EN中文

Arid Zone Research >

2024 , Vol. 41 >Issue 5: 765 - 775

DOI: https://doi.org/10.13866/j.azr.2024.05.05

Weather and Climate

Simulation of land surface temperature in complex mountainous terrain and the influence of environmental factors: A case study in Daqingshan, Inner Mongolia

  • ZHAO Lichao , 1, 2 ,
  • ZHANG Chengfu , 1, 2 ,
  • HE Shuai 1, 2 ,
  • MIAO Lin 1, 2 ,
  • FENG Shuang 1, 2 ,
  • PAN Sihan 3
Expand
  • 1. College of Desert Management, Inner Mongolia Agricultural University, Hohhot 010018, Inner Mongolia, China
  • 2. Key Laboratory of Desert Ecosystem Protection and Restoration, National Forestry and Grassland Administration, Hohhot 010019, Inner Mongolia, China
  • 3. Bayannaoer Forestry and Grassland Bureau, Bayannaoer 015000, Inner Mongolia, China

Received date: 2023-12-01

  Revised date: 2024-01-31

  Online published: 2024-06-20

Fold

Abstract

This study aimed to spatially and temporally characterize not only land surface temperature (LST) in the complex mountainous terrain of Daqingshan, Inner Mongolia but also the environmental factors affecting it. We used the Weather Research and Forecasting Mode (WRF) used to obtain LST data with high temporal and spatial resolution and analyze the variation of mountain influencing factors. The accuracy of the WRF simulated LST (WRF LST) was verified by the observation values of meteorological stations and MODIS LST values, and the relationship between LST and environmental factors was analyzed by the method of comprehensive impact factor analysis and the method of single impact factor analysis. The comprehensive impact factor analysis is based on regional WRF LST and regional environmental factors. Single impact factor analysis achieves the relationship between WRF LST and single environmental factors by fixing other environmental factors. The results revealed that the correlation coefficients between the simulated and observed values were >0.97 (P<0.001) and the spatial correlation with MODIS LST was 0.73 (P<0.05), indicating that WRF has good practicability in mountainous areas. After comprehensive impact factor analysis, it was found the annual WRF LST had the greatest correlation with elevation (R>0.97), followed by temperature at 2 m and water/air mixing ratio at 2 m (R>0.8), vegetation coverage and slope (R>0.3), and other factors. By single impact factor analysis, LST decrease rate with elevation was 0.83 K·(100m)-1, 0.79 K·(100m)-1, 0.80 K·(100m)-1 and 0.32 K·(100m)-1 in spring, summer, autumn and winter, and it increased by -0.05 K, 0.17 K, -0.14 K, and 0.02 K for every 10° increase in slope in spring, summer fall winter, respectively. LST also increased for every 10% increase in vegetation cover by 0.31 K, 1.41 K in summer and winter, and was not correlated with fall. The slope direction and average LST for the four seasons were south>southwest>southeast>west>east>northwest>northeast>north. The 2 m water-air mixing ratio increased logarithmically with LST, while the 2 m air temperature increased exponentially with LST. This study demonstrated that the WRF model can be used to simulate the spatial and temporal distribution of LST in mountainous terrain and analyze the LST relationship in complex mountain environments.

Key words： WRF model; land surface temperature; environmental factors; Daqingshan of Inner Mongolia

Cite this article

ZHAO Lichao , ZHANG Chengfu , HE Shuai , MIAO Lin , FENG Shuang , PAN Sihan . Simulation of land surface temperature in complex mountainous terrain and the influence of environmental factors: A case study in Daqingshan, Inner Mongolia[J]. Arid Zone Research, 2024 , 41(5) : 765 -775 . DOI: 10.13866/j.azr.2024.05.05

地表温度（Land Surface Temperature，LST）是表征地气相互作用的重要参数，其变化特征直接反映了土壤热状况对气候变化的响应[1]。地表温度已成为科学研究中最重要的环境变量[2]，对城市遥感[3-4]、冰冻圈遥感[5]、水文工程、气候变化和土地利用等研究中发挥着重要作用[6]。地表温度获取的主要方法有站点观测、遥感和模式模拟。虽然站点观测数据准确可靠，但在复杂山区的站点分布较少且分散，使用常规的站点观测难以获得连续时空分布。基于热红外光谱的遥感技术可获得较高的时空分辨率数据，但由于受卫星过境时刻、回归周期及云层覆盖的影响，中纬度60%以上的地区很难获得连续的高时间分辨率数据[7]。与遥感数据相比，模式模拟能够解决时空分辨率低的问题。但模拟的准确性与模式的选择及内部机理有很大的影响。
天气研究与预测模式（The Weather Research and Forecasting Mode，WRF）通过模拟大气物理过程和化学变化将低时空分辨率的气象数据转化为区域尺度上的高时空分辨率数据，而且WRF模式模拟的空间不受云层干扰。WRF模式的不同方案考虑了不同类型的大气动态变化以及地表的特征和过程，是数值模拟的关键[8-9]。2020年4月更新的WRF模式具有更完备的动力学框架和多源的参数化方案，能够模拟不同地理区域的天气现象。Jin等[10]采用四个陆面方案对美国西部进行了模拟，结果表明地表过程对温度模拟有很强的影响。提高下垫面的准确性也能够改善复杂地形条件下近地层的气象要素模拟。Wen等[11]运用高精度的土地利用数据、土壤类型数据更好地模拟了绿洲和戈壁的近地面温度、风场的变化。王雪莹等[12]发现空间分辨率的提高能够显著降低雅鲁藏布江源区降水量的模拟误差。大量研究表明[13⇓-15]，土地利用、高程、植被覆盖等下垫面的信息变化是引起区域地表温度变化的重要因素。杜皓阳等[16]利用WRF模式模拟哈密绿洲土地利用变化前后区域自然环境要素的影响，结果表明城市化过程使干旱区进一步变热和变干，而绿洲扩张使得区域具有变冷和变湿的趋势。这些研究一定程度上揭示了下垫面变化对区域LST的影响，但没有分析单一地貌因素（如高程、坡度、坡向和土地利用类型等）对LST的影响。肖尧等[17]在复杂地表温度反演研究进展中表明由于山地地形起伏大、空间异质性高，地表温度反演研究大多集中在地面平坦、地形因素影响小的区域，导致山地长时序地表温度数据获取困难。
内蒙古大青山国家级自然保护区（以下简称大青山保护区）位于半干旱典型草原区，是阴山山地生态系统最完整、生物多样性最集中的区域[18]。保护区复杂的自然地理环境使得地表温度在空间与时间上都存在巨大差异性，为本研究提供了非常好的对象。自然保护区人类干扰少，有利于分析山地地貌条件下地表温度的变化规律。对地表温度的模拟是WRF模式在复杂山地时空降尺度的进一步探索。可以选择出合理的物理参数化方案，与站点LST和MODIS LST进行了对比，并分析了季节变化特征。鉴于地貌和土地利用类型等多种因素交错分布、共同影响，选择研究地表温度与单一因素之间的变化规律。本研究可为其他复杂地貌环境变化对地表温度影响的研究提供可借鉴的方法，结果也可为大青山保护区的保护与管理提供一套基础数据。

1 研究区概况与方法

1.1 研究区概况

大青山自然保护区位于内蒙古中西部呼和浩特、包头、乌兰察布市辖区的阴山山地，地理位置位于109°47′~112°17′E，40°34′~41°14′N。属于中温带典型的大陆性半干旱季风气候，年均气温在3~5 ℃，年均降水量为320~450 mm。大青山是一个断层山地，山体呈东西走向，山地南北的地貌形态不对称，南坡陡峭、北坡较平缓。土壤类型主要为山地栗钙土、山地典型棕褐土、山地淋溶褐土和山地草甸草原土，植物类型主要有白桦（Betula platyphylla）、山杨（Populus davidiana）和华北落叶松（Larix gmelinii principis-rupprechtii）等乔木，虎榛子（Ostryopsis davidiana）、黄刺玫（Rosa xanthina）和绣线菊（Spiraea salicifolia）等灌木，地榆（Sanguisorba officinalis）、阿尔泰狗娃花（Aster altaicus）、并头黄芩（Scutellaria scordifolia）、野艾蒿（Artemisia lavandulaefolia）和羊草（Leymus chinensis）等草本。

1.2 数据来源

再分析数据GDAS（0.25°×0.25°，间隔6 h）来源于美国环境预测中心（National Centers for Environmental Prediction，NCEP），用于WRF模式的驱动数据。GDAS是基于大量的气象观测和数值模拟数据融合获得。GDAS包含高空气压、温度、湿度、风向和风速等多种气象要素。
高程数据来源于SRTM（Shuttle Radar Topography Mission），分辨率为3 s（约90 m）；土地利用数据来源于WRF模式中自带的MODIS的20类土地利用数据（图1）。模式检验所用的3个气象站点资料来自国家科学气象数据中心（http://data.cma.cn）。
图1 研究区位置、高程、土地利用及气象站点分布

Fig. 1 The location of study area, DEM, landuse type, and meteorological stations

MODIS地表温度数据来源于美国航空航天局NASA（https://ladsweb.modaps.eosdis.nasa.gov/search/）。
利用MRT（MODIS Reprojection Tool）软件提取Terra卫星的MOD11A2和Aqua卫星的MYD11A2白天（LST_Day_1km）和夜间（LST_Night_1km）产品数据，以及质量（QC）控制层和成像时间层数据。

1.3 WRF模式设计

模拟采用双层网格嵌套，网格中心经纬度为41°N、111°E，外层D01区域的水平分辨率为3 km，相应的水平网格格点数为151个×151个，内层D02区域的水平分辨率为1 km，相应的网格格点数为313个×97个，内层覆盖整个大青山自然保护区。为避免物理参数化方案产生的误差，通过短期预试验尝试不同的物理参数化方案组合，确定了模式物理参数化方案的最佳组合（表1）。
表1 数值试验的物理过程

Tab. 1 The physics and dynamics options

参数化方案 方案名称
微物理过程 Thompson[19]
积云参数化 Tiedtke[20]
边界层 YSU[21]
表面层 MM5[22]
陆面过程 CLM4[23]
长短波辐射 RRTMG[24]
陆面过程方案CLM4综合考虑了土壤、植被和水文等多个地表过程的相互作用，能够较为准确地模拟土壤温度、湿度、热通量、水分通量等关键变量[25]。表面层方案MM5是一种针对地表大气相互作用的方案，对于大尺度的天气现象和气候变化模拟效果较好，常与边界层方案YSU联合使用。YSU能够模拟边界层中的湍流和对流过程，对于中等到大尺度的气象现象（如中等规模的对流）的模拟较为适用。张小培等[26]在复杂地形地区对WRF模式4种边界层参数化方案的评估中表示无论采用哪种地形数据，YSU方案模拟的2 m气温误差最小。
模拟的启动时间为2019年12月1日00:00:00 UTC，预热期为一个月，不参与结果分析。D01区域模拟结果每3 h输出1次，D02区域模拟结果每1 h输出1次。为与气象站点数据进行对比，在模式运行前设置输出LST的位置。外层和内层的积分步长分别为18 s和6 s，连续积分2 a。

1.4 数据处理与模型评估

WRF模拟LST输出步长为每6 s一次，而气象观测站LST为一天的平均值，因此需要将模拟的地表温度扩展为一天LST平均值进行评估。WRF模拟LST与MODIS LST的空间对比，必须选取针对同一目标区域的同时空LST进行对比。将模拟的LST与MODIS LST每3个月做一次对比，下载MOD11A2和MYD11A2每天共4次组合产品，日期分别为1月9日、4月7日、7月20日、10月8日影像。通过广义裂窗算法进行反演，得到分辨率约1 km、时间分辨率8 d的地表温度数据[27]。通过MODIS产品的QC层消除非零像元和云遮挡区域，保留平均地表温度小于1 K和发射率误差小于0.01的高质量像元。通过成像时间层选择MODIS LST，并将其与对应的WRF模拟的LST进行对比。MODIS产品是16位整型数据，转为开尔文的公式如下所示。
L S T = 0.02 × D N
式中： L S T为地表温度（K）；DN为像元值。
模拟结果的评估采用平均偏差（Mean Deviation Error，MDE）、均方根误差（Root Mean Square Error， R M S E）及皮尔逊相关系数R，具体计算公式如下：
M D E = 1 n ∑ i = 1 n P i - Q i
R M S E = 1 n ∑ i = 1 n P i - Q i 2
R = ∑ 1 n P i - P i ¯ Q i - Q i ¯ ∑ 1 n P i - P i ¯ 2 ∑ 1 n P i - Q i ¯ 2
式中： P i和 Q i分别表示模拟值和观测值； P i ¯和 Q i ¯分别表示模拟值和观测值的平均值；n表示样点数。

1.5 影响因素分析

本研究主要是分析山区地貌LST与各影响因素之间的关系。影响山地LST的主要因子包括土地利用、高程、坡度、坡向、植被覆盖度、2 m气温和2 m水汽混合比。使用综合影响因素和单一影响因素分析2020—2021年大青山保护区各季节平均LST及年平均LST与环境的关系。LST受环境因素的综合影响是通过回归方法对WRF模拟的全区域LST和全区域的环境因子进行分析。LST受环境因素的单一影响是通过首先设定其他环境因子，然后分析LST和特定环境因子的关系。各环境因子设定值见表2。
表2 各环境因子设定值

Tab. 2 Fixed values for each environmental factor

特征变量 设定值
高程/m 1400~1600
坡度/（°） 0~20
坡向/（°） 157.5~202.5（南）
植被覆盖/% 10~30
土地利用 草地

2 结果与分析

2.1 WRF模拟结果准确度评估

对WRF模拟的2021年LST进行评估表明（图2），模拟值与3个站点的平均偏差介于-0.14~2.43 K。其中，呼和浩特站、土默特左旗站的模拟值平均偏高0.74~2.43 K，而武川站模拟值平均偏低0.14 K。模拟值与站点观测值差异的稳定性较好，均方根误差在2.72~4.14 K，其中误差主要来源是当LST低时模拟值偏高，而LST高时模拟值偏低。如呼和浩特站在1月7日比站点观测值高3.9 K、在7月15日比站点观测值低2.9 K；武川县站在12月25日比站点观测值高0.3 K，在7月10日比站点观测值低4.8 K；土默特左旗站在1月6日比站点观测值高5.5 K、在7月24日比站点观测值低2.9 K，在2021年12月的误差增大。总体而言，WRF模拟值与3个站点观测值在时间变化上具有很好的一致性，且每个观测站点的相关系数均超过0.97（P<0.001）。模拟值与站点观测值在1—7月LST呈波动上升，7—12月LST呈波动下降。LST最大值一般出现在7月，最小值一般出现在1月、12月。总体来看，LST模拟值与观测值的变化高度一致，整体模拟效果较好。
图2 WRF模拟地表温度（LST）值与气象站观测值验证

Fig. 2 Verification of WRF simulated LST values with observations from weather stations

2.2 WRF LST与MODIS LST对比

2.2.1 瞬时影像比较

WRF LST值与MODIS LST空间上较符合（图3），如在高低温区域模拟值与实测值很接近。在一些区域，模拟值与MODIS LST存在一定的偏差。如7月20日白天10:30WRF模拟的南部低海拔建设用地区域值偏高，其他区域模拟值偏低；7月20日13:30建设用地和大青山保护区中部高海拔区域模拟值偏高；7月20日白天建设用地和高海拔地区的升温速率被高估，在其他区域被低估。7月20日夜间的模拟值普遍偏高。由图4可知，7月20日WRF LST和MODIS LST在4个时刻的空间差异均呈正态分布，且白天的平均偏差较小但方差较大，晚上则相反。其中10:30平均偏差为0.97 K最小，22:30平均偏差为-6.05 K最大。13:30标准差4.23 K最大，1:30标准差1.65 K最小。
图3 2021年7月20日4个时刻WRF LST与MODIS LST比较

Fig. 3 Comparison of instanct WRF LST and MODIS LST on July 20, 2021

图4 2021年7月20日4个时刻WRF LST与MODIS LST差值统计直方图

Fig. 4 The statistical histogram of the difference between instanct MODIS LST and WRF LST on July 20, 2021

2.2.2 平均影像比较

部分区域MODIS LST在1月9日和7月20日存在缺失像元，而WRF模拟的LST无缺失像元、有明显的异质性（图5）。不同日期WRF模拟的LST与MODIS LST有明显的空间差异，但相关性均达到73%（通过95%置信区间检验），说明WRF模拟的LST真实可靠。差异在7月20日最大，主要集中在西部和中部。由图6可知，2021年1月9日、4月8日、7月20日和10月7日的WRF LST和MODIS LST日均值的差值分布曲线都呈正态分布。模拟值在1月9日与4月7日均偏低，而在7月20日与10月8日均偏高。其中，4月7日的平均差异最大（5.17 K），1月9日最小（1.40 K）；7月20日的标准差最大（2.83 K），4月7日最小（1.29 K）。
图5 不同日期的MODIS和WRF日平均LST空间分布和差异

Fig. 5 Spatial distribution and difference of MODIS and WRF daily mean LST on different dates

图6 不同日期的MODIS和WRF日平均LST差异统计直方图

Fig. 6 Statistical histogram of the difference between MODIS and WRF daily mean LST on different dates

2.3 地表温度影响因素分析

2.3.1 综合影响因素分析

由LST的综合影响因素分析可知，LST与不同环境因子的相关性不同（表3）。在春、夏、秋季平均LST与2 m气温和高程相关性最好（R>0.92），与2 m水汽混合比较好（R>0.60），与植被盖度和坡度的相关性较弱（R<0.33）；在冬季平均LST与高程的相关较好（R=0.62）,与2 m气温、2 m水汽混合比、植被盖度、坡度相关性较弱（R<0.27）。年平均LST与环境因子的相关性中高程的相关性最大（R=0.97）、2 m气温与2 m水汽混合比次之（R>0.8）、植被盖度与坡度相关性最小（R>0.3）。与2 m气温和2 m水汽混合比呈正相关，与高程、植被盖度、坡度呈负相关。
表3 2020—2021年环境因子与LST的相关分析

Tab. 3 Correlation analysis of environmental factors and LST in 2020-2021

地表温度 2 m气温 2 m水汽混合比 植被覆盖度 高程 坡度
春季平均 0.97** 0.60** -0.33** -0.97** -0.29**
夏季平均 0.96** 0.65** -0.27** -0.92** -0.25**
秋季平均 0.98** 0.70** -0.25** -0.98** -0.32**
冬季平均 0.12** 0.03** 0.08** -0.62** -0.27**
年平均 0.87** 0.81** -0.32** -0.97** -0.30**

注：**代表相关性显著。3—5月为春季；6—8月为夏季；9—11月为秋季；12月—次年2月为冬季。

2.3.2 单一影响因素分析

单一影响因素分析结果如图7，冬季灌木林的平均LST>农业用地，春季草地平均LST>建设用地>林地，夏季建设用地平均LST>草地>林地，秋季草地平均LST>林地（图7a）。季平均LST随着高程增加呈下降趋势：在春夏秋冬四季降低速率分别为0.83 K·(100m)-1、0.79 K·(100m)-1、0.80 K·(100m)-1、0.32 K·(100m)-1，相关系数分别为-0.98、-0.94、-0.99、-0.64（图7b）。季平均LST随着坡度增加春季和秋季呈降低趋势，夏季和冬季呈升高趋势。坡度每增加10°，LST在春夏秋冬四季分别升高-0.05 K、0.17 K、-0.14 K、0.02 K，相关系数分别为-0.63、0.51、-0.59、0.52（图7c）。季平均LST随着植被覆盖度增加呈升高趋势：植被覆盖度每增加10%，LST在夏冬季分别升高0.31 K、1.41 K，相关系数分别为0.43、0.32，春季和秋季不相关（图7d）。季均LST随着不同坡向大小依次为南>西南>东南>西>东>西北>东北>北（图7e），主要原因可能与南和西南接收到的太阳辐射多，北和东北接收到的太阳辐射量较少有关。单一影响因素下，每个季节的平均LST与2 m气温和2 m水汽混合比的变化规律见图8。一年中，季平均LST随着2 m水汽混合比升高呈对数上升趋势，决定系数为0.87（图8a）。一年中，季平均LST随着2 m气温升高呈指数上升趋势，决定系数为0.98（图8b）。在每个季节内，季平均LST与2 m水汽混合比无明显关系，而春夏秋冬季平均LST随2 m气温的升高速率分别为0.66、1.12、0.87，-0.12，相关系数分别为0.66、0.87、0.89、0.60。
图7 地貌因子对不同季节的地表温度作用规律

Fig. 7 The effect of geomorphic factors on land surface temperature in different seasons

图8 季均地表温度随地表2 m高处水汽混合比、2 m高处气温在年内和季节内的变化规律

Fig. 8 Seasonal mean LST changes with the temperature at 2 m above the surface and the water-air mixing ratio at 2 m above the surface in the year and season

3 讨论

3.1 WRF LST准确性评估

近年来，随着WRF模式的快速发展和完善，对生态系统中各种重要过程的模拟及对未来趋势预测越来越准确[28]。本研究中WRF模拟的与3个气象站点观测的日平均LST高度一致，但个别日期也有一定的差异，表明WRF结果具有一定的可靠性。然而，在模拟复杂山地的地表过程时，WRF模式仍然存在较大的不确定性，土默特左旗站2021年12月的误差增大。这主要是WRF模式所用的再分析数据更新不及时和地表积雪覆盖造成。WRF LST与MODIS LST相关性较好，这与刘祯等[29]研究结果一致，这进一步表明WRF模式模拟山地LST具有很高的准确性。局部的不准确性可能是由于山地太阳辐射空间差异较大造成。白天模拟的结果平均偏差较小、标准差较大，而晚上平均偏差较大、标准差较小，这可能是由于地表土壤的导热率不准确导致。任余龙等[30]研究表明，采用适用于中国北方气候模拟的土壤导热率新方案（Lu-Ren方案），可以提高模式的模拟效果，但在山区的适用性还有待验证。

3.2 环境因子与LST的关系

由于地表温度的时空分布特征受气温和地形等多个环境因素的共同影响，且这些环境因素之间相互作用，使得地表温度在区域尺度上的时空分布状况具有一定的复杂性和差异性[31]，因此本文通过综合影响因素和单一影响因素两种方法分析了环境变量对LST的影响。通过综合影响因素方法，发现年平均LST与2 m气温、2 m水汽混合比呈显著的正相关性，而与高程、植被覆盖度、坡度呈显著负相关，这与罗瑶等[32]的研究结果一致。综合影响的植被覆盖度除冬季外其他季节及年平均LST与植被覆盖度呈显著负相关，这与焦欢等[33]研究结果一致。通过单一影响因素方法，发现冬季和夏季LST与坡度呈正相关，与高程呈显著负相关，春秋季LST与植被盖度相关性小，冬夏季LST与植被盖度正相关。LST与坡度负相关是由于不同季节不同坡度的坡面吸收的太阳光照的大小不同造成。冬夏季LST与植被盖度负相关是由于植被覆盖具有一定的保温隔热作用，白天升温快而晚上降温慢。春季和秋季平均LST与植被覆盖度不相关可能是由于这两个季节LST变化小从而受植被的隔热性较小造成。冬季LST与2 m气温呈负相关是由于太阳辐射在冬季加热空气的速度快于地面造成。2 m水汽混合比在年尺度上与LST呈指数正相关，这可能由于LST升高使地表水汽会更容易蒸发进入大气中，从而增加水汽混合比。进一步提高WRF模式的准确性需要高分辨率的区域植被、土壤和气象数据。在特定区域陆面模式的不准确性很大程度上阻碍了模型在当地模拟结果的准确性。

4 结论

本文利用WRF模式模拟了复杂山区的高时空分辨率的LST，并在模拟结果基础上通过综合影响因素和单一影响因素分析区域地表温度的空间分布特征，得到如下结论：
（1） WRF LST与观测值高度一致，相关系数均超过0.97（P<0.001）。
（2） WRF LST与MODIS LST相关性较好，表明WRF模式在复杂山地地貌具有很好的实用性。
（3） 综合影响因素方法，发现年平均LST与2 m气温、2 m水汽混合比呈显著的正相关性，而与高程、植被覆盖度、坡度呈显著负相关；单一影响因素方法，发现冬季和夏季LST与坡度呈正相关，与高程呈显著负相关，春秋季LST与植被盖度相关性小，冬夏季LST与植被盖度正相关，不同坡向上的大小均为南>西南>东南>西>东>西北>东北>北。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
宋海燕. CLM5. 0对东北地区地表温度的数值模拟及评估[J]. 哈尔滨师范大学自然科学学报, 2021, 37(2): 90-94.

[Song Haiyan. Numerical simulation and evaluation of surface temperature in Northeast China by CLM5.0[J]. Natural Science Journal of Harbin Normal University, 2021, 37(2): 90-94.]

[2]
Wu J, Xia L, Awange J, et al. Downscaling land surface temperature: A framework based on geographically and temporally neural network weighted autoregressive model with spatio-temporal fused scaling factors[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2022, 187(5): 259-272.

[3]
Hrisko J, Ramamurthy P, Yu Y, et al. Urban air temperature model using GOES-16 LST and a diurnal regressive neural network algorithm[J]. Remote Sensing of Environment, 2020, 237(1): 111495.

[4]
Dandan W, Yunhao C, Leiqiu H, et al. Modeling the angular effect of MODIS LST in urban areas: A case study of toulouse, France[J]. Remote Sensing of Environment, 2021, 257(2): 8-9

[5]
Westermann S, Langer M, Boike J. Spatial and temporal variations of summer surface temperatures of high-arctic tundra on Svalbard—Implications for MODIS LST based permafrost monitoring[J]. Remote Sensing of Environment: An Interdisciplinary Journal, 2011, 115(3): 908-922.

[6]
Jimenez-Munoz J C, Sobrino J A, Sobrino, et al. Land surface temperature retrieval methods from Landsat-8 thermal infrared sensor data[J]. IEEE Geoscience and Remote Sensing Letters, 2014, 11(10): 1840-1843.

[7]
Sen S C, Zhi X C, Qi W C, et al. A simple retrieval method of land surface temperature from AMSR-E passive microwave data—A case study over southern China during the strong snow disaster of 2008[J]. International Journal of Applied Earth Observations and Geoinformation, 2010, 13(1): 140-151.

[8]
Efstathiou G, Zoumakis N, Melas D, et al. Sensitivity of WRF to boundary layer parameterizations in simulating a heavy rainfall event using different microphysical schemes. Effect on large-scale processes[J]. Atmospheric Research, 2013, 5(4): 132-133.

[9]
屠妮妮, 何光碧, 张利红. WRF模式中不同积云对流参数化方案对比试验[J]. 高原山地气象研究, 2011, 31(2): 18-25.

[Tu Nini, He Guangbi, Zhang Lihong. Simulation test on the effects of various cumulus parameterization schemes in WRF model[J]. Plateau and Mountain Meteorological Research, 2011, 31(2): 18-25.]

[10]
Jin J, Miller L N, Schlegel N. Sensitivity study of four land surface schemes in the WRF model[J]. Advances in Meteorology, 2010, 1(1): 185-194.

[11]
Wen X, Lu S, Jin J. Integrating remote sensing data with WRF for improved simulations of oasis effects on local weather processes over an arid region in northwestern China[J]. Journal of Hydrometeorology, 2012, 13(2): 573-587.

[12]
王雪莹, 谷黄河, 代斌, 等. 不同水平分辨率区域气候模式对青藏高原气候特征模拟[J]. 干旱区研究, 2024, 41(3): 363-374.

[Wang Xueying, Gu Huanghe, Dai Bin, et al. Simulation of climate characteristics in the Tibetan Plateau by regional climate models at different horizontal resolutions[J]. Arid Zone Research, 2024, 41(3): 363-374.]

[13]
张祎. 长江流域土地利用/覆被变化对地表温度的影响[D]. 武汉: 中国地质大学, 2018.

[Zhang Yi. The Influence of LUCC on the Land Surface Temperature in Yangtze River Basin[D]. Wuhan: China University of Geosciences, 2018.]

[14]
Cao Q, Yu D, Georgescu M, et al. Impacts of land use and land cover change on regional climate: A case study in the agro-pastoral transitional zone of China[J]. Environmental Research Letters, 2016, 10(12): 124025.

[15]
王明娜, 韩哲, 张庆云. 21世纪初中国北方半干旱区土地利用变化对地表温度的影响[J]. 气候与环境研究, 2016, 21(1): 65-77.

[Wang Mingna, Han Zhe, Zhang Qingyun. Impact of land use and cover change in the semi-arid regions of China on the temperature in the early 21st century[J]. Climatic and Environmental Research, 2016, 21(1): 65-77.]

[16]
杜皓阳, 胡琪, 张弛, 等. 哈密绿洲土地利用变化对区域环境的影响[J]. 干旱区研究, 2018, 35(3): 568-578.

[Du Haoyang, Hu Qi, Zhang Chi, et al. Effects of land use/cover change on regional environment in the Hami Oasis[J]. Arid Zone Research, 2018, 35(3): 568-578.]

[17]
肖尧, 马明国, 闻建光, 等. 复杂地表地表温度反演研究进展[J]. 遥感技术与应用, 2021, 36(1): 33-43.

[Xiao Yao, Ma Mingguo, Wen Jianguang, et al. Progress in land surface temperature retrieval over complex surface[J]. Remote Sensing Technology and Application, 2021, 36(1): 33-43.]

[18]
胡尔查, 王晓江, 铁牛, 等. 内蒙古大青山国家级自然保护区植被归一化指数时空变化及其与环境因子的关系[J]. 生态学报, 2022, 42(14): 5945-5955.

[Hu Ercha, Wang Xiaojang, Tie Niu, et al. Spatio-temporal variation of NDVI and influencing factors in the Daqing Mountain National Nature Reserve, lnner Mongolia[J]. Acta Ecologica Sinica, 2022, 42(14): 5945-5955.]

[19]
Thompson, Gregory, Field, et al. Explicit forecasts of winter precipitation using an improved bulk microphysics scheme. Part II: Implementation of a new snow parameterization[J]. Monthly Weather Review, 2008, 136, (12): 5095-5115.

[20]
Tiedtke M. A comprehensive mass flux scheme for cumulus parameterization in large-scale models[J]. Monthly Weather Review, 1989, 117(8): 1779-1800.

[21]
Hong Y S, Noh Y, Dudhia J. A new vertical diffusion package with an explicit treatment of entrainment processes[J]. American Meteorological Society, 2006, 134(9): 2318-2341.

[22]
Jiménez P, Dudhia J, González-Rouco J, et al. A revised scheme for the WRF surface layer formulation[J]. Monthly Weather Review, 2012, 140(3): 898-918.

[23]
Lawrence, David M, Oleson, et al. Parameterization improvements and functional and structural advances in version 4 of the community land model[J]. Journal of Advances in Modeling Earth Systems, 2011, 3(3): 1-27.

[24]
Iacono M J, Delamere J S, Mlawer E J, et al. Radiative forcing by long-lived greenhouse gases: Calculations with the AER radiative transfer models[J]. Journal of Geophysical Research: Atmospheres, 2008, 113(13): 11-19

[25]
王澄海, 孙超. 一个基于WRF+CLM区域气候模式(WRFC)的建立及初步试验[J]. 高原气象, 2013, 32(6): 1626-1637.

DOI

[Wang Chenghai, Sun Chao. Design and preliminary test of the regional climate model (WRFC) based on coupling WRF 3.2 and CLM 4.0[J]. Plateau Meteorology, 2013, 32(6): 1626-1637.]

[26]
张小培, 银燕. 复杂地形地区WRF模式四种边界层参数化方案的评估[J]. 大气科学学报, 2013, 36(1): 68-76.

[Zhang Xiaopei, Yin Yan. Evaluation of the four PBL schemes in WRF model over complex topographic areas[J]. Transactions of Atmospheric Sciences, 2013, 36(1): 68-76.]

[27]
Wan Z, Dozier J. A generalized split-window algorithm for retrieving land-surface temperature from space[J]. IEEE Transactions on Geoscience & Remote Sensing, 1996, 34(4): 892-905.

[28]
曹明奎, 李克让. 陆地生态系统与气候相互作用的研究进展[J]. 地球科学进展, 2000, 15(4): 446-452.

[Cao Mingkui, Li Kerang. Perspective on terrestrial ecosystem-climate interaction[J]. Advances in Earth Science, 2000, 15(4): 446-452.]

DOI

[29]
刘祯, 曾燕, 邱新法, 等. 基于MODIS LST的0 cm地温空间扩展研究[J]. 气象科学, 2014, 34(1): 10-16.

[Liu Zhen, Zeng Yan, Qiu Xinfa, et al. Spatialization of 0 cm ground temperature based on MODIS LST[J]. Journal of the Meteorological Sciences, 2014, 34(1): 10-16.]

[30]
任余龙, 李振朝, 蒋俊霞, 等. 三种土壤导热率模型对中国北方地表温度的模拟[J]. 高原气象, 2022, 41(5): 1315-1324.

DOI

[Ren Yulong, Li Zhenchao, Jiang Junxia, et al. Simulation of land surface temperature in northern China by three soil thermal conductivity models[J]. Plateau Meteorology, 2022, 41(5): 1315-1324.]

DOI

[31]
李斌, 王慧敏, 秦明周, 等. NDVI、NDMI与地表温度关系的对比研究[J]. 地理科学进展, 2017, 36(5): 585-596.

DOI

[Li Bin, Wang Huimin, Qin Mingzhou, et al. Comparative study on the correlations between NDVI, NDMI and LST[J]. Progress in Geography, 2017, 36(5): 585-596.]

DOI

[32]
罗瑶, 彭文甫, 董永波, 等. 基于地理探测器下的川西高原地表温度空间格局及影响因子分析——以西昌市为例[J]. 干旱区地理, 2020, 43(3): 738-749.

[Luo Yao, Peng Wenfu, Dong Yongbo, et al. Geographical exploration of the spatial pattern of the surface temperature and its influencing factors in western Sichuan Plateau: A case of Xichang City[J]. Arid Land Geography, 2020, 43(3): 738-749.]

[33]
焦欢, 丁忆, 段松江, 等. 三峡库区植被覆盖度与地表温度的空间耦合季节分异研究[J]. 生态与农村环境学报, 2022, 38(12): 1604-1612.

[Jiao Huan, Ding Yi, Duan Songjiang, et al. Study on spatial coupling seasonal differentiation of vegetation coverage and land surface temperature in the three gorges reservoir area[J]. Journal of Ecology and Rural Environment, 2022, 38(12): 1604-1612.]

Options
Outlines

/

〈 〉