塔里木南緣綠洲下墊面生物物理參數與地表溫度相關性研究

馬勇剛，李 宏，甘艷露

（新疆遙感中心，烏魯木齊 830011）

隨著全球氣候變化下的氣候異常研究成為當前研究的熱點問題之一，區域下墊面的生物物理參數變化對局地氣候變化的影響也更加引起了研究者的關注。特別是干旱區綠洲作為我國西北干旱區的一種特殊生態景觀和西北人民的生產、生活、工作的主要地理載體，針對其下墊面屬性變化及其對綠洲氣候變化乃至穩定性的影響進行研究具有重要的意義。

作為典型綠洲局部氣候，綠洲“冷島”效應一直是研究者關注的熱點。Oke在1987年將綠洲效應定義為微氣候條件下，由于蒸散發過程引起潛熱比上升，植被區域相對于非植被區域的較低溫度和較高相對濕度的現象［1］。Kai等研究了中國戈壁沙漠中綠洲效應范圍，并將其定義為荒漠和綠洲間的輻射平衡現象［2］。國內研究起步于蘇從先等人［3－4］；1987－1992年中日合作在我國甘肅黑河流域進行的“黑河地區地氣相互作用野外觀測實驗研究”得到了很多有益的研究成果:（1）綠洲的逆溫－“冷島”效應；（2）鄰近綠洲的沙漠戈壁大氣是逆濕，水汽通量是向下輸送的。白天，感熱通量和潛熱通量使綠洲涼而濕。觀測表明，沙漠地表全天都比綠洲干，而在夏季白天綠洲的地表溫度比沙漠的低［4］。與此同時，國內學者對綠洲尺度對局部氣候的影響進行研究。張強模擬了干旱區中綠洲中尺度運動，提出綠洲系統維持的最小臨界尺度在幾公里的量級［5］。薛具奎等從動力學和非平衡態熱力學角度分析了綠洲與沙漠的相互作用特征，指出綠洲的維持與發展存在一個最小臨界尺度為6km［6］。

隨著遙感反演技術的發展和提高，國內外學者對綠洲地表下墊面屬性變化對地表溫度和局部氣候的影響進行了大量研究，但主要集中在土地利用類型與地表溫度進行相關分析［7－9］。Voogt指出單純基于土地利用土地覆蓋專題信息的簡單的定性描述方法及簡單的相關分析不利于熱紅外遙感研究的進展［10］。部分研究利用NDVI作為地表生物物理參數，研究了植被狀況與地表溫度之間的關系，而大多數結果表明NDVI與地表溫度之間為非線性關系，因此用NDVI作為地表生物物理參數研究地表覆蓋對局地氣候變化的關系有其局限性。發掘與地表溫度更具相關性的生物物理參數是目前研究的重點之一。本文以西部干旱區不同尺度綠洲為研究對象，采用地表不透水層和植被豐度為地表生物物理參數，對兩者與地表溫度的相關性及其響應進行研究，同時探討綠洲尺度對這種相關性的影響，為進一步的研究提供參考。

1 研究方法

1.1 研究區概況

策勒－于田地區位居塔里木盆地南緣克里雅河流域，受大陸性干旱氣候的長期作用和山地盆地相間地貌格局的影響，發育典型的綠洲、荒漠生態系統，在西部干旱區環境演變研究中占據極其重要的地位。該地區深處封閉環境之中，是典型的極端干旱區，由于其南部為高大的山脈，北部為廣闊的塔克拉瑪干沙漠，生態環境相當脆弱，選擇該地區作為研究區具有比較好的代表性，對于研究該地區的綠洲演變及其對于生態環境及綠洲的發展所造成的影響也具有重要意義。本文使用的數據為美國地質調查局（USGS）發布的全球免費Landsat影像，影像分別為1999年9月13日TM影像和2009年9月16日ETM圖像，圖像的軌道號為（Row 34／Path 145），圖像經過 Modtran4進行大氣校正消除大氣的影響，經幾何校正保證各波段空間誤差小于1個像元。本研究主題主要以策勒縣，奧依托格拉克鄉和也蘇勒工村三個相對孤立的綠洲作為尺度研究的三個規模，具體見表1。

表1 研究主體詳細情況

1.2 地表溫度（LST）反演

研究使用TM和ETM的熱紅外波段反演地表溫度采用的反演方法為Sobrino’s的單通道算法［11－13］，具體算法如下:

DN值轉化為光譜輻射率的公式如下:

式中:Lλ——傳感器光譜亮度值［W／（m2·sr·μ·m）］；Qcal——量化定標像素值［DN］；Qcalmin——最小量化定標像素值［DN］；Qcalmax——最大量化定標像素值［DN］；Lminλ——最小量化定標像素值時的輻射亮度值［W／（m2·sr·μm）］；Lmaxλ——最大量化定標像素值時的輻射亮度值［W／（m2·sr·μm）］。

光譜亮度值轉換為傳感器亮溫公式如下:

式中:Tb——有效傳感器亮溫（K）；K2——定標參數2（K）（對于ETM，K2＝1282.71K；對于 TM，K2＝1260.56K）；K1——定標參數1［W／（m2·sr·μm）］；（對于ETM，K1＝666.09W／（m2·sr·μm）；對于TM，K1＝607.76W／（m2·sr·μm）。

傳感器亮溫轉換為地表溫度公式為

式中:LST——地表溫度；ε——地表比輻射率；λ——有效波長（μm）。

大氣參數ψ1，ψ2和ψ3可由下列等式計算得出（w為大氣水分含量）:

1.3 植被豐度和不透水層比率計算

Adams在1995年提出了植被－不透水層－土壤（V－I－S）模型并以此參數作為城市地表生物物理組分［14］。在該模型中，任意一個地表單元都被認為是V－I－S的不同比例的組合結果。已有較多的研究采用該模型進行地表生物物理參數的反演并取得了較好的效果。本研究采用V－I－S組分模型，提取植被豐度和不透水層分量作為綠洲內部下墊面地表生物物理參數主要基于:（1）綠洲中的城鎮化發展與被鄉村包圍的城市化的發展在土地覆蓋格局上具有相似性，都是不透水層區域在植被區域內的發展；（2）從物理屬性上講，綠洲中的城鎮化發展與被鄉村包圍的城市化所產生的不透水層是一致的。因此在城市應用較為廣泛和成功的V－I－S模型在理論上是適用與綠洲的城鎮化過程研究的。

V－I－S分量提取主要基于歸一化光譜分解模型。歸一化光譜分解模型（NSMA）是一種基于物理理論的影像處理方法［15－16］，該模型認為衛星傳感器接收到的信號是若干種純凈基質（端元）反射信號的線性組合，模型可以表達為

式中:ˉRb——像元在波段b的反射率；N——端元數量；n——端元n的比例；ˉRn，b——b波段端元n的反射率；Eb——b波段對n個端元的擬合誤差；m——波段數。

設定同時滿足于條件（公式7－9）:通過最小二乘法使根方差之和（RMS）達到最小（公式10），最后求得每一個像元各端元組成最優解。

本研究中首先對TM／ETM數據的1－5，7等波段的反射率進行歸一化，對第7波段通過閾值提取法去除水體對模型的影響，通過MNF轉化和n維空間可視化中對端元的選取，最后計算得出兩期影像的植被豐度（fraction of vegetation，簡寫為FV），不透水層比率（percent of impervious surface area，簡寫為%ISA）兩個分量。

圖1 1999年和2009年植被豐度－地表溫度三綠洲散點回歸圖

2 結果分析

2.1 植被豐度、不透水層比率與地表溫度相關分析

本研究對A，B和C三個綠洲主體在P＝0.05顯著水平上進行了兩個時期的點對點上，植被豐度與地表溫度，不透水層面與地表溫度的散點圖分析及其線性回歸分析，回歸的結果如圖2－3。

圖1顯示出植被豐度與地表溫度在三個綠洲的兩個時間點上都有較強的負相關關系。作為面積最大的A綠洲，其相關性（R2）在1999年和2009年3個綠洲的分析結果中保持最大，分別為0.5451 和0.6198 ；面積居中的B，其相關系數為0.2681 和0.379；面積最小的C綠洲，植被豐度與地表溫度的相關性（R2）在三個綠洲中最小，分別為0.1965 和0.1213 。隨著綠洲面積的減小，植被豐度和地表溫度的相關性呈減小趨勢。對比1999年和2009年的相關系數，1999年的植被豐度與地表溫度相關性總比2009年大，這是由于最近10a間綠洲內部城鎮化建設加強，使得綠洲內部原本面積較大的植被斑塊破碎度增大，減弱了綠洲內部原本較為均勻的植被覆蓋所形成的逆溫層強度。

圖2表明，不透水層分量與地表溫度呈現出較弱的正相關關系。面積最大的A綠洲不透水層下不透水層分量和地表溫度相關性稍強，B和C綠洲的不透水層分量與地表溫度相關性幾乎為零。整體趨勢表現出隨綠洲面積的增加，不透水層分量與地表溫度相關性有增加的趨勢。研究區范圍內，在A綠洲縣級尺度上，不透水層分量對地表溫度的影響才較為明顯，其余鄉級及村級尺度上不透水層的影響是不顯著的，這與于田－策勒地區經濟發展還比較緩慢，城鎮化建設較弱，不透水層在鄉村地區仍然分布較少有關。同時也需注意到，不透水層在1999－2009年間有一定規模的增加，導致不透水層與地表溫度的相關性在三個綠洲上均有上升。

圖2 1999年和2009年不透水層－地表溫度三綠洲散點回歸圖

2.2 地表溫度對植被豐度和不透水層比率變化的響應

回歸分析能夠提供較為全面和整體的相關參數之間的相關性和影響程度，為了進一步了解植被豐度和地表不透水層分量對地表溫度的影響，采用區域分析（zone analysis）評估了隨著兩個參數以10%的數值上升，在不同的綠洲大小上，地表溫度的最大值（max），最小值（min），均值（mean）的響應（如圖3－4）。

通過圖3可以發現，隨著植被豐度這一參數在區域范圍內以10%的固定步長增加時，A，B和C綠洲在1999年期間，最大值和最小值線基本處于斜率為0的平行線，而在2009年期間，最大值在植被豐度大于0.5的區域出現了波動現象。這說明在1999年期間，植被豐度的增加對地表最低溫度和最高溫度的影響不大，而在2009年則對最高溫產生了較為明顯的影響。其原因為1999年綠洲內部植被覆蓋較為整合，植被斑塊面積也較大，不同植被豐度區域基本處在相互混合的狀態下，區域內產生了較大范圍的綠洲冷島效應，而2009年植被破碎化程度加強，部分植被豐度較高的區域相對獨立，產生了冷島強度范圍較小，因此體現出在高植被豐度值范圍內最大值線發生波動的情況。均值線作為體現區域內的溫度水平，在三個綠洲兩個時期與植被豐度體現了較強的負相關關系，驗證了隨植被增加溫度降低的趨勢，與以往的研究具有一致性。

隨不透水層比率增加，各綠洲在不同時期表現出較大的差異性。在不同不透水層比率閾值范圍內，地表溫度最大值和均值體現出一種較為規律的狀態，，如圖4所示，B和C綠洲有較強的波動，這是由于不透水層比率本身在綠洲的土地覆蓋類型中比例較小，不具有顯著的主導優勢，同時其分布主要以居民地和建筑用地為主，在較小的綠洲范圍下，其影響范圍也會較小。而最小值線所表現出來的與不透水層比率較強的正相關和規律性則反映了不透水層比率的發展對地表溫度影響顯著，對綠洲冷島效應的削弱作用十分明顯。

圖3 不同植被豐度閾值區間最低溫，最高溫和均溫的趨勢線圖

圖4 不同不透水層閾值區間最低溫，最高溫和均溫的趨勢線圖

3 結論與建議

本文討論了植被豐度，不透水層分量與地表溫度之間的相關性和響應關系。結果表明:

植被豐度與地表溫度有較強的負相關關系；隨著綠洲面積的增加和綠洲尺度增大，植被豐度和地表溫度的相關系數表現出隨之增大的趨勢。

不透水層分量與地表溫度有較弱的正相關關系。隨著綠洲面積的增加，不透水層分量與地表溫度相關性有增加的趨勢。較大的綠洲具有較高的行政級別，其城鎮化程度相對較高，不透水層分布相對有更廣泛分布，而較小的綠洲行政級別也較低，不透水層分布以房屋和道路為主，影響范圍小，相關系數低。同時近年來伴隨城鎮建設，不透水層與地表溫度的相關性在三個綠洲上均有上升。

本文研究了同一景數據下三個不同綠洲尺度下地表植被和不透水層參數與地表溫度的相關性和尺度研究。選取更多的和更具代表性的地表生物物理參數及選取更多不同規模級別的綠洲進行相關研究，討論不同氣候背景下綠洲的尺度對地表覆蓋變化與綠洲局部區域氣候相關性的影響等工作需要進行進一步的探討。

［1］Oke T R.Boundary layer climates［M］.2nd edition.London:Methuen 1987.

［2］Kai K，Matsuda M，Sato R.Oasis effect observed at the Zhangye oasis in Hexi Corridor China ［J］.Journal of Meteorological Society of Japan，1997，75（6）:1171－1178.

［3］蘇從先，胡隱樵.綠洲和湖泊的“冷島效應”［J］.科學通報，1987，31（10）:756－758.

［4］胡隱樵.一個強“冷島”的數值試驗結果［J］.高原氣象，1987，6（1）:1－8.

［5］張強，胡隱樵.綠洲地理特征及其氣候效應［J］.地球科學進展，2002，17（4）:477－486.

［6］薛具奎，胡隱樵.綠洲與沙漠相互作用的數值試驗研究［J］.自然科學進展，2001，11（5）:514－517.

［7］文莉娟，呂世華，孟憲紅，等.環境風場對綠洲冷島效應影響的數值模擬研究［J］.中國沙漠，2006，26（5）:754－758.

［8］呂世華，尚倫宇.金塔綠洲風場與溫濕場特征的數值模擬［J］.中國沙漠，2005，25（5）:623－628.

［9］張鳳華，賴先齊，潘旭東.沙漠增溫效應特征及綠洲農業熱量資源分異規律的研究［J］.中國沙漠，2004，24（6）:751－754.

［10］Voogt J A，Oke T R.Thermal remote sensing of urban climates［J］.Remote Sensing of Environment，2003，86（3）:370－384.

［11］Chander G，Markham B L，Helder D L.Summary of current radiometric calibration coefficients for Landsat MSS，TM，ETM＋，and EO－1ALI sensors［J］.Remote Sensing of Environment，2009，113（5）:893－903.

［12］Jiménez－Mu?noz J C，Sobrino J A.A generalized single channel method for retrieving land surface temperature from remote sensing data［J］.Journal of Geophysical Research，2003，108（D22）:4688－4697.

［13］Sobrino J A，Jiménez－Mu?noz J C，Paolini L.Land surface temperature retrieval from LANDSAT TM 5［J］.Remote Sensing of Environment，2004，90（4）:434－440.

［14］Adams J B，Sabol D E，Kapos V，et al.Classification of multispectral images based on fractions of endmembers:Application to land－cover change in the Brazilian Amazon［J］.Remote Sensing of Environment，1995，52（2）:137－154.

［15］Wu C，Murray A T.Estimating impervious surface distribution by spectral mixture analysis［J］.Remote Sensing of Environment，2003，84（4）:493－505.

［16］Zha Y，Gao J，Ni S.Use of normalized difference built－up index in automatically mapping urban areas from TM imagery［J］.International Journal of Remote Sensing，2003，24（3）:583－594.