基于PYTHON的城市人为热通量与温度关系分析及风险评估

开放科学（资源服务）标识码（OSID）：DOI：10.16661/j.cnki.1672-3791.2312-5042-1195

作者简介：龚泽瀚（2000—），男，硕士，研究方向为风险与灾害科学。

摘  要：针对全球城市热岛效应日趋严重而复杂形势下，提出了一种运用SUEWS模型和Python进行数据分析的方法，探讨人为热通量影响城市热岛效应的重要性及形成机理，重点分析温度变化对制冷度日和人为热通量的影响程度。通过对城市气候大数据的分析研究，发现制冷度日和人为热通量之间存在一定相关性，人为热通量与温度变化之间有敏感响应关系；最后提出相应建议和措施。

关键词： 城市热岛效应  人为热通量  温度敏感性  制冷度日

中图分类号：X16

城市热岛（Urban Heat Island，UHI）效应是城市中心温度高于周边地区的现象，由人口活动、建设和缺乏植被等因素引起。人为热通量（Anthropogenic Heat Flux，AHF）是评估人类活动释放热量的概念，涵盖工业、建筑、交通和人体代谢等。这项研究使用Python分析城市热岛效应下温度与人为热通量之间的关系，并识别对温度变化最敏感的城市。目的是评估温度变化对人为热通量的影响，以支持城市热岛效应的实证研究，并为城市可持续发展提供风险评估和科学支持。

1  背景

城市化是21世纪的主要趋势之一，超过一半的人口居住在城市。这导致城市面临人口激增、承载压力增加等问题，使城市变得更加脆弱。科学预测表明，未来地球温度可能上升0.5～6.5 ℃，这将导致人类更频繁地使用空调设备，增加人为热量排放，加剧温度上升[1]。人体在城市炎热环境下，心血管系统易受到不良影响，导致呼吸系统和心血管疾病；这是由于血液循环冷却功能面临着来自皮肤的巨大压力。当心脏承受过大压力，特别是对于心脏病人来说达到引发心脏事件临界点时，后果可能是灾难性的。这些疾病共同构成了城市热相关死亡率的主因。研究揭示了温度与死亡率之间的“J”形关系，表明当城市中心温度升高时，死亡率急剧上升[2]。这种循环使得许多城市不断受到温度上升和城市热岛效应的困扰。研究表明，制冷和采暖需求是城市热岛效应的关键驱动因素，理解这一点可以更好地解释城市环境问题的复杂性，并为创造可持续发展的宜居城市环境提供支持。

1.1 选择合适的研究模型

大规模城市能源消耗（Large-Scale Urban Consumption of Energy， LUCY）模型综合考虑了车辆、建筑物热排放和人体代谢热，用于研究城市环境中的动态AHF。在该模型中，建筑物热排放是主要贡献者，通过乘法因子估算[1]。但该方法可能导致高纬度地区能源消耗被低估，低纬度地区则被高估的情况。因此，选择一个更科学的模型对研究AHF问题至关重要。

表面城市能源与水平衡方案（Surface Urban Energy and Water Balance Scheme，SUEWS）是一种模拟城市地表环境的工具，能够评估UHI效应、城市温度变化和城市规划管理等因素。这种方法综合考虑了全部能源消耗，有助于全面分析城市热环境。SUEWS的计算流程如图1所示。

1.2 SUEWS模型分析计算方法

SUEWS是专注于分析城市地表的7种主要类型，基于城市能量和水平衡模型，内含多个子模型（如图1所示）。它的主要优势在于：运行所需的数据适中，只需基础的气象和地面信息；能够长时间在多个模型网格上运行，无须特殊计算设备。SUEWS具备多功能性，可独立运行或与中尺度模型集成，成为有价值的决策支持工具；对于复杂城市环境的探索和规划具有强大适应性[3]。城市能量平衡计算公式如下：

公式（1）中，表示净全波辐射，指代AHF，代表湍流感热通量，是潜热通量，表示净储存热通量。研究表明：城市能量平衡主要依赖于能量动态，受城市区域内的能量交换、气候条件、地表特征等要素影响。鉴于研究重点在于AHF，所以研究者选择SUEWS模型的城市能量平衡组分来计算AHF，旨在改进和补充LUCY模型所提供的AHF研究方法。研究者的主要关注点在于，它代表了城市能量平衡中多个组分之一。研究者采用了Sailor和Vasireddy（2006）提出的方法[4]，着重于对AHF的日常评估：

式（2）中，代表人口密度；表示在平衡温度下的基本值，而系数和分别对应于CDD和HDD系数。制冷度日（cooling degree days，简称CDD）用于表示室外温度与实现室内舒适的基准温度之间的累积差异。它反映了在室外温度高于基准温度阈值时，为维持室内舒适环境所需制冷量。通常，CDD在炎热天气条件下用于量化室内舒适所需制冷需求；反之采暖度日（heating degree days，HDD）亦然。CDD和HDD都是分析能源消耗模式的价值方法。通常使用以下公式来计算CDD和HDD，其中代表小时气温，而表示人体体感舒适的基准温度。

在CDD计算中，当，参数，当，，而HDD则相反。研究中，选定了CDD基准温度为26 ℃，HDD基准温度为16 ℃，这一决策是基于人体舒适度考虑。偏离该范围可能导致不适，需使用制冷或采暖系统来维持最佳舒适度，这些设备能源消耗与温度变化成正比[5]。

公式（2）提供了计算AHF方法，综合考虑了、CDD和HDD等因素来确定不同城市的AHF，从而深入了解不同地区AHF变化原因，解释全球UHI效应差异性。此外，该方法还考虑了建筑物制冷和采暖需求的波动，为研究AHF与制冷和采暖关系提供了重要理论基础和研究方向[3]。

2  研究方法及过程

本部分说明了研究AHF对空气温度敏感性和准确定位采集地点的方法。主要涉及利用Python进行数据收集、数据分析、数据处理和可视化。

2.1 数据收集

Dong及其团队改进了人为热排放（Anthropogenic heat emission，AHE）数据集，创建了AH4GUC，并整合了夜间灯光分布、未来人口和能源消耗变化，提供更准确的UHI效应空间分布信息[6]。基于此，研究者选择从AH4GUC数据集中获取了2010年每月平均的AHF数据；将AHF数据加权到小时级，以精确计算城市平均AHF。考虑之前的AHF数据是基于2010年的月平均值，研究者选择ERA5数据集来获取全球城市的月平均温度数据，以此代替日均值以方便CDD和HDD的计算。最后，从LandScan全球人口数据库中获取了2013年的人口数据，用于估算城市的人口分布。并且参考了Manoli等人在2019年发布的城市综合信息数据，其中包括城市面积、经纬度等信息，用于计算。

2.2 数据分析

研究者将这些数据输入相应的计算公式中，并使用Python的“numpy”和“xarray”等包进行计算和存储。在检查计算得到的和数据时，我们注意到在许多情况下= 1或= 1，如表1所示。这种情况通常出现在城市温度数据质量不佳的情况下，例如当最高温度过低以至于无法准确拟合系数时，会导致取值为1。类似的问题也可能在中出现。因此，有必要忽略和的数据。

同时，研究者观察到和中存在负值，需使用箱型图对和数据的统计分布进行可视化检查，帮助研究者确定数据集中存在负值的程度。

从图2和图3中可明显得出，许多和值明显低于0；这些值是不合逻辑的，因为表示每个单位面积所需制冷能量，应为非负值。同样，也应是非负值。因此，所有或值小于0的城市都应剔除。

2.3 数据处理

鉴于主要研究目标是筛选出对温度变化表现出高敏感性城市，由公式（3）和（4）可看出，无论是CDD还是HDD都受温度变量影响。公式（3）中所有变量和相应系数均为非负数，可推断A和B两个城市具有相同CDD时，若A城市具有更高值，则AHF自然会表现出更大幅度；同样逻辑也适用于HDD。

因此，研究者可重构最初的研究：寻找对或表现出高敏感性城市，即找出具有相对较高或值城市进行深入分析。通过绘制箱形图来选择超过上限的异常值并借助散点图观察的分布形式，同样该方法适用于检查。最后，在使用“curve_fit”函数计算公式（2）中系数时（使用默认的线性拟合方法），评估所得系数的拟合质量至关重要。因此，需要对公式（2）进行修改：

CDD通常用于量化炎热天气条件下维持室内舒适度所需制冷需求。当CDD0时，HDD应为0，因此CDD和HDD不能同时存在。在研究CDD问题时，可将公式（5）转化为一个简单的线性回归模型。即因变量被定义为，而自变量代表CDD。研究HDD也是相同逻辑。随后，利用均方误差（MSE）来衡量线性拟合质量。MSE作为评估回归模型精度的重要指标，主要衡量预测值与实际值之间平均平方误差。其计算公式如下：

式中，表示第个观察值，表示相应的预测值，n表示总观察数。确保模型预测与实际值紧密吻合至关重要，因此选择合适的阈值至关重要。而为了提高模型准确性，应将MSE值最小化，因为较小的MSE值意味着模型预测结果与实际观察值更为接近。在研究范围内，主要关注预测和实际的AHF数据。借助图4的箱形图的帮助可以确定合适的阈值。这有助于在AHF预测中找到预测准确性和潜在变异性之间的最佳平衡。

变异性指标是了解给定数据集中数据点分布的工具，可揭示数据扩展和分散情况。常用测量方法如四分位距（IQR）和方差，本文研究者选择对异常值具有抵抗力的IQR来评估阈值。为方便操作，在获得IQR后将其向下取整，得到IQR为2。因此，主要目标是识别出MSE低于2的城市。该策略符合通过最小化MSE值来识别拥有更高准确性的预测数值，以此确定筛选的城市。

2.4 数据可视化

完成数据筛选后，研究者使用“matplotlib”和“geopandas”等Python包进行数据可视化分析。具体步骤为：首先，使用地理可视化来绘制具有适当和值的城市地图，可直观了解这些城市在全球整体分布特征；其次，通过散点图，将和数据与相应城市纬度绝对值进行比较；最后，识别出不同分布的高敏感城市，观察目标的温度变化是否会引起CDD和AHF值相应变化。通过模拟温度波动并密切观察CDD和AHF值变化情况，可揭示CDD和AHF受温度变化影响程度。

3  结果

根据图2和3可知，先删除所有或值为负数的城市数据点并利用箱型图进行系统检查，确认已成功删除不合理数据点；结果如图5和6所示。

通过计算，确定上限为0.040 5，上限为0.004 8。在此基础上，继续执行筛选过程，筛选出和超过各自上限的城市；成功识别出272个城市超过上限及226个城市超过上限。随后使用Python的可视化工具，制作出散点图，以此描绘或与纬度绝对值之间关系。

图7和8中，虚线参考线分别对应= 1 和= 0.1。可以明显看出，超过1的城市和超过0.1的城市呈现出较为分散的分布模式。因此分析重点放在了超过1的城市和超过0.1的城市上。仔细筛选后，确定15个城市超过了设定阈值及18个城市超过了设定阈值。进一步分析后，关注那些MSE小于2的显示出较强线性拟合的城市。有趣的是，研究者发现符合这些条件的城市数量在和子集中保持一致，各有5个城市，这些城市的基本情况如表2、表3所示。

这10个城市代表了筛选结果，表明它们在制冷或采暖对AHF的敏感性方面具有高响应度。研究者可以选择借助Python中的“geopandas”将这些选定城市的地理位置映射到世界地图上，从而帮助人们更好地了解这些城市在全球的分布情况。

4  论述及建议

根据上述研究，发现了10个对温度变化高度敏感的城市，它们在不同温度条件下展现出明显的规律特征，显示了独特的气候特征。其中，VONITSA（沃尼扎）、MARSALA（马尔萨拉）、CALTAGIRONE（卡尔塔吉罗内）、JACKSONVILLE（杰克逊维尔）和GOUMERON（古梅洛）这5个城市对制冷效应表现出高敏感性，这表明它们的制冷需求受温度变化显著影响，与温度变化之间存在强烈的相关性。另外，CAMPTI（坎普蒂）、MARSALA（马尔萨拉）、JENNINGS（詹宁斯）、EMBONAS（恩博纳斯）和SEMARIA（塞马里亚）这5个城市对采暖效应具有高敏感性，揭示了它们与温度变化之间存在显著关联，并表现出对温度变化高度响应的特性。

观察图7，研究者发现制冷高敏感性城市主要聚集在30～40°温带纬度范围内，包括美国和地中海地区。这种地理分布符合气候预期，因为中纬度地区通常经历明显的季节性变化和温度波动。在对地中海气候特征进行研究后确定了地中海沿岸城市，如沃尼扎、马尔萨拉、卡尔塔吉罗内和古梅洛，它们代表了地中海气候的影响。大气压力系统与地中海表面升温相互作用，对该地区温暖而干燥的夏季条件产生了影响。同样，杰克逊维尔代表了“混合湿润气候”，为研究者提供了有关其对温度波动脆弱性的重要见解，因为它靠近大面积水体。

Python的可视化能力可以帮助研究者描绘这些城市在不同季节温度趋势，有助于全面理解温度、气候与城市对制冷和采暖效应高敏感性间的相互作用，有望揭示复杂气候模式并为城市气候行为提供一个整体视角。

图9揭示了这些城市每年的温度模式。值得注意的是，它们夏季温度通常超过了被认为人类宜居的范围，从而需要更多依赖空调制冷设备来维持室内舒适度。这种增加制冷需求间接实证了它们在夏季制冷需求高敏感性。

图8显示，对采暖需求响应较高的城市主要集中在20～40°的纬度范围内，这种分布模式在美国、地中海等中低纬度地区普遍存在。此外，还有一些印度低纬度地带的城市也在其中。这种多样化的地理分布强调了对于采暖需求高敏感城市的跨洲意义。

值得注意的是，像马尔萨拉和恩博纳斯这样的城市，尽管归类为地中海气候，但它们的地形属性存在差异。马尔萨拉位于西西里岛上的平坦海滨地区，而恩博纳斯则位于罗得岛崎岖的山区，因此产生了不同的冬季温度特征。有趣的是，研究显示，位于意大利西西里岛的马尔萨拉不仅对制冷需求敏感，而且对采暖需求也敏感。这一显著现象表明，马尔萨拉在夏季和冬季的温度变化方面都表现出高敏感性。对于采暖需求高敏感城市的一年中温度变化如图10所示（马尔萨拉已在图9展示）。

马尔萨拉独特之处在于对夏季和冬季温度波动高敏感性，这使得它成为研究温度高敏感性城市的有价值案例。马尔萨拉双季高敏感性与这些城市在冬季通常需要采暖的特点相结合，强调了它们对温度变化高敏感性。

此外，根据表1、2数据，研究者还可以探讨这些高敏感城市CDD或HDD在不同温度条件下与AHF关联影响程度，揭示温度变化与热通量动态之间的关系，为可持续城市规划和能源管理决策提供更多信息。

城市升温对社会稳定和经济韧性产生深远影响。《巴黎协定》确立了一个具有法律约束力的具体目标：将全球平均气温上升限制在比工业化前水平高1.5 ℃的最高水平。选择1.5 ℃的阈值是基于超过这一限值可能引发许多生态系统的严重破坏，导致物种灭绝和生态平衡失衡等严重后果[7]。在本文研究背景下，控制其他变量（，，和）不变，利用每个城市月平均温度数据，设定假设情景：最高温度上升1.5 ℃。其目的旨在捕捉温度变化对所关注参数的影响。值得注意的是，年平均温度增加1.5 ℃相当于一年中温度变化达到了显著的18 ℃。具体来说，假设最高温度上升1.5 ℃，那么温度增幅相当于一年中总共增加了18 ℃。

研究者模拟在夏季6—8月高温月份将温度增加3 ℃，其余月份增加1 ℃。通过夏季月份大幅升温，创建热浪和高温事件的模拟环境。这些热浪的显著特点包括增加的强度、更高的频率和持续时间延长。研究表明，在热浪事件期间，中纬度地区日均温度可能额外上升2.5～3 ℃[8]。因此，研究者可以使用该温度分布策略来模拟分析夏季热浪和高温现象引起的温度变化，有助于全面研究CDD和受这些放大温度波动影响的复杂相互作用及对AHF的后续影响。

表4数据直观展示了气温变化对CDD和AHF的影响。根据公式（2），在控制其他变量的情况下，CDD和AHF呈现出正相关。这一基本关系在表格数据中得到了进一步证实，图11直观展示了温度波动对AHF影响幅度。在研究的5个城市中，希腊的沃尼扎在温度升高时，其AHF的变化幅度最为显著。其温度升高后的AHF值相比于温度升高前的值，高达29倍之多。这一观察结果强调了沃尼扎市是对温度变化最为敏感的城市。可以说，表4和图11共同阐明了温度变化、制冷需求和AHF之间相互关系，强调了城市温度变化引发的温度波动如何显著影响城市环境中能源需求变化。

针对前述高敏感城市，可以采取一些针对性建议措施来降低UHI效应影响，增强城市适应能力，促进城市可持续发展。首先要重点提高能源效率，采用高效采暖和制冷系统以减少能源消耗。其次，在城市规划和设计中，采用高反射率和高发射率材料来降低建筑物吸热能力，增加植被覆盖率，促进通风，调节城市温度。同时，建立准确的气象预警系统，确保城市能迅速应对极端高温条件。此外，制定适应性策略，提供凉爽公共空间，保障居民需求；发展公共交通，鼓励居民绿色出行，减少交通排放。最后，还应大力推广太阳能、风能等绿色能源，减少对传统能源依赖，降低温室气体排放。

5 结语

在日益加剧的UHI效应背景下，城市升温对环境影响变得越来越复杂。通过深入研究不同温度条件下AHF变化，可更好地应对UHI效应带来的挑战，为城市规划、建筑设计和城市管理提供科学决策依据。本研究在探究温度响应、能源消耗和AHF之间错综复杂的相互作用方面迈出了基础性一步，通过Python数据分析方法，发现并揭示了关于城市能源消耗、温度响应和气候韧性之间内在关系，为UHI效应风险评估研究奠定了基础。今后，还可以改进SUEWS模型参数、拟合方法和温度模拟方法，精准探讨温度变化对HDD和AHF影响，分析影响AHF其他潜在因素，解释更广泛的现实复杂性关系。

参考文献

[1] ALLEN L，LINDBERG F，GRIMMOND C S B.Global to city scale urban anthropogenic heat flux： model and variability[J]. International Journal of Climatology，2011，31（13）：1990-2005.

[2] AGHAMOHAMMADI N，RAMAKRESHNAN L，FONG C S，et al. A Global Synthesis of Heat-Related Mortality in Overheated Cities[M].Singapore： Springer Nature Singapore，2022：21-38.

[3] WARD H C，KOTTHAUS S，J?RVI L，et al.Surface urban energy and water balance scheme （SUEWS）： development and evaluation at two UK sites[J].Urban Climate，2016，18： 1-32.

[4] SAILOR D J，VASIREDDY C.Correcting aggregate energy consumption data to account for variability in local weather[J].Environmental Modelling & Software，2006，21（5）：733-738.

[5] SANTAMOURIS M.Recent progress on urban overheating and heat island research.Integrated assessment of the energy， environmental，vulnerability and health impact. Synergies with the global climate change[J].Energy and Buildings，2020，207：109482.

[6] VARQUEZ A C G，KIYOMOTO S，KHANH D N，et al.Global 1-km present and future hourly anthropogenic heat flux[J].Scientific Data，2021，8（1）：64.

[7] IPCC.Global Warming of 1.5°C： IPCC Special Report on Impacts of Global Warming of 1.5°C above Pre-industrial Levels in Context of Strengthening Response to Climate Change[M].Cambridge： Cambridge University Press，2022：445-538.

[8] PERKINS-KIRKPATRICK S E，LEWIS S C.Increasing trends in regional heatwaves[J].Nature communications，2020，11（1）：3357.