地理空间技术分析农业地表温度与植被指数关系：埃塞农业人工智能研究

农业中的人工智能6（2022）90在埃塞俄比亚西部Gida Kiremu、Limu和Amuru地区使用地理空间技术分析地表温度Mitiku Badasa Moisaa，Bacha Temesgen Gabissab，Lachisa Busha Hinkosaa，Indale Niguse Dejenec，Dessalegn Obsi Gemedada埃塞俄比亚Shambu，Wollega大学Shambu校区技术学院农业工程系b埃塞俄比亚Shambu，Wollega大学Shambu校区，农业学院，渔业和水产科学系。c埃塞俄比亚内格默特沃勒加大学内格默特校区自然和计算科学学院地球科学系。d埃塞俄比亚吉马吉马大学农业和兽医学院自然资源管理系a r t i c l e i nf o文章历史记录：接收日期：2022年2月22收到修订版，2022年5月26日接受，2022年2022年6月23日在线提供保留字：LSTNDVINDBaIMNDWI卫星数据a b s t r a c t植被覆盖退化和贫瘠土地的扩大仍然是全球范围内的主要环境问题。利用地表温度（LST）、归一化植被指数（NDVI）、归一化贫瘠指数（NDBaI）、Modified归一化水分指数（MNDWI）等指标进行相关性分析。本研究 利用 地理 空间 技术 分析 了埃 塞俄 比亚 西部吉 达基 雷穆 、利 穆和 阿穆 鲁地 区的 地表 温度 与植 被指 数（NDVI）、植被指数（NDBaI）和植被指数（MNDWI）的关系所有的指数估计使用热波段和多光谱波段Landsat TM 1990，Landsat ETM+2003，和Landsat OLI/TIRS 2020。利用散点图分析了LST与NDVI、NDBaI和MNDWI的相关性。相应地，NDBaI与LST呈正相关（R2=0.96）. NDVI和MNDWI与地表温度呈显著负相关（R2分别为0.99，0.95）.结果表明，由于植被覆盖度的下降和裸地的增加，研究期间LST增加了5 °C。最后，建议决策者和环境分析人员应重视植被覆盖、水体和湿地在减缓气候变化中的重要性，特别是研究区的地表温度。版权所有© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 我不想让你失望大多数人类活动是地球表面植被覆盖持续丧失的主要原因（Sahana等人，2016年）。植被的减少是导致地表温度升高的一个因素。Song等人（2021）强调，植被是驱动LST的主要影响因素。LST是环境生态功能的重要指标之一 LST表示地球表面的温度，这是区域和全球陆地表面处理研究中的重要组成部分（Thanh等人， 2018年）。 由于土地利用土地覆盖转换，全球LST正在增加（Moisa等人，2022年a）。在埃塞俄比亚不同地区进行的研究证实，缩略语：LST，地表温度; MIR，中红外; MNDWI，Modifi ed归一化差异水分指数;NDBaI，归一化差异贫瘠指数; NDVI，归一化差异植被指数; NIR，近红外。*通讯作者。电子邮件地址：mitikubadasa10@gmail.com（M.B. Moisa）。LST的增加趋势（Moisa等人，2022 b; Wolteji等人，2022; Merga等人，2022; Dissanayake等人，2019年）。与LST相似，由于土地利用土地覆盖变化，大气温度显著升高（Gemeda等人， 2020; Gemeda等人， 2021; Gemeda等人，2022; Moisa等人，2022c）。为了定量描述退化的土地，使用了归一化差异贫瘠指数（NDBaI）和Modified归一化差异水指数（MNDWI）（Gao，1996年; Zha等人，2003年）。将LST与归一化植被指数（NDVI）、NDBaI和MNDWI进行比较，以提供生物的周围环境条件（Qinqin等人，2012年）。基于植被的指数可以指示植被覆盖的存在和丰度（Moisa等人，2022 a; Iang和Tian，2010）。分析NDVI、LST、NDBaI和MNDWI的空间可变性对于自然和环境调查中的决策制定和自然资源监测至关重要（Zareie等人， 2016年）。此外，NDVI已被用于确认代表绿地分布的重要性（Yuan和Bauer，2007）。此外，一些学者提出，像NDVI这样的遥感指标https://doi.org/10.1016/j.aiia.2022.06.0022589-7217/© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/M.B. Moisa，B.T.Gabissa，L.B.Hinkosa等人农业人工91由于森林火灾、森林砍伐、城市化扩张、农业用地扩张和牧场扩张，NDBaI和LST逐渐下降（Zhou和Wang，2011年; Mimbrero等人，2014年）。尽管这些指数在先前的研究中已被用于模拟LST（Chen等人， 2006年），只有少数几个国家比较了不同年份的指数结果来监测地表温度。 尽管如此，农业扩张是加剧气候变化的主要原因，特别是埃塞俄比亚西部地区的LST。没有在Gida Kiremu、Limu和Amuru县周围进行研究很明显，由于农业扩张导致植被覆盖减少，LST随时间推移而增加此外，湿地退化和荒地增加也是地表温度上升的原因因此，本研究试图分析LST的基础上遥感指标，如NDVI，NDBaI，和MNDWI在埃塞俄比亚西部本文的结构安排如下：第一部分介绍了地表温度及其与不同指标的相关性;第二部分介绍了研究资料和方法，包括研究区描述、数据类型和来源以及数据分析方法;第三部分介绍了研究结果和讨论，最后一部分总结了研究结果。2. MATERIALS和METHODS2.1. 研究区域的描述本研究在东沃莱加带和霍罗古杜鲁沃莱加带进行，位于9027′00′′和10018′00′′N，36019′30′和37010′30′′E之间 两个地区，即：Gida Kiremu和Limu选择位于东Wollega区，而Amuru区行政上位于埃塞俄比亚西部奥罗米亚民族地区州的HoroGuduruWollega区（图1）。①的人。研究区域海拔范围从海拔713.32至2496.61米。总面积5086.65平方公里。2.2. 气候目前研究区域的平均月降雨量在14.32和338毫米/年之间。研究区夏季降雨量大，从6月开始到9月结束，春季降雨量少，包括3月、4月和5月。图1.一、研究区域的位置图。M.B. Moisa，B.T.Gabissa，L.B.Hinkosa等人农业人工92¼ ð Þ¼联系我们¼2.2.1. 土壤类型研究区的土壤类型分为16类，即：-钙质形成土、钙质旱成土、铬质形成土、铬质淋溶土、硬质潜育土、硬质硝态土、富质形成土、富质硝态土、石膏质淋溶土、硬质旱成土、稀成土、正积砂质土、正积淋溶土、正积盐土、黑土、垂直形成土，其中硬质硝态土占优势（2123.5km2），最不占优势的土壤类型是黑土，面积为2km2。2.3. 社会经济活动混合农业，即作物生产和畜牧生产，是小农最普遍的收入来源。从作物生产，玉米，花生，尼日尔种子，扁豆，豆类，豌豆和一些蔬菜，Landsat 8的波段3）和中红外（Landsat 5和7的波段5， Landsat 8的波段6）反射率值（公式10）。（2））。MNDWI绿色-MIR2绿色MIR2.5.3. 归一化贫瘠指数（NDBaI）在估计热环境时，NDBaI被选择来代表贫瘠的地形区域，这些区域通常在热特征方面表现出很大的差异（Zhifeng和Jianjun，2012）。它是使用中红外（Landsat 5和7的波段5， Landsat 8的波段6）和热红外（Landsat 5和7的波段6， Landsat 8的波段10和11）卫星的反射率来估计的。（三））。蔬菜（马铃薯、洋葱、大蒜）和水果（芒果、木瓜、柑橘、香蕉）是研究区的主要农产品研究区的农业活动主要依靠雨水灌溉。NDBaIMIR-TIRMIRMIRð3Þ2.4. 数据类型和来源在 这 项 研 究 中 使 用 了 三 年 的 Landsat 图 像 美国地 质 勘 探 局（http://earthexplorer.usgs.gov/）提供Landsat TM 990 、LandsatETM+2003和Landsat OLI/TIRS 2020的热谱和多谱带的免费下载。 有关这些数据的详细信息见（表1）。本研究使用的软件为ArcGIS10.3版本和ERDAS imagine 2015。2.5. 数据分析方法在这项研究中计算了LST，NDVI，MNDWI和NDBaI该研究的方法流程图见（图1）。 2）。2.5.1. 归一化植被指数（NDVI）这个指数被用来计算覆盖地球表面的植被数量NDVI是使用在监测过程中收集的陆地卫星图像的波段4用于测量Landsat 5和7上的近红外波段，波段5用于Landsat 8。陆地卫星数据的红色波段是利用陆地卫星8号的波段4和陆地卫星5号和7号的波段3测量的该指数的公式见（等式1）。（一）2.5.4. 陆面温度反演单窗口算法（Qin等人， 2001年），单通道，是从陆地卫星TM、ETM+ 和 OLI/TIRS 数 据 创建的（ Jiménez-Muñoz 和 Sobrino ， 2003年）。LST提取Landsat 8数据与一个波段使用单窗口方法从波段10。LST通过使用热红外（TIR）两个波段的亮度温度以及陆地表面发射率的平均值和差异来确定（Cheng等人，2015年）的报告。2.5.4.1. 步骤I：DN转化为辐射率。A.单窗口算法在计算亮度温度之前，单窗口技术将数字数据转换为传感器处的辐射传感器。T M和ETM+DN值介于0和2 5 5（Eq. （4））。LλLMAXλ-LMINλxDN QCALMIN LMINλ 4QCALMAX-QCALMIN其中：QCLA=以数字数（DN）表示的量化校准像素值LMIN λ=定标为QCALMIN的光谱辐射亮度，单位为瓦特/（平方米*ster* μm）。NDVINIR-R近红外光谱仪ð1ÞLMAXλ=定标为QCALMAX的光谱辐射率，单位为瓦特/（平方米*ster* μm）。QCALMIN =最小量化校准像素值对应归一化差异植被指数范围为-1.0到1.0。对于健康和密集的植被，NDVI值始终在0.2和0.9之间（Buzalo和Meza，2015年）。植被，如岩石，水，和贫瘠的平原，对另一方面，由小于0.1的值表示（Fu和Burgher，2015）。2.5.2. 修正的归一化差异水指数（MNDWI）在对热环境建模时，MNDWI被分配用于表示水域，这些水域通常显示出显着的热特性变化（Xu，2008;Zhifeng和Jianjun，2012）。该公式是使用绿色波段（陆地卫星5号和7号的波段2表1遥感数据用于研究。在DN中设置为LMINλQCALMAX= DN= 255中对应于LMAXλ的最大量化校准像素值。对于Landsat 8，也应用单窗口算法（MWA）来估计LST，如其他专家所使用的（Aik等人， 2020; Sahana等人， 2016年; Atitar和Sobrino，2009年）。 首先将Landsat 8 TIRS 10波段的数字光谱仪（DN）转换为光谱辐射率（公式10）。（5））。Lλ λ1 μ L/min在哪里;Lλ是大气层顶（TOA）光谱辐射率（Wm−2 sr−1μm−1）。ML是来自元数据的频带特定乘法重新缩放因子卫星图像Path/Row传感器分辨率（m）条带数量收购日期（RADIANCE_MULT_BAND x，其中x是波段数AL是来自元数据的特定于频带的加性重新缩放因子Landsat5Landsat170/53170/53TMETM+30307712-01-199020-02-2003（RADIANCE_ADD_BAND_x，其中x是频带编号）。QCal是量化和校准的标准产品像素值（DN）。7Landsat170/53OLI/TIRS301111-02-2020二、五、四、2. S tepII。 C on versiont em e rare（ETM+）. B asedonlanddurf ace8发射率、大气跨发射率、亮度温度，以及M.B. Moisa，B.T.Gabissa，L.B.Hinkosa等人农业人工93Lλ英国电信图二、研究方法流程图。平均大气温度，单窗算法用于确定LST（Zhang et al.， 2006年）。TM和ETM+B和6的光谱辐射率（从上到下）可以被转换成更物理可用的量（等式10）。（6））。转换公式如下：W为大气中水汽含量λ是频带10的LSE以估计LST（等式2）。（7））：K2ln. K1- 1ð7ÞTK2在哪里;61/4英寸K11其中T =卫星有效温度，单位为开尔文。K2 =校准常数2。K1 =校准常数1。Lλ=光谱辐射率，单位为瓦特/（平方米 * ster * μm）。对于这项调查，单窗口算法（MW）也被用来计算LST在陆地卫星8。计算了地表平均发射率，并利用陆地卫星8号的第10波段估算了亮温。TB 10为第10波段的亮温（开尔文K）;λ为TIR波段的陆面辐射（LSE）平均值BT：是传感器处的有效亮度温度（K）;K2：是校准常数2（K）;K1：是校准恒定1（W/（平方米）*Sr*（μm））;Lλ：传感器孔径处的光谱辐射亮度（W/（m2* sr* μm））;和.Ln是自然对数。2.5.4.3. 第三步：地表发射率估算。根据Sobrinoet al. （2004），发射率计算使用（方程。（九）粤ICP备09000000号-1其中PV是根据下式获得的植被比例LλM.B. Moisa，B.T.Gabissa，L.B.Hinkosa等人农业人工94PCarlson-Ripley公式（10）;2012年12月20日最后，通过减去273.15将Landsat TM、ETM+和OLI/TIRS LST（方程式（11））用于将温度（开氏度（K））转换为PV¼NDVImax -NDVIminð9Þgrees摄氏度（°C）。计算的辐射表面温度将使用以下公式（Eq.（11））：0C¼K- 273：15 11其中：°C= LST，单位为摄氏度LSTTB10K = LST结果，单位为开氏度。100万λTBInε在哪里;LST：地表温度（开尔文）;TB：辐射表面温度（开尔文）。λ：发射辐射波长（10.8 μm），Inε为发射率。ρ：h × c/σ（1.438 × 10 −2mK）; h是普朗克常数（6.26 × 10- 34J s）; c是光速（2.998 × 10 8 m/s）; σ是斯特凡·玻尔兹曼的常数（1.38×10−23JK−1）;和dεislanddsurf ac emisiv ity.3. 结果和讨论3.1. 地表温度分析分别确定了1990年、2003年和2020年 在研究的所有年份中，研究区域的东北部和西南部都有很高的LST（图1）。 3）。研究区地表温度的增加与植被覆盖度的下降和裸地的增加图3. 研究区域的LST图。M.B. Moisa，B.T.Gabissa，L.B.Hinkosa等人农业人工95LST（0C）40图四、研究区域的归一化植被指数图。由于大量植被覆盖的存在，研究区域的东部、中部和西部经历了相对较低的LST。平均地表温度从1990年的23.70 °C逐渐上升到2003年的24.30°C，再上升到2020年的28.70 °C从1990年到2020年，1991年至2020年间的子流域。与1990年和2003年相比，2020年是最极端的温度。地表温度的上升趋势与植被覆盖度的下降有关，上升了5 °C。Moisa 50报告了类似结果例如， 2022a，发现AngerRiver45的LST增加了5.6 °C3530表2. 25LST、NDVI、NDBaI和MNDWI之间的相关性。2015相关性LST NDBaI NDVI MNDWI105LST 1⁎y = -38.996x +38.422R² = 0.9989NDBaI 0.95767 1电话：+86-10 - 88888888传真：+86-10 - 88888888归一化植被指数−0.9995< $−0.9627<$1MNDWI −0.9581− 0.9790.98452 1*显示了它们之间的相关性值。NDVI图五、研究区地表温度与植被指数的关系。0M.B. Moisa，B.T.Gabissa，L.B.Hinkosa等人农业人工96农业用地扩张导致的湿地退化由于全球变暖，LST预计将增加。例如，Rasul et al. （2012）预测，到21世纪，20世纪的气温将上升1.40 °C至5.80 °C，这证实了本研究。3.2. 地表温度与植被指数发现LST值的范围从最高温度（43.2 °C）到最低温度（16.9 °C），而NDVI值的范围从0.50到-0.53最大到最小。结果表明，地表温度与植被指数呈极强的负相关（R2=0.99）. Wolteji等人（2022）发现中度负相关-埃塞俄比亚裂谷地区植被指数和地表温度之间的关系这表明高LST与低植被覆盖的关系更密切，反之亦然。研究期间的NDVI分布见（图）。4）。2020年两个因子（LST和NDVI）之间的关系见表2和图5。该研究 结 果 与 （ Alemu ， 2019; Wedajo 等 人 ，2019; Merga 等 人 ，（2022）证实了地表温度随植被覆盖度的降低而升高，两者呈较强的负相关关系。3.3. LST与NDBaI由于农业用地的扩大和植被覆盖度的下降，研究区的荒地不断增加结果表明，LST与NDBaI之间存在显著的正相关（R2=0.96）.这表明，在NDBaI值高的退化或贫瘠地形上可以发现高LST（图6）。两个参数之间的关系如图7所示。研究结果与Zhifeng and Jianjun，2012的研究结果较为一致，认为荒地与地表温度呈显著正相关。3.4. LST与MNDWI由于植被的衰退和地表温度的升高，植被含水量（湿地）降低.扩大农业图第六章研究区的归一化差异贫瘠指数（NDBaI）图。M.B. Moisa，B.T.Gabissa，L.B.Hinkosa等人农业人工97R² = 0.9650y = 16.13x +33.652454035302520151050电话：+86-10 - 88888888传真：+86-10 - 88888888NDBaI图第七章研究区LST与NDBaI的关系。土地利用和贫瘠地的增加共同增加了地表温度，是研究区MNDWI降低的主要因素。结果表明，LST和LST之间存在负的强关联，MNDWI的相关系数为（R2= 0.95）。研究区北部和南部的MNDWI较高（图8）。研究结果显示，高LST更常见于低水位地区。LST和MNDWI之间的关系见（图）。 9）。这一结果与以前的研究结果（Zhou和Wang，2011;Zhifeng和Jianjun，2012）一致LST与其他指标之间的关系见（表2）。NDBaI与LST有正相关关系，而NDVI和MNDWI与LST有负相关关系。3.5. LST与研究研究区域的平均LST与研究期间相关结果表明，LST均值与学习时间呈正相关， R2=0.89.随着时间的增加，LST的平均值增加（图）。10）。图八、 Modi绘制了研究区的归一化差异水指数（MNDWI）图。LST（0C）M.B. Moisa，B.T.Gabissa，L.B.Hinkosa等人农业人工9850y =-30.204x +23.74345R² = 0.95814035302520151050电话：+86-10 - 88888888传真：+86-10 - 88888888MNDWI图第九章研究区LST与MNDWI的关系。353025201510501985 1990 1995 2000 2005 2010 2015 2020 2025年图10. LST与学习年限的关系。4. 联系我们在本文中，我们使用遥感数据来评估时空LST与NDVI，NDBaI和MNDWI指数的关系在埃塞俄比亚西部的三个地区：吉达基雷穆，利穆和阿穆鲁。1990年至2020年，地球表面的温度研究结果表明，植被指数（NDVI）和植被指数（MNDWI）与地表温度呈显著负相关，而植被指数（NDBaI）与地表温度呈正相关农业用地的扩张植被覆盖度下降是导致植被含水量（湿地）减少和荒地增加的原因。此外，LST随着时间的推移而增加，并向研究区的各个方向扩展根据我们的调查结果，这项研究建议建立社区意识，以促进自然资源的可持续性的明智使用。此外，进一步研究土地利用变化对农业生产的影响，可以加深我们对环境变化对社区生态系统影响的认识。用于打印的打印机作者们同意将这篇手稿发表在《农业中的人工的数据在这份手稿中。资金这项研究没有收到资金作者贡献MBM涉及研究设计、数据收集、数据分析和草稿撰写。LBH和END参与数据分析。 DOG和BTG参与了方法学、数据分析和稿件编辑。所有作者阅读并批准了最终手稿。CRediTauthhipcontributionstatemetMitikuBadasaMoisa ： Conceptualization ， Datacuration ，Formalanalysis，Investigation，Methodology，Resources，Software，Validation，Visualization，WritingB ac haTe mesg genGabisa&：从总体上看，创新、技术、创新、创新。 L ac hisaBu shaH in ko sa：Formal 分 析 ， 调 查 ， 方 法 论 ， 资 源 ， 写 作 &-评论编辑 。 IndalleNiguseDejene：对于一般情况而言，Iv estig at ig i ng、Method -lolg、Reso rces、Writi g&- r e d i t i g。设计与操作：形式分析，调查，方法论，资源，写作Competinterest的Declartion提交人声明没有竞争利益。致谢作者感谢Wollega大学Shambu校区技术学院、农业学院、Wollega大学 Nekemte校区自然和计算科学学院以及Jimma大学农业和兽医学院提供现有设施进行本研究。引用Aik，D.H.J.，伊斯梅尔，M.H.，Muharam，F.M.，2020年。马来西亚金马伦高原陆地利用/土地覆盖变化及其与地表温度的关系陆地9372.Alemu，M.M.，2019. 埃塞俄比亚蓝尼罗河流域Andassa流域陆地表面温度和归一化植被指数变化的时空分析。J. Resour. Ecol.10（1），77-85.Atitar，M.，Sobrino，J.，2009年 从气象卫星9号数据估算LST的分裂窗算法：与数据和MODIS LST的测试和比较。IEEE地球科学远程传感器Lett. 6，122-12 6.Buffalo，E.，Meza，F.J.，2015年。用MODIS地表温度和植被资料估算最高和最低气温的方法 ： 在 智 利 Maipo 盆 地 的 应 用 。 Theor. 应 用 气 候 学 120 （ 1-2 ） ， 211-226 。https://doi.org/10的网站。1007/s00704-014- 1167-2。陈旭，赵，H.，Li，P.，尹，Z.，2006. 基于遥感影像的城市热岛与土地利用/覆盖变化关系分析。遥感环境。104，133-14 6.Cheng，X.，魏，B.，陈，G.，宋，C.，2015. 公园规模及其周边城市景观格局对公园降温效应的影响。J.城市规划。Dev. 141，A4014002。Dissanayake，D.，森本，T.，Murayama，Y.，Ranagalage，M.，2019年。撒哈拉以南地区景观结构对地表温度变化的影响：使用Landsat数据的亚的斯亚贝巴案例研究（1986-2016）。可持续性11，2257。https://doi.org/10.3390/su11082257网站。Fu，B.，伯格岛2015年。 河岸植被NDVI动态及其与土壤、地表水和地下水的关系。J.干旱环境。113，59-68. https://doi.org/10的网站。1016/j.jarnov.2014。九点十分高，不列颠哥伦比亚省，一九九六年。 NDWI是一种用于从空间遥感植被液态水的归一化差异水指数.遥感环境。58，257-26 6.Gemeda，D. O.，Feyssa，D.H.，Garedew，W.，2020年。 气象数据趋势分析和当地社区对气候变化的看法：埃塞俄比亚西南部吉玛市的案例研究。Environ. Dev.坚持住。23，5885-5903。Gemeda，D. O.，Korecha，D.，Garedew，W.，2021年气候变化的证据存在于埃塞俄比亚 西 南 部 最 潮 湿 的 地 区 。 Heliyon 7 （ 9 ） ， e08009. https://doi.org/10 的 网 站 。1016/j.heliyon.2021.e08009。Gemeda，D. O.，Korecha，D.，Garedew，W.，2022年在埃塞俄比亚西南部最潮湿地区使用标准化蒸散指数和未来降雨量和温度预测监测极端气候Environ. 挑战7，100517.网址：//doi. org/10.1016/j.envc.2022.100517。Iang，J.，田，G.，2010. 土地利用/覆被变化对地表温度影响的遥感分析。环境程序Sci. 2，571-57 5.Jiménez-Muñoz，C.，Sobrino，J.，2003. 从遥感数据反演陆面温度的广义单通道方法。杰·吉奥菲斯。Res. 一 百 零八y = 0.1713x - 317.74R² = 0.8909LST（0C）LST平均值（0C）M.B. Moisa，B.T.Gabissa，L.B.Hinkosa等人农业人工99Merga，B. B.，Moisa，M.B.，地方检察官内加什Ahmed，Z.，Gemeda，D. O.，2022年响应土地利用和土地覆盖动态的陆面温度变化：埃塞俄比亚西部Didessa河次流域的一个实例。地球系统Environ. https://doi.org/10。1007/s41748-022-00303-3。Mimbrero，M.R.，弗拉索瓦湖Pé，F.，2014年。陆地卫星系列图像地表温度与野火强度关系的分析。Remote Sens. 6，6136-6162. https://doi.org/10.3390/rs6076136。Moisa，M.B.，Dejene，I. N.，Merga，B. B.，Gemeda，D. O.，2022年a。在埃塞俄比亚西部安格河次流域使用地理空间技术的土地利用/土地覆盖动态对地表温度的影响。Environ.地球科学。81，99。https://doi.org/10.1007/s12665-022-10221-2.Moisa，M.B.，Merga，B. B.，Gemeda，D. O.，2022 b。农业干旱的多指标评估：以埃塞俄比亚南部Gilgel gibe次流域为例。Theor. Appl. 气候。148，455-464。Moisa，M.B.，Merga，B. B.，Gemeda，D. O.，2022年c。城市热岛动态对土地利用/土地 覆 被 变 化 的 响 应 ： 以 埃 塞 俄 比 亚 西 南 部 吉 玛 市 为 例 Theor. 应 用 气 候 学https://doi.org/10.1007/s00704-022-04055-y网站。秦，Z.，Karnieli，A.，Berliner，P.，2001. 陆地卫星TM数据反演地表温度的单窗算法及其在以色列-埃及边境地区的应用Int. J. Remote Sens.21，3719-3746.秦琴，孙，志峰，吴，Jianjun，Tan，2012.广州市地表温度与土地利用/土地覆盖的关系Environ. 地球科学。65，1687-1694。https://doi.org/10.1007/s12665-011-1145-2网站。Rasul，G.，Mahmood，A.，Sadiq，A.，Khan，S. I.，2012年。印度河三角洲对巴基斯坦气候变化的脆弱性。巴基斯坦气象学杂志。2012，8（16）.Sahana，M.，艾哈迈德河，Sajjad，H.，2016年。利用分裂窗算法和光谱辐射模型分析印度Sundarban生物圈保护区土地利用/土地覆盖变化对地表温度分布的响应模型地球系统Environ. 2，81。https://doi.org/10.1007/s40808-016-0135-5网站。Sobrino，J.A.，Jimenez-Munoz，J.C.，保利尼湖2004. LANDSAT TM5地表温度反演。遥感环境。90，434-44 0.宋，Z.，杨，H.，黄，X.，Yu，W.，黄，J.，妈妈，M.，2021年2003 - 2010年中国陆面温度变化的时空格局及其影响因素2019.国际应用地球观测地球信息杂志104（2021），102537. https://doi.org/10.1016/j的网站。 jag.2021.102537。Thanh，Noi Phan，Martin，Kappas，Trong，Chuanong，2018.越南西北部由于海拔变化引起的地表温度气候6，28。网址：//doi. org/10.3390/cli6020028。Wedajo ，G.B. ， Muleta ，M.K. ，Gessesse ， B. ，Koriche ，S.A. ， 2019. 埃塞 俄比亚Dhidhessa 河 流 域 植 被 绿 度 时 空 变 化 及 其 关 系 Environ. 系 统 研 究 8 ， 31 。https://doi.org/10.1186/s40068-019-0159-8.Wolteji，B. N.，Bedhadha，S.T.，Gebre，S.L.，Alemayehu，E.，Gemeda，D. O.，2022年埃塞俄比亚裂谷地区基于多指标的农业干旱评估。恩-维隆。挑战7，100488。徐，H.，2008年在卫星图像中描绘已建地物的新索引。Int.J. Remote Sens.29，4269Yuan，F.，鲍尔法医2007年陆地卫星图像中不透水面积和归一化植被指数作为城市热岛效应指标的比较。遥感环境。106，375-38 6.Zareie，S.，Khosravi，H.，Nasiri，A.，2016年。 利用陆地卫星专题成像仪（TM）传感器探测 伊朗亚兹德与土地利用变化有关的 地表 温 度 变化。 固 体地 球7 ， 1551-1564 。https://doi.org/10.5194/se-7-1551-2016。Zha，Y.，高，J.，Ni，S.，2003. 利用归一化差分建成指数自动绘制TM影像城镇图《国际遥感杂志》，24，583-594页。张玉，Yu，T.，顾，X.，张玉，Chen，L.，中国地质大学，2006年。CBERS-02 IRMSS热红外数据地表温度反演及其在城市热岛效应定量分析中的应用《遥感》北京10，789。志峰，武汉大学，Jianjun，Jim Tan，2012.广州市地表温度与土地利用/土地覆盖的关系Environ.地球科学。65，1687-1694。https://doi.org/10.1007/s12665-011-1145-2。Zhou，Xiaolu，Wang，Yi-Chen，2011.土地利用/覆被变化对地表温度动态的响应。地理学Res. 49（1），23-36。 https://doi.org/10.1111/j.1745-5871.2010.00686.x。