时空尺度下西安市7月平均气温的变化特点及相关性分析

许佳琳 崔晨风 王睿 彭晓蕾 刘宇诺 李欣愉

摘 要：气温变化研究作为气候变化研究的重要内容，对人类发展具有重大意义。依据1901—2017年中国1km月气候数据集，利用Mann-Kendall趋势检验法，分析了改革开放后1978—2017年西安市7月平均气温及范围的变化。结果表明：（1）1978—2017年西安市7月平均气温和平均气温在20℃以上的面积整体处于上升趋势，20世纪的增温率为0.535℃/10a，21世纪的增温率为0.114℃/10a;（2）西安市7月平均气温发生突变的年份是1994年，平均气温在20℃以上的面积发生突变的年份是1990年和1994年;（3）1997—2017年西安市最高气温出现在新城区，最低气温出现在周至县，蓝田县的增温率最高;（4）GDP、常住人口、绿化面积与平均气温极差变化具有显著的相关性。

关键词：平均气温;气温变化;相关性分析;西安市

中图分类号 P4 文献标识码 A 文章编号 1007-7731（2021）24-0121-04

近100年来，全球气候变暖毋庸置疑，2019年世界气候状况监测显示，全球气候系统变暖趋势进一步持续。针对气候变暖及其所带来的影响是近30年来国内外的研究热点。相关学者研究发现，三峡库区年平均气温上升速度与高程呈正相关[1];北京具有典型的城市热岛效应[2];福州和漳州的城市气温受下垫面的影响随着城市化的加深而增大[3];珠江三角洲地区城市化对气温时空变化有较大的影响[4];北京市城市化效应中夜间热岛强度明显大于日间[5];西安年平均气温、极端最低气温呈上升趋势[6];西安具有区域性的极端气温变化[7]等。虽然近年来有较多气温方面的研究，但较少涉猎于西部地区小范围内的气温变化情况。

本研究选择目前城市发展速度较快、城市扩张、人口过剩等问题较多的西安市为对象，根据1901—2017年中国1km每月温度和降水数据集，采用滑动平均法和Mann-Kendall趋势检验法对1979—2017年西安7月气温变化趋势进行分析，并将气温极差与GDP、常住人口、绿化面积进行相关性分析，探究在不同的时空尺度下当前城市化发展对西安市气温变化造成的影响，以期为揭示西安市气温变化规律提供科学依据。

1 材料与方法

1.1 研究区域概况 西安是陕西省省会，地处关中盆地中部，横跨渭河南北两岸，辖未央区、新城区、碑林区、莲湖区、灞桥区、雁塔区、阎良区、临潼区、长安区、高陵区、鄠邑区、蓝田县、周至县11个市辖区、2个县和功能区西咸新区。作为中国西部最大的城市之一，西部重要的文化、经济、政治中心，西安是西部的代表城市。西安市作为新亚欧大陆桥中国段——陇海兰新铁路沿线经济带上最大的中心城市，是国家实施西部大开发战略的桥头堡，具有连接南北、承东启西的重要战略地位，枢纽城市特点十分突出。近几年来，西安的城镇化水平不断提高，2020年年城镇化水平达73.42%，城区人口规模1020.35万人。较高的城镇化水平在助力城市快速发展的同时，所引起的环境问题，尤其是气温变化问题不容忽视。据高文兰等[6]研究发现，在西安市的城市平均气温增暖趋势中，城市热岛效应对其具有重要的影响。图1为利用Arcgis软件制成的2017年7月平均气温分布地图。

1.2 数据来源 本研究使用的西安市夏季7月平均气温数据集来自中国科学院水利部水土保持研究所副研究员彭守璋利用空间降尺度方案处理气候数据集（CRU v4.02），生成的1901—2017年中国1km月气温降水数据集[8]。所使用的西安GDP、常住人口数等相关数据均来自西安市历年统计公报。

1.3 数据处理 在ArcGIS 10.6中，将2015年全国县级矢量数据投影到地理坐标系中，并且按属性筛选出西安市的范围，将载有全国气温数据的NC数据文件导入软件中，并提取所需数据。利用按掩膜提取工具将对应西安市的气温提取出来，最后进行详细的数据处理与分析。将气温值划分为最低值至19.9℃、20～24.5℃、25℃至最高值3个区间，本文主要研究后2个区间。

1.4 研究方法

1.4.1 滑动平均法 以简单平均数法为基础，使用顺序逐期增减数据求算数据的移动平均值，进而获得预测结果。该方法可以较好地去除由于外部因素引起的突然波動对预测结果的影响，较好的推测出事物的发展趋势。为了提高数据的准确性，防止出现相位偏差，本文选择以5年的7月气温数据作为窗口长度。

1.4.2 Mann-Kendall趋势检验法 Mann-Kendall趋势检验法是非参数检验方法。该方法不需要样本遵从一定的分布，也不会受到少数异常值干扰，适用于顺序变量和类型变量。Mann—Kendall 趋势检验法是一种气候判断及预测方法，通过使用Mann-Kendall检验法可以判断出气候序列中的突变现象及其发生时间，检测气候变化影响下的降水、干旱频次趋势。Yue等[9]对比研究了Mann-Kendall趋势检验准确性，认为其与Bootstrap和t检验等相近。

设气温序列为x1，x2，...，xn，Sk表示第i个样本xi>xj（1≤j≤i）的累计数，定义统计量：

Sk=[i=1kri，ri]=[1，xi>xj0，xi≤xj，（j=1，2…，i;k=1，2，…，n）]

将Sk标准化：

[UFk=（Sk-ESk）varSk]

其中：UF1=0，[ESk，VarSk]是累计数Sk的均值和方差。按时间序列x的逆序再次重复上述过程，同时使[UBk=-UFk，k=n，n-1，…，1，UB1=0]。并绘出[UFk]和[UBk]曲线图。

若[UFk]或[UBk]的值大于0，则表明序列呈上升趋势，小于0则呈下降趋势。当它们的值超过临界直线时，表明上升或下降趋势显著。超过临界线的范围确定为出现突变的时间段。若[UFk]和[UBk]两条曲线的交点在临界线之间，那么交点对应的时刻便是突变开始的时间。

2 结果与分析

2.1 西安市7月平均最高气温随时间变化情况 图2所示为1979—2017年西安地区7月气温最高值变化情况，图3为利用滑动平均法的拟合成果。根据实测数据可以发现西安在近40年气温在震荡式持续上升，且21世纪后上升趋势逐渐减小。由滑动平均法所示结果，西安近40年气温在逐步上升且上升幅度在逐渐减小。使用滑动平均法的气温变化图能够减小短时间内气温变化的波动的更好地反映出西安市气温总体变化情况。从最高气温的数据经过线性拟合可以得到1978—2000年增温率为0.535℃/10a，2001—2017年增温率为0.114℃/10a。

2.2 西安市7月平均最高气温面积随空间变化情况 平均气温在20℃以上的面积成波动起伏式的上升，整体变化趋势与气温最高值变化类似，20世纪有明显的增长，2000年左右增长率开始降低。在20世纪平均气温在25℃以上的面积有明显的增长，2000年后增长率减小逐渐趋于平稳，而在20世纪平均气温在20～25℃的面积有明显的减少趋势，2000年后减少趋势减小。

2.3 西安市7个分区的气温增长比较 根据2015年全国县级矢量数据所得的7个分区周至县、长安区、新城区、临潼区、蓝田县、鄠邑区、高陵区进行气温增长情况的比较。利用线性拟合的方法分析可得，1997—2017年20年间，周至县的增温率为0.575℃/10a，长安区的增温率为0.59℃/10a，新城区的增温率为0.585℃/10a，临潼区的增温率为0.57℃/10a，蓝田县的增温率为0.625℃/10a，鄠邑区的增温率为0.59℃/10a，高陵区的增温率为0.55℃/10a，其中长安区、新城区、蓝田县、鄠邑区的增温率高于西安市的增温率0.585℃/10a，其中，西安市7月平均气温最高值位于新城区，最低值位于周至县。证明新城区是西安市最发达的区域，蓝田县近20年的发展较快。

2.4 西安市7月平均气温的时间变化特征

2.4.1 图5是西安市7月平均气温的Mann-Kendall检验图 在α=0.01的显著性水平下，临界值的范围为±2.58（细实线），在α=0.05的显著性水平下，临界值的范围为±1.96（细虚线）。UF（粗虚线）是气温序列的顺序统计量，UB（粗实线）是气温序列逆序的统计量。由图5可知，UF，UB曲线交点在临界范围内，对应年份为1994年，由此推断，1994年开始西安市7月平均气温发生明显的跃变，这一结论与王海燕等[11]指出的陕西省年平均气温在1993年发生增温突变，陕北、关中分别在1994年和1995年发生突变相对应。同时从图5也可以看出，1987年以前UB的值超过了α= 0.01的显著性临界值，说明这一段时间气温变化明显;2000年以前UB曲线的值不断地在减小但保持在零值以上，而UK曲线的值大于零，说明2000年以后仍处于增长趋势，但这一阶段的增长趋势较小。

图6所示的是1978—2017年西安市平均气温最低值和最高值的差值，从图6可以看到，UB曲线一直位于零值之上，且UB（粗实线）和UF（粗虚线）曲线没有交点，说明气温的差值没有出现明显突变。1978—1980年、1982—1987年和2000—2017年UF曲线值为负值，说明这期间气温差值为降低趋势，1980—1982年和1987—2000年曲线值为正值，说明这期间气温的差值为增大趋势，但未超过α= 0.05的显著性临界值，说明变化趋势不明显。

图7是西安市7月平均气温在20℃以上面积的Mann-Kendall检验图，在α=0.01的显著性水平下的临界值为±2.58（细实线），在α=0.05的显著性水平下的临界值为±1.96（细虚线）。UF（粗虚线）是面积序列的顺序统计量，UB（粗实线）是面积序列逆序的统计量。从图7可以看到，UF，UB曲线交点在临界范围内，对应年份为1990年和1994年，由此推断，1990年和1994年西安市7月平均气温在20℃以上的面积发生明显的跃变，面积变化趋势与气温变化趋势基本相近，其中1978—1980年和1982—1986年的UF曲线的值为负数，并且UB曲线的值超过α=0.05的显著性临界值，说明这几段时间面积减少趋势明显，在1986年之后UB曲线位于α=0.05的显著性临界值之下，并且UF曲线值大于零，所以1986年之后面积处于增加阶段且变化趋势不明显。

2.5 气温相关性分析 将7月平均气温最高值和最低值的温差的滑动平均值与GDP、常住人口、绿化面积进行相关性分析，分析结果如图8～10所示。

GDP是反映城市经济发展的重要指标，以西安市的GDP为自变量，以7月平均气温的温差作为因变量以二次多项式的方法进行相关性分析，发现二者呈显著相关（R2=0.9228），具体情况如图8所示。西安市的经济发展处于扩张阶段，经济发展初期GDP的增长对扩大温差的促进作用极为显著，而随着经济发展水平不断提高，GDP的增长对扩大温差的促进作用逐渐减小，当GDP增长至5200万元左右，对扩大温差甚至表现为抑制作用。随着社会经济的不断发展，人们对环保等问题的关注度更加提高、践行度更加强烈，在发展经济、扩大生产的同时将环保问题落实到了实处。

常住人口数量在一定程度上反映了城市规模的大小，以西安市的常住人口为自变量，以平7月均气温的温差作为因变量以三次多项式的方法进行相关性分析，发现两者存在显著相关（R2=0.8849），具體情况如图9所示。这说明城市常住人口变化是引起温差变化的一个重要驱动因素，并且人口增长对温差的影响程度较GDP对温差的影响程度较低，由于人口的增加、聚集会导致城市的各项生产活动增加，进而导致能源消耗的增加。

城市绿化在调节一个城市气温的过程中起着重要作用。城市绿地有利于防治大气、改善水体污染、改善土壤污染、改善城市气候环境、减弱噪声污染、最终提高城市的自然环境生态质量。以西安市的绿化面积为自变量，以7月平均气温的温差作为因变量，以二次多项式进行相关性分析，发现两者存在显著相关（R2=0.95），具体情况如图10所示，这说明城市绿化面积是引起温差变化的一个重要驱动因素，在城市面积和人口不断增加的情况下，城市绿化对于城市气温的影响较大。

3 结论

（1）对1978—2017年西安市7月平均气温数据进行整体分析，发现1978—2000年增温率为0.535℃/10a，2001—2017年增温率为0.114℃/10a。

（2）用Mann-Kendall检验发现，西安市7月平均气温发生跃变的年份1994年，平均气温在20℃以上的面积发生跃变的年份为1990年和1994年，二者的检验图整体变化趋势相近，通过检验图发现平均气温最高值最低值的差值处于上升阶段。1997—2017年中长安区、新城区、蓝田县、鄠邑区的增温率高于西安市的增温率0.585℃/10a，最高气温出现在新城区，最低气温出现在周至县，蓝田县的增温率最高。

（3）GDP、常住人口、绿化面积均与西安市7月平均气温最高值最低值的差值有着显著的相关性，表明它们与平均气温差值的变化发展有着密切关系。其中，绿化面积与温差的相关性最高。

致谢：感谢崔晨风老师和张楚天老师的指点、帮助。

参考文献

[1]王圆圆，李贵才，郭徵，等.1979年—2014年三峡库区月平均气温的时空变化分析[J].遥感学报，2018，22（03）：487-496.

[2]林学椿，于淑秋.北京地区气温的年代际变化和热岛效应[J].地球物理学报，2005（01）：39-45.

[3]官雨洁，刘寿东，曹畅.不同城市化程度的城市气温变化研究——以福州和漳州为例[J].热带气象学报，2018，34（04）：554-560.

[4]吴子璇，张强，宋长青，等.珠三角城市化对气温时空差异性影响[J].地理学报，2019，74（11）：2342-2357.

[5]季崇萍，刘伟东，轩春怡.北京城市化进程对城市热岛的影响研究[J].地球物理学报，2006（01）：69-77.

[6]高文兰，李双双，段克勤，等.基于均一化资料的西安极端气温变化特征研究[J].地理科学，2018，38（03）：464-473.

[7]李斌，解建仓，胡彦华，等.西安市近60年降水量和气温变化趋势及突变分析[J].南水北调与水利科技，2016，14（02）：55-61.

[8]Peng Shouzhang，Ding Yongxia，Liu Wenzhao，et al.1 km monthly temperature and precipitation dataset for China from 1901 to 2017[J].Earth System Science Data，2019，11：1931-1946.

[9]Sheng Yue and Paul Pilon.Interaction between deterministic trend and autoregressive process[J].Water Resources Research，2003，39（4）.

[10]王紹武，罗勇，赵宗慈，等.全球变暖的停滞还能持续多久？[J].气候变化研究进展，2014，10（06）：465-468.

（责编：张宏民）