(1)
北京大学学报(自然科学版) 第61卷 第4期 2025年7月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 61, No. 4 (July 2025)
doi: 10.13209/j.0479-8023.2025.040
国家自然科学基金(42161029)和贵州省科技计划项目(黔科合基础-ZK [2022]一般278)资助
收稿日期: 2024–05–12;
修回日期: 2024–09–02
摘要 为量化自然因子和人为因子对贵州省地表反照率的相对贡献及对其变化的影响, 基于 2001—2022 年MCD43A3 数据集反演地表反照率, 通过 Theil-Sen 斜率算法、Mann-Kendall 显著性检验和 Hurst 指数方法, 对地表反照率过去和未来的演变趋势进行分析。在此基础上, 结合自然因子和人为因子数据集, 利用偏相关分析、残差分析和岭回归分析, 对影响地表反照率变化的因素进行量化和分类得到以下结果。1)在时间视角上, 2001—2022 年地表反照率呈波动性下降趋势, 平均下降速率为 3.699×10−5a−1, 2001—2003 年下降速率最大, 为 0.0045a−1; 在空间视角上, 地表反照率呈东北部地区下降、西北部地区上升、研究区 60.16%面积的区域下降的趋势, 未来继续以下降为主。2)在对自然因子的响应方面, 地表反照率与气温及叶面积指数(LAI)正相关, 与降雨量及土壤水分负相关, 空间上 LAI 是影响其分异的主导因素, 时间上土壤水分是影响其分异的主导因素。3)自然因子的变化和人类活动对地表反照率的变化产生双重影响, 总体上以抑制为主, 研究区60.17%面积的区域受两者共同驱动。相对贡献率的排序为土壤水分(35.23%)>LAI (23.96%)>土地利用(18.65%)>气温(12.03%)>降水(10.13%)。
关键词 地表反照率; 自然变化; 人类活动; 残差分析; 岭回归分析
地表反照率(land surface albedo, LSA)是地表反射与入射的太阳辐射之比, 描述大气下边界的辐射传输, 反映地表能量的收支状况[1]。这种辐射传输的微小变化会对地表辐射收支和能量平衡产生影响, 从而改变区域和全球气候[2], 是重要的陆面参数之一。因此, 探究地表反照率的驱动要素具有重要意义。
目前的相关研究中, 将地表反照率的驱动因子分为自然因素和人为因素两大类。在自然因素中, 植被是引起地表反照率变化的关键因子[3], 常用叶面积指数(leaf area index, LAI)来量化[4], LAI 值的大小会影响太阳光入射能量的吸收, 从而造成地表反照率的变化[5]。土壤水分是影响地表反照率变化的另一个重要因子[6], 主要通过改变土壤对太阳短波辐射的吸收率来影响地表反照率[7], 地表反照率对其响应的敏感度在土壤含水量少时尤为突出。气象因子对反照率变化的影响同样不容忽视, 其中气温和降水的影响最为突出[8]。气温对地表反照率的影响以 0℃为分界点, 呈现相应的升高或降低趋势。降雨量主要通过改变植被覆盖度和土壤含水量来影响地表反照率[9], 表现为反照率随降雨量的增加而下降, 但当降水达到饱和状态时, 饱和的土壤含水量使得地表反照率趋于不变。人类活动对地表反照率的变化也有重要的影响[10]。随着人类对自然生态环境改造频率的增加, 使得土地覆盖类型发生改变[11]。这种改变对地表吸收的太阳辐射产生影响, 进而导致地表反照率发生变化[12]。可见, 在一段时间和一定范围内, 地表反照率的变化规律可由自然因子中的叶面积指数、气温、降水、土壤湿度以及人类活动引起的土地覆盖类型变化等因素的时空差异性来揭示。
贵州省位于中国湿润地区的喀斯特地貌高原, 气候终年多云多雨, 长时间受人类活动影响, 植被过度开发, 环境发生极端性变化, 因此抗灾能力弱, 环境容量减小, 各种生态环境问题频发, 成为典型的脆弱型生态环境地区。近年来, 许多学者利用MODIS 反照率数据集及相关的自然因子和人为因子数据, 结合地理探测器等因子分析方法, 探讨贵州省长时间序列地表反照率的变化特征及推动因素。胡海涛等[13]利用地理探测器分析 MODIS 数据和相关因子, 认为植被和土地利用是导致贵州省地表反照率产生时空异质性的主导驱动因素。袁娜 等[14]利用地理探测器, 分析贵州省 MODIS 数据中短波、近红外和可见光 3 个波段的影响因素, 得出 3 个波段的主要影响因素均为叶面积指数、次要影响因素均为土地利用类型的结论。目前对地表反照率驱动因素的研究主要选取叶面积指数、土壤水分、气温、降水和土地利用类型这 5 种因子, 能够较详尽地反映贵州省地表反照率的变化[15]。上述指标可分为自然因子和人为因子两大类, 自然因子类指标可选择的较多, 均能较好地反映对地表反照率的影响, 但人为因子类指标较为单一, 导致对地表反照率影响的分析结果存在一定的误差, 因此揭示人类活动对地表反照率的影响是一大难题。现有研究中多以单独分析各因子对地表反照率的定性影响为主, 对于自然与人为两大类因素对地表反照率的综合影响及其子因素的单独影响, 定量化的研究较为薄弱。
鉴于上述背景, 本文首先运用 Theil-Sen 斜率算法、Mann-Kendall 显著性验证和 Hurst 指数方法, 得到贵州省地表反照率过去以及未来的演变动态; 然后利用偏相关分析方法, 得到地表反照率受自然因子影响的情况; 再利用残差分析方法, 区分自然因子和人为因子对地表反照率的影响; 最后利用岭回归分析方法, 量化代表两大类驱动因素的子因素对地表反照率的贡献率。
贵州省地处中国西南地区与东南地区的交界区域(103°36′—109°35′E, 24°37′—29°13′N), 省域面积约为 17.62 万 km², 平均海拔约为 1100m, 境内地势起伏不平, 呈从中部向北部、东部和南部倾斜的态势, 以高原山地为主, 无平原支撑。如图 1 所示, 海拔高度在 500～1500m之间, 地形起伏剧烈(>600m)的区域占全域面积的 82.5%。亚热带季风气候横贯此地, 导致境内气候差异明显, 年平均气温温和为 14～16℃, 年平均降雨量 682～1134mm。鉴于独特的地质构造与气候特征, 使得该地植被保水土性较差, 导致生态条件较为脆弱敏感。
本文使用的数据主要为 2001—2022 年 MODIS 16 天合成的反照率产品 MCD43A3、自然因子数据集和土地利用数据。自然因子数据集包括 MODIS 8 天合成的 LAI 产品 MCD15A2H、土壤水分、气温和降水数据, 具体信息见表 1。
MCD43A3 包含黑空和白空数据, LSA 的计算需结合 MCD43A2 正午太阳天顶角数据[15]:
(1)
式中, r 为天空散射比因子, μ0 为正午太阳天顶角 余弦。
利用线性加权法计算 LSA[16]:
(2)
式中, α 为真实 LSA, aW 为白空 LSA, aB 为黑空LSA。
贵州省多云雨天气导致长时间序列的遥感影像存在不同程度的缺失, 需要对缺失部分进行重建。胡海涛[17]用 Whittaker 滤波方法重建的结果精度较高(RMSE=0.006, R²=0.861), 符合本研究的要求, 因此选用此方法重建的数据进行分析。
2.2.1 趋势分析
本文采用 Theil-Sen (TS)斜率算法[18], 逐像元分析 2001—2022 年 LSA 的变化趋势。此方法在长时间序列分析中对影像数据具有抗噪性较强的优势,可直观、准确地得到 22 年长时间序列 LSA 的时空变化, 计算公式如下:
图1 贵州省高程分布
Fig. 1 Elevation distribution map of Guizhou Province
表1 研究数据基本信息
Table 1 Studies the basic information of the data
数据时间分辨率/天空间分辨率/m时段来源 MCD43A316 5002001—2022 年美国航空航天宇航局(https://ladsweb.modaps.eosdis.nasa.gov/) MCD15A2H 8 5002001—2022 年美国航空航天宇航局(https://ladsweb.modaps.eosdis.nasa.gov/) 年均气温 5002001—2022 年中国气象数据网(http://data.cma.cn/) 月均土壤水分10002001—2022 年国家青藏高原科学数据中心中国土壤水分数据集(https://data.tpdc.ac.cn/) 年累积降水量 5002001—2022 年中国气象数据网(http://data.cma.cn/) 年均土地利用 302001—2022 年武汉大学黄昕研究组(https://zenodo.org/records/8176941) DEM数据 302022 年地球观测数据平台(earthdata.nasa.gov/)
(3)
式中, LSAj 和 LSAk 表示第 j 年和第 k 年的 LSA 均值。TS 大于 0 代表 LSA 呈上升趋势, 反之亦然。
将 Mann-Kendal (MK)显著性检验[19]与 TS 斜率算法结合使用, 判断 22 年间 LSA 的变化趋势是否具有显著性。对于时间序列变量 LSA1, LSA2, …, LSAn (n 为样本序列个数), 检验统计量 S 为
(4)
(5)
使用标化统计量 Z 进行检验, 表示计算结果的显著性。计算公式如下:
(6)
其中, 方差 Var 计算公式为
(7)
式中, n 为相等数据的组数, qi 为第 i 组相等数据的个数。本研究中的显著变化, 是|z|³1.65(即显著性水平大于 90%)时的结果。
2.2.2 Hurst指数
本文通过重标极差分析法[20]计算 Hurst 指数值(H)[21], 尝试根据 LSA 过去的变化特征预测未来短期发展趋势。H 值越接近 1, 发展趋势的持续性越强。H=0.5 表示时间序列呈随机游走状态, 0≤H＜0.5 表示时间序列具有反持续性, 0.5<H≤1 表示时间序列具有长期性。
2.2.3 相关性分析
本文采用相关性分析法, 对 LSA 的预测值进行模拟验证, 凭借预测值与实测值的相关系数, 分析LSA 是否完全由自然因子主导。计算公式如下:
(8)
式中, x 为 LSA 预测值, y 为 LSA 真实值, 
和
为两者的平均值, Rxy 为两者的相关系数, n 为年份数(本文中为 22), i 为各年份(i=1, 2, 3, …, 22)。
2.2.4 偏相关性分析
本文采用偏相关系数[22]分析叶面积指数、土壤水分、温度和降水对 LSA 变化的影响程度。此方法能在分析两个要素之间的相关性时, 有效地剔除其他因子的影响。计算公式如下:
(9)
式中, 
表示因素 x 与 y 间的偏相关系数, 通过控制其余因素进行计算。为验证结果是否具有显著性, 采用 T 检验方法对其显著性进行检验, p<0.05表示显著相关。
2.2.5 残差分析及贡献率计算
本文选用多元回归残差分析[23]来区分两类因素对 LSA 的效应, 表达式如下:
(10)
(11)
式中, ALSA 为 LSA 真实值, CLSA 为 LSA 预测值(通过2001—2022 年长时间序列的 LSA 与自然因子数据集建立多元回归模型获得), VLSA 为 LSA 的残差; a, b, c 和 d 为方程系数, e 为常数项, S 代表土壤水分, L代表叶面积指数, R 代表年降水量, T 代表气温。
VLSA>0 代表人类活动促进 LSA 上升, 反之亦然。
本文利用 TS 斜率算法, 计算 VLSA, ALSA 和 CLSA的变化斜率 θ, 并依据这 3 个变量的 θ 值划分 LSA变化的驱动机制。在此基础上, 算出 θc 和 θv 在 θc+ θv 中的占比, 分别代表自然因子和人为因子的贡献率[24]。LSA 变化驱动机制的划分细则及两大类因素对 LSA 贡献率的计算方法如表 2 所示。
2.2.6 岭回归分析
虽然残差分析能分析自然和人为两大类因素对LSA 的影响, 但无法量化各子因素对 LSA 的贡献率。因此, 本文选择岭回归模型来量化各变量对LSA 演变的相对重要性。岭回归模型表示如下:
(12)
表2 LSA变化驱动因素的判别依据及贡献率计算方法
Table 2 Identification of driving factors and calculation of contribution rate of LSAchange
θaθvθc驱动机制相对贡献率计算方法自然因子人为因子 >0>0>0双重驱动改善|qc|/(|qc|+|qv|)×100|qv|/(|qc|+|qv|)×100 >0<0人为因子驱动改善0100 <0>0自然因子驱动改善1000 <0<0<0双重驱动退化|qc|/(|qc|+|qv|)×100|qv|/(|qc|+|qv|)×100 <0>0人为因子驱动退化0100 >0<0自然因子驱动退化1000
说明: θa, θv 和 θc 分别为 LSA 的实际值、残差(即人为因子)和预测值(即自然因子)的变化斜率。
式中, LSAm 为标准化后的 LSA, xim 为标准化后的各影响因素, b 为常数项, ai 为回归系数。采用最小二乘法, 引入扰动系数lI (l为正则化参数, I为单位矩阵, 两者组合形成正则化项)来估计, 能解决本研究中各自然因素间会存在多重共线性问题[25]。岭回归的系数向量表达式如下:
(13)
其中，X为各影响因子的矩阵, Y为LSA向量。
最后通过各影响因素的岭回归系数和标准化趋势, 计算其对 LSA 的相对贡献:
(14)
(15)
式中, hc1～hc5代表各影响因子, a1 为各影响因子的回归系数, X1s_trend 表示各影响因子标准化后的变化趋势, hrc1 为各因子的相对贡献率。
在时间视角上, 2001—2022 年贵州省 LSA 均值呈现波动下降的趋势, 平均下降速率为 3.699×10−5a−1, 波动范围为 0.1074～0.1141a−1, 地表反射的太阳光辐射在逐渐减少。如图 2(a)所示, 22 年间 LSA的变化趋势呈现“W”型, 下降幅度的峰值出现在2001—2003 年, 下降 0.0045a−1; 上升幅度的峰值出现在 2021—2022 年。在空间视角上, LSA 的变化趋势存在明显分异, 总体上表现为东北部地区下降、西北部地区上升的特点。全省 60.16%面积的区域呈下降趋势; 25.22%面积的区域呈显著下降趋势, 主要分布在东南部地区。39.71%面积的区域呈上升趋势; 13.99%面积的区域呈显著上升趋势, 主要分布在毕节市。如图 2(b)所示, 省域内 LSA 总体上呈现下降趋势, 但局部明显上升。
如图 3(a)所示, H 值介于 0.14～0.96 之间, 平均值为 0.51, H<0.50 的面积占 62.02%, 说明这些区域的演变趋势具有不确定性。为获得 LSA 未来演变特性, 将 H=0.50～0.96 的区域与年际变化斜率进行叠加分析, 结果见图 3(b)。贵州省 LSA 未来演变趋势以下降为主, 呈下降趋势区域的面积为 21.30%, 其中持续显著下降的区域面积占 7.22%, 大多位于东北部地区。贵州省 LSA 呈上升趋势区域的面积为 16.68%, 其中持续显著上升区域的面积占 5.72%, 主要位于毕节市西部(威宁地区)。总体而言, 研究区 LSA 持续下降区域的面积大于持续上升区域, 即未来一段期间, 贵州省 LSA 演变趋势总体上维持下降趋势。
为验证贵州省 2001—2022 年间 LSA 的变化是否大部分由自然因子驱动, 本研究使用相关性分析法, 对 LSA 实际值与预测值的相关性进行逐像元分析, 结果见图 4。大部分区域的相关系数小于 0.5, 其中 42.43%面积的区域在 0.2～0.4之间, 29.91%面积的区域在 0.4～0.6 之间, 8.26%面积的区域在 0.6～0.8之间。研究区相关系数的均值为 0.35 (<0.5), 说明实际值与预测值总体上有较大的偏差, LSA 的变化不完全受自然因子控制, 有必要分析人为因子对LSA 的影响。
为进一步分析 2001—2022 年间 LSA 受自然因子和人为因子单独影响下的变化情况, 分别对由LSA 计算得到的预测值和残差进行逐像元趋势分析和显著性检验。
图2 2001—2022年LSA的变化趋势
Fig. 2 LSA trends from 2001 to 2022
图3 Hurst指数和LSA未来变化趋势的空间分布
Fig. 3 Spatial distribution of future trends of the Hurst index and LSA
如图 5(a)所示, 54.44%的面积属于自然因子变化引起 LSA 下降的区域, 其中 12.12%的面积属于显著下降区域, 主要分布在中部及北部地区, 贵阳市分布较为集中; 45.56%的面积属于自然因子变化引起 LSA 上升的区域, 其中 9.70%的面积属于显著上升区域, 主要分布在贵阳市南部和安顺市北部。总体上, 自然因子变化影响下, LSA 的变化以下降为主。
如图 5(b)所示, 43.89%的面积属于人为因子变化引起 LSA 下降的区域, 其中 6.01%的面积属于显著下降区域, 主要分布在铜仁市东部和遵义市东南部, 并零星分布在黔东南和毕节地区; 55.65%的面积属于人为因子变化引起 LSA 上升的区域, 其中9.22%的面积属于显著上升区域, 主要分布在毕节市北部(即威宁地区)和黔南北部(即瓮安县和福泉市)。总体上, 人为因子影响下, LSA 的变化以上升为主。
3.4.1 自然要素时空演变特性
贵州省的气候整体上呈现温暖和湿润状态。
如图 6(a)所示, 土壤水分的年际波动幅度为−1.62%～0.16%, 呈上升趋势区域的面积占 19.56%, 其中遵义市北部(赤水市)和铜仁市东部上升趋势明显; 其余区域呈下降趋势, 表明土壤持水性能下降, 在近22年的长时间序列中, 下降趋势在所有自然因子中最显著。
如图 6(b)所示, 叶面积指数的年际波动幅度为−0.15～0.15, 面积占 70.83%的区域呈现上升趋势, 表明贵州省近22年来植被恢复取得良好的效果, 上升趋势相对明显的区域在北部和西南部地区。
图4 2001—2022年LSA真实值与预测值的相关性
Fig. 4 Correlation coefficient between the true and predicted values of LSA from 2001 to 2022
图5 2001—2022年自然因子和人为因子对LSA变化的影响
Fig. 5 Impacts of natural and human activities on LSA change from 2001 to 2022
如图 6(c)所示, 贵州省降水量的波动幅度介于−12.38～26.18mm/a 之间, 面积占 39.75%的区域呈下降趋势, 主要分布在遵义市和铜仁市; 面积占60.25%的区域呈上升趋势, 毕节市和黔东南地区上升趋势相对明显。雨水增多对黔东南地区林地生长起到促进作用。
如图 6(d)所示, 贵州省气温年际波动幅度较小(−0.09～0.08℃), 面积占 64.69%的区域呈上升趋势, 中部地区上升趋势较明显, 与城市化导致的热岛效应密切相关; 面积占 35.31%的区域呈下降趋势, 主要分布在黔东南地区南部。
3.4.2 LSA与自然因子偏相关分析
本研究基于偏相关系数和 T 检验法, 对贵州省2001—2022 年 LAI、降水、土壤水分和温度与 LSA的时序变化进行逐像元分析, 结果如图 7 和 8 所示。自然因子与 LSA 相关性的空间分布存在差别, 与陆云波等[8]的研究结果相同。LSA 的主导驱动因子大部分零星分布, 主要原因是地表非均质性显著, 山川地形错综复杂, 即使在空间距离较短的地表, LSA 的主要影响机制也存在区别。
结合图 7(b)和图 8(a)可知, 研究区 LAI 与 LSA偏相关系数的分布区间为−0.94～0.98, 60.38%的面积属于正相关区域, 10.73%的面积属于显著性正相关区域, 集中分布在六盘水市和毕节市; 39.62%的面积属于负相关区域, 4.48%的面积属于显著性负相关区域, 主要分布在贵州省东南部地区。LAI 与LSA 总体上正相关, 相关程度优于其他自然因子。
图6 2001—2022年贵州省自然因子变化趋势的空间分布
Fig. 6 Spatial distribution of natural factors in Guizhou Province from 2001 to 2022
图7 LSA与自然因子的偏相关系数
Fig. 7 Partial correlation coefficient of LSA and natural factors
图8 LSA与自然因子相关性的显著性检验结果
Fig. 8 Significance test results of the correlation between LSA and natural factors
图9 2001—2022年LSA变化驱动因素的空间分布
Fig. 9 Spatial distribution of drivers of LSA change from 2001 to 2022
结合图 7(b)和图 8(b)可知, 研究区降水与 LSA偏相关系数的分布区间为−0.93～0.94, 48.44%的面积属于正相关区域, 7.34%的面积属于显著性正相关区域, 集中分布在贵州省中部地区; 51.66%的面积属于负相关区域, 5.96%的面积属于显著性负相关区域, 主要分布在黔东南地区。降水与LSA总体上负相关, 与近红外波段辐射能量密切相关, 降水量越大, 其能量衰减越剧烈[26], 这是由于降雨量增大时, 雨滴在大气中的浓度和形态多样性增加, 这些雨滴因其尺寸远大于近红外光波长, 对通过的射线产生显著的散射和吸收效应, 导致能量衰减加剧, LSA值降低。
结合图 7(c)和图 8(c)可知, 研究区土壤水分与LSA 偏相关系数的分布区间为−0.97～0.98, 46.20%的面积属于正相关区域, 7.93%的面积属于显著正相关区域, 东北部、中部以及西南部为主要集中地; 53.80%的面积属于负相关的区域, 15.68%的面积属于显著性负相关区域, 主要分布在毕节市西部。总体上, 土壤水分与LSA 负相关。
结合图 7(d)和图 8(d)可知, 研究区温度与 LSA偏相关系数的分布区间为−0.96～0.95, 55.88%的面积属于正相关区域, 8.87%的面积属于显著性正相关区域, 集中分布在贵州省东北部、中部和西南部地区; 44.12%的面积属于负相关区域, 5.20%的面积属于显著性负相关区域, 主要分布在毕节市西部和遵义市西南部。温度与 LSA 总体上正相关, 可从植被的蒸腾作用和生理活动两方面来解释[27]。一方面, 温度升高会加强植被的蒸腾作用, 导致土壤水分减少, 进而增加地表的反射能力, 导致 LSA 值升高; 另一方面, 温度升高可能改变植被的生理活动, 导致植被生长速度加快, 反射率提高, 进而导致 LSA值上升。
3.5.1 自然因子与人为因子贡献的区分
利用残差分析(式(10)和(11))计算得到的 LSA的实际值、预测值和残差的变化斜率 θ, 对 LSA 变化的驱动因素进行划分, 结果见图 9。
31.10%面积的区域由自然因子和人为因子共同驱动 LSA 值上升, 主要分布在贵州省西部以及西南地区。其中, 自然因子的驱动与此区域生态环境脆弱、石漠化分布广泛[28]有关, 较低的土壤含水量使 LSA 值上升, 由于此区域以农业为主, 刚撂荒或被地膜覆盖的土地会形成高 LSA 值区[29]。11.99%面积的区域单独由自然因子驱动 LSA 值上升, 大部分位于黔东南地区。此区域高植被覆盖度增加了林冠红外反射率[30], 使 LSA 值升高。4.74%面积的区域单独由人类活动驱动 LSA 值上升, 零星地分布在贵州省南部和东部地区。城市化会导致 LSA 增 加[31], 此区域 22 年间建设用地不断增加, 硬化的地面以及屋顶形成高 LSA 值区。
29.07%面积的区域由自然变化和人类活动共同驱动 LSA 值下降, 主要分布在安顺市, 并零星地分布在贵州省东南部和西南部地区, 与近年来安顺市实施的人工造林和封山育林工作成效密切相关。与裸地相比, 植被具有吸收太阳辐射进行光合作用的功能[32], 因此 LSA 值呈下降趋势。单独由自然因子和人为因子驱动 LSA 值下降的区域面积分别占19.75%和 3.35%, 前者零星地分布在遵义市和铜仁市, 与近年来遵义申报绿色城市、注重生态环境密切相关, 此地区植被覆盖度上升, 对光能的吸收增多, 导致 LSA 值下降; 后者基本上分布在黔南的南部。由自然因子和人为因子共同驱动 LSA 值下降的区域面积占 60.17%。
为进一步量化自然因子和人为因子对 LSA 变化的贡献率, 根据表 2 中相对贡献率计算方法进行计算，结果见图 10。
自然因子对 LSA 变化的贡献率总体上大于人为因子, 其中 59.79%面积的区域自然因子贡献率大于 80%; 10.52%面积的区域自然因子贡献率小于20%, 主要分布在黔南的南部, 并零星地分布在铜仁、黔东南和毕节地区; 自然因子贡献率在 20%～ 40%区间和 40%～60%区间的区域面积均较小, 分别约为 4.17%和 8.15%, 零星地分布在黔东南和黔南地区; 自然因子贡献率在 60%～80%范围的区域面积占 17.37%, 主要分布在毕节市北部, 并零星地分布在贵州省西南部。
人为因子对 LSA 变化贡献率小于 20%的区域面积占比最大, 为 59.79%, 主要分布在威宁和赫章; 人为因子贡献率在 20%～40%区间和 40%～60%区间的区域面积占比分别为 17.37%和 8.15%, 主要分布在贵州省西部地区, 并零星地分布在安顺市和黔西南地区; 人为因子贡献率在 60%～80%区间和大于80%的区域面积占比较小, 分别为 4.17%和 10.52%,主要分布在黔南的南部以及铜仁与黔东南接壤地区。可见人为因子对贵州省 LSA 变化也有影响, 与Lawler 等[33]的研究结果一致。
图10 2001—2022年自然因子和人为因子对LSA变化贡献率的空间分布
Fig. 10 Spatial distribution of the contribution rate of natural and human activities to LSA change from 2001 to 2022
图11 2001—2022年自然因子(气温、降水、土壤水分和LAI)和人为因子(土地利用变化)对LSA的相对贡献率
Fig. 11 Relative contributions of natural (temperature, precipitation, soil moisture and LAI) and human factors (land use change) to LSA from 2001 to 2022
3.5.2 各主导因子对LSA的相对贡献
为得到自然因子和人为因子的子因素对 LSA变化的单独贡献率，利用式(12)～(15)进行岭回归分析，结果见图 11。LSA 的各驱动因素在年时间尺度的分布差异性明显, 土壤水分对 LSA 变化的贡献率最大(35.23%), 其次是 LAI (23.96%)和土地利用(18.65%), 气温和降水贡献率最小(分别为 12.03%和 10.13%)。进一步验证了对于贵州省这类山地城市, 自然因子对 LSA 的影响大于人为因子。
MODIS 产品在地表能量平衡的研究中应用广泛, 尤其在精度评价方面备受关注[34]。余予等[35]利用地面站点数据, 验证 MOD43B3 产品反演得到的地表反照率, 发现两者间均方根差为 0.0163, 满足应用要求。陈爱军等[36]将 MCD43B2 产品应用于地形起伏较大的青藏高原地区反演地表反照率, 达到绝对精度不小于 0.2 的标准。可见, MODIS 地表反照率产品在中低分辨率(250m 至 1km)尺度的区域能量平衡与气候变化研究中能够取得较好的精度, 基本上满足应用需求。然而, 贵州省多云雨的天气使得 MODIS 影像存在不同程度的数据缺失。为提高数据的精度和准确性, 本研究采用Whittaker滤波方法对缺失数据进行重建。Whittaker 滤波方法是基于长时间序列影像中已有数据的变化特征, 将质量较低的数据由同期平均值或近期有效数据平均值替代[37], 可以有效地解决数据缺失问题。由于 LSA产品的分辨率为 500m, 存在混合像元以及尺度效应等问题, 导致重建的数据存在一定的误差。
2001—2022 年期间贵州省 LSA 值出现明显的震荡, 下降峰值出现在 2001—2003 年期间, 此现象与气候条件和人类活动密不可分, 气候温暖湿润以及对生态环境的重视有利于植被生长, 利于对可见光波段光能的吸收, 光合作用加强, 导致这一时期LSA 值下降[14]。LSA 上升峰值出现在 2021—2022年期间, 此现象或许与这段时期的极度干旱事件密切相关[38]。此类极端气象现象引起地表水–热条件的变化, 使得地表对太阳辐射的反射量增多, 促使LSA 上升。
自然因子变化是 LSA 变化的关键因素, 其单独贡献率占 31.74%。各自然因子对 LSA 变化的贡献率存在明显的差异, 其中气温、降水与 LSA 的相关性与高婷等[27]的研究结果一致。土壤水分对 LSA的驱动效应易被研究者忽视, 事实上从图 7 可知, 土壤水分与 LSA 显著负相关, 可从两个方面来解释: 一是土壤水分直接通过改变地面对辐射光的吸收来影响 LSA; 二是在土壤水分条件适宜情况下, 通过促进植被生长, 增加对近红外辐射的反射率, 间接导致 LSA 上升。自然因子中的 LAI 与 LSA 的相关性在不同的区域表现不同。从图 8 可知, LAI 与LSA 正相关, 与廖瑶等[39]的结论一致, 但邓小进 等[29]在对准噶尔盆地的研究中发现两者负相关。究其原因, 可能与贵州省的区域特性有关。贵州省植被覆盖度高, 随着 LAI 增加, 植被冠层对太阳光的遮挡作用增强, 同时植物叶片也会反射一部分太阳光, 使得 LSA 上升。多数情况下, 气温、降水和土壤水分通过影响贵州省植被的生长和分布状况来影响 LSA。
人为因子也会对 LSA 变化产生影响, 其单独贡献率占 8.09%, 表现在促进和抑制两方面。一方面, 政府号召大力推进生态林业工程的实施, 此举动有益于固定土壤中的水分, 形成强太阳辐射吸收性, 降低 LSA; 另一方面, 农民对生态环境较为忽视, 一味追求经济效益, 造成滥伐和过度放牧, 导致基岩裸露[40], 土壤含水量降低, 抬高 LSA。
本文基于 MCD43A3 遥感数据反演并重建地表反照率, 结合自然因子(气温、降水、叶面积指数和土壤水分)和人为因子(土地利用)两类数据集, 分析 2001—2022 年贵州省地表反照率的时空演变过程, 在此基础上将两类因素对 LSA 的影响进行综合区分, 并将各因素对 LSA 的贡献率进行量化, 得到如下结论。
1)在时间视角上, 2001—2022 年贵州省 LSA 均值为 0.1098, 整体变化趋势为波动性下降, 平均下降速率为 3.699×10−5a−1, 下降幅度不显著, 但中途出现振幅较大的情况, 2001—2003 年 LSA 变化速率最大, 为 0.0045a−1, 2021—2022 年期间出现大幅度上升。在空间视角上, 研究区大部分区域 LSA 呈下降趋势, 其中 60.16%的面积属于下降区域, 39.71%的面积属于上升区域; 未来 LSA 的变化趋势继续以下降为主, 将有面积占 21.30%的区域 LSA 持续下降。
2)由于地表异质性和因子间相互作用等原因, 使得各自然因子对贵州省 LSA 的影响空间差异明显, 且作用机理复杂。地表反照率与气温和叶面积指数正相关, 与降雨量和土壤水分负相关。驱动LSA 变化的主导因子在时间和空间上存在差异, 空间上的主导因素是叶面积指数, 时间上的主导因素是土壤水分。
3)自然因子和人为因子对贵州省地表反照率变化的影响整体上以抑制为主, 但整个区域呈现双重效应, 地表反照率受两种因子共同影响区域的面积占比为 60.17%。LSA 变化的主导因素为自然因子, 人为因子为次要驱动因素, 各因子对 LSA 变化的相对贡献率排序为土壤水分(35.23%)>LAI(23.96%)>土地利用(18.65%)>气温(12.03%)>降水(10.13%)。
参考文献
[1] Que C, Carrer D, Roujean J, et al. Analysis of MODIS albedo changes over steady woody covers in France during the period of 2001–2013. Remote Sensing of Environment, 2017, 191(15): 13–29
[2] 王鸽. 1982—2000年中国区域反照率时空分布特征. 高原气象, 2010, 29(1): 146–151
[3] Wu Peijun, Liu Xiaoping, Li Xia, et al. Impact of urban expansion on carbon storage in terrestrial ecosystems based on InVEST Model and CA: a case study of Guangdong Province, China. Environmental Science and Pollution Research, 2019, 53(12): 6834–6844
[4] Hu Yungang, Li Hua, Wu Dan, et al. LAI-indicated vegetation dynamic in ecologically fragile region: a case study in the Three-North Shelter Forest program region of China. Ecological Indicators, 2021, 120: 106932
[5] Zhu X, Shao M, Tang X, et al. Spatiotemporal variation and simulation of vegetation coverage in a typical degraded alpine meadow on the Tibetan Plateau. Cate-na, 2020, 190: 104551
[6] 姚济敏, 谷良雷, 赵林, 等. 多年冻土区与季节冻土区反照率对比观测研究. 气象学报, 2013, 71(1): 176–184
[7] 肖登攀, 陶福禄, Moiwo Juana P. 全球变化下地表反照率研究进展. 地球科学进展, 2011, 26(11): 1217–1224
[8] 陆云波, 王伦澈, 牛自耕, 等. 2000—2017年中国区域反照率变化及其影响因子. 地理研究, 2022, 41 (2): 562–579
[9] Dirmeyer P A, Gao X, Zhao M, et al. GSWP-2: mul-timodel analysis and implications for our perception of the land surface. American Meteorological Society, 2006, 87(10): 1381–1397
[10] Brovkin V, Raddatz T, Reick C H, et al. Global bio-geophysical interactions between forest and climate. Geophysical Research Letters, 2009, 36(7): L07405
[11] 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. 地理学报, 2018, 73 (5): 789–802
[12] 徐忠峰, 张炜月, 郭维栋. 大尺度土地利用变化对区域气温及其变率的影响. 中国基础科学, 2015, 17 (5): 34–39
[13] 胡海涛, 刘绥华. 喀斯特山区反照率时空变化及其驱动因子. 测绘通报, 2023, 69(2): 110–116
[14] 袁娜, 邓玲玲, 尹霞, 等. 贵州省分光反照率时空变化趋势和影响因子分析. 地球科学进展, 2023, 38 (11): 1145–1157
[15] Stokes G M, Schwartz S E. The atmospheric radiation measurement (ARM) program: programmatic back-ground and design of the cloud and radiation test bed. Bulletin of the American Meteorological, 1994, 75(7): 1201–1121
[16] Lewis P, Barnsley M J. Influence of the sky radiance distribution on various formulations of the earth sur-face albedo // 6th International Symposium on Physical Measurements and Signatures in Remote Sensing. Val d’ Isere: CNES, 1994: 707–715
[17] 胡海涛. 贵州省2001—2020年地表反照率重建及时空演变与影响因素分析[D]. 贵阳: 贵州师范大学, 2023
[18] Theil H. A rank-invariant method of linear and poly-nomial regression analysis. Koninklijke Nederlandse Akademie van Wetenschappen, 1992, 21(6): 207–212
[19] Mann H B J E. Nonparametric test against trend. Econometrica, 1945, 13(3): 245–259
[20] 徐建华. 现代地理学中的数学方法. 北京: 高等教育出版社, 2017
[21] Rao A R, Bhattacharya D. Comparison of hurst expo-nent estimates in hydrometeorological time series. Journal of Hydrologic Engineering, 1999, 4(3): 225–231
[22] 李瞳辉, 金蛟. 基于稳健典型相关及偏最小二乘的果实品质影响分析. 北京师范大学学报(自然科学版), 2023, 59(2): 281–287
[23] Evans J, Geerken R. Discrimination between climate and human-induced dryland degradation. Journal of Arid Environments, 2004, 57(4): 535–554
[24] Wessels K J, van den Bergh F, Scholes R, et al. Limits to detectability of land degradation by trend analysis of vegetation index data. Remote Sensing of Environ-ment, 2012,125(6): 10–22
[25] Li Guo, Wu Chaoyang, Chen Yanan, et al. Increasing temperature regulates the advance of peak photosyn-thesis timing in the boreal ecosystem. Science of Total Environment, 2023, 882: 163587
[26] 杨建清, 罗积军, 徐军, 等. 基于雨滴谱分布数据库的近红外辐射衰减研究. 激光技术, 2018, 42(2): 161–165
[27] 高婷, 沈润平, 李磊, 等. 基于MODIS数据地表反照率时空变化特征及影响因子研究. 气候与环境研究, 2021, 26(6): 648−662
[28] 钱方艳, 兰安军, 范泽孟, 等. 贵州省北盘江流域经济贫困与生态脆弱性的空间耦合关系研究. 贵州师范大学学报(自然科学版), 2024, 42(1): 36–44
[29] 邓小进, 井长青, 郭文章, 等. 准噶尔盆地反照 率时空变化特征及其影响因素分析. 干旱区研究, 2021, 38(2): 314–326
[30] 梁守真, 隋学艳, 侯学会, 等. 落叶阔叶林冠层光合有效辐射分量(绿色FPAR)的遥感模拟与分析. 生态学报, 2017, 37(10): 3415–3424
[31] Hua Yonghong, Hou Meiting, Zhao Chunlei, et al. Human-induced changes of surface albedo in Northern China from 1992–2012. Int J Appl Earth Obs Geoinfor-mation, 2019, 79(2): 184–191
[32] 田定方, 范闻捷, 任华忠, 等. 植被光合有效辐射吸收比率遥感研究进展. 遥感学报, 2020, 24(11): 1307–1324
[33] Lawler J J, Lewis D J, Nelson E, et al. Projected land-use change impacts on ecosystem services in the United States. PNAS, 2014, 111(20): 7492
[34] 周婵. 青藏高原地表反照率与积雪遥感产品的分析与应用研究[D]. 南京: 南京信息工程大学, 2016
[35] 余予, 陈洪滨, 夏祥鳌, 等. 青藏高原纳木错站地表反照率观测与MODIS资料的对比分析. 高原气象, 2010, 29(2): 260–267
[36] 陈爱军, 王飞, 卞林根, 等. 青藏高原地区MODIS反照率两种反演结果差异的对比分析. 高原气象, 2012, 31(6): 1479–1487
[37] 李伟光, 侯美亭. 植被遥感时间序列数据重建方法简述及示例分析. 自然资源遥感, 2022, 34(1): 1–9
[38] Yan Wenbo, He Yunling, Cai Ya, et al. Analysis of spatiotemporal variability in extreme climate and po-tential driving factors on the Yunnan Plateau (South-west China) during 1960–2019. Atmosphere, 2021, 12(9): 1136
[39] 廖瑶, 刘丽, 王备, 等. 基于MODIS的喀斯特反照率的时空分布: 以贵州为例. 贵州农业科学, 2018, 46(3): 133–137
[40] 滕明塔, 李旭东, 方冰轲, 等. 黔中城市群地表覆盖变化及驱动因素分析. 贵州师范大学学报(自然科学版), 2023, 41(1): 21–31
Abstract In order to quantify the relative contribution of natural factors and human factors to the surface albedo in Guizhou Province and their impacts on its changes, we analyzed the past and future evolution trends of surface albedo based on the MCD43A3 dataset from 2001 to 2022, using the Theil-Sen slope algorithm, Mann-Kendall significance verification and Hurst index method. On this basis, by combining datasets of natural factors and human factors and utilizing partial correlation analysis, residual analysis and ridge regression analysis, the factors influencing changes in land surface albedo were quantified and classified, leading to the following results. 1) From a temporal perspective, the surface albedo showed a fluctuating downward trend from 2001 to 2022, with an average decline rate of 3.699×10−5 yr−1, and a maximum decline rate of 0.0045 yr−1 from 2001 to 2003. From the spatial perspective, the surface albedo decreased in the northeast and increased in the northwest, and the area of 60.16% of the study area showed a downward trend, and the surface albedo will continue to decline in the future. 2) In response to natural factors, the surface albedo was positively correlated with temperature and leaf area index (LAI), negatively correlated with rainfall and soil moisture. Spatially, LAI was the dominant factor affecting its differentiation; temporally soil moisture. 3) The changes in natural factors and human activities have dual effects on the change of surface albedo, mainly inhibitory, with 60.17% of the study area being co-driven by both. The relative contribution rates are ranked as follows: soil moisture (35.23%) > LAI (23.96%) > land use (18.65%) > temperature (12.03%) > precipitation (10.13%).
Key words land surface albedo; natural variation; human activities; residual analysis; ridge regression analysis