基于遙感的北京城市高溫熱浪風險評估

何苗，徐永明，李寧，白琳

南京信息工程大學地理與遙感學院，江蘇 南京 210044

基于遙感的北京城市高溫熱浪風險評估

何苗，徐永明，李寧，白琳

南京信息工程大學地理與遙感學院，江蘇 南京 210044

在全球變暖及快速城市化的背景下，高溫熱浪對城市居民健康及社會經濟的影響越來越大，成為城市面臨的最重要的氣象災害之一。利用多源衛星遙感數據對北京市開展了高溫熱浪風險評估的研究?；贚andsat/TM遙感數據、DMSP/OLS夜間燈光遙感數據和社會統計數據提取地表溫度作為高溫熱浪危險性評估因子，提取植被指數、建筑指數、人口密度、人均可支配收入、老年人口比重、建筑工人比重、空調擁有率作為脆弱性評估因子，通過加權平均風險評估模型計算得到北京市高溫熱浪風險指數。結果表明，北京市高溫風險分布具有顯著的空間差異性。總體而言，北部地區風險低于南部地區，西部地區風險低于東部地區。高風險區域主要集中在六環內的中心城區和近郊區，以二環為中心向四周呈環狀遞減趨勢，形成了最大的風險覆蓋區，并在各區的主城區形成了多個風險次中心；遠郊區的高溫風險普遍較低，風險最低的3個區依次是密云區、門頭溝區和懷柔區，高風險面積比例均不足10%。除了中心城區及各區的主城區之外，延慶區西南部的延懷盆地、密云河谷一帶、平谷東部的部分平原地區風險等級也比較高。就人口分布最為密集的平原、平壩地區而言，西城區和東城區的高溫風險最高，平均風險指數分別達到0.57和0.56，其次是石景山區、豐臺區、海淀區和朝陽區，平均風險指數也均在0.4以上。文章提出了一種基于衛星遙感進行城市高溫熱浪風險評估的方法，獲取了高分辨率的北京市高溫熱浪風險空間分布信息，為城市有效應對高溫風險提供了科學參考。

北京；高溫熱浪；風險評估；遙感；人口空間化

在全球變暖背景下，近20年熱浪的發生頻率、強度和持續時間均呈現加強態勢，在全球的影響范圍也逐漸擴大（Russo et al.，2014）。改革開放以來，中國經歷了快速城市化的過程，30多年來城鎮人口翻了4倍（國家統計局，2013），城市化水平也由17.92%提高到52.2%（劉玉紅，2014）。城市化進程改變了土地覆蓋-利用類型，地表反照率和熱容量隨之發生改變，導致大量太陽輻射貯存在城市人工建筑物中（彭保發等，2013）；城市不透水面積增加減弱了蒸散發作用，使得城市熱量收入大于支出（王文杰等，2006）；此外，中高大建筑物之間形成的“城市谷”阻礙了高溫氣流向外疏散，導致人類生產生活所產生的熱量大量聚集（Van et al.，1993）。多種因素作用下城市地區溫度高于四周，加劇了城市面臨的高溫熱浪風險。高溫熱浪對人體健康具有不可忽視的影響，研究表明熱浪與發熱、中暑、心腦血管疾病等的發病率存在相關關系（田穎等，2013），1995年芝加哥（Whitman et al.，1997）和2003年巴黎（Robine et al.，2008）的高溫熱浪都導致了大量超額死亡，2009—2011年北京發生的5起高溫熱浪事件均使循環系統疾病急診就診人數增加（鄭山等，2016）。高溫熱浪對環境和社會經濟方面的影響也不可小覷，熱低壓在城市長期覆蓋，大量煙塵、汽車尾氣等污染物隨熱氣流上升并懸浮在空中，容易產生霧霾、酸雨等惡劣天氣；高溫天氣加快光化學反應速度，使近地面大氣中臭氧濃度增加，影響人體健康（李志乾等，2009），在人口集中的城市地區這種負面影響更為明顯。每年熱浪期間，北京市關于公交車自燃、電網負荷超記錄、日供水量接近極限等事件的報道都相當頻繁，引起了社會各界的廣泛關注。對高溫熱浪進行風險評估能夠為高溫風險災害預報預警機制的建立提供可靠的參考依據，降低災害帶來的不利影響。

國外已有許多學者從熱浪特點、影響、風險評估等角度對城市高溫災害進行了研究（Russo et al.，2014；Zampieri et al.，2016；Semenza et al.，1996）。在關于熱浪綜合風險評估的研究中，Dousset et al.（2003）建立多種熱指標，構建logistic風險評估模型對巴黎地區的熱浪影響進行了估算；Krüger et al.（2013）基于城市結構、熱特性和人口狀況建立了熱敏感指標，對德國Dresden市進行了高溫風險評估；Inostroza et al.（2016）利用地理信息系統、遙感和統計數據構建以空間暴露性、敏感性、適應性為基礎的危險性風險評估指標對圣地亞哥市進行城市內部風險預測，取得了良好的效果。相比于國外，國內對高溫熱浪的研究側重于以氣象數據為基礎研究高溫熱浪的內涵與特征、機理等（胡峰等，2010；黃慧琳等，2012）。但是，氣象數據站點數目有限，不能精細反映城市內部高溫分布的空間差異，并且未考慮人口分布密度以及不同人群對于高溫的承受能力。也有部分學者運用社會統計資料和氣象資料開展了高溫風險綜合評估，但是由于數據、技術等因素的限制，通常以城市為單元開展定性研究，不能定量化反映城市內部高溫熱浪風險的空間分布特征（宋晨陽等，2016）。遙感數據在獲取空間信息上的優勢使其成為研究城市熱環境的重要工具，為高溫熱浪災害研究提供了新的思路。本文結合多源遙感數據和社會統計數據，提取了北京市高溫熱浪危險性評估因子和脆弱性評估因子，對北京市高溫熱浪風險進行評估，旨在揭示北京市高溫熱浪風險的空間分布特征，為有效應對城市高溫風險提供科學參考。

1 研究區及研究數據

1.1 研究區概況

北京市位于北緯39°28′~40°05′，東經115°25′~ 117°30′之間，共有16個市轄區。西部、北部和東北部被太行山脈和燕山山脈環繞，東南部是北京小平原。處于暖溫帶半濕潤大陸性季風氣候區，夏季炎熱漫長。夏季市中心商務區平均溫度28.8 ℃左右，且內部溫度差異明顯（張本志等，2013）。作為中國的政治、經濟、文化中心，北京經歷了快速的城市化進程。城鎮人口于改革開放前的479萬人迅速增長到1740萬人（國家統計局北京調查總隊，2016），年均增長率達到4.3%，截至2011年北京城鎮化率已超過86%，隨著城市的擴張和人口的增加，北京市的城市熱島效應越來越強烈（季崇萍等，2006），導致其高溫熱浪風險的危害進一步擴大。

1.2 數據源及其處理

本文選用的主要遙感數據為Landsat/TM數據和DMSP/OLS數據。Landsat/TM數據為2011年7月26日成像的上下兩景相鄰的Landsat5/TM影像，其WRS軌道號分別為123-32和123-33，多光譜波段空間分辨率30 m，熱紅外波段空間分辨率120 m。對TM影像進行幾何校正和鑲嵌處理，并利用6S輻射傳輸模型對1~5、7波段進行大氣校正，得到地表真實反射率。DMSP/OLS數據為2011年的DMSP/OLS穩定夜間燈光數據，由DMSP/F18-Block5D-3號衛星提供。從該數據中篩選出一年內無日光、無月光、無極光且噪聲小的像元，取可見光波段的均值合成，空間分辨率為0.008333°。所有遙感數據統一采用基于WGS84基準面的UTM投影（50分帶），并根據北京市行政邊界進行掩膜處理。社會統計資料包括北京市各區縣的常住人口、年末總人口、65歲及以上老年人口、城鎮居民人均可支配收入、建筑施工企業年末從業人員、城鎮居民家庭每百戶耐用消費品擁有量中的空調器擁有量，所有數據均來自《北京區域統計年鑒2012》（北京市統計局國家統計局北京調查總隊，2013）。

2 研究方法

2.1高溫熱浪危險性因子

危險性因子指來自系統外部的、對系統造成威脅的因素，極端炎熱的氣溫無疑是受災的城市系統中最大的威脅。多項研究表明北京市氣溫與遙感反演的地表溫度之間存在線性相關關系（韓秀珍等，2012；劉勇洪等，2014），因而可以將地表溫度作為北京市高溫評價的主要遙感指標。

2.1.1 地表溫度

Landsat官方網站提供的定標公式可以將原始數據各波段的DN值轉換為輻射亮度L：

式中，G為增益系數，B為偏移系數，轉換后輻亮度單位為W?m-2?sr-1?μm-1（其中，sr為球面度）。

再由熱紅外波段的輻射亮度經普朗克公式計算得到亮度溫度：

式中，T6為亮度溫度（單位為K），常量K1=607.76 W?m-2?sr-1?μm-1，K2=1260.56 K。

亮度溫度值受到大氣和地表對熱輻射傳導的影響，不能夠準確反映地表的真實溫度，需要進一步計算。利用普適性單通道算法（Jiménez et al.，2003）獲取地表溫度信息：

式中，Ts為陸面溫度（單位：K），ε為地表比輻射率，Tλ為傳感器的亮度溫度（單位：K），Lλ為傳感器接收到的輻亮度（單位：W?m-2?sr-1?μm），λ為傳感器有效波長（單位：μm），C1和C2為常數（C1=1.19104×108W·μm4·m-2·sr-1，C2=14387.685 μm?K），Ψ1、Ψ2、Ψ3為大氣函數，與大氣的水汽含量W有關，單位：g·cm-2。

普適性單通道算法所需的地表比輻射率數據采用混合像元法（Sobrino et al.，2004；覃志豪等，2004）進行計算；大氣水汽含量從Landsat/TM成像當天的MODIS水汽產品（MOD05）中提取。根據普適性單通道算法計算得到北京市2011年7月26日的地表溫度空間分布圖并將熱力學溫度轉換為攝氏溫度（圖1）。

圖1 2011年7月26日北京市地表溫度分布圖Fig. 1 Map of land surface temperature in Beijing on July 26thof 2011

2.2 高溫熱浪脆弱性因子

脆弱性因子指系統內部承受風險的能力，選擇人口密度作為最重要的脆弱性評估指標。輔以植被指數、建筑指數、老年人口比重、建筑工人比重、人均可支配收入、空調擁有率作為次要脆弱性評估指標綜合評價系統脆弱性。

2.2.1 下墊面因子

下墊面信息與人類活動密切相關，與高溫風險有著不可分割的聯系。城市綠地在改善城市熱環境問題的過程中具有明顯作用（欒慶祖等，2014）；城市不透水面積與地表溫度之間存在正相關關系（買買提江?買提尼亞孜等，2015；徐永明等，2013）。歸一化植被指數（NDVI）是公認的植被覆蓋度最佳指示因子，隨后又有人參考NDVI建立了了能夠反映建筑物信息的歸一化建筑指數NDBI（查勇等，2004）。NDVI值越大，植被覆蓋度越高，植物生長狀況越好；NDBI值越大，建筑物越多，建筑越密集。因此，選取NDVI和NDBI作為下墊面相關指數。

MIR表示中紅外波段，NIR表示近紅外波段。

2.2.2 人口密度空間化

人口作為高溫熱浪災害的承災體，其空間差異對于高溫熱浪風險評估具有重要影響。北京市統計年鑒提供的人口數據以區縣為統計單元，無法反映精細尺度上的人口分布差異。本研究基于DMSP夜間燈光遙感數據和Landsat陸地遙感數據提取北京市人口密度進行空間化處理，獲得人口密度空間分布圖作為高溫熱浪風險評估的主要脆弱性因子。

研究表明夜間燈光值、土地覆蓋類型均與人口分布具有密切聯系（曹麗琴等，2009；呂安民等，2005）。本文結合遙感夜光數據和土地覆蓋數據進行人口空間化。以北京市TM影像的所有7個波段、DEM高程信息和空間紋理信息等作為分類特征，根據Google Earth選取訓練區，通過CART算法建立分類決策樹，得到北京市土地覆蓋分類圖，包含建筑、水體、農業用地、林地共4類地物?？紤]到北京市平原和山區面積比重都很大，而地形對于土地覆蓋類型和人口分布有著顯著影響，因此區分平原和山區分別建立模型進行人口空間化處理。

平原地區人對地物的改造遠遠強于地物對人的影響，各個地物類型都在較大程度上體現著人類活動的影響，因此可以根據地表覆蓋類型預測人口分布情況。選取建筑、水體、農業用地和林地對應的各區縣燈光總值為自變量，與區縣人口進行回歸分析，構建多元線性回歸模型?；貧w模型的常量設為零，即假設無數據區無人口分布，模型如下：

式中，y表示統計年鑒的第k個區縣的人口，xi表示特定區縣第i種地物類型（i=1、2、3和4分別代表建筑、水體、農業用地和林地）對應的燈光總量值，該值是地物面積與對應燈光亮度均值的乘積。

山區人口分布受到地形的限制，只有村落附近的地物與人類活動有關系。這是多種地物類型相互作用的復雜關系。以林地為例：一方面，人們開墾林地以獲取農田，農田面積越多林地面積就會越少；另一方面，大面積的林地阻礙村落與外界的交流，一定程度上限制村落規模的擴展。當混合像元中只有林地時，可以認為林地對人口不會產生影響，但當混合像元內有農田、林地、居民點時，林地對村落發展的復雜作用就會凸顯出來。由于存在這種綜合影響，引入x1x3/x4代替上述模型中的x4，作為與林地相關的自變量。同理，引入x1x2x3代替x2作為與水體相關的自變量，建立適用于山區的人口分布模型。

將30 m分辨率的Landsat像元和1000 m分辨率的DMSP夜間燈光數據利用最近鄰法統一重采樣到25 m，在40×40子區域里，統計每個1 km×1 km空間格網內每種地物類型的平均燈光亮度值及其面積。為實現去除夜光影像低值區背景噪音的影響和因地制宜的應用模型，采用閾值法對數據進行處理。經多次反復試驗后判定平均高程小于100 m，或高程大于100 m且城鎮像元較多的區域為平原地區的混合像元；高程大于100 m且林地較多的區域為山區混合像元；默認純林地、水體、農田像元內人口數量為0。分別針對平原和山區建立人口空間化模型，并將模型應用于1 km分辨率DMSP夜光遙感數據和土地覆蓋比重數據，得到1 km分辨率人口分布圖。

DMSP夜光數據存在容易過飽和的缺陷，因此在燈光密集的城市中心區域，模型所得的人口密度小于實際人口密度，需要進行修正。根據北京市1 km人口空間分布圖統計每個區縣的人口總數，并與統計資料進行對比，以評估人口空間化的精度。模擬結果的平均絕對誤差MAE為40.31萬人，決定系數R2為0.79。結果表明，模擬結果與統計資料之間吻合度較好。

最后，為了使所提取的各個區的人口數與實際人口數趨于一致，分別計算遙感反演人口結果中各個區的人口總數，根據每個區的人口統計數進行修正。假設同一區縣內每個格網的模擬誤差相同，那么真實值y與模擬值yk之間存在如下線性關系（黃杰等，2015）：

式中，修正系數m為各區縣統計總人數與模擬總人數的比值。

對人口分布圖進行修正后，得到最終的北京市1 km分辨率人口分布圖（如圖2）。

2.2.3 其他脆弱性因子

居民的收入情況作為區域經濟發展水平的體現形式之一，是高溫風險評估的重要經濟因子。前人研究表明，經濟發展水平與夜間燈光值之間存在較強相關性（蘇泳嫻，2015；何洋等，2014；王琪等，2013；柴子為等，2015）。以北京市各區夜光均值為自變量，人均可支配收入為因變量建立多元回歸模型，該模型決定系數R2為0.73，表明模型模擬結果比較準確，依據該模型獲得北京市人均可支配收入空間分布圖。

圖2 北京市人口密度空間分布圖（修正后）Fig. 2 Map of population density in Beijing (after modification)

建筑工人比重指的是建筑施工企業年末從業人員與年末總人口的比值，烈日下在室外工作的人員比室內工作人員更易遭受高溫侵害，室外工作人口比例越高城市受到的危害越大。空調平均擁有率采用的是城鎮居民家庭每百戶耐用消費品擁有量的抽樣調查結果，空調能很好地緩解熱浪對人體的影響，英國高溫災害期間因空調的大量使用而減少了死亡人數（謝盼等，2015）。相對于年輕人，65歲及以上的老年人由于身體調節功能衰弱等原因，更容易受到高溫熱浪的影響，研究表明高溫對65歲以上就診人數的影響大于65歲以下就診人數（鄭山等，2016）。由于建筑工人比重、空調平均擁有率、老年人口比重這些數據缺乏合理有效的空間化方法，因此只能假設整個區內數值相同，再基于GIS對矢量數據進行柵格化處理。

2.3

高溫熱浪風險評估模型

在運用評估模型計算北京市高溫熱浪風險指數之前，為了避免評估指標量綱不一致，對所有評估因子進行歸一化處理，值域范圍統一到[0, 1]。各因子中地表溫度、建筑指數、人口分布、老年人口比重、建筑工人比重與高溫風險呈正相關關系，植被指數、人均可支配收入、空調擁有量與高溫風險呈負相關關系。

利用加權平均模型計算危險性指數，公式如下：

式中，H表示高溫危險性指數，H1表示地表溫度，a1表示各危險性因子的權重（表1）。

表1 因子權重Table1 The weight of assessment factors

同理，利用加權平均模型計算脆弱性指數，公式如下：

其中，V表示高溫脆弱性指數，V1表示植被指數，V2表示建筑指數，V3表示人口密度，V4表示人均可支配收入，V5表示老年人口比重，V6表示建筑工人比重，V7表示空調擁有率，bi表示各脆弱性因子的權重（表1）。

運用專家打分法分別給各個脆弱性因子權重和危險性因子權重賦值（表1）：

在危險性和脆弱性指數的基礎上，計算高溫風險指數R，公式如下：

3 結果與分析

圖3 北京市高溫熱浪風險等級圖Fig. 3 Map of heat wave risk in Beijing city

獲取北京市各項高溫熱浪危險性因子和脆弱性因子之后，基于加權平均法評估模型計算北京市高溫熱浪風險指數，并等比例的將風險等級劃分為5級，即高風險、較高風險、中等風險、較低風險和低風險。如圖3所示，北京市各區內部風險空間分布差異較為顯著：風險最高的區域大多位于平原，尤其是六環以內的大部分地區，這部分地區建筑物密集，熱島效應強烈，人口壓力大，面臨的高溫風險較高。除了中心城區外，各區主城區的風險均高于周邊，形成多個次風險中心，體現了明顯的城市熱島效應。除了中心城區以及各區的市區之外，延慶區西南部的延懷盆地、密云河谷一帶、平谷東部的部分平原地區風險等級也比較高。河谷地帶和延慶盆地夏季植被覆蓋率較低、土壤構成以比熱較小的砂壤為主，太陽輻射作用下溫度快速升高使高溫危險性增加。同時這些地區經濟比較落后，高溫脆弱性較高，因此面臨的高溫熱浪災害風險較高。風險最低的區域位于北京北部、東北部和西南部，這些地區以林地為主，溫度比較低，人口密度也很低，因此高溫脆弱性和危險性均較小。另外需要注意的是，延慶區由于海拔相對較高，高溫危險性較低，但是由于其經濟發展水平相對滯后，生活條件相對于北京市其他地區有較大差距。從社會統計數據來看，延慶區人均收入、家庭空調擁有量明顯低于其他區縣，而老年人口比重則高于大部分區縣，這使得該地區脆弱性指數比較高，故其體現出了較高的高溫熱浪風險。

以天安門為中心沿南北、東西方向分別做剖面線（如圖4所示），統計沿線的風險等級以反映北京城市高溫熱浪風險的區域差異。從兩條剖面線來看，北京北部風險低于南部，西部風險低于東部；南部最高風險比北部最低風險高35.9%，東部最高風險比西部最低風險高37.7%。該現象主要受到地形的影響，北京西部、北部和東北部被太行山脈和燕山山脈環繞，海拔高、坡度大且植被覆蓋度高，所以溫度比較低。此外，這部分山區人口密度遠低于平原地區，故高溫熱浪風險較低。北京小平原以北剖面線波動平穩，表示北部風險較低的區域，其風險強度的空間差異往往較小。北京小平原及其以南地區的高風險區，人口密度分布呈現中心城區高度集中的趨勢，說明城市發展已處于成熟階段（田永中等，2004），城市基礎設施、城市綠地等建設較為完善，在居民區內建設公園等城市綠地有效緩解了城市人口面臨的高溫風險，使得高風險區臨近位置風險差異較明顯，剖面線波動較明顯。

圖4 不同方向高溫風險指數變化曲線圖Fig. 4 Variations of heat risk index in different directions

六環內的區域既是高溫區又是人口密集區，在這兩個主要影響因子的作用下，六環內高溫風險極高。雖然六環內大部分地區均體現出高風險的特征，但是其平均風險指數仍然有著明顯差異。分別對二環至六環內各環的平均高溫風險指數進行統計，結果見圖5。從圖中可見，二環以內區域的高溫熱浪風險最大，平均高溫風險指標達到0.57，并且從二環至六環呈現明顯的遞減趨勢。北京市“單中心+環線”的城市布局使得城市人口和城市資源在中心聚集（賀曉冬等，2014），人口密度和人均可支配收入呈現環狀遞減的趨勢，而且距離中心城區越遠，人口密度和人均可支配收入衰減越快。北京四環內呈全封閉或半封閉的城市發展布局，缺少通風廊道，通風不暢使熱量在城市內部聚集，四環內大部分區域承受著巨大的熱壓力，呈現輻射狀蔓延（張兆明等，2007）。四環以外區域植被覆蓋度逐漸增加，而建筑密度逐漸降低，緩解了四至六環的高溫壓力。此外，社會統計資料表明，位于六環內的東城區、西城區、朝陽區、豐臺區、石景山區、海淀區以及昌平、順義、通州、大興、房山區的部分地區，在建筑工人比重、空調擁有率等指標方面差別不大，但二環以內的老城區的老年人口比重遠高于其他區域，達到13.63%，這也是二環內高溫風險明顯高于其他區域的重要原因。以上因素共同決定了高溫熱浪風險從二環至六環逐漸遞減的空間分布特征。

圖5 二環至六環平均高溫風險指數變化Fig. 5 Variations of the average heat risk index from 2nd Ring road to 6th Ring road

圖6 北京市各區高溫風險等級面積比例Fig. 6 The area proportions of different heat risk levels of each district in Beijing

對北京市各區各高溫熱浪風險等級面積比例進行統計（圖6），結果表明，西城區高風險面積比重達到100%，東城區達到97.5%，遠遠高于其他各區，東城區和西城區是北京的老城區，是老年人口比重最大的區域，建筑老舊，老居民區規劃不合理使得高溫不易疏散。朝陽、海淀、豐臺、石景山這4個區本身位于三至六環之間的高溫區域，加之北京城市功能拓展區的城市定位，是城市商業、地產業、服務業的發展先導；由于北京存在嚴重的“職住分離”現象，城市功能拓展區交通壓力大，人口流動性強，綜合風險非常高，各區高風險面積比例均在60%以上。順義區作為北京重點發展的新城之一，也是承接中心城區、近郊區人口、職能疏解和新的產業集聚的主要地區之一（北京市規劃和國土資源管理委員會，2005），面臨的高溫壓力相當大，高風險面積比例超過50%，較高風險比例超過30%，明顯高于其他遠郊區，成為遠郊區中面臨風險最大的區域。門頭溝、密云、懷柔這幾個區在職能上以發展生態服務型經濟為主，生態環境比較好，而且人口密度低，因此所面臨的高溫熱浪風險比較低，區縣內70%以上的區域面臨中等及其以下的高溫風險。

從圖2來看，北京市人口主要分布在平原、平壩地區，山區人口密度非常低。前文分區縣的統計分析所體現出的是各區縣整體風險水平，而沒能反映人口密集的平原、平壩地區風險狀況?？紤]到這一點，以高程低于550 m，坡度低于10%為閾值提取了各區縣平原、平壩地區的平均風險指數（如圖7）。西城區和東城區仍然是平原、平壩地區平均風險最高的區域，平均風險指數分別達到0.57和0.56。其次為石景山、豐臺、海淀、朝陽四個區，其平原、平壩地區平均風險指數均高于0.4。其余各區平原、平壩地區的平均風險指數均在0.4以下，其中密云最低，平均風險指數僅為0.32。與圖6相比，雖然各個區高溫風險排序較相似，但是區域之間差距較小，各區的平原、平壩地區均體現了較高的風險指數。

4 結論

圖7 北京市各區平原地區平均高溫熱浪風險指數Fig. 7 The average heat wave risk index in the plain of each district in Beijing

選取北京市作為研究區域，利用遙感數據和社會經濟數據提取了高溫熱浪風險評估指標，通過風險評估模型對北京市高溫熱浪風險進行定量評估，得到以下結論：

（1）基于Landsat/TM遙感數據計算的地表溫度具有空間異質性高、可視性強、結果準確的特點，彌補了傳統觀測資料空間密度不足的缺陷，可以很好地表征高溫熱浪危險性的空間分布特征；基于夜光遙感數據提取的人口、收入等空間化社會經濟數據，能夠有效克服目前中國缺乏詳細社會經濟統計資料的困難，可為城市高溫熱浪風險評估研究提供新的思路。

（2）整體而言，北京市高溫熱浪風險具有明顯的空間差異，南部風險高于北部，東部風險高于西部；受人類活動的影響，南部風險的空間異質性高于北部，東西方向空間異質性差異不明顯。

（3）北京市二環以內的核心城區（西城區、東城區）高溫熱浪風險最高，高風險區面積比重分別達到100%和97.5%，從二環至六環，高溫熱浪風險呈現明顯的下降趨勢。除主城區之外，還以各轄區城區為中心形成了多個大小不一的次高風險中心，其中石景山區、豐臺區、海淀區和朝陽區高溫風險比較高，而密云、門頭溝、懷柔的高溫風險相對較低。就人口密度比較大的平原、平壩地區而言，東城區和西城區具有最高的高溫風險指數，但與其他各區之間的差異較小，各區的平原、平壩地區均體現了較高的風險。

利用熱紅外遙感和夜光遙感數據能夠獲取城市溫度場、人口密度等高溫熱浪評估指標的詳細空間分布信息，在一定程度上克服了氣象站點偏少以及社會經濟資料不夠詳細的困難，為高溫熱浪風險評估提供了新的思路。但是，目前還存在一些問題，比如熱紅外遙感反演的地表溫度與人體健康的關系不如近地表氣溫密切，DMSP夜光遙感數據在中心城區自身易飽和的缺陷會影響人口空間化精度

等等。利用遙感手段進行城市高溫熱浪風險評估尚處于探索階段，有待未來進一步研究。

DOUSSET B, GOURMELON F. 2003. Satellite multi-sensor data analysis of urban surface temperatures and land cover [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 58(1-2): 43-54.

INOSTROZA L, PALME M, DE LA BARRERA F. 2016. A Heat Vulnerability Index: Spatial Patterns of Exposure, Sensitivity and Adaptive Capacity for Santiago de Chile [J]. PLOS ONE, 11(9): e0162464.

JIMéNEZ-MUìOZ J C, SOBRINO J A. 2003. A generalized single-channel method for retrieving land surface temperature from remote sensing data [J]. Journal of Geophysical Research, 108(D22): 4688.

KRüGER T, HELD F, HOECHSTETTER S, et al. 2013. A new heat sensitivity index for settlement areas [J]. Urban Climate, 6: 63-81.

ROBINE J M, CHEUNG S L K, ROY S L, et al. 2008. Death toll exceeded 70,000 in Europe during the summer of 2003 [J]. Comptes Rendus Biologies, 331(2): 171-178.

RUSSO S, DOSIO A, GRAVERSEN R G, et al. 2014. Magnitude of extreme heat waves in present climate and their projection in a warming world [J]. Journal of Geophysical Research Atmospheres, 19(22): 12500-12512.

SEMENZA J C, RUBIN C H, FALTER K, et al. 1996. Heat-related deaths during the July 1995 heat wave in Chicago [J]. New England Journal of Medicine, 335(2): 84-90.

SOBRINO J A, JIMéNEZ-MUìOZ J C, AND PAOLINI L. 2004. Land surface temperature retrieval from Landsat TM5 [J]. Remote Sensing of the Environment, 90(04): 434-446.

VAN DE GRIEND A A, OWE M. 1993. On the relationship between thermal emissivity and the normalized Difference vegetation index for natural surfaces [J]. International Journal of Remote Sensing, 14(6): 1119-1131.

WHITMAN S, GOOD G, DONOGHUE E R, et al. 1997. Mortality in Chicago attributed to the July 1995 heat wave [J]. American Journal of Public Health, 87(9): 1515-8

ZAMPIERI M, RUSSO S, DI S S, et al. 2016. Globai assessment of heat wave magnitudes from 1901 to 2010 and implications for the river discharge of the Alps [J].Science of the Total Environment, 571: 1330-1339.

北京市規劃和國土資源管理委員會. 2005. 北京市總體規劃[EB/OL]. [2005-04-15]. http://www.bjghw.gov.cn/web/static/catalogs/catalog_ 233/233.html.

北京市統計局國家統計局北京調查總隊. 2013. 北京區域統計年鑒2012[M]. 北京: 同心出版社.

曹麗琴, 李平湘, 張良培. 2009. 基于DMSP/OLS夜間燈光數據的城市人口估算——以湖北省各縣市為例[J]. 遙感信息, (1): 83-87.

查勇, 倪紹祥, 楊山. 2003. 一種利用TM圖像自動提取城鎮用地信息的有效方法[J]. 遙感學報, 7(1): 37-40, 82.

柴子為, 王帥磊, 喬紀綱. 2015. 基于夜間燈光數據的珠三角地區鎮級GDP估算[J]. 熱帶地理, 35(3): 379-385.

國家統計局. 2013. 中國統計摘要2013[M]. 北京: 中國統計出版社.

國家統計局北京調查總隊. 2016. 人口: 常住人口(1978—2015年)[EB/OL]. [2016-9-29]. http://www.bjstats.gov.cn/tjsj/cysj/201511/ t20151109_311727.html.

韓秀珍, 李三妹, 竇芳麗. 2012. 氣象衛星遙感地表溫度推算近地表氣溫方法研究[J]. 氣象學報, 70(5): 1107-1118.

何洋, 程輝, 唐亮. 2014. DMSP/OLS數據的我國省級經濟發展水平研究[J]. 地理空間信息, 12(2): 79-82.

賀曉冬, 苗世光, 竇晶晶, 等. 2014. 北京城市氣候圖系統的初步建立[J]. 南京大學學報:自然科學, 50(6): 759-771.

胡峰, 盧振禮. 2010. 1951—2000年山東省高溫氣象災害的變化趨勢和風險特征分析[J]. 中國農學通報, 26(19): 354-358.

黃慧琳, 繆啟龍, 潘文卓, 等. 2012. 杭州市高溫致災因子危險性風險區[J]. 氣象與減災研究, 35(2): 51-56.

黃杰, 閆慶武, 劉永偉, 等. 2015. 基于DMSP/OLS與土地利用的江蘇省人口數據空間化研究[J]. 長江流域資源與環境, 24(5): 735-741.

季崇萍, 劉偉東, 軒春怡. 2006. 北京城市化進程對城市熱島的影響研究[J]. 地球物理學報, 49(1): 69-77.

李志乾, 鞏彩蘭, 胡勇, 等. 2009. 城市熱島遙感研究進展[J]. 遙感信息, (4): 100-105.

劉勇洪, 權維俊. 2014. 北京城市高溫遙感指標初探與時空格局分析[J].氣候與環境研究, 19(3): 332–342.

劉玉紅. 2014. 我國城鎮化發展的新動向[EB/OL]. [2014-12-15]. http://www.sic.gov.cn/News/461/3880.htm

欒慶祖, 葉彩華, 劉勇洪, 等. 2015. 城市綠地對周邊熱環境影響遙感研究——以北京為例[J]. 生態環境學報, 23(2): 252-261.

呂安民, 李成名, 林宗堅, 等. 2005. 基于遙感影像的城市人口密度模型[J]. 地理學報, 60(1): 158-164.

買買提江?買提尼亞孜, 阿里木江?卡斯木. 2015. 干旱區典型城市下墊面特征及其與地表熱環境的關系研究[J]. 生態環境學報, 24(11): 1865-1871.

彭保發, 石憶邵, 王賀封, 等. 2013. 城市熱島效應的影響機理及其作用規律——以上海市為例[J]. 地理學報, 68(11): 1461-1471.

宋晨陽, 王峰, 張韌, 等. 2016. 氣候變化背景下我國城市高溫熱浪的風險分析與評估[J]. 災害學, 31(1): 202-206.

蘇泳嫻. 2015. 基于DMSP/OLS夜間燈光數據的中國能源消費碳排放研究[D]. 廣州: 中國科學院研究生院(廣州地球化學研究所).

覃志豪, 李文娟, 徐斌, 等. 2004. 陸地衛星 TM6波段范圍內地表比輻射率的估計[J]. 國土資源遙感, 16(3): 28-32.

田穎, 張書余, 羅斌, 等. 2013. 熱浪對人體健康影響的研究進展[J]. 氣象科技進展, 3(2): 49-54.

田永中, 陳述彭, 岳天祥, 等. 2004. 基于土地利用的中國人口密度模擬[J]. 地理學報, 59(2): 283-292.

王琪, 袁濤, 鄭新奇. 2013. 基于夜間燈光數據的中國省域GDP總量分析[J]. 城市發展研究, (7): 44-48.

王文杰, 申文明, 劉曉曼, 等. 2006. 基于遙感的北京市城市化發展與城市熱島效應變化關系研究[J]. 環境科學研究, 19(2): 44-48.

謝盼, 王仰麟, 彭建, 等. 2015. 基于居民健康的城市高溫熱浪災害脆弱性評價:研究進展與框架[J]. 地理科學進展, 34(2): 165-174.

徐永明, 劉勇洪. 2013. 基于TM影像的北京市熱環境及其與不透水面的關系研究[J]. 生態環境學報, 22(4): 639-643.

張本志, 任國玉, 張子曰, 等. 2013. 北京中心商務區夏季近地面氣溫時空分布特征[J]. 氣象與環境學報, 29(5): 26-34.

張兆明, 何國金. 2007. 北京市TM圖像城市擴張與熱環境演變分析[J].地球信息科學, 9(5): 83-88.

鄭山, 王敏珍, 尚可政, 等. 2016. 高溫熱浪對北京3所醫院循環系統疾病日急診人數影響的病例-交叉研究[J]. 衛生研究, 45(2): 246-251.

Assessing heat wave risk in Beijing by remote sensing [J]. Ecology and Environmental Sciences, 26(4): 635-642.

HE Miao, XU Yongming, LI Ning, BAI Lin. 2017.

Assessing Heat Wave Risk in Beijing by Remote Sensing

HE Miao, XU Yongming, LI Ning, BAI Lin
School of Geography and Remote Sensing, Nanjing University of Information Science & Technology, Nanjing 210044, China

With global warming and rapid urbanization, heat wave has become one of the most significant climatic stressors in urban areas, which exerts greater influences on human health, society and economy. In this paper, the heat wave risk in Beijing City was assessed based on multi-source satellite remote sensing data. The land surface temperature (LST), normalized difference vegetation index (NDVI) and normalized difference building index (NDBI) were calculated from Landsat/TM data. The population density, per capita disposable income, ownership of air conditioning, percentage of population above 65 years old and percentage of construction workers were derived from DMSP/OLS night light data and socio-economic data. LST was considered as the hazard factor, and the other variables including NDVI, NDBI, population density, per capita disposable income, ownership of air conditioning, percentage of population above 65 years old and percentage of construction workers were considered as vulnerability factors. Then the heat wave risk index in Beijing was calculated from the hazard, vulnerability factors by a weighted average model. According to the risk index map, the heat wave risk in Beijing was assessed. The results indicated an obvious spatial variability of heat risk. Generally, the northern area showed lower heat risk than southern area, and the western area showed lower risk than the eastern area. High-risk regions were mainly concentrated in the metropolitan area and suburban districts within the 6rd Ring Road, which exhibited a radially decreasing trend from the center to the suburbs. There were also several sporadic high risk regions located in the urban areas of rural districts. Among these rural districts, Miyun, Mentougou, Huairou districts were characterized by the lowest heat risks, whose proportions of the high risk area were less than 10%. In addition to the urban areas, Yanhuai Basin, Miyun River Valley and some plain areas in the eastern Pinggu also showed relatively high risk. As for the densely populated plain and flatland areas, the central districts (Dongcheng District and Xicheng District) exhibited the highest heat risk indices of 0.57 and 0.56 respectively, followed by inner suburb districts (Shijingshan, Fengtai, Haidian and Chaoyang districts). The outer suburb districts showed relative lower heat wave risk indices, which were above 0.4. This article proposed a framework for assessing the heat stress risk in Beijing at the pixel level by remote sensing, which provide a scientific reference for heat wave adaptation strategies and mitigation plans.

Beijing; heat wave; risk assessment; remote sensing; population spatialization

10.16258/j.cnki.1674-5906.2017.04.013

X16

A

1674-5906（2017）04-0635-08

何苗, 徐永明, 李寧, 白琳. 2017. 基于遙感的北京城市高溫熱浪風險評估[J]. 生態環境學報, 26(4): 635-642.

國家自然科學基金項目（41201369）；高分辨率對地觀測系統重大專項

何苗（1992年生），女，碩士研究生，研究方向為資源環境遙感。E-mail: hemiaok@126.com

*通信作者。徐永明，E-mail: xym30@263.com

2016-12-28