西安高温热害人口暴露量及其受灾指数预估研究

杨雯倩，史培军，张钢锋，杨胜利

（1.北京师范大学地理科学学部，北京 100875；2.北京师范大学地表过程与资源生态国家重点实验室，北京 100875；3.应急管理部-教育部减灾与应急管理研究院，北京 100875；4.兰州大学资源环境学院，甘肃兰州 730000；5.青海师范大学高原科学与可持续发展研究院，青海西宁 810008）

引言

灾害风险是指未来某段时期内某个区域灾害损失的可能性大小，其核心在于未来致灾事件发生的可能性及由其造成的损失和损害，科学的灾害风险评估与灾害风险防范是当前地理学、生态学、环境科学等多学科极为关注的前沿问题［1］。狭义灾害风险评估是对灾害系统的致灾成害关系的评估，其中承灾体脆弱性评价指标——承灾体对致灾因子的暴露度是重要的评估指标之一［2］。暴露是指处在致灾因子影响范围内的承灾体（如人口、财产等）的数量或价值，是灾害风险存在的必要条件［3］。本研究定义高温暴露人口为高温设防条件下受到其影响、伤害的人口总量。

已有研究的预测结果表明，到21世纪末为止，世界范围内大部分陆地区域的高温频率和强度很可能呈增加趋势［4］。2019年《中国气候公报》指出，我国极端高温事件偏多，2019年平均气温10.34℃，较常年偏高0.79℃，为1951年来的第5个暖年［5］。全球气候变暖与快速城市化相互叠加，导致人口密集的主城区人口、经济更易受到高温热害的胁迫，也加剧了人口的暴露程度，进一步增加了城市居民高温健康风险［6，7］。因此，准确合理评估人口高温热害暴露度，对预估未来人口高温热害风险有重要意义。

目前为止，对高温热害的研究主要集中于致灾危险性的时空分布特征、人口暴露度的预估，人群健康风险分析等［8，9，10，11］，且有关人口对高温等极端天气暴露度的研究较少考虑设防的因素［12，13，14，15］，因此，本文以西安市为例，构建了在设防条件下定量评估高温人口暴露及预测未来暴露人口变化的模型，在此基础上，分析了西安市高温人口暴露的时空变化特征，以期为高温热害人口风险评估提供重要科学与理论依据。

1 数据来源与研究方法

1.1 研究区域

西安市位于渭河流域中部关中盆地，介于107.40°-109.49°E，33.42°-34.45°N之间，北濒渭河、南邻秦岭。西安境内海拔高度差异悬殊，地貌以山地与平原为主体。当地属暖温带半湿润大陆性季风气候，冷暖干湿四季分明。气象灾害有暴雨、洪涝、干旱、干热风、高温等［16，17］。

西安全市辖未央、新城、碑林、莲湖、灞桥、雁塔、阎良、临潼、长安、高陵、鄠邑11个区及蓝田、周至2个县，占地约10 752 km2。2019年末全市常住人口达1 020.35万人，其中城镇人口761.28万人，占常住人口比重74.61%，人口城镇化明显。

1.2 数据来源

本文的研究时段为2005-2019年，气温数据来自国家气象信息中心提供的中国国家级地面气象站基本气象要素日值数据集。包括2005-2019年西安市日最高气温、日平均气温等基本气温数据。选取西安市气象局下属的6个气象基本站（周至、户县、长安、高陵、临潼、蓝田）、1个气象基准站（泾河）的气象数据进行分析。

利用Matlab筛选出7个站点的日最高气温，并对其求均值，以求得的平均日最高气温代表西安市的高温状况，分析西安市2005-2019年日最高气温的时间变化特征。

遥感影像数据来自地理空间数据云网站下载的Landsat8OLI_TIRS系列遥感影像，成像日期分别为2016年6月10日和17日，2018年7月18日和25日，2019年7月5日和8月13日，这六期数据含云量较低，可见度高，影像成像质量较好，可用于地表温度反演。由于西安市有3景影像覆盖（以2016年影像为例），框线内左图左侧的影像为第1、2景，右边为第3景（图1），两期影像获取日期相近，同属高温日且温差较小，且95%以上区域都在第1、2景影像下，因此可将二期影像当作同期数据处理，并默认处理结果为1、2景影像当天的地表温度。

图1 西安市遥感影像图（2016年6月10日）Fig.1 Remote sensing image of Xi′an（10th June，2016）

本文的人口数据来自西安市2005-2019统计年鉴中的人口普查数据，主要选取西安市常住人口，主要年份人口变动情况，全市及各区县人口数和户数，全市居民家庭每百户年末耐用品（空调）拥有情况。

1.3 高温指标计算方法

本文的城市高温人口热害按照中国气象局（CMA）标准，将城市中日最高气温大于等于35℃的天气定义为高温日。通过极端高温日数、高温有效积温，分析西安市15年间高温的时间变化特征（2005年西安站改为泾河站，统一使用2005年后的数据避免迁站前后的差别）。高温日数是该区域内当年日最高气温Tmax≥35℃的累计高温天数；高温有效积温（EAHT）指该站点一年内所有的日最高气温Tmax超过高温阈值（日最高气温大于等于35℃）的累积温度［18］。

由于站点数据插值得到的面数据，无法精细准确地反映地表温度的变化情况。因此，本研究借助ENVI软件对地表温度进行遥感反演，有研究表明辐射传输方程法［19，20，21］精度较高，可反映地表温度变化情况，由此本研究采取辐射传输方程法对温度进行反演（图2），得到3幅西安市地表温度分布图，并对温度精度进行验证。

图2 遥感数据处理流程图Fig.2 The flow chart of remote sensing data analyses

根据中国气象局日值数据中的0 cm地表温度数据，各年西安市0 cm地表温度反演精度如表1。地表遥感反演温度高值和低值都比实际温度低，这是因为反演过程中选取的大气剖面数据为卫星过境的时间（凌晨3点左右），此时地表温度偏低，同时由于2018年7月25日的该景影像云量为10.96%，对低值的反演有影响，使反演的低值误差较大，但总体来说，遥感反演的温度可表示西安市地表温度。

表1 地表遥感反演温度精度验证表Table 1 Verification of surface temperature accuracy

1.4 高温热害人口暴露计算方法

（1）西安市个人空调拥有率计算

选取西安市统计年鉴中城镇与农村的家庭年末每百户耐用品-空调拥有情况、每户常住人口等数据进行计算（表2），因2014年统计标准改变，空调拥有量数据突变，为消除因统计标准改变造成的误差，以2014-2019年为基准时期，利用灰色模型对2019年之后的数据进行预测，有研究表明，灰色模型在小样本数据预测中的应用较多［22，23，24］。

表2 西安常住人口及家庭每百户年末空调拥有情况Table 2 The permanent population and the air condition ownership of each hundred households of Xi′an

具体方法步骤如下：

2）构建GM（1，1）模型，对生成数列建立一阶微分方程：

3）用最小二乘法求解灰参数a和u。

4）根据公式还原序列得到模拟值与预测值，利用模型进行预测：

当k≤n时为模型拟合值，当k＞n时为模型预测值。

5）对建立的灰色模型进行精度检验。

根据公式（4）～（6）计算可得西安市居民个人空调拥有率，结果如表（3）。

其中R U为城镇居民个人空调拥有率，R R为农村居民个人空调拥有率，A U为城镇空调拥有量，A R为农村空调拥有量为城镇平均每户常住人口，P R农村平均每户常住人口，R为全市居民个人空调拥有率，PU为城镇常住人口，PR为农村常住人口，P为全市常住人口。

由于统计数据标准发生改变，2014年西安市空调数量突降，为消除因统计数据突变导致的误差，并弱化原始序列数据的随机性和波动性，采用2014-2019年的数据计算得到的个人空调拥有率进行下一步计算。

（2）高温暴露人口总量及人口受灾指数计算

受灾人口是暴露在高温下的人口总量，此处定义为不受空调防护的人口，因此，可根据以下公式（7）（8）计算得到人口受灾指数和暴露人口（表3）。

表3 西安市个人空调拥有率及高温热害暴露人口受灾指数Table 3 Owning rate of air conditioning and the index of exposed population in Xi′an

其中I为人口受灾指数，R为全市村居民个人空调拥有率，E t为暴露人口总量，P为全市常住人口。

（3）高温人口暴露脆弱性曲线构建

高温危险性为当年高温有效积温（X）（℃），暴露度（Y）为人口受灾指数，对X取对数处理L N（X），并去除极值影响，拟合后LN（X）与（Y）的公式呈对数曲线，由于受数据精度和时间长度限制，其显著性水平较低（P=0.196）。部分外国学者认为P值小于0.2时，这个因素显著，在此认为此结果有显著性。

西安市高温人口受灾指数与LN（高温有效积温曲线）呈线性形式（图3），即随着LN（X）的增大，Y逐渐降低，这是由于夏季来临气温升高时，人群主动采取防护措施如使用空调等制冷设施减少高温胁迫，因此人口受灾指数逐渐降低，但受空调数量限制，始终存在没有空调的居民，因此实际人口受灾指数将首先减小，继而趋于平缓。

图3 西安高温热害人口暴露脆弱性曲线Fig.3 Vulnerability curves of population exposure to high temperature in Xi′an

1.5 西安市未来高温热害暴露人口总量及人口受灾指数预测

根据统计年鉴整理分析统计人口变化情况时，会出现因行政区划调整导致的某城市人口在某一年间发生剧增或剧减的现象［25，26］。2017年西咸新区划归西安代管，咸阳所辖4县区的常住人口纳入西安，户籍转移人口约60.5万人。因此将2010-2016年的咸阳所辖人口纳入西安市常住人口，以调整基数后的人口数据进行预估（表6）。

表4 调整基数后的2010-2019年西安市常住人口Table 4 Permanent resident population of Xi′an after base adjustment from 2010 to 2019

将2010-2019年定为基准时期，以2010-2019年常住人口数据建立灰色模型，计算得到后验差比值C=0.018 8，小误差概率P=1，与实际人口（表5）和预测精度等级表（表6）进行对比，P与C都达到好的等级，且预测人口的相对残差不超过±2%，该模型的预测精确度较高，可用来预测未来常住人口，由此得到西安市2020～2050年预测常住人口。

表5 西安市实际人口与预测人口精度验证表Table 5 Precision validation of actual population and predicted population

表6 预测精度等级表Table 6 Prediction accuracy class

同时根据2014-2019年人口受灾指数数据建立灰色模型，计算得到C=0.022，P=1，P与C都达到好的等级，且预测值与实际值的相对残差不超过3%（表7），同样可用于预测人口受灾指数，得到西安市2020-2050年的预测人口受灾指数。

表7 西安市实际人口受灾指数与预测人口受灾指数精度验证表Table 7 Precision validation of actual disaster index and predicted disaster index

根据公式（9）计算得到未来暴露人口。

其中E F为未来暴露人口，P F为未来人口，I为人口受灾指数。

2 结果与分析

2.1 西安市高温热害时空变化格局

西安市2005-2019年间（15年）高温日数共计360天，年均24天。峰值出现在2017年，高温日数高达40天/年，日最高气温大多处于一般高温日等级，15年间仅有4年日最高气温超过40℃，其中2017年日最高气温高于40℃的天数为10天，是近年高温热害日数最多、强度最大的一年。西安市年平均高温有效积温为43.31℃，2008年高温有效积温最低为14.16℃，峰值出现在2017年，高达110.93℃。总体来看，西安市高温日数与高温有效积温都呈多年波动变化趋势。

图4 西安高温热害日及高温热害有效积温分布情况Fig.4 The distribution of high temperature days and EATH of Xi′an

西安市高温集中在每年的6、7、8三月，高温日最早出现在4月末（2006.4.30），最晚结束于9月中旬（2013.9.16），15年间4-9月高温日数分别为1、16、126、144、72、1天。总体来看，近年来高温热害日数趋于增多。

西安市地表温度空间分布呈北高南低的特征，与当地海拔有极大关系，南部秦岭山地最高峰海拔3 867 m，中北部渭河平原最低点海拔345 m，两者高差悬殊界限分明，温度跨度极大。南部秦岭山地日平均地表温度最低达到15℃以下，以周至县、鄠邑区、长安区、蓝田县的南部地区为主，而中心主城区及其以北地区则为高温地带，以临潼区、高陵区、阎良区为主，日平均地表温度最高温度可达50℃以上。

图5 西安市地表日平均温度空间分布（℃）Fig.5 Distribution of surface temperature of Xi′an

2.2 西安市高温热害暴露人口总量时空变化分析

在考虑了将空调拥有量作为高温热害设防护水平指标后，可以发现，随着个人空调拥有率的上升，人口受灾指数逐年下降，由2010年的0.644到2019年下降至0.459，高温热害暴露人口逐年减少，由2010年的545.94万人下降至2019年的467.96万人，年平均减少率为1.798%，同时高温热害暴露人口远少于总人口。

从不同年份各区县高温热害暴露人口来看，雁塔区、长安区、未央区的暴露人口出现大于50万人的情况，是人口暴露高值区，主要原因是该地处于主城区，人口基数大，且人口城市化现象明显，因此暴露人口总量高；而蓝田县、周至县、鄠邑区、高陵区、阎良区等区县暴露人口近年来低于30万人，是人口暴露低值区，这是由于该地原本的人口基数小，且近年人口不断向城市迁移，因此暴露人口总量进一步减少。

图6 不同年份西安市各区县高温热害暴露人口总量Fig.6 Total population exposed to high temperature in different districts and counties in Xi′an

2.3 西安市未来高温热害人口受灾率及其暴露人口预测

根据前述预测模型，2020-2050年，西安市人口数量逐年增长，预计到2050年常住人口数量达到1 593万人（表8），比2020年增加576万人，30年间年平均增长率为1.507%。

表8 西安未来高温热害暴露人口预估Table 8 Prediction of future population exposed to higher temperature in Xi′an

相较于2005-2019年的年平均增长率1.691%下降了0.184%，未来人口呈现缓慢平稳增长的趋势，平均每年约增长19.2万人。

西安市2020-2050年高温热害人口受灾指数逐年下降，由2020年的0.43下降至2050年的0.08，25年间一共下降了0.35。暴露人口由2020年的440.16万人减少至124.09万人，25年间共减少316.07万人，年平均减少率为4.133%。

3 结论与讨论

3.1 结论

本文利用2005-2019年西安市气象站的气温日值数据，计算了西安市高温日数，高温有效积温，结合统计年鉴资料中的常住人口和家庭年末每百户耐用品-空调拥有情况，定义了高温暴露人口为不受空调保护的人口，定量分析了2010-2019年高温热害人口暴露总量及人口受灾指数，并对西安市2020-2050年的高温热害暴露人口及其受灾指数进行预估，主要结论如下：

时间上，西安市高温集中在每年的6，7，8三个月，2005-2019年间15年高温日数共计360天，年均24天，年平均高温热害有效积温为43.31℃。高温热害有效积温与高温日数变化特征相似，都呈多年波动变化特征。空间上，研究区内地表温度区域分异显著，与当地南高北低的地势有明显联系，南部秦岭山地地表日平均最低温度低于15℃，而中部主城区及其以北地区地表日平均最高温度可高于50℃。

在研究时段内，西安市常住人口总量逐年上升，2005-2019年间增长172.94万人，年平均增长率为2.084%，主城区人口增长量高于郊区，人口城市化趋势明显。同时个人空调拥有率也逐年增长，由2010年的0.356台/人增长至2019年的0.541台/人，年平均增长率为4.776%。空调年平均增长率高于人口年平均增长率，因此暴露人口总量呈明显的下降趋势，由2010年的545.94万人下降至2019年的467.96万人，将空调拥有量作为高温热害设防水平指标时，高温热害暴露人口远少于总人口，且主城区高温热害暴露人口总量远大于郊区高温热害暴露人口总量。

根据历史高温事件构建脆弱性曲线，西安市高温热害人口受灾指数与LN（高温有效积温）呈线性函数，即随着LN（高温有效积温）的增大，人口受灾指数逐渐减小，说明夏季来临时，随高温强度增大，人们普遍使用空调以减少高温胁迫，但受空调数量限制，始终存在没有空调的居民，因此实际人口受灾指数将首先减小，继而趋于平缓。

根据灰色模型预测，2020-2050年，西安市常住人口数量逐年增长，预计到2050年常住人口数量达到1 593万人，年平均增长率为1.507%，未来人口呈现缓慢平稳增长的趋势。高温热害人口受灾指数逐年下降，由2020年0.43下降至2050年的0.08，30年间共下降0.35，至2050年高温热害暴露人口减少至124.09万人；虽然高温热害暴露人口随着空调拥有率的增加而减少，但人群对于空调等耐用品的拥有情况存在不均衡现象，无法完全消除高温热害的影响，并且未来仍有大量人口面对高温胁迫，因此更应提高该地高温热害设防能力、提高人群灾害风险防范意识，以降低灾害风险。

3.2 讨论

本研究利用历史资料构建了高温热害人口暴露脆弱性曲线，将个人空调拥有率作为高温热害设防指标，定量分析了西安市高温人口受灾指数，提高了高温热害人口暴露总量预估的准确性。在研究未来高温热害暴露人口时，可利用灰色模型对未来高温热害暴露人口进行定量预估。

但研究存在一定的不足之处：根据统计年鉴中的家庭年末每百户空调拥有情况，以灰色模型对个人空调拥有率进行预估，虽然模型精度良好，但预测值普遍偏高，需考虑家庭空调拥有数量分布不均的现象，可能存在一户家庭拥有一个或多个空调的情况。其次，受到数据精度限制，在计算各区县暴露人口时，采用了全市的空调拥有率来计算各区县人口暴露量，而实际中会存在城区空调率高，郊区空调率低的情况。在未来研究中应进一步深入，如通过实地调研获得各区县的空调数据，即可进一步计算暴露人口，增加结果的准确性。因此获得精度更高的数据，深入探讨高温热害暴露人口总量与个人空调拥有率及家庭空调拥有率的关系是进一步提高本研究高温热害暴露人口准确性、科学性的重要方向。

对未来人口进行预估时采取了灰色模型，此模型对预测近期或短期的数据准确度较高，因此本研究只对未来30年的暴露人口进行预测，未来需充分考虑当地社会经济发展，环境变化对人口的影响，采取更准确的模型对人口进行预估。其次对于高温热害暴露人口的预估，只考虑了将现有统计数据中的空调拥有量作为设防指标，未考虑个人职业状况，如夏日长时间暴露在外的户外工作人员，即使拥有空调，其工作时间也是暴露在高温下的，属于高温热害暴露人口。因此在高温热害人口暴露风险预估中，需考虑根据职业状况将户外工作人口剔除，以其余人口作为基数计算暴露人口，增加结果的准确性。