.2　热力空间分析

在热环境研究中融入景观生态研究的方法能够为深入认识热环境空间格局及其演变特征提供新的研究思路［41］。本文分别选取聚集度指数与景观形状指数对西藏热环境空间格局进行定量描述。两种景观格局指数计算公式为

AI=gimaxgi×100

式中：AI为聚集度指数；gi 为斑块类型i的同类相邻的像元数；max gi 为斑块类型i的同类相邻的最大邻接数。AI越小表明聚集度越低，破碎度越高；AI越大表明聚集度越高，破碎度越低。

LSI=0.25EA

式中：LSI为景观形状指数；E为所有斑块的边界总长度；A为景观总面积。景观形状指数用来衡量景观形状的复杂程度，其值越小表明景观结构越紧凑、简单，其值越大表明景观形状越复杂、扁长。

2.3　热力重心迁移

热力重心的转移表征热力斑块的空间变化，为了深入分析LST的时空分布特征，采用热力重心来描述LST的空间迁移过程。热力重心坐标可以表达为

X=∑i=1nwixi∑i=1nwi
Y=∑i=1nwiyi∑i=1nwi

式中：X与Y分别为LST重心的横坐标与纵坐标；wi 为第i个栅格的LST；xi 和yi 分别为第i个栅格几何中心的横坐标与纵坐标。

根据力矩物理学原理，在获得热力重心基础上计算各生态区对重心迁移的贡献率C，以此量化生态区对热力重心迁移的贡献［42］。首先假设西藏整体热力重心迁移轨迹为OA，迁移角度为∠NOA；其次将某一生态区的热力重心迁移轨迹平行投影至O为原点的位置，投影后的轨迹记为OB，迁移角度记为∠NOB；最后过点B作OA的垂线交于点D，OD为OB对OA的贡献率（图2）。迁移贡献率可以表示为

C=OB⋅cos(∠NOA-∠NOB)OA

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2   热力重心迁移贡献率计算

Fig. 2   Calculation of contribution rate of thermal centroid migration


2.4　多尺度地理加权回归

MGWR允许各个变量的带宽具有特异性，进而识别不同变量的影响尺度，能够得到更为可靠的估计结果。MGWR可以表达为

yi=∑j=1kβbwj(ui,vi)xij+εi

式中：yi 为第i个点的因变量；k为变量个数；β为第j个变量的回归系数；bwj为第j个变量回归系数所对应的带宽；（ui，vi ）为第i个点的坐标；xij 为在第i个点的第j个变量；εi 为第i个点的残差。MGWR为广义加性模型，使用后退拟合算法对各个平滑项进行拟合，初始化系数估计是由GWR回归得到，并采用经典的残差平方和变化比例作为收敛准则。MGWR模型的核函数为二次核函数，带宽设定准则为校正的赤池信息准则AICc。

3 地表温度时空演变特征及影响因子

3.1　地表温度产品适用性评价

本文基于GEE平台通过影像叠加提取均值的方式获取无云干扰的西藏2000—2020年LST影像（图3）。理想情况下，同一地点的LST与气温维持着稳定的温度差距，如果在长时间序列中，LST与气象站点气温数据始终保持相对固定的差距，两者差距的波动较小，可以认为LST相对准确。为了对MODIS LST进行产品适用性检验，借助西藏地区22个地面气象站点3—9月气温均值数据，计算得到地面气象站点地-气温度差值（图4），发现改则、当雄、拉孜、洛隆、左贡等站点地-气温度差值波动较大，阿里、普兰、聂拉木、江孜、察隅等站点地-气温度差值波动较小。利用标准差的方法量化地-气温度差值的波动程度。标准差STD越小，越趋近于0，表明地-气温度差值波动程度越小，MODIS LST精度越高。表1显示，各站点STD范围在0.64~3.83 ℃，STD平均值为1.93 ℃，表明平均地-气温度差值变化幅度较小，MODIS LST具有适用性。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3   2000—2020年西藏LST分布

Fig. 3   Distribution of LST in Tibet from 2000 to 2020


图4

新窗口打开| 下载原图ZIP| 生成PPT

图4   西藏不同气象站地-气温度差值的年际变化

Fig. 4   Interannual variations of ground-air temperature difference in different meteorological stations of Tibet


表1   西藏不同气象站地-气温度差值的多年平均值

Table 1  Multi-year average value of ground-air temperature difference in different meteorological stations of Tibet

气象站STD/℃气象站STD/℃
阿里（狮泉河）0.79江孜0.99
改则3.31丁青1.36
那曲1.25类乌齐2.47
普兰0.64昌都1.36
当雄3.11洛隆2.61
拉孜3.83波密1.84
南木林2.25八宿2.19
墨竹工卡1.84林芝2.25
山南2.07米林1.82
聂拉木0.67左贡2.85
定日2.21察隅0.78

新窗口打开| 下载CSV


3.2　地表温度时间变化分析

由LST年际变化（图5）可以看出，2000—2020年西藏LST均值缓慢上升，从2000年的18.72 ℃增高至2020年的20.28 ℃，增幅1.56 ℃，年均增幅0.09 ℃，整体上西藏LST呈现微弱上升的趋势。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5   2000—2020年西藏LST年平均值的年际变化

Fig. 5   Interannual variation of annual mean LST in Tibet from 2000 to 2020


从全区角度看，2000—2020年西藏LST年际变化规律为波动上升—持续下降—迅速上升—大幅下降—小幅上升。其中，2000—2009年LST由18.72 ℃波动上升至21.77 ℃，年均增长0.34 ℃；2009—2012年LST出现持续下降的现象，年均下降0.91 ℃；2012—2015年LST迅速回升，由19.05 ℃上升至21.29 ℃，增幅达到2.24 ℃，年均增长0.75 ℃；2015—2017年LST急剧降低，由21.29 ℃大幅下降至18.53 ℃，年均下降1.38 ℃；2017—2020年LST呈现出小幅上升的趋势。

从生态区角度看，各个生态区LST年际变化分异显著。I区LST年际变化规律为波动上升—迅速下降—迅速上升—波动下降。其中，2000—2006年LST由16.13 ℃波动上升至18.29 ℃，年均增长0.36 ℃；2006—2010年呈现迅速下降的态势，LST以每年0.77 ℃的速度下降至15.22 ℃；2010—2013年LST急剧上升，由15.22 ℃上升至18.48℃，升幅高达3.26 ℃；2013—2020年LST呈现出波动下降的特征。II区LST年际变化规律为，以2009年为转折点，2009年以前表现为波动上升，2009年以后表现为波动下降，特别的是2009—2010年出现了急剧下降，由2009年的15.64 ℃下降至2010年的12.46 ℃。III区LST年际变化规律为波动上升—波动下降—迅速上升—波动下降。其中，2000—2007年LST由16.43 ℃波动上升至19.91 ℃；2007—2014年LST波动下降，年均下降0.54 ℃；2014—2016年LST大幅上升，升温幅度高达3.12 ℃，年均增温1.56 ℃；2016—2020年LST表现为波动下降，由2016年的19.25 ℃降至2020年的16.42 ℃。IV区与V区LST年际变化规律相似，2009年与2015年出现峰值，呈现出双波峰形态，IV区两个LST峰值分别为23.34 ℃与22.15 ℃，V区分别为24.06 ℃与24.78 ℃。VI、VII区均表现为震荡变化，其中VI区LST表现为震荡上升，VII区LST围绕其多年均值24.71 ℃上下波动。

LST趋势分析结果（图6）显示，2000—2020年西藏LST增温趋势呈现西北高、东南低的分布格局。从生态区角度看，I区和II区Slope分别为 -0.30~0.29与-0.33~0.42，表明区域LST年际变化差异较小。两区均值分别为0.01与0.03，LST表现为微弱上升的趋势。III区和IV区Slope分别为 -0.14~0.36与-0.59~0.87，反映出前者区域LST年际变化差异较小，后者年际变化差异较大。两区均值均为0.06，说明III区和IV区具有相同的升温态势。V区和VI区Slope分别为-0.88~0.36与 -1.11~0.28，均表现出明显的LST年际变化差异。两区均值分别为0.08与0.04，前者表现出显著的增温趋势，后者表现出一定程度的升温倾向。VII区Slope取值范围在-0.70~0.22之间，均值为-0.02，说明VII区LST年际变化差异较大，整体上表现出微弱的降温态势。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6   2000—2020年西藏LST变化趋势

Fig. 6   Variation trend of LST in Tibet from 2000 to 2020


3.3　地表温度空间变化分析

本文在获取西藏LST基础上，对LST进行了归一化处理［式（9）］，然后以0.2为间隔进行等分［43］，将西藏热力空间划分了5个温度分区，分别为低温区（0≤NLST<0.2）、次低温区（0.2≤NLST<0.4）、中温区（0.4≤NLST<0.6）、次高温区（0.6≤NLST<0.8）以及高温区（0.8≤NLST≤1）。

NLST=LSTi-LSTminLSTmax-LSTmin

式中：NLST为归一化后的LST值；LST i 为第i个像元的LST值；LSTmin为LST的最小值；LSTmax为LST的最大值。

西藏LST每个年份具有相似的热力空间分布（图7）与热力空间结构（图8）：热力空间分布表现出西北高、东南低的特征；热力空间结构主要以中温区及以上为主，约占研究区域面积的70%。低温区主要集中在II区；次低温区零散分布于II与III区；中温区聚集在III区和V区的北部区域；次高温区镶嵌于各个生态区；高温区广泛分布于VII区、V区西部以及IV区南部。对比2000—2020年不同温区面积占比变化可以发现：面积比例增加最为明显的是高温区，由18.79%上升至20.75%，增长幅度为1.96%；次高温区面积占比增长仅次于高温区，增长幅度为1.02%；低温区面积占比略有增加，由13.41%上升至14.09%；次低温区与中温区面积占比呈现下降趋势，分别减少了1.11%和2.55%。

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7   2000—2020年西藏热力空间分布

Fig. 7   Thermal spatial distribution in Tibet from 2000 to 2020


图8

新窗口打开| 下载原图ZIP| 生成PPT

图8   2000—2020年西藏热力空间结构

Fig. 8   Thermal spatial structure in Tibet from 2000 to 2020


进一步计算景观格局指数AI和LSI，用以描述LST的空间形态变化（图9）。整体上看，AI由小到大排序依次为次低温区、中温区、次高温区、低温区、高温区，说明高温区连片分布，空间聚集程度最高，而次低温区空间分布破碎，空间聚集程度最低。从变化趋势上看，2000—2020年各个温区AI均呈现上升的趋势，说明各温区分布趋于集中。其中，低温区与次高温区AI变化最为明显，由2000年的88.46和82.24增加至2020年的89.59和83.49，AI分别增加了1.13和1.25，表现出了较强的空间聚合倾向。

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9   2000—2020年聚集度指数与景观形状指数的年际变化

Fig. 9   Interannual variations of aggregation index （AI） and landscape shape index （LSI） from 2000 to 2020


LSI由小到大排序依次为低温区、高温区、次高温区、次低温区、中温区，其中低温区与高温区LSI远远小于其余三个温区，说明低温区与高温区形状较为简单、规则，而次高温区、次低温区、中温区形状较为复杂、扁长。从变化趋势上看，2000—2020年高温区LSI由51.17波动上升至51.73，涨幅仅为0.56，表明高温区形状变化稳定。低温区、次低温区、中温区和次高温区LSI分别下降了3.73、7.93、7.83以及5.63，均表现出波动下降的趋势，其形状在一定程度趋于简单化与规则化。

整体上看，低温区与高温区空间聚集程度较高，形状简单、规则；次低温区、中温区以及次高温区空间分布破碎，形状复杂。其原因是高温区主要位于人工硬化地表等城市不透水面和戈壁荒漠，低温区主要位于高山积雪区域，两个温区地表覆盖均呈现连片分布特点，聚合程度较高，形状较为规则，其余温区主要分布于河流、湖泊的边缘或者镶嵌分布于荒漠戈壁，形状复杂且破碎。

3.4　热力重心迁移分析

本文从热力重心迁移的角度刻画2000—2020年西藏LST时空演变过程（图10），并对比分析各生态区对热力重心迁移的贡献程度（图11）。

图10

新窗口打开| 下载原图ZIP| 生成PPT

图10   2000—2020年西藏LST重心迁移

Fig. 10   LST centroid migration in Tibet from 2000 to 2020


图11

新窗口打开| 下载原图ZIP| 生成PPT

图11   2000—2020年西藏各生态区平均热力重心迁移贡献率

Fig. 11   Average contribution rate of thermal centroid migration in various ecological zones of Tibet from 2000 to 2020


由图10可知，各温区重心的标准差椭圆较为扁平，表明低温区至高温区重心分布具有明显的方向性，观察各年份热力重心位置可以发现各温区重心迁移轨迹具有显著差异。2000—2017年低温区重心以每年3.98 km的速度向西北移动，2017—2020年低温区重心呈现快速向东南移动的态势，迁移速度达22.24 km⋅a-1；次低温区重心迁移轨迹与低温区相似，2000—2012年以每年9.43 km的速度向西北迁移，2012—2020年向东南移动，移动速度为20.79 km⋅a-1；2000—2005年中温区重心以7.59 km⋅a-1的速度持续向西北移动，2005—2020年其迁移轨迹转向东南方向，速度下降至5.33 km⋅a-1；2000—2016年次高温区重心整体呈现向东南移动的趋势，年均移动距离3.72 km，2016—2020年以每年17.54 km的速度持续向西北转移；高温区重心迁移轨迹与次高温区类似，2000—2017年以每年9.61 km的速度向东南移动，2017—2020年高温区重心向西北转移，年均转移距离63.84 km；全区热力重心分布格局与迁移轨迹与高温区高度相似。综合以上分析可知，低温区重心与高温区重心迁移轨迹呈现出由相向而行到背向而行的转变，结合前文发现LST空间分布具有东南低西北高的特征，说明了研究区东西部区域LST差距经历了由缩小到扩大的过程。

逐年计算各个生态区的热力重心迁移贡献率，求取平均得到2000—2020年各生态区平均热力重心迁移贡献率（图11）。不同生态区对热力重心迁移的贡献差异明显：低温区重心迁移主要受V区与VI区的影响，两区贡献率均在60%以上；次低温区重心迁移主要受到V区正向影响以及I区负向影响；中温区重心迁移几乎由III区与V区的热环境状况控制，两区贡献率均高达150%；次高温区重心迁移贡献最大的两个生态区是II区与VI区，贡献率分别为54.77%和45.36%；高温区重心迁移受到V区与VI区的影响较为明显。西藏全区热力重心贡献率由低到高排序分别为VII区<I区<III区<V区<IV区<VI区<II区，其中II区、IV区、V区和VI区为正贡献，I区、III区和VII区为负贡献。总体来看，IV区、V区以及VI区对不同温区重心迁移均产生较强的正向影响。I区、II区、III区以及VII区分别对特定温区的重心迁移具有一定程度的负向影响。

3.5　地表温度影响因子解析

以2020年数据为例，利用渔网工具在研究区内生成等间距的6 355个样本点，在进行数据标准化基础上利用MGWR对LST进行影响因子解析（图12），揭示各个因子对LST的影响程度以及尺度差异（P<0.05）。由表2可知，与OLS相比，MGWR与GWR具有更高的R2以及更低的AICc。与GWR相比，MGWR具有更低的AICc，说明考虑到影响因子尺度差异的MGWR优于OLS与GWR。

图12

新窗口打开| 下载原图ZIP| 生成PPT

图12   LST多尺度地理加权回归系数空间分布

Fig. 12   Spatial distribution of LST MGWR coefficients


表2   MGWR与GWR、OLS模型指标对比

Table 2  Comparison of model index among MGWR， GWR and OLS

模型R2AICc
MGWR0.885 340.67
GWR0.885 576.82
OLS0.6611 150.79

新窗口打开| 下载CSV


由表3可知，常数项带宽为43，表示捕获邻近43个样本用作模型估算，占样本数量的0.68%，作用尺度最小。常数项系数在空间上呈现出西高东低的分布格局，系数范围在-1.27~0.89，在不同生态区具有明显的影响性质差异：在III、IV、V、VI、VII区表现出明显的增温效应，而在I、II区表现为较强的降温作用。从系数均值绝对值上看，常数项的影响强度仅次于DEM。

表3   多尺度地理加权回归系数统计

Table 3  Statistical description of MGWR coefficient

常数项与变量最小值最大值均值绝对值带宽
常数项-1.270.890.5543
BI0.090.680.34394
PISI-0.270.460.23293
NDVI0.020.560.22290
WET-0.260.140.06878
DEM-1.940.270.9152

注：由于常数项在不同生态区具有明显的影响性质差异，分别计算其正数均值与负数均值的绝对值，再求取两者平均得到其均值绝对值。

新窗口打开| 下载CSV


BI、PISI和NDVI带宽分别为394、293和290，占样本数量的4.56%~6.20%，具有相近的作用尺度。BI与NDVI回归系数均表现为东南高、西北低的分布特征，PISI回归系数大致呈现南高北低的趋势。BI、PISI和NDVI的回归系数分别为0.09~0.68、-0.27~0.46和0.02~0.56，对LST均存在正向的影响。从系数均值绝对值上看，其影响强度居中。

WET带宽为878，占样本数量的13.82%，具有最大的作用尺度，系数在空间上较为平稳。WET回归系数大部分在V区显著，系数由南向北逐渐减小。WET回归系数为-0.26~0.14，对LST整体表现出微弱的负向影响。从系数均值绝对值上看，其影响强度最弱。

DEM带宽为52，占样本数量的0.82%，作用尺度相对较小，仅次于常数项。DEM回归系数由东南向西北呈现减小趋势。DEM回归系数范围为 -1.94~0.27，对LST产生极为显著的负向影响。从系数均值绝对值上看，DEM对LST的影响强度在所有因子中最大。

4 结论与讨论

本文基于GEE平台获取长时间序列的MODIS数据，探究西藏LST的时空演变特征，并且利用带有统计推断的MGWR对LST影响因子的空间分异和空间尺度差异进行探讨，旨在深入了解西藏热环境特征以及LST的影响机制。通过研究分析得到如下结论：

（1）时间上，2000—2020年西藏LST年际变化规律为波动上升—持续下降—迅速上升—大幅下降—小幅上升。整体上LST呈现波动上升的趋势，年均增长0.09 ℃。

（2）空间上，西藏LST空间分布呈现西北高东南低的分布格局，增温趋势由东南向西北逐渐增强。LST空间结构以中温区及以上温区为主，约占研究区域面积的70%。5个温区中，低温区与高温区空间聚集程度较高，形状简单、规则；次低温区、中温区以及次高温区空间分布破碎，形状复杂。

（3）5个温区的重心分布均具有明显的方向性，并且各温区重心迁移轨迹具有显著差异。低温区重心与高温区重心迁移轨迹呈现出由相向而行到背向而行的转变，反映出2000—2020年西藏东部与西部区域LST差距经历了由缩小到扩大的变化过程。

（4）LST影响因子具有不同的作用尺度，其尺度由小到大分别为常数项、DEM、NDVI、PISI、BI、WET。DEM和WET负向影响LST、NDVI、PISI以及BI正向影响LST，而常数项在不同的生态区其影响性质存在差异。DEM是影响LST的主要因子，作用效力最强；常数项的影响强度仅次于DEM；NDVI、PISI以及BI对LST的影响强度居中；WET对LST的影响最弱。

值得注意的是，西藏LST年际变化极小值出现在2008年，极大值出现在2009年与2015年，分别对应拉尼娜年与厄尔尼诺年，极值出现的年份反映出高原LST对于极端天气事件的高度敏感。2008年出现的拉尼娜事件导致高原地区出现了显著的降水现象，2007—2008年22个气象站点数据显示其平均气温由10.53 ℃下跌至10.00 ℃，下跌幅度为0.53 ℃，显著的降水与气温骤降造成西藏LST明显下降；与之相反，2009年与2015年出现了较强的厄尔尼诺事件。2008—2009年22个气象站点数据显示其平均气温由10.00 ℃大幅上升至10.86 ℃，增幅高达0.86 ℃，气温的升高是2009年LST急速上升的主要原因。22个气象站点数据显示2014—2015年其平均气温由10.24 ℃微弱上升至10.30 ℃，上升幅度仅为0.06 ℃，气温并非2015年LST上升的主要原因。已有资料显示厄尔尼诺年亚洲季风边缘区夏季风呈现显著衰退，2015年青藏高原中部出现了显著干旱［44］，据此推测干旱条件压迫植被生长环境，造成植被被裸岩裸土等对LST正向影响较高的地表覆盖所替代，导致LST快速上升，同时这也可能是与历年相比2015年高温区占比最大以及具有最大AI的主要原因。另外，热力重心迁移分析表明东西部区域LST差距经历了由缩小到扩大的过程。在全球暖化背景下冰雪消融初期，西北部高山积雪融水增加，改善了荒漠区域植被生长环境，原本裸露的土壤、沙砾被植被覆盖，高温区重心向东南方向迁移。2006—2016年位于东南部的山南与林芝地区经济发展迅猛，GDP年均增长12.07%，比其他地区高约0.62%，这是森林砍伐、农业开垦、产业发展带来的结果［45］。同时，这也导致了城市不透水面的扩张，促使低温区重心向西北移动，因此该时期东西部区域LST差距正在缩小。然而，随着高原冰川退缩、积雪完全消融使得岩石裸露于地表。已有学者研究指出，青藏高原荒漠土地面积自东南向西北逐渐增加，荒漠化程度不断加重［46］，阿里-昆仑区域更是中国五大荒漠化区域之一［47］，西北部的岩漠化加重使得高温区重心快速向西北移动。而随着生态文明建设的开展，封山育林、退耕还林使得东南部的林地区域得到有效保护，城市扩张得以有效规划，城市不透水面无序蔓延得以遏制，低温区重心逐步向东南迁移。因此，该时期东西部区域LST差距逐渐扩大。此外，MGWR结果显示常数项在III、IV、V、VI、VII区表现出明显的增温效应，而在I、II区表现为较强的降温作用，原因可能是常数项在一定程度上可以捕获未纳入到MGWR模型中的气温、降水、光照等影响LST的因子，一方面由于随着全球暖化西藏西部地区冻土退化现象加剧，浅层冻土吸收的地表热量减少导致地表增温，另一方面是由于西藏东南部地区山高谷深，地形起伏产生的阴影遮蔽地表，并且夏季印度洋西南季风受到喜马拉雅山脉的阻挡，水汽被迫集聚在西藏东南部形成了丰沛的降水，在阴影与降水的共同作用下造成LST下降。最后，本文发现BI、PISI和NDVI均对LST产生正向影响，可能是干燥的土壤和不透水面比热容小，具有较快的增温速率，而高原地区低矮茂密植被的阻碍作用减弱了强风的影响从而减少热量的散失。

在生态分区基础上科学识别LST时空演变特征，准确掌握LST影响因子及其机制，是有效监测高原地区热环境状况的关键，能够为分区管理与保护高原生态环境，防范生态系统服务功能退化，维护区域生态安全提供科学依据。本文基于GEE生成无云干扰的MODIS LST遥感数据，实现了以往由于云层影响而缺乏的大范围长时间跨度高原LST监测，并且结合MGWR量化了LST影响因子的作用效力和作用尺度，弥补了过往LST回归分析中忽略空间异质性以及尺度差异的不足，得到了更为合理的回归结果。但是本文在地表覆盖遥感指数选取上存在两个方面的不足，一方面，利用BI与PISI无法精确区分土壤与自然不透水面，造成一定程度的混淆现象；另一方面，由于现阶段缺少能够恰当表征冰川、冻土以及积雪的遥感指数，未能将一般意义上认为负向影响LST的地表覆盖纳入模型中，对研究结果产生了一定的不利影响。

参考文献

Qin Dahe， Stocker T.

Highlights of the IPCC working group I fifth assessment report

［J］. Progressus Inquisitiones de Mutatione Climatis， 2014， 10（1）： 1-6.

[本文引用: 1]

秦大河， Stocker T.

IPCC第五次评估报告第一工作组报告的亮点结论

［J］. 气候变化研究进展， 2014， 10（1）： 1-6.

[本文引用: 1]

Song Ci， Pei Tao， Zhou Chenghu.

Research progresses of surface temperature characteristic change over Tibetan Plateau since 1960

［J］. Progress in Geography， 2012， 31（11）： 1503-1509.

[本文引用: 1]

宋辞， 裴韬， 周成虎.

1960年以来青藏高原气温变化研究进展

［J］. 地理科学进展， 2012， 31（11）： 1503-1509.

[本文引用: 1]

Jin Diandian， Gong Zhaoning.

Algorithms comparison of land surface temperature retrieval from Landsat series data： a case study in Qiqihar， China

［J］. Remote Sensing Technology and Application， 2018， 33（5）： 830-841.

[本文引用: 1]

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.

[本文引用: 1]

Cheng Jie， Liang Shunlin， Wang Jindi， et al.

A stepwise refining algorithm of temperature and emissivity separation for hyperspectral thermal infrared data

［J］. IEEE Transactions on Geoscience & Remote Sensing， 2010， 48（3）： 1588-1597.

[本文引用: 1]

Qin Zhihao， Zhang Minghua， Karnieli A， et al.

Mono-window algorithm for retrieving land surface temperature from Landsat TM6 data

［J］. Acta Geographica Sinica， 2001， 56（4）： 456-466.

[本文引用: 1]

覃志豪， Zhang Minghua， Karnieli A， 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.

[本文引用: 1]

Mao Kebiao， Qin Zhihao， Shi Jiancheng， et al.

The research of split-window algorithm on the MODIS

［J］. Geomatics and Information Science of Wuhan University， 2005， 30（8）： 703-707.

毛克彪， 覃志豪， 施建成， 等.

针对MODIS影像的劈窗算法研究

［J］. 武汉大学学报（信息科学版）， 2005， 30（8）： 703-707.

Gillespie A， Rokugawa S， Matsunaga T， et al.

A temperature and emissivity separation algorithm for Advanced Spaceborne Thermal Emission and Reflection Radiometer （ASTER） images

［J］. IEEE Transactions on Geoscience and Remote Sensing， 1998， 36（4）： 1113-1126.

[本文引用: 1]

Yu Wenping， Ma Mingguo.

Validation of the MODIS land surface temperature products： a case study of the Heihe River basin

［J］. Remote Sensing Technology and Application， 2011， 26（6）： 705-712.

[本文引用: 1]

于文凭， 马明国.

MODIS地表温度产品的验证研究： 以黑河流域为例

［J］. 遥感技术与应用， 2011， 26（6）： 705-712.

[本文引用: 1]

Gao Maofang， Qin Zhihao.

The validation of Chinese land surface temperature products retrieved from moderate resolution imaging spectroratiometer data

［J］. Remote Sensing for Land & Resources， 2006， 18（3）： 15-18.

[本文引用: 1]

高懋芳， 覃志豪.

中国MODIS地表温度产品验证

［J］. 国土资源遥感， 2006， 18（3）： 15-18.

[本文引用: 1]

Qiao Zhi， Huang Ningyu， Xu Xinliang， et al.

Spatio-temporal pattern and evolution of the urban thermal landscape in metropolitan Beijing between 2003 and 2017

［J］. Acta Geographica Sinica， 2019， 74（3）： 475-489.

[本文引用: 1]

乔治， 黄宁钰， 徐新良， 等.

2003—2017年北京市地表热力景观时空分异特征及演变规律

［J］. 地理学报， 2019， 74（3）： 475-489.

[本文引用: 1]

Rao Sheng， Zhang Huiyuan， Jin Taotao， et al.

The spatial character of regional heat island in Pearl River Delta using MODIS remote sensing data

［J］. Geographical Research， 2010， 29（1）： 127-136.

[本文引用: 1]

饶胜， 张惠远， 金陶陶， 等.

基于MODIS的珠江三角洲地区区域热岛的分布特征

［J］. 地理研究， 2010， 29（1）： 127-136.

[本文引用: 1]

Zhao Bing， Mao Kebiao， Cai Yulin， et al.

Study of the temporal and spatial evolution law of land surface temperature in China

［J］. Remote Sensing for Land & Resources， 2020， 32（2）： 233-240.

[本文引用: 1]

赵冰， 毛克彪， 蔡玉林， 等.

中国地表温度时空演变规律研究

［J］. 国土资源遥感， 2020， 32（2）： 233-240.

[本文引用: 1]

Vancutsem C， Ceccato P， Dinku T， et al.

Evaluation of MODIS land surface temperature data to estimate air temperature in different ecosystems over Africa

［J］. Remote Sensing of Environment， 2009， 114： 449-465.

[本文引用: 1]

Mostovoy G V， King R L， Reddy K R， et al.

Statistical estimation of daily maximum and minimum air temperatures from MODIS LST data over the state of Mississippi

［J］. GIScience & Remote Sensing， 2006， 43（1）： 78-110.

[本文引用: 1]

Hu Jun， Du Jun， Bianduo， et al.

Interannual and interdecadal variations of soil temperature over Tibetan Plateau from 1971 to 2005

［J］. Acta Geographica Sinica， 2007， 62（9）： 925-934.

[本文引用: 1]

胡军， 杜军， 边多， 等.

西藏地温的年际和年代际变化

［J］. 地理学报， 2007， 62（9）： 925-934.

[本文引用: 1]

Zhuoga， Yangzong Deji， Ciren Pubu.

Studies on temporal/spatial distribution and abnormal types of land surface temperature over Tibet

［J］. Journal of Arid Land Resources and Environment， 2009， 23（6）： 64-71.

[本文引用: 1]

卓嘎， 德吉央宗， 普布次仁.

西藏地区地面温度的时空分布及其异常类型研究

［J］. 干旱区资源与环境， 2009， 23（6）： 64-71.

[本文引用: 1]

Li Anyuan， Xia Caichu， Bao Chunyan， et al.

Using MODIS land surface temperatures for permafrost thermal modeling in Beiluhe Basin on the Qinghai-Tibet Plateau

［J］. Sensors， 2019， 19（19）： 4200.

[本文引用: 1]

Oku Y， Ishikawa H， Haginoya S， et al.

Recent trends in land surface temperature on the Tibetan Plateau

［J］. Journal of climate， 2006， 19（12）： 2995-3003.

Ouyang Xiaoying， Chen Dongmei， Feng Yao， et al.

Comparison of seasonal surface temperature trend， spatial variability， and elevation dependency from satellite-derived products and numerical simulations over the Tibetan Plateau from 2003 to 2011

［J］. International Journal of Remote Sensing， 2019， 40（5/6）： 1844-1857.

[本文引用: 1]

Yang Chengsong， Che Tao， Ouyang Bin.

Changes in land surface temperature over Qinghai-Tibet Plateau

［J］. Remote Sensing Technology and Application， 2016， 31（1）： 95-101.

[本文引用: 1]

杨成松， 车涛， 欧阳斌.

青藏高原地表温度时空变化分析

［J］. 遥感技术与应用， 2016， 31（1）： 95-101.

[本文引用: 1]

Xu Yongming， Shen Yan， Wu Ziyue.

Spatial and temporal variations of land surface temperature over the Tibetan Plateau based on harmonic analysis

［J］. Mountain Research and Development， 2013， 33（1）： 85-94.

[本文引用: 1]

Kustas W P， Norman J M， Anderson M C， et al.

Estimating subpixel surface temperatures and energy fluxes from the vegetation index-radiometric temperature relationship

［J］. Remote Sensing of Environment， 2003， 85（4）： 429-440.

[本文引用: 1]

Xu Hanqiu.

Analysis on urban heat island effect based on the dynamics of urban surface biophysical descriptors

［J］. Acta Ecologica Sinica， 2011， 31（14）： 3890-3901.

徐涵秋.

基于城市地表参数变化的城市热岛效应分析

［J］. 生态学报， 2011， 31（14）： 3890-3901.

Xie Miaomiao， Wang Yanglin， Fu Meichen.

An overview and perspective about causative factors of surface urban heat island effects

［J］. Progress in Geography， 2011， 30（1）： 35-41.

谢苗苗， 王仰麟， 付梅臣.

城市地表温度热岛影响因素研究进展

［J］. 地理科学进展， 2011， 30（1）： 35-41.

Shen Zhongjian， Zeng Jian.

Spatial relationship of urban development to land surface temperature in three cities of southern Fujian

［J］. Acta Geographica Sinica， 2021， 76（3）： 566-583.

沈中健， 曾坚.

闽南三市城镇发展与地表温度的空间关系

［J］. 地理学报， 2021， 76（3）： 566-583.

Feng Zhangxian， Wang Shijun， Jin Shanhe， et al.

Effects of urban morphology and wind conditions on land surface temperature in Changchun

［J］. Acta Geographica Sinica， 2019， 74（5）： 902-911.

[本文引用: 1]

冯章献， 王士君， 金珊合， 等.

长春市城市形态及风环境对地表温度的影响

［J］. 地理学报， 2019， 74（5）： 902-911.

[本文引用: 1]

Wen Lujun， Peng Wenfu， Yang Huarong， 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 & Resources， 2017， 29（2）： 207-214.

[本文引用: 1]

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.

[本文引用: 1]

Wang Jia， Qian Yuguo， Han Lijian， et al.

Relationship between land surface temperature and land cover types based on GWR model： a case of Beijing-Tianjin-Tangshan urban agglomeration， China

［J］. Chinese Journal of Applied Ecology， 2016， 27（7）： 2128-2136.

[本文引用: 1]

王佳， 钱雨果， 韩立建， 等.

基于GWR模型的土地覆盖与地表温度的关系： 以京津唐城市群为例

［J］. 应用生态学报， 2016， 27（7）： 2128-2136.

[本文引用: 1]

Wang Binbin， Ma Yaoming， Ma Weiqiang.

Estimation of land surface temperature retrieved from EOS/MODIS in Naqu area over Tibetan Plateau

［J］. Journal of Remote Sensing， 2012， 16（6）： 1289-1309.

[本文引用: 1]

王宾宾， 马耀明， 马伟强.

青藏高原那曲地区MODIS地表温度估算

［J］. 遥感学报， 2012， 16（6）： 1289-1309.

[本文引用: 1]

Zhang Xueqin， Peng Lili， Zheng Du， et al.

Variation of total cloud amount and its possible causes over the Qinghai-Xizang Plateau during 1971—2004

［J］. Acta Geographica Sinica， 2007， 62（9）： 959-969.

[本文引用: 1]

张雪芹， 彭莉莉， 郑度， 等.

1971—2004年青藏高原总云量时空变化及其影响因子

［J］. 地理学报， 2007， 62（9）： 959-969.

[本文引用: 1]

Ghent D J， Corlett G K， Göttsche F M， et al.

Global land surface temperature from the along-track scanning radiometers

［J］. Journal of Geophysical Research： Atmospheres， 2017， 122（22）： 12167-12193.

[本文引用: 1]

Wang Le， Diao Chunyuan， Xian G， et al.

A summary of the special issue on remote sensing of land change science with Google earth engine

［J］. Remote Sensing of Environment， 2020， 248： 112002.

[本文引用: 1]

Shen Tiyan， Yu Hanchen， Zhou Lin， et al.

On hedonic price of second-hand houses in Beijing based on multi-scale geographically weighted regression： scale law of spatial heterogeneity

［J］. Economic Geography， 2020， 40（3）： 75-83.

[本文引用: 1]

沈体雁， 于瀚辰， 周麟， 等.

北京市二手住宅价格影响机制： 基于多尺度地理加权回归模型（MGWR）的研究

［J］. 经济地理， 2020， 40（3）： 75-83.

[本文引用: 1]

Wang Xiaodan， Zhong Xianghao， Liu Shuzhen， et al.

Ecological function regionalization of Tibetan Plateau

［J］. Scientia Geographica Sinica， 2009， 29（5）： 715-720.

[本文引用: 1]

王小丹， 钟祥浩， 刘淑珍， 等.

西藏高原生态功能区划研究

［J］. 地理科学， 2009， 29（5）： 715-720.

[本文引用: 1]

Dong Liangpeng， Jiang Zhihong， Shen Suhong.

Urban heat island change and its relationship with urbanization of urban agglomerations in Yangtze River Delta in past decade

［J］. Transactions of Atmospheric Sciences， 2014， 37（2）： 146-154.

[本文引用: 1]

董良鹏， 江志红， 沈素红.

近十年长江三角洲城市热岛变化及其与城市群发展的关系

［J］. 大气科学学报， 2014， 37（2）： 146-154.

[本文引用: 1]

Qiao Zhi， Tian Guangjin.

Dynamic monitoring of the footprint and capacity for urban heat island in Beijing between 2001 and 2012 based on MODIS

［J］. Journal of Remote Sensing， 2015， 19（3）： 476-484.

[本文引用: 1]

乔治， 田光进.

基于MODIS的2001年—2012年北京热岛足迹及容量动态监测

［J］. 遥感学报， 2015， 19（3）： 476-484.

[本文引用: 1]

Li Hongjun， Zheng Li， Lei Yuping， et al.

Comparison of NDVI and EVI based on EOS/MODIS data

［J］. Progress in Geography， 2007， 26（1）： 26-32.

[本文引用: 1]

李红军， 郑力， 雷玉平， 等.

基于EOS/MODIS数据的NDVI与EVI比较研究

［J］. 地理科学进展， 2007， 26（1）： 26-32.

[本文引用: 1]

Lobser S E， Cohen W B.

MODIS tasselled cap： land cover characteristics expressed through transformed MODIS data

［J］. International Journal of Remote Sensing， 2007， 28（22）： 5079-5101.

[本文引用: 1]

Tian Yugang， Chen Hui， Song Qingju， et al.

A novel index for impervious surface area mapping： development and validation

［J］. Remote Sensing， 2018， 10： 1521.

[本文引用: 1]

Roy P S， Rikimaru A， Miyatake S.

Tropical forest cover density mapping

［J］. Tropical Ecology， 2002， 43（1）： 39-47.

[本文引用: 1]

Yang Liping， Wang Le， Sun Xiaohui， et al.

Evolution of the thermal landscape patterns in Xi’an City based on remote sensing

［J］. Research of Soil and Water Conservation， 2017， 24（1）： 250-255.

[本文引用: 1]

杨丽萍， 王乐， 孙晓辉， 等.

基于遥感的西安市热力景观格局演变

［J］. 水土保持研究， 2017， 24（1）： 250-255.

[本文引用: 1]

Sun Qinqin， Wu Zhifeng， Tan Jianjun.

Spatio-temporal changes of urban thermal environment with thermal centroid in Guangzhou

［J］. Scientia Geographica Sinica， 2010， 30（4）： 620-623.

[本文引用: 1]

孙芹芹， 吴志峰， 谭建军.

基于热力重心的广州城市热环境时空变化分析

［J］. 地理科学， 2010， 30（4）： 620-623.

[本文引用: 1]

Meng Dan， Wang Mingyu， Li Xiaojuan， et al.

The dynamic change of the thermal environment landscape patterns in Beijing， Shanghai and Guangzhou in the recent past decade

［J］. Acta Ecologica Sinica， 2013， 33（5）： 1545-1558.

[本文引用: 1]

孟丹， 王明玉， 李小娟， 等.

京沪穗三地近十年夜间热力景观格局演变对比研究

［J］. 生态学报， 2013， 33（5）： 1545-1558.

[本文引用: 1]

Lei Yanbin， Zhu Yali， Wang Bin， et al.

Extreme lake level changes on the Tibetan Plateau associated with the 2015/2016 El Niño

［J］. Geophysical Research Letters， 2019， 46（11）： 5889-5898.

[本文引用: 1]

Wu Yijin， Zhao Xingshuang， Xi Yue， et al.

Comprehensive evaluation and spatial-temporal changes of eco-environmental quality based on MODIS in Tibet during 2006—2016

［J］. Acta Geographica Sinica， 2019， 74（7）： 1438-1449.

[本文引用: 1]

吴宜进， 赵行双， 奚悦， 等.

基于MODIS的2006—2016年西藏生态质量综合评价及其时空变化

［J］. 地理学报， 2019， 74（7）： 1438-1449.

[本文引用: 1]

Li Qing， Zhang Chunlai， Zhou Na， et al.

Spatial distribution of aeolian desertification on the Qinghai-Tibet Plateau

［J］. Journal of Desert Research， 2018， 38（4）： 690-700.

[本文引用: 1]

李庆， 张春来， 周娜， 等.

青藏高原沙漠化土地空间分布及区划

［J］. 中国沙漠， 2018， 38（4）： 690-700.

[本文引用: 1]

Hu Yunfeng， Zhang Yunzhi， Han Yueqi.

Identification and monitoring of desertification lands in China from 2000 to 2015

［J］. Arid Land Geography， 2018， 41（6）： 1321-1332.

[本文引用: 1]

胡云锋， 张云芝， 韩月琪.

2000—2015年中国荒漠化土地识别和监测

［J］. 干旱区地理， 2018， 41（6）： 1321-1332.

[本文引用: 1]

/

〈 〉

陇ICP备2021001824号-10
　 甘公网安备 62010202000676号
网站版权 © 《冰川冻土》编辑部
地址：兰州市天水中路8号　
邮编：730000　电话：0931-8260767　
E-mail：edjgg@lzb.ac.cn
总访问量 　 今日访问 　 在线人数
技术支持：北京玛格泰克科技发展有限公司