李寧,徐永明,何苗,吳笑涵
隨著經(jīng)濟(jì)的發(fā)展,人們?cè)谧非蟾哔|(zhì)量生活的同時(shí),也愈發(fā)關(guān)心周圍環(huán)境對(duì)自身的影響。以城市為例,快速的城市化進(jìn)程使得地表參數(shù)發(fā)生了巨大改變,人居環(huán)境也隨之產(chǎn)生顯著變化。在以“熱島效應(yīng)”為代表的多種因素共同作用下,城市地區(qū)遭受夏季高溫災(zāi)害的可能性增大(顧康康等,2017),而高溫災(zāi)害天氣將使人體產(chǎn)生明顯不適甚至嚴(yán)重?fù)p害人體健康(Yin et al.,2012),因此評(píng)價(jià)人體在不同環(huán)境氣象條件下的舒適感已經(jīng)成為城市環(huán)境氣象服務(wù)的重要組成部分(劉梅等,2002)。傳統(tǒng)的氣象服務(wù)中,關(guān)于夏季高溫環(huán)境對(duì)人體健康影響的研究主要關(guān)注溫度因素,但除了溫度,包括濕度、太陽輻射和風(fēng)在內(nèi)的多種氣象因素都會(huì)對(duì)人體感覺產(chǎn)生影響(王遠(yuǎn)飛等,1998;Giannopoulou et al.,2013)。體感溫度作為評(píng)價(jià)人體舒適度的一種指標(biāo),綜合考慮了溫度、濕度等多種因素來反映人體對(duì)環(huán)境溫度高低的感覺,已經(jīng)被證明與城市熱健康、室內(nèi)溫度(Nguyen et al.,2014)和高溫致死率(Zhang et al.,2014;Wichmann,2017)的關(guān)系最為密切。因此,基于體感溫度指數(shù)來評(píng)價(jià)城市環(huán)境對(duì)人體健康的影響比單純的溫度指標(biāo)更合理。
體感溫度被定義為人體在熱量平衡條件下,對(duì)實(shí)時(shí)綜合環(huán)境以熱感覺溫度表示的生物氣象指標(biāo)(Nagano et al.,2011)。國外已有許多學(xué)者采用不同的體感溫度指數(shù)研究區(qū)域熱環(huán)境對(duì)人體健康的影響。Jacobs et al.(2013)通過計(jì)算AT指數(shù)分析澳大利亞的體感溫度和熱舒適度空間分布特征,并利用耦合模式探討了未來體感溫度的變化趨勢(shì)。Hung et al.(2016)基于Humidex指數(shù)研究了溫哥華地區(qū)體感溫度的空間分布特征并與氣溫和地溫進(jìn)行對(duì)比。在 2003年意大利夏季高溫?zé)崂耸录?,Humidex指數(shù)也得到了成功的應(yīng)用(Bisanti et al.,2004;Russo et al.,2004;Conti et al.,2005)。國內(nèi)學(xué)者對(duì)體感溫度的研究相對(duì)較晚。呂偉林(1998)通過實(shí)驗(yàn)得出了體感溫度統(tǒng)計(jì)模型,讓公眾對(duì)預(yù)報(bào)的氣溫和現(xiàn)實(shí)生活中人體將感受到的溫度有了一個(gè)可比較的標(biāo)準(zhǔn);石磊等(2012)利用站點(diǎn)數(shù)據(jù)分析了近 50年西南區(qū)域年夏季體感溫度的變化趨勢(shì)及空間分布特征;尹炤寅等(2017)利用氣象資料計(jì)算并討論了體感溫度對(duì)黃石市夏季氣象負(fù)荷率變化的影響。目前國內(nèi)外現(xiàn)有的體感溫度研究主要基于點(diǎn)尺度的氣象臺(tái)站觀測(cè)資料,受制于氣象臺(tái)站的監(jiān)測(cè)范圍和布設(shè)數(shù)量,無法精細(xì)反映區(qū)域熱環(huán)境的空間分布差異。然而,高溫災(zāi)害風(fēng)險(xiǎn)的分布往往具有連續(xù)性和空間差異性(何苗等,2017)。運(yùn)用遙感手段反演體感溫度,可以提供比氣象資料更好的空間異質(zhì)度信息(徐永明等,2011),反映體感溫度的空間細(xì)節(jié)變化。本研究結(jié)合多源遙感數(shù)據(jù)與氣象觀測(cè)數(shù)據(jù),綜合考慮氣溫和濕度兩種因素的影響計(jì)算北京市的Humidex體感溫度指數(shù),利用遙感手段獲取北京市體感溫度的空間分布狀況,為城市人居環(huán)境和城市熱島效應(yīng)研究提供科學(xué)參考。
北京市位于華北平原與燕山山脈、太行山脈的交接處,地理范圍為 115°25′~117°30′E,39°28′~41°36′N,總面積達(dá) 16410.54 km2。北京市主要由西北部山地和東南部平原兩大地貌單元組成,地勢(shì)呈西北高東南低,山地平均海拔1000~1500 m,平原平均海拔20~60 m。北京是典型的溫帶半濕潤(rùn)大陸性季風(fēng)氣候,夏季高溫多雨,平原地區(qū)年平均氣溫11~13 ℃,年極端最高溫 35~42 ℃,年降水量在470~600 mm之間。作為首都,北京經(jīng)歷了快速的城市化進(jìn)程,截止到 2016年底,北京市的常住人口總數(shù)達(dá)到2172.9萬人,城鎮(zhèn)化率達(dá)到86.5%(國家統(tǒng)計(jì)局北京調(diào)查總隊(duì),2017)。人類活動(dòng)的增加使得北京地區(qū)的土地覆蓋類型變化比較頻繁,而熱島強(qiáng)度與城市土地利用類型有直接關(guān)系(劉勇洪等,2017)。2017年北京市土地利用方式分布情況如圖1所示。隨著城市規(guī)模的擴(kuò)大,北京的“城市熱島”強(qiáng)度表現(xiàn)出逐年增強(qiáng)的趨勢(shì)(林學(xué)椿等,2005;何松蔚等,2017),日益增大的城市下墊面會(huì)顯著增強(qiáng)白天地表對(duì)大氣的向上感熱輸送,增大城區(qū)日間出現(xiàn)高溫的可能性(鄭祚芳等,2012)。
1.2.1 遙感數(shù)據(jù)
圖1 2017年北京市土地利用分布情況Fig. 1 The distribution of land use of Beijing in 2017
本研究所使用的遙感數(shù)據(jù)包括 Landsat 8 OLI/TIRS數(shù)據(jù)、TERRA MODIS水汽產(chǎn)品數(shù)據(jù)和ASTER GDEM數(shù)據(jù)。Landsat 8數(shù)據(jù)為2017年7月10日上午 10:53成像的兩景上下相鄰影像,WRS軌道號(hào)分別為123/32和123/33。Landsat 8的陸地成像儀OLI空間分辨率為30 m,熱紅外傳感器TIRS的空間分辨率為100 m。對(duì)OLI和TIRS數(shù)據(jù)進(jìn)行輻射定標(biāo),將圖像灰度值轉(zhuǎn)換成輻射亮度。利用FLAASH模型對(duì)OLI數(shù)據(jù)進(jìn)行大氣校正,獲取地表真實(shí)反射率。MODIS水汽產(chǎn)品為2017年7月10日10:20成像的MOD05-L2數(shù)據(jù),可提供晴空條件下陸面上的氣柱水汽含量,與Landsat 8數(shù)據(jù)成像時(shí)間相差33 min,可以認(rèn)為兩個(gè)時(shí)刻的水汽含量接近。根據(jù) MODIS數(shù)據(jù)自帶的經(jīng)緯度信息建立 GLT(Geographic Lookup Table)文件對(duì)MOD05-L2數(shù)據(jù)進(jìn)行地理重校正,獲取北京地區(qū)大氣可降水量PWV。另外,采用北京市的ASTER GDEM數(shù)據(jù)作為研究區(qū)的高程數(shù)據(jù),空間分辨率為30 m。為使3種數(shù)據(jù)分辨率一致,將MOD05-L2數(shù)據(jù)和ASTER GDEM 高程數(shù)據(jù)進(jìn)行重采樣處理,統(tǒng)一采用基于WGS84基準(zhǔn)面的UTM投影,條帶號(hào)為50N。
1.2.2 地面氣象數(shù)據(jù)
地面氣象數(shù)據(jù)為北京市2017年7月10日的逐小時(shí)氣象站點(diǎn)觀測(cè)資料,由于Landsat 8過境時(shí)間為上午10:53,因此選取上午11:00的站點(diǎn)觀測(cè)數(shù)據(jù)。在去除缺失值后,獲得了包括 20個(gè)國家基本氣象站和254個(gè)自動(dòng)氣象站在內(nèi)的觀測(cè)數(shù)據(jù),包含了站點(diǎn)的經(jīng)緯度、高程、氣溫和相對(duì)濕度等信息,圖 2所示為北京市11時(shí)站點(diǎn)氣溫和濕度的分布狀況。
圖2 2017年7月10日北京市站點(diǎn)氣溫(a)與相對(duì)濕度(b)分布圖Fig. 2 Map of observing air temperature (a) and relative humidity (b) in Beijing on July 10th of 2017
體感溫度指數(shù)主要分為經(jīng)驗(yàn)?zāi)P秃蜋C(jī)理模型兩大類,常用的指標(biāo)包括標(biāo)準(zhǔn)有效溫度(SET)、Humidex指數(shù)、實(shí)感溫度(AT)和通用熱氣候指數(shù)(UTCI)等多種指標(biāo)(Gagge et al.,1971;Masterson et al.,1979;Steadman,1979;Blazejczyk et al.,2012)。體感溫度指數(shù)綜合考慮了溫度、濕度、風(fēng)速和太陽輻射等要素對(duì)人體的影響,其中溫度是起決定作用的指標(biāo),濕度是重要指標(biāo)(吳兌,2003)。Humidex指數(shù)因計(jì)算簡(jiǎn)便,可解釋性強(qiáng),被越來越廣泛地應(yīng)用于室內(nèi)外的熱環(huán)境評(píng)估和人體舒適度的評(píng)價(jià)(Beccali et al.,2008)。D'Ambrosio et al.(2011)根據(jù)現(xiàn)行的國際標(biāo)準(zhǔn)對(duì) Humidex指數(shù)的熱環(huán)境評(píng)價(jià)結(jié)果進(jìn)行評(píng)估,結(jié)果表明Humidex指數(shù)在夏季較高的溫度條件下對(duì)熱舒適性的評(píng)價(jià)效果良好。本研究選取Humidex指數(shù)來表征北京市體感溫度,該指數(shù)采用溫度和濕度(以露點(diǎn)溫度表示)兩項(xiàng)指標(biāo)來綜合評(píng)價(jià)人體對(duì)溫度和濕度的熱耐受程度,可反映當(dāng)前環(huán)境對(duì)人體造成的不舒適感和由此引發(fā)的健康危害。Humidex指數(shù)定義如下:
式中,H為體感溫度(℃);ta為氣溫(℃),td為露點(diǎn)溫度(℃)。
基于多源遙感數(shù)據(jù)和實(shí)測(cè)站點(diǎn)數(shù)據(jù),分別計(jì)算北京市近地表氣溫和露點(diǎn)溫度兩個(gè)參數(shù),并在此基礎(chǔ)上計(jì)算Humidex指數(shù)。
2.2.1 氣溫影響因子
近地表氣溫與地表溫度之間具有很好的相關(guān)性,基于地表溫度的近地表氣溫遙感反演已經(jīng)得到了廣泛應(yīng)用(Vancutsem et al.,2010;Scott et al.,2014)。除地表溫度外,植被覆蓋、土壤濕度、海拔高度及城市不透水面等時(shí)空多變因子對(duì)近地表氣溫的影響也較為顯著。因此,以氣溫為因變量,包含地溫在內(nèi)的多個(gè)影響因子為自變量,構(gòu)建氣溫反演模型,以期獲得更好的反演結(jié)果。
(1)地表溫度
Yu et al.(2014)研究發(fā)現(xiàn)TIRS 10波段比11波段更適合于單波段的地表溫度反演。本研究采用Juan et al.(2014)針對(duì)Landsat 8改進(jìn)的單通道算法來反演地表溫度。
式中,Ts為地表溫度(K);T為亮度溫度(K),L 為輻射亮度(W·m-2·sr-1·μm-1);ε為地表比輻射率,采用混合像元法(Sobrino et al.,2004)進(jìn)行計(jì)算;bγ=1324 K;ω為大氣水汽含量(g·cm-2)。
(2)不透水面蓋度
城市不透水面蓋度與地表溫度之間存在正相關(guān)關(guān)系,不透水面蓋度可以作為城市熱環(huán)境的一個(gè)重要指示因子(徐永明等,2013;買買提江·買提尼亞孜等,2015)。本研究以 Ridd(1995)提出的 V-I-S模型為理論基礎(chǔ),使用混合像元線性光譜分解法,計(jì)算各端元的豐度并求解北京市的不透水面蓋度。為了確定端元的光譜特征,對(duì)遙感影像進(jìn)行 MNF變換以減少數(shù)據(jù)冗余和波段之間的相關(guān)性,再通過像元純凈度PPI計(jì)算尋找影像中最純的光譜像元,在此基礎(chǔ)上選取高反照度地物、低反照度地物、植被和土壤這4種端元類型,分別得到各端元的豐度圖,最后剔除低反照度端元豐度影像中的水體信息,通過高、低反照度分量的線性組合來獲得城市不透水面信息(Wu et al.,2003)。
(3)其他因子
以ASTER GDEM數(shù)據(jù)和MODIS水汽產(chǎn)品為數(shù)據(jù)源,提取北京市的高程和大氣可降水量。使用歸一化植被指數(shù) NDVI和改進(jìn)型歸一化水體指數(shù)MNDWI(徐涵秋,2005)來表征植被覆蓋和水體分布狀況。
式中,λNIR表示近紅外波段;λR表示紅波段;λMIR表示中紅外波段;λG表示綠波段。
2.2.2 氣溫反演模型
氣溫的反演算法總體上可歸納為:經(jīng)驗(yàn)統(tǒng)計(jì)法、溫度-植被指數(shù)法(TVX)、大氣溫度廓線外推法、能量平衡方法和機(jī)器學(xué)習(xí)算法。其中,經(jīng)驗(yàn)統(tǒng)計(jì)法是通過建立地表溫度與站點(diǎn)觀測(cè)氣溫之間的線性關(guān)系來估算氣溫,最為簡(jiǎn)捷但普適性較差。隨機(jī)森林法作為一種基于分類與回歸樹的機(jī)器學(xué)習(xí)算法(Breiman,2001),相較于傳統(tǒng)的統(tǒng)計(jì)方法,對(duì)非線性的數(shù)據(jù)有更好的擬合效果(方匡南等,2011),對(duì)噪聲和異常值也有很好的容忍性(江佳樂等,2014),并且不需要顧慮一般回歸問題面臨的多元共線性的問題(李欣海,2013)。利用隨機(jī)森林模型反演近地表氣溫被證明是可行的,并且具有一定的優(yōu)越性(白琳等,2017)。本研究基于隨機(jī)森林模型來反演北京市近地表氣溫,建模過程如圖3所示,具體步驟如下:
(1)采用自舉法從訓(xùn)練集中隨機(jī)抽取樣本數(shù)據(jù),生成n個(gè)新訓(xùn)練樣本集合,未抽到的樣本數(shù)據(jù)構(gòu)成n個(gè)袋外數(shù)據(jù)(OOB)。
(2)每個(gè)訓(xùn)練樣本集合建立1棵分類回歸樹,生成n棵決策樹,決策樹在每個(gè)節(jié)點(diǎn)處從自變量中隨機(jī)挑選m個(gè),按照節(jié)點(diǎn)不純度最小原則進(jìn)行分支生長(zhǎng)。根據(jù)該訓(xùn)練樣本集合對(duì)應(yīng)的袋外數(shù)據(jù)(OOB)對(duì)回歸樹進(jìn)行OOB誤差估計(jì)。
(3)所有n棵決策樹組成隨機(jī)森林,預(yù)測(cè)結(jié)果是每棵決策樹預(yù)測(cè)結(jié)果的平均值,預(yù)測(cè)精度則以每棵決策樹的平均OOB誤差來確定。
構(gòu)建隨機(jī)森林模型需要確定的參數(shù)包括決策樹數(shù)目ntree和樹節(jié)點(diǎn)預(yù)選的變量個(gè)數(shù)mtry,ntree可根據(jù)模型誤差進(jìn)行確定,選擇模型誤差趨于平穩(wěn)時(shí)的決策樹數(shù)目。mtry應(yīng)小于構(gòu)建模型的變量個(gè)數(shù),可采用逐一增加變量法,尋找到最優(yōu)模型后確定。
相較于近地表氣溫的遙感反演,大氣水汽遙感的研究相對(duì)較少。針對(duì)近地表濕度的遙感估算,主要是基于大氣柱水汽廓線或可降水總量,結(jié)合地面監(jiān)測(cè)數(shù)據(jù)建立統(tǒng)計(jì)回歸方程進(jìn)行反演。然而,大氣濕度廓線垂向分辨率不高,限制了其在近地表濕度反演中的應(yīng)用(張紅梅等,2014),因此大氣可降水量更適合于近地表濕度的遙感估算??諝鉂穸瘸S孟鄬?duì)濕度(?)、露點(diǎn)溫度(tdew)、比濕(Q)和水汽壓(ea)表示,已有學(xué)者在大氣可降水量數(shù)據(jù)的基礎(chǔ)上實(shí)現(xiàn)了對(duì)這4種濕度參數(shù)的遙感反演(Han et al.,2005;Peng et al.,2006;黃耀歡等,2010;張丹等,2012;楊景梅等,2002)。
本研究基于 MOD05-L2產(chǎn)品得到北京市的大氣可降水量PWV,結(jié)合高程DEM、地表溫度LST、歸一化植被指數(shù)NDVI和改進(jìn)型的歸一化水體指數(shù)MNDWI,以站點(diǎn)露點(diǎn)溫度為因變量,進(jìn)行逐步回歸分析,剔除不顯著變量之后,建立多元線性回歸模型來估算北京市的露點(diǎn)溫度。
圖3 氣溫反演流程圖Fig. 3 The process of the air temperature retrieve
從274個(gè)站點(diǎn)數(shù)據(jù)中隨機(jī)分割出204個(gè)樣本作為訓(xùn)練集進(jìn)行建模,估算出近地表氣溫和露點(diǎn)溫度。再以剩余的 70個(gè)樣本作為測(cè)試集,對(duì)反演的近地表氣溫、露點(diǎn)溫度和體感溫度進(jìn)行驗(yàn)證,以判定系數(shù)R2、平均絕對(duì)誤差MAE和均方根誤差RMSE為精度評(píng)價(jià)指標(biāo)。
3.1.1 近地表氣溫驗(yàn)證
根據(jù) OOB誤差最小原則進(jìn)行多次試驗(yàn),結(jié)果表明,當(dāng)ntree=100、mtry=4時(shí),隨機(jī)森林模型最優(yōu),故基于此模型計(jì)算近地表氣溫。圖4(a)所示為隨機(jī)森林模型估算的氣溫與觀測(cè)氣溫的散點(diǎn)圖,結(jié)果表明,估算值與實(shí)測(cè)氣溫之間的平均絕對(duì)誤差 MAE為0.89 ℃,均方根誤差RMSE為1.13 ℃,決定系數(shù)R2為0.73,表明隨機(jī)森林模型的反演精度較高,可以合理有效地估算近地表氣溫。圖中樣本分布整體聚集在1?1線附近,低溫區(qū)樣本離散程度較高,高于 30 ℃時(shí)的樣本分布更貼近 1?1線,表明隨機(jī)森林模型在高溫地區(qū)對(duì)氣溫的反演效果更好,與實(shí)測(cè)值更接近。
3.1.2 露點(diǎn)溫度驗(yàn)證
對(duì)由 PWV、LST、DEM、NDVI和 MNDWI構(gòu)成的樣本集進(jìn)行逐步回歸分析,經(jīng)過篩選后確定了PWV、LST和DEM為3個(gè)最顯著變量,以此構(gòu)建多元線性回歸模型,如下:
式中,td為露點(diǎn)溫度(℃);PWV為大氣可降水量(cm);LST為地表溫度(℃);DEM為高程(m)。圖 4(b)所示為多元線性回歸模型估算的露點(diǎn)溫度與站點(diǎn)露點(diǎn)溫度的散點(diǎn)圖,結(jié)果表明,模擬值和站點(diǎn)露點(diǎn)溫度值之間的平均絕對(duì)誤差 MAE為1.45 ℃,均方根誤差RMSE為1.80 ℃,決定系數(shù)R2為0.68,顯示了較高的擬合度。樣本整體分布集中在1?1線周圍,露點(diǎn)溫度較低的區(qū)域樣本分布偏上,與實(shí)測(cè)值間存在一定的誤差。而露點(diǎn)溫度較高的區(qū)域樣本點(diǎn)分布更靠近1?1線,說明該模型對(duì)于高濕度地區(qū)的反演效果更好。
圖4 氣溫(a)和露點(diǎn)溫度(b)估算值與實(shí)測(cè)值散點(diǎn)圖Fig. 4 Scatter plot of estimated air temperature (a) and dew point temperature (b) versus observed data
3.1.3 體感溫度驗(yàn)證
基于建立的模型獲取北京市近地表氣溫和露點(diǎn)溫度后,計(jì)算Humidex指數(shù)來表征北京市的體感溫度。利用站點(diǎn)計(jì)算得到的體感溫度進(jìn)行驗(yàn)證,圖5所示為基于驗(yàn)證樣本反演的體感溫度與站點(diǎn)體感溫度的散點(diǎn)圖,決定系數(shù)R2=0.76,MAE=1.40 ℃,RMSE=1.71 ℃,這表明反演結(jié)果較好。無論低溫還是高溫區(qū)域,驗(yàn)證樣本都較為集中地分布在 1?1線附近,說明Humidex指數(shù)的計(jì)算精度較高。
圖5 估算體感溫度與站點(diǎn)體感溫度散點(diǎn)Fig. 5 Scatter plot of estimated apparent temperature versus calculated apparent temperature from station
圖6 (a)所示為7月10日北京市近地表氣溫的空間分布狀況,總體上反演的氣溫范圍在25~35 ℃之間。氣溫的分布呈現(xiàn)顯著的空間差異性,中心城區(qū)氣溫高,并逐漸向郊區(qū)遞減,呈現(xiàn)出城市熱島的特征。山區(qū)的氣溫顯著低于平原地區(qū),且呈現(xiàn)出海拔越高氣溫越低的趨勢(shì)。反演的氣溫與站點(diǎn)實(shí)測(cè)氣溫的分布情況一致,效果較好。
圖6 2017年7月10日北京市近地表氣溫(a)和露點(diǎn)溫度(b)分布圖Fig. 6 Map of near surface air temperature (a) and dew point temperature (b) in Beijing on July 10th of 2017
圖6 (b)所示為7月10日北京市露點(diǎn)溫度的空間分布情況??傮w而言,東南部平原區(qū)的露點(diǎn)溫度高于西部和北部的山區(qū),由于空氣的實(shí)際水汽壓等于露點(diǎn)溫度對(duì)應(yīng)的飽和水汽壓,而水汽壓具有隨著海拔高度增加而遞減的規(guī)律,因此山區(qū)整體的露點(diǎn)溫度低于平原區(qū)域。而中心城區(qū)受“城市熱島”和“城市干島”效應(yīng)的影響,使其在晴空條件下的相對(duì)濕度較低,水汽壓平均值低于同時(shí)期周圍郊區(qū)的平均水汽壓,造成露點(diǎn)溫度偏低。從中心城區(qū)開始向外延伸,露點(diǎn)溫度整體呈現(xiàn)山區(qū)<城區(qū)<郊區(qū)的分布趨勢(shì),與當(dāng)日站點(diǎn)實(shí)測(cè)相對(duì)濕度的分布一致,較好地反映了北京市的濕度分布情況。
圖7所示為北京市體感溫度的空間分布狀況,由圖可知,北京市的體感溫度主要在24~42 ℃之間變化,平均體感溫度為35.18 ℃,在空間分布上具有顯著差異性。西部和北部的山區(qū)體感溫度較低,在30 ℃以下,東南部平原地區(qū)體感溫度普遍較高,大多在35 ℃以上。平原地區(qū)的體感溫度高于山區(qū),一方面是因?yàn)槠浜0屋^低,水汽壓隨著海拔的降低而增加,導(dǎo)致了較高的露點(diǎn)溫度;另一方面,北京市的城區(qū)集中于此,這部分地區(qū)建筑密集,植被覆蓋率低,下墊面以不透水面為主,導(dǎo)致城市熱島效應(yīng)顯著,氣溫明顯高于周圍地區(qū),溫度和濕度兩方面的共同作用使得平原區(qū)整體的體感溫度較高。除了中心城區(qū)之外,北京北部的密云河谷一帶、西北部的延懷盆地和東北部的懷柔等地的體感溫度也比較高,這些地區(qū)屬于各區(qū)的中心地帶,人口聚集,城鎮(zhèn)化水平較高,下墊面以不透水面為主,加之較低的海拔帶來的露點(diǎn)溫度的提升,使得體感溫度也偏高。而山區(qū)由于海拔較高,植被覆蓋條件好,植被的蒸散作用和冠層的遮蔽效應(yīng)有效降低了地表溫度,進(jìn)而降低了近地表氣溫,使得山區(qū)體感溫度普遍較低。
圖7 2017年7月10日北京市體感溫度分布圖Fig. 7 Map of apparent temperature in Beijing on July 10th of 2017
圖8 不同方向體感溫度剖線圖Fig. 8 Variations of apparent temperature in different directions
為了進(jìn)一步反映北京市體感溫度空間分布差異,以天安門(39°54′26.37″N,116°23′29.22″E)為中心由北向南、由西向東構(gòu)建特征剖面,得到體感溫度空間分布的剖線圖(圖8)??傮w而言,北京南部的體感溫度高于北部,體感溫度差值可達(dá)13.28 ℃,東部體感溫度高于西部,溫差可達(dá)14.65 ℃。兩條剖線均是從山區(qū)部分開始,此時(shí)體感溫度最低,經(jīng)過郊區(qū)逐漸向主城區(qū)延伸,體感溫度也隨之升高。有所不同的是,南北方向的體感溫度剖線在上升過程中出現(xiàn)1個(gè)波峰,這是因?yàn)樵诘竭_(dá)北京主城區(qū)前,沿途的延懷盆地和密云河谷地區(qū)體感溫度較周圍高。體感溫度剖線在中心城區(qū)部分到達(dá)峰值,其中東城區(qū)和西城區(qū)體感溫度最高,平均值達(dá)到了39.79 ℃。在城市內(nèi)部,體感溫度剖線出現(xiàn)較明顯的波動(dòng),說明體感溫度在相鄰區(qū)域的分布也有明顯的空間差異,這一現(xiàn)象可能是由城市內(nèi)部的功能區(qū)分布差異所導(dǎo)致,商務(wù)區(qū)、住宅區(qū)、工業(yè)區(qū)等地人為活動(dòng)頻繁,熱量聚集,導(dǎo)致體感溫度有所升高,而濕地公園、綠地、湖泊等環(huán)境景觀和設(shè)施的存在,對(duì)周圍環(huán)境有一定降溫作用,有利于體感溫度的降低,從而使得體感溫度剖面線在城市內(nèi)部產(chǎn)生波動(dòng)。從中心城區(qū)延伸出來的體感溫度剖線并沒有明顯的下降趨勢(shì),雖然郊區(qū)的氣溫低于中心城區(qū),但受城市熱島和干島效應(yīng)的影響,中心城區(qū)的空氣濕度明顯低于周圍郊區(qū),在整體偏熱的環(huán)境下,高濕度會(huì)明顯提升人體熱感,因此周圍郊區(qū)的體感溫度和中心城區(qū)一樣處于較高水平。
通過對(duì)北京市近地表氣溫和體感溫度的分析發(fā)現(xiàn),兩者在空間分布上具有一致性但體感溫度整體上高于氣溫。圖9所示為北京市體感溫度與氣溫之間的差異分布,體感溫度最高處比氣溫高了11.57 ℃。在北京北部、西部和東北部的山地部分,體感溫度與氣溫的差異不大,而北京市中心城區(qū)及周圍郊區(qū)、延懷盆地、懷柔和密云河谷一帶的體感溫度明顯高于氣溫,平均可達(dá)5 ℃以上,除了受城市熱島效應(yīng)影響之外,結(jié)合當(dāng)天的濕度分布情況可以發(fā)現(xiàn),體感溫度高于氣溫的區(qū)域其空氣濕度也較高,可見在偏熱環(huán)境中由于濕度的作用,會(huì)使得體感溫度明顯高于氣溫。利用體感溫度和氣溫的這種分布差異,可為監(jiān)測(cè)城市濕熱環(huán)境對(duì)人體舒適度和健康狀況的影響提供科學(xué)的參考。
圖9 體感溫度與氣溫差異分布圖Fig. 9 Different distribution between apparent temperature and air temperature
本研究利用遙感手段分別計(jì)算了北京市氣溫和濕度的空間分布,在此基礎(chǔ)上計(jì)算Humidex指數(shù)以表征北京市體感溫度的空間分布,一定程度上克服了氣象站點(diǎn)觀測(cè)資料分布不均和空間代表性不充分的缺陷,為評(píng)估熱環(huán)境對(duì)人體健康的影響提供了新的思路。不過,本研究也存在一些不足,(1)受復(fù)雜的下墊面類型和城市內(nèi)部結(jié)構(gòu)的影響,目前的遙感方式無法獲取精準(zhǔn)的近地表風(fēng)速空間分布信息。基于站點(diǎn)觀測(cè)的風(fēng)速數(shù)據(jù)進(jìn)行插值,得到的結(jié)果也難以真實(shí)反映風(fēng)速在城市內(nèi)部的分布狀況,因此本研究未考慮風(fēng)速,未來將探索利用遙感手段計(jì)算多種體感溫度指數(shù),并對(duì)不同指數(shù)進(jìn)行對(duì)比分析。(2)由于Landsat衛(wèi)星成像周期為16 d,導(dǎo)致夏季無云影像很少,只能采用一兩景典型時(shí)相數(shù)據(jù)獲取體感溫度的空間精細(xì)分布,無法很好地反映體感溫度時(shí)間變化趨勢(shì)。
通過對(duì)2017年7月10日上午10:53的遙感數(shù)據(jù)和氣象觀測(cè)資料進(jìn)行反演,獲得了該日北京市體感溫度的空間分布情況,得到以下結(jié)論:
該日北京市體感溫度主要在24~42 ℃之間變化,平均為 35.18 ℃,整體上,西部和北部山區(qū)體感溫度較低,東南部平原地區(qū)體感溫度普遍較高,主城區(qū)的體感溫度高于郊區(qū)。在城市內(nèi)部,功能區(qū)分布差異使得體感溫度在相鄰區(qū)域上也有明顯差異。
基于遙感數(shù)據(jù)計(jì)算 Humidex指數(shù)來表征北京市體感溫度,將所得結(jié)果與站點(diǎn)觀測(cè)數(shù)據(jù)進(jìn)行對(duì)比驗(yàn)證,判定系數(shù)R2為0.76,平均絕對(duì)誤差MAE為1.40 ℃,均方根誤差RMSE為1.71 ℃,反演精度較理想,表明本研究方法是可行的。
北京市體感溫度和氣溫的空間分布具有一致性,但體感溫度普遍高于氣溫。北京市主城區(qū)、懷柔、延懷盆地和密云河谷一帶的體感溫度比氣溫高5 ℃以上,說明相比于傳統(tǒng)的氣溫指標(biāo),綜合考慮氣溫和濕度的 Humidex指數(shù)能更好地反映環(huán)境對(duì)人體舒適度和公共健康的影響。
BECCALI M, CELLURA M, BRANO V L, et al. 2008. Short-term prediction of household electricity consumption: Assessing weather sensitivity in a Mediterranean area [J]. Renewable and Sustainable Energy Reviews, 12(8): 2040-2065.
BISANTI L, CADUM E, COSTA G A, et al. 2004. 2003 Heatwaves and mortality in Italy [J]. Epidemiology, 15(4): 97.
BLAZEJCZYK K, EPSTEIN Y, JENDRITZKY G, et al. 2012. Comparison of UTCI to selected thermal indices [J]. International Journal of Biometeorology, 56(3): 515-535.
BREIMAN L. 2001. Random Forests [J]. Machine Learning, 45(1): 5-32.
CONTI S, MELI P, MINELLI G, et al. 2005. Epidemiologic study of mortality during the summer 2003 heat wave in Italy [J].Environmental Research, 98(3): 390-399.
GAGGE A P, STOLWIJK J A J, NISHI Y. 1971. An effective temperature scale based on a simple model of human physiological regulatory response [J]. Ashrae Transactions, 77: 247-272.
GIANNOPOULOU K, LIVADA I, SANTAMOURIS M, et al. 2013. The influence of air temperature and humidity on human thermal comfort over the greater Athens area [J]. Sustainable Cities and Society, 10:184-194.
HAN K S, VIAU A A, KIM Y S, et al. 2005. Statistical estimate of the hourly near-surface air humidity in eastern Canada in merging NOAA/AVHRR and GOES/IMAGER observations [J]. International Journal of Remote Sensing, 26(21): 4763-4784.
HUNG C H, KNUDBY A, XU Y M, et al. 2016. A comparison of urban heat islands mapped using skin temperature, air temperature, and apparent temperature (Humidex) for the greater Vancouver area [J]. Science of the Total Environment, 544: 929-938.
JACOBS S J, PEZZA A B, BARRAS V, et al. 2013. An analysis of the meteorological variables leading to apparent temperature in Australia:Present climate, trends, and global warming simulations [J]. Global and Planetary Change, 107: 145-156.
JUAN C, JIMéNEZ-MU?OZ, SOBRINO J A. et al. 2014. Land Surface Temperature Retrieval Methods From Landsat-8 Thermal Infrared Sensor Data [J]. IEEE Geoscience and Remote Sensing Letters, 11(10):1840-1843.
MASTERSON J M, RICHARDSON F A. 1979. Humidex: A Method of Quantifying Human Discomfort Due to Excessive Heat and Humidity[M]. Downsview, Ontario: Environment Canada: 13-16.
NAGANO K, HORIKOSHI T. 2011. Development of outdoor thermal index indicating universal and separate effects on human thermal comfort [J].International journal of biometeorology, 55(2): 219-227.
NGUYEN J L, SCHWARTZ J, DOCKERY D W. 2014. The relationship between indoor and outdoor temperature, apparent temperature, relative humidity, and absolute humidity [J]. Indoor Air, 24(1): 103-112.
PENG G X, LI J, CHEN Y H, et al. 2006. High-resolution surface relative humidity computation using MODIS image in Peninsular Malaysia [J].Chinese Geographical Science, 16(3): 260-264.
RIDD M K. 1995. Exploring a V-I-S (Vegetation-impervious surface-soil)model for urban ecosystem analysis through remote sensing:comparative anatomy for cities [J]. International Journal of Remote Sensing, 16(2): 2165-2185.
D'AMBROSIO ALFANO F R, PALELLA B I, RICCIO G. 2011. Thermal environment assessment reliability using temperature--humidity indices[J]. Industrial Health, 49(1): 95-106.
RUSSO A, BISANTI L. 2004. Heat wave effect on frail population in metropolitan Milano [J]. Italy. Epidemiology, 15(4): 97-98.
SCOTT N W, DAVID S H, JOHN A G, et al. 2014. Estimating Temperature Fields from MODIS Land Surface Temperature and Air Temperature Observations in a Sub-Arctic Alpine Environment [J]. Remote Sensing,6(2): 946-963.
SOBRINO J A, JIMéNEZ-MUìOZ J C, PAOLINI L. 2004. Land surface temperature retrieval from Landsat TM 5 [J]. Remote Sensing of the Environment, 90(4): 434-446.
STEADMAN R G. 1979. The assessment of Sultirness. Part l: A temperature-humidity index based on human physiology and clothing science [J]. Journal of Applied Meteorology, 18(7): 861-873.
VANCUTSEM C, DINKU T, CONNOR S J. 2010. Evaluation of MODIS land surface temperature data to estimate air temperature in different ecosystems over Africa [J]. Remote sensing of environment, 114(2):449-465.
WICHMANN J. 2017. Heat effects of ambient apparent temperature on all-cause mortality in Cape Town, Durban and Johannesburg, South Africa:2006—2010 [J]. Science of the Total Environment, 587-588: 266-272.
WU C S, ALAN T. MURRAY. 2003. Estimating impervious surface distribution by spectral mixture analysis [J]. Remote Sensing of Environment, 84(4): 493-505.
YIN J F, ZHENG Y F, WU R J, et al. 2012. An analysis of influential factors on outdoor thermal comfort in summer [J]. International Journal of Biometeorology, 56(5): 941-948.
YU X L, GUO X L, WU Z C. 2014. Land Surface Temperature retrieval from Landsat 8 TIRS—Comparison between radiative transfer equation-based method, split window algorithm and single method [J].Remote Sensing, 6(10): 9829-9852.
ZHANG K, LI Y, SCHWARTZ J, et al. 2014. What weather variables are important in predicting heat-related mortality? A new application of statistical learning methods [J]. Environment Research, 132: 350-359.
白琳, 徐永明, 何苗, 等. 2017. 基于隨機(jī)森林算法的近地表氣溫遙感反演研究——以北京市為例[J]. 地球信息科學(xué)學(xué)報(bào), 19(3): 390-397.
方匡南, 吳見彬, 朱建平. 2012. 隨機(jī)森林方法研究綜述[J]. 統(tǒng)計(jì)與信息論壇, 6(3): 32-38.
顧康康, 祝玲玲. 2017. 城市居住區(qū)開發(fā)強(qiáng)度與微氣候的關(guān)聯(lián)性研究——以合肥市為例[J]. 生態(tài)環(huán)境學(xué)報(bào), 26(12): 2084-2092.
國家統(tǒng)計(jì)局北京調(diào)查總隊(duì). 2017. 人口: 常住人口[R]. [2017-01-22].http://www.bjstats.gov.cn/tjsj/yjdsj/rk/2016/201701/t20170122_367517.html.
國家統(tǒng)計(jì)局北京調(diào)查總隊(duì). 2017. 統(tǒng)計(jì)數(shù)據(jù): 年度公報(bào)[R]. [2017-02-25].http://www.bjstats.gov.cn/tjsj/tjgb/ndgb/201702/t20170227_369467.html.
何苗, 徐永明, 李寧, 等. 2017. 基于遙感的北京城市高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估[J]. 生態(tài)環(huán)境學(xué)報(bào), 26(4): 635-642.
何松蔚, 王成剛, 劉勇洪, 等. 2017. 北京市城市熱島時(shí)空分布研究[C]//第 34屆中國氣象學(xué)會(huì)年會(huì). 觀測(cè)推動(dòng)城市氣象發(fā)展——第六屆城市氣象論壇論文集. S8. 北京: 113-115.
黃耀歡, 江東, 莊大方, 等. 2010. 基于MODIS遙感數(shù)據(jù)地表水汽壓估算[J]. 地理科學(xué)進(jìn)展, 29(9): 1137-1142.
江佳樂, 劉湘南, 劉美玲, 等. 2014. 基于隨機(jī)森林的香港海域海表鹽度遙感反演模型[J]. 海洋通報(bào), 33(3): 333-341.
李欣海. 2013. 隨機(jī)森林模型在分類與回歸分析中的應(yīng)用[J]. 昆蟲知識(shí),50(4): 1190-1197.
林學(xué)椿, 于淑秋, 唐國利. 2005. 北京城市化進(jìn)程與熱島強(qiáng)度關(guān)系的研究[J]. 自然科學(xué)進(jìn)展, 15(7): 882-886.
劉梅, 于波, 姚克敏. 2002. 人體舒適度研究現(xiàn)狀及其開發(fā)應(yīng)用前景[J].氣象科技, 30(1): 11-14, 18.
劉勇洪, 張碩, 程鵬飛, 等. 2017. 面向城市規(guī)劃的熱環(huán)境與風(fēng)環(huán)境評(píng)估研究與應(yīng)用——以濟(jì)南中心城為例[J]. 生態(tài)環(huán)境學(xué)報(bào), 26(11):1892-1903.
呂偉林. 1998. 體感溫度及其計(jì)算方法[J]. 北京氣象, (1): 23-25.
買買提江·買提尼亞孜, 阿里木江·卡斯木. 2015. 干旱區(qū)典型城市下墊面特征及其與地表熱環(huán)境的關(guān)系研究[J]. 生態(tài)環(huán)境學(xué)報(bào), 24(11):1865-1871.
石磊, 王騰, 孫曉光. 2012. 西南區(qū)域體感溫度變化趨勢(shì)分析[J]. 西藏科技, 234(9): 54-58.
王遠(yuǎn)飛, 沈愈. 1998. 上海市夏季溫濕效應(yīng)與人體舒適度[J]. 華東師范大學(xué)學(xué)報(bào): 自然科學(xué)版, 9(3): 60-66.
吳兌. 2003. 多種人體舒適度預(yù)報(bào)公式討論[J]. 氣象科技, 31(6):370-372.
徐涵秋. 2005. 利用改進(jìn)的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J]. 遙感學(xué)報(bào), 9(5): 589-595.
徐永明, 劉勇洪. 2013. 基于 TM 影像的北京市熱環(huán)境及其與不透水面的關(guān)系研究[J]. 生態(tài)環(huán)境學(xué)報(bào), 22(4): 639-643.
徐永明, 覃志豪, 萬洪秀. 2011. 熱紅外遙感反演近地層氣溫的研究進(jìn)展[J]. 國土資源遙感, 22(1): 9-14.
楊景梅, 邱金桓. 2002. 用地面濕度參量計(jì)算我國整層大氣可降水量及有效水汽含量方法的研究[J]. 大氣科學(xué), 26(1): 9-22.
尹炤寅, 范進(jìn)進(jìn), 陳幼姣, 等. 2017. 體感溫度對(duì)夏季氣象負(fù)荷率變化的影響研究——以湖北省黃石市為例[J]. 氣象, 43(5): 620-627.
張丹, 劉昌明, 付永鋒, 等. 2012. 基于MODIS數(shù)據(jù)的中國地面水汽壓模擬與分析[J]. 資源科學(xué), 34(1): 74-80.
張紅梅, 吳炳方, 閆娜娜. 2014. 飽和水汽壓差的衛(wèi)星遙感研究綜述[J].地球科學(xué)進(jìn)展, 29(5): 559-568.
鄭祚芳, 高華, 王在文, 等. 2012. 城市化對(duì)北京夏季極端高溫影響的數(shù)值研究[J]. 生態(tài)環(huán)境學(xué)報(bào), 21(10): 1689-1694.