基于夜間燈光數據的江西省人為熱排放與夜間地表溫度的相關性分析

陳誠誠，劉傳立

(江西理工大學 土木與測繪工程學院，江西 贛州 341000)

0 引 言

人類對能源的消耗以及自身的新陳代謝會產生大量的人為熱[1], 人為熱是城市熱島形成的重要因素之一[2-3], 它會改變城市的微氣候[4]、 影響城市空氣的質量水平[5], 并且會對人體的健康和舒適度造成影響[6]。目前全球人為熱排放呈現(xiàn)增加趨勢[7], 1965—2012年全球平均人為熱釋放通量增加了0.02 W/m2[8], 中國的平均人為熱釋放通量1978—2008年增加了0.21 W/m2[9]。據相關研究, 人為熱對上海的城市環(huán)境增溫有著明顯促進作用[10], 人為熱排放使長株潭地區(qū)夏季和冬季的主城區(qū)環(huán)境溫度分別提高了0.7和1.5 ℃[11], 人為熱會讓城市夜間的熱島效應強于日間[12]。

以省市級行政單元統(tǒng)計的人為熱排放數據并不能反映區(qū)域內部人為熱的空間分布特征, 因此對人為熱數據進行空間化模擬可以更好地研究人為熱的空間特征和影響機理。王耀庭等[13]通過人口密度和能源清單獲得北京市1 km×1 km分辨率的人為熱空間化數據; 馮倍嘉等[14]利用污染物排放數據對人為熱排放進行估算得到分辨率為3 km×3 km的空間模擬數據; 吾娟佳[15]則采用夜間燈光數據對長三角地區(qū)的人為熱進行空間化模擬并發(fā)現(xiàn)長三角的地表溫度和人為熱的分布具有顯著相關性。

實際上, 當前對人為熱的研究多為單一時期或者非連續(xù)時期的定量分析, 缺乏較長連續(xù)時間序列的人為熱時空變化特征的研究。本文利用最新的跨平臺夜間燈光數據實現(xiàn)較長時間序列的人為熱空間化模擬, 將人為熱與夜間地表溫度進行相關性分析, 探究人為熱排放和夜間地表溫度的關系。

1 研究方法與數據

1.1 研究區(qū)域概況

江西省位于113°34′—118°28′E, 24°29′—30°04′N(圖1), 東部接壤福建、 浙江, 西部接壤湖南, 北部毗鄰安徽、 湖北, 南部接壤廣東。江西省的地形以丘陵、 山地為主, 有“世界鎢都” “稀土王國” “中國銅都” “有色金屬之鄉(xiāng)”的美譽。

圖1 研究區(qū)DEM圖Fig.1 DEM of study area

1.2 數據

夜間燈光數據來自國家科技基礎條件平臺國家地球系統(tǒng)科學數據中心(http://www.geodata.cn), 該數據為利用自編碼器AE模型的跨傳感器校正方案將VIIRS和DMSP夜間燈光數據進行統(tǒng)一, 獲得與NPP-VIIRS具有一致參數屬性的長時間序列的夜間燈光數據, 數據預處理過程同文獻[16]。

江西省歷年能源消費數據以及人口數據來自《江西統(tǒng)計年鑒》(2005—2021), 后文簡稱《年鑒》, 其中能源消耗數據已經轉化成標準煤的數據。歷年的夜間地表溫度數據來自于NASA的MYD11A2版本的2005—2020年具有8 d時間分辨率以及1 km空間分辨率的共738幅(兩幅2004年12月最后16天數據用2004—2005年冬季的夜間平均地表溫度合成)數據合成的年平均夜間地表溫度數據以及每年的季節(jié)性夜間地表平均溫度數據。

1.3 方法

1.3.1 夜間燈光數據校正 盡管該夜間燈光數據具有較高精度, 但依然存在負值和不連續(xù)的極端大值的異常數據, 因此需要對數據進行二次校正。校正原則為: 負值和孤立的不連續(xù)極端大值[17]直接剔除并賦予周圍3×3鄰域柵格的最大值, 當年研究年份的所有像元的燈光值不小于前一年的對應位置的燈光值, 校正公式為

式中:DN(n,i)為第n年的第i個燈光值。為驗證校正后夜間燈光數據的效果, 將校正前后的江西省歷年總燈光DN值與歷年GDP進行的回歸擬合(圖2), 校正后的燈光數據與江西歷年GDP擬合得更好、 更符合地區(qū)發(fā)展趨勢。

圖2 夜間燈光數據校正前后與江西省GDP回歸擬合Fig.2 Regression fitting between nighttime lights before and after correction and GDP of Jiangxi

1.3.2 人為熱排放計算 基于已有研究[15], 人為熱量排放為

Q=∑(Ci×θi×ε)+(Pdtd+Pntn)×N×D,

式中:Q為總的人為熱排放量;Ci為第i種能源的消耗量;θi為第i種能源的標準煤折算系數;ε為標準煤熱量排放系數;Pd、Pn為人類白天和夜晚代謝功率;td、tn分別為每天白天活動時間和夜晚睡眠時間, 這里全部為12 h;N為當年研究區(qū)域的總人口數;D為當年的天數。根據《年鑒》能源統(tǒng)計數據得到各類消費能源折算標準煤系數以及標準煤熱排放系數(表1)。人類活動和睡眠新陳代謝強度分別為171和70 W/人[17]。

表1 能源熱排放系數

1.3.3 Sen-MK顯著性檢驗趨勢分析 Sen斜率估計是一種非參數統(tǒng)計的方法, 且可以減少數據中的誤差值和異常值對統(tǒng)計結果的影響, 計算效率高結果穩(wěn)定可靠, 其計算公式為

式中:θ為計算出的斜率集合的中位數;xj、xi為待計算的時間序列數據, 并依據時間順序排列, 本文則為時間序列的地表溫度數據; 對于時間序列長度為n的數據則會有n(n-1)/2個斜率, 對斜率集合排序后取得中位數作為結果輸出。

MK顯著性檢驗也是一種非參數統(tǒng)計檢驗方法, 該方法不要求統(tǒng)計數據服從正態(tài)分布, 也不要求數據的變化趨勢為線性, 并且不受缺失值和異常值影響。

式中:xj、xi為時間序列數據, 本文中為時間序列上的夜間地表溫度數據;n為時間序列長度(本文時間跨度為16年);S近似為正態(tài)分布, 在給定顯著性水平α下, 如果|Z|>|Z|1-α/2表明不存在趨勢的假設被拒絕, 說明在時間序列上數據存在明顯的趨勢變化。Z1-α/2為在置信水平α下, 標準正態(tài)函數分布表對應的值, 則當|Z|的值分別大于1.65、 1.96、 2.58時則表示數據在時間序列趨勢上通過了信度為90%、 95%和99%的顯著性檢驗。

1.3.4 相關性分析 為研究兩要素之間的相關性, 利用皮爾遜相關系數作為兩要素之間相關程度的統(tǒng)計指標

1.3.5 構建人為熱排放空間化模型 為得到人為熱排放空間分布數據, 參考文獻[18], 將2005—2020年江西省的夜間燈光總DN值和歷年的熱排放數據進行回歸擬合, 構建了線性、 多項式、 指數、 對數、 乘冪5種模型, 其回歸決定系數分別為0.931 6、 0.985 1、 0.989 2、 0.988 0、 0.984 8且都通過了p<0.01的顯著性檢驗 (圖3)。按照我國無燈光區(qū)域基本無人類活動的原則, 零燈光區(qū)域的人為熱排放為零, 綜合模型的擬合優(yōu)度和現(xiàn)實意義, 本文選取無常數項的乘冪模型作為人為熱排放的空間化模型。

圖3 夜間燈光與人為熱排放回歸擬合模型Fig.3 Regression models between nighttime lights and anthropogenic heat emissions

(1) 人為熱排放空間化模型校正。由于回歸方程本身存在誤差, 在利用上述模型對人為熱排放空間化處理時會產生誤差, 因此需要借助真實的熱排放統(tǒng)計數據對空間化后的人為熱排放數據進行線性校正。

熱排放數據空間化

Heati=f(DNi);

熱排放空間化數據校正

HeatT=Heati(Heatt/Heatall)。

式中:Heati、HeatT、Heatt、Heatall分別為空間化后的每個柵格的熱排放值、 糾正后的柵格熱排放數據、 研究區(qū)域人為熱數據和空間化后總的人為熱數據;f()為人為熱的空間化模型;DNi為第i個柵格的燈光值。

(2) 熱排放模型檢驗。為了對構建的人為熱排放模型進行精度驗證, 將歷年總燈光數據輸入模型得到歷年的人為熱排放模擬數據并和歷年統(tǒng)計的人為熱排放數據進行比對得到歷年模擬數據的相對誤差(表2)。目前對江西省熱排放的研究較少, 選取2010年的人為熱數據與本文進行比較, 計算出的熱排放數據為201.409 2×1013kJ, 陸燕[17]此前的估算結果為209.9×1013kJ, 兩者結果相差不大, 因此認為本文計算數據可信度高。

表2 江西省人為熱排放模擬值與統(tǒng)計值相關誤差

進一步對空間化的人為熱排放數據的精度進行驗證, 對江西省各個地級市的模擬人為熱排放數據與統(tǒng)計的人為熱排放數據進行回歸擬合(圖4), 歷年的回歸決定系數在0.82～0.93, 其中大于0.9的年份有3個, 在0.82～0.90的年份有8個, 整體擬合效果較好。由于江西省地級市的能源消費統(tǒng)計數據在2010年之前有缺失, 僅對2010—2020年的數據進行對比。

圖4 2010—2020年江西省各城市人為熱模擬值與統(tǒng)計值回歸擬合Fig.4 Regression fitting between anthropogenic thermal simulation and statistical values in cities of Jiangxi from 2010 to 2020

根據2010—2020年江西省各城市熱排放模擬數據和統(tǒng)計數據的相對誤差(表3), 新余的熱排放模擬值和真實值相對誤差較大, 年均誤差接近30%, 是由于新余市為傳統(tǒng)的資源型工業(yè)城市且工業(yè)區(qū)相對集中, 較多高耗能的產業(yè)無法在夜間燈光中反映出來, 而歷年新余市總的夜間燈光面積占比維持在3%～5.5%, 其誤差對整體影響較小, 其余10個城市中, 年均相對誤差在2%～14%的城市有9個, 在20%～30%的城市有1個。因此, 認為該人為熱排放空間化模型精度良好。

表3 江西省各城市2010—2020年人為熱模擬值與統(tǒng)計值相對誤差

2 結果與分析

2.1 人為熱排放時空變化特征

將空間化的人為熱排放數據進行分級后, 統(tǒng)計歷年各個級別熱排放量對應的區(qū)域面積(圖5)。熱排放量為(0～0.03)×1013kJ級別的區(qū)域面積從2005年的2 006 km2增加到2020年的12 829.25 km2, 增加了539.54%; 熱排放量為(0.03～0.06)×1013kJ級別的區(qū)域面積從2005年的29.5 km2, 增加到2020年的509 km2, 增加了1 820.76%; (0.06～0.09)×1013kJ級別的熱排放量從2010年開始出現(xiàn), 對應的區(qū)域面積從0.5 km2增加到2020年的35.5 km2, 增加了7 000%; 大于0.9×1013kJ級別的熱排放量從2016年開始出現(xiàn), 對應的區(qū)域面積從0.25 km2增加到2020年的6.25 km2, 增加了2 400%。以上說明江西省各級別人為熱的區(qū)域范圍都在不斷擴大, 人為熱排放強度也在不斷加強。

圖5 2005—2020年江西省不同量級的人為熱排放空間分布Fig.5 Spatial distribution of anthropogenic heat emissions of different magnitudes in Jiangxi from 2005 to 2020

選取江西省2005、 2010、 2015、 2020年的空間化人為熱排放數據, 以每個柵格的熱排放值作為權重生成標準差橢圓(圖6)。橢圓整體為東北—西南方向分布, 橢圓長短軸都隨時間增加, 扁率從2005年的0.447 1增加到2020年的0.487 8, 說明人為熱分布的方向性越來越明顯。方向角從2005年的35.815 4°變?yōu)?020年的26.635 3°, 重心則一直向東南方向移動, 移動距離分別為11.212、 2.521、 6.172 km(表4), 表明東南部的人為熱排放影響在擴大。從人為熱排放標準差橢圓的變化可以看出, 江西省熱排放由贛北地區(qū)主導的同時, 中南部地區(qū)的熱排放影響也在逐漸擴大。

圖6 江西省人為熱排放2005、2010、2015、2020年標準差橢圓Fig.6 Standard deviation ellipses of anthropogenic heat emission of Jiangxi in 2005，2010，2015 and 2020

表4 江西省人為熱排放標準差橢圓參數

2.2 夜間地表溫度變化特征

將歷年年平均夜間地表溫度數據按照Sen-MK方法處理后以p>0.1、 0.05

表5 夜間地表溫度變化趨勢的顯著性檢驗結果

圖7 江西省2005—2020年夜間地表溫度變化趨勢(a)與顯著性檢驗(b)Fig.7 Changing trend(a) and significance test(b) of nighttime land surface temperature in Jiangxi from 2005 to 2020

為進一步了解不同季節(jié)夜間地表溫度的變化趨勢, 分為春、 夏、 秋、 冬4個時間段, 并按照Sen-MK方法分別進行處理后得到江西省不同季節(jié)的夜間地表溫度變化情況(圖8、 表6)。從統(tǒng)計結果可看出, 江西省冬季的夜間地表溫度處于升溫的區(qū)域面積和增長趨勢均為最大分別為40 216.75 km2和0.112 ℃/a; 其次是秋季的19 934.5 km2和0.074 ℃/a; 夏季的增溫面積雖然高于春季, 但增溫趨勢小于春季。春季的夜間地表溫度處于降溫的區(qū)域面積和下降趨勢均為最大, 分別為2 661 km2和-0.048 ℃/a; 夏季的降溫面積為1 465.25 km2, 降溫趨勢最小, 為-0.021 ℃/a; 秋季的降溫面積為338.25 km2, 降溫趨勢為-0.032 ℃/a; 冬季的降溫面積最小為39.25 km2, 降溫趨勢為-0.026 ℃/a。

圖8 不同季節(jié)的夜間地表溫度升(a)、 降(b)溫區(qū)域面積及趨勢大小Fig.8 Area and trend of nighttime land surface temperature increase and decrease in different seasons

表6 不同季節(jié)夜間地表溫度變化趨勢的顯著性檢驗結果

2.3 人為熱排放與夜間地表溫度的相關性

2.3.1 年內相關性 提取人為熱排放對應空間上的夜間地表溫度數據, 求取相同熱排放值對應的夜間地表溫度的平均值, 將兩者進行線性回歸擬合, 詳見圖9。2005—2020年兩者的回歸決定系數在0.5～0.87, 最小為2008年的0.509 1, 最大為2011年的0.862 2, 且都通過p<0.01的顯著性檢驗, 說明在同一時期夜間地表溫度和人為熱排放有著極顯著的正相關。

圖9 2005—2020年人為熱排放和夜間地表溫度線性擬合Fig.9 Linear fitting between anthropogenic heat emission and nighttime land surface temperature from 2005 to 2020

2.3.2 年際變化相關性 根據空間化的人為熱排放數據把江西省分為熱排放區(qū)域和無熱排放區(qū)域, 統(tǒng)計兩個區(qū)域夜間地表溫度的平均變化趨勢如表7所示。在人為熱排放區(qū)域內的夜間地表溫度整體上為增長趨勢, 無人為熱排放區(qū)域的夜間地表溫度整體上為下降趨勢。

表7 熱排放區(qū)域和無人為熱排放區(qū)域的夜間地表溫度平均變化趨勢

進一步探究在人為熱排放區(qū)域中人為熱和夜間地表溫度在年際變化上的相關性, 得到兩者隨時間變化的相關性和顯著性檢驗結果如圖10、 表8所示。在兩者正相關區(qū)域中有10.01%的面積通過p<0.1的顯著性檢驗, 負相關區(qū)域中2.61%的面積通過了p<0.1的顯著性檢驗。

圖10 人為熱排放和夜間地表溫度年際變化的相關性(a)及顯著性檢驗(b)Fig.10 Correlation(a) and significance test(b) between anthropogenic heat emission and interannual variation of nighttime land surface temperature

表8 人為熱排放與夜間地表溫度年際變化的顯著性檢驗結果

3 結 論

通過新型的跨平臺夜間燈光數據構建人為熱排放的空間化數據, 實現(xiàn)了長時間序列的人為熱排放時空變化模擬, 在一定程度上彌補了省級以下行政區(qū)能源消費數據缺失的問題, 同時利用網格化的人為熱排放與對應空間的夜間地表溫度進行相關性研究得到二者的變化關系, 結果表明:

(1)江西省人為熱排放呈現(xiàn)顯著的增加趨勢, 不同級別的熱排放量對應的區(qū)域面積都處于擴張趨勢, 熱排放強度也在逐年增強。16年間人為熱排放標準差橢圓面積不斷擴大、 重心持續(xù)向江西省東南方向移動, 人為熱排放影響逐漸擴大。

(2)江西省有26.27%的區(qū)域的夜間地表溫度處于升溫趨勢, 73.73%的區(qū)域夜間地表溫度處于降溫趨勢。其中, 冬季的夜間地表溫度增長最明顯, 升溫面積和增長趨勢均為最大, 春季的降溫面積和降溫趨勢最為明顯。

(3)人為熱排放強度和夜間地表溫度有著顯著的正相關, 同一時期熱排放量高的區(qū)域的夜間地表溫度明顯較高, 在時間序列的變化上二者的顯著相關關系主要為正相關。

在同一時期, 人為熱排放量高的區(qū)域的夜間地表溫度總體上較高。人為熱對城市地表溫度的影響機理一般認為有兩方面原因[19]: 一是人為熱在排放后直接加熱地表溫度; 二是人為熱排放過程還伴隨著溫室氣體的排放, 溫室氣體覆蓋在城市近地表, 在白天吸收了地面的長波輻射后, 夜間又將長波輻射逆輻射到地面對地表起到“保溫”的作用。年際變化上, 隨著熱排放量的增加, 其對應區(qū)域的夜間地表溫度并不都顯著增加, 因影響夜間地表溫度的因素還有氣候、 地表植被覆蓋度及景觀格局等, 本文未對這些因素的影響作用進行探究?？臻g化后的人為熱排放數據雖具有一定的精度, 但對于小尺度的精細化的定量研究仍顯不足, 這也是未來需要解決的問題。