基于夜间灯光数据的江西省人为热排放与夜间地表温度的相关性分析

陈诚诚，刘传立

(江西理工大学 土木与测绘工程学院，江西 赣州 341000)

0 引 言

人类对能源的消耗以及自身的新陈代谢会产生大量的人为热[1], 人为热是城市热岛形成的重要因素之一[2-3], 它会改变城市的微气候[4]、 影响城市空气的质量水平[5], 并且会对人体的健康和舒适度造成影响[6]。目前全球人为热排放呈现增加趋势[7], 1965—2012年全球平均人为热释放通量增加了0.02 W/m2[8], 中国的平均人为热释放通量1978—2008年增加了0.21 W/m2[9]。据相关研究, 人为热对上海的城市环境增温有着明显促进作用[10], 人为热排放使长株潭地区夏季和冬季的主城区环境温度分别提高了0.7和1.5 ℃[11], 人为热会让城市夜间的热岛效应强于日间[12]。

以省市级行政单元统计的人为热排放数据并不能反映区域内部人为热的空间分布特征, 因此对人为热数据进行空间化模拟可以更好地研究人为热的空间特征和影响机理。王耀庭等[13]通过人口密度和能源清单获得北京市1 km×1 km分辨率的人为热空间化数据; 冯倍嘉等[14]利用污染物排放数据对人为热排放进行估算得到分辨率为3 km×3 km的空间模拟数据; 吾娟佳[15]则采用夜间灯光数据对长三角地区的人为热进行空间化模拟并发现长三角的地表温度和人为热的分布具有显著相关性。

实际上, 当前对人为热的研究多为单一时期或者非连续时期的定量分析, 缺乏较长连续时间序列的人为热时空变化特征的研究。本文利用最新的跨平台夜间灯光数据实现较长时间序列的人为热空间化模拟, 将人为热与夜间地表温度进行相关性分析, 探究人为热排放和夜间地表温度的关系。

1 研究方法与数据

1.1 研究区域概况

江西省位于113°34′—118°28′E, 24°29′—30°04′N(图1), 东部接壤福建、 浙江, 西部接壤湖南, 北部毗邻安徽、 湖北, 南部接壤广东。江西省的地形以丘陵、 山地为主, 有“世界钨都” “稀土王国” “中国铜都” “有色金属之乡”的美誉。

图1 研究区DEM图Fig.1 DEM of study area

1.2 数据

夜间灯光数据来自国家科技基础条件平台国家地球系统科学数据中心(http://www.geodata.cn), 该数据为利用自编码器AE模型的跨传感器校正方案将VIIRS和DMSP夜间灯光数据进行统一, 获得与NPP-VIIRS具有一致参数属性的长时间序列的夜间灯光数据, 数据预处理过程同文献[16]。

江西省历年能源消费数据以及人口数据来自《江西统计年鉴》(2005—2021), 后文简称《年鉴》, 其中能源消耗数据已经转化成标准煤的数据。历年的夜间地表温度数据来自于NASA的MYD11A2版本的2005—2020年具有8 d时间分辨率以及1 km空间分辨率的共738幅(两幅2004年12月最后16天数据用2004—2005年冬季的夜间平均地表温度合成)数据合成的年平均夜间地表温度数据以及每年的季节性夜间地表平均温度数据。

1.3 方法

1.3.1 夜间灯光数据校正 尽管该夜间灯光数据具有较高精度, 但依然存在负值和不连续的极端大值的异常数据, 因此需要对数据进行二次校正。校正原则为: 负值和孤立的不连续极端大值[17]直接剔除并赋予周围3×3邻域栅格的最大值, 当年研究年份的所有像元的灯光值不小于前一年的对应位置的灯光值, 校正公式为

式中:DN(n,i)为第n年的第i个灯光值。为验证校正后夜间灯光数据的效果, 将校正前后的江西省历年总灯光DN值与历年GDP进行的回归拟合(图2), 校正后的灯光数据与江西历年GDP拟合得更好、 更符合地区发展趋势。

图2 夜间灯光数据校正前后与江西省GDP回归拟合Fig.2 Regression fitting between nighttime lights before and after correction and GDP of Jiangxi

1.3.2 人为热排放计算 基于已有研究[15], 人为热量排放为

Q=∑(Ci×θi×ε)+(Pdtd+Pntn)×N×D,

式中:Q为总的人为热排放量;Ci为第i种能源的消耗量;θi为第i种能源的标准煤折算系数;ε为标准煤热量排放系数;Pd、Pn为人类白天和夜晚代谢功率;td、tn分别为每天白天活动时间和夜晚睡眠时间, 这里全部为12 h;N为当年研究区域的总人口数;D为当年的天数。根据《年鉴》能源统计数据得到各类消费能源折算标准煤系数以及标准煤热排放系数(表1)。人类活动和睡眠新陈代谢强度分别为171和70 W/人[17]。

表1 能源热排放系数

1.3.3 Sen-MK显著性检验趋势分析 Sen斜率估计是一种非参数统计的方法, 且可以减少数据中的误差值和异常值对统计结果的影响, 计算效率高结果稳定可靠, 其计算公式为

式中:θ为计算出的斜率集合的中位数;xj、xi为待计算的时间序列数据, 并依据时间顺序排列, 本文则为时间序列的地表温度数据; 对于时间序列长度为n的数据则会有n(n-1)/2个斜率, 对斜率集合排序后取得中位数作为结果输出。

MK显著性检验也是一种非参数统计检验方法, 该方法不要求统计数据服从正态分布, 也不要求数据的变化趋势为线性, 并且不受缺失值和异常值影响。

式中:xj、xi为时间序列数据, 本文中为时间序列上的夜间地表温度数据;n为时间序列长度(本文时间跨度为16年);S近似为正态分布, 在给定显著性水平α下, 如果|Z|>|Z|1-α/2表明不存在趋势的假设被拒绝, 说明在时间序列上数据存在明显的趋势变化。Z1-α/2为在置信水平α下, 标准正态函数分布表对应的值, 则当|Z|的值分别大于1.65、 1.96、 2.58时则表示数据在时间序列趋势上通过了信度为90%、 95%和99%的显著性检验。

1.3.4 相关性分析 为研究两要素之间的相关性, 利用皮尔逊相关系数作为两要素之间相关程度的统计指标

1.3.5 构建人为热排放空间化模型 为得到人为热排放空间分布数据, 参考文献[18], 将2005—2020年江西省的夜间灯光总DN值和历年的热排放数据进行回归拟合, 构建了线性、 多项式、 指数、 对数、 乘幂5种模型, 其回归决定系数分别为0.931 6、 0.985 1、 0.989 2、 0.988 0、 0.984 8且都通过了p<0.01的显著性检验 (图3)。按照我国无灯光区域基本无人类活动的原则, 零灯光区域的人为热排放为零, 综合模型的拟合优度和现实意义, 本文选取无常数项的乘幂模型作为人为热排放的空间化模型。

图3 夜间灯光与人为热排放回归拟合模型Fig.3 Regression models between nighttime lights and anthropogenic heat emissions

(1) 人为热排放空间化模型校正。由于回归方程本身存在误差, 在利用上述模型对人为热排放空间化处理时会产生误差, 因此需要借助真实的热排放统计数据对空间化后的人为热排放数据进行线性校正。

热排放数据空间化

Heati=f(DNi);

热排放空间化数据校正

HeatT=Heati(Heatt/Heatall)。

式中:Heati、HeatT、Heatt、Heatall分别为空间化后的每个栅格的热排放值、 纠正后的栅格热排放数据、 研究区域人为热数据和空间化后总的人为热数据;f()为人为热的空间化模型;DNi为第i个栅格的灯光值。

(2) 热排放模型检验。为了对构建的人为热排放模型进行精度验证, 将历年总灯光数据输入模型得到历年的人为热排放模拟数据并和历年统计的人为热排放数据进行比对得到历年模拟数据的相对误差(表2)。目前对江西省热排放的研究较少, 选取2010年的人为热数据与本文进行比较, 计算出的热排放数据为201.409 2×1013kJ, 陆燕[17]此前的估算结果为209.9×1013kJ, 两者结果相差不大, 因此认为本文计算数据可信度高。

表2 江西省人为热排放模拟值与统计值相关误差

进一步对空间化的人为热排放数据的精度进行验证, 对江西省各个地级市的模拟人为热排放数据与统计的人为热排放数据进行回归拟合(图4), 历年的回归决定系数在0.82～0.93, 其中大于0.9的年份有3个, 在0.82～0.90的年份有8个, 整体拟合效果较好。由于江西省地级市的能源消费统计数据在2010年之前有缺失, 仅对2010—2020年的数据进行对比。

图4 2010—2020年江西省各城市人为热模拟值与统计值回归拟合Fig.4 Regression fitting between anthropogenic thermal simulation and statistical values in cities of Jiangxi from 2010 to 2020

根据2010—2020年江西省各城市热排放模拟数据和统计数据的相对误差(表3), 新余的热排放模拟值和真实值相对误差较大, 年均误差接近30%, 是由于新余市为传统的资源型工业城市且工业区相对集中, 较多高耗能的产业无法在夜间灯光中反映出来, 而历年新余市总的夜间灯光面积占比维持在3%～5.5%, 其误差对整体影响较小, 其余10个城市中, 年均相对误差在2%～14%的城市有9个, 在20%～30%的城市有1个。因此, 认为该人为热排放空间化模型精度良好。

表3 江西省各城市2010—2020年人为热模拟值与统计值相对误差

2 结果与分析

2.1 人为热排放时空变化特征

将空间化的人为热排放数据进行分级后, 统计历年各个级别热排放量对应的区域面积(图5)。热排放量为(0～0.03)×1013kJ级别的区域面积从2005年的2 006 km2增加到2020年的12 829.25 km2, 增加了539.54%; 热排放量为(0.03～0.06)×1013kJ级别的区域面积从2005年的29.5 km2, 增加到2020年的509 km2, 增加了1 820.76%; (0.06～0.09)×1013kJ级别的热排放量从2010年开始出现, 对应的区域面积从0.5 km2增加到2020年的35.5 km2, 增加了7 000%; 大于0.9×1013kJ级别的热排放量从2016年开始出现, 对应的区域面积从0.25 km2增加到2020年的6.25 km2, 增加了2 400%。以上说明江西省各级别人为热的区域范围都在不断扩大, 人为热排放强度也在不断加强。

图5 2005—2020年江西省不同量级的人为热排放空间分布Fig.5 Spatial distribution of anthropogenic heat emissions of different magnitudes in Jiangxi from 2005 to 2020

选取江西省2005、 2010、 2015、 2020年的空间化人为热排放数据, 以每个栅格的热排放值作为权重生成标准差椭圆(图6)。椭圆整体为东北—西南方向分布, 椭圆长短轴都随时间增加, 扁率从2005年的0.447 1增加到2020年的0.487 8, 说明人为热分布的方向性越来越明显。方向角从2005年的35.815 4°变为2020年的26.635 3°, 重心则一直向东南方向移动, 移动距离分别为11.212、 2.521、 6.172 km(表4), 表明东南部的人为热排放影响在扩大。从人为热排放标准差椭圆的变化可以看出, 江西省热排放由赣北地区主导的同时, 中南部地区的热排放影响也在逐渐扩大。

图6 江西省人为热排放2005、2010、2015、2020年标准差椭圆Fig.6 Standard deviation ellipses of anthropogenic heat emission of Jiangxi in 2005，2010，2015 and 2020

表4 江西省人为热排放标准差椭圆参数

2.2 夜间地表温度变化特征

将历年年平均夜间地表温度数据按照Sen-MK方法处理后以p>0.1、 0.05

表5 夜间地表温度变化趋势的显著性检验结果

图7 江西省2005—2020年夜间地表温度变化趋势(a)与显著性检验(b)Fig.7 Changing trend(a) and significance test(b) of nighttime land surface temperature in Jiangxi from 2005 to 2020

为进一步了解不同季节夜间地表温度的变化趋势, 分为春、 夏、 秋、 冬4个时间段, 并按照Sen-MK方法分别进行处理后得到江西省不同季节的夜间地表温度变化情况(图8、 表6)。从统计结果可看出, 江西省冬季的夜间地表温度处于升温的区域面积和增长趋势均为最大分别为40 216.75 km2和0.112 ℃/a; 其次是秋季的19 934.5 km2和0.074 ℃/a; 夏季的增温面积虽然高于春季, 但增温趋势小于春季。春季的夜间地表温度处于降温的区域面积和下降趋势均为最大, 分别为2 661 km2和-0.048 ℃/a; 夏季的降温面积为1 465.25 km2, 降温趋势最小, 为-0.021 ℃/a; 秋季的降温面积为338.25 km2, 降温趋势为-0.032 ℃/a; 冬季的降温面积最小为39.25 km2, 降温趋势为-0.026 ℃/a。

图8 不同季节的夜间地表温度升(a)、 降(b)温区域面积及趋势大小Fig.8 Area and trend of nighttime land surface temperature increase and decrease in different seasons

表6 不同季节夜间地表温度变化趋势的显著性检验结果

2.3 人为热排放与夜间地表温度的相关性

2.3.1 年内相关性 提取人为热排放对应空间上的夜间地表温度数据, 求取相同热排放值对应的夜间地表温度的平均值, 将两者进行线性回归拟合, 详见图9。2005—2020年两者的回归决定系数在0.5～0.87, 最小为2008年的0.509 1, 最大为2011年的0.862 2, 且都通过p<0.01的显著性检验, 说明在同一时期夜间地表温度和人为热排放有着极显著的正相关。

图9 2005—2020年人为热排放和夜间地表温度线性拟合Fig.9 Linear fitting between anthropogenic heat emission and nighttime land surface temperature from 2005 to 2020

2.3.2 年际变化相关性 根据空间化的人为热排放数据把江西省分为热排放区域和无热排放区域, 统计两个区域夜间地表温度的平均变化趋势如表7所示。在人为热排放区域内的夜间地表温度整体上为增长趋势, 无人为热排放区域的夜间地表温度整体上为下降趋势。

表7 热排放区域和无人为热排放区域的夜间地表温度平均变化趋势

进一步探究在人为热排放区域中人为热和夜间地表温度在年际变化上的相关性, 得到两者随时间变化的相关性和显著性检验结果如图10、 表8所示。在两者正相关区域中有10.01%的面积通过p<0.1的显著性检验, 负相关区域中2.61%的面积通过了p<0.1的显著性检验。

图10 人为热排放和夜间地表温度年际变化的相关性(a)及显著性检验(b)Fig.10 Correlation(a) and significance test(b) between anthropogenic heat emission and interannual variation of nighttime land surface temperature

表8 人为热排放与夜间地表温度年际变化的显著性检验结果

3 结 论

通过新型的跨平台夜间灯光数据构建人为热排放的空间化数据, 实现了长时间序列的人为热排放时空变化模拟, 在一定程度上弥补了省级以下行政区能源消费数据缺失的问题, 同时利用网格化的人为热排放与对应空间的夜间地表温度进行相关性研究得到二者的变化关系, 结果表明:

(1)江西省人为热排放呈现显著的增加趋势, 不同级别的热排放量对应的区域面积都处于扩张趋势, 热排放强度也在逐年增强。16年间人为热排放标准差椭圆面积不断扩大、 重心持续向江西省东南方向移动, 人为热排放影响逐渐扩大。

(2)江西省有26.27%的区域的夜间地表温度处于升温趋势, 73.73%的区域夜间地表温度处于降温趋势。其中, 冬季的夜间地表温度增长最明显, 升温面积和增长趋势均为最大, 春季的降温面积和降温趋势最为明显。

(3)人为热排放强度和夜间地表温度有着显著的正相关, 同一时期热排放量高的区域的夜间地表温度明显较高, 在时间序列的变化上二者的显著相关关系主要为正相关。

在同一时期, 人为热排放量高的区域的夜间地表温度总体上较高。人为热对城市地表温度的影响机理一般认为有两方面原因[19]: 一是人为热在排放后直接加热地表温度; 二是人为热排放过程还伴随着温室气体的排放, 温室气体覆盖在城市近地表, 在白天吸收了地面的长波辐射后, 夜间又将长波辐射逆辐射到地面对地表起到“保温”的作用。年际变化上, 随着热排放量的增加, 其对应区域的夜间地表温度并不都显著增加, 因影响夜间地表温度的因素还有气候、 地表植被覆盖度及景观格局等, 本文未对这些因素的影响作用进行探究。空间化后的人为热排放数据虽具有一定的精度, 但对于小尺度的精细化的定量研究仍显不足, 这也是未来需要解决的问题。