基于太陽輻射效應校正的高原鐵路廊道地熱異常區識別研究

邊 民， 董 慶， 王 棟， 孟德利， 趙文博， 周厚瑀

(1. 中國科學院空天信息創新研究院 數字地球重點實驗室， 北京 100094； 2. 中國科學院大學，北京 100049； 3. 中科衛星應用德清研究院 浙江省微波目標特性測量與遙感重點實驗室，浙江 湖州 313200； 4. 中鐵二院工程集團有限責任公司， 四川 成都 610031)

0 引言

某高原鐵路東起成都市，西至拉薩市，是連接我國西南地區的重大工程[1]。其中，新建雅安至林芝段是該高原鐵路地質條件最復雜、地形地貌最艱險的地段[2-3]，具有板塊活動強烈、生態環境脆弱、地質災害頻發等特點[4]，并且橋梁隧道占比高，極易受到高地溫熱害的影響[5-6]。高地溫熱害不僅會降低機械設備效率、影響施工進度，還會惡化作業環境、威脅人員安全，并影響工程后期運營維護[7-8]。因此，準確識別地熱異常區對高原鐵路建設至關重要。

熱紅外遙感反演地表溫度(land surface temperature，LST)是實現地熱異常區識別的一種有效技術手段[9]。但高原鐵路沿線地形地貌復雜，地表溫度反演會受到太陽輻射效應的影響，高大山坡產生陰影遮擋，使光照面(陽坡)比陰影面(陰坡)受到更多的太陽輻射，地表溫度也更高，產生陰陽坡現象[10]，對地熱信息的提取帶來干擾。因此，去除高原山區地表溫度反演中的太陽輻射效應是地熱異常識別中亟需開展的工作。

去除太陽輻射的常用方法是通過將存在地形起伏影響的影像像元DN值校正到某一參考平面(通常是水平面)上，抑制太陽輻射效應的影響[11]，考慮到高原復雜的大地形和局部地形多尺度效應影響，太陽輻射效應去除效果欠佳。周桃勇等[12]將地表溫度按坡向分成陰坡、陽坡、過渡坡3個子區，然后根據坡向與地表溫度的線性擬合關系將其校正到水平坡度上，達到抑制太陽輻射效應的效果，但陽坡、過渡坡和陰坡的劃分具有不確定性，且該研究沒有對太陽輻射進行定量計算。Hais等[13]將山區植被表層溫度表示為海拔和山體陰影的函數，利用線性回歸的方法對太陽輻射效應進行削弱，但簡單的線性回歸模型無法很好地表征出地表溫度與各因子之間的關系。已有的太陽輻射校正方法對于太陽輻射沒有進行定量的計算，且將太陽輻射對地表溫度的影響簡化為線性關系，去除太陽輻射效應的效果不理想。隨機森林(random forest, RF)作為一種機器學習方法，是目前效果最好的非線性模型之一，可以準確表達地表溫度與各因子間復雜的非線性關系[14]；隨機森林對多元線性不敏感，無需對變量的正態性和獨立性等假設條件進行檢驗，能夠保留樣本的最原始信息[15]，并且運算高效、結果準確，可以很好地構建地表溫度與各關鍵因素之間的非線性關系，進而去除地表溫度的太陽輻射效應。

除了太陽輻射效應對地表溫度反演的影響外，基于熱紅外遙感識別地熱異常區還存在考慮因素不全面、人為主觀因素影響大、識別精度較低等缺點。因此，構建一種可靠的地熱異常識別模型十分必要。確定性系數(certainty factor，CF)方法是一種二元統計方法，可以用來研究不同因素對某一事件所產生影響的靈敏度[16]；該方法被廣泛用于滑坡、泥石流等地質災害評估[17-18]，具有計算嚴密、準確性高等優點，可以有效解決輸入數據的不確定性和異質性問題[19]。因此，采用確定性系數方法來定量識別和評價地熱異常區是可行的。

目前，在使用熱紅外遙感識別地熱異常的研究中，太陽輻射的影響沒有得到足夠的重視，且僅僅依靠地表溫度單一要素，必然會影響對地熱異常區的準確識別。本文旨在去除太陽輻射效應引起的地表溫度變化，以提高高原鐵路廊道地熱異常區識別的準確度，然后利用確定性系數方法構建多指標因子模型對地熱異常區進行識別和分級，并通過野外溫泉點對不同分級的異常區進行定量評價。

1 研究區概況和研究數據

1.1 研究區概況

研究區為高原鐵路雅安至林芝段，該區域地處青藏高原東南部(見圖1(a))。區域內地質地貌條件復雜，坐落有二郎山、折多山、芒康山、伯舒拉嶺、念青唐古拉山等高大山脈，地勢陡峭；水系密布，包含大渡河、雅礱江、金沙江、瀾滄江、怒江、雅魯藏布江等水系。受強烈的板塊碰撞作用影響，研究區活動斷裂(帶)發育密集，主要包括鮮水河斷裂、理塘斷裂、巴塘斷裂、金沙江斷裂、嘉黎斷裂等深大斷裂帶，具有構造活動強烈、地質災害多發、溫泉地熱廣布等特點[3]。

(a) 研究區空間范圍

(b) Landsat8真彩色影像(2018-11—2019-02)

(c) 研究區DEM

(d) 地磁異常數據鐵路線引自文獻[3]。圖1 研究區與數據概況Fig. 1 Schematic of study area and dataset

1.2 研究數據

本文使用的數據主要包括遙感數據、DEM數據以及其他數據。

遙感數據為白天和夜間的熱紅外影像。白天熱紅外數據為2013—2021年冬季覆蓋研究區的Landsat8 L1TP級影像共168景(見圖1(b))；熱紅外傳感器(thermal infrared sensor，TIRS)數據的空間分辨率已被重采樣為30 m，本文進一步對其進行輻射定標、大氣校正等預處理。夜間熱紅外數據來自NASA的空間站生態系統天基熱輻射實驗(ECOsystem spaceborne thermal radiometer experiment on space station，ECOSTRESS)生成的地表溫度和發射率二級數據(ECO2LSTE)，時間范圍為2018—2021年冬季；該數據原始空間分辨率為70 m，本文將其重采樣至30 m，與Landsat8 TIRS保持一致。

DEM數據來源于ASTER GDEM V3產品(見圖1(c))，水平分辨率為30 m。

其他數據包括研究區內溫泉點數據(見圖1(a))、斷裂(帶)數據(見圖1(a))、地磁異常數據(見圖1(d))以及水系數據(見圖1(a))。數據的詳細情況見表1。

2 研究方法

首先，基于Landsat8熱紅外數據以及ECO2LSTE數據得到白天和夜間的地表溫度；然后，利用隨機森林方法去除地表溫度反演結果中太陽輻射效應的影響，消除太陽輻射對地熱信息提取的干擾；最后，利用多指標因子構建地熱異常區識別與評價模型，得到研究區地熱異常區分布結果，并結合已知溫泉點對結果進行評價。地熱異常區識別技術流程圖見圖2。

圖2 地熱異常區識別技術流程圖Fig. 2 Flowchart of geothermal anomaly identification

2.1 地表溫度反演

地表溫度的反演算法主要有輻射傳輸方程法、通用單通道算法、單窗算法、分裂窗算法、溫度發射率分離法等[20]。由于Landsat8衛星第11波段的定標參數不穩定，本文使用單窗算法[21]反演地表溫度。

單窗算法基于輻射傳輸方程推導得到，只需要已知地表發射率、大氣透過率和平均溫度3個參數就可以反演得到地表溫度：

ts=[a(1-C-D)+b(1-C-D)+C+D)tb-Dta]/C。

(1)

式中：ts為衛星反演得到的地表溫度，℃;ta為大氣平均溫度，℃；tb為亮度溫度，℃；a和b為回歸系數,分別取值-62.72和0.433 9;C和D為中間變量，可通過大氣透過率和地表發射率計算得到[21]。

2.2 太陽輻射效應去除

本文采用隨機森林方法和白天/夜間的多時相地溫求均值的方法，對地表溫度的太陽輻射效應進行抑制，突出地熱造成的地表溫度異常。

2.2.1 隨機森林方法

地表溫度與地形、植被條件、水分條件和太陽輻射密切相關。本文采用隨機森林方法構建模型，以準確表達地表溫度與關鍵要素之間的非線性關系，模型的自變量為海拔、坡度、坡向、累積太陽輻射、NDVI(歸一化植被指數)、NDSI(歸一化積雪指數)、NDWI(歸一化水體指數)以及反照率(見圖3)，因變量為地表溫度。累積太陽輻射采用Han等[22]的方法計算得到，反照率采用Traversa等[23]的方法計算得到。利用模型模擬地表溫度與原始反演地表溫度進行對比可以驗證模型模擬的準確度，基于隨機森林模型對各因子與地表溫度非線性關系的準確模擬，進而將模型中與太陽輻射效應相關的輸入因子(如坡度、坡向和累積太陽輻射等)設為參考值，而其余輸入因子保持不變，得到去除太陽輻射效應的地表溫度。

(a) 海拔

(b) 坡度

(c) 坡向

(d) 累積太陽輻射

(e) NDVI

(f) NDSI

(g) NDWI

(h) 反照率圖3 隨機森林模型自變量Fig. 3 Independent variables of random forest model

1)通過隨機森林回歸算法建立地表溫度與各影響要素之間的非線性模型：

tRF=F(ELV,SLP,ASP,CSR,NDWI,NDVI,NDSI,ALB)。

(2)

式中：tRF為使用隨機森林回歸算法模擬的地表溫度，℃；F為非線性函數模型； ELV為海拔高程，m； SLP為地表坡度； ASP為地表坡向； CSR為累積太陽輻射，MJ/m2； ALB為地表反照率。

2)隨機森林方法模擬的地表溫度與原始地表溫度之間會存在一定的誤差，可以表示為：

Δ=tO-tRF。

(3)

式中Δ為原始地表溫度值tO與隨機森林模擬溫度值tRF的差值，可以認為是隨機森林模型的模擬誤差。

3)結合式(2)和式(3)，可以得到：

tO=F(ELV,SLP,ASP,CSR,NDWI,NDVI,NDSI,

ALB)+Δ。

(4)

地表溫度值可以看作是多種關鍵要素的函數，其中，包含由太陽輻射差異引起的變化值和非太陽輻射相關值。本文通過隨機森林模型去除地表溫度的太陽輻射效應，得到校正后的地表溫度。

2.2.2 日夜多時相地溫求均值

利用日夜多時相地表溫度聯合探測地熱異常，可以更好地去除太陽輻射效應對地熱異常識別的干擾。夜間地表溫度雖不受太陽輻射的直接影響，但河谷效應顯著；河谷效應也是由太陽輻射效應引起的，因為水的比熱容大，且白天水體受到太陽輻射蒸發，河谷內空氣濕熱，夜間由于河谷地帶地形相對封閉，加劇了地表升溫，也會對地熱信息的提取帶來干擾。由于不同地物比熱容及賦存結構的差異，自然地物在白天/夜間的相對熱/冷異常對地熱信息提取的干擾也必須考慮在內。因此，本文采用日夜多源多時相熱紅外遙感數據相加求平均值，通過白天和夜間溫度聯合分析，消除太陽輻射效應和自然地物間的相對熱/冷異常，更好地突出地熱所導致的地溫高異常，提升對地熱異常區的識別能力。

2.3 地熱異常區識別

地熱高溫異常的產生是多種因素共同作用造成的，需要綜合考慮不同因子對地熱分布的影響，并確定指標量化方法，選取適當的數學模型計算得到地熱異常的易發程度。本文采用確定性系數(certainty factor，CF)模型來識別和評價地熱異常區。

2.3.1 確定性系數值計算

確定性系數是一個概率函數[24]，主要思想是地熱的易發性可依據已經存在的地熱信息與確定為影響因子的數據集之間的統計關系來確定[25]。地表出露的溫泉是地熱異常的有效表征，因此，可將溫泉視為已知的地熱信息，參與地熱異常識別模型的構建。由于影響地熱存在的各指標因子量綱不同，不能直接進行數學計算，而確定性系數可將各因子同區間定量化，有效解決不同數據量綱的差異性問題[21]。確定性系數計算公式為：

(5)

式中：KCF為確定性系數；Pa為影響因子分級圖層內存在地熱的條件概率，此處為分級內溫泉點數目與分級內柵格數目之比；Ps為地熱發生的先驗概率，此處為研究區有溫泉點的評價單元數與研究區評價單元總數之比。

利用確定性系數模型識別和評價地熱異常區，需要對選取的指標因子進行分級，并計算各分級區間內的確定性系數大小。確定性系數的取值范圍是[-1,1]，值越大代表單元內存在地熱的確定性越高。當結果為正時，表示有利于地熱異常的存在；當結果為負時，表示不利于地熱異常的存在；當結果接近于0時，無法確定評價單元是否存在地熱異常。

2.3.2 各指標因子權重計算

從式(5)可以看出，各指標因子的確定性系數值與該因子對地熱存在與否的貢獻值密切相關，因此，可以根據CF值計算每個因子的相對貢獻大小。

(6)

式中：w為某指標因子的相對貢獻值；Zi為某因子的CF分段貢獻值；i為CF的分段級別，i=1，2，…，n。

將式(6)計算的各指標因子相對貢獻值歸一化后，即可得到該因子的權重。

3 研究結果與分析

3.1 地表溫度反演結果

研究區多年期冬季平均地表溫度分布如圖4所示。由于本次研究針對的是高地溫異常，故將白天和夜間地表溫度的下限值分別設定為-20 ℃和-30 ℃；同時，將白天和夜間地表溫度的上限值分別設定為40 ℃和20 ℃，溫度區間統一，便于對比太陽輻射效應校正前后地表溫度的差異。可以看出，Landsat8反演得到的白天地表溫度受到地形背景和太陽輻射效應的顯著影響，地表溫度高值區大多分布于地形起伏較大區域的山坡陽面、河谷地帶以及裸露地表區域；低值區主要是積雪、山體陰影以及植被密集區域。ECO2LSTE夜間地表溫度的河谷效應顯著；高值區主要是水體和河谷地區，大致包括大渡河、雅礱江、金沙江、瀾滄江、怒江、雅魯藏布江等大江大河的河谷地帶；低值區主要是裸地、積雪覆蓋地區以及高海拔的山區。

黑框區域為陰陽坡效應典型區。(a) Landsat8白天地表溫度

黑框區域為河谷效應典型區。(b) ECO2LSTE夜間地表溫度圖4 研究區多年期平均地表溫度Fig. 4 Multi-year average LST of study area

3.2 地表溫度太陽輻射效應去除

在隨機森林模型中，ntree是對模型效果影響程度最大的參數，需要擇優選擇。ntree值和模型預測得分如圖5所示。從圖中可以看出，當ntree值為0～25時，隨著ntree取值增大，模型的預測得分也會增加，且增長速率較快；當ntree值為25～100時，模型的預測得分增長速率逐漸放緩；當ntree值達到100后，模型預測得分趨于穩定。因此，本文ntree取值為100。

圖5 ntree值和模型預測得分Fig. 5 Plot of ntree number and model prediction score

隨機森林方法去除太陽輻射效應的前提是基于對地表溫度的精確模擬。圖6(a)和圖6(b)分別示出白天和夜間模型模擬LST的空間分布，并將局部的模型模擬LST與原始反演LST進行對比驗證。從圖中可以看出，模型模擬LST與原始反演LST的一致性程度較好，LST高值區和低值區高度吻合。對局部放大圖進行對比分析，模型模擬的LST可以較好地反映LST的層次過渡且能夠很好地表征陰陽坡效應、河谷效應等現象，表明隨機森林模型模擬的精度較好。

(a) Landsat8白天模擬地表溫度

為進一步定量分析原始反演LST與模型模擬LST之間的一致性，本文采用決定系數(R2)、均方根誤差(RMSD)、平均絕對誤差(MAD)作為評價指標，來評價隨機森林模型的模擬效果。原始反演LST與模型模擬LST比較如圖7所示。訓練數據的比較結果顯示，影像的R2為0.97，RMSD為0.93 ℃，MAD為0.66 ℃；測試數據的比較結果顯示，影像的R2為0.92，RMSD為1.95 ℃，MAD為1.76 ℃。上述統計參數表明，模型具有較高的模擬精度，隨機森林方法可以精確解譯地表溫度空間分布特征。

(a) 訓練數據

(b) 測試數據散點的顏色代表了該位置點的密度。圖7 原始反演LST與模型模擬LST比較Fig. 7 Comparison result of original inversion LST and model simulation LST

太陽輻射效應去除后的地表溫度分布如圖8所示。研究區由于地形背景和太陽輻射差異造成陰陽坡效應、河谷效應明顯，地表溫度分布變化劇烈，而去除太陽輻射效應的地表溫度與原始地表溫度相比變化范圍明顯減小，LST空間異質性明顯降低，太陽輻射得到了較明顯的消減。分別選取研究區內陰陽坡效應和河谷效應典型區域進行分析。1)樣區1位于雅江縣城東部，區域內地形起伏明顯，且山地呈東西走向，具有顯著的陰陽坡地理分異。對比校正前后的LST分布圖可以看出，校正前的LST空間差異十分顯著，太陽輻射效應尤其突出；而校正后的LST分布較為均勻，過渡更為平滑，空間異質性明顯降低，陰坡陽坡的地表溫度差大幅減小。2)樣區2位于雅江縣城所在河谷地區，該區域河谷深切，地表溫度具有典型的河谷效應。對于夜間LST，校正前河谷地區地表溫度顯著高于周邊地區，而校正后河谷地區地表溫度的高值區得到了有效抑制。由此可見，基于隨機森林的LST地形效應去除方法效果顯著。

(a) Landsat8白天校正后地表溫度

(b) ECO2LSTE夜間校正后地表溫度圖8 太陽輻射效應校正LSTFig. 8 LST after solar radiation effect correction

經過太陽輻射效應去除后的日夜多時相地表溫度平均值可以作為后續確定性系數模型的輸入因子，用于地熱異常區的識別。

3.3 地熱異常區識別與評價

3.3.1 確定性系數計算結果

地熱的產生會受到多種因素的影響，基于地熱異常的形成機制和分布規律，結合研究區的地形、地質和實地調查資料，本文選取去除太陽輻射效應的地表溫度、斷裂密度、到水系距離和地磁異常4個評價指標作為模型輸入因子。地熱蘊含著豐富的能量，其引發的地球表面溫度異常，可利用熱紅外遙感反演來獲取，因此地表溫度是地熱存在的重要指示因子[26]；地下水可以從斷裂形成的滲流通道到達地殼深處，加熱后產生地熱活動[27]，基于斷裂(帶)數據可以得到斷裂密度作為模型輸入因子；在一定深度范圍內，地表水和淺層地下水沿著構造裂縫滲流到深部，在下滲過程中被圍巖加熱而形成地熱[28]，因此水系可為地熱的形成提供水源，采用到水系距離作為地熱分布的影響因素是可行的；地磁異常可以用來表征構造應力變化明顯區域以及地下熱水活動區域，因此可將地磁異常作為輸入因子[29]。將選取的因子重分類為7個等級(見圖9)，并計算各因子的確定性系數值(見表2)。

(a) 地表溫度

(b) 斷裂密度

(c) 到水系距離

(d) 地磁異常圖9 確定性系數模型輸入因子Fig. 9 Certainty factor model input factor

表2 確定性系數計算結果Table 2 Calculation results of certainty factor

由式(6)計算得到各因子的相對貢獻值并歸一化后得到地表溫度、斷裂密度、到水系距離和地磁異常的權重分別為0.35、0.28、0.24、0.13。將各因子的確定性系數值加權疊加獲得CF模型最終計算結果，如果模型值低于0，則說明與地熱高溫現象無關，因此，將第1個閾值設置為0，模型大于0的值按照自然斷點法分為3類，值越高代表存在地熱異常可能性越高。最終將結果劃分為高異常區、中異常區、低異常區和無異常區4個區域，如圖10(a)所示。高異常區和中異常區主要包括康定縣北部和西部、道孚縣中部和北部、理塘縣中部、貢覺縣和察雅縣西部、八宿縣西部以及林芝縣東北部地區，這些地區受到鮮水河斷裂帶、甘孜—理塘斷裂帶、金沙江斷裂帶、怒江斷裂帶、瀾滄江斷裂帶以及嘉黎斷裂帶的控制，且多位于河谷地區，具有地熱產生的條件。

文獻[30]對高原鐵路廊道地熱異常區進行了劃定，對地熱異常區的空間分布特征和鐵路沿線隧道熱害進行了定性識別。將其結果(見圖10(b))與本文得到的地熱異常區進行比較和評價，可以看出本文與前者對地熱異常區的識別基本吻合，但本文的異常區分級更符合實際情況。從異常區分布來看，前者對異常區的識別范圍過大，包含了很多非異常區，如丹巴縣西部、八宿縣南部、波密縣東部以及昌都和察雅交界地區。造成這一現象的主要原因是文獻[30]按照不同控熱構造及溫泉分布綜合解譯劃分異常區，以定性識別為主，識別結果空間分辨率較低，結果的可靠性依賴于野外實測資料，具有一定的主觀性和不確定性。而本文中地表溫度去除了太陽輻射的影響，采用多指標因子進行定量化識別，劃定的異常區范圍更加精細，識別結果可靠性更高。

(a) 本文所得地熱異常區分級

(b) 文獻[30]所得地熱異常區分級圖10 地熱異常分級圖Fig. 10 Geothermal anomaly classification map

3.3.2 鐵路沿線熱害分布

相比于整個研究區，鐵路沿線兩側是需要重點識別高溫熱害的區域，因此，本研究分別根據高原鐵路沿線左右20 km和30 km作為緩沖區(內層20 km為核心區，外層30 km為次級區)與地熱異常區進行疊加分析(見圖11)，并對不同等級地熱異常區交通廊道長度進行分析和統計(見表3)。可以看出，高原鐵路主要途徑瀘定—康定、理塘盆地及周邊、巴塘、貢覺、昌都—察雅、八宿、波密—魯朗7個地熱異常區。

紅色虛線圈定區域為地熱異常區。圖11 鐵路沿線緩沖區地熱分布Fig. 11 Geothermal distribution in buffer zone along railway

表3 高原鐵路廊道地熱異常區統計Table 3 Statistics of geothermal anomaly areas along plateau railway

3.3.3 地熱異常提取結果評價

頻率比可用于評估模型識別結果的有效性和可靠性[17]。該方法是將識別結果每一分級內的溫泉占比除以該級別內柵格占比得到頻率比，可說明模型的識別結果是否準確。從頻率比計算結果(見表4)可以看出： 1)高異常區柵格數僅占研究區總柵格數的4.40%，卻包含有66個溫泉點，占溫泉點總數的33.50%，頻率比達到7.61；中異常區柵格數占研究區總柵格數的8.35%，涵蓋51個溫泉點，占溫泉點總數的25.89%，頻率比為3.10；高異常區和中異常區的頻率比均高于1。2)無異常區的柵格占比達74.00%，而溫泉點占比僅為16.75%，頻率比為0.23，低于1。3)從低異常區到高異常區，隨著異常程度的升高，頻率比逐漸增大(見圖12)，這說明模型結果是合理可靠的，能夠準確識別地熱異常區。

表4 頻率比計算結果Table 4 Frequency ratio results

圖12 不同地熱異常分級頻率比變化Fig. 12 Frequency ratio variation of different geothermal anomaly areas

4 結論與討論

山區太陽輻射效應的影響給熱紅外識別地熱異常造成困難，針對這一問題，本文以高原鐵路廊道為研究區，利用白天和夜間地表溫度數據，基于隨機森林方法去除地表溫度的太陽輻射效應，結合斷裂數據、溫泉點與水系數據，利用確定性系數模型識別地熱異常區并對其結果進行了定量評價，得到以下結論：

1)隨機森林方法可以較好地模擬Landsat8反演的地表溫度，并且能夠有效消除太陽輻射效應。校正之后的地表溫度空間異質性顯著降低，太陽輻射影響造成的LST異常得到了有效抑制，特別是在高程起伏較大、陰陽坡和坡度變化大的山區，太陽輻射效應去除效果更佳。

2)太陽輻射效應去除后的地表溫度可以更為有效地識別和提取地熱異常區。選取去除太陽輻射效應的地表溫度、斷裂密度、到水系距離和地磁異常作為輸入因子，利用確定性系數模型計算得到地熱異常區，并將結果分為高異常區、中異常區、低異常區和無異常區4個等級。地熱異常區評價結果與已知溫泉點分布較為一致，表明模型結果合理可靠。

3)高原鐵路主要途徑7個地熱異常區，地熱異常區的統計結果表明高原鐵路經過高異常區的廊道長度為72 km，占比7.1%；中異常區的廊道長度為125 km，占比12.3%。中異常區和高異常區主要分布于瀘定—康定、理塘盆地及周邊、巴塘、貢覺、昌都—察雅、八宿、波密—魯朗，這些區域水系密布、多深切河谷，斷裂活動性強，斷裂與斷層破碎帶作為導水構造，為深部熱源的循環運移提供了有利條件，地表溫度較高，是高原鐵路施工過程中需要重點防范高溫熱害的區段。

本文研究了如何抑制地表溫度反演中太陽輻射效應影響，并對高原鐵路沿線的地熱異常區進行了定量識別和分級評價，初步實現了高原鐵路廊道的地熱異常區定量化和精細化識別，可為山區高地溫熱害等工程地質風險的早期識別提供科學依據。但是，仍然存在不足之處： 一方面，除了太陽輻射效應外，地表覆被和地貌對地熱異常的識別也會有重要的影響；另一方面，考慮到夜間溫度數據較少、分辨率不高，且山區河谷地表溫度成因復雜，河谷效應去除仍需改進和提升。因此，在接下來的研究中將構建太陽輻射影響的連續地表溫度模型，重建同期的夜間溫度數據，以更好地去除河谷效應和地表覆被的影響，進一步提升地熱異常區的早期識別可靠性和準確性。

致謝

感謝中國-巴基斯坦地球科學研究中心提供研究支持。