Search
E-mail
RSS

Online submission Editor-in-chief Peer review Staff Login

Journal of Tropical Oceanography >

2022 , Vol. 41 >Issue 6: 183 - 192

DOI: https://doi.org/10.11978/2022009

Marine Meteorology

Spatiotemporal modal analysis and prediction of surface temperature in East Asia and the Western Pacific*

  • TANG Chaoli 1, 2 ,
  • TAO Xinhua , 1 ,
  • WEI Yuanyuan 3 ,
  • DAI Congming 4 ,
  • WEI Heli 4
Expand
  • 1. School of Electrical & Information Engineering, Anhui University of Science and Technology, Huainan 232001, China
  • 2. State Key Laboratory of Space Weather, Chinese Academy of Sciences, Beijing 100190, China
  • 3. School of Internet, Anhui University, Hefei 230039, China
  • 4. Key Laboratory of Atmospheric Optics, Anhui Institute of Optics and Fine Mechanics, Chinese Academy of Sciences, Hefei 230031, China
TAO Xinhua. email:

Copy editor: LIN Qiang

Received date: 2022-01-18

  Revised date: 2022-03-24

  Online published: 2022-03-21

Supported by

Specialized Research Fund for State Key Laboratories(201909)

University Natural Science Research Project of Anhui Province of China(KJ2019A0103)

Scientific Research Start-up Fund for High-level Introduced Talents of Anhui University of Science and Technology(13190007)

National Key Research and Development Program(2019YFA0706004)

Graduate Innovation Foundation of Anhui University of Science and Technology(2021CX2082)

Fold

Abstract

Land surface temperature (LST) is an important parameter of water cycle and atmospheric environment interworking on the earth's surface (ocean and land), and it is also an essential embodiment of energy transmission between sea and land. Using the LST data retrieved from satellites from 2003 to 2020, this paper analyzes the temporal and spatial modal characteristics of LST by M-K (Mann-Kendall) mutation test, linear regression and empirical orthogonal function (EOF), and uses the seasonal autoregression integrated moving average (SARIMA) model to predict the change trend of LST. It is found that the coastal temperature is high and the inland temperature is low in spring, autumn and winter, decreasing from south to north (10°N—60°N) and from east to west (70°E—140°E); while summer is the opposite. The first mock exam rate of EOF is 29.58%, and the spatial distribution is the Kunlun mountain and Qinling Mountains. It is predicted that after 2020, the range of LST will be -5 ~ 35℃. The results show that: (1) with the increase of latitude and the difference of sea and land location, the LST amplitude in Japan is small, in Mongolia is large, and that in other regions fluctuates stably. (2) The temperature difference between spring and autumn is not significant, and the temperature difference between summer and winter is large, mainly due to solar radiation; Secondly, the monsoon climate is significant. There are many inland mountains and coastal plains, and the land heating effect is less than the water-cooling effect, which will also affect the temperature difference. (3) The changes of LST in East Asia and the Western Pacific are related to human activities, volcanic eruptions and other events.

Key words： land surface temperature; temporal and spatial variation; empirical orthogonal function; Mann-Kendall test

Cite this article

TANG Chaoli , TAO Xinhua , WEI Yuanyuan , DAI Congming , WEI Heli . Spatiotemporal modal analysis and prediction of surface temperature in East Asia and the Western Pacific*[J]. Journal of Tropical Oceanography, 2022 , 41(6) : 183 -192 . DOI: 10.11978/2022009

地表温度(land surface temperature, LST)是反映陆地与大气之间能量交换的关键物理量, 与生态环境密切相关, 通常用于地表通量估算、干旱监测, 并且可直接或间接作为驱动模型用于全球环境监测和气候变化分析(Weng et al, 2009; Karnieli et al, 2010; Stephens et al, 2015)。如今, 我们可以利用地面观测和遥感卫星的长期观测资料, 对所选取的地区进行LST的研究。我们也有多种分析手段, 如基于风云三号D星(FY—3D)微波成像仪对中国陆地区域LST反演及验证进行比较(Nemani et al, 1996); 又如采用蒙大拿大学地表反演算法(University of Montana land surface retrieval algorithm, UMT)中的物理模型反演中国区域LST(王博 等, 2022), 并利用该卫星与地面站点的数据进行比较; 以及利用单窗算法对数据进行反演, 随后用归一化指数研究区域范围内的时空变换相关性(Becker et al, 1990; 王艳慧 等, 2014); 这些都是对局部数据进行分析研究。本文利用2003—2020年卫星反演的LST数据, 通过M-K突变检验、线性回归、EOF等方法, 分析东亚及沿海区域的LST时空模态特征, 并运用SARIMA模型预测LST的变化趋势。

1 数据来源与研究方法

1.1 研究区域及数据来源

本文研究区域为东亚及西太平洋地区, 东亚地理位置特殊, 靠近赤道, 此处地域广阔, 东西跨度大, 其LST主要受太阳辐射和气候的双重影响。又因为东亚及西太平洋地区属于典型的季风气候, 该地区地貌类型多样, 四季分明。因此, 研究该地区的LST变化规律对东亚及西太平洋地区的气候及灾害预警有着重要的参考意义。
本文利用Aqua卫星自2003年1月—2020年12月LST数据及第五代欧洲中期天气预报中心(European centre for medium range weather forecasting, ECMWF)再分析资料集(The fifth generation ECMWF reanalyses, ERA5)对LST进行分析研究。大气红外探测仪(atmospheric infrared sounder, AIRS) 提供了温度、湿度等数据, 将大气参数划分成1°×1°的网格单元, 经度从-180°到+180°, 纬度从-90°到+90°, 运用升轨、降轨数据即白天(A)和夜晚(D)数据进行处理。除此之外, 还使用了2018—2020年的ERA5再分析数据, 它是ECMWF在陆地范围的模拟数据, 数据包含了月、日、小时数据集。在前人的文章中, 利用伊比利亚半岛分析卫星的应用设施, 对ERA5的LST数据进行评估, 发现ERA5的日最大LST的标准偏差约为2~3℃(Johannsen et al, 2019)。

1.2 研究方法

本文采用了M-K(Mann-Kendall)突变检验, 线性回归分析, 季节自回归移动平均模型(seasonal autoregression integrated moving average, SARIMA), 经验正交分解(empirical orthogonal function, EOF)等方法。其中, M-K突变检验是一种非参数统计检验方法, 分析突变的LST时间点可以准确知其突变情况; SARIMA模型对未来年份做季节时间序列预测, 把LST变成随机序列。当随机序列有很强的季节周期性变化时, 可以对其进行季节差分, 再利用2003—2020年月平均温度做一阶季节性差分序列的自相关和偏相关函数图以及用差分次数确定模型参数的数值, 建立模型进行预测。此模型可以从时间序列的过去值及现在值来预测未来值。

2 东亚及西太平洋LST时空变化

2.1 LST年际变化分析

图1a展示了东亚及西太平洋地区LST在2003—2020年的年际变化曲线。如图, 东亚及西太平洋地区的LST在6~30℃之间, 分别在2011年、2017年达到最小值和最大值。
图1 LST年际变化图

a. 东亚及各地区逐月趋势图; b. 距平图

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

整体看, 该地区大部分是沿海地区, 温度变化有限; 局部看, 蒙古国LST温差大, 最高值超过40℃, 最低值低于-10℃; 日本则相反, LST温差不大, 差值不足13℃。蒙古国与日本的LST变化幅度差异, 主要原因是太阳辐射。蒙古国纬度高远离赤道而日本纬度低靠近赤道, 且夏季风与西太平洋漂流区的海表温度为正相关, 与赤道中东部海表温度为负相关(沈柏竹, 2007), 整体呈自西向东走势, 冬季相反。东亚各地区LST的距平图如图1b所示, 为进一步给出该地区是否存在LST突变的变化过程, 我们运用M-K突变检验法对东亚及西太平洋LST进行突变分析(陈锦年 等, 2008; 王宏娜 等, 2009)。
由图2可见, UFk和UBk曲线在2007年和2016年及2018年附近存在突变点。2003—2011年UFk统计值均大于0, 说明该地区LST在此期间呈递增趋势, 并且统计值均未超出临界值, 说明上升趋势不显著; 2011—2014年末UFk统计量小于0, 说明LST在此期间呈递减趋势; 2015年以后呈逐年上升趋势且在2019年后超出临界值, 说明此后上升趋势显著。这些年份出现突变点离不开当年全球发生的自然灾害或大规模人为事件。
图2 M-K突变检测结果

Fig. 2 M-K mutation detection results

2.2 LST季节变化

将2003—2020年AIRS的LST数据, 按季节划分为春季(3—5月)、夏季(6—8月)、秋季(9—11月), 和冬季(12—2月)。图3a展示了东亚及西太平洋区域自2003—2020年春季的月平均LST的空间分布。青藏高原等西南地区LST较低, 中国新疆及周边地区LST较高, 从而出现了明显的温度差异。在平均海拔都超过3000m的青藏高原上, 它的地势明显西侧高于东侧, 中间低而南北侧高, 山地走势非常复杂, 且80%的青藏高原都是高原地貌, 全年平均气温均低于10℃, 这也导致了气温差异大(曹晓云 等, 2021)。
图3 2003—2020年东亚及西太平洋LST四季空间分布

a. 春季; b. 夏季; c. 秋季; d. 冬季; e. 四季变化折线图; f. 四季距平图。a—d基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)2938号的标准地图制作

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

图3b为东亚及西太平洋地区自2003—2020年夏季的月平均LST的空间分布。其中, 夏季普遍高温, 主要原因是太阳辐射。而夏日辐射量高, 冬日辐射量少, 是因为季节变化导致太阳高度角的变化, 进而引起的太阳辐射的差异(黄盼 等, 2017)。然而, 夏季陆地的LST比海洋的LST高, 是因为在相同的太阳辐射条件下, 陆地的升温或者降温都比海洋更加剧烈, 利于陆地LST高于海洋。图3c是东亚及西太平洋区域自2003—2020年秋季的月平均LST的空间分布, 变化趋势与春季大体相似, 东亚北部地区LST局部较高于周围(高弋斌 等, 2019)。图3d为东亚及西太平洋区域自2003—2020年冬季的月平均LST的空间分布。如图, 沿海地区LST是明显高于内陆的。除了太阳辐射的影响, 地温少雨的冬季风也是导致陆地温度低的重要原因。海洋比热容大, 地面比热容小, 所以冬季陆地相对于海洋温度低(王静 等, 2009; 郭甜甜 等, 2017)。综上可知, 本文选取的数据存在显著的季节周期变化。图3e为该地区四季折线图, 可见春、夏、秋三季幅度变化不明显。其中, 春季和秋季温度相近; 夏季均温超过30℃; 冬季温度较低, 最低约为8℃。图3f所示折现图为四季图3e的距平图。

2.3 LST空间变化分析

图4a为AIRS探测器2003—2020年平均LST分布图。沿海地区的LST高于东亚内陆及青藏高原区域。图4b中曲线表示2003—2020年东亚及西太平洋地区LST随纬度的变化趋势, 可见LST随着纬度的升高而变小。其中, LST最低温度为2℃的主要原因是纬度的增加, 沿海地区的季风气候以及陆地的散热和吸热能力小于海洋。图4c是ERA5再分析数据2020年的东亚及西太平洋的平均温度图, 其温度范围与AIRS的结果相似。
图4 2003—2020年东亚及西太平洋LST空间分布图

a. AIRS空间分布; b. 纬度分布; c. ERA5再分析空间分布。a、c基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)2938号的标准地图制作

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是一种分析矩阵数据中的结构特征和提取主要数据特征量方法, 也是气象分析时空特征的一种重要方法。将LST组合排列成m空间点数(根据文章中的经纬度10°N—60°N和70°E—140°E, 即50×70个点数据)和n时间点数(根据本文选用的18年数据), 得到Xm×n。
理论上, 对LST的分析应比湿度更直观。但由于LST受众多因素的影响, 使得影响LST变化趋势的因素较为复杂(刘振元 等, 2018)。所以我们也可以先查看湿度在时间、空间上的变化规律, 再考查LST。
图5a、c、e为湿度EOF分解第一、第二、第三模态的空间分布, 其中模态解释方差贡献率分别为26.18%, 18.70%和10.12%, 累计贡献率达55%, 能较好地代表湿度的变化。图5b、d、f为湿度EOF分解第一、第二、第三模态的时间系数。系数符号决定了模态的方向, 正号表示与模态方向相同, 负号则相反, 时间系数数值绝对值越大, 表明该年分布型式越典型(魏凤英, 1999)。图5a为第一模态的空间分布图, 贡献率为26.18%, 该模态表征了2003—2020年东亚及西太平洋地区湿度的最主要的分布特征。可以看出, 在空间分布上, 东亚及西太平洋大部分地区呈负值分布, 极少数地区呈正值, 说明该模态下湿度在大部分地区空间变化趋势具有一致性, 即同时上升(下降)。结合图5b的时间系数来看, 时间系数在2004—2009年均为正位, 在2010—2020年负位居多, 即在2010年前后基本存在正负相位, 并呈下降趋势, 说明2003—2020年湿度整体是下降的。
图5 2003—2020年东亚及西太平洋地区湿度EOF空间分布图和时间系数图

a、c、e分别为第一、第二、第三模态的空间分布图, 基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)2938号的标准地图制作; b、d、f为第一、第二、第三模态的时间系数图

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

图6a、c、e表示东亚及西太平洋地区LST年际变化的EOF分解第一、第二、第三模态的空间分布, 其中模态解释方差贡献率分别为29.58%, 13.35%和10.92%, 累计贡献率达53.85%, 能较好地揭示LST的分布特征。图6b、d、f表示LST数据的EOF分解第一、第二、第三模态的时间系数。图6a为第一模态的空间分布图, 贡献率为29.58%, 高于其他模态, 所以选取第一模态来分析(韩雪 等, 2014)。在空间分布上, 第一模态以中国昆仑山脉、秦岭为分界线, 把东亚及西太平洋地区划分成两个明显的上下区域, 负值主要分布在35°N以南, 110°N以西区域, 其余地区大部分为正值, 正值显著区主要在东北地区, 表明该地区LST变化趋势更为明显。结合图6b时间系数来看, 时间系数在2009—2013年均为负位, 2014—2020年正位居多, 时间系数呈上升趋势, 说明2003—2020年LST整体是上升趋势。图6d从2013—2018年均正位, 其余年份正、负相位交替出现, 基本没有连续正(负)位。图6f和图6d变化相似。从时间系数来看, LST在2012年之前逐渐变高, 总体为正位, 之后就逐渐变低, 总体为负位(图6f)。图6b中, 2003年的时间系数为负位, 与模态空间变化方向相反, 此年, 东亚及西太平洋地区的模态空间分布表现为以昆仑山脉与秦岭为分界线的东北区域温度降低, 余下区域温度升高的变化趋势。反之, 时间系数为正, 呈相反的分布模式。
图6 2003—2020年东亚及西太平洋地区LST的EOF空间分布图和时间系数图

a、c、e分别为第一、第二、第三模态的空间分布图, 基于国家测绘地理信息局标准地图服务网站下载的审图号为GS(2016)2938号的标准地图制作; b、d、f为第一、第二、第三模态的时间系数图

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 东亚及西太平洋LST影响因素分析及预测

3.1 LST影响因素分析

图7为LST与湿度趋势变化图, 可见LST一直呈上升趋势, 这与本文关于东亚及西太平洋地区LST的M-K分析结果一致。其次, 湿度是影响LST的关键因素, 而温度可以改变湿度。如图7a, 最高温度为21℃, 整体湿度随温度波动, 除2007年因当年发生的热带风暴温湿度骤变, 其余年份基本符合趋势。图7b是夜晚的温、湿度, 两者变化情况基本一致。测量LST和湿度, LST反演精度约为1.63, 湿度反演精度约为0.063%, 且温度升高湿度减少。
图7 LST与湿度趋势变化图

a. 白天; b. 夜晚

Fig. 7 Trend of surface temperature and humidity. (a) Day; (b) night

选用了2003—2020年的东亚及西太平洋地区的相关AIRS温湿度数据, 图8a的相关性分析结果显示, 各地区的白天温、湿度之间相关性良好, 最佳拟合线的截距为183.409, 回归系数0.403, 相关性到达0.505(陈锦年 等, 2012); 图8b为温度与湿度的折线图, 可见温、湿度整体波动幅度相似。
图8 LST与湿度相关性分析(a)及时间序列比较(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 预测

运用SARIMA进行一阶季节性差分时间序列分析, 推断东亚及西太平洋地区LST变化趋势和未来预测。
如前文所述, 在图9原始图中, 2011年和2012年LST骤降, 存在异常, 且2012—2020年LST为明显上升趋势。经过多方资料查证, 这与当时的厄尔尼诺、火山爆发等事件相关(李刚 等, 2015; Simmons et al, 2017), 也是陆地温度和海表温度共同影响的结果。
图9 原始图

Fig. 9 Original drawing

图10为年平均温度的预测温度值, 假设LST的时间序列为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是误差项。预测时套用以上公式, 只是先预测z(t), 再预测v(t)和w(t)。根据过去值, 现在值以及预测的函数方程, 预测出未来值。2020年之后, 东亚及西太平洋地区LST变化平稳, 若当年或者前后出现重大自然问题, 可能温度有浮动。
图10 预测图

Fig. 10 Prediction chart

4 结论

本文利用2003—2020年卫星观测反演的LST数据, 通过M-K突变检验、线性回归、EOF模态分析等方法, 分析东亚及沿海区域的LST时空模态特征, 并运用SARIMA模型预测LST的变化趋势。得出以下结论。
1) 利用LST年月平均值法, 可知东亚陆地LST变化幅度高于沿海。例如, 蒙古国身处东亚内陆, 年平均最高值超40℃, 最小值低于-10℃, 差值达50℃; 而东亚其他地区温差不足20℃。
2) 利用M-K突变检验法分析18年LST数据。整体看, 东亚及西太平洋地区LST于2003—2011年, 2015年直至以后呈递增趋势, 且2019年超出临界值, 上升趋势显著; 局部看, 东亚及西太平洋地区LST在2003—2020年春季、夏季及秋季波动平稳, 而冬季波动大。这与人类活动及火山爆发等事件相关。
3) 东亚及西太平洋区域LST季节变化特征明显。除青藏高原常年处于明显低温(主要是青藏高原80%以上的高原地貌, 年均不超过10℃), 而夏、冬季LST恰好呈相反模式, 这是受太阳辐射和季风气候的双重作用。夏季辐射量最高, 冬季最少, 是因为季节变化导致太阳高度角的变化, 进而引起太阳辐射的差异; 海洋比热容大, 陆地比热容小, 所以冬季陆地相对于海洋温度低。秋季与春季变化相似。
4) 利用EOF分解法对东亚及西太平洋区域18年LST分析, 第一模态与LST变化趋势在空间上相符, 以昆仑山脉、秦岭为分界线, 形成东亚内陆与沿海地温走势不同的总态。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
曹晓云, 祁栋林, 肖建设, 等, 2021. 基于卫星观测的青海高原对流层臭氧时空分布特征研究[J]. 环境科学学报, 41(5): 1640-1648.

CAO XIAOYUN, QI DONGLIN, XIAO JIANSHE, et al, 2021. Temporal and spatial distribution characteristics of tropospheric ozone in Qinghai Plateau based on satellite observations[J]. Acta Scientiae Circumstantiae, 41(5): 1640-1648.. (in Chinese with English abstract)

[2]
陈锦年, 王宏娜, 吕心艳, 2008. 西太平洋暖池时空分布特征及其与ENSO的关系[J]. 海洋学报(中文版), (1): 10-19.

CHEN JINNIAN, WANG HONGNA, LÜ XINYAN, 2008. Spatial and temporal distribution of the western Pacific warm pool and the relationship with ENSO cycle[J]. Acta Oceanologica Sinica, (1): 10-19. (in Chinese with English abstract)

[3]
陈锦年, 左涛, 王宏娜, 2012. 印度洋热通量变化及其对南海夏季风爆发的影响[J]. 海洋与湖沼, 43(5): 884-890.

CHEN JINNIAN, ZUO TAO, WANG HONGNA, 2012. Variation of air-sea heat fluxes over the Indian ocean and its influence on the onset of south china sea summer monsoon[J]. Oceanologia et Limnologia Sinica, 43(5): 884-890. (in Chinese with English abstract)

[4]
高弋斌, 路春燕, 钟连秀, 等, 2019. 1951—2016年中国沿海地区气温与降水量的时空特征[J]. 森林与环境学报, 39(5): 530-539.

GAO YIBIN, LU CHUNYAN, ZHONG LIANXIU, et al, 2019. Temporal and spatial characteristics of temperature and precipitation in China's coastal areas from 1951 to 2016[J]. Journal of Forest and Environment, 39(5): 530-539. (in Chinese with English abstract)

[5]
郭甜甜, 陈圣波, 陆天启, 2017. 基于MODIS数据的多时相海表温度反演——以海南岛西南部近海海域为例[J]. 热带海洋学报, 36(1): 9-14.

DOI

GUO TIANTIAN, CHEN SHENGBO, LU TIANQI, 2017. The inversion of multiple-phase SSTs based on the MODIS data: A case study on the southwest coastal waters of Hainan Island[J]. Journal of Tropical Oceanography, 36(1): 9-14. (in Chinese with English abstract)

DOI

[6]
韩雪, 蔡怡, 陈幸荣, 等, 2014. 渤黄海冬季海温异常的时空分布特征及影响因子分析[J]. 热带海洋学报, 33(5): 1-12.

DOI

HAN XUE, CAI YI, CHEN XINGRONG, et al, 2014. Analysis of temporal and spatial distribution characteristics of winter SST anomalies in the Bohai Sea and Yellow Sea and their influencing factors[J]. Journal of Tropical Oceanography, 33(5): 1-12. (in Chinese with English abstract)

DOI

[7]
黄盼, 赵伟, 李爱农, 2017. 川西山区太阳辐射估算及其时空分布特征[J]. 山地学报, 35(3): 420-428.

HUANG PAN, ZHAO WEI, LI AINONG, 2017. Estimation of solar radiation and its spatio-temporal distribution characteristics in the mountainous area of Western Sichuan[J]. Mountain Research, 35(3): 420-428. (in Chinese with English abstract)

[8]
李刚, 李崇银, 江晓华, 等, 2015. 1900-2009年全球海表温度异常的时空变化特征分析[J]. 热带海洋学报, 34(4): 12-22.

DOI

LI GANG, LI CHONGYIN, JIANG XIAOHUA, et al, 2015. Analysis of spatiotemporal variability of global sea surface temperature anomalies during 1900-2009[J]. Journal of Tropical Oceanography, 34(4): 12-22. (in Chinese with English abstract)

[9]
刘振元, 张杰, 陈立, 2018. 青藏高原植被退化对高原及周边地区大气环流的影响[J]. 生态学报, 38(1): 132-142.

LIU ZHENYUAN, ZHANG JIE, CHEN LI, 2018. Effects of vegetation degradation on atmospheric circulation over the Tibetan Plateau and its surrounding areas[J]. Acta Ecologica Sinica, 38(1): 132-142. (in Chinese with English abstract)

[10]
沈柏竹, 2007. 海陆热状况异常与东亚夏季副热带季风的关联[D]. 长春: 吉林大学.

SHEN BAIZHU, 2007. Relationship of land-sea thermodynamic anomaly and east Asian summer subtropic monsoon[D]. Changchun: Jilin University. (in Chinese with English abstract)

[11]
王博, 郭鹏, 孟春红, 等, 2022. 基于FY-3D微波成像仪的中国陆地区域地表温度反演及验证[J]. 大气科学学报, 45(1): 12-123.

WANG BO, GUO PENG, MENG CHUNHONG, et al, 2022. Retrieval and verification of land surface temperature in China based on an FY-3D microwave radiation imager[J]. Transactions of Atmospheric Sciences, 45(1): 112-123. (in Chinese with English abstract)

[12]
王宏娜, 陈锦年, 吕心艳, 2009. 西太平洋暖池海温的时空变化及其在ENSO循环中的作用[J]. 海洋与湖沼, 40(1): 1-7.

WANG HONGNA, CHEN JINNIAN, LÜ XINYAN, 2009. Spatial and temporal variability in ocean temperature in West Pacific warm pool and its effect in ENSO cycle[J]. Oceanologia et Limnologia Sinica, 40(1): 1-7. (in Chinese with English abstract)

[13]
王静, 江丽芳, 2009. 南海南部海域海面温度异常的时空分布特征[J]. 热带海洋学报, 28(4): 72-78.

DOI

WANG JING, JIANG LIFANG, 2009. Spatial and temporal characteristics of sea-surface temperature anomalies in southern South China Sea[J]. Journal of Tropical Oceanography, 28(4): 72-78. (in Chinese with English abstract)

DOI

[14]
王艳慧, 肖瑶, 2014. 北京市1989—2010年地表温度时空分异特征分析[J]. 国土资源遥感, 26(3): 146-152.

WANG YANHUI, XIAO YAO, 2014. A temporal-spatial variation analysis of land surface temperature in Beijing[J]. Remote Sensing for Land & Resources, 26(3): 146-152. (in Chinese with English abstract)

[15]
魏凤英, 1999. 现代气候统计诊断与预测技术[M]. 北京: 气象出版社.. (in Chinese)

[16]
BECKER F, LI ZHAOLAING, 1990. Towards a local split window method over land surfaces[J]. International Journal of Remote Sensing, 11(3): 369-393.

DOI

[17]
JOHANNSEN F, ERMIDA S, MARTINS J P A, et al, 2019. Cold bias of ERA5 summertime daily maximum land surface temperature over Iberian peninsula[j]. Remote Sensing, 11(21): 2570.

DOI

[18]
KARNIELI A, AGAM N, PINKER R T, et al, 2010. Use of NDVI and land surface temperature for drought assessment: merits and limitations[J]. Journal of Climate, 23(3): 618-633.

DOI

[19]
NEMANI R R, RUNNING S W, PIELKE R A, et al, 1996. Global vegetation cover changes from coarse resolution satellite data[J]. Journal of Geophysical Research, 101(D3): 7157-7162.

DOI

[20]
SIMMONS A J, BERRISFORD P, DEE D P, et al, 2017. A reassessment of temperature variations and trends from global reanalyses and monthly surface climatological datasets[J]. Quarterly Journal of the Royal Meteorological Society, 143(702): 101-119.

DOI

[21]
STEPHENS G L, L'ECUYER T, 2015. The Earth's energy balance[J]. Atmospheric Research, 166: 195-203.

DOI

[22]
WENG QIHAO, 2009. Thermal infrared remote sensing for urban climate and environmental studies: Methods, applications, and trends[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 64(4): 335-344.

DOI

Options
Outlines

/

〈 〉