基于遥感的北京市体感温度指数计算

来源: 未知 作者:paper 发布时间: 2020-05-19 16:42
论文地区:中国 论文语言:中文 论文类型:工程硕士
全球气候变暖和快速的城市化进程使得城市人居环境产生了显著变化,在“热岛效 应”等多种因素共同作用下,夏季城市地区遭受高温灾害的可能性逐渐增大。常规的气 温指标在夏季
摘要
全球气候变暖和快速的城市化进程使得城市人居环境产生了显著变化,在“热岛效 应”等多种因素共同作用下,夏季城市地区遭受高温灾害的可能性逐渐增大。常规的气 温指标在夏季湿热的天气状况下并不能完全体现人体所承受的热环境压力,体感温度指 数综合考虑了温度湿度等气象要素对人体的影响,可有效表征人体舒适度。本文以北京 市为研究区,探索利用多源遥感数据反演体感温度。首先通过站点资料对比北京市主要 气象要素和体感温度的时序变化特征。其次基于多源遥感数据,分别利用计算公式和随 机森林模型计算湿热指数(HMI)和净有效温度(NET)两种体感温度指数,比较结果 精度。最后分析北京市夏季体感温度的空间分布特征,对比了地表温度、气温和体感温 度的空间分布差异,依据HMI指数对北京市的夏季人体舒适度进行分级评价。研究结 果表明:
(1) 北京市近四十年来气候变化呈现出增温、减湿和风速下降的趋势,表现出明显 的城市热岛特征;体感温度整体呈缓慢上升趋势,HMI指数的增温率为0.14°C/10a, NET 指数增温率为0.26°C/10ao分析表明北京变暖变干的趋势与城市化进程有着密不可分的 关系,夏季北京整体的气象条件不利于城区的散热降温。
(2) 基于遥感方式反演湿热指数(HMI)和净有效温度(NET)来表征体感温度, 利用公式直接计算和随机森林模型分别计算HMI,其中公式计算结果的拟合优度为0.79, 平均绝对误差1.12°C,均方根误差1.56°CO随机森林模型结果的拟合优度为0.85,平均 绝对误差0.98°C,均方根误差1.37°CO算法对比的结果表明随机森林模型在进行气温、 体感温度等温度场的反演时有着比公式直接计算更好的精度,利用随机森林模型反演 NET指数也取得了较好的结果,拟合优度为0.73,平均绝对误差0.83°C,均方根误差 l.orCo
(3) 北京市夏季体感温度存在着明显的空间差异性,呈现出东南高于西北、城区高 于郊区的环状递减趋势。HMI指数和NET指数的空间分布特征相似,但两种指标的温 度范围不同,全北京市HMI指数均值35.18°C, NET指数均值24.9°C o区域功能定位的 不同使得体感温度在城市内部也有明显差异,最高的西城区和最低的延庆区HMI指数 相差9°CO北京当天共有8个辖区的HMI指数超过了 35°C,达到了高温天气水平,比 同区域同时刻的气温高5°C以上。
(4)基于HMI指数对北京市的人体舒适度进行分级评价,当天有7.5%的区域人体 感觉舒适,81.3%的区域人体略感不适,11.2%的地区热环境让人觉得很不舒适,没有地 区的体感温度达到危险或者极度危险的水平,但仍需对湿热天气带来的影响加以防范。
第一章绪论
1.1研究背景及意义
随着社会的发展,人们在追求高质量的生活的同时也愈发关心周围环境对自 身的影响。全球气候变化是人类所面临的主要环境问题之一,IPCC在第五次评 估报告第一工作组报告决策者摘要中明确指出,气候系统变暖是毋庸置疑的,包 括夏季高温灾害在内的极端天气和气候事件发生的几率将有所增加⑴。夏季高温 灾害一旦发生在人口稠密的城市地区,容易造成严重的社会影响,1995年美国 芝加哥和2003年法国巴黎的高温热浪灾害都导致了大量的超额死亡〔"I。随着社 会的进步,快速的城市化进程使得城市的规模和人口数量迅速增大,下垫面和地 表冠层结构发生了巨大改变,人为热排放快速增加,由此导致的城市热岛效应变 得日益显著并表现出强度逐年增强的趋势⑸。热岛效应对区域小气候、城市热环 境、水文条件、土壤的理化性质等方面产生影响,从而改变局地的能量平衡、水 循环过程和大气边界层结构⑹,对城市生态环境带来深远影响。此外,城市热岛 效应还会增加高温灾害发生的几率,过高的气温会加剧城市空气污染的程度⑺, 导致雾霾、烟尘和有害气体在城市上空的过量累积,增加人类心脑血管、呼吸道 和消化道等疾病的发病率,进一步威胁城市居民健康[踊]。
在气候变暖和城市热岛效应等多种因素的共同作用下,夏季城市地区遭受高 温灾害的风险不断上升a】,评价人体所承受的热环境压力不仅直接关系到城市 中各类人群的日常生产、生活和健康,还影响到公共空间规划、社会生产、城市 运转等各个方面,具有普遍的社会意义。常规的气象服务以气温为主要指标进行 评价,但夏季高温往往伴随着高湿度,单凭气温这一指标,很难完全体现人体所 承受的热环境压力,容易使人的主观概念与实际感受产生偏差。体感温度作为评 价人体舒适度的一种指标,能很好的反映气温、湿度等气象要素对人体的作用, 可有效评价人体在不同环境气象条件下的舒适感,被证明与城市热健康、室内温 度"I】和高温致死率M2-⑶的关系最为密切,因此基于体感温度来衡量城市热环境对 人体的影响更为合理。
多数的体感温度研究受气象台站的监测范围和布设数量的限制,更偏重于点 尺度上的定性分析,难以对大尺度区域的体感温度进行定量计算。高温灾害风险 的分布具有空间差异性[⑷,如何较为细致的监测城市内部的体感温度空间分布 已经成为一个值得研究的方向。遥感数据可以提供不同空间尺度上较为详细的地 表和大气状况,运用遥感手段来反演体感温度能提供比站点气象资料更好的空间 异质度信息[⑸,反映体感温度的空间细节变化,衡量不同区域所承载的热环境压 力。基于上述考量,本文结合北京市的多源遥感数据和气象观测数据,计算湿热 指数(HMI)和净有效温度(NET),采用公式直接计算和随机森林模型分别得到 北京市的体感温度指数,分析了体感温度的空间变化特征,对比了体感温度与其 他温度场的分布差异,并依据体感温度对北京市的夏季人体舒适度进行分级评价。 1.2研究进展
1.2.1体感温度指数的研究进展
1.2.1.1国外研究进展
体感温度作为衡量人体舒适度的一项指标,随着人体舒适度研究的不断发展 而完善。国外关于舒适度的研究主要经历了仪器直接观测、经验模型评价和机理 模型定量研究这三个阶段[⑹:。
早期的舒适度研究通常基于仪器观测的结果来评价,1916年Hill等[⑺利用 卡他温度计被加热到36.5°C时液球在单位时间内单位面积上的散热强度来模拟 人体的散热,提出了卡他度的概念,以此表征温、湿、风的综合散热效果,被应 用于矿井、办公室等场所的舒适度衡量。
第二阶段是应用经验模型进行人体舒适度的定量评价。经验模型是以人体舒 适度试验结果为依据,利用经验和统计方法构建的舒适度模型。1923年, Houghton等人口8】基于两名裸体男子的主观热感觉实验结果,确定了包含气温和 相对湿度两个气象要素的等舒适线,并提出了适用于室内热环境评价的有效温度 指数(Effective TemperatuTe Index, ET),计算公式如下:
ET = t- 0.4(t — 10)(1 — 0.001 * RH) (1-1)
式中ET为有效温度指数(°C), t为气温(°C), RH为相对湿度(%)。
1932年,Vernon等〔⑼将有效温度计算公式中的干球温度用黑球温度代替, 计算结果称为修正有效温度(Corrected Effective Temperature, CET)。Missenard[20] 于1937年在ET指数的基础上提出了净有效温度(Net Effective Temperature, NET), Gregorczuk进一步改进了 NET指数,将风速的影响纳入到模型的考虑范 围内,使该模型在暖热环境和寒冷环境下都可使用,成为一个普适的评价模型0]:
NET = 37  ——j  0.297\1 — 0.01/?//) (1-2)
0.68-0.0014^+i76+i4vO,75
式中NET为净有效温度(。0, T为空气温度(。0, 1;为风速(m/s), RH为 相对湿度(%)。Li和Chan以NET为基础制定了香港地区恶劣天气的公共预警 指标,现已成为香港气象观测中心每天发布的常规气象服务指数之一Qi。
1957年美国海军提出的湿球黑球温度指数(Wet Bulb Globe Temperature, WBGT)综合考虑了气温、湿度、风速和太阳辐射的影响,已经成为高温作业或户 外运动的重要热负荷评估指标[刼:
WBGT(室外)=0.74w + 0.2tg + 0.1td (1-3)
WEGT(室内)=0.7tnw + 0.3tg (1-4)
式中WBGT为湿球黑球温度(。0, bw为自然湿球温度(°C),场为黑球温 度(。0,。为干球温度(°C)o
Siple等[24】在南极寒冷气候中实验了空气流速和气温对人体热损失的影响, 并提出 了风寒指数(Wind Chill Index, WCI):
WCI = (10Vv + 10.45 — v)(33 — t) (1-5)
式中"C7为风寒指数(kcal/nPh),匸为风速(m/s), t为气温(°C)。
1959年Thom[25]提出的不舒适指数(Discomfort Index, DI)利用干球温度和 湿球温度的组合来反映夏季湿热环境对人体的影响,成功应用于美国夏季舒适度 的预报,后来更名为温湿指数(Temperature-Humidity Index, THI):
THI = td- 0.55(1 — 0.01RHXtd - 14.5) (1-6)
式中。为干球温度(°C), RH为相对湿度(%)。
类似的在1965年,加拿大学者Masterson等颐提出了湿热指数(Humidex, HMI),它采用气温和水汽压两项指标来评价人体对温度和湿度的热耐受程度, 适用于夏季较为湿热的环境。公式如下:
HMI = Ta + 0.5555 X (6.11 x e5417-753x(^-^)— 10) (1-7)
式中HMI为湿热指数(°C), Ta为气温(°C), dew为露点温度(K)。
由美国学者Steadman[27]提岀的实感温度(Apparent Temperature, AT)也各个 领域得到了广泛的应用:
AT = -1.3 + 0.92T + 2.2e (1-8)
式中AT为实感温度(°C), T为气温(°C),幺为水蒸气压力(kpa)。
20世纪60年代开始,随着生物气象学和计算机技术的发展,人体舒适度的 研究从定性描述为主逐渐转为基于人体热量平衡的定量分析和基于计算机模型 的模拟研究[28]O 1970年丹麦学者Fanger基于上千名实验者的实验结果提出了预 测平均投票数(Predicted Mean Vote, PMV)这一热舒适评价指标凹,开创了热 量平衡模型在人体生物气象学应用的先河,但热舒适方程描述的是理想状态,现 实应用中还存在着一定的局限性。标准有效温度(Standard Effective Tempreture, SET)是由Gagge等人在人体温度调节两节点模型基础上提出的师】,该模型将人 体看作核心层和皮肤层两部分,通过物理分析得到人体传热过程,与之前基于实 验志愿者主观评价的有效温度有本质区别。生理等效温度(Physiological Equivalent Temperature, PET)是对人体热量平衡模型的进一步改进,综合考虑 了主要的气象要素、衣着条件以及个体活动对舒适度的影响31。随着多学科的高 度交叉与融合,世界气象组织(WMO)提出了一个融合生理学、医学、气象学 及计算机科学等众多领域的通用热气候指数(Universal Thermal Climate Index, UTCI),该指数模拟了人体的热调节功能和体内传热过程,综合考虑了多种影响 因素,拟真度高,有着广泛的应用前景卩現
1.2.1.2国内研究进展
国内关于舒适度和体感温度的研究相对较晚,上世纪80年代中期有一些关 于舒适度的定性描述,90年代开始转为定量的研究,并取得了较快的发展和应 用。陆鼎煌等基于多年月平均气温、风速和相对湿度数据,利用环境卫生学方法 提出了综合舒适度指标[辺。吕伟林[河通过实验得出了北京市体感温度的统计模 型,让公众对预报的气温和实际感受到的体感温度之间有了一个可借鉴的标准。 李万珍等时根据“实感气温”法通过实验绘制了人体舒适度的风温(VT)和风湿 (VF)曲线,并结合加拿大天气局提岀的舒适度指数进行了全年的舒适度评价。谈 建国等将人体热量平衡模型与数值预报产品相结合,计算体感温度来评价人体舒 适度[殉。柏秦凤等利用五十余年的观测资料计算了国内20座主要城市逐日的人 体舒适度指数并对其进行特征分析,对人们旅游出行具有指导意义厲】。马丽君等 从温湿指数、风寒指数、着衣指数三方面入手,对东部5个典型城市进行了 50 年的旅游气候舒适度变化分析卩8】。各地的气象部门也依据当地的气候条件和不
同的舒适度指标,陆续发布了当地的人体舒适度指数预报[刑。
1.2.2体感温度遥感反演进展
遥感手段由于具有大范围连续成像,可反映空间细节信息的独特优势,已经 逐渐被用于人体舒适度的研究。Ho等利用多源遥感数据反演夏季温哥华地区的 体感温度,揭示了体感温度在城市不同区域的空间分布规律[40]。谢雯等提出了适 用于MODIS数据的旅游温湿指数模型,计算并分析了我国2003年12个月的旅 游温湿指数空间分布特征⑷】。李仕峰等基于遥感影像计算的地表温度和水汽指 数代替传统人体舒适度计算公式中的气温和相对湿度,获取了珠江三角洲核心区 域的大尺度人体舒适度空间分布Id。总体来说,基于遥感的体感温度反演研究还 较少,但就其主要影响因子(温度和湿度)的遥感反演来看,已经取得了比较丰 富的研究成果。
1.2.2.1近地表气温遥感反演进展
气温是影响体感温度的最主要气象要素,是起到决定性作用的指标⑷]。目前 遥感反演近地表气温主要是从地表温度与气温之间关系入手,总体上可分成五类: 经验统计方法、温度一植被指数法、能量平衡方法、机器学习方法和大气廓线外 推法。
(1)经验统计方法
经验统计方法是目前较为常用的一种估算气温的方法,主要分为简单统计 方法和多元回归统计方法。简单统计方法模型构建简单,利用地表温度或亮度温 度与站点观测气温之间的线性关系来估算气温屮-45],但忽略了其他因子的影响, 存在一定的局限性。多元回归统计方法是对多种近地表气温影响因子进行回归分 析的方法,相较于简单统计方法来说有着更高的计算精度a】。但无论是简单统计 方法还是多元回归方法,其模型的普适性都较差,针对不同时间和不同研究区需 要重新建模。
(2)温度-植被指数法
温度-植被指数法是通过地表温度和植被指数之间的负相关性来估算气温 的半经验模型反演方法,其研究前提是假定浓密的植被冠层表面温度等于植被冠 层内的气温,关键在于根据遥感影像的空间分辨率差异来调整空间邻域窗口的大 小。Nieto基于MSG卫星数据利用TVX方法计算得到西班牙2005年间的日近 地表气温,精度在3〜5°C〔47]。徐永明等改进了温度一植被指数方法,提高了该方 法的精度与适用范围[徊。温度-植被指数法只需要地表温度和植被指数即可估算 近地表气温,但缺点是不同植被覆盖地区植被指数饱和值的确定存在着主观判断 差异。
(3)能量平衡方法
能量平衡方法是在能量平衡方程的基础上,利用显热通量和潜热通量的差 值来表达气温差异,同时忽略水平方向上的能量交换和光合作用的影响来建立地 表温度与气温之间关系的反演方法跑。多数学者基于能量平衡方程建立近地表 气温与环境参数的关系模型进行反演冈。能量平衡方法的优点在于物理意义明 显,模型的普适性和移植性较好,但缺陷在于部分物理参数无法通过遥感方式获 取。
(4)机器学习方法
机器学习已经广泛应用于社会的各个领域,与遥感的结合可以追溯到上世 纪90年代,它最初作为一种自动化知识基础建设的远程感知方法被引入。神经 网络方法是其中较为典型的一种应用,许多学者将多种地理因子作为人工神经网 络的输入参数进行气温的遥感反演[51'52],该方法的优点在于可以方便的表达气温 与多地理要素之间复杂的非线性关系。随机森林方法作为一种可进行分类与回归 分析的新型机器学习技术,在模型构建过程中采用了自举法(boot-strap)进行重 采样,具有运算效率高、抗干扰能力强、避免过度拟合等优点。早期的随机森林 方法在遥感领域主要是用于遥感图像的分类[呵,但由于随机森林算法在分析变 量关系上相较于人工神经网络或者支持向量机等其他暗箱方法具有更好的优势 [54],因此随机森林回归算法在遥感上的应用也越来越多。白琳等基于随机森林模 型结合多要素反演了近地表气温[旳;任梅芳等在进行气温降尺度研究时,对比了 多元线性回归MLR、人工神经网络ANN、支持向量机SVM与随机森林RF四 种方法,发现随机森林模型的模拟效果要明显优于其他几种方法的模拟结果〔旳。
(5)大气廓线外推法
由于大气温度在对流层内随着海拔的增加而垂直递减,因此依据该特性可 以建立大气廓线温度与近地表气温之间的关系。MOD07_L2/MYD07_L2是由 Terra和Aqua提供的晴天条件下5 km分辨率的大气廓线产品旳,Mende戶]利 用该产品及地表气压和实测绝热温度梯度来估算近地面2m高度的气温0Flores[59] 等在Mendez方法的基础上考虑了气压随海拔高度变化的影响,结合MOD07大 气温度垂直廓线和SRTMDEM数据估算了智利奥比奥地区卫星过境时的近地表 气温。
1.2.2.2近地表湿度遥感反演进展
空气湿度是体感温度的重要影响因子,当气温处于较为舒适(15.5〜26.5°C) 的范围时,空气湿度对人体感觉的影响不大,当气温较高或偏低时,空气湿度的 变化对人体热感的影响就较为明显。相较于近地表气温的遥感反演,大气水汽遥 感的研究相对较少,主要是基于大气柱水汽廓线或大气可降水总量,结合地面监 测数据建立统计回归方程所进行的反演。20世纪中叶,一些学者通过研究发现 近地表露点温度和高空大气水汽之间具有强相关性,并由此建立了二者之间的线 性关系20-61]。由于大气湿度廓线垂向分辨率不高,限制了其在近地表湿度反演中 的应用0],因此大气可降水量更适合于近地表湿度的遥感估算。Peng等建立大 气可降水量与空气比湿之间的经验模型,利用MOD05产品估算了近地表相对湿 ®[63]; Han等以地表温度、NDVI、TPW、DEM、儒略日和当地时间为自变量, 建立回归模型估算加拿大东部地区近地表的相对湿度国],结果精度约为10%o张 丹等将MOD05产品与常规气象观测数据相结合,建立了中国地区逐月地面水汽 压模拟统计模型[旳。虽然遥感是估算近地表湿度的有效方法之一,但反演过程中 的经验模型参数有着很强的区域性,导致模型的可移植性和普适性较差,结合陆 面过程理论和空气动力学理论,研究基于物理模型的近地表湿度估算算法,充分 利用高精度的大气温湿廓线数据,将有助于提高现有近地表湿度遥感反演的精度o 1.3研究目标与研究内容
1.3.1研究目标
基于多源遥感数据计算湿热指数(HMI)和净有效温度(NET)指数来表征 北京市夏季的体感温度,分析体感温度的空间分布规律,并与地表温度和近地表 气温进行对比,基于体感温度对北京市的夏季人体舒适度进行分级评价。
1.3.2研究内容
(1)根据北京市多年的气象站观测数据,对比体感温度与气温的时空变化
趋势,进行北京市夏季热环境的分析。

(2)利用 2017 年 7 月 10 日的 Landsat8 OLI/TIRS 数据、ASTER-GDEM 数 据和MODIS水汽产品提取影响体感温度的环境参数。利用公式直接计算和随机 森林算法分别得到湿热指数(HMI)和净有效温度(NET),进行变量重要性分析 和算法对比,并选择合适的指数来表征北京市的体感温度。
(3)基于遥感反演的体感温度,探究北京市体感温度的空间分布规律,对 比体感温度与地表温度和近地表气温的分布差异,依据体感温度对北京市的夏季 人体舒适度进行分级评价。


第二章研究数据和预处理
2.1研究区概况
北京市位于华北平原与燕山山脉、太行山脉的交接处,地理范围为 115。25‘〜117°30'E, 39。28‘〜41°36N,总面积达16810.54km2o地形呈西北高东南 低,西部和北部为山区,面积约为10200km2,占总面积的61%,平均海拔1000〜 1500m;东南部为平原区,面积约为6600km2,占总面积的39%,平均海拔20〜 60m。北京是典型的温带半湿润大陆性季风气候,夏季高温多雨,冬季寒冷干燥, 春秋短而冬夏长。年平均气温11〜13°C,年极端最高温35〜42°C,年降水量在 470〜600mm之间。
北京是我国的政治和文化中心,自20世纪70年代以来经历了快速的城市化 进程。50年间北京市基建投资建设增加近390倍,城市人口增加6.5倍[旳。截止 到2016年底,北京市的常住人口总数达到2172.9万人,城镇化率达到86.5%, 是一个人口密度超过1300人/平方千米的超大型城市o2017年北京市地区生产总 值及人均地区生产总值分别达到28014.9亿元和128997元/人⑹】。随着城市规模 的扩大,北京市单核心圈层式的发展模式极易影响其城市热环境,城市热岛强度 表现出逐年增强的趋势囱],这势必增加北京城区遭受夏季高温灾害的可能性。较 高的夏季高温发生概率、庞大的人口总量和高度的城镇化水平,使得北京的城市 高温灾害造成的影响越来越突出。因此本文选取北京市作为研究区,利用遥感手 段对城市空间的体感温度分布进行研究。

第三章基于站点资料的北京夏季热环境分析
气象环境、个体差异和暴露条件等因素都会对体感温度产生一定的影响,但 就宏观角度而言,人类生活在自然环境中,气象要素才是影响体感温度的主要因 子,气象要素及其变化对体感温度有着显著影响。本章根据获取的北京市多年气 象站点观测数据对北京城市热环境进行分析,描述时间尺度上气温和体感温度的 异同,对比站点数据与遥感反演结果的差异,体现基于遥感方式估算体感温度的 必要性。
第四章 体感温度的遥感反演
本章主要介绍体感温度的遥感反演过程。首先进行环境参数的计算,在选择 环境参数时主要基于两个原则,一是选取的环境参数应能直接或间接的影响地气 能量平衡;二是参与反演的环境参数必须是遥感方法可获得的。基于以上两个原 则,本文所选的参数包括地表温度、不透水面盖度、归一化植被指数、归一化水 体指数、地表反照率、高程、大气可降水量、空气动力学粗糙度长度和坡度坡向。 在此基础上引入湿热指数(HMI)和净有效温度(NET)两种体感温度指数,分 别利用计算公式和随机森林模型进行计算,对比两种算法的结果精度,实现体感 温度的遥感反演。
第五章基于遥感反演的北京市体感温度空间分布
基于2017年7月10日的遥感数据和气象数据,计算HMI指数和NET指数 来反映北京市夏季体感温度的空间分布特征,利用剖面特征分析来描述体感温度 在城市内部的变化趋势。从空间分布特征和温度范围两方面对比地表温度、近地 表气温、HMI指数和NET指数,最后以HMI指数为依据对北京市夏季热舒适度 进行分级评价。
第六章总结与展望
6.1结论
本文基于2017年7月10日的Landsat8 OLI/TIRS数据和1980〜2017年的气 象站点数据,以北京市为研究区,探索利用遥感手段计算城市地区的体感温度指 数。首先,通过多年观测资料分析了北京市长时间序列的气温、湿度、风速和体 感温度的变化趋势;其次,基于遥感数据分别获取地表温度、大气可降水量、不 透水面盖度、归一化植被指数、改进型归一化水体指数、地表反照率、空气动力 学粗糙度长度、地表坡度和高程这几类环境参数,进而反演出研究区的近地表气 温和露点温度。在此基础上,引入湿热指数(HMI),采用公式法和随机森林模 型两种方式分别计算并进行算法对比,选择反演效果更好的随机森林模型来计算 考虑风速影响的净有效温度(NET),并利用站点实测数据进行了验证;最后, 分析了北京市夏季体感温度的空间分布特征,对比了体感温度与地表温度和近地 表气温的分布差异,并依据体感温度对北京市的夏季人体舒适度进行分级评价。 主要结论如下:
(1)通过多年的气象观测资料对北京城市热环境进行分析,发现北京市近 四十年来的气候环境呈现出增温趋势、减湿、风速降低的趋势。气温增温率为0.33°C /10a,城区和郊区的气温差异扩大,表现出城市热岛效应的特征,热岛强度约为 l°c;湿度呈现远郊大于近郊大于城区的分布趋势,递减率约为0.5%/10a;风速 表现为波动下降的趋势,近十年来北京的平均风速保持在2m/s;体感温度整体呈 缓慢上升趋势,HMI指数的增温率为0.14°C/10a, NET指数增温率为0.26°C/10ao 多年气象数据表明北京变暖变干的趋势与城市化进程有着密不可分的关系,夏季 整体的气象环境不利于北京城区的散热降温。
(2)基于遥感方式反演影响体感温度的环境参数,利用计算公式和随机森 林模型分别计算HMI指数,结果表明公式直接计算的结果平均绝对误差MAE为 1.12°C,均方根误差RMSE为1.56弋,拟合优度炉为0.79;随机森林模型的平均 绝对误差MAE为0.98°C,均方根误差RMSE为1.37弋,拟合优度疋为0.85,对 影响HMI指数的各环境要素进行变量重要性分析,高程、地表温度和大气可降 水量是最主要的影响要素,其余要素起到间接影响的作用。算法对比结果表明随 机森林模型的精度更高,注重反映环境要素之间的相互作用而不是简单的进行数 值运算,所得结果更符合实际分布情况,在进行气温、体感温度等类似的温度场 反演时有着更好的表现。利用随机森林模型计算包含风速影响的NET指数,反 演结果的平均绝对误差MAE为0.83°C,均方根误差RMSE为1.0FC,拟合优度 2为0.73,估算结果较好。
(3)根据HMI指数和NET指数的瞬时遥感反演结果对北京市体感温度的 空间分布特征进行分析。两个指数空间分布规律具有高度一致性,都反映出北京 夏季体感温度存在着明显的空间差异性,东南部平原地区体感温度明显高于西部 和北部的山区,中心城区的体感温度高于郊区,并表现出环状递减的趋势,但NET 指数因为考虑了风速的降温作用,因此整体数值范围小于HMI指数。在城市内 部,由于功能区分布差异使得体感温度在相邻区域上也有明显差异。HMI指数最 高的是西城区,平均为39.8FC,最低的是延庆区,平均为30.75°Co当天北京共 有8个辖区的体感温度超过了 35°C,达到了高温天气水平,而北京同时刻的气 温均值只有29.99°C,在人口稠密的地区,例如中心城区、延怀盆地、密云河谷 等地,HMI指数一般比气温高5°C以上,这一差异的分布规律与湿度的空间分布 情况高度一致。
(4)基于HMI指数对北京市7月10日的人体舒适度进行分级评价,北京 市当天有7.5%的区域人体感觉舒适,81.3%的区域人体感觉略微不适,还有11.2% 的地区热环境让人觉得很不舒适,对应的区域分别是高海拔山地、郊区和低海拔 山地以及中心城区。北京当天没有地区的体感温度达到危险或者极度危险的水平, 但城区等人口稠密的地区仍需警惕闷热潮湿天气带来的潜在危害。