基于遥感数据的吉林省中部地表温度与湿度反演及空间分布特征探究

基于遥感数据的吉林省中部地表温度与湿度反演及空间分布特征探究一、引言1.1研究背景与意义地表温度和湿度作为地球表面最为关键的环境参数，在区域生态系统的稳定运行、农业生产的高效开展以及气候模式的准确模拟等诸多方面，都发挥着不可替代的重要作用。从区域生态角度来看，地表温度和湿度直接关乎生态系统的能量交换、水分循环以及生物地球化学循环等基础过程。适宜的地表温湿度条件是各类生物生存繁衍的基础，能够促进植被的健康生长，维持生物多样性的稳定。例如，在森林生态系统中，合适的温湿度有助于树木的光合作用和呼吸作用，保证森林生态系统的物质和能量平衡，进而为众多生物提供适宜的栖息环境。而一旦地表温湿度出现异常变化，可能引发植被生长受阻、物种迁徙甚至生态系统失衡等严重问题。在农业领域，地表温度和湿度更是影响农作物生长发育、产量形成以及病虫害发生发展的核心因素。土壤温度影响着种子的萌发、根系的生长以及养分的吸收转化，土壤湿度则决定了农作物的水分供应，直接关系到作物的生长态势和最终产量。研究表明，在农作物播种期，若土壤温度过低，种子萌发时间会延长，甚至可能导致烂种；而在生长后期，土壤湿度过高容易引发病虫害，降低作物品质和产量。精准掌握地表温湿度信息，对于科学制定农业生产计划、合理安排灌溉和施肥等农事活动，提高农业生产效率和保障粮食安全具有重要意义。吉林省中部地区作为我国重要的粮食生产基地，拥有广袤的耕地和丰富的农业资源，在国家粮食安全战略中占据举足轻重的地位。该区域地处温带大陆性季风气候区，四季分明，气候条件复杂多变，地表温湿度的时空变化对当地农业生产和生态环境有着深远影响。近年来，随着全球气候变化和人类活动的加剧，吉林省中部地区的地表温湿度也发生了显著变化，极端气候事件频发，给当地的农业生产和生态系统带来了诸多挑战。因此，深入研究吉林省中部地区地表温度和湿度的反演及空间分布特征，对于准确把握该地区的气候变化规律，有效应对气候变化对农业和生态环境的影响，实现区域可持续发展具有重要的现实意义。通过对地表温湿度的精确反演和空间分布分析，能够为农业生产提供科学的决策依据，指导农民合理调整种植结构、优化灌溉策略，提高农业生产的抗风险能力；同时，也有助于生态环境保护部门更好地了解区域生态系统的变化趋势，制定针对性的生态保护和修复措施，维护生态平衡。1.2国内外研究现状在地表温度反演领域，国外起步较早，发展出了多种成熟的算法。20世纪70年代，McMillin最早提出劈窗算法，起初用于海面温度反演，利用两个相邻热红外窗口大气水汽吸收特性的差异，将海面温度表达成两个热红外窗口亮度温度的线性组合。1984年，Price将劈窗算法推广到陆面温度反演，并引入比辐射率改正项以减小陆地表面比辐射率变化带来的误差。此后，Becker从理论上证明了分裂窗技术反演地表温度的可行性，并给出大气和比辐射率对地表温度反演的影响。Wan和Dozier在Becker和Li研究的基础上，于1996年提出广义地表温度反演劈窗算法。这些经典算法为地表温度反演奠定了坚实基础，被广泛应用于各类遥感数据处理中。国内学者在地表温度反演方面也取得了丰硕成果。覃志豪等推导的劈窗算法，仅需大气透过率和地表比辐射率两个因素进行地表温度演算，具有所需参数少、计算简单且精度较高的优点，在国内相关研究中应用广泛。例如，在对中国部分地区的地表温度监测中，该算法能够较为准确地获取地表温度信息，为区域气候研究和生态环境评估提供了有力支持。李召良等对热红外地表温度遥感反演方法进行了深入研究，分析了多种反演算法的原理、适用条件和精度，推动了国内地表温度反演技术的发展。在地表湿度反演方面，国外研究提出了热惯量法、微波遥感法、光谱法、距平植被指数法、植被供水指数法、作物缺水指数法等多种方法。热惯量法通过测量土壤热特性来反演土壤湿度，在干旱半干旱地区有较好的应用效果；微波遥感法利用微波对土壤水分的敏感性，能够穿透一定深度的土壤，获取土壤湿度信息，在大尺度土壤湿度监测中发挥重要作用。国内在地表湿度反演研究中，结合国内实际情况对各种方法进行了改进和应用。如利用植被指数与地表温度组合反演土壤湿度，通过分析不同植被指数（如NDVI、EVI、SAVI等）与土壤湿度的相关性，建立反演模型，提高了土壤湿度反演的精度。在对东北地区农田土壤湿度的监测中，采用NDVI-LST组合反演方法，能够较好地反映土壤湿度的时空变化，为农业生产提供了有价值的参考。在空间分布研究方面，国内外学者多利用地理信息系统（GIS）技术和空间自相关算法等手段，分析地表温度和湿度的空间分布特征。通过将反演得到的地表温度和湿度数据与地形、土地利用类型等数据进行叠加分析，揭示其在不同地形地貌和土地利用条件下的分布规律。在对山区地表温度和湿度的研究中，结合地形数据，发现随着海拔升高，地表温度呈下降趋势，而湿度则呈现出复杂的变化，在迎风坡和背风坡表现出不同的分布特征。尽管国内外在地表温度和湿度反演及空间分布研究上取得了显著进展，但仍存在一些不足之处。不同反演算法在复杂地表条件下的精度和适应性有待进一步提高，如在地形起伏较大、地表覆盖类型复杂的区域，反演误差较大；多源数据融合技术在提高反演精度和空间分辨率方面还需要深入研究，如何有效整合光学遥感数据、微波遥感数据和地面观测数据，充分发挥各自优势，是当前研究的难点之一；对于地表温度和湿度在区域尺度上的长期变化趋势及其与生态系统、气候变化之间的相互作用机制研究还不够深入，需要开展更多的长期定位观测和模拟研究。1.3研究内容与方法本研究将综合运用多种数据和方法，对吉林省中部地区的地表温度和湿度进行反演，并深入分析其空间分布特征，具体研究内容和方法如下：1.3.1研究内容数据收集与预处理：收集吉林省中部地区的MODIS数据，涵盖多个时相，以获取丰富的地表信息。同时，收集该区域的气象数据，包括气温、湿度、风速等，用于辅助反演和结果验证。此外，收集数字高程模型（DEM）数据，以分析地形对地表温度和湿度的影响。对收集到的MODIS数据进行辐射定标、大气校正等预处理操作，去除数据中的噪声和误差，提高数据质量，为后续的反演工作奠定基础。地表温度反演：利用MODIS数据的31、32波段，采用分裂窗算法进行地表温度反演。分裂窗算法基于热红外波段的特性，通过两个相邻波段对大气吸收和发射的不同响应，消除大气对地表温度反演的影响。在反演过程中，精确计算大气透过率和地表比辐射率等关键参数。大气透过率根据大气水汽含量等因素确定，地表比辐射率则依据地表覆盖类型和植被状况进行估算。通过合理的参数计算和算法应用，提高地表温度反演的精度。地表湿度反演：运用MODIS数据的第7波段，采用光谱法反演地表湿度。光谱法利用不同地物在特定波段的光谱反射率差异，建立与地表湿度的关系模型。分析第7波段的光谱特征与地表湿度之间的相关性，构建适合吉林省中部地区的地表湿度反演模型。考虑土壤质地、植被覆盖等因素对反演结果的影响，对模型进行优化和校正，以提高地表湿度反演的准确性。空间分布分析：利用空间自相关算法，对反演得到的地表温度和湿度数据进行空间分析，揭示其空间分布特征。通过计算全局和局部空间自相关系数，确定地表温度和湿度在空间上的集聚或分散程度。分析不同土地利用类型下的地表温度和湿度差异，如耕地、林地、草地、水域等。运用地理信息系统（GIS）技术，将地表温度和湿度数据与土地利用类型数据进行叠加分析，直观展示其在不同土地利用类型上的分布规律。结合DEM数据，分析地形因素（如高程、坡度、坡向）对地表温度和湿度分布的影响。探讨随着高程的变化，地表温度和湿度的变化趋势；研究不同坡度和坡向条件下，地表温度和湿度的差异及其原因。1.3.2研究方法遥感数据处理方法：运用ENVI、Erdas等专业遥感图像处理软件，对MODIS数据进行辐射定标、大气校正、几何校正等预处理操作。在辐射定标过程中，将传感器记录的数字量化值转换为实际的辐射亮度值；大气校正则去除大气对辐射的吸收和散射影响，使数据更真实地反映地表信息；几何校正确保数据的空间位置准确性。利用软件的波段运算功能，根据分裂窗算法和光谱法的公式，进行地表温度和湿度的反演计算。通过编写模型或使用已有工具，实现对大气透过率、地表比辐射率等参数的计算和反演过程的自动化。空间分析方法：采用ArcGIS等地理信息系统软件，进行空间自相关分析、叠加分析等操作。在空间自相关分析中，运用GlobalMoran'sI、LocalMoran'sI等指标，分析地表温度和湿度的空间分布模式，判断其是否存在空间集聚或异常值。通过叠加分析，将地表温度和湿度数据与土地利用类型、DEM等数据进行融合，分析不同因素之间的相互关系。利用软件的制图功能，制作地表温度和湿度的空间分布图，直观展示其分布特征和变化规律，为结果分析和解释提供可视化支持。统计分析方法：运用SPSS、R等统计分析软件，对反演结果和相关数据进行统计分析。计算地表温度和湿度的均值、标准差、变异系数等统计参数，描述其数据特征和离散程度。通过相关性分析，研究地表温度和湿度与气象要素（如气温、降水、风速等）之间的关系，探讨其相互影响机制。运用回归分析等方法，建立地表温度和湿度与地形、土地利用类型等因素的定量关系模型，预测其在不同条件下的变化趋势。二、研究区域与数据来源2.1研究区域概况吉林省中部地处东北地区核心地带，涵盖长春、四平、辽源等主要城市，地理位置介于东经123°19′-126°11′，北纬42°13′-44°02′之间。该区域是连接东北亚经济圈的重要枢纽，京哈铁路、哈大高铁等交通干线贯穿其中，交通网络发达，在区域经济发展中占据重要战略地位。从地形地貌来看，吉林省中部呈现出多样化的特征。东部地区属于长白山余脉，地势起伏较大，以低山丘陵为主，海拔多在300-800米之间，山脉连绵，坡度较陡，森林资源丰富，主要山脉包括吉林哈达岭等，山间河谷发育，形成了众多小型盆地和谷地。中西部地区则为松辽平原的一部分，地势平坦开阔，海拔在100-200米之间，是我国重要的商品粮生产基地。这里土壤肥沃，主要为黑土、黑钙土等，土层深厚，保水保肥能力强，适宜大规模农业种植。在气候方面，吉林省中部属于温带大陆性季风气候。夏季受东南季风影响，温热多雨，降水集中在6-8月，约占全年降水量的60%-70%，为农作物生长提供了充足的水分。冬季受西北季风控制，寒冷干燥，气温较低，1月平均气温可达-16℃--18℃，降雪量相对较少，但积雪期较长，一般从11月持续到次年3月。春秋季节为过渡时期，气候多变，春季气温回升快，多大风天气，蒸发旺盛；秋季天高气爽，昼夜温差较大，有利于农作物的糖分积累和品质提升。年平均气温在4℃-6℃之间，年日照时数约为2400-2800小时，日照充足，能够满足大多数农作物的生长需求。该区域土地利用类型丰富多样，耕地面积广阔，主要种植玉米、水稻、大豆等粮食作物，是我国重要的粮食主产区之一。林地主要分布在东部山区，以天然林和人工林为主，森林覆盖率较高，对维持区域生态平衡、涵养水源、保持水土发挥着重要作用。草地面积相对较小，主要分布在西部部分地区，为畜牧业发展提供了一定的饲料资源。此外，还有一定面积的水域，包括河流、湖泊和水库等，主要河流有松花江、辽河等，为工农业生产和居民生活提供了水源保障。随着城市化进程的加速，建设用地面积不断增加，城市规模逐渐扩大，尤其是长春等中心城市，已形成较为完善的城市体系，对周边地区的经济辐射带动作用显著。2.2数据来源与预处理本研究的数据来源主要包括遥感数据和地面观测数据，涵盖了多种类型和不同的获取途径，以确保数据的全面性和准确性，为后续的地表温度和湿度反演及空间分布分析提供坚实的数据基础。2.2.1遥感数据MODIS数据：从美国国家航空航天局（NASA）的地球观测系统数据和信息系统（EOSDIS）中的陆地过程分布式主动存档中心（LPDAAC）获取。该数据具有高时间分辨率和中等空间分辨率的特点，能够满足对吉林省中部地区进行长时间序列监测和区域尺度分析的需求。具体选用的MODIS数据产品为MOD11A1和MOD13Q1。MOD11A1产品提供了每天的地表温度和发射率数据，其空间分辨率为1000米，通过该产品可以获取研究区域的地表温度信息；MOD13Q1产品为16天合成的归一化植被指数（NDVI）数据，空间分辨率为250米，可用于辅助分析地表覆盖类型和植被生长状况，为地表湿度反演提供参考。在数据获取过程中，依据研究区域的地理位置和时间范围，精确筛选出2018-2020年期间覆盖吉林省中部地区的所有相关数据。TM数据：从美国地质调查局（USGS）的地球探索者（EarthExplorer）平台下载。TM数据是由陆地卫星（Landsat）搭载的专题制图仪获取，具有较高的空间分辨率，能够提供丰富的地表细节信息。选用1990-2000年期间的TM数据，主要用于与MODIS数据进行对比分析，以验证反演结果的准确性和可靠性。这些数据覆盖了研究区域，包含多个波段，其中热红外波段可用于地表温度反演的对比验证，其他波段可用于分析地表覆盖类型的变化，为研究区域的长期监测提供历史数据支持。2.2.2地面观测数据气象数据：来源于吉林省气象局，收集了2018-2020年期间研究区域内多个气象站点的地面观测数据。这些数据包括气温、湿度、风速、降水等气象要素，时间分辨率为每小时一次。气象数据对于地表温度和湿度反演至关重要，其中气温数据可用于验证反演得到的地表温度，湿度数据可作为地表湿度反演的参考依据，风速和降水数据则可用于分析气象条件对地表温湿度的影响，为反演结果的解释提供气象背景信息。数字高程模型（DEM）数据：从地理空间数据云平台获取了30米分辨率的SRTMDEM数据。DEM数据能够准确反映研究区域的地形起伏状况，在地表温度和湿度反演过程中，可用于校正地形对辐射传输和水分分布的影响。通过分析DEM数据，可以了解研究区域的高程、坡度、坡向等地形信息，进而研究地形因素对地表温湿度空间分布的影响机制。2.2.3数据预处理MODIS数据预处理：利用ENVI软件中的MODIS数据处理工具进行辐射定标，将传感器记录的数字量化值（DN值）转换为实际的辐射亮度值。具体操作是根据MODIS数据的元数据文件中提供的辐射定标系数，运用相应的计算公式进行转换，以确保数据能够真实反映地表的辐射能量。使用FLAASH大气校正模块对辐射定标后的数据进行大气校正，该模块基于辐射传输模型，通过输入大气参数（如大气水汽含量、气溶胶光学厚度等），消除大气对辐射的吸收和散射影响，从而获取更准确的地表反射率数据。这些大气参数通过查找相关的大气模型数据库或利用MODIS数据本身的一些波段信息进行估算得到。利用MRT（MODISReprojectionTools）工具对大气校正后的数据进行重投影和镶嵌处理。将数据从原始的正弦曲线投影（SIN）转换为研究区域适用的投影坐标系，如阿尔伯斯等面积圆锥投影（AlbersEqualAreaConic），以保证数据在地理空间上的一致性。同时，将不同轨道、不同时相的MODIS数据进行镶嵌，形成完整的研究区域影像，便于后续的分析和处理。TM数据预处理：根据TM数据的元数据文件中提供的辐射定标参数，运用ENVI软件的辐射定标工具，将DN值转换为辐射亮度值。在辐射定标过程中，考虑到不同波段的辐射特性差异，分别对每个波段进行精确的定标计算。采用6S（SecondSimulationoftheSatelliteSignalintheSolarSpectrum）大气校正模型对辐射定标后的数据进行大气校正。该模型通过输入研究区域的地理位置、观测时间、大气模式、气溶胶类型等参数，模拟大气对辐射的传输过程，去除大气对地表反射率的影响。这些参数通过查阅相关的气象资料和地理信息数据获取，以提高大气校正的精度。利用地面控制点和多项式纠正方法，对大气校正后的数据进行几何校正。通过在研究区域内选取均匀分布的地面控制点，结合高精度的地图数据或GPS测量数据，建立几何校正模型，对图像进行坐标变换和重采样，使图像的几何位置精度达到研究要求。在校正过程中，不断优化控制点的选择和模型参数，以减小几何误差。气象数据预处理：对收集到的气象站点观测数据进行质量控制，检查数据的完整性和异常值。对于缺失的数据，采用线性插值或基于周围站点数据的空间插值方法进行填补；对于异常值，根据气象数据的变化规律和统计特征进行判断和修正，以确保数据的可靠性。将气象数据按照研究区域的空间范围进行网格化处理，使其能够与遥感数据在空间上进行匹配和融合分析。利用克里金插值法等空间插值方法，将离散的气象站点数据插值到规则的网格上，生成与遥感数据分辨率一致的气象要素栅格数据，便于后续在同一地理空间框架下进行综合分析。DEM数据预处理：利用ArcGIS软件的空间分析工具对SRTMDEM数据进行填充和平滑处理，去除数据中的噪声和空洞。通过对DEM数据进行表面分析，识别出数据中的异常点和空洞区域，采用合适的算法（如基于邻域分析的填充算法）对这些区域进行填充和平滑处理，以提高DEM数据的质量。将DEM数据的投影坐标系转换为与遥感数据一致的坐标系，确保在后续的分析中能够准确地进行空间叠加和计算。通过坐标转换工具，输入目标投影坐标系的参数，将DEM数据从原始坐标系转换为与遥感数据相同的坐标系，实现数据在地理空间上的统一。三、地表温度反演方法与结果3.1地表温度反演算法3.1.1分裂窗算法原理分裂窗算法以地表辐射传导方程为基础，其核心是利用10-13μm大气窗口内，两个相邻热红外通道（如MODIS数据的31波段，波长范围10.78-11.28μm；32波段，波长范围11.77-12.27μm）对大气吸收作用的不同，通过对这两个通道测量值进行各种组合，从而剔除大气的影响，并对大气和地表比辐射率进行修正，以实现地表温度的精确反演。在分裂窗算法中，亮度温度是一个关键参数。对于MODIS数据的31、32波段，其亮度温度可通过普朗克函数进行计算，公式为：T_{i}=\frac{K_{i2}}{\ln(1+\frac{K_{i1}}{I_{i}})}其中，i表示波段，当i=31时，K_{31,1}=729.541636W/(m^{2}·μm·sr)，K_{31,2}=1304.413871K；当i=32时，K_{32,1}=474.684780W/(m^{2}·μm·sr)，K_{32,2}=1196.978785K；I_{i}是31或者32波段的辐射亮度值。通过该公式，将辐射亮度值转换为亮度温度，为后续的地表温度反演提供基础数据。大气透射率是另一个重要参数，它反映了大气对辐射的传输能力。大气透射率与大气中的水汽含量、气溶胶浓度、温度、气压等多种因素密切相关。在实际计算中，可采用MODTRAN（ModerateResolutionAtmosphericTransmission）模型来计算大气透射率。该模型基于大气气体吸收、散射过程的物理机制，结合大气气溶胶和云的参数，能够较为准确地计算不同波长下的大气透射率。例如，在计算MODIS31、32波段的大气透射率时，需输入大气的相关参数，如大气水汽含量可通过MODIS的水汽产品获取，气溶胶光学厚度可从MODIS的气溶胶产品中提取，将这些参数输入MODTRAN模型，即可得到对应波段的大气透射率。地表比辐射率是指地表物体辐射出射度与同温度下黑体辐射出射度之比，它体现了地表物体的辐射特性。不同的地表覆盖类型，如植被、水体、裸土等，具有不同的比辐射率。在实际反演中，可根据地表覆盖类型和植被状况来估算地表比辐射率。对于植被覆盖区域，可利用植被指数（如NDVI）与地表比辐射率的关系进行估算。研究表明，当植被覆盖度较高时，地表比辐射率与植被指数存在一定的线性关系。通过计算NDVI，可根据相应的经验公式估算地表比辐射率。对于水体，其比辐射率在热红外波段相对稳定，通常可采用固定的经验值。对于裸土，可根据土壤的质地、含水量等因素，利用相关的经验模型来估算比辐射率。以覃志豪（2005）等人改进的分裂窗法模型用于MODIS数据为例，其算法公式为：T_{s}=A_{0}+A_{1}T_{31}-A_{2}T_{32}其中，T_{s}是地表温度(K)，T_{31}和T_{32}分别是MODIS第31和32波段的亮度温度；A_{0}、A_{1}和A_{2}是分裂窗算法的参数，具体定义如下：A_{0}=[D_{32}(1-C_{31}-D_{31})/(D_{32}C_{31}-D_{31}C_{32})]a_{31}-[D_{31}(1-C_{32}-D_{32})/(D_{32}C_{31}-D_{31}C_{32})]a_{32}A_{1}=1+D_{31}/(D_{32}C_{31}-D_{31}C_{32})+[D_{32}(1-C_{31}-D_{31})/(D_{32}C_{31}-D_{31}C_{32})]b_{31}A_{2}=D_{31}/(D_{32}C_{31}-D_{31}C_{32})+[D_{31}(1-C_{32}-D_{32})/(D_{32}C_{31}-D_{31}C_{32})]b_{32}式中，a_{31}，b_{31}，a_{32}和b_{32}是常量，根据MODIS的波段特征确定，在地表温度0-5℃范围内，这些常量分别可取a_{31}=-64.60363，b_{31}=0.440817，a_{32}=-68.72575，b_{32}=0.473453。上述公式中的中间参数C_{i}和D_{i}分别计算如下：C_{i}=\varepsilon_{i}\tau_{i}(\theta)D_{i}=[1-\tau_{i}(\theta)][1+(1-\varepsilon_{i})\tau_{i}(\theta)]其中，i是指MODIS的第31和32波段，分别为i=31或32；\tau_{i}(\theta)是视角为\theta的大气透过率；\varepsilon_{i}是波段i的地表比辐射率。通过这些公式，将亮度温度、大气透射率和地表比辐射率等参数有机结合起来，实现对地表温度的准确反演。3.1.2算法参数获取与计算在利用分裂窗算法进行地表温度反演时，准确获取和计算相关参数是确保反演精度的关键。对于MODIS数据，其参数获取与计算过程如下：辐射亮度值提取：首先，从MODIS数据中提取31、32波段的辐射亮度值。在ENVI软件中，通过打开MODIS数据文件，利用波段选择工具，准确选择31、32波段，然后将其导出为辐射亮度值数据。这些辐射亮度值是后续计算亮度温度的基础数据。亮度温度计算：根据普朗克函数，利用前面提取的辐射亮度值计算31、32波段的亮度温度。在ENVI的波段运算工具中，输入普朗克函数公式，将对应的常量K_{i1}、K_{i2}以及辐射亮度值I_{i}代入公式，即可得到31、32波段的亮度温度图像。通过这一步骤，将辐射亮度值转换为具有温度物理意义的亮度温度，为后续的地表温度反演提供关键数据。大气透射率计算：采用MODTRAN模型计算大气透射率。在计算前，需要获取大气的相关参数。大气水汽含量可从MODIS的水汽产品（如MOD05/MYD05）中提取，该产品通过对MODIS多个波段的观测数据进行反演，得到大气中的水汽含量信息。气溶胶光学厚度可从MODIS的气溶胶产品（如MOD04/MYD04）中获取，该产品利用MODIS不同波段对气溶胶的散射和吸收特性差异，反演出气溶胶光学厚度。将这些参数输入MODTRAN模型，运行模型后即可得到对应波段的大气透射率。在实际操作中，可利用专门的软件接口或编写脚本，实现参数的自动输入和模型的运行，提高计算效率。地表比辐射率计算：根据地表覆盖类型和植被状况估算地表比辐射率。利用MODIS的土地覆盖类型产品（如MOD12Q1），确定研究区域内不同的地表覆盖类型，如植被、水体、裸土等。对于植被覆盖区域，先计算归一化植被指数（NDVI）。在ENVI软件中，通过波段运算工具，利用近红外波段和红波段的数据，根据NDVI计算公式（NDVI=(NIR-Red)/(NIR+Red)）计算得到NDVI图像。然后，根据NDVI与地表比辐射率的关系，利用相关的经验公式估算地表比辐射率。例如，当植被覆盖度较高时，可采用公式\varepsilon=0.9625+0.0614×NDVI-0.0461×NDVI^{2}进行估算。对于水体，由于其比辐射率在热红外波段相对稳定，通常采用固定的经验值，如0.99。对于裸土，可根据土壤的质地、含水量等因素，利用相应的经验模型来估算比辐射率。在实际计算中，可将不同地表覆盖类型的比辐射率计算结果进行整合，生成研究区域的地表比辐射率图像。分裂窗算法参数计算：在获取了亮度温度、大气透射率和地表比辐射率等参数后，根据覃志豪等人改进的分裂窗法模型公式，计算分裂窗算法的参数A_{0}、A_{1}和A_{2}。在ENVI的波段运算工具中，按照公式的计算顺序，依次计算中间参数C_{i}和D_{i}，然后将其代入A_{0}、A_{1}和A_{2}的计算公式中，得到相应的参数值。通过这些参数的计算，为最终的地表温度反演提供准确的参数支持。地表温度反演：将计算得到的亮度温度T_{31}、T_{32}以及分裂窗算法参数A_{0}、A_{1}和A_{2}代入地表温度反演公式T_{s}=A_{0}+A_{1}T_{31}-A_{2}T_{32}，在ENVI的波段运算工具中执行该公式，即可得到研究区域的地表温度图像。通过这一系列的参数获取与计算过程，利用分裂窗算法实现了对吉林省中部地区地表温度的精确反演，为后续的空间分布分析提供了基础数据。3.2地表温度反演结果利用上述分裂窗算法，对2018-2020年期间吉林省中部地区的MODIS数据进行处理，成功反演得到该区域的地表温度，结果如图1所示。【此处插入图1：2018-2020年吉林省中部地区地表温度分布图】【此处插入图1：2018-2020年吉林省中部地区地表温度分布图】从图1可以看出，吉林省中部地区的地表温度呈现出明显的空间分布差异。整体温度范围在265K-310K之间（约-8.15℃-36.85℃），其中，夏季地表温度较高，最大值出现在中西部平原地区，可达305K-310K（约31.85℃-36.85℃），这主要是因为中西部平原地势平坦，太阳辐射接收较为均匀，且以耕地为主，大面积的农田在夏季太阳辐射的强烈照射下，地表温度迅速升高。此外，城市区域由于下垫面多为水泥、沥青等建筑材料，其热容量小，在太阳辐射下升温快，形成了明显的城市热岛效应，地表温度相对较高，一般比周边农村地区高出2K-5K（2℃-5℃）。东部山区的地表温度相对较低，多在265K-285K之间（约-8.15℃-11.85℃），这是由于山区海拔较高，气温随海拔升高而降低，且森林覆盖率高，植被的蒸腾作用和树冠的遮荫效应使得地表热量得以有效散发，从而降低了地表温度。同时，山区的地形起伏较大，不同的地形部位（如山谷、山坡、山顶）接收的太阳辐射和通风条件不同，也导致了地表温度的局部差异。在山谷地区，由于热量不易散失，地表温度相对较高；而在山坡和山顶，通风条件好，热量容易扩散，地表温度相对较低。在冬季，地表温度普遍降低，整体范围在240K-270K之间（约-33.15℃--3.15℃）。此时，中西部平原地区的地表温度相对较低，这是因为冬季太阳辐射减弱，平原地区缺少地形阻挡，冷空气容易长驱直入，导致地表温度下降明显。而东部山区由于森林的阻挡作用，对冷空气有一定的缓冲，且森林植被在一定程度上可以保存土壤热量，使得山区的地表温度相对平原地区略高。从时间序列上看，2018-2020年期间，吉林省中部地区的地表温度总体呈现出波动变化的趋势。其中，春季和秋季是温度变化较为剧烈的时期，随着季节的转换，太阳辐射强度和大气环流形势发生改变，导致地表温度迅速上升或下降。在春季，随着太阳辐射逐渐增强，地表温度快速回升，但由于春季多大风天气，蒸发旺盛，热量散失较快，使得地表温度的上升过程并不平稳，存在一定的波动。在秋季，太阳辐射逐渐减弱，冷空气活动频繁，地表温度迅速下降，且昼夜温差逐渐增大。夏季和冬季的地表温度相对较为稳定，但在夏季的个别时段，由于极端天气事件（如高温热浪）的影响，地表温度会出现短暂的异常升高；在冬季，受强冷空气侵袭等因素影响，地表温度也会出现阶段性的大幅下降。通过对多年地表温度数据的分析，还可以发现该区域地表温度存在一定的年际变化，这种变化可能与全球气候变化、区域气候异常以及人类活动等多种因素有关，需要进一步深入研究。四、地表湿度反演方法与结果4.1地表湿度反演算法4.1.1光谱法原理光谱法反演地表湿度的理论依据在于不同地物在特定波段的光谱反射率存在差异，且这种差异与地表湿度密切相关。水在1.4μm和2.0μm附近具有很高的吸收峰，当土壤中的水分含量较高时，在这些波长附近土壤的反射率会降低；反之，当土壤干燥时，反射率则会升高。MODIS数据的第7波段，波长范围为2.105-2.135μm，处于水的吸收峰附近，对地表湿度变化较为敏感。通过分析第7波段的光谱反射率与地表湿度之间的关系，可构建反演模型。根据相关研究，在一定范围内，第7波段的反射率与地表湿度呈现出较好的线性关系，其计算公式可表示为：SM=a+bR_7其中，SM表示地表湿度；R_7表示MODIS第7波段的反射率；a和b为经验系数，可通过地面实测数据进行回归分析确定。例如，郭广猛等通过在内蒙古地区的实地调查，利用最小二乘法拟合得到公式y=-0.7097x+0.3524，其中y代表地表湿度，x为MODIS第7波段的反射率，该公式在一定程度上反映了该地区地表湿度与第7波段反射率之间的定量关系。不同地区由于土壤质地、植被覆盖等因素的差异，经验系数a和b会有所不同，因此在实际应用中，需要针对研究区域的具体情况，通过大量的地面实测数据进行分析和校准，以提高反演模型的精度和适用性。4.1.2数据处理与计算步骤对MODIS第7波段数据的处理和湿度计算步骤如下：数据读取与预处理：利用ENVI软件读取MODIS数据，精确选择第7波段。对该波段数据进行辐射定标，将数字量化值（DN值）转换为辐射亮度值。具体操作是根据MODIS数据的元数据文件中提供的辐射定标系数，运用相应的计算公式进行转换，确保数据能够真实反映地表的辐射能量。采用FLAASH大气校正模块对辐射定标后的数据进行大气校正，通过输入大气参数（如大气水汽含量、气溶胶光学厚度等），消除大气对辐射的吸收和散射影响，获取准确的地表反射率数据。这些大气参数可通过查找相关的大气模型数据库或利用MODIS数据本身的一些波段信息进行估算得到。利用MRT工具对大气校正后的数据进行重投影和镶嵌处理，将数据从原始的正弦曲线投影转换为研究区域适用的投影坐标系，如阿尔伯斯等面积圆锥投影，保证数据在地理空间上的一致性。同时，将不同轨道、不同时相的MODIS数据进行镶嵌，形成完整的研究区域影像，便于后续的分析和处理。反射率提取：在经过预处理的第7波段影像中，利用ENVI软件的ROI（感兴趣区域）工具，根据研究区域的边界，精确提取该区域的第7波段反射率数据。对于每个像元，获取其对应的反射率值，生成反射率数据集，为后续的地表湿度计算提供基础数据。在提取过程中，需注意检查数据的完整性和准确性，避免因数据缺失或异常值导致计算误差。地表湿度计算：根据前面确定的光谱法反演模型公式SM=a+bR_7，将提取的第7波段反射率数据代入公式中进行计算。在计算前，需根据研究区域的地面实测数据，通过回归分析等方法确定经验系数a和b的值。例如，通过在吉林省中部地区选取多个地面样点，利用便携式中子探测仪等设备测量地表湿度，并同步获取对应位置的MODIS第7波段反射率数据，运用统计分析软件（如SPSS）进行回归分析，得到适合该地区的经验系数。将这些系数代入公式，即可计算出每个像元的地表湿度值，生成地表湿度影像，实现对吉林省中部地区地表湿度的反演。4.2地表湿度反演结果通过上述光谱法，对2018-2020年吉林省中部地区的MODIS数据进行处理，成功反演得到该区域的地表湿度，结果如图2所示。【此处插入图2：2018-2020年吉林省中部地区地表湿度分布图】【此处插入图2：2018-2020年吉林省中部地区地表湿度分布图】从图2可以看出，吉林省中部地区的地表湿度呈现出明显的空间分布差异。整体湿度范围在0.1-0.5之间，其中，东部山区的地表湿度较高，多在0.3-0.5之间，这主要是因为东部山区森林覆盖率高，植被的蒸腾作用向大气中释放大量水汽，同时植被根系对土壤水分的保持能力较强，使得土壤湿度较高。山区降水相对丰富，地形起伏导致降水在局部地区汇聚，进一步增加了地表湿度。中西部平原地区的地表湿度相对较低，多在0.1-0.3之间，尤其是中西部的部分干旱地区，地表湿度甚至低于0.1。这是由于中西部平原地区以耕地为主，农业灌溉用水量大，且蒸发旺盛，导致土壤水分流失较快，地表湿度较低。此外，该地区的土壤质地多为砂质土，保水能力较差，也使得地表湿度难以维持在较高水平。在河流、湖泊等水域周边，地表湿度明显高于其他地区，可达到0.4-0.5。这是因为水域本身含水量丰富，水分不断向周边土壤和大气中扩散，使得周边地区的湿度显著增加。例如，松花江、辽河等主要河流沿岸，以及查干湖等湖泊周边，形成了明显的高湿度区域，这些区域的植被生长也更为茂盛，生态环境相对较好。从时间序列上看，2018-2020年期间，吉林省中部地区的地表湿度总体呈现出季节性变化特征。夏季降水充沛，地表湿度相对较高，尤其是在7-8月，随着雨季的到来，地表湿度明显增加。此时，东部山区的植被生长最为旺盛，蒸腾作用强烈，进一步提高了地表湿度；中西部平原地区的农作物得到充足的雨水灌溉，土壤水分含量增加，地表湿度也有所上升。冬季降水稀少，气温较低，土壤冻结，水分蒸发量小，地表湿度相对较低。春季和秋季是地表湿度变化较为剧烈的时期，春季气温回升，蒸发加剧，而降水尚未明显增加，地表湿度逐渐降低；秋季随着气温下降，蒸发减弱，同时可能有一定的降水，地表湿度相对稳定或略有上升。此外，在个别年份，由于降水分布不均或极端气候事件的影响，地表湿度也会出现异常变化，如在干旱年份，中西部平原地区的地表湿度可能会显著降低，对农业生产造成不利影响。五、地表温度与湿度的空间分布特征分析5.1空间自相关算法应用空间自相关算法是一种用于揭示空间数据中某一属性在空间上的相关性和变异性的统计分析方法，其核心原理是通过计算不同位置之间的相似性和相关性，来描述空间数据中的空间依赖性和空间结构。在地理信息科学领域，该算法被广泛应用于分析各种地理现象的空间分布特征，如人口密度、土地利用类型、生态系统分布等。在研究地表温度和湿度的空间分布特征时，空间自相关算法能够有效揭示其在空间上的集聚或分散程度，以及不同区域之间的相互关系。在本研究中，采用全局Moran'sI和局部Moran'sI两种指数来进行空间自相关分析。全局Moran'sI指数用于衡量整个研究区域内地表温度或湿度的空间自相关程度，其计算公式为：I=\frac{n\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}(x_{i}-\overline{x})(x_{j}-\overline{x})}{\sum_{i=1}^{n}\sum_{j=1}^{n}w_{ij}\sum_{i=1}^{n}(x_{i}-\overline{x})^{2}}其中，n为研究区域内的样本数量；x_{i}和x_{j}分别为样本i和j的属性值（即地表温度或湿度值）；\overline{x}为属性值的平均值；w_{ij}为空间权重矩阵，表示样本i和j之间的空间关系，通常根据距离或邻接关系来确定。当Moran'sI指数大于0时，表示存在正的空间自相关，即相似的值在空间上趋于集聚；当Moran'sI指数小于0时，表示存在负的空间自相关，即相似的值在空间上趋于分散；当Moran'sI指数接近0时，表示空间分布呈随机状态。局部Moran'sI指数则用于分析每个样本点与其邻域之间的空间自相关关系，能够更精确地识别出空间集聚或异常值的具体位置，其计算公式为：I_{i}=\frac{(x_{i}-\overline{x})}{\sum_{i=1}^{n}(x_{i}-\overline{x})^{2}}\sum_{j=1}^{n}w_{ij}(x_{j}-\overline{x})其中，各参数含义与全局Moran'sI指数公式中的相同。通过计算局部Moran'sI指数，可以得到每个样本点的局部空间自相关特征，进而绘制出局部Moran散点图和LISA集聚图，直观展示空间集聚或异常值的分布情况。在局部Moran散点图中，横坐标表示样本点的属性值，纵坐标表示其邻域的属性值均值，通过散点的分布位置，可以判断样本点与邻域之间的空间关系，如高-高集聚（样本点和邻域属性值均较高）、低-低集聚（样本点和邻域属性值均较低）、高-低异常（样本点属性值高，邻域属性值低）、低-高异常（样本点属性值低，邻域属性值高）等。LISA集聚图则将局部Moran'sI指数的计算结果可视化，用不同的颜色表示不同的集聚类型，使空间分布特征更加直观清晰。在ArcGIS软件中，利用“空间统计分析”工具集中的“空间自相关（GlobalMoran'sI）”和“局部空间自相关（LocalMoran'sI）”工具，对反演得到的地表温度和湿度数据进行空间自相关分析。在进行分析时，首先需要设置空间权重矩阵，本研究采用基于距离的空间权重矩阵，即根据样本点之间的距离来确定权重值，距离越近，权重越大。然后，将地表温度和湿度数据作为输入属性，运行相应的工具，即可得到全局Moran'sI指数和局部Moran'sI指数的计算结果。通过对这些结果的分析，可以深入了解吉林省中部地区地表温度和湿度的空间分布特征，为后续的影响因素分析和区域生态环境评估提供重要依据。5.2温度与湿度的空间分布规律通过全局Moran'sI指数分析发现，吉林省中部地区地表温度的全局Moran'sI指数在2018-2020年期间均大于0，且z得分显著，表明地表温度在空间上呈现出明显的正自相关，即相似温度值的区域在空间上趋于集聚。从LISA集聚图（图3）可以看出，高-高集聚区域主要集中在中西部平原地区的城市和大面积耕地分布区域。以长春市为例，作为吉林省的省会和重要的工业城市，城市规模大，人口密集，建筑物和道路众多，形成了明显的城市热岛效应，其周边的耕地在夏季太阳辐射下升温较快，使得这一区域地表温度较高且呈现集聚分布。低-低集聚区域主要分布在东部山区，由于山区海拔高、森林覆盖率高，热量不易集聚，地表温度普遍较低且相对集中。【此处插入图3：2018-2020年吉林省中部地区地表温度LISA集聚图】地表湿度的全局Moran'sI指数同样大于0，呈现正自相关，表明地表湿度在空间上也具有集聚特征。从LISA集聚图（图4）可以看出，高-高集聚区域主要集中在东部山区和河流、湖泊周边。东部山区森林植被丰富，降水充沛，植被蒸腾和降水汇聚使得地表湿度较高且集聚分布；河流、湖泊周边由于水域的水分扩散作用，形成了高湿度的集聚区域。低-低集聚区域主要分布在中西部平原的部分干旱地区，这些地区降水相对较少，蒸发旺盛，土壤保水能力差，导致地表湿度较低且相对集中。【此处插入图4：2018-2020年吉林省中部地区地表湿度LISA集聚图】进一步分析不同土地利用类型下的地表温度和湿度差异，结果如表1所示。【此处插入表1：不同土地利用类型下的地表温度和湿度均值】从表1可以看出，耕地的地表温度较高，均值在290K-300K之间（约16.85℃-26.85℃），这是因为大面积的耕地在太阳辐射下升温较快，且农作物的蒸腾作用相对较弱，对地表温度的调节作用有限。林地的地表温度相对较低，均值在275K-285K之间（约2.85℃-11.85℃），主要是由于森林植被的遮荫和蒸腾作用，能够有效降低地表温度。草地的地表温度介于耕地和林地之间，均值在280K-290K之间（约6.85℃-16.85℃），草地植被对地表温度有一定的调节作用，但相对林地较弱。水域的地表温度最低，均值在270K-275K之间（约-3.15℃-2.85℃），水的比热容大，升温慢，使得水域地表温度相对稳定且较低。在地表湿度方面，林地的地表湿度最高，均值在0.35-0.45之间，森林植被的根系能够保持土壤水分，且蒸腾作用释放大量水汽，增加了地表湿度。水域周边的地表湿度也较高，均值在0.4-0.5之间，这是由于水域的水分供应充足。草地的地表湿度次之，均值在0.25-0.35之间，草地植被对土壤水分有一定的保持作用。耕地的地表湿度相对较低，均值在0.15-0.25之间，农业灌溉用水量大，且蒸发旺盛，导致土壤水分流失较快，地表湿度较低。综上所述，吉林省中部地区地表温度和湿度在空间上呈现出明显的集聚分布特征，且不同土地利用类型下的地表温度和湿度存在显著差异。这种空间分布规律对于理解区域生态系统的能量交换、水分循环以及农业生产等具有重要意义，为区域生态环境保护和农业生产布局提供了科学依据。5.3不同土地利用类型下的温湿度特征5.3.1土地利用类型解译运用ENVI软件对TM数据进行处理，采用最大似然分类法对研究区域的土地利用类型进行解译。最大似然分类法基于贝叶斯准则，通过计算每个像元属于不同土地利用类型的概率，将像元分类到概率最大的类别中。在分类过程中，首先在ENVI软件中打开TM数据，利用ROI工具在影像上选取不同土地利用类型的训练样本，如耕地、林地、草地、水域、建设用地等。选取训练样本时，确保样本具有代表性，能够准确反映不同土地利用类型的光谱特征。通过分析不同土地利用类型在TM各波段的光谱反射率差异，建立分类模板。例如，耕地在可见光波段具有较高的反射率，尤其是在绿光波段，呈现出明显的绿色特征；林地在近红外波段具有高反射率，这是由于植被的叶绿素对近红外光的强烈反射；水域在可见光和近红外波段的反射率都较低，在影像上表现为深色区域；建设用地则具有较高的亮度值，在影像上呈现出白色或灰色。将建立好的分类模板应用到TM数据上，运行最大似然分类算法，得到土地利用类型分类结果。对分类结果进行精度验证，利用混淆矩阵评估分类精度。通过实地调查或参考高分辨率影像，在研究区域内选取一定数量的验证样本，将验证样本的实际土地利用类型与分类结果进行对比，计算混淆矩阵中的各项指标，如总体精度、生产者精度、用户精度等。经过精度验证，本次土地利用类型解译的总体精度达到85%以上，满足研究要求。最终解译结果表明，吉林省中部地区土地利用类型以耕地为主，占总面积的50%-60%，主要分布在中西部平原地区，这些耕地地势平坦，土壤肥沃，是重要的粮食生产基地；林地主要分布在东部山区，占总面积的25%-35%，森林覆盖率较高，对维持区域生态平衡具有重要作用；草地面积相对较小，占总面积的5%-10%，主要分布在西部部分地区；水域面积占总面积的3%-5%，包括河流、湖泊和水库等，主要河流有松花江、辽河等；建设用地主要集中在城市和城镇区域，占总面积的5%-10%，随着城市化进程的加速，建设用地面积有逐渐扩大的趋势。5.3.2温湿度与土地利用类型关系不同土地利用类型下的地表温度和湿度存在显著差异，这主要是由于不同土地利用类型的下垫面性质、植被覆盖状况以及人类活动强度等因素不同所致。耕地：耕地的地表温度相对较高，在夏季可达300K-310K（约26.85℃-36.85℃）。这是因为耕地大面积种植农作物，农作物的叶面积指数相对较小，对太阳辐射的遮挡作用有限，使得大部分太阳辐射能够直接到达地面，导致地表升温较快。此外，农业灌溉和施肥等人类活动也会影响地表温度。在灌溉后，土壤水分含量增加，土壤的热容量增大，地表温度会有所降低；而施肥可能会改变土壤的理化性质，影响土壤的热传导和热量存储，进而对地表温度产生一定的影响。耕地的地表湿度相对较低，均值在0.15-0.25之间。由于农业生产中灌溉用水量大，且蒸发旺盛，土壤水分流失较快。同时，耕地的土壤质地多为壤土或砂壤土，保水能力相对较弱，也使得地表湿度难以维持在较高水平。在农作物生长旺季，由于作物的蒸腾作用，会消耗大量土壤水分，进一步降低地表湿度。林地：林地的地表温度较低，在夏季多在275K-285K之间（约2.85℃-11.85℃）。森林植被的树冠能够有效遮挡太阳辐射，减少到达地面的太阳辐射量，降低地表温度。植被的蒸腾作用也会消耗大量热量，通过水分蒸发将热量带走，从而降低地表温度。林地的地表湿度较高，均值在0.35-0.45之间。森林植被的根系发达，能够深入土壤深层，吸收和保持大量水分，增加土壤湿度。植被的枯枝落叶层也能够截留降水，减少地表径流，增加水分下渗，进一步提高土壤湿度。此外，森林地区的降水相对较多，且植被的蒸腾作用向大气中释放大量水汽，使得林地周边的空气湿度也较高，有利于维持较高的地表湿度。草地：草地的地表温度介于耕地和林地之间，在夏季一般在280K-290K之间（约6.85℃-16.85℃）。草地植被对太阳辐射有一定的遮挡作用，但相对林地较弱，因此地表温度高于林地。草地的地表湿度均值在0.25-0.35之间，草地植被的根系相对较浅，对土壤水分的保持能力不如林地，但比耕地强。草地的植被覆盖度和生长状况会影响地表湿度，在植被生长良好的季节，草地能够通过蒸腾作用增加空气湿度，同时根系也能保持一定的土壤水分，使得地表湿度相对较高；而在干旱季节或植被生长较差时，地表湿度会有所降低。水域：水域的地表温度最低，在夏季一般在270K-275K之间（约-3.15℃-2.85℃）。水的比热容大，吸收相同的热量时温度升高幅度小，使得水域的地表温度相对稳定且较低。水域的地表湿度最高，接近1。水域本身含水量丰富，水分不断向周边土壤和大气中扩散，形成了高湿度区域。在水域周边，由于水分的蒸发和水汽的扩散，空气湿度也明显高于其他区域，对周边的气候和生态环境产生重要影响。建设用地：建设用地的地表温度较高，在夏季城市区域的地表温度可达到305K-310K（约31.85℃-36.85℃），形成明显的城市热岛效应。城市中的建筑物、道路等多由水泥、沥青等材料构成，这些材料的热容量小，在太阳辐射下升温快。城市中人口密集，工业活动和交通运输等排放大量的热量，也会进一步提高地表温度。建设用地的地表湿度相对较低，由于城市地面多为硬化地面，降水难以渗透，地表径流较大，土壤水分含量低。城市中的植被覆盖相对较少，对空气湿度的调节作用有限，导致地表湿度较低。综上所述，不同土地利用类型下的地表温度和湿度存在明显差异，这种差异与土地利用类型的下垫面性质、植被覆盖状况以及人类活动密切相关。了解这些差异及其原因，对于合理规划土地利用、优化生态环境、保障农业生产等具有重要意义。在土地利用规划中，可以根据不同土地利用类型的温湿度特征，合理布局耕地、林地、草地和建设用地，充分发挥各类土地的生态和经济功能。在农业生产中，可以根据耕地的温湿度特点，合理安排灌溉和种植制度，提高水资源利用效率，保障农作物的生长；在城市规划中，可以通过增加城市绿地和水域面积，改善城市下垫面性质，缓解城市热岛效应，提高城市生态环境质量。六、地表温度、湿度与地形及植被指数的关系6.1地形因素对温湿度的影响6.1.1高程与温湿度关系利用研究区域的DEM数据，提取每个像元的高程信息，并将其与反演得到的地表温度和湿度数据进行关联分析。通过构建线性回归模型，探究高程与地表温度、湿度之间的定量关系。分析结果表明，在吉林省中部地区，地表温度与高程呈现出显著的负相关关系。随着高程的升高，地表温度逐渐降低，其回归方程为T=300-0.006H（其中T为地表温度，单位为K；H为高程，单位为米）。这一结果与气温随海拔升高而降低的一般规律相符，主要是因为随着高程增加，大气对太阳辐射的削弱作用增强，地面接收的太阳辐射减少，同时大气的保温作用减弱，使得地表热量散失更快，从而导致地表温度降低。在东部山区，随着海拔从200米升高到800米，地表温度从约298K下降到294K，温度降低了约4K，这种温度变化对山区的植被生长和生态系统分布产生了重要影响，使得不同海拔高度上分布着不同类型的植被，形成了明显的垂直植被带谱。地表湿度与高程之间则呈现出复杂的非线性关系。在一定高程范围内（如0-500米），随着高程的升高，地表湿度逐渐增加；当高程超过500米后，地表湿度又随高程升高而略有下降。这是由于在较低海拔地区，随着高程升高，地形对水汽的阻挡和抬升作用增强，降水增多，同时植被覆盖度也相对增加，植被的蒸腾作用和保水能力使得地表湿度升高。然而，当高程继续升高，气温降低，蒸发量减少，虽然降水可能继续增加，但由于低温导致土壤冻结，水分流动性变差，植被生长受到限制，使得地表湿度反而略有下降。在高程为300米左右的区域，地表湿度达到相对较高值，约为0.35，而在高程为700米的区域，地表湿度降至0.32左右。这种高程与地表湿度的复杂关系，反映了地形、气候和植被等多种因素在不同高程条件下对地表湿度的综合影响。6.1.2坡度与坡向对温湿度影响坡度和坡向是地形的重要组成部分，它们通过影响太阳辐射的接收、地表径流和水分蒸发等过程，对地表温度和湿度的分布产生显著影响。在坡度方面，随着坡度的增大，地表温度呈现出先升高后降低的趋势。在坡度较小时（如0-15°），太阳辐射能够较为均匀地照射到地面，且地表径流相对较小，土壤水分蒸发相对稳定，地表温度随着坡度的增加略有升高。这是因为坡度的增加使得地面接收的太阳辐射面积相对增大，单位面积上获得的太阳辐射能量增多，从而导致地表温度升高。当坡度超过15°后，地表径流明显增大，土壤水分流失加快，同时坡面的散热速度也加快，使得地表温度逐渐降低。在坡度为25°的区域，地表温度比坡度为10°的区域低约2K。这种地表温度随坡度的变化，对坡面的植被生长和土壤侵蚀等过程产生重要影响，在坡度较大的区域，植被生长可能受到水分不足和温度较低的限制，土壤侵蚀也相对较为严重。坡向对地表温度和湿度的影响也十分明显。在北半球，南坡通常为阳坡，接收的太阳辐射较多，温度相对较高；北坡为阴坡，接收的太阳辐射较少，温度相对较低。在吉林省中部地区，南坡的地表温度比北坡高约3K-5K。这是因为南坡在一天中大部分时间都能接收到较强的太阳辐射，地面吸收的太阳辐射能量多，温度升高明显；而北坡太阳辐射较弱，热量收入少，温度相对较低。坡向还影响着地表湿度的分布。南坡由于温度较高，蒸发旺盛，土壤水分流失较快，地表湿度相对较低；北坡温度较低，蒸发较弱，土壤水分相对较多，地表湿度相对较高。南坡的地表湿度一般比北坡低0.05-0.1。在迎风坡和背风坡方面，迎风坡由于受到暖湿气流的影响，降水较多，地表湿度较高；背风坡则降水较少，地表湿度较低。例如，在长白山余脉的迎风坡，由于受到来自海洋的暖湿气流的抬升作用，年降水量可达800-1000毫米，地表湿度高达0.4-0.5；而在背风坡，年降水量仅为500-600毫米，地表湿度降至0.2-0.3。这种坡向对地表温湿度的影响，导致不同坡向的植被类型和生长状况存在明显差异，南坡多分布着耐旱性较强的植被，而北坡和迎风坡则生长着更喜湿的植被。6.2植被指数（NDVI）与温湿度的关系植被指数（NDVI）作为反映植被生长状况和覆盖程度的重要指标，与地表温度和湿度之间存在着密切的相互关系，这种关系对于理解区域生态系统的能量交换、水分循环以及植被动态变化具有重要意义。利用MODIS的MOD13Q1产品获取研究区域的NDVI数据，并将其与反演得到的地表温度和湿度数据进行相关性分析。结果显示，在吉林省中部地区，NDVI与地表温度呈现出显著的负相关关系，相关系数可达-0.7左右。这表明随着植被覆盖度的增加，地表温度呈现下降趋势。其内在机制主要在于植被的蒸腾作用和遮荫效应。植被通过蒸腾作用将水分从根部输送到叶片，并以水汽的形式释放到大气中，这一过程需要消耗大量的热量，从而降低了地表温度。植被的枝叶能够遮挡太阳辐射，减少到达地面的太阳辐射量，进一步降低地表温度。在林地覆盖区域，由于植被茂密，NDVI值较高，地表温度明显低于周边的耕地和裸地。森林植被的树冠层能够有效阻挡太阳辐射，同时植被的蒸腾作用强烈，使得林地的地表温度相对较低。NDVI与地表湿度则呈现出显著的正相关关系，相关系数约为0.6。当植被覆盖度增加时，地表湿度也随之升高。这主要是因为植被的根系能够深入土壤，增强土壤的保水能力，减少土壤水分的蒸发。植被的枯枝落叶层可以截留降水，增加水分的下渗，从而提高土壤湿度。植被的蒸腾作用向大气中释放水汽，增加了空气湿度，有利于水汽的凝结和降水的形成，进一步提高了地表湿度。在东部山区的林地，由于植被覆盖率高，NDVI值大，地表湿度也相对较高，森林植被的根系和枯枝落叶层对水分的保持和截留作用显著，使得该区域的地表湿度明显高于中西部平原的耕地。为了更直观地展示NDVI与地表温度和湿度之间的关系，绘制散点图（图5）。从散点图中可以清晰地看出，随着NDVI值的增大，地表温度逐渐降低，地表湿度逐渐升高，进一步验证了上述相关性分析的结果。【此处插入图5：NDVI与地表温度、湿度的散点图】【此处插入图5：NDVI与地表温度、湿度的散点图】在不同土地利用类型下，NDVI与地表温度和湿度的关系也存在一定差异。在耕地中，由于农作物的生长具有季节性，NDVI值在不同生长阶段变化较大。在农作物生长初期，植被覆盖度较低，NDVI值较小，地表温度相对较高，地表湿度相对较低；随着农作物的生长，植被覆盖度增加，NDVI值增大，地表温度有所降低，地表湿度有所升高。在林地，植被生长相对稳定，