【Urban Climate】中国城市热岛效应的未来:基于机器学习的气候-社会经济政策情景分析

本推文来源：NUGIS

点击蓝字关注我们

土地科学文献传递

主题：城市热岛效应（Urban heat island effects）、风险评估（Risk assessment）、人工神经网络（Artificial neural network）、城市群（Urban agglomeration）
。

本文发表在国际期刊Urban Climate，2023年第49卷上，第一作者为北京大学城市与环境科学学院地表过程教育部重点实验室的Lan Tianhan，通讯作者同样为北京大学城市与环境科学学院地表过程教育部重点实验室的彭建教授。

（图片来自原文）

科学问题

风险评估和适应已成为城市热岛效应研究的重点。众所周知，土地利用变化和人口增长会影响热岛效应。随着全球城市化步伐的加快，从城市群的角度提高对城市热岛的理解非常重要。

长株潭（CZT）城市群位于中国中南部（图1），夏季经常发生高温和热浪事件，面临热浪的挑战。基于以上考虑，本研究旨在:(1)建立人工神经网络模型，对地表温度进行空间模拟;(2)在假设的减排和人口政策情景下，预测80年(至2100年)CZT城市群的地表温度;(3)评估城市热岛效应的时空风险。

（图片来自原文）

研究亮点

1.提出了一种快速简便的方法来预测2100年的城市热岛。

2.热岛面积将减少30%-34%，强度将增加29%-36%。

3.在最严格的情景下，受影响人口将增加414万。

4.在最严格的情景下，UHI效应总体风险将增加2.32倍。

5.人口暴露对 UHI 效应风险的贡献大于 UHI 危害。

数据与方法

1.数据来源
从NASA下载了中分辨率成像光谱仪（MODIS）的8天地表温度数据。空间分辨率为1公里。2015年和2020年夏季（6 - 8月）的地表温度，得到这两年夏季的平均地表温度使用的土地覆盖数据来源2015年和2020年的GLC_FCS30数据集和GLC_FCS30-2020数据集。未来土地覆盖数据来源中国国家地球系统科学数据中心提供的FROM_GLC_Simulation数据集。土地覆盖数据的空间分辨率均为30m。

人口数据来源WorldPop提供的2015年和2020年的人口数据，未来人口预测数据来源Chen等人发表的研究，参考了WorldPop的数据。数字高程模型（DEM）来源中国资源与环境科学数据中心。社会经济路径（SSPs）基于共享的社会经济路径构建的情景。

2.研究方法

2.1构建情景与人工神经网络模型
根据代表性浓度路径（RCPs）和社会经济路径的组合，构建未来可能的气候和社会经济发展情景。

人工神经网络（ANN）模型构建：使用BP（反向传播）神经网络来模拟地表温度，以土地覆盖、人口和高程作为预测变量。使用2020年和2015年的数据来训练和验证ANN模型。利用训练好的模型和未来情景下的土地覆盖、人口数据进行LST和UHI效应的预测。图2显示了人工神经网络模型的训练、验证和投影过程

2.2 UHI效应风险评估
通过UHI危害和人口暴露两个因素来评估UHI效应的风险。使用公式计算每个网格的风险值，并进行空间化展示。文章假设未来对热岛效应的易损性不变，从而综合两个因素对热岛效应风险进行量化:(1)热岛强度值(热岛危害)，弱热岛(WH)，指的是地表温度比周围郊区或乡村地区高出2至6°C的区域。中度热岛(MH)，指的是地表温度比周围郊区或乡村地区高出6至10°C的区域。强热岛(SH) ，指的是地表温度比周围郊区或乡村地区高出超过10°C的区域。(2)居住在被确定为热岛(人口暴露)地区的人口。风险评估过程如图2所示。

（图片来自原文）

研究结果

1.人工神经网络模型的性能

根据影响因素与地表温度的相关性分析（表2），除草地和湿地的百分比因系数不显著外，其余7个变量输入ANN模型进行模拟。调整隐含层和神经元参数后，确定网络结构（图3a），其中包含两个隐含层，分别包含8个和4个隐含神经元。图3b-e为输出值YS（即模拟LST）与目标值YO（即观测LST）的相关性。总体R为0.86（即R² = 0.74），表明人工神经网络模型可以解释2020年LST高达74%的方差。均方根误差（RMSE）为1.10℃。训练、验证和测试样本的散点图非常接近最佳拟合线，这表明响应变量（LST）与预测变量之间存在很强的相关性。

基于2015年数据集的ANN模型验证如下:根据2015年模拟的地表温度和城市边界，确定了2015年城市热岛强度。根据2015年的观测值和模拟值进行普通最小二乘回归。如图4所示，R²为0.70,RMSE为1.29℃，表明该ANN模型可以解释2015年LST高达70%的方差，具有良好的泛化能力。

（图表来自原文）

2.地表温度和热岛效应的预估

三种情景下2020年的观测地表温度和模拟地表温度如图5所示。图6 显示了2020年的热岛强度和预测的未来热岛强度，按等间隔划分为7个级别。未来情景的热岛强度与2020年的情况呈现相对一致的空间格局。所有热岛(包括WH、MH和SH)主要分布在长沙、株洲和湘潭的不透水地表，覆盖面积连续较大。此外，在周边地区也有一些零散的小热岛。当前期和未来期热岛效应的差异主要体现在范围和强度上。2020年，CZT城市群热岛总面积为1698.1 km²，其中WH占83.1%，MH占16.8%，SH仅占0.1%。2040 - 2100年，热岛总面积仍<1200 km²，但热岛平均强度远高于2020年。在所有热岛中，SH的比例在5% ~ 10%之间变化，MH的比例增加到>30%，WH 的比例减少到<62%。

图7a~f显示了各个级别UHIs的面积变化情况。总体而言，到2100年，热岛（包括WH、MH和SH）面积减少约30% ~ 34%，而MH和SH面积增加约51% ~ 70%。在所有情景中，MC面积在2040年达到峰值，然后逐渐减小，其中S1最小（7.79 km²）， S3最大（18.23 km²）。

（图片来自原文）

3.人口暴露于热岛效应

暴露于热岛（包括WH、MH和SH）的人群可能受到较高温度的影响。根据不同程度热岛强度暴露的人口（图8），在S1下，未来受热岛影响的人口先增加后减少。到2040年，预计暴露于WH （WH、MH和SH）的人数将达到1417万人，是2020年的2.43倍。虽然暴露于WH的人数减少了251万人，但暴露于 MH和SH的人数共增加了1085万人，其中暴露于SH的人数占比为48.43%。受热岛影响的人口逐渐减少到997万人（比2020年增加414万人），但2100年占总人口的比例上升到95.10%，其中热岛人口下降到37.1%。

（图片来自原文）

4.热岛效应的风险评估

在不考虑脆弱性变化的情况下，计算并绘制了热岛效应带来的风险（图9a-m）。在空间格局上，各热岛区域在不同情景下的分布与现状相似，主要分布在三个城市的城市核心。分别分析热岛危害和人群暴露对热岛效应风险的贡献，有助于进一步制定降低热岛效应风险的策略。总之，在所有三种情景下，未来80年发生热岛效应的风险都可能大幅增加。与热岛危害相比，人群暴露在更大程度上增加了热岛效应的风险。在城市化的趋势下，许多人将暴露在更热的城市地区，这对城市热岛效应的风险提出了重大挑战，并对城市和城郊地区的热应激缓解设施提出了更大的需求。

（图片来自原文）

推荐人点评

文章基于历史数据构建了人工神经网络模型来模拟地表温度，利用该模型在三个不同的气候-社会经济情景下预测了2040至2100年长株潭城市群的LST和城市热岛效应，通过UHI危害和人口暴露评估了UHI效应的风险，并进行了空间分析。文章使用人工神经网络模型对UHI效应进行了空间化的预测和风险评估，提高了预测的精确度和效率。

声明

本推送内容仅代表课题组对文章的理解，不是对原文的翻译，请有兴趣的同学阅读原文。课题组水平有限，难免出现错讹，也请各位专家、同学批评指正。如有转载，请与我们联系。

原文请见：Lan, P., et al., The future of China's urban heat island effects: A machine learning based scenario analysis on climatic-socioeconomic policies. Urban Climate, 2023. 49: p. 101463