基于热红外遥感的川藏铁路昌都—林芝段地热异常区定量预测评价研究

doi:10.11873/j.issn.1004-0323.2021.6.1368

基于热红外遥感的川藏铁路昌都—林芝段地热异常区定量预测评价研究

陈喆^,¹^,²^,³, 董庆^,², 陈建平¹^,³, 赵文博²^,⁵, 蒋良文⁴, 张广泽⁴, 冯涛⁴, 王栋⁴, 毕晓佳⁴, 边民²^,⁵, 张权平¹^,³, 孟德利²^,⁵

1.中国地质大学（北京）地球科学与资源学院，北京 100083

2.中国科学院空天信息创新研究院数字地球重点实验室，北京 100094

3.北京市国土资源信息研究开发重点实验室，北京 100083

4.中铁二院工程集团有限责任公司，四川成都 610031

5.中国科学院大学，北京 100049

Research on Quantitative Prediction and Evaluation of Geothermal Anomaly Area in Qamdo-Nyingchi Section of Sichuan-Tibet Railway

Chen Zhe^,¹^,²^,³, Dong Qing^,², Chen Jianping¹^,³, Zhao Wenbo²^,⁵, Jiang Liangwen⁴, Zhang Guangze⁴, Feng Tao⁴, Wang Dong⁴, Bi Xiaojia⁴, Bian Min²^,⁵, Zhang Quanping¹^,³, Meng Deli²^,⁵

1.School of Earth Science and Resources，China University of Geosciences（Beijing），Beijing 100083，China

2.Laboratory of Digital Earth Science，Aerospace Information Research Institute，CAS，Beijing 100094，China

3.Key Laboratory of Land and Resources Information Research & Development in Beijing，Beijing 100083，China

4.China Railway Eryuan Engineering Group Co. Ltd，Chengdu 610031，China

5.University of Chinese Academy of Sciences，Beijing 100049，China

通讯作者: 董庆（1965-），男，河南信阳人，研究员，主要从事遥感地学应用研究。E⁃mail：dongqing@aircas.ac.cn

收稿日期: 2020-10-06 修回日期: 2021-03-10

基金资助:

中铁二院科学技术项目“川藏铁路雅安至昌都段地温集中发育区地热分布高精度热红外遥感解译专题”，国家重点研发计划“深地资源勘查开采”重点专项课题“深部成矿地质异常定量预测方法与模型”. 2017YFC0601502

Received: 2020-10-06 Revised: 2021-03-10

作者简介 About authors

陈喆（1991-），男，湖南石门人，硕士研究生，主要从事热红外遥感地表温度反演及地热异常识别研究E⁃mail:chenz115@foxmail.com , E-mail：chenz115@foxmail.com

摘要

识别川藏铁路沿线的地热异常区有助于工程的建设和后期的管理维护。以川藏铁路昌都—林芝段为研究区，基于Landsat 8热红外影像数据，反演地表温度并进行星地同步实验，得到校正后的地温值。围绕地热异常的成因与分布规律，选取地层组合熵、断层缓冲距、断层线密度、地表温度、水系缓冲距、地震动峰值加速度6个影响因子作为地热异常区评价指标并检验因子独立性。构建信息量模型进行定量预测，最终将识别结果划分为5个子区域。研究表明：高异常区和中异常区分别占研究区总面积的9.14%和28.57%，地热高温点的空间分布与地热异常区评价结果基本一致。研究结果可为川藏铁路的设计与施工提供参考依据。

关键词： 川藏铁路 ; 热红外遥感 ; 地表温度 ; 信息量模型 ; 地热异常区

Abstract

The identification of geothermal anomaly areas along the Sichuan-Tibet Railway is helpful to the construction and later management and maintenance of the project. Taking The Qamdo-Nyingchi section of Sichuan-Tibet Railway as the research area， based on the landsat-8 thermal infrared image data， the surface temperature was inverted and the planetary geostationary experiment was carried out to obtain the corrected geotherm value. Focusing on the genesis and distribution of geothermal anomalies， six influencing factors， namely， formation assemblage entropy， fault buffer distance， fault line density， surface temperature， water buffer distance， and peak ground motion acceleration， were selected as the evaluation indexes of geothermal anomaly areas and the independence of factors was tested. An information quantity model was built for quantitative prediction， and the recognition results were finally divided into 5 sub-regions. The results show that the high anomaly area and the middle anomaly area account for 9.14% and 28.57% of the total area of the study area respectively， and the spatial distribution of geothermal high-temperature points is basically consistent with the evaluation results of geothermal anomaly area. The research results can provide reference for the design and construction of Sichuan-Tibet railway.

Keywords： Sichuan-Tibet Railway ; Thermal infrared remote sensing ; Surface temperature ; Information model ; Geothermal anomaly region

PDF (8515KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

陈喆, 董庆, 陈建平, 赵文博, 蒋良文, 张广泽, 冯涛, 王栋, 毕晓佳, 边民, 张权平, 孟德利. 基于热红外遥感的川藏铁路昌都—林芝段地热异常区定量预测评价研究. 遥感技术与应用[J], 2021, 36(6): 1368-1378 doi:10.11873/j.issn.1004-0323.2021.6.1368

Chen Zhe, Dong Qing, Chen Jianping, Zhao Wenbo, Jiang Liangwen, Zhang Guangze, Feng Tao, Wang Dong, Bi Xiaojia, Bian Min, Zhang Quanping, Meng Deli. Research on Quantitative Prediction and Evaluation of Geothermal Anomaly Area in Qamdo-Nyingchi Section of Sichuan-Tibet Railway. Remote Sensing Technology and Application[J], 2021, 36(6): 1368-1378 doi:10.11873/j.issn.1004-0323.2021.6.1368

1 引言

川藏铁路是新时期我国实施西部大开发综合交通运输体系的重大战略工程，全线东起成都市，向西经雅安、康定、昌都、林芝、山南至拉萨，雅安—林芝段全长1 011 km。该线路建造于青藏高原东缘板块碰撞和构造活跃的地形急变带，途经高寒地区，穿越折多山、横断山、念青唐古拉山等高海拔山脉，跨越大渡河、金沙江、澜沧江、怒江等大江大河，海拔落差超过4 000 m。桥隧比为92.5%，超过15 km长的隧道20座，其中昌都—林芝段的易贡隧道全长超过42 km。铁路需穿过世界上地质地貌、地形环境最为复杂的区域，具有地形高差显著、板块活动强烈、山地灾害频发、生态环境敏感等特点，设计施工难度极大^［1-4］。由于川藏铁路存在超长隧道与超大埋深情况，其施工过程中会遇到典型的高温热害问题，其中约15条隧道可能存在高温水热灾害^［5］。因此，利用现代空间探测技术与空间分析方法，对川藏铁路沿线进行地表热量的现状监测与地热高温异常区的识别划定就显得尤为重要。

地表温度是地表热量的重要表征因子，可有效指示热害区域的发生位置与异常程度^［6］。大空间尺度地表温度及其时空分布特征的获取主要利用遥感探测手段，热红外遥感可获得地表热红外谱段的辐射能量，并基于地面物体的发射率特性反演其热力学温度。目前地表温度的遥感反演算法包括单窗算法、大气校正法、劈窗算法以及多通道算法等^［7-12］。近年来，随着对Landsat 8卫星各波段的研究与应用逐渐成熟，利用该卫星热红外遥感数据探测地热资源与高温异常，已经引起国内外学者广泛关注^［13］。

在地热异常区划定的研究中，常见的方法包括热红外遥感反演法、数学统计模型、空间信息叠加分析法与地球物理方法等^［14-15］。这些方法存在考虑要素单一、野外与室内工作复杂、人为主观因素占比大、识别精度低等问题^［16］。因此，构建一个科学准确的多因子预测模型，提高识别地热高温异常区域的自动化程度与划定精确度十分重要。依托GIS的多元回归分析、逻辑回归分析、信息量法、人工神经网络等数据驱动或知识驱动模型已广泛应用于成矿预测评价^［17-18］、地下水资源评价预测^［19］、滑坡危险性评价^［20］等诸多领域。因此，通过评价与地热分布密切相关的控制因子，实现地热异常区定量预测具有可行性。在各类地质现状与灾害评价方法中，信息量模型是一种常用的双变量统计方法，可有效处理影响因素众多、自然条件因子难以量化等问题^［21］，但其在地热高温异常区预测与评价应用中并不多见。

针对川藏铁路昌都—林芝段，首先利用Landsat 8热红外遥感数据，使用单窗算法进行地表温度反演。其次，经过不同地物的星地同步实验校正，得到地表温度分级图，作为地热异常区定量预测评价的可靠依据。最后基于Landsat 8可见光数据、断层、水系、地震动峰值加速度数据、地层岩性数据，运用GIS空间分析技术和信息量模型，对川藏铁路昌都—林芝段地热异常区进行定量预测与评价，以期为川藏铁路的设计与施工提供建议与决策支持。

2 研究区与数据

2.1　研究区概况

研究区覆盖川藏铁路昌都至林芝段，主要包括西藏藏族自治区昌都市、林芝市以及那曲市的东部部分地区，范围如图1（a）所示。区域内地形地貌非常复杂，由东向西穿越青藏高原东部，包括藏东南高山峡谷和藏东高山峡谷两部分，坐落有浪拉山、伯舒拉岭、念青唐古拉山余脉、色季拉山、喜马拉雅山等高山，地势险要、山坡陡峻、深切河谷发育较多，平均海拔3 000 m以上，峡谷相对高差多为2 000~3 000 m，最大可达5 000 m以上，地形基本状况如图1（b）所示。

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 研究区与同步实验测区概况

Fig.1 Overview of research area and synchronous experimental area

区域内地层岩性极多，地表覆盖的第四系（Q）地层，以砂类土、碎石类土为主；下伏基岩从元古代到新生代均有发育，沉积岩、变质岩及侵入岩均有分布，岩性复杂多变。断裂密集发育，以深大活动断裂带为主控构造，主要包括澜沧江断裂带、怒江断裂带、边坝—洛隆断裂、嘉黎断裂带、西兴拉断裂带和米林断裂带等活动断层。地震活动频繁，属于高烈度地震多发区。同时研究区位于地中海—南亚地热异常带，是我国大陆上地热活动最强烈的地区之一。沿线的温泉水温一般约60 ℃^［22］。综上所述，川藏铁路昌都—林芝段周边区域地质地貌状况复杂，铁路设计施工难度很大，具有开展地温反演星地同步实验及地热异常区识别预测的典型特征与工程意义，因此将该区域列为本文的研究区。

2.2　遥感数据

采用的数据主要包括遥感影像数据、图件数据与地面实测数据。影像数据为覆盖研究区的Landsat 8卫星影像共14景，成像时间为2019年6月，经过大气校正、正射校正等预处理；图件数据包括中国地震动参数区划图、地层岩性图、断裂带分布图、水系分布图、数字高程模型数据等，并对图件数据进行格式转换，统一采用栅格数据格式，便于信息量的计算与叠加分析；实测数据为昌都测区利用星地同步实验采集的地表温度数据、温泉调查数据等。根据信息量模型空间尺度归一化的需要，以30 m×30 m的网格作为预测评价的基本单元，将研究区划分为2.451×10⁸个网格单元。

3 研究方法

3.1　地表温度反演

覃志豪等^［23］依据辐射传输方程，经过一系列简化，建立了仅利用一个热红外波段遥感数据反演地表温度的单窗算法。该方法具有较高的反演精度，且大多数具有热红外波段的卫星传感器数据均可利用该算法进行地表温度反演，公式可表示为：

T_s={a(1-C_i-D_i)+[b(1-C_i-D_i)+C_i+D_i]T₆-D_iT_a}/C_i（1）

C_{i} = ε_{i} τ_{i}

（2）

D_{i} = (1 - τ_{i}) [1 + τ_{i} (1 - ε_{i})]

（3）

其中：T_s为反演的地表温度；T_b为传感器获得的亮度温度（Ｋ）；T_a为大气平均作用温度（Ｋ）；a、b为线性回归系数，与研究区的温度变化范围有关；C和D为中间变量；ε为地表比辐射率；τ为大气透过率^［24］。

3.2　星地同步实验

由于空间尺度效应及高原地区复杂的水热环境等因素在地表温度反演过程中的影响，反演结果存在一定的误差。为了校正地表温度反演结果并进一步检验校正结果是否准确，需要进行地面同步实验。地面同步观测实验主要利用激光测温仪和温度计获取测区所有测点的实际温度值，结合影像反演每个测点所对应的地表温度值，将部分测点的实测温度值与其反演温度值进行线性回归处理，建立回归方程，用该回归方程校正地温反演结果，得到整幅影像的校正温度。用剩余测点的实测温度值与校正后的温度值进行误差验证，判断校正后的温度值可真实反映实际地表温度。所用到的公式如下：

T_校正=aT_反演+b（4）

R M S E = \sqrt[]{\frac{1}{n - 1} \sum_{i = 1}^{n} {(T_{实 际} - T_{校 正})}^{2}}

（5）

其中：T_校正为经回归校正后的温度值；Τ_反演为影像数据反演后的温度值；a为回归斜率，反映了反演温度对校正温度的拉伸或压缩倍数；b为回归截距，反映了校正温度值为0 ℃时，反演温度与校正温度的差值；RMSE为剩余测点的实际温度与经校正后反演温度的均方根误差，n为剩余测点数，Τ_实际为剩余测点的实测温度值。

选取的地表温度实测区域位于昌都邦达机场西北12 km处，平均海拔4 460 m，地势较为平坦，位于南北走向的山顶区域，大小为300 m×300 m，总网格测点数为121个，如图1（c）所示。主要分布裸土和草地，坡度小于5 °，附近无人类活动，如图1（d）所示。测区中心位于川藏铁路线西北约200 m处，方向为正南。观测时间为2019年6月6日，观测时天气条件良好，观测间隔时间为10 min。根据土地覆被情况分布对测区内的植被与裸土进行星地同步地温测量，实测温度值和反演温度值关系如图2所示。

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 实测地温值与反演地温值的关系

Fig.2 The relation of measured temperature and inversion temperature

3.3　信息量模型

信息量模型应用于地热异常区评价的主要思想是把与高温地热形成联系密切的地质条件相结合，将这些影响因子的实测值换算成信息值，并计算各影响因子对高温地热产生所提供的信息值大小来分析两者的关系，从而将地质地貌、遥感信息等要素结合起来，构建一个地热高温异常的预测模型^［21］。信息量模型是一种双变量统计分析方法。地热异常受地层、断裂、地震、河流以及地下水等多种因素影响，这些因素会构成一种“最佳因素组合”，使地热高温异常现象发生，其形成与影响因素的数量和质量有关，信息量越大，形成地热异常的可能性越大。

使用信息模型评价地热异常区时，选择n个影响地热的因素，用X_i（i=1…n）表示。把影响因素Xi 按特定规则进行分级。有地热点分布表示为Y，单一因素X_i提供给地热的信息量为I_i，n个因素提供的地热总信息量为I，I_i和I分别表示为：

I_{i} = l o g_{2} \frac{P [Y / X_{i}]}{P (Y)}

（6）

I = l o g_{2} \frac{P [Y / X_{1} X_{2} \dots X_{n}]}{P (Y)}

（7）

因为各影响因素会对预测目标产生同样的影响，所以每个影响因素都有相同的权重值，总信息量是各因素提供信息的总和，即：

I = \sum_{i = 1}^{n} I_{i}

（8）

影响因素X_i（ i = 1…n）的各个分级X_ij对地热异常提供的信息量为I_ij，I_ij可表示为：

I_{i j} = l o g_{2} \frac{N_{i j} / N}{S_{i j} / S}

（9）

其中：S为研究区的网格总数； S_ij为出现第j 类X_ij的网格单元数；N为研究区的地热点总数； N_ij是出现第j类X_ij的地热点数量。

信息量模型总信息量值I为：

I = \sum_{i = 1}^{n} I_{i j} = \sum_{i = 1}^{n} l o g_{2} \frac{N_{i j} / N}{S_{i j} / S}

（10）

其中：n为影响因子个数。

4 研究结果

4.1　地温反演与同步校正

校正前后的地表温度如图3所示，经校正的研究区地表温度整体上有所下降，地温高值区面积有所缩小，其中最高温度下降了5.33 ℃，平均温度下降了2.88 ℃，校正后的地温值与实测地温值的回归误差RMSE为0.41 ℃。

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 校正前后地表温度

Fig.3 Surface temperature before and after calibration

经统计，地表温度在0℃以下的区域占57.65%，地表温度在15 ℃以上的区域占13.05%。低温区主要分布于常年冰雪覆盖的高海拔山区；温度在6~22 ℃之间的区域，主要在流域植被覆盖度较高的河流上游段；温度在22 ℃以上的地区分布在城市与村镇以及山地过渡带，这些地区多为裸露地表、无植被覆盖，太阳辐射直接作用于裸土，温度上升较快导致地表温度较高。

4.2　评价因子提取

4.2.1　评价因子选择与计算

依据地热异常的成因和空间分布规律，实验从地质因素、自然环境因素和诱发因素等3个方面，分别选取地层组合熵、断层缓冲距、断层线密度、地表温度、水系缓冲距、地震动峰值加速度6个具体的地热异常评价指标作为参与信息量模型构建的影响因子。

（1）地层组合熵。地层组合熵即单位面积或体积内各种地质体或同一地质体不同属性组合熵异常，是地质异常最基本的表现形式之一^［25］。一定范围内熵值越高，表示地质结构的变异程度越高，地质异常的程度也越高。为研究地热异常与地质体分布的关系，使用地层组合熵来表征地层分布特性，其通过地层岩性数据计算得到，如图4（a）所示。

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 影响因子图

Fig.4 Images impact factor

（2）断层缓冲距。地热异常与断层活动有密切的关系，断层活动可形成深大裂隙，使地下水沿着断层形成的渗透通道向地热源流动，一些被加热到较高温度的地热水会重新流回到地表，并以热泉的形式出现^［26］。基于活动断层数据获取到断层缓冲距图作为影响因子，以量化训练点与断层分布的关系，如图4（b）所示。在断层缓冲距图中，每个栅格都包含了到最近断层的垂直距离，而地热点距断层较近。

（3）断层线密度。构造作用主要体现在断层等宏观表现上，主要根据各类构造线的密度分布状况^［27］。断裂构造越发育，岩体中次生结构面越多、岩体越破碎，地热异常发生的可能性越大。使用断层线密度以表征构造发育强度，如图4（c）所示。

（4）地表温度。地表温度图由4.1节反演校正的结果分级获得，如图4（d）所示。

（5）水系缓冲距。水流通道运移方式差异对地热形成有着不同影响。地下水向下运移导致地下深处岩层温度降低，不易产生地热高温异常；当深循环且被围岩加热的地下水在一定地质条件下向上循环时，将引起流经围岩的局部温度升高，在地表浅部形成高温异常^［28］。因此距河流较近范围内的丰富水源可为地表高温提供主要水源，使用到水系距离图作为地热分布的影响因子具有可行性，如图4（e）所示。

（6）地震动峰值加速度。地震是地热异常的主要触发因素之一，地震活动和地热空间分布之间具有密切的联系^［29］。实验使用的地震数据为全国地震动峰值加速度值，为方便后续计算，并将该指标转换为地震烈度，如图4（f）所示。

4.2.2　评价因子相关性分析

信息量模型构建需要有严格的假定，即所选影响因子间相互独立^［30］。实验结合信息量归一化值与因子分析法判断因子间独立性，即利用相关系数来衡量所选要素的相关性，通过计算协方差和相关矩阵来分析各指标因子之间的相关性，排除相关性较大的因子以保证模型应用的有效性。当各因子之间的相关系数满足|R|≤0.3时，可以认为是弱相关或不相关^［31］，由表1可知，实验所使用的6个指标因子之间均满足相互独立的要求，验证了这些因子选取的合理性。

表1 各指标因子间的相关关系

Table 1 The correlation between index factors

指标因子	地层组合熵	断层缓冲距	断层线密度	地表温度	水系缓冲距	地震烈度
地层组合熵	1.000
断层缓冲距	-0.081	1.000
断层线密度	0.143	-0.270	1.000
地表温度	-0.004	-0.062	0.143	1.000
水系缓冲距	-0.024	0.091	-0.068	-0.153	1.000
地震烈度	-0.132	-0.018	0.129	0.072	-0.009	1.000

新窗口打开| 下载CSV

4.3　地热异常区预测与评价

4.3.1　信息量计算

对选取的指标因子进行分级，并计算各指标的信息量，结果如表2所示。其中，断层缓冲距>12 km的信息值最小，而0~2 km对应的信息值最大，这表明当距离断层越近时，地热异常发生的概率越高，当与断层距离大于12 km时，地热异常发生的可能性很低。地层组合熵值在60~80之间信息值较大，表明地质结构的变异程度越高，地热异常发生的概率也越高。断层线密度越高，地热异常产生的可能性越大。地表温度的信息值范围为 -0.984~1.572，在-6~0 ℃时信息值最小，而16~22 ℃对应的信息值最大，说明地表温度可以较真实地反映地热异常。距水体越近，也越容易引发地热异常。地震烈度对地热异常的信息贡献较少。

表2 信息量值计算结果

Table 2 Results of information values

影响因子	分级	地热点个数/个	面积 /km²	信息量
地层组合熵	0~10	49	124 419	-0.361
	10~20	9	13 123	0.188
	20~40	19	25 982	0.252
	40~50	10	13 425	0.270
	50~60	13	13 692	0.513
	60~80	22	22 317	0.551
	80~100	4	8 694	-0.211
断层缓冲距 /km	0~2	53	28 145	1.198
	2~4	28	24 167	0.712
	4~6	10	20 690	-0.162
	6~8	10	17 316	0.016
	8~10	5	14 973	-0.532
	10~12	4	12 839	-0.601
	＞12	16	103 522	-1.302
断层线密度 /(km/km²)	0.000~0.012	15	99 114	-1.323
	0.012~0.033	7	23 838	-0.661
	0.033~0.053	35	45 191	0.309
	0.053~0.074	18	18 400	0.543
	0.074~0.098	25	21 103	0.734
	0.098~0.128	17	10 391	1.057
	0.128~0.180	9	3 615	1.477
地表温度 /℃	-10~-6	0	76 009	0.000
	-6~0	11	51 784	-0.984
	0~6	18	38 579	-0.197
	6~11	32	26 344	0.789
	11~16	35	17 702	1.247
	16~22	24	8 768	1.572
	22~43	6	2 466	1.454
水系缓冲距 /km	0~2	55	29 434	1.190
	2~4	14	27 588	-0.113
	4~6	12	26 126	-0.213
	6~8	10	24 261	-0.321
	8~10	7	21 523	-0.558
	10~12	9	18 524	-0.157
	＞12	19	74 197	-0.797
地震烈度 /级	7	86	147 719	0.029
	8	38	69 796	-0.043
	9	2	4 137	-0.162
单元栅格尺寸为30 m×30 m，计算时面积可用对应的栅格数目替代

新窗口打开| 下载CSV

4.3.2　地热异常区预测

将各指标进行叠加获得总信息量以表征地热高温异常的程度，并以自然断点法为划分依据，将研究区划分为以下5个子区域：高异常区、中异常区、低异常区、异常缓冲区与无异常区，如图5所示。经统计，高异常区包含63个地热点（占总地热点数的50.00%），面积201 56.981 km²（占总面积的9.14%），中异常区包含36个地热点（占总地热点数的28.57%），面积45 674.038 km²（占总面积的20.70%）。高异常区和中异常区主要分布于察雅县和八宿县、八宿县和洛隆县、波密县和米林县以及白玉县和江达县、白玉县和贡觉县的交汇区域，毗邻澜沧江、怒江、雅鲁藏布江、帕隆藏布、亚隆藏布及其支流的河谷，受澜沧江断裂带、怒江断裂带、右嘉里断裂带，雅江缝合带外围弧形断裂以及嘉里断裂带的影响。无异常区的面积为65 819.75 km²（占总面积的29.83%），只包含4个地热点。

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 信息量模型分级图

Fig.5 Favorability image for the information model

4.3.3　模型评价

（1）成功指数分析

地热训练点的发生率可用于评价信息量模型的有效性，即分析模型的成功指数。与地热出现的先验概率（0.000 05%）进行比较^［32］可指示预测结果是否准确，先验概率为地热训练点总数与研究区域内网格总数之比。根据预测结果的分级情况，得到成功指数分析表（表3）。

表3 预测结果分级图对应的成功指数

Table 3 Success indices for favorability obtained from favorability image

地热异常分级	地热点数	地热点占比	网格单元数	网格单元占比	成功指数
高异常区	63	50.00%	22 396 639	9.14%	0.000 28%
中异常区	36	28.57%	50 748 931	20.70%	0.000 07%
低异常区	14	11.11%	51 387 188	20.96%	0.000 03%
异常缓冲区	9	7.14%	47 482 529	19.37%	0.000 02%
无异常区	4	3.17%	73 133 059	29.83%	0.000 01%

新窗口打开| 下载CSV

从表3可知，随着地热异常区域的异常程度提高，地热点的发生率也会增加，表明地热异常区的分级阈值符合实际地热分布，说明该模型的评价结果是可靠的。

（2）面积比分析

利用面积比分析可进一步将模型预测结果的优劣进行量化，该方法通过计算预测概率函数所覆盖的面积来评价模型有效性^［33］。根据信息量模型预测结果的属性值，采用等分位法将结果由大至小排列并划分为25类，统计各级别中地热点数目和分级区间内栅格面积，计算栅格单元和训练点的累积百分比曲线，获得预测函数曲线。面积比评价标准表达式为：

λ=(2A-P)/(2-2P)（11）

其中：P为先验概率（0.000 05%）；A为预测概率函数和x轴所围的面积；λ是反应模型预测精度的面积比，其值越接近于1，说明预测结果越准确。计算结果如图6所示，面积比λ为0.812，表明模型的整体精度较高。

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 预测率函数曲线

Fig.6 Curves of prediction ratio function

5 结论

（1）利用星地同步实验，建立部分实测数据与遥感反演温度值的线性回归关系，对反演结果进行分地类校正，在一定程度上优化单窗算法在川藏铁路沿线地区获取地表温度的精度，可降低空间尺度效应、高原区域海拔地形因素与特殊水热环境对传统地表温度反演算法的影响，为地热异常区的预测提供更可靠的数据基础。

（2）选取的地层组合熵、断层缓冲距、断层线密度、地表温度、水系缓冲距与地震动峰值加速度6个因子与地热高温异常现象的形成和空间分布有密切联系。并且这些因子间的相关系数|R|都小于0.3，因子相互独立。各影响因子提供的信息量水平存在差异，但整体上看，地层组合熵越大、距断层与水系越近、断层线密度越大、地表温度越高、地震烈度越大，对地热高温异常发生的贡献越多，其中地表温度与断层相关因子的影响最为突出。

（3）川藏铁路昌都—林芝段地热异常区预测结果划分为高异常区、中异常区、低异常区、异常缓冲区与无异常区5个等级。其中高异常区与中异常区包含了绝大多数地热训练点，且成功指数均大于先验概率，面积比为0.812，说明信息量模型应用于地热异常区识别的有效性。研究区内的高异常与中异常区主要分布于多个市县的交汇区，横亘在川藏铁路线间，总面积达到65 831.019 km²，涵盖99个训练点，有多条断裂与江河水体，地表温度最高可达43 ℃，是影响铁路设计与施工的核心区域。通过研究，对川藏铁路昌都—林芝段的地热异常区进行了预测和分析，为线路宏观选择平面低温通道提供支撑。

6 讨论

（1）高温地热现象严重影响铁路施工过程中作业人员的健康安全以及机械设备的效率，降低建筑材料的耐久性，从而威胁深挖隧道的稳定性和安全性^［34］。为划定地热高温异常区域，实验针对川藏铁路昌都—林芝段，利用星地同步实验结合影像反演获取地表温度值，并构建了一种基于信息量模型的地热异常区预测与评估方法。信息量模型作为一种科学有效的地质信息评估工具，可综合全面地分析多个因子对研究目标的影响与关系，准确预测地热异常区分布状况，为川藏铁路的设计与施工提供地质信息与地质灾害等方面的数据支持。

（2）数据与信息获取方面，利用星地同步实验，校正了单窗算法的地表温度反演结果，降低了高原地区对地温反演精度的影响，为后续的地热异常区分析与预测提供了更精准的数据；影响因子选取方面，充分考量了地热高温异常现象的地质因素、自然环境因素与诱发因素，选取了多个与地热密切相关的指标因子，降低了单因子或少因子分析的片面性；识别预测地热异常区方法方面，利用信息量模型综合、定量地分析了多因子的作用，减少人为主观因素对预测结果的影响，提高了地热异常区划定的自动化程度和工作效率。

（3）本方法还存在一些问题需要完善：一方面，高原山地区域的地表温度不仅与地质活动与地质构造相关，还受太阳辐射的显著影响，利用影像反演的地表温度存在阴阳坡效应、河谷效应等地形误差，未对这些地形效应进行识别与校正，一定程度上影响了分析地表温度与地热异常间关系的精度；另一方面，重力与磁力也是影响地热高温异常发生的因子，未来将进一步丰富影响因子的选取，增加地热异常区预测的准确性和综合性；最后，对地热异常区识别结果只进行了宏观的分级与探讨，下一步将对高异常区与中异常区进行更小空间尺度、更细化的分析，为川藏铁路的设计与施工形成具体的指导意见。

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

Peng

Jianbing

，Cui

Peng

，Zhuang

Jianqi

Challenges to engineering geology of Sichuan-Tibet railway

［J］. Chinese Journal of Rock Mechanics and Engineering，2020，39（12）：1-13.