三江平原水田景觀對(duì)局地?zé)岘h(huán)境的影響

金 翠,李欣濤,佟欣羽,曾令輝,李鳳秀

1 遼寧師范大學(xué)地理科學(xué)學(xué)院, 大連 116029 2 河南省氣候中心, 鄭州 450003

水稻作為世界第二大糧食作物,是全球近半數(shù)以上人口的主要糧食來源。水稻生長(zhǎng)及其種植環(huán)境所產(chǎn)生的農(nóng)業(yè)溫室氣體是全球及區(qū)域氣候變化的間接推手之一[1-2]；另一方面,水田受灌溉作用,其地表下墊面性質(zhì)(如反照率、粗糙度、比輻射率、蒸散等)獨(dú)特,導(dǎo)致地表能量傳輸中的輻射傳輸機(jī)制和非輻射機(jī)制與其他植被覆蓋土地利用類型存在差異,具有“冷濕效應(yīng)”,影響局地的熱環(huán)境,進(jìn)而直接影響區(qū)域氣候[3-4]。在氣候變化及人類需求共同作用下,寒溫帶地區(qū)的水田種植范圍持續(xù)擴(kuò)大,其種植界線迅速向北推移[5-7]。在此背景下,探尋該地區(qū)的水田種植活動(dòng)對(duì)局地?zé)岘h(huán)境的影響,是揭示區(qū)域氣候變化的成因、理解人類活動(dòng)對(duì)氣候影響機(jī)制研究中的重要內(nèi)容。

目前學(xué)者已通過氣象觀測(cè)法或氣候模式模擬法探討農(nóng)業(yè)灌溉對(duì)區(qū)域尺度的近地面氣溫的影響,主要集中在干旱及半干旱區(qū)、亞熱帶濕潤(rùn)區(qū)[8]。其中,氣象觀測(cè)法對(duì)比分析灌溉與非灌溉田間的氣象觀測(cè)站的氣溫及其變化規(guī)律的差異,以此表征灌溉對(duì)氣溫的影響。Mahmood等[9]基于氣象觀測(cè)數(shù)據(jù)對(duì)比分析發(fā)現(xiàn)美國(guó)中部灌溉農(nóng)田的植被生長(zhǎng)季平均最高近地面氣溫以每年0.01℃率遞減；Zhu[10]和Han[11]等分別對(duì)我國(guó)新疆和吉林西部地區(qū)的長(zhǎng)期氣溫觀測(cè)值分析得出近地表氣溫的降溫幅度受田間的灌溉管理制度、灌溉規(guī)模及灌溉面積影響。然而氣象觀測(cè)法受到觀測(cè)站點(diǎn)數(shù)量、分布及其觀測(cè)空間尺度限制,制約其在區(qū)域級(jí)或地表空間異質(zhì)性大的地區(qū)應(yīng)用[12]。氣候模式模擬法從氣候變化的物理機(jī)制出發(fā),揭示灌溉導(dǎo)致區(qū)域氣候時(shí)空動(dòng)態(tài)特征及預(yù)測(cè)未來氣候變化趨勢(shì),所得結(jié)論與氣象觀測(cè)法一致,即在區(qū)域尺度農(nóng)業(yè)灌溉降低日最高近地表氣溫,而對(duì)夜間最低近地表氣溫的影響存在不確定性[13]。與普通旱田灌溉相比,水田灌溉特殊,需要保持長(zhǎng)期灌水環(huán)境,其地表反照率低,地表潛熱高,進(jìn)而水田對(duì)局地表熱環(huán)境的影響更為復(fù)雜。然而,氣候模型對(duì)地表參數(shù)化中卻極少區(qū)分灌溉的水田與旱田；另一方面,受物理機(jī)理復(fù)雜、模型參數(shù)化困難、大尺度高精度灌溉屬性數(shù)據(jù)難獲得等影響,為氣候模式模擬方法模擬水田種植區(qū)的局地氣候增加了更多不確定性[14]。地表溫度(LST,Land Surface Temperature)是地表能量及水平衡物理過程中的關(guān)鍵因子,作為局地?zé)岘h(huán)境主要指征而用于城市地表下墊面局部氣候研究[15-16]。熱紅外遙感可以連續(xù)性獲得大尺度的地表溫度信息[17],是研究水田灌溉對(duì)氣候影響的重要潛在技術(shù)方法。三江平原是我國(guó)水稻種植最北界,近二十年內(nèi)自然濕地開墾及“旱改水”過程使得水田面積擴(kuò)張迅速[18],近期已有研究采用遙感技術(shù)分析三江平原水田擴(kuò)張對(duì)區(qū)域的制冷效應(yīng)。Du等[19]利用Terra/MODIS地表溫度產(chǎn)品分析三江平原水旱田的分布對(duì)地表溫度空間格局差異及其季節(jié)特征；Liu等[20]基于輻射傳輸理論耦合遙感及氣象觀測(cè)數(shù)據(jù)量化輻射及非輻射機(jī)制對(duì)水田降溫的貢獻(xiàn)；Yu等[21]利用長(zhǎng)時(shí)序MODIS集合發(fā)現(xiàn)水田擴(kuò)張導(dǎo)致白天地表溫度下降,同引起時(shí)夜間地表溫度升高,導(dǎo)致整個(gè)作物生長(zhǎng)期內(nèi)的區(qū)域地表溫度晝夜差異顯著降低。盡管以上研究以水田擴(kuò)張所引起冷濕效應(yīng)的時(shí)空特征及其機(jī)制分析,然而其將水田與旱田的地表能量輻射傳輸過程設(shè)為相互不干擾、獨(dú)立發(fā)展的兩個(gè)過程,直接對(duì)比水旱田地表溫度差異,忽略水田與其鄰接土地覆蓋類型之間的物質(zhì)、能量橫向傳輸?shù)姆蔷€性過程,例如,通過大氣平流運(yùn)動(dòng)可以輸送水汽和傳導(dǎo)能量,導(dǎo)致水田灌溉對(duì)其鄰近周邊局地?zé)岘h(huán)境產(chǎn)生影響。因而,水田灌溉對(duì)周邊局地?zé)岘h(huán)境影響的空間尺度及程度如何？水田對(duì)周邊降溫效應(yīng)與其灌溉規(guī)模之間關(guān)系,是否與旱田灌溉的降溫效應(yīng)與灌溉規(guī)模呈線性關(guān)系假設(shè)一致？這些問題仍然需要進(jìn)一步探討。

景觀生態(tài)學(xué)將生態(tài)系統(tǒng)視為由不同組分鑲嵌組成[22-23],組分格局分異特征引起地表溫度存在空間異質(zhì)性,進(jìn)而物質(zhì)和熱量隨溫度梯度在組分內(nèi)部及組分間傳輸,尤其在組分邊界更為顯著。本研究基于2014年6月24日Landsat8 TIRS熱紅外波段反演地表溫度數(shù)據(jù),刻畫三江平原水田種植核心區(qū)域的熱環(huán)境空間分異,以景觀生態(tài)學(xué)格局-過程理論為視角,量化水田斑塊的大小、規(guī)模及邊界、形狀特征,分析水田景觀格局對(duì)水田內(nèi)部熱環(huán)境的影響,及其對(duì)周邊鄰接斑塊邊緣交界處的熱環(huán)境的影響范圍及程度,為深入探討高緯度濕冷地帶農(nóng)業(yè)灌溉對(duì)區(qū)域氣候變化的影響提供直接科學(xué)依據(jù)；進(jìn)而合理規(guī)劃水稻的生產(chǎn)管理,以提高對(duì)氣候變化的緩解和適應(yīng),為糧食安全保障提供間接參考。

1 研究區(qū)概況與數(shù)據(jù)來源

1.1 研究區(qū)概況

研究區(qū)位于三江平原腹地(46.84°—47.94°N,130.14°—132.68°E),主要為農(nóng)業(yè)耕作區(qū),其氣候濕冷,地形平坦,水資源、土壤資源豐富,為單季稻生長(zhǎng)提供優(yōu)越條件[24]。研究區(qū)水田面積為8.54×103km2,約占耕地總面積的46.5%(圖1)。水稻生長(zhǎng)期約為145 d。4月中旬至5月上旬為整地泡田期,5月中旬開始秧苗移栽期,6月進(jìn)入分蘗期,7月中旬進(jìn)入孕穗期,自8月底開始收獲于10月上旬結(jié)束[25]。本文選取作物生長(zhǎng)對(duì)溫度最敏感月份——6月份為研究時(shí)間段,該時(shí)段內(nèi)水稻及旱田作物田間地表熱環(huán)境差異最顯著。

1.2 數(shù)據(jù)來源及預(yù)處理

本研究所用數(shù)據(jù)包括：Landsat8 OLI/TIRS遙感影像、2015年研究區(qū)土地利用覆蓋矢量數(shù)據(jù)、以及1km Terra MODIS地表溫度日產(chǎn)品(MOD11A1)。Landsat8 OLI/TIRS遙感影像來源于美國(guó)地質(zhì)調(diào)查局(https://earthexplorer.usgs.gov/),軌道號(hào)為P115/R027,影像時(shí)間為2014年6月24日,影像云量低(<5%),其質(zhì)量滿足地表溫度反演要求。Terra MODIS衛(wèi)星上午過境時(shí)間為10:30,獲取同日MOD11A1地表溫度產(chǎn)品(LSTMOD11A1)作為真實(shí)地表溫度參考,對(duì)Landsat8 TIRS地表溫度(LSTTIRS)驗(yàn)證評(píng)價(jià)。

2015年土地利用覆蓋矢量數(shù)據(jù)基于Landsat、HJ衛(wèi)星影像,采用影像分割、決策樹分類及人工目視解譯方法獲得,其總體分類精度94%,耕地的生產(chǎn)者、用戶精度分別為90%及89%[26-27]。為保證土地利用覆蓋矢量數(shù)據(jù)與Landsat8影像數(shù)據(jù)時(shí)間一致性,以Landsat8 OLI假彩色合成影像(圖1)為參考,通過目視解譯更新局部地類邊界。以2014年谷歌地球高空間分辨率遙感影像為真實(shí)地面參考,對(duì)不同土地利用類型隨機(jī)選取地面真實(shí)參考樣本(1219個(gè)像素),建立分類混淆矩陣,計(jì)算出的分類總體精度為97%,Kappa系數(shù)為0.96,其中旱田的生產(chǎn)者、用戶精度分別為95%、93%,水田的生產(chǎn)者、用戶精度分別為99%、97%。

2 研究方法2.1 地表溫度反演及驗(yàn)證

基于輻射傳輸方程法對(duì)Landsat8 TIRS 熱紅外波段進(jìn)行地表溫度反演[28]：

(1)

LST=k2/ln(k1/Bλ(LST)+1)

(2)

式中,k1=774.89(W m-2sr-1μm-1),k2=1321.08K。

選擇2014年6月24日1km Terra MODIS地表溫度日產(chǎn)品(MOD11A1 v006,即LSTMOD11A1)作為地表溫度真實(shí)參考,對(duì)Landsat8 TIRS數(shù)據(jù)反演的地表溫度(LSTTIRS)進(jìn)行驗(yàn)證。為保證LSTMOD11A1與LSTTIRS像素空間尺度匹配,計(jì)算每1km LSTMOD11A1像素內(nèi)的LSTTIRS平均值；其次,在研究區(qū)內(nèi)隨機(jī)選取LSTMOD11A1與1km LSTTIRS匹配像素對(duì),通過回歸分析,比較二者回歸系數(shù),均方根誤差(RMSE)衡量LSTTIRS的偏差。

2.2 景觀指數(shù)選取

在斑塊尺度選取面積(Area)、周長(zhǎng)(PERI)、形狀指數(shù)(PARA)、內(nèi)聚力指數(shù)(COHESION)四個(gè)景觀指數(shù),分別對(duì)水田斑塊的灌溉規(guī)模、種植結(jié)構(gòu)及景觀聚集程度直接量化,同時(shí)對(duì)水田斑塊與周邊地類邊界處的熱量相互傳導(dǎo)間接表征。

表1 景觀指數(shù)及其描述

i,j分別代表水田斑塊序列及每個(gè)斑塊的內(nèi)部組分序列

2.3 空間統(tǒng)計(jì)分析

本研究通過建立各水田斑塊的景觀格局指數(shù)與斑塊內(nèi)平均地表溫度之間的回歸分析,表征水田景觀格局特征對(duì)其內(nèi)部熱環(huán)境的影響；此外,在水田斑塊邊界向外0—300m之間每隔30m建立緩沖區(qū),共10個(gè)緩沖區(qū)(圖2),分析各緩沖區(qū)與斑塊內(nèi)部平均地表溫度差值(ΔLSTBuffer)變化,獲得不同水田景觀類型對(duì)地表溫度影響的趨勢(shì)、范圍及幅度。其次,通過回歸分析刻畫水田各景觀要素與地表溫度的影響趨勢(shì)、范圍及程度的定量關(guān)系。ΔLSTBuffer計(jì)算如下：

(3)

圖2 水田斑塊邊界外每30m間隔緩沖區(qū)示意圖Fig.2 30m buffer zones at the boundary of paddy rice patches

圖3 Landsat8 TIRS地表溫度與Terra MOD11A1地表溫度散點(diǎn)圖 Fig.3 Scatter plot between LSTTIRS and LSTMOD11A1

3 結(jié)果分析

3.1 水田及周邊熱環(huán)境分布特征

Landsat8反演地表溫度相對(duì)精確,與MOD11A1地表溫度具有顯著的線性相關(guān)(R2=0.83,P<0.001),Landsat8地表溫度略偏低,二者的平均誤差及均方根誤差分別為1.7℃、2.2℃(圖3)。研究區(qū)地表溫度介于12.5—50.4℃,平均地表溫度為31.5℃,地表溫度空間分布(圖4)與土地利用覆蓋分布格局一致(圖1)。地表溫度較高區(qū)域主要分布在旱田和建設(shè)用地,其平均地表溫度分別為35.9℃和34.5℃(表1)。地表溫度較低區(qū)域?yàn)橹脖桓采w區(qū),林地(26.1℃)<水田(28.1℃)<自然濕地(29.9℃)<草地(32.1℃)。受物理性質(zhì),如熱力學(xué)性質(zhì)、反射及自身發(fā)射電磁輻射性質(zhì)等的綜合作用,不同土地覆蓋類型對(duì)地表能量的吸收、釋放過程存在差異,土地覆蓋類型的空間分布直接決定研究區(qū)的熱環(huán)境空間格局。與水田、旱田空間分布相對(duì)應(yīng),研究區(qū)地表溫度具有空間極化特點(diǎn)。研究區(qū)水旱田共占研究區(qū)面積的77.4%,在6月份,水、旱田的下墊面特征不同,二者的能量傳輸中的輻射機(jī)制與非輻射機(jī)制差異顯著,其中水田田間含水量遠(yuǎn)高于旱田,具有降溫及增濕效應(yīng),水旱田平均地表溫度差為-7.8℃。因此,水田景觀格局將直接影響水田周邊局地及區(qū)域整體的熱環(huán)境。

表2 土地利用覆蓋類型地表溫度統(tǒng)計(jì)

圖4 地表溫度空間分布Fig.4 Spatial distribution of Land Surface Temperature

3.2 水田景觀對(duì)內(nèi)部熱環(huán)境的影響

同類土地覆蓋類型內(nèi)部地表生物物理組分非均質(zhì)性,如植被覆蓋度、土壤水分、植被長(zhǎng)勢(shì)等,導(dǎo)致其內(nèi)部地表溫度產(chǎn)生差異,引起輻射傳輸能量在其內(nèi)部重新分配。基于景觀生態(tài)學(xué)理論,景觀組分的結(jié)構(gòu)特征影響內(nèi)部的物質(zhì)與能量流。通過回歸分析,水田斑塊的面積、周長(zhǎng)、形狀、內(nèi)聚力指數(shù)與內(nèi)部平均地表溫度極顯著相關(guān)(P<0.001,圖5),即水田的景觀特征對(duì)其內(nèi)部熱環(huán)境影響顯著。水田平均地表溫度與斑塊面積和周長(zhǎng)呈負(fù)指數(shù)相關(guān)(R2=0.73、0.70)。水田平均地表溫度隨著斑塊面積、周長(zhǎng)的增加迅速下降,當(dāng)面積、周長(zhǎng)分別達(dá)到臨界點(diǎn)25km2、120m時(shí)趨于平緩的趨勢(shì)。其中最小水田斑塊面積為0.1km2,其內(nèi)部平均地表溫度最高達(dá)41.2℃,高于最大水田斑塊(2333.9km2)14℃。說明水田面積周長(zhǎng)越大,其種植灌溉規(guī)模越大,引起田間蒸散量增大,同時(shí),其內(nèi)部環(huán)境不易受到外界環(huán)境干擾而具有較好的穩(wěn)定性。形狀指數(shù)越大,水田形狀越復(fù)雜,其內(nèi)外熱量、水分傳輸效率增強(qiáng),對(duì)應(yīng)的內(nèi)部地表溫度越高,二者呈正對(duì)數(shù)關(guān)系(R2=0.63)。水田斑塊內(nèi)聚力指數(shù)越大,斑塊內(nèi)部的組分間連通性越強(qiáng),斑塊整體的濕度蒸散聚集度越大,其自身的冷溫效應(yīng)越劇烈。內(nèi)聚力最大的水田斑塊(COHESION=99.97)的內(nèi)部平均地表溫度為27.1℃,與內(nèi)聚力最小的水田斑塊(COHESION=90.58)相差-10℃,二者呈線性負(fù)相關(guān)(R2=0.74),并且內(nèi)聚力指數(shù)對(duì)水田內(nèi)部平均地表溫度的影響明顯高于面積、周長(zhǎng)及形狀指數(shù)。

圖5 水田斑塊景觀指數(shù)與平均地表溫度回歸分析Fig.5 Regression Analysis between the landscape metrics and LST averages of paddy rice patches

3.3 水田景觀對(duì)周邊熱環(huán)境的影響

3.3.1水田景觀對(duì)周邊熱環(huán)境的降溫距離與降溫幅度

物質(zhì)及能量在土地覆蓋類型景觀組分間流動(dòng)是水田對(duì)周邊熱環(huán)境影響的充分條件?；诰坝^生態(tài)學(xué)理論,物質(zhì)能量流的傳輸途徑及效率受不同的規(guī)模和屬性的景觀組分空間結(jié)構(gòu)影響[30]?；诿娣e、形狀和內(nèi)聚力指數(shù),根據(jù)K-means算法對(duì)研究區(qū)水田景觀自動(dòng)聚類,分析不同景觀類型水田對(duì)周邊地表溫度的影響范圍與程度。85個(gè)水田斑塊分為三類：非規(guī)則小型斑塊、類規(guī)則中型斑塊和規(guī)則大型斑塊。其中,非規(guī)則小型斑塊12個(gè),其面積和內(nèi)聚力指數(shù)小、形狀指數(shù)大；規(guī)則大型斑塊47個(gè),其面積和內(nèi)聚力指數(shù)較大,形狀指數(shù)小。類規(guī)則中型斑塊(共26個(gè))景觀特征介于兩者之間(圖6)。

圖6 基于K-means算法的水田景觀聚類 Fig.6 Clusters of paddy rice patches based on K-means

圖7 三類水田景觀的每30m緩沖區(qū)內(nèi)的平均地表溫度及降溫幅度ΔLSTiFig.7 Land Surface Temperature average cooling degreeΔLSTi within each 30m buffer for three types of paddy rice landscapes

3.3.2水田景觀對(duì)周邊降溫影響因子

水田內(nèi)部溫度場(chǎng)是影響周邊熱環(huán)境的直接因素之一。將水田斑塊內(nèi)部平均地表溫度與其對(duì)周邊的最大降溫距離和降溫幅度擬合分析(圖8),各水田對(duì)周邊的降溫距離在60m到300m之間,平均降溫距離為184m；水田斑塊對(duì)邊界外部的平均降溫幅度為0.1—9.6℃,其平均降溫幅度平均為5.1℃。水田斑塊內(nèi)部平均地表溫度與降溫距離和降溫幅度都呈現(xiàn)負(fù)對(duì)數(shù)顯著相關(guān)(P<0.01),當(dāng)水田斑塊內(nèi)部平均溫度為41℃,降溫距離最小(為75m),對(duì)應(yīng)降溫幅度接近0℃；隨著水田斑塊內(nèi)部平均溫度降低,對(duì)周邊的降溫距離和降溫幅度增加,降溫效應(yīng)增強(qiáng)。由于水田周邊地表溫度并非受水田內(nèi)部溫度場(chǎng)單因素影響,同時(shí)還受到其他因素的協(xié)同作用,如周邊景觀格局及周邊熱環(huán)境等,二者擬合的相關(guān)系數(shù)R2在0.5附近。

圖8 水田斑塊平均地表溫度與降溫距離(Buffermax)和降溫幅度(ΔLSTmax)散點(diǎn)圖Fig.8 Scatter Plots between and Land Surface Temperature averages within paddy rice patches and cooling distances (Buffermax), cooling degree (ΔLSTmax)

由3.2,水田景觀直接決定水田內(nèi)部溫度,進(jìn)而間接影響周邊熱環(huán)境。同時(shí),水田的景觀特征直接決定水田與周邊地區(qū)在邊界處的物質(zhì)熱量遷移與交換過程,進(jìn)而對(duì)周邊熱環(huán)境產(chǎn)生直接影響。圖9表明水田的景觀特征與降溫距離有顯著的相關(guān)性(P<0.01)。其中,最大降溫距離與水田面積存在對(duì)數(shù)函數(shù)關(guān)系(R2=0.47)。當(dāng)水田面積從0.1km2增加到25km2,降溫距離迅速增加,其變化速率為8.4m/km2,當(dāng)水田面積大于25km2,最大降溫距離增加緩慢后趨于穩(wěn)定。與面積相似,最大降溫距離隨水田周長(zhǎng)的增加而迅速增加,最后趨于平穩(wěn)(R2=0.46)。最大降溫距離與水田的形狀指數(shù)存在負(fù)對(duì)數(shù)函數(shù)關(guān)系(R2=0.40),即隨著水田斑塊形狀復(fù)雜度的增加,最大降溫距離迅速下降,最后趨于平穩(wěn)。隨著水田內(nèi)聚力增大,其溫度場(chǎng)降溫增濕效能增強(qiáng),對(duì)周圍降溫范圍增加,二者呈現(xiàn)線性相關(guān)(R2=0.45)。

水田對(duì)周邊的降溫幅度與其景觀指數(shù)有一定相關(guān)性(圖10)。其中,降溫幅度與水田面積總體上呈現(xiàn)對(duì)數(shù)函數(shù)擬合關(guān)系(R2=0.38,P<0.01),當(dāng)水田面積從0.1km2增加到25km2,二者顯著相關(guān)(R2=0.67,P<0.01),降溫幅度以0.33℃/km2速率迅速增加；當(dāng)水田面積大于25km2,降溫幅度略有下降,其平均降溫幅度為6.0℃。降溫幅度與水田周長(zhǎng)總體上呈現(xiàn)弱相關(guān)性(R2=0.36,P<0.01),當(dāng)水田周長(zhǎng)在1.6—120km之間,二者顯著相關(guān)(R2=0.60,P<0.01)；當(dāng)水田周長(zhǎng)大于120km,降溫幅度略微下降最終趨于平穩(wěn)。降溫幅度隨形狀指數(shù)的增加而迅速下降后趨于平穩(wěn)(R2=0.35,P<0.01)。降溫幅度與內(nèi)聚力指數(shù)呈現(xiàn)線性正相關(guān)性(R2=0.48,P<0.01)。

圖9 水田斑塊景觀指數(shù)與降溫距離(Buffermax)散點(diǎn)圖Fig.9 Scatter Plots between and landscape metrics of paddy rice patches and cooling distances (Buffermax)

圖10 水田斑塊景觀指數(shù)與降溫幅度(ΔLSTmax)散點(diǎn)圖Fig.10 Scatter Plots between and landscape metrics of paddy rice patches and cooling degree (ΔLSTmax)

4 討論

本文通過Landsat8 TIRS遙感數(shù)據(jù)反演地表溫度表征三江平原水稻主要種植區(qū)域的地表熱環(huán)境空間格局,從景觀生態(tài)學(xué)的格局—過程理論的視角,結(jié)合空間分析及統(tǒng)計(jì)分析法,強(qiáng)調(diào)物質(zhì)及能量在景觀組分內(nèi)部,尤其在組分邊界處的橫向傳輸?shù)闹匾^程,進(jìn)而分析水田景觀格局對(duì)水田內(nèi)部及周邊鄰接組分的熱環(huán)境的影響。本研究用遙感反演的地表瞬時(shí)溫度反映日平均地表熱環(huán)境具有局限性,這是目前所有基于熱紅外遙感表征地表熱環(huán)境研究,如城市熱環(huán)境遙感研究,所面臨的巨大挑戰(zhàn)[32-34]。通過對(duì)研究區(qū)水田擴(kuò)張的地表溫度影響的文獻(xiàn)綜述[19-21],6月中下旬是水田在整個(gè)生長(zhǎng)過程中與旱田地表溫度差異最大時(shí)段,同時(shí)也是水稻生長(zhǎng)對(duì)田間水量敏感期。因此,本文以此時(shí)間段內(nèi)水田景觀對(duì)周邊熱環(huán)境作用相對(duì)較強(qiáng)為前提假設(shè)。此外,本研究為針對(duì)斑塊尺度的水田對(duì)熱環(huán)境影響首次探討,以熱紅外遙感的高空間分辨率為首要前提,進(jìn)而對(duì)景觀熱環(huán)境影響的空間特征詳細(xì)刻畫及機(jī)理探索,為此采用每16d 100m空間分辨率的Landsat8/TIRS數(shù)據(jù)為數(shù)據(jù)源。在后續(xù)研究中,利用長(zhǎng)時(shí)間序列的熱紅外遙感數(shù)據(jù)可以更有效地追蹤水稻完整生長(zhǎng)過程,在不同灌溉條件及局地氣候下的水田景觀的熱環(huán)境效應(yīng)。例如,采用長(zhǎng)時(shí)序1km MODIS地表溫度產(chǎn)品,對(duì)每天四個(gè)時(shí)間點(diǎn)(～1:30、10:30、13:30、22:30)地表溫度觀測(cè),或采用MODIS-Landsat地表溫度時(shí)空融合方法,生成高時(shí)間、高空間分辨率的熱紅外遙感數(shù)據(jù)集,對(duì)研究區(qū)熱環(huán)境實(shí)現(xiàn)高頻、高精度的動(dòng)態(tài)刻畫,有助于深入探討水田景觀格局對(duì)周邊熱環(huán)境的累積效應(yīng)。與北方水稻種植相比,我國(guó)南方水稻的種植制度多樣化(雙季稻及單-雙稻混合種植)、地形條件及灌溉策略復(fù)雜、農(nóng)田景觀破碎度高,長(zhǎng)時(shí)序高空間分辨率的熱紅外遙感數(shù)據(jù)將有助于精細(xì)刻畫不同地域水稻的各物候期及整個(gè)生長(zhǎng)季的熱環(huán)境格局；此外,從物質(zhì)能量橫向傳輸過程的機(jī)理出發(fā),結(jié)合地面布點(diǎn)、車載、無人機(jī)的多維地表溫度實(shí)測(cè)數(shù)據(jù),進(jìn)一步深化探討水田及鄰接土地覆蓋類型的景觀構(gòu)型特征對(duì)區(qū)域熱環(huán)境的影響機(jī)制。

5 結(jié)論

本研究選取高緯度濕冷地區(qū)的特殊農(nóng)業(yè)灌溉形式——水田灌溉為研究對(duì)象,采用遙感反演地表溫度為區(qū)域熱環(huán)境表征,通過景觀生態(tài)學(xué)-格局過程理論,結(jié)合空間鄰域分析方法,強(qiáng)調(diào)地表物質(zhì)、能量橫向傳輸過程在水田對(duì)周邊降溫效應(yīng)中的重要作用,在區(qū)域特色、對(duì)象特色、分析框架三方面為農(nóng)業(yè)灌溉對(duì)區(qū)域氣候變化的影響研究提供新的視角。主要結(jié)論如下：

(1)研究區(qū)地表溫度具有空間極化特點(diǎn),與水田、旱田空間分布相對(duì)應(yīng)。水田與旱田的田間水-植-土組分比例差異大,導(dǎo)致地表生物物理屬性差異顯著,引起水田與旱田地表溫度差異顯著,二者平均地表溫差為-7.8℃；

(2)水田內(nèi)部的平均地表溫度受水田景觀特征影響。其中,隨斑塊面積和周長(zhǎng)的增加,水田的地表溫度急劇降低后,趨于平穩(wěn)狀態(tài)；景觀內(nèi)部組分連通性強(qiáng)的水田斑塊的平均地表溫度更低,二者呈現(xiàn)負(fù)相關(guān)；形狀復(fù)雜的水田斑塊的內(nèi)部地表溫度較高,二者為正相關(guān)；

(3)水田對(duì)周邊最小降溫距離是60m,最大距離是300m,降溫幅度在0.05—9.7℃之間。水田周邊局地的熱環(huán)境受水田內(nèi)部及鄰接地類的協(xié)同作用,導(dǎo)致水田景觀結(jié)構(gòu)對(duì)周邊局地降溫作用較復(fù)雜,本研究中水田對(duì)周邊降溫貢獻(xiàn)度約為50%。其中,水田內(nèi)部溫度場(chǎng)、種植規(guī)模、內(nèi)部連通性及水田形狀對(duì)周邊降溫效應(yīng)的影響依次減弱。

參考文獻(xiàn)(References):

[1] Carlson K M, Gerber J S, Mueller N D, Herrero M, MacDonald G K, Brauman K A, Havlik P, O’Connell C S, Johnson J A, Saatchi S, West P C. Greenhouse gas emissions intensity of global croplands. Nature Climate Change, 2017, 7(1): 63-68.

[2] Zhang G L, Xiao X M, Dong J W, Xin F F, Zhang Y, Qin Y W, Doughty R B, Moore III B. Fingerprint of rice paddies in spatial—temporal dynamics of atmospheric methane concentration in monsoon Asia. Nature Communications, 2020, 11(1): 554.

[3] Nishida K, Yoshida S, Shiozawa S. Theoretical analysis of the effects of irrigation rate and paddy water depth on water and leaf temperatures in a paddy field continuously irrigated with running water. Agricultural Water Management, 2018, 198: 10-18.

[4] Lobell D, Bonfils C, Faurès J M. The role of irrigation expansion in past and future temperature trends. Earth Interactions, 2008, 12(3): 1-11.

[5] Zhang G L, Xiao X M, Biradar C M, Dong J W, Qin Y W, Menarguez M A, Zhou Y T, Zhang Y, Jin C, Wang J, Doughty R B, Ding M J, Moore III B. Spatiotemporal patterns of paddy rice croplands in China and India from 2000 to 2015. Science of the Total Environment, 2017, 579: 82-92.

[6] 方修琦, 王媛, 徐錟, 云雅如. 近20年氣候變暖對(duì)黑龍江省水稻增產(chǎn)的貢獻(xiàn). 地理學(xué)報(bào), 2004, 59(6): 820-828.

[7] 杜國(guó)明, 春香, 于鳳榮, 張燕, 趙雅倩, 關(guān)桐桐. 東北地區(qū)水田分布格局的時(shí)空變化分析. 農(nóng)業(yè)現(xiàn)代化研究, 2017, 38(4): 728-736.

[8] Nocco M A, Smail R A, Kucharik C J. Observation of irrigation-induced climate change in the Midwest United States. Global Change Biology, 2019, 25(10): 3472-3484.

[9] Mahmood R, Hubbard K G, Carlson C. Modification of growing-season surface temperature records in the northern great plains due to land-use transformation: verification of modelling results and implication for global climate change. International Journal of Climatology, 2004, 24(3): 311-327.

[10] Zhu X F, Liang S L, Pan Y Z. Observational evidence of the cooling effect of agricultural irrigation in Jilin, China. Climatic Change, 2012, 114(3/4): 799-811.

[11] Han S J, Yang Z Y. Cooling effect of agricultural irrigation over Xinjiang, Northwest China from 1959 to 2006. Environmental Research Letters, 2013, 8(2): 024039.

[12] Bonfils C, Lobell D. Empirical evidence for a recent slowdown in irrigation-induced cooling. Proceedings of the National Academy of Sciences, 2007, 104(34): 13582-13587.

[13] Kanamaru H, Kanamitsu M. Model diagnosis of nighttime minimum temperature warming during summer due to irrigation in the California Central Valley. Journal of Hydrometeorology, 2008, 9(5): 1061-1072.

[14] 朱秀芳, 趙安周, 李宜展, 曹森, 李慕義. 農(nóng)田灌溉對(duì)氣候的影響研究綜述. 生態(tài)學(xué)報(bào), 2014, 34(17): 4816-4828.

[15] 姚遠(yuǎn), 陳曦, 錢靜. 城市地表熱環(huán)境研究進(jìn)展. 生態(tài)學(xué)報(bào), 2018, 38(3): 1134-1147.

[16] 周偉奇, 田韞鈺. 城市三維空間形態(tài)的熱環(huán)境效應(yīng)研究進(jìn)展. 生態(tài)學(xué)報(bào), 2020, 40(2): 416-427.

[17] 祝善友, 張桂欣, 尹球, 匡定波. 地表溫度熱紅外遙感反演的研究現(xiàn)狀及其發(fā)展趨勢(shì). 遙感技術(shù)與應(yīng)用, 2006, 21(5): 420-425.

[18] 張文琦, 宋戈. 三江平原典型區(qū)水田時(shí)空變化及驅(qū)動(dòng)因素分析. 農(nóng)業(yè)工程學(xué)報(bào), 2019, 35(6): 244-252.

[19] Du G M, Liu W Q, Pan T, Yang H X, Wang Q. Cooling effect of paddy on land surface temperature in cold China based on MODIS data: a case study in Northern Sanjiang Plain. Sustainability, 2019, 11(20): 5672.

[20] Liu T X, Yu L X, Bu K, Yan F Q, Zhang S W. Seasonal local temperature responses to paddy field expansion from rain—fed farmland in the cold and humid Sanjiang Plain of China. Remote Sensing, 2018, 10(12): 2009.

[21] Yu L X, Liu T X. The impact of artificial wetland expansion on local temperature in the growing season—the case study of the Sanjiang Plain, China. Remote Sensing, 2019, 11(24): 2915.

[22] 傅伯杰. 景觀生態(tài)學(xué)原理及應(yīng)用. 北京: 科學(xué)出版社, 2001: 34-39.

[23] 肖篤寧, 李秀珍. 景觀生態(tài)學(xué)的學(xué)科前沿與發(fā)展戰(zhàn)略. 生態(tài)學(xué)報(bào), 2003, 23(8): 1615-1621.

[24] 段居琦, 周廣勝. 中國(guó)單季稻種植北界的初步研究. 氣象學(xué)報(bào), 2012, 70(5): 1165-1172.

[25] Jin C, Xiao X M, Dong J W, Qin Y W, Wang Z M. Mapping paddy rice distribution using multi-temporal Landsat imagery in the Sanjiang Plain, northeast China. Frontiers of Earth Science, 2016, 10(1): 49-62.

[26] Mao D H, He X Y, Wang Z M, Tian Y L, Xiang H X, Yu H, Man W D, Jia M M, Ren C Y, Zheng H F. Diverse policies leading to contrasting impacts on land cover and ecosystem services in Northeast China. Journal of Cleaner Production, 2019, 240: 117961.

[27] Mao D H, Wang Z M, Wu J G, Wu B F, Zeng Y, Song K S, Yi K P, Luo L. China′s wetlands loss to urban expansion. Land Degradation & Development, 2018, 29(8): 2644-2657.

[28] Sekertekin A, Bonafoni S. Land surface temperature retrieval from Landsat 5, 7, and 8 over rural areas: assessment of different retrieval algorithms and emissivity models and toolbox implementation. Remote Sensing, 2020, 12(2): 294.

[29] Jimenez-Munoz J C, Cristobal J, Sobrino J A, Soria G, Ninyerola M, Pons X. Revision of the single-channel algorithm for land surface temperature retrieval from Landsat thermal-infrared data. IEEE Transactions on Geoscience and Remote Sensing, 2009, 47(1): 339-349.

[30] 陳愛蓮, 孫然好, 陳利頂. 基于景觀格局的城市熱島研究進(jìn)展. 生態(tài)學(xué)報(bào), 2012, 32(14): 4553-4565.

[31] Jaganmohan M, Knapp S, Buchmann C M, Schwarz N. The bigger, the better? The influence of urban green space design on cooling effects for residential areas. Journal of Environment Quality, 2016, 45(1): 134-145.

[32] Yang J, Zhan Y X, Xiao X M, Xia J C, Sun W, Li X M. Investigating the diversity of land surface temperature characteristics in different scale cities based on local climate zones. Urban Climate, 2020, 34: 100700.

[33] Yang J, Wang Y C, Xiu C L, Xiao X M, Xia J H, Jin C. Optimizing local climate zones to mitigate urban heat island effect in human settlements. Journal of Cleaner Production, 2020, 275: 123767.

[34] 楊俊, 白世豪, 金翠, 喬瑩瑩. 熱環(huán)境視角下的最小生態(tài)安全距離——以大連北三市為例. 生態(tài)學(xué)報(bào), 2019, 39(18): 6860-6868.