基于SEBAL模型的渭-库绿洲蒸散量特征及影响因子研究

对渭-库绿洲蒸散发量的估算在绿洲水资源管理和分配以及生态环境的保护方面扮演着重要作用,同时对于深刻了解流域水循环和水文过程也具有重要意义。本文以渭干河-库车河绿洲为研究靶区,将Landsat TM/OLI遥感数据与地面气象站点实测数据相结合,利用SEBAL模型估算了渭-库绿洲1997年和2016年的日蒸散量,并对日蒸散量的空间分布特征及日蒸散量与相关地表参数的相关性进行了分析。结果表明:渭-库绿洲日蒸散量的空间分布表现为西高东低,北高南低的分布特征,其高值出现在水体和植被覆盖较多的绿洲内部区域,低值则分布在研究区东、东南和西部的低植被覆盖区域;在日蒸散量与植被指数(NDVI、SAVI、LAI)、水体指数(MNDWI、NDWI、TVI、VSWI、TVDI)和地表温度(LST)等地表参数的相关性方面,研究时段内全部地表参数与日ET具有较高的相关关系,Pearson相关系数都通过0.01水平的显著性检验,其中NDWI与日蒸散量表现出了最好的相关性,表明在渭-库绿洲水分对日蒸散量分布与变化的影响是最大的。     

风力发电机对黄河三角洲水体蒸发的影响研究

蒸发是湿地水循环的重要组成部分和水分损失的重要途径,风力发电对水体蒸发的影响干扰湿地生态系统的水热平衡。利用SEBAL模型,采用风力发电机建设前2004年、2005年、2009年的Landsat 5数据,风力发电机建成后2013年、2015年的Landsat 8数据,以及MODIS数据和气象数据,通过对比风力发电机建设前后以风机点为中心200m缓冲区范围内水体蒸发的变化,研究风力发电机对黄河三角洲湿地水体蒸发的影响。结果表明:①与建成前相比,风力发电机建成后风机周围各风向水体的蒸发在空间特征上趋于均匀;②与其他风向相比,风力发电机对下风向的影响更大,使下风向水体的蒸发值的均匀程度远大于上风向和旁风向。     

基于多源数据的生态环境质量变化研究——以广州市为例

基于Landsat影像计算遥感生态指数,结合土地覆盖数据分析广州市2000―2020年生态环境质量的时空变化,通过兴趣点(POI)核密度结果评价广州市功能设施分布现状,利用地理探测器研究广州市生态环境质量空间分异的主要影响因素。结果表明:近20年来,广州市生态环境质量优级和中级的面积占比分别上升了10.59%和2.19%,良级面积占比下降了13.16%,良级向中和优级转变的趋势显著,丘陵和山地生态环境质量呈上升趋势,城市扩张区域则有所下降;各因子对归一化差异植被指数(NDVI)、干度指标(NDBSI)和地表温度(LST)的解释力度较高,在人类活动强度较高的低海拔不透水面地区,NDVI与缨帽变换的湿度分量(Wet)偏低,NDBSI与LST偏高,对生态环境具有负效应,广州北部的丘陵山地NDVI较高,LST较低,对生态环境有利。     

FY-3C和MODIS检测湘赣地区地表温度差异研究

地表温度(LST)是陆面过程研究的关键参数之一,卫星遥感是获取大范围LST格局及时空变化的最有效手段.然而,有关不同卫星遥感LST产品在典型地区的一致性研究有待深入.研究比较了国产风云气象卫星FY-3C VIRR和美国Terra卫星MODIS LST产品在湖南省和江西省的时空差异.结果表明:FY-3C和MODIS的LST产品(白天和夜间)都刻画出了湘赣地区的LST季节变化,但FY-3C LST整体低于MODIS LST;两种卫星产品白天LST的差异在夏季和春季高于秋季和冬季;两种卫星产品夜间LST差异幅度要低于白天LST,也呈现夏季和春季的差异高于秋季和冬季;两种卫星产品LST日均温也是MODIS高于FY-3C,二者差异在夏季最大、春季次之、秋季和冬季较小.研究结果可为国产卫星遥感检测典型地区地表信息特征时空变化提供参考.     

基于MOD16产品的我国2001-2010年蒸散发时空格局变化分析

蒸散发的时空格局分析对理解气候变化与水资源之间的相互影响具有重要的作用。本文基于MODIS全球蒸散发产品(MOD16),分析了2001-2010年我国陆面蒸散发的时空格局变化,得出以下结论：(1)站点尺度和流域尺度的精度验证结果表明,MOD16产品对于我国森林、农田生态系统类型,以及辽河、海河、黄河和淮河流域的模拟精度较高;(2)2001-2010年,我国年均蒸散发为532±10 mm,年内蒸散值变化最大的是东北区,月均蒸散变异系数为0.87,而西北区变化幅度最小,变异系数为0.19;(3)2001-2010年,我国陆面蒸散发年际变化总的趋势不明显,占陆地面积11.2%区域的蒸散发呈显著减少趋势(p<0.05),主要分布在青藏高原中部,内蒙古中东部地区及新疆北部,只有2.3%的区域的蒸散发增加趋势显著,(p<0.05),主要分布在黄土高原地区、黄淮海平原及东北平原;(4)通过对比干旱指数变化趋势、植被指数变化趋势图可以看出,蒸散发显著减少的区域主要分布于干旱加剧的半干旱地区,而蒸散发显著增加的区域主要位于植被变好的地区。     

福州市地表温度热点及时空变化分析

中国作为世界第一大发展中国家,近年来城镇化发展迅速,大量自然地表转化为人工地表,从而引起了一系列环境问题,其中以城市热岛问题最为显著。因此如何缓解因城市化进程的加快引起的城市热岛效应已成为热门研究方向。为精确分析城市空间格局对热集聚的影响,本研究利用2000年5月4日的Landsat ETM+和2016年7月27日获取的Landsat OLI两期遥感影像,获取福州市的土地覆盖信息并进行精度验证。在地表温度（Land Surface Temperature, LST）反演基础上通过热点分析（Getis-Ord Gi*）,并结合不透水面（Impervious Surface Area, ISA）信息来研究城市化进程中福州市16 年来 LST的变化特性,空间集聚特性及其产生的尺度效应。热点分析结果显示：① 通过分析福州市内各地和热点中心的距离与LST的关系可较好地反映空间热聚集。2000 年在距热点中心0.97、1.03、0.95 km范围内热聚集明显;2016 年则增长到分别在距热点中心半径1.89、2.01、2.10、2.05、2.13 km范围内热集聚显著且热点区数量也从3 个增加至5 个。热集聚区（热点区和较热区）总面积在此期间从15.7%增至47.3%;② 由于热点图中的热点区和冷点区的形成不单取决于LST的高低,因此热点分析与空间自相关分析方法相比,能更直观地分析土地覆盖变化对LST的影响,了解城市内部热强度变化的细节。本研究采用的热点分析方法可用于城市环境保护与规划,将来还可作为城市土地规划与热环境影响的分析依据。同时可利用热点分析图模拟城市微气候,估算城市绿地降温程度等。此外,未来还可基于此进一步探讨更多时相以及不同城市的对比分析,特别是对不同城市类型如带状城市,多中心城市及中心城市等的研究。     

基于组件技术的地表蒸散发遥感监测系统设计与应用

针对遥感模型与水热模型集成应用的需求,以C#语言结合ENVI/IDL和ArcGIS Engine混合编程技术,设计开发了地表蒸散发遥感监测系统的基本流程,对系统数据库设计及遥感模型与水热模型集成模式进行了研究,研发了单元蒸散发参数反演与结果校验功能,实现了遥感模型与水热模型的集成应用.系统对黄河三花间流域以MODIS遥...     

植被与不透水面的降温和增温效率分析方法

基于遥感的城市热环境研究通常通过分析植被、不透水面和地表温度（Land Surface Temperature, LST ）的关系来进行。虽然植被的降温作用和不透水面的增温作用已受到普遍认可,但缺少针对降温和增温效率的定量研究,本研究采用地表降温率（Land Surface Cooling Rate, LSCR）和地表增温率（Land Surface Warming Rate, LSWR）量化植被降温效率和不透水面增温效率并对2017年江苏省南京市城市热环境进行分析。以Landsat 8 OLI 4期遥感影像为数据源,利用线性光谱混合分析法（Linear Spectral Mixture Analysis,LSMA）获取亚像元植被覆盖度（Fractional Vegetation Coverage, FVC）、不透水面覆盖度（Impervious Surface Percentage, ISP）并利用高分Google影像进行精度验证。结合地表温度（Land Surface Temperature, LST）反演结果计算各季总体LSCR和LSWR,分析不同LST对总体LSCR和LSWR的影响。最后,将FVC和ISP分别按照阈值平均划分为4个区间,计算各区间的LSCR和LSWR,并在此基础上分析不同区间LSCR和LSWR的变化情况。研究结果表明： ① LST与整体LSCR、LSWR正相关,夏季植被降温效应和不透水面增温效应最强,LSCR和LSWR分别为5.6%和5.1%;② 夏季各区间LSCR与FVC正相关,FVC为75%~100%时LSCR达到最大值7.5%;各区间LSWR与ISP负相关,ISP为75%~100%时LSWR达到最小值2.4%;③ 当FVC为0~25%,ISP为75%~100%时,可以充分发挥植被的降温效应,抑制不透水面的增温效应,是最佳的植被和不透水面组合方案。本研究采用的LSCR和LSWR分析方法可以从抑制地表温度上升的角度选择最佳的FVC和ISP区间,未来可基于此横向对比不同城市,并结合纬度、地形、气候、树种等因素对LSCR和LSWR的影响,进一步探索LSCR和LSWR的影响因子和变化规律。     

1980—2020年中国九大流域蒸散发及其组分时空评估

蒸散发是地表陆气水分交换的纽带,准确量化蒸散发的时空演变格局对于水资源规划与管理至关重要。本文基于GLEAM模型的蒸散发及其组分数据集,借助7个通量观测站数据、120个流域的流域水量平衡及PML_V2蒸散发产品,在中国九大流域系统评估了GLEAM-ET产品,分析了植被恢复背景下,蒸散发（ET）及其组分（植被蒸腾Ec,截留蒸发Ei,土壤蒸发Es）在1980—2020年的时空演变格局。本文主要得到以下结论：① GLEAM-ET产品在中国九大流域具有较好的适用性,其性能与气候类型有关,干旱区效果优于湿润区。此外,GLEAM与PML_V2模型在九大流域相关性较好（R>0.7）,分布格局与变化趋势整体保持一致。② 全国尺度上,ET均值为416.88 mm,增长速率为1.21 mm/a。Ec与ET均呈自东南向西北递减的分布格局,而Es与其相反。Ec、ET在九大流域均呈显著增加趋势（p<0.001）。Ei、Es在季风区流域分别呈显著增加和显著减小趋势;在内陆区流域呈不显著减小（p>0.05）和显著增加趋势。③在植被恢复背景下,ET组分比例发生了变化。Ec占比变化存在南北差异,南方流域Ec占比均减小,北方流域均增加。Ei占比在各流域均增加,Es占比均减小。黄河流域ET组分对植被恢复的响应最为明显,Ec占比增加了5.21%,Es占比减小了5.56%。     

Impact of land cover change on land surface temperature: A case study of Spiti Valley

Land surface temperature(LST) is the skin temperature of the earth surface. LST depends on the amount of sunlight received by any geographical area. Apart from sun light, LST is also affected by the land cover, which leads to change in land surface temperature. Impact of land cover change(LCC) on LST has been assessed using Landsat TM5, Landsat 8 TIRS/OLI and Digital Elevation Model(ASTER) for Spiti Valley, Himachal Pradesh, India. In the present study, Spiti valley was divided into three altitudinal zones to check the pattern of changing land cover along different altitudes and LST was calculated for all the four land cover categories extracted from remote sensing data for the years of 1990 and 2015. Matrix table was used as a technique to evaluate the land cover change between two different years. Matrix table shows that as a whole, about 2,151,647 ha(30%) area of Spiti valley experienced change in land cover in the last 25 years. The result also shows vegetation and water bodies increased by 107,560.2 ha(605.87%) and 45 ha(0.98%), respectively. Snow cover and barren land decreased by 19,016.5 ha(23.92%) and 88,589(14.14%), during the study period. A significant increase has been noticed in vegetation amongst all land cover types. Minimum, maximum and mean LST for three altitudinal zones have been calculated. The mean LST recorded was 11℃ in 1990 but it rose by 2℃ and reached to 13℃ in 2015. Changes in LST were obtained for each land cover categories. The mean temperature of different land cover types was calculated by averaging value of all pixels of a given land cover types. The mean LST of vegetation, barren land, snow cover and water body increased by 6℃, 9℃, 1℃, and 7℃, respectively. Further, relationships between LST, Normalized Difference Snow Index(NDSI), and Normalised Difference Vegetation Index(NDVI) were established using Linear Regression.