高溫背景下城市下墊面擴(kuò)張對于成都市熱島效應(yīng)的數(shù)值試驗(yàn)

孫世杰, 張小玲, 樊 晉

(1.成都信息工程大學(xué)大氣科學(xué)學(xué)院高原大氣與環(huán)境四川省重點(diǎn)實(shí)驗(yàn)室,四川 成都 610225;2.成都平原城市氣象與環(huán)境四川省野外科學(xué)觀測研究站,四川 成都 610225;3.濟(jì)南市氣象臺,山東 濟(jì)南 250000)

0 引言

在全球氣候變暖背景下[1],IPCC 在第四次和第五次報告中指出,土地利用變化是影響氣候的最主要因素之一,過去50年中,人類活動導(dǎo)致了以全球變暖為主要特征的氣候變化[2-3]。城市化加速了自然景觀的變化,大量綠地、林木轉(zhuǎn)變成了不透水地面,通過影響陸面-大氣作用,進(jìn)而影響區(qū)域氣候和環(huán)境[4]。近年來,夏季高溫事件頻發(fā),高溫?zé)崂藢Νh(huán)境和健康帶來很大影響,研究城市化對高溫過程的影響機(jī)理,具有重要意義。

Lake Howard[5]在1833年首次提出“城市熱島效應(yīng)”。李肇潔等[6]通過研究成都地區(qū)輻射能量平衡,認(rèn)為成都地區(qū)存在2 ℃左右的熱島效應(yīng)。曾勝蘭等[7]運(yùn)用3S 技術(shù)研究了不同道路和不同道路密度對成都市熱島效應(yīng)的影響,結(jié)果表明成都城區(qū)地表平均溫度高于郊區(qū)且熱島強(qiáng)度呈現(xiàn)夏季強(qiáng)(3 ℃～4 ℃)冬季弱(2.5 ℃～3 ℃),夜強(qiáng)晝?nèi)醯奶卣?。鄭祚芳等[8]應(yīng)用1998-2002年北京地區(qū)自動氣象站觀測資料,探討了城市熱島效應(yīng)對夏季高溫的增幅作用,結(jié)果表明城市熱島效應(yīng)對高溫強(qiáng)度有明顯的增幅作用。蒙偉光等[9]使用WRF 并耦合了城市冠層模型對廣州高溫天氣進(jìn)行模擬,成功模擬出了城市熱島特征,發(fā)現(xiàn)白天城區(qū)地區(qū)高溫與低反射率導(dǎo)致的短波輻射吸收增加有關(guān),晚上城區(qū)地區(qū)潛熱通量小,向上的土壤熱通量以感熱形式用于加熱大氣,使夜間熱島得以持續(xù)。

WRF 模式中默認(rèn)的中國區(qū)域的土地利用資料精度和準(zhǔn)確度低于全球[10-12],嚴(yán)重影響了模式的模擬精度和準(zhǔn)確度[13-15]。胡婧婷等[16-17]對WRF 中的土地利用數(shù)據(jù)進(jìn)行優(yōu)化后,模擬了上海地區(qū)的一次高溫過程,結(jié)果顯示對于溫度、相對濕度和風(fēng)速的模擬效果均有不同程度改善。鄭祚芳等[18]使用Landsat Thematic Mapper(TM)衛(wèi)星資料代替了模式中默認(rèn)的USGS 土地利用數(shù)據(jù),結(jié)果表明引入高精度土地利用資料能顯著優(yōu)化改變能量平衡中各項比重,明顯提高模擬效果。張雷等[19]較好模擬了北京一次高溫過程,分析了城市化對高溫的影響機(jī)制。20 世紀(jì)以來,成都城市化進(jìn)程迅猛,許多學(xué)者利用WRF 探究城市化帶來的影響。趙旋等[20]探究了不同時期下墊面對夏季和冬季模擬結(jié)果的影響,結(jié)果發(fā)現(xiàn)針對夏季地面氣溫升高有顯著影響,冬季影響不明顯。肖宇昕等[21]使用不同程度擴(kuò)張的下墊面進(jìn)行敏感性,結(jié)果顯示成都區(qū)域的城市下墊面對地面2 m溫度的變化趨勢有明顯影響,尤其是對于日最低氣溫的變化趨勢影響最為劇烈。

UCM 能較好的考慮到城市幾何特征對模擬結(jié)果的影響,對于城市部分能更好地模擬城市熱力學(xué)和動力學(xué)的特征[22],可以看出WRF-UCM 模式更符合城市區(qū)域研究需要[23-25]。本文在前人研究基礎(chǔ)上,使用WRF-UCM 模式,利用不同下墊面資料進(jìn)行敏感性實(shí)驗(yàn),針對成都地區(qū)城市化對夏季的一次高溫?zé)崂诉^程的影響機(jī)理進(jìn)行探究。

1 數(shù)據(jù)來源與方法

土地利用數(shù)據(jù)主要使用了2019年MODIS(moderate resolution imaging spectroradiometer)Terra + Aqua三級土地覆蓋類型產(chǎn)品(land cover data),全球500 m產(chǎn)品MCD12Q1 中的第一個數(shù)據(jù)集(土地覆蓋分類1:IGBP 的全球植被分類方案),信息提取主要技術(shù)是監(jiān)督?jīng)Q策樹分類。

網(wǎng)格中各類型面積中不透水下墊面的面積超過30%認(rèn)為是城市下墊面,由圖1(a)可知2001年MODIS 資料在成都市內(nèi)城市部分有3695 個網(wǎng)格,圖1(b)可知2019年城市部分增長到6876 個網(wǎng)格,水平格距為500 m。MODIS 中成都區(qū)域的城市部分2019年比2001年增長了795.25 km2,增幅為186.09%。

圖1 MODIS 土地利用資料類型圖

模擬檢驗(yàn)數(shù)據(jù)采用了成都市2019年8月11-13日自動氣象站逐時氣溫資料,如圖2 所示為模式結(jié)果驗(yàn)證所使用自動氣象站點(diǎn)分布圖,溫江區(qū)2 個、郫都區(qū)2個、金牛區(qū)2 個、青羊區(qū)2 個、武侯區(qū)1 個、雙流區(qū)2個、龍泉驛區(qū)2 個、青白江區(qū)2 個、錦江區(qū)2 個、新都區(qū)2 個、成華區(qū)2 個以及高新區(qū)2 個、天府新區(qū)1 個,共計24 個站點(diǎn)。

圖2 模式驗(yàn)證所使用氣象站點(diǎn)分布

為增加模擬結(jié)果的可靠性,以實(shí)測自動氣象站資料做參考標(biāo)準(zhǔn),在模式結(jié)果中提取出對應(yīng)圖3 所有站點(diǎn)逐時氣溫資料做對比討論。熱島強(qiáng)度是指城鄉(xiāng)之間氣溫的差異。其表達(dá)式為IUHI=Tu-Ts,其中,Tu為城市部分溫度,Ts為郊區(qū)部分溫度。參照圖1(b)成都市城市部分以及站點(diǎn)分布情況(圖3),本文選擇最內(nèi)部矩形范圍自動氣象站點(diǎn)為Tu,主要包括武侯區(qū)、錦江區(qū)、成華區(qū)、金牛區(qū)、青羊區(qū)和臨近五區(qū)范圍的氣象站；兩個矩形之間范圍的自動氣象站為Ts,主要包括了雙流區(qū)、溫江區(qū)、郫都區(qū)、新都區(qū)、龍泉驛區(qū)的部分氣象站。

圖3 成都市中心城區(qū)部分城市站和郊區(qū)站分布圖

2 模擬試驗(yàn)設(shè)計

本文使用版本為3.9.0 的WRF(the weather research and forecasting mode)模式,并耦合單層冠層模式UCM,選擇2019年8月11-13日一次高溫過程為研究時段。使用NCEP/NCAR 的1°×1°的FNL 再分析資料作為初始?xì)庀筚Y料和邊界條件,邊界條件每6 h更新。

實(shí)驗(yàn)?zāi)M時段為2019年8月9日0000UTC-14日0000UTC,對模擬結(jié)果中的10日1600UTC-13日1600UTC 時進(jìn)行分析,即北京時間11日00 時-14日00 時。如圖4 所示,模擬采用三層嵌套方案,水平分辨率分別為9 KM,3 KM,1 KM,最外層包含整個四川省和重慶市,第二層包含了四川省大部以及重慶市西部,最內(nèi)層包括全部成都市,垂直方向分為38 層,模式層頂為50 hPa,其中地面到1 KM以下有12 層。模式物理參數(shù)化方案采取如表1 所示的基本配置。

表1 模式物理參數(shù)化方案基本配置

圖4 WRF 模式模擬區(qū)域示意圖

設(shè)計兩組實(shí)驗(yàn),包括DE 與UP 方案,DE 方案采用如圖1(a)2001年MODIS 下墊面資料,UP 方案采用如圖1(b)2019年MODIS 下墊面資料。DE 與UP 方案使用相同的物理參數(shù)化方案基本配置,兩組實(shí)驗(yàn)僅土地利用資料不同。

3 模式結(jié)果分析

本文所分析的時間段為北京時2019年11日00時-14日00 時,對應(yīng)時間軸的0-72 時。選用圖2 所示的24 個成都市自動氣象站資料并經(jīng)過質(zhì)量控制,作為模式驗(yàn)證的觀測值。在三層嵌套中最內(nèi)層的模擬結(jié)果中選取對應(yīng)自動氣象站的經(jīng)緯度坐標(biāo)最近網(wǎng)格點(diǎn)的數(shù)值作為模擬值。

由圖5 可知站點(diǎn)平均溫度29.8 ℃,站點(diǎn)平均最高溫35.9 ℃,夜間站點(diǎn)平均最低溫23.2 ℃。從相關(guān)系數(shù)R來看,DE 方案為0.95,UP 方案為0.96(兩種方案均通過α=0.01的顯著性檢驗(yàn))?？梢钥闯瞿Ｊ綄τ诒敬蔚孛鏈囟鹊哪M上有較好模擬效果,但是平均溫度上模擬值偏高,UP(31.0 ℃)＞DE(30.2 ℃)＞OBS(29.8 ℃)；在日間兩種方案氣溫模擬偏高,但夜間UP方案模擬效果較好。

圖5 模式驗(yàn)證所用氣象站點(diǎn)逐時平均溫度

如圖6(a)所示,在此次高溫過程內(nèi)UP 方案城市部分的平均溫度為31.2 ℃,DE 方案為30.5 ℃,UP 方案＞DE 方案,而在日間UP 方案和DE 方案在城市部分的站點(diǎn)溫度平均值高于OBS 觀測值,夜間低于OBS 觀測值。如圖6(b)所示,在非城市部分的站點(diǎn)平均溫度的對比上,UP 方案、DE 方案平均地面溫度分別為27.4 ℃和27.1 ℃,UP 方案＞DE 方案。由圖6 可知,UP 方案在11-13日的日間最高氣溫都高于DE 方案的日間最高氣溫,兩種方案模擬值均偏大,UP 方案比DE 方案高0.7 ℃,且兩個方案的最高溫以及OBS 觀測值都出現(xiàn)在11日,UP 方案過程中最高溫出現(xiàn)在11日16 時,為39.6 ℃,DE 方案在過程中最高溫度出現(xiàn)在11日18 時,為38.9 ℃。同時兩種方案下墊面城市部分的模式結(jié)果的最低溫也出現(xiàn)在11日,UP 方案和DE 方案的過程最低溫分別為23.5 ℃和22.5 ℃,UP 方案比DE 方案高1.0 ℃,UP 方案城市部分增溫明顯?？梢钥闯鯱P 方案對比DE 方案,在日間UP 方案高溫高于DE 方案,城市化造成的高溫加劇；夜間UP 方案溫度的極值高于DE方案,說明城市化造成的暖夜加劇。

圖6 UP、DE 方案城市下墊面和非城市下墊面的逐時氣溫變化圖

由圖7 可知,此次高溫過程下,UP 方案的熱島強(qiáng)度高于DE 方案,UP 方案平均熱島強(qiáng)度為2.79 ℃,DE方案熱島強(qiáng)度為2.37 ℃?？梢钥闯鯱P 方案無論白天還是夜間,熱島強(qiáng)度均超過1 ℃,最大熱島強(qiáng)度達(dá)4.37 ℃,最低為1.27 ℃；DE 方案熱島強(qiáng)度最大為4.23 ℃,最低為0.93 ℃。根據(jù)對熱島強(qiáng)度的定義,夏季熱島強(qiáng)度超過2 ℃為強(qiáng)熱島。11日0 時-11日04時、11日10 時-12日01 時、12日11 時-13日05 時、13日11 時-14日0 時存在強(qiáng)熱島現(xiàn)象。城市化使熱島強(qiáng)度增大,且夜間高于日間。

圖7 熱島強(qiáng)度隨時間變化圖

如圖8 所示,WRF 模式能夠較好的模擬以中心城區(qū)為中心,西北部高,東南部低的空間分布特征,由于2019年較2001年MODIS 下墊面資料的城市部分增加86.09%,在模式結(jié)果中,UP 方案較DE 方案高溫區(qū)擴(kuò)張符合城區(qū)擴(kuò)張大致方向。UP 方案較DE 方案中心高溫區(qū)域變大,UP 方案的高溫區(qū)域延伸至溫江區(qū)東部、郫都區(qū)東南部、新都區(qū)西南部、青白江區(qū)西北部、龍泉西部、雙流區(qū)北部,同時高溫區(qū)域在新津縣中部也有體現(xiàn),這與趙旋等[23]研究結(jié)論一致。

圖8 UP、DE 方案日平均溫度分布圖

如圖9(a)UP 方案與DE 方案的最高氣溫差異分布圖可知,UP 方案在高溫背景下能加劇中心城區(qū)高溫,在成都中心城區(qū)的模擬結(jié)果有兩個超過3 ℃的高值區(qū),位于武侯區(qū)與金牛區(qū)。整體形成了103°50′E ～104°18′E,30°18′N ～30°54′N 南北向的長條狀范圍,增溫超過1 ℃。中心城區(qū)以及北部和雙流東南部增溫幅度超過2 ℃。如圖9(b)UP 方案與DE 方案的日均氣溫差異分布圖可知,UP 方案與DE 方案相比,在中心城區(qū)西部、西北部、北部、東北部增溫明顯,增溫區(qū)域與2019年土地利用資料相較2001年改變?yōu)槌鞘胁糠窒聣|面區(qū)域大致吻合。在高溫背景下,城市下墊面擴(kuò)張能顯著增加高溫極值、高溫范圍、城市熱島強(qiáng)度。

圖9 UP-DE 方案日溫度差異分布圖

以過程中平均溫度最高的11日為例分析潛熱和感熱。由圖10 可知,對于潛熱而言,中心城區(qū)全天處于一個低值區(qū),UP 方案與DE 方案相比在中心區(qū)域的低值區(qū)范圍向西北部、北部、東北部擴(kuò)大,潛熱值由中心城區(qū)向周圍潛熱越來越大,結(jié)合圖1 可以看出這是由于城市下墊面擴(kuò)展造成的。白天,城市部分和非城市部分伴隨地表接受輻射能量的增大,潛熱能量也增大,到14 時達(dá)到頂峰,UP 和DE 方案過程中3 天潛熱通量平均的峰值分別為37.6 W/m2、40.4 W/m2,非城市部分峰值442.1 W/m2、443.7 W/m2,14 時后又進(jìn)入下降階段,至20 時達(dá)到最低點(diǎn)；夜間城市部分和非城市部分的潛熱感熱處于0 值附近。這是由于城市部分為不透水下墊面,蒸發(fā)量較小,熱量儲存大；非城市部分的潛熱交換強(qiáng),主要是植被的儲水能力和蒸騰作用的緣故。

圖10 2019年8月11日UP、DE 方案潛熱通量分布圖

成都地區(qū)感熱通量和潛熱通量相類似,日變化明顯。由圖11(a ～b)可知,07 時后城市部分和非城市部分感熱通量增加,城市部分在15 時達(dá)到峰值,峰值分別為411.9 W/m2、397.7 W/m2；非城市部分在14時達(dá)到峰值,峰值分別為356.7 W/m2、354.7 W/m2。可見城市部分用于加熱大氣的能量高于非城市部分。到達(dá)峰值后后城市部分與非城市部分的感熱通量均下降,由圖11(c ～d)可知,日落后,非城市部分感熱通量下降速度較快,城市部分下降慢,這也導(dǎo)致UHI 在20時達(dá)到峰值。夜晚城區(qū)感熱通量在0 值附近,能量運(yùn)輸較為平衡,因而城區(qū)的氣溫下降比較緩慢,然而非城區(qū)的感熱通量存在負(fù)值,地面以長波輻射的方式向大氣傳輸能量,因而非城區(qū)部分的氣溫下降較快。夜間城區(qū)溫度下降緩慢,非城區(qū)部分降溫較快,導(dǎo)致了城區(qū)部分溫度高于非城區(qū)部分,因此在夜間UHI 強(qiáng)度高于白天,“熱島”現(xiàn)象明顯。

圖11 2019年8月11日UP、DE 方案感熱通量分布圖

整體來看,成都西北部、西南部山脈以及東南部龍泉山脈海拔較高,太陽輻射受大氣衰減較小,因而到達(dá)山脈表面的能量較高,感熱量高,白天超過400 W/m2高值區(qū),夜間山區(qū)的感熱交換較低,這是由于潛熱分配掉凈輻射的一部分。由圖10 ～11 可知,07 時,成都市中心城區(qū)部分感熱通量在0 值以上,遠(yuǎn)郊大部分為負(fù)值,城區(qū)與郊區(qū)潛熱通量均比較小,在中心城區(qū)小于周圍地區(qū)。白天城市下墊面的感熱通量比其他類型高。19 時,感熱與潛熱均出現(xiàn)高值,感熱通量在城區(qū)為高值,潛熱通量為低值。日落后建筑物存儲的熱能不斷釋放,加上人為釋放熱,城市感熱通量降低緩慢,使城區(qū)降溫效率低于周邊地區(qū),造成城區(qū)溫度高,引發(fā)熱島效應(yīng)；日出后太陽輻射的加熱作用引起城鄉(xiāng)感熱通量和潛熱通量迅速增加；午后城區(qū)下墊面的性質(zhì)決定了感熱通量和潛熱通量在城區(qū)為別為高值和低值區(qū),城鄉(xiāng)通過潛熱調(diào)節(jié)氣溫的能力被顯著虛弱,使城鄉(xiāng)溫度產(chǎn)生差異,引發(fā)熱島效應(yīng)。

5 結(jié)論

近年來成都市城市發(fā)展迅速,城區(qū)面積不斷擴(kuò)大,利用符合發(fā)展現(xiàn)狀的土地利用資料更符合模式模擬的需要。本文以高溫背景,使用WRF-UCM 模式,將2001年與2019年兩份土地利用資料設(shè)置為兩組實(shí)驗(yàn),研究成都市城市化對熱島強(qiáng)度影響的機(jī)制,結(jié)果表明:

(1)城市化使城市部分增溫顯著,但非城市部分增溫不明顯,且對夜間增溫比日間增溫明顯。城市部分的平均溫度上,UP 方案比DE 方案高0.7 ℃。非城市部分的站點(diǎn)平均溫度的對比上,UP 方案比DE 方案高0.3 ℃。此次高溫過程中UP 方案比DE 方案出現(xiàn)的最高溫增大0.7 ℃,最低溫UP 方案比DE 方案高1.0 ℃。

(2)城市化使熱島強(qiáng)度增強(qiáng),高溫范圍擴(kuò)大,夜間暖夜現(xiàn)象更加顯著。UP 方案平均熱島強(qiáng)度為2.79 ℃,DE 方案熱島強(qiáng)度為2.37 ℃且UP 方案無論白天還是夜間,熱島強(qiáng)度均超過1 ℃。UP 方案最大熱島強(qiáng)度達(dá)到4.37 ℃,最低為1.25 ℃；DE 方案熱島強(qiáng)度最低為0.93 ℃,最大為4.23 ℃。

(3)在下墊面性質(zhì)的不同引起的城鄉(xiāng)感熱通量和潛熱通量的差異是造成城區(qū)與郊區(qū)溫差的主要原因之一。UP 方案與DE 方案相比,城市部分的感熱通量增大,潛熱減小,而非城市部分感熱通量和潛熱通量相差不大。這種差異造成了UP 方案比DE 方案熱島強(qiáng)度增加。城市化使日間城市部分感熱通量增加,潛熱減小,而非城市部分變化不明顯,這種差異化使城市化熱島效應(yīng)增強(qiáng),具體體現(xiàn)為熱島強(qiáng)度增大,范圍擴(kuò)大,暖夜現(xiàn)象加劇。

致謝:感謝成都市科技局重點(diǎn)研發(fā)支撐計劃課題(2020-YF09-00031-SN)；成都信息工程大學(xué)引進(jìn)人才科研啟動項目(KYTZ202127)對本文的資助