唐超禮, 陶鑫華, 魏圓圓, 戴聰明, 魏合理

1. 安徽理工大學(xué)電氣與信息工程學(xué)院, 安徽 淮南 232001;

2. 中國科學(xué)院空間天氣學(xué)國家重點(diǎn)實(shí)驗(yàn)室, 北京 100190;

3. 安徽大學(xué)互聯(lián)網(wǎng)學(xué)院, 安徽 合肥 230039;

4. 中國科學(xué)院合肥物質(zhì)科學(xué)研究院安徽光學(xué)精密機(jī)械研究所, 中國科學(xué)院大氣光學(xué)重點(diǎn)實(shí)驗(yàn)室, 安徽 合肥 230031

地表溫度(land surface temperature, LST)是反映陸地與大氣之間能量交換的關(guān)鍵物理量, 與生態(tài)環(huán)境密切相關(guān), 通常用于地表通量估算、干旱監(jiān)測, 并且可直接或間接作為驅(qū)動(dòng)模型用于全球環(huán)境監(jiān)測和氣候變化分析(Weng et al, 2009; Karnieli et al, 2010; Stephens et al, 2015)。如今, 我們可以利用地面觀測和遙感衛(wèi)星的長期觀測資料, 對所選取的地區(qū)進(jìn)行LST 的研究。我們也有多種分析手段, 如基于風(fēng)云三號D 星(FY—3D)微波成像儀對中國陸地區(qū)域LST反演及驗(yàn)證進(jìn)行比較(Nemani et al, 1996); 又如采用蒙大拿大學(xué)地表反演算法(University of Montana land surface retrieval algorithm, UMT)中的物理模型反演中國區(qū)域LST(王博 等, 2022), 并利用該衛(wèi)星與地面站點(diǎn)的數(shù)據(jù)進(jìn)行比較; 以及利用單窗算法對數(shù)據(jù)進(jìn)行反演, 隨后用歸一化指數(shù)研究區(qū)域范圍內(nèi)的時(shí)空變換相關(guān)性(Becker et al, 1990; 王艷慧 等, 2014); 這些都是對局部數(shù)據(jù)進(jìn)行分析研究。本文利用2003—2020 年衛(wèi)星反演的LST 數(shù)據(jù), 通過M-K 突變檢驗(yàn)、線性回歸、EOF 等方法, 分析東亞及沿海區(qū)域的LST 時(shí)空模態(tài)特征, 并運(yùn)用SARIMA 模型預(yù)測LST 的變化趨勢。

1 數(shù)據(jù)來源與研究方法

1.1 研究區(qū)域及數(shù)據(jù)來源

本文研究區(qū)域?yàn)闁|亞及西太平洋地區(qū), 東亞地理位置特殊, 靠近赤道, 此處地域廣闊, 東西跨度大, 其LST 主要受太陽輻射和氣候的雙重影響。又因?yàn)闁|亞及西太平洋地區(qū)屬于典型的季風(fēng)氣候, 該地區(qū)地貌類型多樣, 四季分明。因此, 研究該地區(qū)的LST 變化規(guī)律對東亞及西太平洋地區(qū)的氣候及災(zāi)害預(yù)警有著重要的參考意義。

本文利用Aqua 衛(wèi)星自2003 年1 月—2020 年12月 LST 數(shù)據(jù)及第五代歐洲中期天氣預(yù)報(bào)中心(European centre for medium range weather forecasting,ECMWF)再分析資料集(The fifth generation ECMWF reanalyses, ERA5)對LST 進(jìn)行分析研究。大氣紅外探測儀(atmospheric infrared sounder, AIRS) 提供了溫度、濕度等數(shù)據(jù), 將大氣參數(shù)劃分成1°×1°的網(wǎng)格單元, 經(jīng)度從–180°到+180°, 緯度從–90°到+90°, 運(yùn)用升軌、降軌數(shù)據(jù)即白天(A)和夜晚(D)數(shù)據(jù)進(jìn)行處理。除此之外, 還使用了2018—2020年的ERA5再分析數(shù)據(jù),它是ECMWF 在陸地范圍的模擬數(shù)據(jù), 數(shù)據(jù)包含了月、日、小時(shí)數(shù)據(jù)集。在前人的文章中, 利用伊比利亞半島分析衛(wèi)星的應(yīng)用設(shè)施, 對ERA5 的LST 數(shù)據(jù)進(jìn)行評估, 發(fā)現(xiàn)ERA5 的日最大LST 的標(biāo)準(zhǔn)偏差約為2～3 ℃(Johannsen et al, 2019)。

1.2 研究方法

本文采用了M-K(Mann-Kendall)突變檢驗(yàn), 線性回歸分析, 季節(jié)自回歸移動(dòng)平均模型(seasonal autoregression integrated moving average, SARIMA),經(jīng)驗(yàn)正交分解(empirical orthogonal function, EOF)等方法。其中, M-K 突變檢驗(yàn)是一種非參數(shù)統(tǒng)計(jì)檢驗(yàn)方法, 分析突變的LST 時(shí)間點(diǎn)可以準(zhǔn)確知其突變情況; SARIMA 模型對未來年份做季節(jié)時(shí)間序列預(yù)測,把LST 變成隨機(jī)序列。當(dāng)隨機(jī)序列有很強(qiáng)的季節(jié)周期性變化時(shí), 可以對其進(jìn)行季節(jié)差分, 再利用2003—2020 年月平均溫度做一階季節(jié)性差分序列的自相關(guān)和偏相關(guān)函數(shù)圖以及用差分次數(shù)確定模型參數(shù)的數(shù)值, 建立模型進(jìn)行預(yù)測。此模型可以從時(shí)間序列的過去值及現(xiàn)在值來預(yù)測未來值。

2 東亞及西太平洋LST 時(shí)空變化

2.1 LST 年際變化分析

圖1a 展示了東亞及西太平洋地區(qū)LST 在2003—2020 年的年際變化曲線。如圖, 東亞及西太平洋地區(qū)的LST 在6～30℃之間, 分別在2011 年、2017 年達(dá)到最小值和最大值。

圖1 LST 年際變化圖Fig. 1 LST interannual variation chart. (a) Monthly trend chart of East Asia and various regions; (b) anomaly map

整體看, 該地區(qū)大部分是沿海地區(qū), 溫度變化有限; 局部看, 蒙古國 LST 溫差大, 最高值超過40 ℃, 最低值低于–10 ℃; 日本則相反, LST 溫差不大, 差值不足13℃。蒙古國與日本的LST 變化幅度差異, 主要原因是太陽輻射。蒙古國緯度高遠(yuǎn)離赤道而日本緯度低靠近赤道, 且夏季風(fēng)與西太平洋漂流區(qū)的海表溫度為正相關(guān), 與赤道中東部海表溫度為負(fù)相關(guān)(沈柏竹, 2007), 整體呈自西向東走勢, 冬季相反。東亞各地區(qū)LST 的距平圖如圖1b 所示, 為進(jìn)一步給出該地區(qū)是否存在LST 突變的變化過程,我們運(yùn)用M-K 突變檢驗(yàn)法對東亞及西太平洋LST進(jìn)行突變分析(陳錦年 等, 2008; 王宏娜 等, 2009)。

由圖2 可見,UFk和UBk曲線在2007 年和2016年及2018 年附近存在突變點(diǎn)。2003—2011 年UFk統(tǒng)計(jì)值均大于0, 說明該地區(qū)LST 在此期間呈遞增趨勢, 并且統(tǒng)計(jì)值均未超出臨界值, 說明上升趨勢不顯著; 2011—2014 年末UFk統(tǒng)計(jì)量小于0, 說明LST 在此期間呈遞減趨勢; 2015 年以后呈逐年上升趨勢且在2019 年后超出臨界值, 說明此后上升趨勢顯著。這些年份出現(xiàn)突變點(diǎn)離不開當(dāng)年全球發(fā)生的自然災(zāi)害或大規(guī)模人為事件。

圖2 M-K 突變檢測結(jié)果Fig. 2 M-K mutation detection results

2.2 LST 季節(jié)變化

將2003—2020 年AIRS 的LST 數(shù)據(jù), 按季節(jié)劃分為春季(3—5 月)、夏季(6—8 月)、秋季(9—11 月),和冬季(12—2 月)。圖3a 展示了東亞及西太平洋區(qū)域自2003—2020 年春季的月平均LST 的空間分布。青藏高原等西南地區(qū)LST 較低, 中國新疆及周邊地區(qū)LST 較高, 從而出現(xiàn)了明顯的溫度差異。在平均海拔都超過3000m 的青藏高原上, 它的地勢明顯西側(cè)高于東側(cè), 中間低而南北側(cè)高, 山地走勢非常復(fù)雜, 且80%的青藏高原都是高原地貌, 全年平均氣溫均低于10℃, 這也導(dǎo)致了氣溫差異大(曹曉云 等,2021)。

圖3 2003—2020 年東亞及西太平洋LST 四季空間分布a. 春季; b. 夏季; c. 秋季; d. 冬季; e. 四季變化折線圖; f. 四季距平圖。a—d 基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號為GS(2016)2938 號的標(biāo)準(zhǔn)地圖制作Fig. 3 Spatial distribution of LST seasons in East Asia and West Pacific from 2003 to 2020. (a) Spring; (b) summer; (c)autumn; (d) winter; (e) line chart of four seasons; (f) four seasons anomaly map

圖3b 為東亞及西太平洋地區(qū)自2003—2020 年夏季的月平均LST 的空間分布。其中, 夏季普遍高溫, 主要原因是太陽輻射。而夏日輻射量高, 冬日輻射量少, 是因?yàn)榧竟?jié)變化導(dǎo)致太陽高度角的變化,進(jìn)而引起的太陽輻射的差異(黃盼 等, 2017)。然而,夏季陸地的LST 比海洋的LST 高, 是因?yàn)樵谙嗤奶栞椛錀l件下, 陸地的升溫或者降溫都比海洋更加劇烈, 利于陸地LST 高于海洋。圖3c 是東亞及西太平洋區(qū)域自2003—2020 年秋季的月平均LST的空間分布, 變化趨勢與春季大體相似, 東亞北部地區(qū)LST 局部較高于周圍(高弋斌 等, 2019)。圖3d為東亞及西太平洋區(qū)域自2003—2020 年冬季的月平均LST 的空間分布。如圖, 沿海地區(qū)LST 是明顯高于內(nèi)陸的。除了太陽輻射的影響, 地溫少雨的冬季風(fēng)也是導(dǎo)致陸地溫度低的重要原因。海洋比熱容大, 地面比熱容小, 所以冬季陸地相對于海洋溫度低(王靜 等, 2009; 郭甜甜 等, 2017)。綜上可知, 本文選取的數(shù)據(jù)存在顯著的季節(jié)周期變化。圖3e 為該地區(qū)四季折線圖, 可見春、夏、秋三季幅度變化不明顯。其中, 春季和秋季溫度相近; 夏季均溫超過30 ℃; 冬季溫度較低, 最低約為8℃。圖3f 所示折現(xiàn)圖為四季圖3e 的距平圖。

2.3 LST 空間變化分析

圖4a 為AIRS 探測器2003—2020 年平均LST分布圖。沿海地區(qū)的LST 高于東亞內(nèi)陸及青藏高原區(qū)域。圖4b 中曲線表示2003—2020 年東亞及西太平洋地區(qū)LST 隨緯度的變化趨勢, 可見LST 隨著緯度的升高而變小。其中, LST 最低溫度為2℃的主要原因是緯度的增加, 沿海地區(qū)的季風(fēng)氣候以及陸地的散熱和吸熱能力小于海洋。圖4c 是ERA5 再分析數(shù)據(jù)2020 年的東亞及西太平洋的平均溫度圖, 其溫度范圍與AIRS 的結(jié)果相似。

圖4 2003—2020 年東亞及西太平洋LST 空間分布圖a. AIRS 空間分布; b. 緯度分布; c. ERA5 再分析空間分布。a、c 基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號為GS(2016)2938 號的標(biāo)準(zhǔn)地圖制作Fig. 4 Spatial distribution of LST in east Asia and west Pacific from 2003 to 2020. (a) Spatial distribution of AIRS; (b)latitude distribution; (c) ERA5 reanalysis spatial distribution

EOF 是一種分析矩陣數(shù)據(jù)中的結(jié)構(gòu)特征和提取主要數(shù)據(jù)特征量方法, 也是氣象分析時(shí)空特征的一種重要方法。將LST 組合排列成m空間點(diǎn)數(shù)(根據(jù)文章中的經(jīng)緯度10°N—60°N 和70°E—140°E, 即50×70 個(gè)點(diǎn)數(shù)據(jù))和n時(shí)間點(diǎn)數(shù)(根據(jù)本文選用的18年數(shù)據(jù)), 得到Xm×n。

理論上, 對LST 的分析應(yīng)比濕度更直觀。但由于LST 受眾多因素的影響, 使得影響LST 變化趨勢的因素較為復(fù)雜(劉振元 等, 2018)。所以我們也可以先查看濕度在時(shí)間、空間上的變化規(guī)律, 再考查LST。

圖5a、c、e 為濕度EOF 分解第一、第二、第三模態(tài)的空間分布, 其中模態(tài)解釋方差貢獻(xiàn)率分別為26.18%, 18.70%和10.12%, 累計(jì)貢獻(xiàn)率達(dá)55%,能較好地代表濕度的變化。圖5b、d、f 為濕度EOF分解第一、第二、第三模態(tài)的時(shí)間系數(shù)。系數(shù)符號決定了模態(tài)的方向, 正號表示與模態(tài)方向相同, 負(fù)號則相反, 時(shí)間系數(shù)數(shù)值絕對值越大, 表明該年分布型式越典型(魏鳳英, 1999)。圖5a 為第一模態(tài)的空間分布圖, 貢獻(xiàn)率為26.18%, 該模態(tài)表征了2003—2020 年東亞及西太平洋地區(qū)濕度的最主要的分布特征。可以看出, 在空間分布上, 東亞及西太平洋大部分地區(qū)呈負(fù)值分布, 極少數(shù)地區(qū)呈正值, 說明該模態(tài)下濕度在大部分地區(qū)空間變化趨勢具有一致性,即同時(shí)上升(下降)。結(jié)合圖5b 的時(shí)間系數(shù)來看, 時(shí)間系數(shù)在2004—2009 年均為正位, 在2010—2020年負(fù)位居多, 即在2010 年前后基本存在正負(fù)相位,并呈下降趨勢, 說明2003—2020 年濕度整體是下降的。

圖5 2003—2020 年東亞及西太平洋地區(qū)濕度EOF 空間分布圖和時(shí)間系數(shù)圖a、c、e 分別為第一、第二、第三模態(tài)的空間分布圖, 基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號為GS(2016)2938 號的標(biāo)準(zhǔn)地圖制作; b、d、f 為第一、第二、第三模態(tài)的時(shí)間系數(shù)圖Fig. 5 Spatial distribution map and time coefficient map of humidity EOF in east Asia and west Pacific from 2003 to 2020.(a), (c), (e) spatial distribution map; (b), (d), (f) time coefficient diagram

圖6a、c、e 表示東亞及西太平洋地區(qū)LST 年際變化的EOF 分解第一、第二、第三模態(tài)的空間分布,其中模態(tài)解釋方差貢獻(xiàn)率分別為29.58%, 13.35%和10.92%, 累計(jì)貢獻(xiàn)率達(dá)53.85%, 能較好地揭示LST的分布特征。圖6b、d、f 表示LST 數(shù)據(jù)的EOF 分解第一、第二、第三模態(tài)的時(shí)間系數(shù)。圖6a 為第一模態(tài)的空間分布圖, 貢獻(xiàn)率為29.58%, 高于其他模態(tài), 所以選取第一模態(tài)來分析(韓雪 等, 2014)。在空間分布上, 第一模態(tài)以中國昆侖山脈、秦嶺為分界線, 把東亞及西太平洋地區(qū)劃分成兩個(gè)明顯的上下區(qū)域, 負(fù)值主要分布在35°N 以南, 110°N 以西區(qū)域,其余地區(qū)大部分為正值, 正值顯著區(qū)主要在東北地區(qū), 表明該地區(qū)LST 變化趨勢更為明顯。結(jié)合圖6b時(shí)間系數(shù)來看, 時(shí)間系數(shù)在2009—2013 年均為負(fù)位,2014—2020 年正位居多, 時(shí)間系數(shù)呈上升趨勢, 說明2003—2020 年LST 整體是上升趨勢。圖6d 從2013—2018 年均正位, 其余年份正、負(fù)相位交替出現(xiàn), 基本沒有連續(xù)正(負(fù))位。圖6f 和圖6d 變化相似。從時(shí)間系數(shù)來看, LST 在2012 年之前逐漸變高, 總體為正位, 之后就逐漸變低, 總體為負(fù)位(圖6f)。圖6b 中, 2003 年的時(shí)間系數(shù)為負(fù)位, 與模態(tài)空間變化方向相反, 此年, 東亞及西太平洋地區(qū)的模態(tài)空間分布表現(xiàn)為以昆侖山脈與秦嶺為分界線的東北區(qū)域溫度降低, 余下區(qū)域溫度升高的變化趨勢。反之, 時(shí)間系數(shù)為正, 呈相反的分布模式。

圖6 2003—2020 年東亞及西太平洋地區(qū)LST 的EOF 空間分布圖和時(shí)間系數(shù)圖a、c、e 分別為第一、第二、第三模態(tài)的空間分布圖, 基于國家測繪地理信息局標(biāo)準(zhǔn)地圖服務(wù)網(wǎng)站下載的審圖號為GS(2016)2938 號的標(biāo)準(zhǔn)地圖制作; b、d、f 為第一、第二、第三模態(tài)的時(shí)間系數(shù)圖Fig. 6 Spatial distribution map and time coefficient map of EOF in east Asia and west Pacific of LST from 2003 to 2020. (a),(c), (e) spatial distribution map; (b), (d), (f) time coefficient diagram

3 東亞及西太平洋LST 影響因素分析及預(yù)測

3.1 LST 影響因素分析

圖7 為LST 與濕度趨勢變化圖, 可見LST 一直呈上升趨勢, 這與本文關(guān)于東亞及西太平洋地區(qū)LST 的M-K 分析結(jié)果一致。其次, 濕度是影響LST的關(guān)鍵因素, 而溫度可以改變濕度。如圖7a, 最高溫度為21 ℃, 整體濕度隨溫度波動(dòng), 除2007 年因當(dāng)年發(fā)生的熱帶風(fēng)暴溫濕度驟變, 其余年份基本符合趨勢。圖7b 是夜晚的溫、濕度, 兩者變化情況基本一致。測量LST 和濕度, LST 反演精度約為1.63, 濕度反演精度約為 0.063%, 且溫度升高濕度減少。

圖7 LST 與濕度趨勢變化圖a. 白天; b. 夜晚Fig. 7 Trend of surface temperature and humidity. (a) Day; (b) night

選用了2003—2020 年的東亞及西太平洋地區(qū)的相關(guān)AIRS 溫濕度數(shù)據(jù), 圖8a 的相關(guān)性分析結(jié)果顯示, 各地區(qū)的白天溫、濕度之間相關(guān)性良好, 最佳擬合線的截距為183.409, 回歸系數(shù)0.403, 相關(guān)性到達(dá)0.505(陳錦年 等, 2012); 圖8b 為溫度與濕度的折線圖, 可見溫、濕度整體波動(dòng)幅度相似。

圖8 LST 與濕度相關(guān)性分析(a)及時(shí)間序列比較(b)Fig. 8 Correlation analysis and time series comparison between LST and humidity. (a) Correlation analysis diagram between LST and humidity; (b) comparison diagram of LST and humidity time series

3.2 預(yù)測

運(yùn)用SARIMA 進(jìn)行一階季節(jié)性差分時(shí)間序列分析, 推斷東亞及西太平洋地區(qū)LST 變化趨勢和未來預(yù)測。

如前文所述, 在圖9 原始圖中, 2011 年和2012年LST 驟降, 存在異常, 且2012—2020 年LST 為明顯上升趨勢。經(jīng)過多方資料查證, 這與當(dāng)時(shí)的厄爾尼諾、火山爆發(fā)等事件相關(guān)(李剛 等, 2015;Simmons et al, 2017), 也是陸地溫度和海表溫度共同影響的結(jié)果。

圖9 原始圖Fig. 9 Original drawing

圖10 為年平均溫度的預(yù)測溫度值, 假設(shè)LST 的時(shí)間序列為w(t),v(t)=w(t)–w(t–1),z(t)=v(t)–v(t–12),z(t)=a1*z(t–1)+m(t)+b1*m(t–1)+c1*z(t–12)+d1*m(t–24),其中w是誤差項(xiàng)。預(yù)測時(shí)套用以上公式, 只是先預(yù)測z(t), 再預(yù)測v(t)和w(t)。根據(jù)過去值, 現(xiàn)在值以及預(yù)測的函數(shù)方程, 預(yù)測出未來值。2020 年之后, 東亞及西太平洋地區(qū)LST 變化平穩(wěn), 若當(dāng)年或者前后出現(xiàn)重大自然問題, 可能溫度有浮動(dòng)。

圖10 預(yù)測圖Fig. 10 Prediction chart

4 結(jié)論

本文利用2003—2020 年衛(wèi)星觀測反演的LST數(shù)據(jù), 通過M-K 突變檢驗(yàn)、線性回歸、EOF 模態(tài)分析等方法, 分析東亞及沿海區(qū)域的LST 時(shí)空模態(tài)特征, 并運(yùn)用SARIMA 模型預(yù)測LST 的變化趨勢。得出以下結(jié)論。

1) 利用LST 年月平均值法, 可知東亞陸地LST變化幅度高于沿海。例如, 蒙古國身處東亞內(nèi)陸, 年平均最高值超 40 ℃, 最小值低于–10 ℃, 差值達(dá)50 ℃; 而東亞其他地區(qū)溫差不足20℃。

2) 利用M-K 突變檢驗(yàn)法分析18 年LST 數(shù)據(jù)。整體看, 東亞及西太平洋地區(qū)LST 于2003—2011年, 2015 年直至以后呈遞增趨勢, 且2019 年超出臨界值, 上升趨勢顯著; 局部看, 東亞及西太平洋地區(qū)LST 在2003—2020 年春季、夏季及秋季波動(dòng)平穩(wěn), 而冬季波動(dòng)大。這與人類活動(dòng)及火山爆發(fā)等事件相關(guān)。

3) 東亞及西太平洋區(qū)域LST 季節(jié)變化特征明顯。除青藏高原常年處于明顯低溫(主要是青藏高原80%以上的高原地貌, 年均不超過10 ℃), 而夏、冬季LST 恰好呈相反模式, 這是受太陽輻射和季風(fēng)氣候的雙重作用。夏季輻射量最高, 冬季最少, 是因?yàn)榧竟?jié)變化導(dǎo)致太陽高度角的變化, 進(jìn)而引起太陽輻射的差異; 海洋比熱容大, 陸地比熱容小, 所以冬季陸地相對于海洋溫度低。秋季與春季變化相似。

4) 利用EOF 分解法對東亞及西太平洋區(qū)域18年LST 分析, 第一模態(tài)與LST 變化趨勢在空間上相符, 以昆侖山脈、秦嶺為分界線, 形成東亞內(nèi)陸與沿海地溫走勢不同的總態(tài)。