城市化进程中京津冀地区相对湿度时空演变研究

2022-06-14梁晏祯占玉林陈昕然王大康刘奇鑫曹万云

湖北农业科学 2022年10期

张茵，余涛，梁晏祯，占玉林，刘艳，陈昕然，4，王大康，刘奇鑫，4，曹万云

（1.中国科学院空天信息创新研究院，北京 100094；2.中国科学院大学电子电气与通信工程学院，北京 100049；3.国家国防科技工业局重大专项工程中心，北京 100101；4.中国科学院大学，北京 100049；5.南方科技大学环境科学与工程学院，广东深圳 518055；6.山东华宇航天空间技术有限公司，山东烟台 264000）

相对湿度是评价人居环境气候舒适度的一项重要指标［1］，城市化进程的不断加快使城市绿地空间减少，裸露的土壤逐渐被不透水面覆盖，相对湿度有下降趋势［2，3］，空气干燥是引发各类疾病发病率显著增加的原因之一［4］。研究相对湿度时空演变对城市空间布局规划、绿化及水资源宏观调控具有支撑作用，为提高城市宜居性提供重要参考。

近年来，国内外学者开展了有关相对湿度与城市化关系的研究工作。Hage［5］利用1 个城区机场观测点和1 个郊区机场观测点分析表明芝加哥市城区空气湿度低于郊区。Unkašević 等［6］利用2 个郊区和1 个农村站点研究贝尔格莱德地区相对湿度发现城区一年四季低于郊区。郑祚芳等［7］将北京市多个地面观测站分为7 个城区站和3 个郊区站，用其均值分别代表城区和郊区的相对湿度，研究发现城区和郊区相对湿度均呈下降趋势，干岛强度呈上升趋势，干岛强度与城市化率在时间上存在正相关关系。王宝强等［8］利用1 个城区站和1 个郊区站对上海市相对湿度变化与城市化强度进行了相关性研究，结果表明相对湿度与城市化强度存在负相关关系。以上研究表明相对湿度与城市化进程存在联系，但此类研究多是从时间序列上分析两者的关系，而针对两者在空间上的定量关系研究较为少见。

综上所述，研究从早期的一个站点增加至多个站点，但是有限的地面站点存在代表性不足的缺陷，不能较好地反映空间分布情况，较难支撑城市化水平的空间异质性与相对湿度的关系研究。因此，本研究尝试利用具有空间连续性优势的ERA-interim再分析面状数据替代地面观测数据，在传统的时间序列分析基础上增加了相对湿度与城市化水平在空间上的定量关系，以探讨相对湿度随城市化进程的变化规律，为人居环境舒适度评价及城市人居环境规划布局提供参考。

1 研究区域概况与数据源

1.1 研究区域概况

研究区位于京津冀地区，经纬度为113°30′E—119°50′E，37°24′N—42°35′N。主要包括北京市、天津市和河北省，总面积约为2.18×105km2，实测站点分布如图1 所示。京津冀地区位于华北平原北部，地势由西北向东南倾斜，西北部多为山区、丘陵和高原，中部和东南部为平原。为温带大陆性季风气候，四季分明。夏季高温多雨，冬季寒冷干燥。

图1 研究区实测站点分布

1.2 数据源

1.2.1 再分析数据采用欧洲中期天气预报中心的第三代ERA-Interim 的Monthly Means of Daily Means（MMDM）1993、1997、2001、2005、2009、2013 年的相对湿度（RH）再分析资料，水平空间分辨率为

0.125°×0.125°。

ERA-interim MMDM 是继ERA40 之后推出的新一代再分析资料，与ERA40 相比，由三维同化系统变成四维同化系统，结合了改进的湿度分析、卫星数据误差校正等技术，实现了再分析资料的质量提升［9，10］。且该数据较NCEP-NCAR 存在更小误差［11］，在中国的适用性比日本气象厅（JMA）的地面相对湿度资料更高［12］。因此，ERA-interim 再分析数据可为大范围相对湿度研究提供可靠连续性的基础数据。

1.2.2 RH 地面观测数据地面观测数据选用LI等［13］开发的中国大陆1960—2017 年746 个站点的每日RH 系列数据的均质化数据，该数据集可为准确评估近几十年来中国RH 的时空变化特征提供可靠的数据基础，保证了数据的均质性和完整性。

1.2.3 夜间灯光数据采用的是Li 等［14］发布的年全球协调夜间灯光数据集，选取1993、1997、2001、2005、2009、2013 年的DMSP-OLS 数据，数据分辨率为1 km，亮度值的范围是1～63。

2 研究方法

研究技术路线如图2 所示，主要包括：①数据优化。以地面实测RH 数据为协变量，对再分析RH 数据进行协同克里金插值实现再分析数据优化，得到更为精确的RH 数据。②干岛面积比例时间演变与土地城市化率的关系。将优化后的ERA-interim RH 月度数据合成年度数据，经过均值-标准差法分级，得到干岛面积比例，与基于DMSP-OLS 数据计算的土地城市化率进行相关分析。③RH 空间变化与城市化水平的关系。基于划分好的网格，采用网格分析方法对两者进行空间上的相关分析，即通过网格计算平均相对湿度与城市化水平得到离散化数据，对其进行空间上的相关分析；④不同网格粒度下RH 空间变化与城市化水平的关系。在12.5、25.0、50.0、100.0、200.0 km 5 种不同网格粒度下分析两者的相关关系。

图2 研究技术路线

2.1 再分析数据优化

虽然气象再分析数据具有空间连续性的优势，但空间分辨率精细程度还不足够，且与地面实测数据存在偏差，协同克里金不仅考虑自变量的空间自相关性，还考虑协变量与自变量之间的相关性，能有效改进估算精度［15-17］。因此，本研究基于协同克里金插值法，对气象再分析数据进行优化。以地面实测RH 数据为协变量，对再分析RH 数据进行协同克里金插值，实现了再分析数据空间优势与地面实测数据精度优势两者的结合。

设区域化变量Z*(x0)满足二阶平稳假设，协同克里金插值公式如下。

式中，Z*(x0)为在x0处的预测RH；Z1(x1i)为已知的x1i处ERA-interim 的RH；n为预测点邻域内的点数；λ1i为参与插值的ERA-interim RH 对预测点RH的权重系数；λ2j为参与插值的RH 实测值对预测点RH 的权重系数，Z2（x2j）为已知的RH 实测数据。

为了确保对变量进行最佳且无偏的估计，权重系数的总和应等于1。因此应该满足以下条件。

采用K折验证法对空间插值结果进行验证，也即交叉验证中的留一验证法［18］，被广泛用于验证。具体方法为将K等于气象站点的个数，每次仅留1个气象站点作为测试样本，剩余的气象站点作为训练集与再分析数据进行协同克里金插值。采用均方根误差（RMSE）作为评价气象站点数据与再分析数据的协同克里金插值法的误差指标，公式如下。

式中，Yi和yi分别是第i个气象站点的实测值和空间插值的预测值。RMSE越小，说明数据优化的准确度越高。

2.2 干岛面积比例与土地城市化率的关系

采用均值-标准差法对优化后ERA-interim RH数据进行相对湿度分级，确定干岛面积比例，以及用夜间灯光数据计算京津冀地区土地城市化率，分析干岛面积比例与土地城市化率的关系。

2.2.1 干岛面积比例研究借鉴热岛中常用的均值-标准差法，利用相对湿度均值和标准差倍数的组合来划分相对湿度，从而实现城市干岛的有效界定。具体划分如表1 所示，自I 级至IV 级相对湿度逐渐变高。将高于平均相对湿度的区域定义为城市干岛区，干岛面积比例为I级和II级相对湿度的面积之和占京津冀总面积的比例，用Di表示。

表1 均值-标准差法划分的相对湿度等级

式中，Di为第i年干岛面积比例；Li为第i年I 级与II级相对湿度的面积；L为京津冀地区总面积。

2.2.2 土地城市化率土地城市化率的定义为城镇面积占总面积的比例。夜间灯光数据的城市空间信息能反映城市化发展的实际情况和人类活动的强弱，阈值法被广泛应用于城市区域提取的相关研究中［19，20］。李娜［21］将灯光阈值设置为20 时提取的中国各分区城镇用地面积与同时期的城镇化信息最为一致。因此，本研究将20 设置为提取京津冀地区的城镇用地面积的最小阈值，计算土地城市化率，用Ui表示，计算公式如下。式中，fi( )

x,y为提取的城市区域；Si为第i年城市用地面积；L为京津冀地区土地总面积。

2.3 RH 空间变化与城市化水平关系

为了研究相对湿度空间分布与城市化水平的关系，划分可覆盖京津冀地区的规则网格，如图1 所示，采用网格分析方法，定义了基于网格的平均相对湿度和城市化水平。

平均相对湿度为网格内所有像元的相对湿度均值，反映网格内相对湿度的总体情况。

城市化水平用基于网格的平均灯光指数来表征，作为评价网格内城市发展情况的指数。平均灯光指数与基于统计数据的城市化水平存在高度相关，且两者的城市化水平时空分布基本一致［22］，可在一定程度上反映城市发展水平。因此，城市化水平（UI）可表示如下。

式中，UIjk为第j年第k个网格的城市化水平；n为第k个网格的像元个数；DNKn为第k个网格第n个像元灯光亮度值。

3 结果与分析

3.1 RH 优化精度分析

以2005 年5 月数据为例，采用K折验证法对ERA-interim RH 优化数据进行验证，每次仅留1 个气象站点作为测试样本，剩余的气象站点作为训练集与再分析数据进行协同克里金插值，得到预估点的RH 与实测RH 数据的均方根误差，与优化前ERA-interim RH 数据的均方根误差进行对比，从表2 可以看出，原始的ERA-interim RH 数据与实测RH的均方根误差为6.77%，经过数据优化后的均方根误差降低了0.27 个百分点，说明将气象站点作为协变量的协同克里金插值方法对相对湿度数据进行空间插值是一种有效、可行的方法。

表2 再分析RH 数据优化前后RMSE 对比（单位：%）

3.2 干岛面积比例时间演变与土地城市化率的关系

优化后的京津冀地区1993、1997、2001、2005、2009、2013 年的相对湿度空间分布如图3A 至图3F所示，从6 个年份的相对湿度空间分布来看，RH 整体上表现为下降趋势，但在2013 年的相对湿度相较于2009 年有明显提升，这可能与降水量的差异有关。进一步对京津冀地区的平均日累积总降水量进行统计发现，2009 年的平均日累积总降水量为1.35 mm，2013年的平均日累积总降水量为1.56 mm，同比增加了0.21 mm，降水量的增大使RH 出现大范围提升。用阈值法提取出的同时期城区空间分布如图3a 至图3f 所示，城区面积表现为明显的扩张趋势，灯光覆盖区域通常为RH 相对较低的区域，城市区域对应的RH 相对更低，如北京、天津、廊坊一带及其西南部的华北平原地区长期处于RH 最低的地区，RH 可能与城市扩张存在关系。

图3 RH 及城区空间分布

对1993、1997、2001、2005、2009、2013 年6 个年份的相对湿度进行均值-标准差法等级划分，界定各年份的干岛范围，确定干岛面积比例，如图4 所示。基于DMSP-OLS 夜间灯光数据得到同时期的土地城市化率，如图5 所示。可以看出，京津冀地区干岛面积比例随时间有小幅度的震荡，总体上呈增加趋势。城市规模随时间在不断扩大，土地城市化率明显增加。

图4 干岛面积比例时间变化

图5 土地城市化率时间变化

两要素间相关程度通常用Pearson相关系数［23，24］来测定，将1993、1997、2001、2005、2009、2013 年的干岛面积比例与京津冀地区同时期土地城市化率进行定量关系分析，结果如图6 所示。干岛面积比例与土地城市化率表现为较高的正相关，相关系数为0.689，随着土地城市化率的增加，干岛面积比例也呈增长趋势。这说明京津冀地区的城市化进程加快，城市规模不断扩大，自然的下垫面被不透水表面代替，减少了城市的绿地空间，对低层大气的热力和动力产生了不可忽视的影响［25，26］，相对湿度下降，干岛面积比例增大，这种干岛面积比例的增大与城市化进程中城区范围不断扩大存在较大的联系。

图6 干岛面积比例与土地城市化率拟合结果

3.3 RH 空间变化与城市化水平关系

采用网格分析方法将京津冀地区划分为50 km×50 km 全覆盖的网格，以2005 年为例，将经过优化后的ERA-interim RH 数据进行网格处理，得到2005 年平均相对湿度离散化数据，对DMSP-OLS 夜间灯光遥感数据进行网格处理，得到城市化水平离散化数据，对两者的空间分布进行相关分析，探究两者之间的关系。

为直观显示平均相对湿度和城市化水平空间分布，将两者离散后的数据进行网格化显示。由图7可以看出，平均相对湿度与城市化水平在空间分布特征上具有相反趋势，相对湿度的低值区与城市化水平高值区较吻合，而在城市化水平较低区域对应的相对湿度较高。说明RH 的分布很可能与空间上的城市化水平差异存在联系。

图7 平均相对湿度（a）与城市化水平（b）分布

进一步对离散化的平均相对湿度与城市化水平剔除异常值，进行定量相关分析的结果如图8 所示，空间上相对湿度随着城市化水平的增高呈降低趋势。城市化水平高的区域对应了更低的相对湿度，两者在空间上表现为显著的负相关关系，相关系数为-0.730，表明空间上RH 分布也受到城市化水平的影响。这是由于一方面城市化水平较高的地区通常被更多的不透水面所覆盖，阻碍土壤与大气之间的水分及热力交换，使相对湿度下降。另一方面城市化水平较高的地区植被覆盖面积相对较小，叶面蒸腾向大气产生的水分输送少，植被覆盖度低的地区相对湿度通常低于植被覆盖度高的地区，城市干岛的形成与植被的丧失密切相关［27］，这与Ibrahim 等［28］的研究结果较为一致。

图8 平均相对湿度与城市化水平拟合结果

3.4 不同网格粒度下RH 空间变化与城市化水平关系

空间尺度中的粒度是研究两要素之间关系中尤为重要的方面，粒度是指研究中基本单元的大小，即数据收集或分析的空间单位大小，粒度的选择可能会影响城市化水平对RH 空间分布格局的相对重要性［29，30］。因此，研究基于12.5、25.0、50.0、100.0、200.0 km 5 种不同网格粒度，统计网格的平均相对湿度与城市化水平，并进行相关分析，探究两者之间的关系。

将提取出的京津冀地区1993、1997、2001、2005、2009、2013 年的平均相对湿度与城市化水平离散数据，剔除异常值，采用皮尔森双侧检验法，研究京津冀地区各年份平均相对湿度与城市化水平的定量关系，结果如表3 所示。

表3 平均相对湿度与城市化水平的相关分析结果

如图9 所示，从各年份来看，平均相对湿度与城市化水平均表现出显著的负相关关系，空间上两者存在较为密切的关系，在100 km 网格粒度下两者的相关系数可达0.700 以上。不同的网格空间粒度下，城市化水平与相对湿度均为负相关，但是相关系数的大小表现出明显的差异性，如图10 所示。12.5～100.0 km 网格内，平均相对湿度与城市化水平的相关系数随着空间网格粒度的增大表现为明显上升趋势，且均通过0.01 显著性水平。随着粒度增大，平均相对湿度与城市化水平关系强度增加的原因：①从统计学的角度来讲，粒度越大，空间上的样本点越少，减少了重复空间取样累积的误差。②对于两者的关系而言，更大的粒度使得夜间灯光的破碎斑块被合并，可能消除了一些原本具有相同平均灯光指数不同平均相对湿度的样本，这些样本可能会导致其相关性变弱，如图9 中绿色的圆包含了各网格粒度下较密集的样本，可以发现粒度越小时，具有相同城市化水平而不同平均相对湿度的样本量也越少。

图9 平均相对湿度与城市化水平的线性拟合（1993 年）

以1993 年为例，至200 km 网格时，相关性整体上有所下降，例如1993 年，12.5、25.0、50.0、100.0 km网格下对应的平均相对湿度与城市化水平相关系数分别为-0.365、-0.511、-0.691、-0.878，至200 km 网格时的相关系数为-0.612，相关性变弱，且未通过0.01 和0.05 显著性水平检验。

综上所述，不同的网格粒度没有对结果产生本质性的影响，随着网格粒度的增大，平均相对湿度与城市化水平的相关系数表现为先增大后减小（图10），增大至100 km 网格粒度时，两者的相关性最强，相关系数为-0.700～-0.900，且均通过0.01 的显著性水平检验。再增至200 km 网格粒度时，相关性减弱且显著性不明显。网格粒度在100 km 左右时平均相对湿度与城市化水平相关性最强，可为两者空间关系研究中的网格粒度选择提供依据。