1. 引言

联合国政府间气候变化专门委员会(Intergovernmental Panel on Climate Change, IPCC)第六次评估报告显示，全球平均气温较1850~1900年上升了约1℃，2011-2020年上升0.99℃，且2020年比工业化前水平高1.2℃，是有完整气象观测记录以来的三个最暖年份之一[1]。人类活动造成的温室气体排放被认为是历史变暖的主要原因。如果不立即且大规模地减少温室气体的排放，那么就难以实现1.5℃的控温目标。这将会加剧高温热浪与干旱、复合型洪涝、海洋巨浪和潮汐洪水等。

地表温度(Land Surface Temperature, LST)是研究地表和大气物质和能量交换的重要参数。目前已被广泛应用于地学、生态学、气象学等多个领域[2][3]。地表温度的时空变化是地学领域研究的重要内容。近年来，遥感技术的发展为区域或全球性地表温度变化研究提供了可靠数据源。MODIS、Landsat以及各种地表温度产品已经取代站点数据成为研究地表温度的首选。其中MODIS地表温度数据凭借其高精度、连续、高时空分辨率的特点已广泛应用于大尺度长时间地表温度变化研究。目前研究表明全球大部分地区正在经历着变暖，但不同地区昼夜变化以及四季变化存在不对称现象[4]。例如，伊朗地区白天变化率显著高于夜间[5]。青藏高原夜间(0.069 K/年)增温趋势明显快于白天(0.028 K/年)，且夜间变暖的空间范围远大于白天[6]。中国北方农牧生态交错带春季和冬季地表温度呈现上升趋势，秋季和夏季具有相反的特征[7]。安第斯山脉高海拔地区地表温度在冬季展现出较强的增温效应[8]。地表温度的不对称增温，会对植被生长周期、粮食产量以及草地生产力产生影响[9]。相比于夜间增温，白天增温对中国植被的影响更大[10]。研究发现环塔里木河盆地最低温度的增温速率是最高温度的2倍这一现象导致了特色林果的物候期普遍提前，秋季物候期延长[11]。同时地表温度的区域变化会导致长波辐射的变化，因此增温和降温效应也会间接影响全球辐射能量平衡[12]。

地表温度的变化受到诸多因素的影响。例如植被、气温、降水、海拔和土地覆被类型等。研究者一致认为植被生长通过影响蒸散发、反照率和大气成分等生物物理过程在世界大多数地区具有降温作用[13]-[15]。例如，全球毁林对地表温度具有净正辐射强迫，在100年后可能导致0.8 K的变暖[16]。热带雨林的砍伐加剧了当地的地表变暖，极端暖化发生在大面积森林砍伐的地区[17]。青藏高原生长季植被的绿化减弱了地表增温[18]。如果植被继续绿化，在未来的高排放情景下，0.71℃ ± 0.40℃的地表变暖可能会得到缓解[19]。然而，这种降温效应并没有反映在所有地区。北极植被分布的变化对地表温度产生了整体的正反馈效应，这主要是由于低地表反射率的影响[20]。北美东部和东亚的植被绿化没有显著改变温度，这是大尺度大气环流变化掩盖植被负反馈的结果[13]。

地表温度的变化还与气候变化直接相关。气候变化是近几十年来最重要的研究课题之一。气温和降水是反映气候变化强度的两个重要指标。气温是与地表温度关系最密切的因素，利用气温重建地表温度已经成为一种有效且广泛应用的方法[21][22]。在中国大部分地区气温与地表温度呈显著正相关，并已成为地表温度变化的主要驱动因子[23]。全球大城市的高温可能会加剧地表城市热岛，威胁人类健康、生态环境和能源经济[24]。气温的变化往往伴随着大气湿度的变化。研究发现，超过24%的全球气温与降水呈显著负相关，即存在相对温暖干燥或凉爽潮湿的环境[25]。在陆地上，降水和地表温度之间的负相关占主导地位，因为干燥的气候条件有利于更多的太阳辐射到达地面，而如果地面潮湿，更多的能量可能以感热的形式蒸发[26]。

长江上游是我国西部地区重要的生态屏障，是长江流域生态环境保护最为关键的区域，同时也是全球气候变化的敏感地带。位于青藏高原的长江源头受到全球变暖的影响冰雪不断在融化，源头水锐减后，长江中下游再遇到极端高温和降雨量下降，长江流域会酿成更加严重的旱情。在全球变暖的背景下，长江上游的地表温度可能发生变化，然而目前对长江上游地表温度变化格局以及影响因素的研究较少。因此，本研究有利于加强对地表温度变化的理解，有助于分析地表温度变化的原因。

2. 数据来源与研究方法

2.1. 数据来源

2.1.1. 地表温度数据

MODIS地表温度数据主要是由搭载在Aqua或Terra卫星上的传感器获得。本研究使用的地表温度数据来自Aqua卫星的MYD11A2 (061)，该数据集具有8天的时间分辨率和1 km的空间分辨率，选择时间范围为2003.1~2021.12。该卫星1:30 am/pm的过境时间比MOD11A2更接近日最大和最小地表温度值，适合昼夜研究。该产品已经过几何校正、辐射校正、大气校正等预处理，其平均误差小于1K。在006版本的基础上，061版本的质量经过各种校正后已经得到了提高。为了得到准确的地表温度数据，首先利用质量控制文件掩膜掉低质量区域，得到较高质量的像元。再使用“3σ-Hampel”方法去除离群值，最后采用均值法将地表温度进行月合成，进一步合成年际、昼夜和四季(冬季：上一年12~2月，春季：3~5月，夏季6~8月，秋季9~11月)。对于缺失的像元利用相邻像元进行填补。地表温度的计算公式如下：

$\text{LST}=\text{DN}\ast 0.02-273.15$(1)

式中，DN为像元的亮度值(K)。

2.1.2. 归一化植被指数(NDVI)数据

利用归一化植被指数(NDVI)数据MOD13A3分析植被动态(http://ladsweb.nascom.nasa.gov)。该数据具有1 km空间分辨率，时间分辨率为月，获取时间范围为2003年1月~2021年12月。MOD13A3是通过地表反射率大气校正分布函数计算得到。同样采用QC文件获取不受云影响的NDVI数据，以保证结果的准确性。在本研究中使用NDVI代替植被覆盖度分析植被对地表温度的影响。

2.1.3. 气候数据

2003~2021年的气温和降水数据来源于国家青藏高原科学数据中心(https://data.tpdc.ac.cn/)，空间分辨率为0.0083333(约1 km)，时间分辨率为月。该数据集通过降尺度得到，且已经过496个独立气象观测点数据的可靠验证。该数据用于分析气候对地表温度的影响。

2.2. 研究方法

2.2.1. 趋势分析与显著性检验

采用非参数统计方法的Theil-Sen估计像元尺度和流域尺度上变量的趋势。与简单的线性回归相比，该方法对异常值和偏态分布不敏感[27]。计算公式如下：

$\text{Slope}=\text{median}\left(\frac{x_j-x_i}{j-i}\right),j>i,i=1,\cdots ,n$(2)

$x_j$和 $x_i$为待分析趋势的时间序列的值。n是时间序列的长度。Slope > 0表示增加趋势，Slope < 0表示减少趋势。

由于Theil-Sen估计方法不能判断时间序列趋势的显著性。因此，结合Mann-Kendall显著性检验方法获取时间序列数据趋势的显著性。相似于Theil-Sen趋势估计方法，该方法的优点是样本不需要服从正态分布。计算过程如下：

① 定义函数“sgn”，

$\mathrm{sgn}\left(x_j-x_i\right)=\{\begin{array}{cc}+1& x_j-x_i>0\\ 0& x_j-x_i=0\\ -1& x_j-x_i<0\end{array}$(3)

② 计算统计量S，

$S=\underset{i=1}{\overset{n-1}{{\displaystyle \sum }}}\underset{j=i+1}{\overset{n}{{\displaystyle \sum }}}\mathrm{sgn}\left(x_j-x_i\right)$(4)

③ 计算方差，

$\text{Var}\left(S\right)=\frac{n\left(n-1\right)\left(2n+5\right)}{18}$(5)

④ 标准正态检验统计量 $Z_S$，

$Z_S=\{\begin{array}{cc}\frac{S-1}{\sqrt{\text{Var}\left(S\right)}}& S>0\\ 0& S=0\\ \frac{S+1}{\sqrt{\text{Var}\left(S\right)}}& S<0\end{array}$(6)

式中， $\left|Z_S\right|$大于1.65、1.96和2.58时，分别对应90%、95%与99%的显著性水平。

2.2.2. 相关性分析

相关性分析通常用于两个具有相关关系的元素之间，从而衡量元素之间的密切程度。在本研究中用于计算地表温度与影响因素之间的关系[28]。具体计算方法如下：

$R=\frac{{{\displaystyle \sum }}_{i=1}^n\left(x_i-\bar{x}\right)\left(y_i-\bar{y}\right)}{\sqrt{{{\displaystyle \sum }}_{i=1}^n{\left(x_i-\bar{x}\right)}^2}\sqrt{{{\displaystyle \sum }}_{i=1}^n{\left(y_i-\bar{y}\right)}^2}}$(7)

式中，n为研究时长，在本研究中为19。R> 0表示两个变量之间具有正相关关系，R< 0表示两个变量之间具有负相关关系， $\left|R\right|$越大，说明两者之间的相关性越强。

3. 结果与分析

3.1. 长江上游地区年均地表温度的空间分布

长江上游地区多年平均地表温度的空间分布差异非常显著，整体呈现西低东高的分布格局(图1(a))。整个长江上游地区多年来平均地表温度为10.31℃，其变化范围为−12℃~28℃。长江上游地区白天和夜晚地表温度也呈现出明显的西低东高的空间模式(图1(b)，图1(c))，日间平均温度为18.81℃，而夜间平均温度为1.79℃，两者之间的差值约为17℃。

Figure1.Spatial distribution of interannual (a), daytime (b) and nighttime (c) mean LST

图1.年际(a)、日间(b)、夜间(c)平均地表温度空间分布

长江上游地区四季的年平均地表温度的空间分布格局均与全年的年均地表温度保持一致，由西向东逐渐升高(图2(a)~(d))。四季中，年平均地表温度由高到低排序为：夏季、春季、秋季、冬季，数值依次为16.97℃、12.15℃、9.77℃和2.29℃。四季中，冬季的年平均地表温度变化幅度最大，变化范围为−25.07℃~22.42℃，最大温差可达47℃。而夏季年的平均地表温度变化幅度最小，变化范围为−6.48℃~32.91℃，最大温差约39℃。

Figure2.Spatial distribution of mean LST in spring (a), summer (b), autumn (c) and winter (d)

图2.春季(a)、夏季(b)、秋季(c)和冬季(d)平均地表温度空间分布

3.2 长江上游地区地表温度变化趋势分析

长江上游地区年均地表温度的变化趋势存在较为显著的地域差异(图3(a))。年均地表温度的变化范围在−0.33℃~0.33℃之间，整个区域以0.18℃∙10a⁻¹的速度升温，主要的升温区域较为集中地分布在四川盆地内，降温区域主要分布在区域的东部。经趋势检验显示，不显著升温(p > 0.05)区域面积占比最大，高达54.73%，其次是不显著降温区域，占比约29.01%。显著升温(p < 0.05)区域面积占比更小，约15.62%，而显著降温区域占比最小，仅为1.64%。分析地表温度昼夜变化趋势来看(图3(b)，图3(c))，白天和夜晚地表温度整体均呈升温趋势，但两者呈现出明显的不对称增温现象，夜间地表温度升温速率(0.285℃∙10a⁻¹)远快于白天地表温度的升温速率(0.012℃∙10a⁻¹)。

四季地表温度变化趋势中，春季、夏季和秋季均呈升温趋势(图4(a)~(c))，变化速率最快的季节是夏季，以0.39℃∙10a⁻¹的速度升温，升温区域几乎遍布整个长江上游地区，其中显著升温区域占总面积的13.75%，主要分布在四川东部和南部。其次是春季，以0.14℃∙10a⁻¹的速度升温，升温区域覆盖绝大多数长江上游地区，其中显著升温区域占总面积的34.35%，主要分布在上游东部和西北部地区。升温速率最慢的季节是秋季，以0.13℃∙10a⁻¹的速度变化，升温区域主要集中在上游西部，其中显著升温区域占总面积的5.25%，主要分布在上游西南部。而冬季地表温度的变化趋势与其他季节相反(图4(d))，以0.08℃∙10a⁻¹的速率降温，降温区域大面积分布在上游的西北部和东部地区，其中显著降温区域仅占总面积的0.83%，较为分散地分布在上游的西北部。

Figure3.Interannual (a), daytime (b) and nighttime (c) trends of LST

图3.年际(a)、日间(b)、夜间(c)地表温度变化趋势

Figure4.Variation trends of LST in spring (a), summer (b), autumn (c) and winter (d)

图4.春季(a)、夏季(b)、秋季(c)和冬季(d)地表温度变化趋势

3.3. 长江上游地区地表温度变化影响因素分析

3.3.1. 地表温度与气温的相关性

长江上游地区的地表温度与气温的相关系数范围介于−0.96~0.99之间，平均相关系数约为0.36，两者整体上呈现出正相关关系(图5)。基于像元尺度的分析显示，大约91.33%的区域显示出地表温度与气温呈正相关关系，其中显著正相关的面积占34.31%。这些显著正相关的区域主要分布在云南省北部、贵州省西北角、重庆市、甘肃省南部以及四川省东部和南部。相关系数的空间分布上没有明显的规律，但具有较高相关性( $\left|R\right|>0.5$)的区域主要集中在上游地区的西南部和东部。这表明，长江上游西南部和东部地区的地表温度受气温影响较大，气温对地表温度的变化具有较强的控制作用。

Figure5.Correlation between interannual air temperature and LST

图5.气温与地表温度相关性

3.3.2. 地表温度与降水的相关性

长江上游地区的地表温度与降水的相关系数范围在−0.97~0.99之间，平均相关系数约为−0.21，两者整体上呈现出负相关关系(图6)。基于像元尺度的分析显示，大约77.86%的区域显示出地表温度与降水呈负相关关系，其中显著负相关的面积占15.59%。这些显著负相关的区域主要分布在青海省西南部和四川省西南部。相关系数的空间分布上也没有明显的规律，但具有较高相关性( $\left|R\right|>0.5$)的区域主要集中在上游地区的西北部和西南部。这表明，长江上游西北部和西南部的地表温度受降水影响较大，降水对地表温度的变化具有较强的控制作用。

Figure6.Correlation between interannual precipitation and LST

图6.降水与地表温度相关性

3.3.3. 地表温度与NDVI的相关性

Figure7.Correlation between interannual NDVI and LST

图7.NDVI与地表温度相关性

长江上游地区的地表温度与NDVI的相关系数范围在−0.96~0.96之间，平均相关系数约为−0.05，两者整体上呈现出负相关关系(图7)。基于像元尺度的分析显示，大约54.81%的区域显示出地表温度与降水呈负相关关系，其中显著负相关的面积占8.24%。这些显著负相关的区域主要分布在上游东部，其他地区有零星分布。相关系数在空间分布上也没有明显的规律，但具有较高相关性( $\left|R\right|>0.5$)的区域主要分布在上游地区的东部、西南部和北部。这表明，长江上游东部、西南部和北部的地表温度受NDVI影响较大，NDVI对地表温度的变化具有较强的控制作用。

基于栅格尺度，利用最大相关系数分析出主导各像元地表温度变化的因素(图8)。以气温为主导因素的像元面积占比最大，为52.64%，主要分布在上游东部和南部。以降水为主导因素的像元面积占比为28.44%，主要分布在上游西部。而以NDVI为主导因素的像元面积占比最小，为18.92%，分布较为分散，没有明显的空间分布规律。

Figure8.Main driving factor

图8.主驱动因素

4. 结论

本文以MYD11A2，MOD13A3、气温和降水为数据源分析了长江上游地表温度的变化特征以及影响因素，主要研究结论如下：

1) 长江上游地区2003~2021年的多年平均地表温度呈现出明显的西低东高格局，区域差异性非常显著。多年平均地表温度约为10.31℃，变化范围为−12℃至28℃。白天和夜晚的地表温度也呈现出相似的空间模式，呈现西低东高特点。四季年平均地表温度空间分布与全年一致，由西向东逐渐升高。夏季年平均地表温度最高，冬季最低，分别为16.97℃和2.29℃。冬季变化幅度最大，夏季变化幅度最小。

2) 长江上游地区2003~2021年间整体呈现出升温趋势，升温速率为0.18℃∙10a⁻¹。昼夜地表温度呈现出明显的不对称增温现象，夜间地表温度升温速率(0.285℃∙10a⁻¹)远快于白天地表温度的升温速率(0.012℃∙10a⁻¹)。

3) 气温对地表温度具有正向作用，在西南部和东部尤其明显；降水对地表温度具有负向作用，在青海省西南部和四川省西南部尤为显著；植被覆盖对地表温度具有负向作用，影响集中在东部、西南部和北部。这些结果有助于更好理解长江上游地区地表温度空间分布及变化趋势，并为生态环境保护和气候适应提供相关的科学依据。然而，环流和季风对地表温度的影响涉及较少，这些都有待研究。

基金项目

本文为重庆市中小学创新人才培养工程项目(雏鹰计划项目，编号：CY230232)的部分研究成果。

参考文献