城市化对四川盆地夏季气温变化影响的观测和模拟研究

肖宇昕, 吴钲, 方德贤, 何军, 汤剑平*

1 南京大学大气科学学院， 南京 210023 2 重庆市气象科学研究所， 重庆 401147 3 重庆市渝北区气象局， 重庆 401147 4 重庆市气象台， 重庆 401147

0 引言

土地利用及覆盖变化(Land Use /Cover Change，LUCC)与温室气体排放是人类活动对局地与区域气候变化产生影响的两种重要途径(Lawrence and Chase,2010).其中城市化便是人类活动引起下垫面改变而影响区域气候的极端表现，它可以通过对地表粗糙度、反照率和植被覆盖等产生影响，从而引起温度、风速等气象要素的改变(Pielke and Avissar，1990; Mahmood et al., 2014;杨续超等，2010).在全球变暖背景下，随着中国城市化进程的不断加速，城市化扩张对局地天气、气候的影响问题得到了越来越多的关注(季崇萍等，2006；王咏薇等，2008；张雷等，2011).

城市化能显著影响局地的气温，其中最显著的表现形式之一就是城市热岛效应(Urban Heat Island effects，UHI)，它指城市的气温比其周边自然环境气温高的现象.城市化对局地和区域气温影响的研究已经在全世界范围内得到广泛研究(Kalnay and Cai, 2006; Zhou et al., 2004; Jazcilevich et al.,2000; Philandras et al.,1999; Fall et al., 2010).Sun 等(2016) 利用中国地区2400多站的逐日观测资料分析了城市化对中国区域增暖的贡献，表明城市化对中国地区气温增暖贡献了大概1/3的幅度.气温观测资料中包含了温室气体效应，城市化和其他土地利用变化等的共同效应，又由于城市发展和观测的不可逆性，如何合理分离出城市化影响气温的信号是开展后续研究的关键步骤.当前，定量研究城市化对气温变化的影响主要有三种方法：城郊站点比较法(UMR)，观测减再分析法(OMR，Kalnay and Cai, 2003)和数值模拟方法.UMR方法是在城市站附近按照一定的原则遴选乡村站，对比城乡站点观测到的差异来表征城市化对气温的影响(谢志清等，2007；吴婕等，2015)，但由于中国地区很多观测站都在城郊附近，乡村站点难以严格界定，很难分离乡村站自身受城市化的影响.Kalnay和Cai(2003)提出了采用地面观测资料和再分析资料趋势的差值来估算城市化的影响，主要的假设是基于再分析数据没有同化地面观测资料，从而不受城市化长期变化的影响.该方法在中国区域城市化影响气温的研究中已经得到了广泛应用(孙敏等，2011；郑有飞等，2014).Yang等(2011)利用OMR方法研究了中国东部地区城市化扩展对平均气温的影响，得到城市化和其他土地利用变化对区域增暖的贡献为24.22%.随着计算机技术和高分辨率大气数值模式的快速发展，利用高分辨率数值模式进行城市化对区域气候影响的研究也在广泛开展(李欣等，2011; 汤剑平等，2004).吴风波等(2015)利用耦合城市冠层的WRF模式研究了城市化对长江三角洲夏季区域气候变化影响，发现城市化使得以上海为中心的长三角城区气候态平均气温显著升高，气温升高最大值达0.8 ℃.Zhao和Wu(2017)利用MM5也模拟了不同年度城市扩展对中国区域气候变化的影响.虽然已有较多研究工作探讨了中国区域城市化发展对区域温度的影响，但这些研究基本集中在中国3大城市群区域(京津冀，长江三角洲，珠江三角洲)，而在我国西南地区开展的研究还较少.

近年来，成都和重庆区域的经济快速发展，城市化进程也显著加快.高速的城市化进程使四川盆地内城市区域的热岛效应问题凸显，引起人们越来越多地关注(唐国利等，2008).白莹莹等(2015)利用重庆地区17个站点和再分析资料，研究了城市化进程对重庆夏季高温炎热天气的影响.程志刚等(2016)利用2000—2010年MODIS地表温度产品，结合夜间灯光数据分析了成都地区夏季城市温度及城市热岛变化的分布特征，表明城市热岛对区域的增暖有明显的贡献，并在2010年达到0.29 ℃.以上研究表明快速的城市化发展对四川盆地区的温度，特别是夏季气温变化有显著影响，但这些研究的时段还相对较短，所用站点资料较为稀少，同时也缺少高分辨率数值的区域气候模拟验证.因此，为了更深入探索城市化对四川盆地夏季气温的影响，非常有必要利用更多的观测资料和更长的时间序列进行统计分析，并结合数值模拟方法开展较为系统的研究.

本文首先利用经过均一化检验和订正的四川盆地区域长期气象观测站资料，采用OMR方法分析了城市化及其他土地利用变化对夏季气温(包括平均，最高和最低气温)变化趋势的影响.进一步结合区域气候模拟数值试验，验证了城市化进程对四川盆地内大型城市(成都和重庆)区域气温的影响并尝试探讨了可能的原因和机制.

1 资料与方法

1.1 数据资料

研究中用到的观测资料选取了中国西南部地区地理范围介于27°N—33°N，103°E—109°E之间的169个地面观测站点1998—2012年逐日的地面2 m平均气温和最低最高气温数据，站点分布如图1所示.OMR方法中用到的再分析资料选择同时段美国国家环境预报中心 NCEP(National Centers for Environmental Prediction)与美国能源部DOE(Department Of Energy)合作研制的NCEP/DOE AMIP-Ⅱ Reanalysis资料2 m高度上逐日的最高和最低气温数据(以下简称NCEP/DOE)，数据为高斯格点分布，全球共192×94个格点.资料中没有同化地表温度、水汽和地表风的观测，只同化了相关上层大气观测数据，因此可以认为资料中的地表温度不受城市化及土地利用类型的影响，仅反映由于温室气体的排放和大气环流所引起的大尺度气候变化(Kanamitsu et al.，2002).所以地面观测结果减去NCEP/DOE全球再分析资料对应的温度趋势差而得到的OMR值便可以用来反映由于下垫面变化引起的局地气温变化情况，表现出各种形式的土地利用与气候变化间的关系.

图1 WRF模拟区域及地形及观测站点(黑圆点)Fig.1 WRF simulation domain with distribution of meteorological stations (black dots)

1.2 WRF模拟试验设计

模拟试验所采用的模式为美国国家环境预报中心NCEP和美国国家大气研究中心NCAR(national center for atmospheric research)联合研发的新一代中尺度天气预报系统WRFV3 (版本3.6.1).该模式采用非静力动力框架且包含较多的物理过程参数化方案，已经广泛应用于城市化区域气候效应的模拟研究(吴风波等，2015；Zhao and Wu，2017).模拟试验中心位于30.5°N，107°E，水平分辨率8 km，经纬向格点数各为150(如图1).模拟时间选取1998—2012年每年夏季的5月16日到9月1日，前16天(5月16—31日)作为模式spin-up时间，仅对夏季6月、7月、8月的试验结果进行分析.模式积分步长20 s，垂直30层，向内取14个格点为模式缓冲区.模拟试验所采用的物理参数化方案包括：WSM5微物理过程方案，CAM3长波、短波辐射过程方案，Monin-Obukhov近地面层方案，Noah陆面过程方案，YSU边界层方案，UCM城市冠层方案及Betts-Miller-Janjic积云对流参数化方案.模拟试验的驱动场来自欧洲中期天气预报中心ECMWF(European Centre for Medium-Range Weather Forecasts)第3代全球再分析资料(ERA-Interim)(Dee et al., 2011)，该资料的水分辨率为0.75°×0.75°.

本文开展了3组不同城市化下垫面的模拟试验：第1组试验(以下简称Urb1998)采用固定的川渝地区1998年城市下垫面信息，如图2a所示，该时期四川盆地城市区域较小，反应了成都、重庆及周边在城市化快速发展前的特征；第2组试验(简称Urb2012)采用了固定的2012年城市下垫面信息(图2h)，反映了四川盆地区域城市化快速发展后的特征；第3组试验(CTL)采用1998—2012年逐年变化的川渝地区城市下垫面信息，反映了四川盆地1998—2012年较接近真实城市化陆面变化的年变化特征.3组试验除下垫面信息以外，其他WRF模式参数设置均相同.下垫面信息中城市面积的获取是通过将美国国防气象卫星计划DMSP(Defense Meteorological Satellite Program)夜间灯光数据与由美国地理测量局USGS(United States Geological Survey)提供的土地利用资料中城市面积对比，获取到会使得提取出的灯光区范围与实际城区范围较一致的灰度值经验阈值，再用该阈值处理逐年DMSP夜晚稳定灯光数据得到1998—2012年每一年的城市面积.灯光数据由美国DMSP卫星上搭载的传感器获得，已广泛用于城市面积的提取和研究(Croft, 1978; Imhoff et al., 1997; Henderson et al., 2003;陈晋等，2003;何春阳等，2006).这里CTL试验中所使用的1998—2012年灯光反演得到成都及重庆区域城市面积变化如图2所示，可以看到两大都市的城市范围随时间在不断扩张.

1.3 数据处理

为避免台站迁移、观测仪器更换等因素对气候序列均一性造成的可能影响(李庆祥等，2003)，利用RHtestV4软件包(Wang and Feng,2013)对四川盆地区域169个观测台站1998—2012年的逐日气温序列进行了均一性检验及订正.RHtest方法的原理主要是基于惩罚最大T检验(PMT)和惩罚最大F检验(PMFT)，经验性地考虑了时间序列的滞后一阶自相关，并嵌入了多元线性回归算法.本文主要是根据无需参考序列的PMFT方法进行断点的检测，发现了具有可靠断点的5个站点，分别为56380洪雅站，56383青神站，57518巴南站，57612綦江站，57633酉阳站；并分别对这些站点的地面气温气候序列数据进行了基于平均值调整(mean-adjusted)的订正(Wang,2008a; Wang, 2008b).

用于统计分析的WRF模式试验结果和再分析数据都采用双线性插值的方法处理到了与站点观测资料相同的区域范围和分辨率，并根据温度直减率进行了地形订正.最后采用线性倾向估计法来计算各站点温度序列的变化趋势，通过趋势对比获得城市化对温度气象要素的影响.

图2 1998—2012年城市范围演变(暗色区域为城市面积，图示逐两年变化)Fig.2 Expansion of urban areas during 1998—2012, showing is a biennial change

2 结果分析

2.1 基于OMR方法分析城市化对地面气温变化的影响

首先基于台站的逐日地面气温(平均，最高和最低)观测资料，根据Kalnay和Cai(2003)提出的OMR方法计算了站点地面气温序列和再分析序列线性趋势的差值.由于NCEP/DOE再分析资料中没有同化地表温度、水汽和地表风的观测，可认为其中的地表气温不受土地利用类型的影响，仅反映由于温室气体的排放和大气环流所引起的大尺度气候变化.因此，站点观测和再分析资料序列线性趋势的差值反映了城市化和其他土地利用变化对地面气温长期变化的影响.在运用OMR方法之前，从时间变化和空间分布检验了再分析资料在研究区域的可靠性.首先比较了NCEP/DOE再分析资料和站点观测的月平均地面气温在四川盆地区域的时间变化特征，图3为选取2个站点(温江56187，沙坪坝57516)的月平均地面平均气温，最高和最低气温的时间序列图，从中可以看到虽然再分析资料和观测之间有偏差，但二者的变化特征非常一致，月平均温度变化序列的相关都在0.85以上.图4为站点观测和再分析资料的1998—2012年夏季平均温度及其变化趋势的空间分布特征.受盆地地形特征影响，夏季四川盆地地区为地面气温高值区，而周边高海拔地区地面气温相对较低；再分析资料能非常合理地再现近15年平均四川盆地夏季地面气温的分布，但盆地西南部区域的地面气温略有偏高.从近15年地面气温的变化趋势上看，四川盆地大部分地区有明显的增温，线性趋势为0.1 ℃·a-1左右，而在盆地的北部部分区域有弱的降温趋势；NCEP/DOE再分析资料的地面气温趋势分布和站点观测基本一致，除盆地北部部分区域的降温趋势外，其他地方都是增暖，但增暖趋势略高于站点观测.同时也对再分析资料显示的日变化特征和年际变化进行了分析，大部分站点的逐日序列与观测资料相关系数在0.6以上，大部分地区均方根误差均小于3 ℃，在地形复杂区域稍大.再分析资料的温度年际变化序列与各站点观测序列的相关系数几乎都超过了0.8，均方根误差也基本在1 ℃左右.这些检验结果都表明了NCEP/DOE再分析资料基本能够再现四川盆地区域各站点的地面气温变化特征.

图3 日平均气温(t2m)，日最高气温(tmax)和日最低气温(tmin)观测和再分析资料的月序列 (a—c) 温江站; (d—f) 沙坪坝站.Fig.3 Monthly mean series of observed and NCEP/DOE Reanalysis surface air temperature (a—c) Show daily mean temperature, daily maximum temperature and daily minimum temperature of Wenjiang station (56187), (d—f) is Shapingba station (57516)

图4 再分析资料(a—c，g—i)与观测(d—e，j—l)1998—2012年夏季日平均气温(t2m)， 日最高气温(tmax)和日最低气温(tmin)及其变化趋势Fig.4 Spatial distribution of summer daily mean temperature, daily maximum temperature and daily minimum temperature (a—f) and trends (g—l) from 1998 to 2012 based on NCEP/DOE and observation

根据OMR方法的计算公式，采用台站观测资料计算的温度变化线性趋势值减去再分析资料计算得到的温度变化线性趋势值，得到了四川盆地区域1998—2012年共15年期间夏季平均地面气温，日最高、低气温的OMR趋势空间分布(图5).由图可见，夏季平均地面气温的OMR趋势在四川盆地内基本都是正值，OMR值的大小在0.03 ℃·a-1左右，且在重庆和成都等大城市圈附近的OMR正值更明显；而在盆地的南北两侧区域及重庆东部地区为弱的负值.夏季日最高气温的OMR趋势和地面气温的OMR分布基本相似，在成都和重庆等大城市区域附近，以及盆地东部区域为正值，而在四川盆地以南贵州等地区为负值.与平均气温和日最高气温不同，夏季日最低气温的OMR趋势值在整个区域内基本都是正值，且在四川盆地区域的OMR正值最大，部分站点超过0.1 ℃·a-1.这些结果表明，1998—2012年期间四川盆地及周边区域的城市化及其他土地利用变化对地面气温有较明显的影响，特别是在大城市圈附近，而且对日最低气温的影响更显著.

2.2 城市化对四川盆地地面气温影响的数值模拟

为了进一步验证城市化土地利用变化对四川盆地地面气温变化的影响，利用数值模式WRF开展了3组不同城市化下垫面分布变化的模拟试验(Urb1998,Urb2012和CTL试验).下面将在检验模式模拟性能的基础上，分析城市化变化对四川盆地地面温度变化的影响.

2.2.1 利用WRF模式对1998—2012年四川盆地夏季地面气温模拟的检验

选用WRF的CTL试验进行模拟检验.CTL试验采用1998—2012年逐年变化的城市下垫面信息，更接近真实的城市化变化特征.通过与实际站点观测的对比分析，分别从气候平均态，逐日相关和年际变化三个方面检验模式的模拟效果.

图6展示的是WRF模式CTL试验模拟的1998—2012年夏季平均温度及其与站点观测差值的空间分布，可以看到WRF模拟的夏季平均温度分布与观测较为接近(图4d)，在盆地区域温度较高，周边高海拔地区温度较低；模式模拟的温度分布空间相关系数均在0.95以上，且平均地面气温的均方差误差只有0.83 ℃,日最高和最低气温的RMSE也在1.5 ℃以下.从WRF模拟减去观测的差值(图6d—f)也可以明显看到，模式的偏差基本都在2 ℃以内，对于四川盆地内的城市区域日平均地面气温和日最高温度略有高估，同时低估了盆地区域内及重庆南部贵州等区域的日最低温度.总的来说，WRF模式能够较合理再现四川盆地区域夏季平均地面气温的空间分布特征，对盆地内的平均和最高温度有所高估，而最低温度则有所低估.

进一步评估了WRF CTL试验对四川盆地区域地面温度逐日变化的模拟能力.图7计算了WRF模式模拟的夏季温度逐日变化序列与实际观测的相关系数(图7a—c)及均方根误差RMSE(图7d—e)，从空间分布图中可以看到模式对日平均地面气温逐日变化的模拟能力相对较高，相关系数在整个模拟区域都超过了0.8；对于日最高和最低气温逐日变化模拟的时间相关系数基本在0.6以上.同时模拟的日平均气温，日最低气温的均方根误差在2 ℃左右，对于日最高温度模拟的均方根误差稍大.

图8计算了模拟与观测的各站点1998—2012年夏季地表日平均气温，日最高气温和最低气温年际变化序列的相关系数和均方根误差.从中可以发现，WRF模式能基本合理再现各站点地面气温的年际变化特征，除了日最低气温在盆地西侧地形边缘的个别站点的相关系数稍低为0.6，在其他大部分站点都超过了0.8；对于日平均气温，日最高气温的均方根误差模拟，除了盆地西侧的部分站点以外，大部分站点RMSE在2 ℃以内，对于日最低气温盆地区域的模拟均方根误差稍大一些.

最后检验了WRF模式CTL试验对四川盆地夏季平均气温年际变率(用标准差表示)特征的模拟能力.图9为站点观测与WRF模式模拟的1998—2012年夏季平均地面气温年际变率空间分布，从图中可以看到站点观测到地面气温的年际变率都是在四川盆地区域有高值区，而在周边区域为低值；其中日最高气温的年际变率最大，在盆地区域超过了1.2 ℃，其次为日平均气温变率达0.8 ℃，而日最低气温的年际变率相对较小，大部分都在0.4 ℃左右.WRF模式较好地模拟出了夏季平均地面气温年际变率的空间分布特征，即在四川盆地为年际变率的高值区，而在周边地区为低值区.同时，WRF模式也能模拟出夏季日平均气温，日最高和最低气温三者的年际变率差异，日最高气温的年际变率最大，盆地大部分区域超过了1.2 ℃，其次为日平均气温和日最低气温；但模式模拟的年际变率比观测略偏大，特别是在盆地边缘的地形区域.

综上，从WRF模式对四川盆地地面气温的平均分布、逐日和年际变化的模拟结果来看，模式都能较合理地再现四川盆地川渝地区夏季气温的时间和空间变化特征，该模拟试验结果可以用于对于该区域城市化效应的研究.

图5 1998—2012年台站观测与NCEP/DOE资料日平均气温(t2m)，日最高气温(tmax)和 最低气温(tmin)变化趋势之差(OMR值)Fig.5 The OMR trends (obs trend minus NCEP/DOE trend) of 1998—2012 summer surface air daily mean temperature, daily maximum temperature and daily minimum temperature

图6 WRF模式CTL试验模拟的1998—2012年夏季日平均气温，日最高气温和最低气温(a—c) 及其与站点观测的差值(d—f)Fig.6 Summer mean surface air temperature of 1998—2012 based on simulation (a—c) and the difference (d—f) with observation

图7 1998—2012年夏季地表日平均气温，日最高气温和最低气温与观测结果逐日相关系数(a—c)和均方根误差(d—f)Fig.7 The correlation coefficient (a—c) and root-mean-square error (d—f) of summer daily surface air temperature of 1998—2012 based on simulation and observation

图8 1998—2012年夏季地表日平均气温，日最高气温和最低气温与观测结果逐年相关系数(a—c)和均方根误差(d—f)Fig.8 The correlation coefficient (a—c) and root-mean-square error (d—f) of summer yearly surface air temperature of 1998—2012 based on simulation and observation

图9 观测与模式模拟1998—2012年夏季温度年际变率Fig.9 Standard deviations of summer mean surface air temperature of 1998—2012 based on observation and simulation

2.2.2 不同城市化进程对四川盆地地面气温变化影响的模拟

图10 3组试验模拟下重庆(a)，成都(b)日平均气温， 日最高气温和最低气温逐年变化Fig.10 Summer surface air temperature in Chongqing (a), Chengdu (b) area using three different simulation

基于数值模拟试验设计的四川盆地区域3组不同城市陆面特征的试验结果(Urb1998, Urb2012和CTL试验)，选取106°E—107°E，29°N—30°N范围内2012年的城市格点作为重庆的城市化影响区域的平均，选取103.5°E—104.5°E，30°N—31°N范围内城市格点作成都城市化影响区域的平均.图10讨论了3组试验中夏季(6,7,8月)2大城市群区域地面平均气温，最高和最低气温时间序列，同时计算了温度的变化趋势(表1).从图中可以观察到对于日平均气温，日最低最高气温的模拟中，城市化面积较大的Urb2012试验的温度高于Urb1998年固定城市面积小的试验；同时由于两组试验中每年的城市面积固定，两者模拟的温度变化趋势小于城市面积逐年增长的CTL试验显示出的升温趋势.结合表1对比3组试验的差异，同样可以观察到城市化对于日最低温的影响大于对日平均气温，对日最高气温影响相对稍小.从表中我们看到3组模拟试验得到夏季的平均气温和日最高最低气温在成都和重庆都呈现上升趋势，但上升程度有所差异.Urb1998和Urb2012试验的气温的上升趋势基本一致，而CTL试验显示出的升温趋势明显高于城市范围保持不变的2组试验，表明了逐年增长的城市下垫面会对平均温度和日最低温度的变化趋势产生较大的影响.成都地区CTL试验中的最低气温升温趋势达到了0.22 ℃·a-1，比Urb1998试验中高出了0.20 ℃·a-1.同时，从表中可以看到不断扩张的城市下垫面对成都的日平均气温和最高气温的上升趋势也分别产生了约0.15 ℃·a-1和0.06 ℃·a-1的影响.对于重庆区域，扩张的城市化升温趋势(CTL试验)也比城市面积不变的两组试验中日最低气温趋势高约0.16 ℃·a-1，对日平均气温和最高气温的影响分别约为0.13 ℃·a-1和0.06 ℃·a-1.通过以上对比重庆和成都两个城市区域的CTL试验与另外两组固定城市下垫面试验的增温趋势差异，可以发现城市化下垫面特征的逐渐扩张将显著增大夏季地面气温尤其是日最低气温的升高趋势.

表1 3组实验下成都、重庆1998—2012年夏季温度变化趋势(单位：℃·a-1)Table 1 Trend of surface air temperature in Chengdu, Chongqing area using three different simulation (unit:℃·a-1)

最后参照OMR的原理和计算方法，用城市面积逐年变化的CTL控制试验的温度变化趋势减去固定城市面积的试验Urb1998温度变化趋势(也可以减去Urb2012试验趋势，会得到类似的结果)，来定量衡量不断扩张的城市下垫面对地面气温变化的影响.图11展示了CTL试验与Urb1998试验夏季地面平均气温，日最高和最低气温长期变化趋势差值的空间分布特征，从图中可以看到WRF模拟的逐年城市化扩张对于气温变化趋势的影响均为增温效应且其中对最低气温的影响最为显著，在城市区域附近对最低温度的变化趋势增加影响超过0.15 ℃·a-1；而对最高温度的变化趋势的影响则相对较弱，在城市区域的增暖趋势变化也仅在0.5 ℃·a-1左右；对日平均地面气温的影响也较为明显，影响的空间分布特征类似日最低温度.这些模式模拟结果与图5利用观测资料得到的OMR结果较为相似，同样都反映了城市化的变化对日最低气温变化趋势的显著影响，同时模式模拟的城市化对温度变化趋势的影响程度也和观测的较为接近.综上分析，对比不同城市化进程模拟试验得到的结论与2.1节中采用OMR方法计算出的城市下垫面信息改变对升温趋势影响得到的结果较为一致.

2.2.3 城市化下垫面影响气温变化的可能原因

为了进一步探讨城市化影响温度变化的机制，分析了由城市化陆面变化引起的反照率及地表能量变化特征.图12展示了Urb2012试验减去Urb1998试验得到的地面气温(包括平均，日最高和最低气温)，地表反照率，感热和潜热差值的空间分布特征.从中可以发现，城市化下垫面的改变对于日最低温度的影响相对更加显著.这是由于最低气温通常发生在夜间，不受太阳辐射影响，最低气温的改变更直接地反映出下垫面土地覆被特征的变化.同时发现Urb2012试验中成都和重庆区域的地表反照率和潜热在城市扩张区域要明显小于Urb1998试验，而感热释放则要更大.这表明了城市化的扩张会降低下垫面的地表反照率从而增加了地面的短波辐射吸收和净辐射(图略)，同时城市地表的不透水性会使得水汽蒸发减少，从而减少潜热而增加地表感热.以上这些陆面特征的变化进一步影响了地表的能量收支，从而改变了局地的热力结构，最终影响到城市及其周边的温度变化，使城市区域的地表温度明显增加.而随着城市化的不断扩张，城市陆面变化改变对区域地面气温的影响也逐渐加大，从而使得城市化影响区域的温度变化趋势呈明显的增暖趋势.

图11 1998—2012年不同城市化进程的模拟日平均气温，日最高气温最低气温变化的趋势差值分布Fig.11 The difference of temperature trends of 1998 to 2012 between simulation CTL and Urb1998

图12 Urb2012试验与Urb1998试验模拟的气温(a—c)，地表反照率(d)，潜热(e)和感热(f)差异Fig.12 The difference of temperature (a—c), albedo (d), latent heat (e) and sensible heat (f) between simulation Urb2012 and Urb1998

3 结论

本文在对站点观测资料进行均一性检验和订正的基础上，分析了四川盆地区域1998—2012年夏季地面2 m温度(包括平均气温，日最高最低气温)的变化趋势.并通过观测资料变化趋势减去再分析资料趋势差值的OMR方法定量分离出下垫面信息对于地面温度变化的影响.在此基础上，进一步通过合理设计固定城市区域变化的Urb1998、Urb2012和城市化区域逐年变化的CTL试验，验证了四川盆地区域城市化变化对于地面温度变化趋势的影响，得出以下结论：

(1)基于站点观测和再分析资料的OMR结果表明成都和重庆两个大城市区域下垫面的改变对于夏季地面2 m气温的升温趋势影响可以达到0.1 ℃·a-1，其中对日最低气温的升温趋势影响最为明显，对平均气温和最高气温影响相对稍小.

(2)WRF模式模拟的CTL试验可以合理模拟出四川盆地及附近地区夏季气温的分布特征，试验对于多年平均温度气候态空间分布特征，逐日平均气温和日最高最低气温的时间序列变化特征及温度年际变化的模拟也都与站点实际观测比较接近.模拟结果具有较高适用性，可用于四川盆地区域夏季气温变化的研究.

(3)不同城市化进程试验模拟的气温变化趋势差值与基于站点和再分析数据的OMR结果类似，都表明了重庆成都区域的城市下垫面对地面2 m温度的变化趋势有显著影响，尤其是对于日最低气温的变化趋势影响最为剧烈.

致谢感谢评审专家们提出的宝贵意见.