基于PYTHON的城市人為熱通量與溫度關系分析及風險評估

開放科學（資源服務）標識碼（OSID）：DOI：10.16661/j.cnki.1672-3791.2312-5042-1195

作者簡介：龔澤瀚（2000—），男，碩士，研究方向為風險與災害科學。

摘??要：針對全球城市熱島效應日趨嚴重而復雜形勢下，提出了一種運用SUEWS模型和Python進行數據分析的方法，探討人為熱通量影響城市熱島效應的重要性及形成機理，重點分析溫度變化對制冷度日和人為熱通量的影響程度。通過對城市氣候大數據的分析研究，發現制冷度日和人為熱通量之間存在一定相關性，人為熱通量與溫度變化之間有敏感響應關系；最后提出相應建議和措施。

關鍵詞： 城市熱島效應??人為熱通量 ?溫度敏感性??制冷度日

中圖分類號：X16

城市熱島（Urban Heat Island，UHI）效應是城市中心溫度高于周邊地區的現象，由人口活動、建設和缺乏植被等因素引起。人為熱通量（Anthropogenic Heat Flux，AHF）是評估人類活動釋放熱量的概念，涵蓋工業、建筑、交通和人體代謝等。這項研究使用Python分析城市熱島效應下溫度與人為熱通量之間的關系，并識別對溫度變化最敏感的城市。目的是評估溫度變化對人為熱通量的影響，以支持城市熱島效應的實證研究，并為城市可持續發展提供風險評估和科學支持。

1 ?背景

城市化是21世紀的主要趨勢之一，超過一半的人口居住在城市。這導致城市面臨人口激增、承載壓力增加等問題，使城市變得更加脆弱。科學預測表明，未來地球溫度可能上升0.5～6.5?℃，這將導致人類更頻繁地使用空調設備，增加人為熱量排放，加劇溫度上升[1]。人體在城市炎熱環境下，心血管系統易受到不良影響，導致呼吸系統和心血管疾病；這是由于血液循環冷卻功能面臨著來自皮膚的巨大壓力。當心臟承受過大壓力，特別是對于心臟病人來說達到引發心臟事件臨界點時，后果可能是災難性的。這些疾病共同構成了城市熱相關死亡率的主因。研究揭示了溫度與死亡率之間的“J”形關系，表明當城市中心溫度升高時，死亡率急劇上升[2]。這種循環使得許多城市不斷受到溫度上升和城市熱島效應的困擾。研究表明，制冷和采暖需求是城市熱島效應的關鍵驅動因素，理解這一點可以更好地解釋城市環境問題的復雜性，并為創造可持續發展的宜居城市環境提供支持。

1.1 選擇合適的研究模型

大規模城市能源消耗（Large-Scale Urban Consumption of Energy， LUCY）模型綜合考慮了車輛、建筑物熱排放和人體代謝熱，用于研究城市環境中的動態AHF。在該模型中，建筑物熱排放是主要貢獻者，通過乘法因子估算[1]。但該方法可能導致高緯度地區能源消耗被低估，低緯度地區則被高估的情況。因此，選擇一個更科學的模型對研究AHF問題至關重要。

表面城市能源與水平衡方案（Surface Urban Energy and Water Balance Scheme，SUEWS）是一種模擬城市地表環境的工具，能夠評估UHI效應、城市溫度變化和城市規劃管理等因素。這種方法綜合考慮了全部能源消耗，有助于全面分析城市熱環境。SUEWS的計算流程如圖1所示。

1.2 SUEWS模型分析計算方法

SUEWS是專注于分析城市地表的7種主要類型，基于城市能量和水平衡模型，內含多個子模型（如圖1所示）。它的主要優勢在于：運行所需的數據適中，只需基礎的氣象和地面信息；能夠長時間在多個模型網格上運行，無須特殊計算設備。SUEWS具備多功能性，可獨立運行或與中尺度模型集成，成為有價值的決策支持工具；對于復雜城市環境的探索和規劃具有強大適應性[3]。城市能量平衡計算公式如下：

公式（1）中，表示凈全波輻射，指代AHF，代表湍流感熱通量，是潛熱通量，表示凈儲存熱通量。研究表明：城市能量平衡主要依賴于能量動態，受城市區域內的能量交換、氣候條件、地表特征等要素影響。鑒于研究重點在于AHF，所以研究者選擇SUEWS模型的城市能量平衡組分來計算AHF，旨在改進和補充LUCY模型所提供的AHF研究方法。研究者的主要關注點在于，它代表了城市能量平衡中多個組分之一。研究者采用了Sailor和Vasireddy（2006）提出的方法[4]，著重于對AHF的日常評估：

式（2）中，代表人口密度；表示在平衡溫度下的基本值，而系數和分別對應于CDD和HDD系數。制冷度日（cooling degree days，簡稱CDD）用于表示室外溫度與實現室內舒適的基準溫度之間的累積差異。它反映了在室外溫度高于基準溫度閾值時，為維持室內舒適環境所需制冷量。通常，CDD在炎熱天氣條件下用于量化室內舒適所需制冷需求；反之采暖度日（heating degree days，HDD）亦然。CDD和HDD都是分析能源消耗模式的價值方法。通常使用以下公式來計算CDD和HDD，其中代表小時氣溫，而表示人體體感舒適的基準溫度。

在CDD計算中，當，參數，當，，而HDD則相反。研究中，選定了CDD基準溫度為26?℃，HDD基準溫度為16?℃，這一決策是基于人體舒適度考慮。偏離該范圍可能導致不適，需使用制冷或采暖系統來維持最佳舒適度，這些設備能源消耗與溫度變化成正比[5]。

公式（2）提供了計算AHF方法，綜合考慮了、CDD和HDD等因素來確定不同城市的AHF，從而深入了解不同地區AHF變化原因，解釋全球UHI效應差異性。此外，該方法還考慮了建筑物制冷和采暖需求的波動，為研究AHF與制冷和采暖關系提供了重要理論基礎和研究方向[3]。

2 ?研究方法及過程

本部分說明了研究AHF對空氣溫度敏感性和準確定位采集地點的方法。主要涉及利用Python進行數據收集、數據分析、數據處理和可視化。

2.1 數據收集

Dong及其團隊改進了人為熱排放（Anthropogenic heat emission，AHE）數據集，創建了AH4GUC，并整合了夜間燈光分布、未來人口和能源消耗變化，提供更準確的UHI效應空間分布信息[6]。基于此，研究者選擇從AH4GUC數據集中獲取了2010年每月平均的AHF數據；將AHF數據加權到小時級，以精確計算城市平均AHF。考慮之前的AHF數據是基于2010年的月平均值，研究者選擇ERA5數據集來獲取全球城市的月平均溫度數據，以此代替日均值以方便CDD和HDD的計算。最后，從LandScan全球人口數據庫中獲取了2013年的人口數據，用于估算城市的人口分布。并且參考了Manoli等人在2019年發布的城市綜合信息數據，其中包括城市面積、經緯度等信息，用于計算。

2.2 數據分析

研究者將這些數據輸入相應的計算公式中，并使用Python的“numpy”和“xarray”等包進行計算和存儲。在檢查計算得到的和數據時，我們注意到在許多情況下= 1或= 1，如表1所示。這種情況通常出現在城市溫度數據質量不佳的情況下，例如當最高溫度過低以至于無法準確擬合系數時，會導致取值為1。類似的問題也可能在中出現。因此，有必要忽略和的數據。

同時，研究者觀察到和中存在負值，需使用箱型圖對和數據的統計分布進行可視化檢查，幫助研究者確定數據集中存在負值的程度。

從圖2和圖3中可明顯得出，許多和值明顯低于0；這些值是不合邏輯的，因為表示每個單位面積所需制冷能量，應為非負值。同樣，也應是非負值。因此，所有或值小于0的城市都應剔除。

2.3 數據處理

鑒于主要研究目標是篩選出對溫度變化表現出高敏感性城市，由公式（3）和（4）可看出，無論是CDD還是HDD都受溫度變量影響。公式（3）中所有變量和相應系數均為非負數，可推斷A和B兩個城市具有相同CDD時，若A城市具有更高值，則AHF自然會表現出更大幅度；同樣邏輯也適用于HDD。

因此，研究者可重構最初的研究：尋找對或表現出高敏感性城市，即找出具有相對較高或值城市進行深入分析。通過繪制箱形圖來選擇超過上限的異常值并借助散點圖觀察的分布形式，同樣該方法適用于檢查。最后，在使用“curve_fit”函數計算公式（2）中系數時（使用默認的線性擬合方法），評估所得系數的擬合質量至關重要。因此，需要對公式（2）進行修改：

CDD通常用于量化炎熱天氣條件下維持室內舒適度所需制冷需求。當CDD0時，HDD應為0，因此CDD和HDD不能同時存在。在研究CDD問題時，可將公式（5）轉化為一個簡單的線性回歸模型。即因變量被定義為，而自變量代表CDD。研究HDD也是相同邏輯。隨后，利用均方誤差（MSE）來衡量線性擬合質量。MSE作為評估回歸模型精度的重要指標，主要衡量預測值與實際值之間平均平方誤差。其計算公式如下：

式中，表示第個觀察值，表示相應的預測值，n表示總觀察數。確保模型預測與實際值緊密吻合至關重要，因此選擇合適的閾值至關重要。而為了提高模型準確性，應將MSE值最小化，因為較小的MSE值意味著模型預測結果與實際觀察值更為接近。在研究范圍內，主要關注預測和實際的AHF數據。借助圖4的箱形圖的幫助可以確定合適的閾值。這有助于在AHF預測中找到預測準確性和潛在變異性之間的最佳平衡。

變異性指標是了解給定數據集中數據點分布的工具，可揭示數據擴展和分散情況。常用測量方法如四分位距（IQR）和方差，本文研究者選擇對異常值具有抵抗力的IQR來評估閾值。為方便操作，在獲得IQR后將其向下取整，得到IQR為2。因此，主要目標是識別出MSE低于2的城市。該策略符合通過最小化MSE值來識別擁有更高準確性的預測數值，以此確定篩選的城市。

2.4 數據可視化

完成數據篩選后，研究者使用“matplotlib”和“geopandas”等Python包進行數據可視化分析。具體步驟為：首先，使用地理可視化來繪制具有適當和值的城市地圖，可直觀了解這些城市在全球整體分布特征；其次，通過散點圖，將和數據與相應城市緯度絕對值進行比較；最后，識別出不同分布的高敏感城市，觀察目標的溫度變化是否會引起CDD和AHF值相應變化。通過模擬溫度波動并密切觀察CDD和AHF值變化情況，可揭示CDD和AHF受溫度變化影響程度。

3 ?結果

根據圖2和3可知，先刪除所有或值為負數的城市數據點并利用箱型圖進行系統檢查，確認已成功刪除不合理數據點；結果如圖5和6所示。

通過計算，確定上限為0.040 5，上限為0.004 8。在此基礎上，繼續執行篩選過程，篩選出和超過各自上限的城市；成功識別出272個城市超過上限及226個城市超過上限。隨后使用Python的可視化工具，制作出散點圖，以此描繪或與緯度絕對值之間關系。

圖7和8中，虛線參考線分別對應= 1 和= 0.1。可以明顯看出，超過1的城市和超過0.1的城市呈現出較為分散的分布模式。因此分析重點放在了超過1的城市和超過0.1的城市上。仔細篩選后，確定15個城市超過了設定閾值及18個城市超過了設定閾值。進一步分析后，關注那些MSE小于2的顯示出較強線性擬合的城市。有趣的是，研究者發現符合這些條件的城市數量在和子集中保持一致，各有5個城市，這些城市的基本情況如表2、表3所示。

這10個城市代表了篩選結果，表明它們在制冷或采暖對AHF的敏感性方面具有高響應度。研究者可以選擇借助Python中的“geopandas”將這些選定城市的地理位置映射到世界地圖上，從而幫助人們更好地了解這些城市在全球的分布情況。

4 ?論述及建議

根據上述研究，發現了10個對溫度變化高度敏感的城市，它們在不同溫度條件下展現出明顯的規律特征，顯示了獨特的氣候特征。其中，VONITSA（沃尼扎）、MARSALA（馬爾薩拉）、CALTAGIRONE（卡爾塔吉羅內）、JACKSONVILLE（杰克遜維爾）和GOUMERON（古梅洛）這5個城市對制冷效應表現出高敏感性，這表明它們的制冷需求受溫度變化顯著影響，與溫度變化之間存在強烈的相關性。另外，CAMPTI（坎普蒂）、MARSALA（馬爾薩拉）、JENNINGS（詹寧斯）、EMBONAS（恩博納斯）和SEMARIA（塞馬里亞）這5個城市對采暖效應具有高敏感性，揭示了它們與溫度變化之間存在顯著關聯，并表現出對溫度變化高度響應的特性。

觀察圖7，研究者發現制冷高敏感性城市主要聚集在30～40°溫帶緯度范圍內，包括美國和地中海地區。這種地理分布符合氣候預期，因為中緯度地區通常經歷明顯的季節性變化和溫度波動。在對地中海氣候特征進行研究后確定了地中海沿岸城市，如沃尼扎、馬爾薩拉、卡爾塔吉羅內和古梅洛，它們代表了地中海氣候的影響。大氣壓力系統與地中海表面升溫相互作用，對該地區溫暖而干燥的夏季條件產生了影響。同樣，杰克遜維爾代表了“混合濕潤氣候”，為研究者提供了有關其對溫度波動脆弱性的重要見解，因為它靠近大面積水體。

Python的可視化能力可以幫助研究者描繪這些城市在不同季節溫度趨勢，有助于全面理解溫度、氣候與城市對制冷和采暖效應高敏感性間的相互作用，有望揭示復雜氣候模式并為城市氣候行為提供一個整體視角。

圖9揭示了這些城市每年的溫度模式。值得注意的是，它們夏季溫度通常超過了被認為人類宜居的范圍，從而需要更多依賴空調制冷設備來維持室內舒適度。這種增加制冷需求間接實證了它們在夏季制冷需求高敏感性。

圖8顯示，對采暖需求響應較高的城市主要集中在20～40°的緯度范圍內，這種分布模式在美國、地中海等中低緯度地區普遍存在。此外，還有一些印度低緯度地帶的城市也在其中。這種多樣化的地理分布強調了對于采暖需求高敏感城市的跨洲意義。

值得注意的是，像馬爾薩拉和恩博納斯這樣的城市，盡管歸類為地中海氣候，但它們的地形屬性存在差異。馬爾薩拉位于西西里島上的平坦海濱地區，而恩博納斯則位于羅得島崎嶇的山區，因此產生了不同的冬季溫度特征。有趣的是，研究顯示，位于意大利西西里島的馬爾薩拉不僅對制冷需求敏感，而且對采暖需求也敏感。這一顯著現象表明，馬爾薩拉在夏季和冬季的溫度變化方面都表現出高敏感性。對于采暖需求高敏感城市的一年中溫度變化如圖10所示（馬爾薩拉已在圖9展示）。

馬爾薩拉獨特之處在于對夏季和冬季溫度波動高敏感性，這使得它成為研究溫度高敏感性城市的有價值案例。馬爾薩拉雙季高敏感性與這些城市在冬季通常需要采暖的特點相結合，強調了它們對溫度變化高敏感性。

此外，根據表1、2數據，研究者還可以探討這些高敏感城市CDD或HDD在不同溫度條件下與AHF關聯影響程度，揭示溫度變化與熱通量動態之間的關系，為可持續城市規劃和能源管理決策提供更多信息。

城市升溫對社會穩定和經濟韌性產生深遠影響。《巴黎協定》確立了一個具有法律約束力的具體目標：將全球平均氣溫上升限制在比工業化前水平高1.5 ℃的最高水平。選擇1.5 ℃的閾值是基于超過這一限值可能引發許多生態系統的嚴重破壞，導致物種滅絕和生態平衡失衡等嚴重后果[7]。在本文研究背景下，控制其他變量（，，和）不變，利用每個城市月平均溫度數據，設定假設情景：最高溫度上升1.5 ℃。其目的旨在捕捉溫度變化對所關注參數的影響。值得注意的是，年平均溫度增加1.5 ℃相當于一年中溫度變化達到了顯著的18 ℃。具體來說，假設最高溫度上升1.5 ℃，那么溫度增幅相當于一年中總共增加了18 ℃。

研究者模擬在夏季6—8月高溫月份將溫度增加3 ℃，其余月份增加1 ℃。通過夏季月份大幅升溫，創建熱浪和高溫事件的模擬環境。這些熱浪的顯著特點包括增加的強度、更高的頻率和持續時間延長。研究表明，在熱浪事件期間，中緯度地區日均溫度可能額外上升2.5～3 ℃[8]。因此，研究者可以使用該溫度分布策略來模擬分析夏季熱浪和高溫現象引起的溫度變化，有助于全面研究CDD和受這些放大溫度波動影響的復雜相互作用及對AHF的后續影響。

表4數據直觀展示了氣溫變化對CDD和AHF的影響。根據公式（2），在控制其他變量的情況下，CDD和AHF呈現出正相關。這一基本關系在表格數據中得到了進一步證實，圖11直觀展示了溫度波動對AHF影響幅度。在研究的5個城市中，希臘的沃尼扎在溫度升高時，其AHF的變化幅度最為顯著。其溫度升高后的AHF值相比于溫度升高前的值，高達29倍之多。這一觀察結果強調了沃尼扎市是對溫度變化最為敏感的城市。可以說，表4和圖11共同闡明了溫度變化、制冷需求和AHF之間相互關系，強調了城市溫度變化引發的溫度波動如何顯著影響城市環境中能源需求變化。

針對前述高敏感城市，可以采取一些針對性建議措施來降低UHI效應影響，增強城市適應能力，促進城市可持續發展。首先要重點提高能源效率，采用高效采暖和制冷系統以減少能源消耗。其次，在城市規劃和設計中，采用高反射率和高發射率材料來降低建筑物吸熱能力，增加植被覆蓋率，促進通風，調節城市溫度。同時，建立準確的氣象預警系統，確保城市能迅速應對極端高溫條件。此外，制定適應性策略，提供涼爽公共空間，保障居民需求；發展公共交通，鼓勵居民綠色出行，減少交通排放。最后，還應大力推廣太陽能、風能等綠色能源，減少對傳統能源依賴，降低溫室氣體排放。

5?結語

在日益加劇的UHI效應背景下，城市升溫對環境影響變得越來越復雜。通過深入研究不同溫度條件下AHF變化，可更好地應對UHI效應帶來的挑戰，為城市規劃、建筑設計和城市管理提供科學決策依據。本研究在探究溫度響應、能源消耗和AHF之間錯綜復雜的相互作用方面邁出了基礎性一步，通過Python數據分析方法，發現并揭示了關于城市能源消耗、溫度響應和氣候韌性之間內在關系，為UHI效應風險評估研究奠定了基礎。今后，還可以改進SUEWS模型參數、擬合方法和溫度模擬方法，精準探討溫度變化對HDD和AHF影響，分析影響AHF其他潛在因素，解釋更廣泛的現實復雜性關系。

參考文獻

[1] ALLEN L，LINDBERG F，GRIMMOND C S B.Global to city scale urban anthropogenic heat flux： model and variability[J]. International Journal of Climatology，2011，31（13）：1990-2005.

[2] AGHAMOHAMMADI N，RAMAKRESHNAN L，FONG C S，et al. A Global Synthesis of Heat-Related Mortality in Overheated Cities[M].Singapore： Springer Nature Singapore，2022：21-38.

[3] WARD H C，KOTTHAUS S，J?RVI L，et al.Surface urban energy and water balance scheme （SUEWS）： development and evaluation at two UK sites[J].Urban Climate，2016，18： 1-32.

[4] SAILOR D J，VASIREDDY C.Correcting aggregate energy consumption data to account for variability in local weather[J].Environmental Modelling & Software，2006，21（5）：733-738.

[5] SANTAMOURIS M.Recent progress on urban overheating and heat island research.Integrated assessment of the energy， environmental，vulnerability and health impact. Synergies with the global climate change[J].Energy and Buildings，2020，207：109482.

[6] VARQUEZ A C G，KIYOMOTO S，KHANH D N，et al.Global 1-km present and future hourly anthropogenic heat flux[J].Scientific Data，2021，8（1）：64.

[7] IPCC.Global Warming of 1.5°C： IPCC Special Report on Impacts of Global Warming of 1.5°C above Pre-industrial Levels in Context of Strengthening Response to Climate Change[M].Cambridge： Cambridge University Press，2022：445-538.

[8] PERKINS-KIRKPATRICK S E，LEWIS S C.Increasing trends in regional heatwaves[J].Nature communications，2020，11（1）：3357.