三江平原水旱田分布对遥感反演局地地表温度的影响

杜国明，刘文琦，于佳兴，张 爽



三江平原水旱田分布对遥感反演局地地表温度的影响

杜国明，刘文琦，于佳兴，张 爽

（东北农业大学资源与环境学院，哈尔滨 150030）

土地利用剧烈变化对局地气候的影响是当前全球变化与可持续研究关注的焦点问题。该文基于2017年6月16日Landsat 8卫星遥感影像反演耕地利用剧烈变化的三江平原北部地区地表温度数据，刻画了研究时点水旱田分布对地表温度影响的空间特征。结果表明，研究区水田旱地面积占耕地总面积比例分别为58.12%、41.88%，水田平均地表温度比旱地低9.87 ℃；在村域尺度上，水田面积占比与地表温度均值在0.01水平（双侧）上呈显著负相关关系（<0.01），该研究时点上水田对地表热环境存在较为明显的降温作用。水旱田不同下垫面因含水量及蒸散量不同造成的能量传递过程差异，使得其分布格局成为地表温度值分异的主要原因。

遥感；温度；耕地；水田格局；三江平原

0 引 言

气候变暖背景下农业适应性研究是全球变化科学、可持续性科学、农业生态学研究的热点问题[1-2]。气候变暖是导致中国东北地区水田分布界线北移和规模扩张的重要原因[3]。与此同时，水田扩张必然导致区域的下垫面特征变化，改变地表辐射能量平衡，从而对区域气候特征产生作用。区域温度差异对作物生长影响是显著的，在中温带北部寒冷地区耕地，6月为水稻分蘖期和旱作物叶片生长期，该时期作物植株高度较低，且对温度较为敏感，此时地表温度差异可能会对其生长过程产生影响，并进一步影响耕地产能与可持续性[4]。IPCC（Intergovernmental Panel on Climate Change）第五次评估报告指出，人类对气候系统的影响是明显的，下垫面的变化会通过改变地表反照率对地球辐射收支产生直接影响[5]。2000－2014年，三江平原地区水田面积增长了60%[6]，2010－2015年，东北地区旱地和水田互转的面积占全国旱地水田互转面积的91.7%，其中三江平原地区是变化集中范围[7]，旱地与水田在耕作季节的地表覆盖状况具有显著差异，旱地与水田的转换引起了区域下垫面发生显著变化，必然对地表辐射能量平衡和地表温度产生影响。而地表温度是影响局地气候的重要因素，每日瞬时温度差异的累积将导致长期积温的变化，并最终作用于区域气候特征。因此，涵盖旱地与水田的耕地利用格局对地表瞬时温度影响特征研究是农业生态学及可持续性科学研究进展中的应有之义。

现有研究为地表温度反演及景观格局分析提供了理论与实践基础，但当前相关研究多针对城市内部城区下垫面分析，而在耕地与农业气象环境关系研究领域亦多集中于作物生长过程中温室气体排放对局部小气候的增温作用，如Georgescu等[8]通过研究美国玉米带生物能源作物显示生物物理参数，揭示作物类型转换带来的气候效应；Galford等[9]在研究巴西亚马逊地区农业温室气体排放现状与预测基础上，探究农业种植对气候变化的影响。相比之下，水田种植由于其农业生产过程的特殊性，水田与旱地下垫面在农作物生长发育期特别是初期明显不同，耕地水旱田格局及其变化对局地地表温度的影响还有待进一步探究。

为此，本文从耕地利用格局角度出发，基于美国陆地资源卫星Landsat 8 OLI/TIRS传感器所提供30 m空间分辨率数据，采用大气校正法反演获取研究区2017年6月16日地表温度（Land Surface Temperature，LST）数据，采用GIS方法完成不同耕作区地表温度均值分区统计，借助SPSS分析功能对水田占比数据与平均地表温度进行相关性分析，探究研究区水稻插秧期一日内LST与不同水旱田格局间相关关系，一定程度反映水田种植规模与结构对局地地表温度影响程度，进而为后续长期气候效应分析奠定基础，并为不同类型耕地数量结构设置及空间结构布局优化提供理论支撑，对土地资源优化配置实践方法作进一步探究。

1 研究地区与研究方法

1.1 研究区概况

三江平原（43°50¢02²～48°24¢41²N，129°11¢49²～34°46¢37²E）位于黑龙江省东部（图1），处于中温带湿润、半湿润大陆性季风气候区，多年平均降水量450～650 mm，主要土壤类型为黑土、白浆土等，地势平坦，起伏度较小。研究区位于三江平原中北部（46°23¢12²～47°54¢35²N，130°07¢50²～132°55¢45²E），是耕地集中连片区域，由Landsat 8卫星传感器获取的一景影像范围所覆盖（行列号为：115/27），在保证内部村级行政区单元完整性前提下确定研究区边界，涉及佳木斯市中部、双鸭山市西北部及鹤岗市大部，覆盖面积为16.9×105hm2。近年来，作为东北地区气候变暖最为显著区域，三江平原水稻种植面积呈现较快增长，研究区耕作区域整体呈现水田集中种植为主，水旱混作为辅的种植结构特点[10-11]，所涉及县级行政区包括富锦市、同江市、宝清县、友谊县、桦川县、集贤县、绥滨县、汤原县，下辖村级行政单元共873个。

1.2 数据来源及预处理

本文遥感信息数据源为美国陆地资源卫星，由NASA官网（http://glovis.usgs.gov/）获取2017年6月16日Landsat 8 TIRS 遥感影像（轨道号为115/27），影像获取时间为北京时间上午10：20，经查验研究区气象站点数据，影像获取当日天气晴朗，无异常气温波动且无明显降水过程，适宜进行地表温度反演。针对所获取影像数据，首先使用研究区边界矢量文件分别对多光谱影像及第10波段影像数据进行裁剪，依托ENVI 5.1遥感影像处理软件平台，通过Radiometric Correction/Radiometric Calibration工具辐射定标，将影像DN值转化为辐射亮度值，采用FLAASH Atmospheric Correction工具，基于MODTRAN5辐射传输模型对多光谱数据进行大气校正，依据相同投影与地理坐标系统的黑龙江省地形图对研究区影像进行几何精校正。

依据2017年国土资源管理部门农村土地调查年度更新1∶10000比例尺数据，以美国陆地资源卫星Landsat 8 OLI传感器于2017年5月31日及8月19日所获取影像为参考，通过目视解译校正更新地类，获取2017年研究区土地利用数据，经验证精度达98%以上[12]。在利用耕地范围掩膜提取基础上，为消除其他用地类型热传导效应所造成误差，将研究区内不透水面、河流水体等其他地类面积占比超过60%的村级单元剔除，不列入数据统计范围。

1.3 研究方法

1.3.1 地表温度反演

地表温度反演采用大气校正法，其基本原理为去除大气影响前提下，借助大气辐射传输方程，将卫星所观测到地表热辐射强度转化为相应地表温度[13-19]。其中，卫星传感器接收到热红外辐射亮度值L辐射传输方程为：

L=[()(1)↓]↑（1）

式中L由TIRS Band 10 辐射定标后所得辐射亮度值表征，为地表比辐射率，为地表真实温度（K），()为黑体热辐射亮度W/(m2·sr·m)，为大气在热红外波段透过率，↑为大气向上辐射亮度W/(m2·sr·m)，↓为大气向下辐射亮度W/(m2·sr·m)。

则通过普朗克公式由()转化获取：

=2/ln[1/()+1] （2）

对于TIRS Band 10数据，1=774.89 W/( m2·m·sr)，2=1 260.56 K。

上述公式中所需参数为大气剖面参数和地表比辐射率，其中，大气剖面参数由NASA公布网站（http://atmcorr. gsfc.nasa.gov）查询获得（表1），地表比辐射率采用Sobrino提出的NDVI阈值法计算得到：

0.004P+0.986（3）

式中P为植被覆盖度，其估算方法采用NDVI阈值法。通过对研究区内NDVI值累计概率统计，确定NDVI最小值（NDVImin）为0.11，最大值（NDVImax）为0.63。当像元NDVI值大于0.63时P取1，小于0.11时P取0，当像元NDVI值介于0.11与0.63之间时由公式（4）确定。

P=[(NDVI–NDVImin)/(NDVImax–NDVImin)] （4）

1.3.2 地表热力级别划分

为反映研究区地表温度值数量及分布特征，可选取合适的分级方法将反演所得温度数据进行等级划分[20]。均值-标准差法可用于显示要素属性值与平均值之间的差异，使用与标准差成比例的等值范围创建分类间隔，从而显示不同温度等级划分情况与空间分布格局，能更好反映不同下垫面地表温度差异[21-23]。本研究基于实际LST反演结果数值，创建1倍标准差等值分类间隔，借助GIS平台将地表温度划分为5个不同等级（表2），更加系统地反映研究区地表温度分布状况。

1.3.3 相关性分析

依据线性回归模型的相关性分析是探究研究区地表温度值与影响因素之间响应关系的关键方法[24-25]。本文基于GIS方法，以村级行政单位为单元，依据水田占比数据，划分水田种植面积级别，确定各级别相应空间区域。在此基础上，统计各区域内水田平均占比数值，同时计算不同级别区域内相应地表温度均值，采用SPSS数据相关性分析工具，构建水田面积比例与平均地表温度间线性相关关系，并进行显著性检验，最终获取耕地利用格局与地表温度值之间响应关系。

2 结果与分析

2.1 耕地利用空间格局

研究区总面积为16.9×105hm2，其中耕地面积13.4× 105hm2，占比79.37%，属于垦殖率较高区域（图2a）。为确保温度数据与耕地利用数据范围一致性，将道路、河流、云层覆盖区及城镇等影响温度反演结果区域进行掩膜处理，最终得到如图2b研究区耕地范围。统计结果显示，2017年研究区耕地总面积为12.4×105hm2，占研究区总面积的73.63%。耕地类型以水田为主，面积为7.2×105hm2，占比58.12%，旱地面积为5.2×105hm2，占比为41.88%。从空间分布来看，研究区内西部、北部水田呈现集中连片态势，旱地较为聚集区域分布在研究区的西南部和东部，研究区中部及东部偏南区域呈现大面积水旱混作特征，该区域内水田与旱地呈小范围同类聚集，整体交错分布形态，耕地利用格局较其他区域更复杂（图2b）。

图2 2017年研究区土地利用类型及耕地利用格局

研究区耕地分布在859个村级单元。为进一步明晰不同水旱田种植格局分布情况，以研究区耕地利用数据为基础，以村级行政单元为单位，分别统计各单元内水田面积占比数据，利用相等间隔分类方法，将所有单元水田种植面积等级划分为10级，间隔大小为10%（表3）。从统计结果来看，随水田占比级别增加，所涉及村庄个数、耕地面积及其占比总体上均呈现先减少后增加态势。分析水田种植分级图（图3）可知，在水田种植集中区域，水田占比级别多为9～10级，各单元内水田占比绝大多数为80%以上，其中研究区南部偏东地区和西部地区比率超过90%。而旱地种植较为聚集区域内，水田占比级别以1～2级居多，水田占比整体低于30%，大部分区域比率在20%以下。中部水旱混作区域内水田占比级别则以5～7级为主，虽存在小范围超过90%或低于10%情况，整体来看水田占比介于40%～70%之间，即水田种植规模不占绝对优势，两类用地在空间上表现为交错分布态势。

表3 水田面积比例分级统计

图3 水田面积比例分级

2.2 地表温度

研究区地表温度反演结果如图4所示，分析可知，研究区整体呈现西北部及北部温度低，西南部及东部温度高态势，其中研究区内佳木斯市东部地区，双鸭山市大部分地区呈现明显高温区聚集分布特征，鹤岗市及佳木斯市西部地区地表温度普遍表现为次低温或低温。同时，研究区内其他地类如河流、无植被覆盖滩涂、城镇不透水、少量云层、沼泽地等地类地表温度与周边耕地温度存在较大差值，其中不透水面等高反射率高蓄热体对其周边用地会产生一定热传导效应，对部分耕地范围边缘处地表温度值产生一定影响。

图4 研究区地表温度（LST）分布

掩膜去除非耕地区域，并将其他用地面积占比超过60%的村庄单元剔除后，研究区耕地地表归一化植被指数（NDVI）值分布及温度分级结果如图5、6所示。研究区耕地范围地表温度整体呈现北部低，南部和东部高态势（图6）。

图5 NDVI值空间分布

图6 耕地范围地表温度分级

经统计（表4），范围内面积最大区域为次低温区（23.0～28.8 ℃），其覆盖面积为601 410.06 hm2，占研究区耕地范围面积的48.32%，主要分布于研究区西偏北部和北部，其次为次高温区（34.7～40.6 ℃），面积283 308.66 hm2，所占比例为22.77%，主要出现在研究区中部及东部区域，水田面积占比中温区（28.8～34.7 ℃）和高温区（>40.6 ℃）面积占比均未超过研究区耕地范围面积的20%，其中高温区面积139 687.47 hm2，占比11.24%，而中温区面积略大于高温区，为212 981.76 hm2，占比17.12%，此两级均分布于西部偏南、南部及东部区域，低温区域（<23.0 ℃）所覆盖面积最小，为6 763.95 hm2，约占研究区总面积的0.55%。不同温度分级区内水田面积占比存在差异，主要表现为随整体温度升高，水田面积占比数值下降。低温区水田面积占比达72.90%，而高温区则为13.59%。水田种植区域内地表温度均值为27.73 ℃，旱地种植区域内均值为37.60 ℃，比水田区高9.87 ℃。

表4 不同级别地表温度面积规模统计

2.3 水田比例与地表温度相关性分析

对比耕地利用格局数据、水田占比级别空间分布数据与地表温度反演结果空间分布特征可知，研究区耕地范围内存在高温区与旱地种植区、次低温区与水田种植区大面积重叠现象，且研究区腹地混作区地表温度级别分布结构也较为复杂。但水旱田种植格局与地表温度间是否存在相关关系，仍需进一步数据分析和探究。在水田种植比例分级基础上，分别统计得到各级别范围内地表温度均值（表5），分析并探讨以10%为间隔的水田占比级别尺度上，水旱田格局与温度均值的相关性关系，结果如图7所示。

从分析结果来看，随水田面积占比增加，地表温度呈现递减态势。对比各级别温度距平可知，两极级别内地表温度值数量结构更为简单，波动幅度小，而在4～6级范围内温度距平较大，温度距平随耕地利用级别增加先呈增加趋势，在5级达到峰值（5.75 ℃）后开始呈现下降趋势，并在10级处达到最低值，即在水田或旱地集中种植区域，其内部温度数值较为平均，而水田混作区范围内地表温度值跨度大，空间结构复杂，这表明，水旱田种植数量结构越复杂，其对应区域内部LST数值波动越大，与空间分布特征分析结果一致。

表5 不同级别水田数量结构与温度值统计

在计算不同水田种植级别内水田面积占比与地表温度均值基础上分析二者相关性，结果显示，研究区耕地范围内水田面积占比与地表温度均值存在线性相关关系，其线性回归方程为：–0.128 639.244，相关性系数为–0.996（图7），经皮尔森显著性检验，二者在0.01水平（双侧）呈极显著负相关关系（<0.01）。这表明，三江平原地区本研究期内，水田种植过程对局部区域地表温度的降温效应在各个水田占比级别中均有显著体现，随水田面积占比增大，地表温度均值呈现明显下降趋势。

图7 水田面积占比与地表温度均值相关性

为探究村级单元尺度上是否存在与水田占比级别尺度上相同的相关性关系，确保统计单元完整性前提下，满足不同水田占比样本均能得到统计的要求，于研究区耕地范围内选取水旱田明显交错混作区域作为典型区（图8），该区域地处研究区腹地，共覆盖村级行政单元51个，耕地总面积为13.1×104hm2，其中水田面积共8.75×104hm2，占区域总面积66.56%，空间上呈现较为复杂的种植结构。对典型区内水田种植面积与平均地表温度间相关关系进行分析，结果如图9所示。从相关性分析结果来看，区域内地表温度均值与水田面积占比数据在0.01水平（双侧）呈显著负相关关系（<0.01），其相关性系数为–0.915。

图8 水旱混作典型区位置

图9 典型区水田面积占比与地表温度相关性

综合两个相关性分析结果可以发现，在水稻生长初期，即植株生长、分蘖阶段，无论是按照水田占比分级尺度还是村级行政单元尺度进行分析，水田面积占比与地表温度都呈现显著负相关关系。水旱田下垫面特征不同是造成地表温度差异的主要原因。由于水体热容量大于土壤，在接收同等太阳辐射条件下，土壤温度升高更快[26]，从而导致在太阳辐射强烈的白天，地表温度表现为：水田<旱地。研究区所处位置为北半球寒冷地区，地表植被覆盖度是影响地表辐射能量平衡的关键因素。本研究时点上研究区耕地作物为生长初期，水田地表表现为少量植被覆盖与裸露浅水面共存状态，旱地则表现少量植被覆盖与裸土共存状态。对于裸土地表而言，土壤比辐射率与土壤水分密切相关，相关研究表明土壤比辐射率随含水量增加而增加[27-28]，而作为地表温度反演的重要参数，不同植被覆盖程度种植区域地表比辐射率差异会对地表温度值产生影响。与此同时，地表蒸散量的增加使近地表空气湿度增大，有效减少地表向外热辐射量，从而使得水田种植对局域内地表热环境存在较为明显的降温效应。

3 讨 论

本文从耕地角度出发，分析耕地范围内地表温度对不同耕地耕作类型的响应，由于耕地范围内下垫面具有覆被种类少、结构简单、像元纯度较高等特性，采用大气校正法反演无降水时段内研究区地表温度具有可行性和现实意义。不同于现有的多数针对城镇区域下垫面对地表温度影响特征研究[29-31]，本文从耕地范围出发，进一步填补了当前地表温度影响因素及影响特征研究领域存在的空白，通过村级单元尺度上对单景影像反演的温度数据分析，揭示了区域瞬时温度对耕地种植格局的响应规律，为进一步探究地表温度差异长期累积所产生的气候效应奠定基础。随着遥感数据普及与信息化平台服务功能提升，在后续研究中可进一步采取长时间序列分析比较方式，以研究区作物生长发育成熟期整个过程为研究时段，进一步探讨水田种植格局对地表温度所产生影响的累积效应与变化状况，对不同耕地利用格局演变对地表温度影响的时空特征进行更全面的研究。此外，在LST数据降尺度等技术支撑下，可进一步利用更高空间分辨率的数据进行数据统计分析，探究更高精度的相关关系，逐步建立耕地热环境与耕作类型响应规律体系，为土地资源优化配置尤其耕作方式规划及相关政策制定提供科学有效依据。

4 结 论

本研究基于遥感数据影像，以水田种植面积占比分级数据表征水旱田格局，依据地表辐射能量平衡方程，采用大气校正法反演研究区地表温度值，并通过相关性分析方法开展研究区水旱田格局对地表温度影响的瞬时空间规律特征分析，主要得到以下结论：

1）研究区耕地范围内以水田种植为主，占耕地总面积58.12%，集中连片分布于西部和北部，旱地主要分布在西南和东部区域，其面积占比为41.88%。水田种植集中区域水田种植面积级别多为9～10级，而旱地种植较为聚集区域内水田种植面积级别以1～2级居多，中部水旱混作区域内水田种植级别则以5～7级为主。

2）研究区耕地范围内2017年6月16日10时20分水田种植区域内地表温度均值为27.73 ℃，旱地种植区域内均值为37.60 ℃，比水田区高9.87 ℃。从温度分级结果看，次低温区（23.0～28.8 ℃）和中温区（28.8～34.7 ℃）空间分布形态与水田及水旱混作区域关联性较好，而次高温区（34.7～40.6 ℃）、高温区域（>40.6 ℃）主要分布在研究区西部偏南、南部及东部区域，与旱地聚集区域相合。

3）水田面积占比与地表温度均值在0.01水平（双侧）呈显著负相关关系（<0.01），在相应研究时点上，村域尺度研究结果表明随着水田面积占比的增大，区域地表温度均值呈现明显递减规律，水田种植会对地表温度产生降温效应。从相关性程度来看，水田面积占比与地表温度均值间相关性系数超过0.9，村域尺度上水旱田格局对地表温度存在显著影响。

[1] 刘彦随，刘玉，郭丽英. 气候变化对中国农业生产的影响及应对策略[J]. 中国生态农业学报，2010，18(4)：905－910. Liu Yansui, Liu Yu, Guo Liying. Impact of climatic change on agricultural production and response strategies in China[J]. Chinese Journal of Eco-Agriculture, 2010, 18(4): 905－910. (in Chinese with English abstract)

[2] 孙华，何茂萍，胡明成. 全球变化背景下气候变暖对中国农业生产的影响[J]. 中国农业资源与区划，2015，36(7)：51－57. Sun Hua, He Maoping, Hu Mingcheng. Impact of global climatic warming on agricultural production in China[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2015, 36(7): 51－57. (in Chinese with English abstract)

[3] 杜国明，潘涛，尹哲睿，等. 水田化进程中的富锦市耕地景观格局演化规律[J]. 应用生态学报，2015，26(1)：207－214. Du Guoming, Pan Tao, Yin Zherui, et al. Cultivated landscape pattern change due to the rice paddy expansion in Northeast China: A case study in Fujin[J]. Chinese Journal of Applied Ecology, 2015, 26(1): 207－214. (in Chinese with English abstract)

[4] 杜国明，马敬盼，春香. 现代化农区耕地利用形态转型研究[J]. 中国农业资源与区划，2018，39(3)：185－192. Du Guoming, Ma Jingpan, Chun Xiang. Study on the transformation of cultivated land use in modern agriculture region[J]. Chinese Journal of Agricultural Resources and Regional Planning, 2018, 39(3): 185－192. (in Chinese with English abstract)

[5] Stocker T F, Qin D, Platiner G K, et al. Climate Change 2013: The Physical Science Basis[R]. Intergovernmental Panel on Climate Change, 2013.

[6] Dong J, Xiao X, Zhang G, et al. Northward expansion of paddy rice in northeastern Asia during 2000-2014[J]. Geophysical Research Letters, 2016, 8(43): 3754－3761.

[7] 刘纪远，宁佳，匡文慧，等. 2010－2015年中国土地利用变化的时空格局与新特征[J]. 地理学报，2018，73(5)：789－802. Liu Jiyuan, Ning Jia, Kuang Wenhui, et al. Spatio-temporal patterns and characteristics of land-use change in China during 2010－2015[J]. Acta Geographica Sinica, 2018, 73(5): 789－802. (in Chinese with English abstract)

[8] Georgescu M, Lobell D B, Field C B. Potential impact of US biofuels on regional climate[J]. Geophysical Research Letters, 2009, 36(21): 147－148.

[9] Galford G L, Melillo J M, Kicklighter D W, et al. Greenhouse gas emissions from alternative futures of deforestation and agricultural management in the southern Amazon[J]. Proceedings of the National Academy of Sciences, 2010, 107(46): 19649－19654.

[10] 杜国明，李昀，于凤荣，等. 基于遥感的2000－2009年三江平原北部耕地变化特征分析[J]. 农业工程学报，2012，28(1)：225－229. Du Guoming, Li Yun, Yu Fengrong, et al. Change characteristics analysis of farmland in Northern Sanjiang Plain in 2000－2009 based on remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE), 2012, 28(1): 225－229. (in Chinese with English abstract)

[11] 栾兆擎，章光新，邓伟，等. 三江平原50年来气温及降水变化研究[J]. 干旱区资源与环境，2007，21(11)：39－43. Luan Zhaoqing, Zhang Guangxin, Deng Wei, et al. Study on the changes of air temperature and precipitation in the last 50 years in the Sanjiang Plain[J]. Journal of Arid Land Resources and Environment, 2007, 21(11): 39－43. (in Chinese with English abstract)

[12] 刘焕军，杨昊轩，徐梦园，等. 基于裸土期多时相遥感影像特征及最大似然法的土壤分类[J]. 农业工程学报，2018，34(14)：132－139. Liu Huanjun, Yang Haoxuan, Xu Mengyuan, et al. Soil classification based on maximum likelihood method and features of multi-temporal remote sensing images in bare soil period[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(14): 132－139. (in Chinese with English abstract)

[13] 姚远，陈曦，钱静. 城市地表热环境研究进展[J]. 生态学报，2018，38(3)：1134－1147. Yao Yuan, Chen Xi, Qian Jing. Research progress on the thermal environment of the urban surfaces[J]. Acta Ecologica Sinica, 2018, 38(3)：1134－1147. (in Chinese with English abstract)

[14] 戚鹏程，赵传燕，冯兆东，等. 干旱荒漠区土地利用变化对地表温度的影响[J]. 农业工程学报，2010，26(11)：310－316. Qi Pengcheng, Zhao Chuanyan, Feng Zhaodong, et al. Influence of land use change on land surface temperature in arid desert region[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2010, 26(11): 310－316. (in Chinese with English abstract)

[15] 宋挺，段峥，刘军志，等. Landsat 8数据地表温度反演算法对比[J]. 遥感学报，2015，19(3)：451－464. Song Ting, Duan Zheng, Liu Junzhi, et al. Comparison of four algorithms to retrieve land surface temperature using Landsat 8 satellite[J]. Journal of Remote Sensing, 2015, 19(3): 451－464. (in Chinese with English abstract)

[16] 蒋大林，匡鸿海，曹晓峰，等. 基于Landsat8的地表温度反演算法研究——以滇池流域为例[J]. 遥感技术与应用，2015，30(3)：448－454. Jiang Dalin, Kuang Honghai, Cao Xiaofeng, et al. Study of land surface temperature retrieval based on Landsat 8: With the sample of Dianchi Lake Basin[J]. Remote Sensing Technology and Application, 2015, 30(3): 448－454. (in Chinese with English abstract)

[17] 胡德勇，乔琨，王兴玲，等. 单窗算法结合Landsat8热红外数据反演地表温度[J]. 遥感学报，2015，19(6)：964－976. Hu Deyong, Qiao Kun, Wang Xingling, et al. Land surface temperature retrieval from Landsat 8 thermal infrared data using mono-window algorithm[J]. Journal of Remote Sensing, 2015, 19(6): 964－976. (in Chinese with English abstract)

[18] 徐涵秋. Landsat 8热红外数据定标参数的变化及其对地表温度反演的影响[J]. 遥感学报，2016，20(2)：229－235. Xu Hanqiu. Change of Landsat 8 TIRS calibration parameters and its effect on land surface temperature retrieval[J]. Journal of Remote Sensing, 2016, 20(2): 229－235. (in Chinese with English abstract)

[19] 李召良，段四波，唐伯惠，等. 热红外地表温度遥感反演方法研究进展[J]. 遥感学报，2016，20(5)：899－920. Li Zhaoliang, Duan Sibo, Tang Bohui, et al. Review of methods for land surface temperature derived from thermal infrared remotely sensed data[J]. Journal of Remote Sensing, 2016, 20(5): 899－920. (in Chinese with English abstract)

[20] 徐双，李飞雪，张卢奔，等. 长沙市热力景观空间格局演变分析[J]. 生态学报，2015，35(11)：3743－3754. Xu Shuang, Li Feixue, Zhang Luben, et al. Spatiotemporal changes of thermal environment landscape pattern in Changsha[J]. Acta Ecologica Sinica, 2015, 35(11): 3743－3754. (in Chinese with English abstract)

[21] 贾宝全，邱尔发. 基于TM卫星遥感影像的西安市城市热岛效应变化分析[J]. 干旱区研究，2013，30(2)：347－355. Jia Baoquan, Qiu Erfa. Dynamic change of urban heat island effect in Xi'an based on TM images[J]. Arid Zone Research, 2013, 30(2): 347－355. (in Chinese with English abstract)

[22] 热伊莱·卡得尔，玉素甫江·如素力，高倩，等. 新疆焉耆盆地地表温度时空分布对LUCC的响应[J]. 农业工程学报，2016，32(20)：259－266. Reyilai Kadeer, Yusupujiang Rusuli, Gao Qian, et al. Spatiotemporal response of land surface temperature to land use/cover change in Yanqi Basin, Xinjiang[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(20): 259－266. (in Chinese with English abstract)

[23] 潘涛，杜国明，张弛，等. 基于Landsat TM的2001～2015年哈尔滨市地表温度变化特征分析[J]. 地理科学，2016，36(11)：1759－1766. Pan Tao, Du Guoming, Zhang Chi, et al. Variation of land surface temperature of Harbin City based Landsat TM data in 2001－2015[J]. Scientia Geographica Sinica, 2016, 36(11): 1759－1766. (in Chinese with English abstract)

[24] 孟丹，李小娟，宫辉力，等. 北京地区热力景观格局及典型城市景观的热环境效应[J]. 生态学报，2010，30(13)：3491－3500. Meng Dan, Li Xiaojuan, Gong Huili, et al. The thermal environment landscape pattern and typical urban landscapes effect linked with thermal environment in Beijing[J]. Acta Ecologica Sinica, 2010, 30(13): 3491－3500. (in Chinese with English abstract)

[25] 王刚，管东生. 植被覆盖度和归一化湿度指数对热力景观格局的影响——以广州为例[J]. 应用生态学报，2012，23(9)：2429－2436. Wang Gang, Guan Dongsheng. Effects of vegetation cover and normalized difference moisture index on thermal landscape pattern: A case study of Guangzhou, South China[J]. Chinese Journal of Applied Ecology, 2012, 23(9): 2429－2436. (in Chinese with English abstract)

[26] 李慧星，夏自强，马广慧. 含水量变化对土壤温度和水分交换的影响研究[J]. 河海大学学报：自然科学版，2007，35(2)：172－175. Li Huixing, Xia Ziqiang, Ma Guanghui. Effects of water content variation on soil temperature pross and water exchange[J]. Journal of Hehai University: Natural Sciences, 2007, 35 (2): 172－175. (in Chinese with English abstract)

[27] 董雪，田静，吴骅，等. 考虑土壤水分影响的比辐射率方法在地表温度反演中的应用[J]. 资源科学，2017，39(8)：1592－1604. Dong Xue, Tian Jing, Wu Hua, et al. Application of the emissivity method considering the effects of soil moisture for retrieving land surface temperature[J]. Resources Science, 2017, 39(8): 1592－1604. (in Chinese with English abstract)

[28] 肖青，柳钦火，李小文，等. 热红外发射率光谱的野外测量方法与土壤热红外发射率特性研究[J]. 红外与毫米波学报，2003，22(5)：373－378. Xiao Qing, Liu Qinhuo, Li Xiaowen, et al. A field measurement method of spectral emissivity and research on the feature of soil thermal infrared emissivity[J]. Journal of Infrared and Millimeter Waves, 2003, 22(5): 373－378. (in Chinese with English abstract)

[29] Peng Jian, Xie Pan, Liu Yanxu, et al. Urban thermal environment dynamics and associated landscape pattern factors: A case study in the Beijing metropolitan region[J]. Remote Sensing of Environment, 2016, 173(91): 145－155.

[30] 韩善锐，韦胜，周文，等. 基于用户兴趣点数据与Landsat遥感影像的城市热场空间格局研究[J]. 生态学报，2017，37(16)：5305－5312. Han Shanrui, Wei Sheng, Zhou Wen, et al. Quantifying the spatial pattern of urban thermal fields based on point of interest data and Landsat images[J]. Acta Ecologica Sinica, 2017, 37(16): 5305－5312. (in Chinese with English abstract)

[31] 肖捷颖，张倩，王燕，等. 基于地表能量平衡的城市热环境遥感研究——以石家庄市为例[J]. 地理科学，2014，34(3)：338－343. Xiao Jieying, Zhang Qian, Wang Yan, et al. Urban surface heat flux analysis based on remote sensing: A case study of Shijiazhuang City[J]. Scientia Geographica Sinica, 2014, 34(3): 338－343. (in Chinese with English abstract)

Influence of paddy field and dry field distribution on local surface temperature by remote sensing inversion in Sanjiang Plain

Du Guoming, Liu Wenqi, Yu Jiaxing, Zhang Shuang

(150030,)

The impact of rapid land-use conversion on the local climate is the focus of global change and sustainable research. Large-scale upland conversion to paddy fields and its influence on the local climate in the Sanjiang Plain area should be the important content of current climate impact research on human land use activities. In order to explore its influence on the land surface temperature, we used the atmospheric correction temperature inverse method based on the Landsat 8 TIRS remote sensing image data on June 16, 2017. The basic principle of this method is to remove the atmospheric influence and use the atmospheric radiation transfer equation; surface heat radiation intensity observed by the satellite is converted to the corresponding surface temperature. The parameters involved are mainly atmospheric profile parameters and surface specific emissivity. Through the temperature inversion, the surface temperature data of the northern part of the Sanjiang Plain was obtained. Then, the mean-standard deviation method was used to divide the overall temperature data of the cultivated land in the study area into five different grades, which visually showed the overall distribution characteristics of the land surface temperature values of the cultivated land in the study area. The land-use data was updated and obtained from the national rural land survey data , which scale was 1∶10000. On this basis, we analyze the correlation between the paddy field planting area and the average land surface temperature in the different paddy field planting level divisions, and characterized the space effect of different patterns of dry field and paddy fields on the surface temperature feature. Through this series of data statistics and analysis process, the following results can be obtained: the research area we selected is the cultivated land concentration area, and the cultivated land area within the scope is 73.63%. Cultivated land types in the study area are mainly paddy fields and dry land. The paddy field planting area is 7.2×105hm2, accounting for 58.12% of the total area of cultivated land, while the dry field planting area is slightly lower than that of paddy field with area 5.2×105hm2, accounting for 41.88%. According to the zoning statistics, we know that in the paddy field planting area average surface temperature in the interior is 27.73 ℃, while the average surface temperature in the dry field is 37.60 ℃, which is 9.87 ℃ higher than that in the paddy field. In addition, from the aspect of spatial distribution, the surface temperature is lower in the northwest and the north which is higher in the southwestern part and the eastern part of the study area. After correlation analysis, we find that the paddy field area ratio and the surface temperature mean value are significantly negative at 0.01 (two sides) (<0.01). These findings reveal that different underlying surface types in the arable area are the necessary factors of surface temperature differentiation. During the study period, the paddy field has a significant cooling effect on the land surface thermal environment. The variation in energy transfer process caused by different water content and evapotranspiration in different underlying surfaces of dry field and paddy fields makes its distribution pattern the main cause of land surface temperature value differentiation.

remote sensing; temperature; cultivated land; paddy field pattern; Sanjiang Plain

2018-09-04

2018-12-12

国家自然科学基金项目(41571167)；黑龙江省博士后科研启动金资助项目（LBH-Q17018）

杜国明，博士，教授，主要研究方向为土地资源优化配置与农村区域发展。Email：nmgdgm@126.com

10.11975/j.issn.1002-6819.2019.05.032

P951

A

1002-6819(2019)-05-0259-09

杜国明，刘文琦，于佳兴，张 爽.三江平原水旱田分布对遥感反演局地地表温度的影响[J]. 农业工程学报，2019，35(5)：259－267.doi：10.11975/j.issn.1002-6819.2019.05.032 http://www.tcsae.org

Du Guoming, Liu Wenqi, Yu Jiaxing, Zhang Shuang. Influence of paddy field and dry field distribution on local surface temperature by remote sensing inversion in Sanjiang Plain[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(5): 259－267. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2019.05.032 http://www.tcsae.org