摘要
矿产资源的开发推动了社会经济的迅速发展，但同时也使矿区成为地表高温聚集区，对生态环境带来不利影响。基于2000~2018年研究区的Landsat卫星遥感影像，利用辐射传输方程法（Radiative Transfer Equation，RTE）反演地表温度（Land Surface Temperature，LST）；基于NDVI-DFI像元三分模型反演植被覆盖度（Vegetation Fractional Coverage，VFC）；借助回归分析法定量分析4个陆表生物物理指标（光合植被覆盖度（Fractional Cover of Photosynthetic Vegetation，fPV），土壤湿度（Normalized Difference Moisture Index，NDMI），建筑指数（Normalized Difference Build-Up Index，NDBI），裸土指数（Bare Soil Index，BSI））对地表温度的驱动机制；利用主成分分析方法（Principal Component Analysis，PCA）耦合以上4个生态参数，提出一种能够综合分析矿业开发密集区地表热环境分异效应的遥感综合生态模型（Remote Sensing Integrated Ecological Index，RSIEI），利用时空分析法定量化和可视化分析矿业开发密集区地表热环境时空分异的影响机理；借助热场变异指数（Heat Index，HI）分析研究区地表热环境分异效应与生态环境质量之间的关系。结果表明：4个生态参数对地表热环境分异效应具有不同的驱动作用，定量回归分析表明，fPV和NDMI与LST均呈线性负相关关系，并通过了p<0.01的显著性检验，说明光合植被覆盖度和土壤湿度的增加，对地表均具有降温效应；NDBI和BSI与LST均呈线性正相关关系，并通过了p<0.01的显著性检验，说明建筑用地和裸地面积的增加，对地表起升温效应。4个镇域矿业开发密集区RSIEI影像与LST影像的空间光谱分布特征表明，二者具有空间逆关联特点，即RSIEI值高（生态环境质量好）的像元对应于LST值低的像元，反之亦然。对4个镇域矿业开发密集区3个年份的RSIEI与LST的定量回归分析表明，RSIEI的值每上升10%，LST的值相应下降0.67~0.77°C。经验证基于主成分分析方法建立的RSIEI模型适用于矿业开发密集区地表热环境分异效应的综合评估。
以能源而兴起的城市坐落着大量开采矿区、工业园区等生产设施，在促进地方经济、文化等快速发展的同时，也带来一些生态环境问题。例如由于矿产开发引起的不当开挖、覆被占用和土地占用改变了城市下垫面的热特性，这些变化降低了植被蒸散，增加了不透水材料对太阳热辐射的吸收，不仅导致地表热环境聚集效应的出现，还会加大周边地表热环境的分异效
本文目的是基于遥感技术，选择典型的矿业开发密集区，定量分析研究区4个遥感生态参数（fPV，NDMI，NDBI，BSI）对矿业开发密集区地表热环境分异效应的驱动力和驱动机制，并利用主成分分析方法耦合以上4个陆表生态参数提出一种遥感综合生态模型RSIEI，讨论该模型对分析矿业开发密集区地表热环境分异效应的综合驱动作用。这项研究将有助于我们更好地理解矿业开发密集区地表热环境分异效应的影响机理，帮助决策者制定有效的环境治理政策。
研究区位于中国河北省唐山市东北部，燕山南麓，滦河岸边的迁安市。地理坐标为东经118°37′～118°55′，北纬39°51′～40°15′之间，西距北京市215 km，天津市160 km，东至秦皇岛市75 km，南距京唐港90 km，与唐山市相距90 km，总面积1208 k
图1 迁安市和乡镇A、B、C、D、E、F、G、H的Landsat卫星影像
Fig. 1 Landsat satellite image of study area
参与研究的3期影像均为来源于美国地质调查局（USGS）Landsat官方网站（United States Geological Survey，http：//glovis.usgs.gov/）的Level 1T级Landsat中分辨率系列卫星产品，3期影像季相相同，均为夏末秋初时节，影像质量完好，满足研究需要（
成像时间为格林尼治时间，影像过境时间为成像时间加上8个区时，AM为上午。
影像预处理主要是对可见光波段进行辐射定标和FLAASH大气校正，将像元灰度值转换为辐射亮度值，消除大气影响。对Landsat5 TM的第6波段和Landsat8 TIRS的第10波段（鉴于TIRS 11热红外波段的定标参数偏差较大，因此采用单通道算法单独反演TIRS 10波段来求算地表温
众多研究表明，地表裸露程度、建筑密集程度、地表绿化程度、土壤湿度等陆表生物物理指标均能够反映地表生态状态，并且对地表温度具有一定的正面或负面影
（1）本文选用由Guerschman
图2 2000年NDVI-DFI特征空间
Fig. 2 Feature space of NDVI-DFI in 2000
（2）利用可以有效反映土壤、植被及水体中水分特征的归一化水汽指数（NDMI）表征地表湿度状
NDMI = （Rnir-Rmir）/（Rnir+Rmir）， （1）
式中Rnir和Rmir分别代表近红外和中红外波段的光谱反射率。
（3）采用归一化建筑指数（NDBI）表征研究区的建成区和不透水面信
NDBI = （Rmir-Rnir）/（Rmir+Rnir）， （2）
式中Rmir和Rnir分别代表中红外波段和近红外波段光谱反射率。
（4）由于采矿活动的实施直接剥离掉大量矿区采场表土，出现的大面积裸露地表在遥感影像上与裸土的光谱特征相一致，因此采用Rikimar
BSI = （（Rswir1+Rred）-（Rblue+Rnir））/（（Rswir1+Rred）+（Rblue+Rnir））， （3）
式中Rswir1、Rred、Rblue和Rnir分别代表短波红外1波段，红波段，蓝波段和近红外波段的光谱反射率。
由于单独分析单一生态参数对矿业开发密集区地表热环境分异效应的影响机理是不充分的，因此结合研究区地物特点考虑光合植被覆盖度fPV、土壤湿度NDMI、建筑指数NDBI和增强型裸土指数BSI这4个陆表生物物理指标对地表热环境分异特征的综合驱动作用，拟建的遥感综合生态模型（Remote Sensing Integrated Ecological Index，RSIEI）表示为这4个生态指标的函数。由于各指标对地表热环境异质性的驱动力不同，需要对模型中各指标参数赋予不同的权重。当前，主成分分析（PCA）方法是一种将多个变量通过正交线性变换来选出少数重要变量的多维数据压缩技术，它将多维信息集中到少数几个特征分量上，而其中的第一个主分量是对原始多变量数据集方差贡献最大的新变量，克服了以往指标权重需要人为确定而影响评价结果的缺陷，因此，本文采用PCA方法集成以上 4 个变量构建RSIE
图3 RSIEI构建流程：fPV表示光合植被覆盖度、NDMI表示土壤湿度、NDBI表示建筑指数、BSI表示增强型裸土指数。Rnir、Rmir、Rswir1、Rred、Rblue分别代表近红外波段、中红外波段、短波红外1波段、红波段和蓝波段的光谱反射率。Layer Stacking代表4个生态参数波段组合，PCA代表主成分分析，PCA1代表第1主成分，RSIEI代表遥感综合生态指数。
Fig. 3 RSIEI flow chart of calculation
RSIEI =1- （PCA1） ｛［f（fPV， NDMI， BSI， NDBI）］｝= 1- ， （4）
式（4）中PCA1为PCA的第一个主成分，ak为主成分方差贡献权重，（PCA）k为各生态指标k的第一个主成分，n为基本生态参数的个数。
计算得到3期影像RSIEI结果后进行正规化处理，将其值固定在［0，1］范围内，值越接近1代表生态环境质量越好。
辐射传输方程法（RTE）是最早发展起来的一种地表温度反演算法，具有广泛的适用性，可应用于热红外遥感数据上的各种传感器，基本原理为去除大气影响前提下，借助大气辐射传输方程，将卫星所观测到的地表热辐射强度转化为相应的地表温
卫星传感器接收到的热红外光谱辐射亮度值Lλ的辐射传输方程：
Lλ = ［ εB（LST） + （1 - ε）Ld］τ + Lu， （5）
Lu和Ld分别为大气向上和向下辐射亮度；τ为大气在热红外波段的透过率；B（LST）为黑体热辐射亮度；ε为地表比辐射率。Lλ、B（LST）、Lu和Ld的单位均为W/（
地表比辐射率公式：
ε = 0.004×VFC+0.986， （6）
式中，VFC为各像元的植被覆盖度。假设大气、地表对热辐射具有朗伯体性质，则温度为LST的黑体在热红外波段的辐射亮度B（LST）为：
| B（LST） = ［Lλ-Lu-τ（1-ε）Ld］/τε. | （7） |
地面真实温度LST可以用普朗克公式的函数获取：
LST = K2 / ln（K1 / B（LST） + 1）. （8）
由于采用不同热红外传感器的卫星影像反演LST，所以普朗克公式中K1和K2的取值不同。
对于Landsat5 TM影像第6波段：
K1 = 607.76W/（
对于Landsat8 TIRS影像第10波段：
K1 = 774.89W/（
利用NASA官网提供的全球每日1 km分辨率的SIN投影坐标网格产品，对LST反演结果进行对比验证。该产品是等级为 3 的 HDF 格式存储的 MOD11A1地表温度数据，包含 12 个波段。该套产品采用了基于物理的白天/黑夜地表温度反演方
图4 基于Landsat影像利用辐射传输方程法反演地表温度验证
Fig. 4 Comparison on RTE of Landsat data and MODIS temperature product
对迁安市2018年土地利用进行分类发现，境内林地主要集中于北部和西南部山区；耕地遍布整个研究区境内；西部地区的工矿用地较为密集；研究区中部城镇村居民地比较集中，四周较为分散；水域主要是中心部位的滦河水系和各矿区尾矿库内的少量尾水；未利用地分布较少（
图5 迁安市2018年土地利用分类图
Fig. 5 Land use classification of Qian’an City of 2018
利用境内各乡镇矢量边界将2018年分类结果裁剪为19个乡镇，统计各类地物面积占比（
图6 2018年乡镇A、B、C、D、E、F、G、H地物面积占比（%）
Fig. 6 Percentage of land occupied by various types of ground objects in 8 townships on 2018
为可视化和定量化分析研究区2000~2018年地表热环境异质性特征，对LST和LUCC进行叠加分析，统计各类地物LST均值（
未利用地占地面积和对LST影响均较小，可以忽略不计，因而不统计该地类地温均值。
图7 4个矿业开发密集区2000~2018年LST空间分布：(a) 2000 (b) 2008 (c) 2018
Fig. 7 Spatial distribution of LST in study area from 2000 to 2018
为定量化探究fPV、NDMI、NDBI和BSI这 4生态参数对矿业开发密集区地表热环境异质性的驱动机制，以2018年为例对乡镇A、B、C、D的4个陆表生物物理指标及LST，利用ArcGIS10.2软件分别提取100个随机点，为防止点重合，约束距离大于60米。利用SPSS22.0软件将LST作为因变量，4个指标分别作为自变量进行回归分析（
为了进一步定量化、可视化探究研究区地表热环境分异效应对以上4个陆表生物物理指标时空变化的综合响应规律，利用PCA方法集成以上4个指标构建RSIEI模型。2000、2008、2018年4个指标在第1主成分的贡献率分别为96.49%、92.50%和92.50%（
利用3期影像第1主成分分析结果确定的各指标权重，计算得到迁安市3期RSIEI影像，并利用乡镇A、B、C、D矢量边界进行裁剪，分别探究2000、2008和2018年4个乡镇地表热环境分异效应对4个陆表生物物理指标的综合响应规律（
PCA1载荷代表各指标对RSIEI的贡献度。fPV、NDMI、NDBI、BSI和RSIEI分别代表光合植被覆盖度指标、土壤湿度指标、建筑指标、裸土指标和遥感综合生态模型。
为探究RSIEI对地表热环境分异效应的时空驱动机制，首先分别对基于4个生态参数构建的RSIEI和LST反演结果进行正规化处理（
图8 4个矿业开发密集区LST与RSIEI空间分布：(a) LST (b) RSIEI
Fig. 8 Spatial distribution patterns of LST and RSIEI in the study area on 2018
为进一步分析研究区生态环境质量分布规律与研究区热环境分异效应关系，选取合适的分级方法对2018年A乡镇的LST影像进行等级划分。热场变异指数常用于城市热岛分析，取得了较好效
HI（T）=（T-Tmean）/Tmean ， （9）
式中HI（T）是热场变异指数，T是某点的地表温度，Tmean是地表温度均值。
将LST反演结果分为五个等级得到地表热环境分异图（
图9 2018年A乡镇地表热环境分异图与生态环境质量分异图：(a) 地表热环境分异图 (b) 生态环境质量分异图
Fig. 9 Spatial distribution patterns of LST and RSIEI in the A town on 2018.
为进一步定量化和可视化分析矿业开发密集区地表热环境时空异质性机理，以0.2相等间隔对各年份RSIEI进行等级划分（
图10 4个矿业开发密集区2000~2018年RSIEI空间分布：(a) 2000 (b) 2008 (c) 2018
Fig. 10 Spatial distribution of RSIEI in study area from 2000 to 2018
由
图11 2000~2018年4个矿业开发密集区RSIEI均值：(a) 2000 (b) 2008 (c) 2018
Fig. 11 RSIEI values of four areas of mining intensive development from 2000 to 2018
为了定量分析乡镇A、B、C、D地表热环境分异效应对RSIEI的响应规律，以2018年为例，利用ArcGIS10.2软件在RSIEI及LST影像上分别提取100个随机点，为防止点重合，设置随机点约束距离大于60米。利用SPSS22.0软件将LST作为因变量，RSIEI作为自变量进行线性回归分析（
(a) A town
(b) B town
(c) C town
(d) D town
图12 2018年4个矿业开发密集区RSIEI(x)与LST(y)回归分析
Fig. 12 Single factor regression results based on RSIEI(x) and normalized LST(y) of 2018
结果表明，RSIEI与LST均呈线性负相关关系，决定系数
为验证RSIEI模型在矿业开发密集区的适用性，以2018年为例，分别计算乡镇A、B、C、D和乡镇E、F、G、H的RSIEI和LST，并对LST进行正规化处理，使值域在［0，1］之间，并按正规化后地表温度（Normalized Land Surface Temperature， NLST）的均值由高到低排序（
图13 2018年乡镇A、B、C、D与乡镇E、F、G、H的对比分析
Fig. 13 Comparison of normalized RSIEI and normalized LST between four mining intensive towns and four non mining intensive towns in 2018
在探究矿业开发密集区地表热环境分异效应的驱动机制过程中，利用RTE法反演LST，经与MODIS地表温度产品数据MOD11A1对比，表明本文反演的LST结果是合理的。选取4个陆表生物物理指标（fPV、NDMI、NDBI、BSI）作为基本生态参数，分析其对4个镇域矿业开发密集区地表热环境异质性的驱动作用。借助回归分析方法，将LST作为因变量，4个生态参数分别作为自变量进行定量分析，结果表明：4个矿业开发密集区的fPV和NDMI与LST均呈线性负相关关系，并通过了p<0.01的显著性检验，说明光合植被覆盖度和土壤湿度的增加对地表具有降温效应；BSI和NDBI与LST均呈线性正相关关系，并通过了p<0.01的显著性检验，说明裸地、建筑和不透水面的增加会对地表起增温效应，与前人研究成果吻
为分析矿业开发密集区地表热环境异质性的综合驱动机制，采用PCA法耦合4个生态参数（fPV、NDMI、NDBI、BSI）构建遥感综合生态模型（RSIEI），对其进行质量分级，并与借助热岛变异指数得到的地表热环境分级影像对比得出，高温区对应于生态环境质量差的区域，低温区对应于生态环境质量好的区域，二者具有逆空间关联的特点。研究表明，矿业用地与地表高温区在空间分布上较为一致，矿业开发加剧了地表热环境高温聚集效应，造成生态环境质量下
选取迁安市境内4个镇域非矿业开发密集区（E、F、G、H），验证RSIEI模型在镇域尺度矿业开发密集区（A、B、C、D）的适用性。将8个乡镇（A、B、C、D、E、F、G、H）按NLST均值由高到低排序进行对比分析，结果表明，NLST均值较低的4个非矿业开发密集区（E、F、G、H），RSIEI均值均比4个矿业开发密集区（A、B、C、D）要高；NLST均值较高的4个矿业开发密集区（A、B、C、D），RSIEI均值均低于4个非矿业开发密集区（E、F、G、H），充分说明矿业开发会对地表起增温效应，致使地表高温热环境聚集现象出现，使得矿业开发密集区生态环境质量下降。
本文基于辐射传输方程法反演研究区地表温度，选取与研究区生态环境最为紧密的4个陆表生态参数（光合植被覆盖度fPV，土壤湿度NDMI，建筑指数NDBI、裸土指数BSI），借助回归分析方法定量分析各生态参数，对研究区3个年份夏末秋初时节地表热环境异质性的驱动机制。为探究研究区地表热环境异质性的综合驱动作用，基于主成分分析方法耦合以上4个陆表生态参数构建遥感综合生态模型（RSIEI），并与LST空间分布特征进行对比分析，得出RSIEI与LST的空间分布具有空间逆关联的特点，研究区境内生态环境质量优秀的区域位于土壤湿度高的水域和光合植被覆盖度高的林地，而地表温度最高的区域位于矿区采场，说明矿业开发加剧了地表热环境高温聚集效应，是造成生态环境质量下降的主要原因。
借助热岛变异指数得到的研究区地表热环境分异特征分级影像与生态环境质量分级影像对比分析，进一步说明LST的空间分布在一定程度上影响着生态环境质量的空间分布特征。经验证RSIEI模型在4个镇域尺度矿业开发密集区，评估地表热环境分异效应具有较好的适用性。以上结论表明，利用RSIEI模型评估矿业开发密集区的地表热环境分异特征是有效并可行的，研究结果将对矿业开发密集区地表热环境改善，提高生态环境质量提供定量参考依据。
References
Liu W， Agusdinata D B， Myint S W. Spatiotemporal patterns of lithium mining and environmental degradation in the Atacama Salt Flat， Chile ［J］. International Journal of Applied Earth Observation and Geoinformation， 2019， 80： 145 - 156. [百度学术]
Wan C， Shen G Q， Choi S. A review on political factors influencing public support for urban environmental policy ［J］. Environmental Science & Policy， 2017， 75： 70 - 80. [百度学术]
Kumar G S， Reddy A N. Application of remote sensing to assess environmental impact of limestone mining in the Ariyalur district of Tamilnadu， India ［J］. Journal of Geomatics， 2016， 10（2）： 158 - 163. [百度学术]
ZHANG Wen-Qi， GONG Cai-Lan， HU Yong， et al. A Research on spatial downscaling of thermal infrared image based on improved three-layer decomposition model ［J］. J. Infrared Millim. Waves（张文奇，巩彩兰，胡勇，等. 改进的三层分解模型热红外影像空间降尺度研究. 红外与毫米波学报）， 2019， 38（2）： 203 - 209. [百度学术]
García-Santos V， Cuxart J， Martínez-Villagrasa D， et al. Comparison of three methods for estimating land surface temperature from landsat 8-tirs sensor data［J］. Remote Sensing， 2018， 10（9）： 1450. [百度学术]
LI Fu-Ping， YUAN Huai-Yu. Potential assessment of landscape ecological rehabilitation in mining concentrated district ［J］. Chinese Journal of Metal Mine（李富平，袁怀雨. 矿业开发密集地区景观生态重建潜力评价. 金属矿山）， 2004（1）： 54 - 57. [百度学术]
Grigoras G， Uritescu B. Land use/land cover changes dynamics and their effects on surface urban heat island in Bucharest， Romania ［J］. International Journal of Applied Earth Observation and Geoinformation， 2019， 80： 115 - 126. [百度学术]
Zhang Y， Sun L. Spatial-temporal impacts of urban land use land cover on land surface temperature： Case studies of two Canadian urban areas ［J］. International Journal of Applied Earth Observation and Geoinformation， 2019， 75： 171 - 181. [百度学术]
Min M， Lin C， Duan X， et al. Spatial distribution and driving force analysis of urban heat island effect based on raster data： a case study of the Nanjing metropolitan area， China ［J］. Sustainable Cities and Society， 2019， 101637. [百度学术]
Chun B， Guldmann J M. Impact of greening on the urban heat island： Seasonal variations and mitigation strategies ［J］. Computers， Environment and Urban Systems， 2018， 71： 165 - 176. [百度学术]
Jaganmohan M， Knapp S， Buchmann C M， et al. The bigger， the better？ The influence of urban green space design on cooling effects for residential areas ［J］. Journal of Environmental Quality， 2016， 45 （1）： 134. [百度学术]
Lu D， Weng Q. Spectral mixture analysis of ASTER images for examining the relationship between urban thermal features and biophysical descriptors in Indianapolis， Indiana， USA ［J］. Remote Sensing of Environment， 2006， 104（2）， 157 - 167. [百度学术]
Feng Y， Gao C， Tong X， et al. Spatial patterns of land surface temperature and their influencing factors： a case study in Suzhou， China ［J］. Remote Sensing， 2019， 11（2）： 182. [百度学术]
Xiong Y， Huang S， Chen F， et al. The impacts of rapid urbanization on the thermal environment： A remote sensing study of Guangzhou， South China ［J］. Remote sensing， 2012， 4（7）， 2033 - 2056. [百度学术]
Min M， Lin C， Duan X， et al. Spatial distribution and driving force analysis of urban heat island effect based on raster data： a case study of the Nanjing metropolitan area， China ［J］. Sustainable Cities and Society， 2019， 101637. [百度学术]
Cai G， Du M， Gao Y. City block-based assessment of land cover components’ impacts on the urban thermal environment ［J］. Remote Sensing Applications： Society and Environment， 2019，13： 85 - 96. [百度学术]
Guerschman J P， M J Hill， L J Renzullo， et al. Estimating Fractional Cover of Photosynthetic Vegetation， Non-Photosynthetic Vegetation and Bare Soil in the Australian Tropical Savanna Region Upscaling the EO-1 Hyperion and MODIS Sensors ［J］. Remote Sensing of Environment， 2009， 113 （5）： 928 - 945. [百度学术]
Wang G Z， Wang J P， Zou X Y， et al. Estimating the fractional cover of photosynthetic vegetation， non-photosynthetic vegetation and bare soil from MODIS data： Assessing the applicability of the NDVI-DFI model in the typical Xilingol grasslands ［J］. International Journal of Applied Earth Observation and Geoinformation， 2019， 76： 154 - 166. [百度学术]
Wilson E H， Sader S A. Detection of forest harvest type using multiple dates of Landsat TM imagery ［J］. Remote Sensing of Environment， 2002， 80（3）： 385 - 396. [百度学术]
Prasad P R， N Nagabhatla， C S Reddy， et al. Assessing Forest Canopy Closure in a Geospatial Medium to Address Management Concerns for Tropical Islands-Southeast Asia ［J］. Environmental Monitoring and Assess-Ment， 2010， 160 （1 - 4）： 541 - 553. [百度学术]
Zha Y， Gao J， Ni S. Use of normalized difference built-up index in automatically mapping urban areas from TM imagery ［J］. International Journal of Remote Sensing， 2003， 24（3）， 583 - 594. [百度学术]
Rikimaru A. Landsat TM data processing guide for forest canopy density mapping and monitoring model ［C］. Workshop on Utilization of Remote Sensing in Site Assessment and Planning for Rehabilitation of Logged－over Forest. Bangkok， Thailand， 1996： 1 - 8. [百度学术]
Hu X， Xu H. A new remote sensing index for assessing the spatial heterogeneity in urban ecological quality： A case from Fuzhou City， China ［J］. Ecological indicators， 2018， 89， 11 - 21. [百度学术]
Zhu X， Wang X， Yan D， et al. Analysis of remotely-sensed ecological indexes’ influence on urban thermal environment dynamic using an integrated ecological index： a case study of Xi’an， China ［J］. International Journal of Remote Sensing， 2018：1 - 27. [百度学术]
XU Han-Qiu. Assessment of ecological change in soil loss area using remote sensing technology［J］. Transactions of the Chinese Society of Agricultural Engineering（徐涵秋.水土流失区生态变化的遥感评估. 农业工程学报）， 2013， 29（7）： 91 – 97 + 294. [百度学术]
ZHOU Xue-Ying，SUN Lin，WEI Jing，et al. Analysis of thermal field distribution in winter over Beijing from 1985 to 2015 using landsat thermal data ［J］. Spectroscopy and Spectral Analysis（周雪莹，孙林，韦晶，等. 利用Landsat热红外数据研究1985年-2015年北京市冬季热场分布. 光谱学与光谱分析）， 2016， 36（11）： 3772 - 3779. [百度学术]
Barsi J A， Barker J L， Schott J R. An atmospheric correction parameter calculator for a single thermal band earth-sensing instrument. In Proceedings of the IEEE International Geoscience and Remote Sensing Symposium［J］. （IGARSS） （IEEE Cat. No.03CH37477）， Toulouse， France， 2003， （5）：3014 - 3016. [百度学术]
Irons J R， Dwyer J L， Barsi J A. The next landsat satellite： the landsat data continuity mission ［J］. Remote Sensing of Environment， 2012， 122： 11 - 21. [百度学术]
Wan Z. New refinements and validation of the MODIS land-surface temperature/emissivity products ［J］. Remote Sensing of Environment， 2014， 112（1）： 59 - 74. [百度学术]
HUANG Shuang-Yan， YANG Liao， CHEN Xi， et al. Study of typical arid crops classification based on machine learning ［J］. Spectroscopy and Spectral Analysis（黄双燕，杨辽，陈曦，等. 机器学习法的干旱区典型农作物分类. 光谱学与光谱分析）， 2018， 38（10）： 3169 - 3176. [百度学术]
LI Fu-Ping. Fuzzy cluster analysis for concentration of abundant mines district ［J］. Industrial Minerals & Processing（李富平. 矿业开发密集程度的模糊聚类分析. 化工矿物与加工），2003， （10）： 9 – 11 + 8. [百度学术]
WU Chang-Guang， LIN Yao-Yu， WANG Yao-Wu， et al. Seasonal variations of urban land surface thermal environment and its relationship to land surface characteristics ［J］. Journal of Harbin Institute of Technology（吴昌广，林姚宇，王耀武，等. 城市地表热环境季节变化及与下垫面特征关系. 哈尔滨工业大学学报）， 2015， 47（4）： 26 - 30. [百度学术]
XUE Xiao-Juan， MENG Qing-Yan， WANG Chun-Mei， et al. Monitoring spatio-temporal changes of heat island effect in Beijing based on HJ-1B ［J］. Journal of Geo-Information Science（薛晓娟，孟庆岩，王春梅，等. 北京市热岛效应时空变化的HJ-1B监测分析. 地球信息科学学报）， 2012， 14（4）： 474 - 480. [百度学术]
YANG Wen-Rui， LI Feng， HE Yong. Characteristic change and analysis of urban heat island in Beijing， China， Summer， 2003—2011 ［J］ Acta Ecologica Sinica（阳文锐，李锋，何永. 2003—2011年夏季北京城市热景观变化特征. 生态学报）， 2014， 34（15）： 4390 - 4399. [百度学术]
Roberts D A， Quattrochi D A， Hulley G C， et al. Synergies between VSWIR and TIR data for the urban environment： An evaluation of the potential for the Hyperspectral Infrared Imager （HyspIRI） Decadal Survey mission ［J］. Remote Sensing of Environment， 2012， 117， 83 - 101. [百度学术]
Guo G H， Wu Z F， Xiao R B， et al. Impacts of urban biophysical composition on land surface temperature in urban heat island clusters ［J］. Landscape and Urban Planning， 2015， 135： 1 - 10. [百度学术]
He B J， Zhao Z Q， Shen L D， et al. An approach to examining performances of cool/hot sources in mitigating/enhancing land surface temperature under different temperature backgrounds based on Landsat 8 image ［J］. Sustainable Cities and Society， 2019， 44：416-427. [百度学术]
Zhao Z Q， He B J， Li L G， et al. Profile and concentric zonal analysis of relationships between land use/land cover and land surface temperature： Case study of Shenyang， China ［J］. Energy and Buildings， 2017， 155： 282-295. [百度学术]
Rao Y， Xu Y， Zhang J， et al. Does subclassified industrial land have a characteristic impact on land surface temperatures？ Evidence for and implications of coal and steel processing industries in a Chinese mining city ［J］. Ecological indicators， 2018， 89， 22 - 34. [百度学术]