ACTA Scientiarum Naturalium Universitatis Pekinensis
利用集合深度学习方法订正空气质量数值预报结果
——以新疆乌昌石城市群为例
北京大学学报(自然科学版)第56卷 第5期 2020年9月
细颗粒物(PM2.5)是近年来中国大多数城市的主要空气污染物, 是城市秋冬季节空气质量的重要表征指标。2016年全国年平均PM2.5浓度为47 μg/m3,超过34%的城市 PM2.5浓度超过国家二级环境空气质量标准(NAQQS)(GB3095—2012) 35 μg/m3, 人口稠密地区的污染水平更是远超这一标准[1]。例如京津冀地区, 2016年的 PM2.5浓度年均值为71 μg/m3,是国家二级标准的两倍, 对居民健康造成极为不利的影响[2]。通过空气质量预报向政府生态环境部门以及其他行政和公共机构提供空气污染预警, 一方面可以有效地帮助公众及时采取保护措施来规避风险(如戴口罩、留在室内等), 还可以为政府实施动态管理措施, 限制预警期间空气污染物排放[3]提供必要的信息。
预测未来空气质量的方法主要有两类: 经验统计模型和确定性机理模型。经验方法通常采用关联预测变量和解释变量的统计模型, 从理论上讲, 只要有足够丰富的观测数据, 即可用来训练统计模型进行预测, 很容易业务化运行。然而, 统计模型难以预测较长期和较大空间尺度的空气质量, 尤其是监测站点稀疏的地区。同时, 统计模型无法预测污染物细分成分等没有观测的变量, 也很难提供排放控制的有用信息[4]。基于机理的方法通常采用大气化学传输模型来克服统计模型的上述缺点。例如,社区多尺度空气质量模型(Community Multi-scale Air Quality model, CMAQ)可以在更长的提前期内进行预测, 且预测的污染物成分种类丰富, 预报的准确度也相对稳定, 还可以在一定程度上提供动态管理需要的辅助信息[5]。大气化学传输模型以详细的空气污染物排放清单和气象预报场作为输入, 通过在空间和时间上求解一系列数学方程来模拟大气中物理和化学演化过程, 从而模拟和预报空气污染物在大气中迁移、转化和沉降的全过程。基于CMAQ的区域空气质量预报系统已在世界范围内广泛建立, 很多基于CMAQ的预报系统能够提供业务化的实时空气质量预报[6]。然而, 由于排放清单和气象预报的不确定性以及空气质量模型中不完善的物理和化学机制, 这种空气质量预报方法存在显著的误差[7]。提高确定性机理模型预测性能的一种方法是利用基于统计模型的后校正技术, 对原始预测进行客观订正[8]。从本质说, 后校正技术是偏差校正技术,利用确定性模型的历史误差来纠正当前的模型预测
932结果。最简单的偏差校正技术是移动平均法或线性模型, 它直接将前一时间段的平均预测偏差应用于当前模型来预测或滚动训练线性模型[9]。卡尔曼滤波器也用于从模型的历史性能评估中获得未来的偏差[8]。另外一种偏差校正方法是利用相似性来订正误差, 首先将历史的预测结果聚类成相似的分组,然后从历史相似预报结果与实测的对比来获取当前
[10–11]预测偏差的估计值 。该方法考虑了不同分组之间预报误差的显著区别, 这些区别可能来源于不同的天气类型和排放规律引起的污染水平的差别。基于相似性的方法, 可以进一步与卡尔曼滤波器及其他统计方法相结合, 用以确定同一分组相似预报结果的集合偏差[12]。
本文利用一种新的集合深度学习方法, 对数值模式预报结果[10]进行订正, 并将其应用于数值模式预报误差通常较大的新疆乌(鲁木齐)昌(吉)石(河子)城市群地区。乌昌石城市群位于新疆准噶尔盆地南缘, 是中天山北坡经济带的重要组成部分, 人口稠密, 聚集新疆40%以上的城镇人口, 经济发达, 创造全疆约40%的生产总值。同时, 受污染物排放过量以及地形和气象条件的影响[13–15], 当地环境质量日趋严峻, 尤其是冬天采暖季, 受燃煤污染物的排放及逆温层、静稳天气等不利条件的影响, 污染问题尤为突出。此外, 乌昌石城市群各城市间污染物相互传输, 各城市互为污染贡献源, 区域型大气污
[16]染特征日渐突显 。本研究针对乌昌石城市群这个具有特殊污染气象条件的地区, 探索快速提高空气质量预报准确性的有效途径, 研究结果可推广到其他类似地区, 以期提升各地环境保护部门对空气污染事件的预报和预警能力。
1 资料与方法1.1 研究区域
选取乌昌石城市群的乌鲁木齐、五家渠、昌吉和石河子4个城市为研究区(图1), 南北方向包括14个格点(南北宽 172 km), 东西方向包括21个格点(东西长 352 km), 共 294个格点。由图1可以看出,乌昌石城市群区域受南部天山山脉对空气对流阻隔的影响, 同时本地的工业和生活污染物排放较为集中, 导致该区域的空气污染较为严重。
1.2观测与模拟数据
PM2.5观测数据来自中国环境监测总站统一建立和管理的全国空气质量监测网络。该监测网络涵
张斌等 利用集合深度学习方法订正空气质量数值预报结果——以新疆乌昌石城市群为例
气质量监测站点格点的空气质量预报后校正、不包含空气质量监测站点格点的误差订正。因此, 该方法可对整个研究区域内的模型预报结果进行订正,从而提升预报准确率。该方法模型如下:
Cmos = f (Ccmaq, V1, V2, …, Vn)+ δf , (1)单一机器学习模型f将原始的空气质量预报Ccmaq和其他辅助解释变量V1~VN 作为输入, 辅助变量包括空气质量预报同时刻的气象变量(如气温、风速和相对湿度)预报值以及数字高程(DEM)数据等。这些变量对细颗粒物浓度都有显著影响[19–20],因此与质量预报误差之间也有较强的相关性, 可用于帮助订正空气质量预报结果 Cmos, 并降低模型残差 δf。
本研究使用的模型f为集合深度学习模型, 如式(2)所示: fensemble = fmeta(cfuse,dnn, Cfuse,rf, Cfuse,gbm, Cfuse,glm) + δe ,
(2)集合深度学习模型是基于堆栈(stacking)原理,利用元学习器 fmeta, 把不同的机器学习模型整合到一起, 形成一个集合深度学习方法 fensemble, 使其有较小的残差δe。Cfuse,dnn, Cfuse,rf, Cfuse,gbm 和C
fuse,glm分别为深度神经网络(Deep Neural Network, DNN)、随机森林模型(Random Forest, RF)、梯度提升模型(Gradient Boosting Machine, GBM)和广义线性模型(General Linear Model, GLM)。将这4个模型作为主学习器, 训练与模拟过程如图2所示。深度神经网络模型具有对复杂非线性关系的拟合能力, 预测结果无偏, 但存在过拟合的可能性[21]。随机森林模型和梯度提升模型都是包含多种弱分类器的集合模型, 区别是前者使用引导聚集算法(bootstrap aggregating),也称装袋算法(bagging)[22], 后者使用提升算法(boosting)[23], 这两种方法在选择数量合适的决策树时都可避免过拟合现象。广义线性模型通过概率分布函数来实现对非线性过程的模拟, 不会出现明显的过拟合, 效果稳定, 但模拟的误差较大。具体来讲, 将深度神经网络模型设计为一个3层的全连接神经网络模型, 以双曲正切函数Tanh为激活函数, 以 Sigmoid函数为输出层函数; 随机森林算法和梯度提升模型均使用100棵分类树, 激活函数也为双曲正切函数Tanh; 广义线性模型使用的联系函数则为高斯函数。
为了整合上述4个学习器, 我们采用广义线性
933
北京大学学报(自然科学版)第56卷 第5期 2020年9月
张斌等 利用集合深度学习方法订正空气质量数值预报结果——以新疆乌昌石城市群为例
低, 而结构较为复杂的深度神经网络模型表现最差。原因可能与乌昌石城市群地区站点CMAQ预报误差的结构较为简单有关, 深度神经网络模型适合模拟较为复杂的数据关联。随机森林模型具有最好的表现, 对于集合模型的表现有较为主要的贡献,该结果与Lyu等[17]对全国 PM2.5数据融合研究的发现较为一致。误差订正是在有监测站点的网格单元中进行, 由于这些站点主要分布在城市地区, 这些网格单元的订正后的预报误差也比较相似。
2.3空间订正效果评估
本文采用交叉验证的方法, 评估订正方法在空间扩展方面的表现。在这一步骤中, 训练数据不包含站点数据。订正后的结果中, R2的提升没有第一阶段显著, 评估结果的R2值对5天预报的结果分别为 0.45, 0.43, 0.42, 0.4和 0.38, 与站点上的模型订正效果相比有所降低, 但对未来5天预报效果的增加幅度仍然分别达到83%, 77%, 63%, 64%和51% (图6(a))。相应地, RMSE也明显地下降, 从原始5天预报的约43 μg/m3降至约30 μg/m3, 下降幅度约为30% (图 6(b))。同样地, 集合深度学习模型仍然表现最好, 在各个集合成员模型中, 随机森林模型的表现最好, 两者订正结果的R2和RMSE值都比较接近。
通过分析乌昌石城市群地区2018年1月7日的一个典型污染过程案例预报结果的空间分布(图7),可以看出经过集合深度学习模型客观订正之后的PM2.5浓度预报结果比原始的CMAQ预报浓度有明显的增加, 并与观测结果更加接近。与此同时, 由于使用了空间分辨率更高的DEM海拔高度数据,订正结果具有更高的空间分辨率。
3结论
北京大学学报(自然科学版)第56卷 第5期 2020年9月
张斌等 利用集合深度学习方法订正空气质量数值预报结果——以新疆乌昌石城市群为例
北京大学学报(自然科学版)第56卷 第5期 2020年9月
1. 北京大学城市与环境学院, 教育部地表分析与模拟重点实验室, 北京 100871; 2. 北京市气象台, 北京† 通信作者, E-mail: sh-zhao@urban.pku.edu.cn 100089;
摘要 利用2016年北京市自动观测站的逐时气象要素数据, 排除复杂天气影响, 筛选出微风、晴朗的10月23日全天为研究时段。采用ANUSPLIN空间化插值软件和百分位法定义城市热岛, 探究北京市热岛24小时移动路径与空间分布格局特征, 分析热岛逐小时变化与土地覆被的关系, 得到如下结果。1) 北京市秋季晴天热岛强度存在日变化规律, 其中 18:00—23:00时段的热岛强度增长速率最大为0.48ºc/h。2) 日内不同时刻热岛分布存在差异, 水平分布形态有以下3种范式: 单中心式热岛、多中心式热岛和辐射状热岛。3) 不同时刻热岛分布区内6种土地利用类型的面积占比不同, 白天热岛分布区无代表性土地利用类型, 不同时刻热岛区6种土地利用类型的百分比结构差异大; 夜晚热岛分布区土地利用类型以建设用地为主, 不同时刻热岛区6种土地利用类型的百分比结构差异小。4) 热岛日内变化与土地利用的关系: 00:00—03:00, 热岛逐时移动面积小, 且移动区6种土地利用类型的占比无明显变化; 03:00—07:00, 热岛向林地占比增多、建设用地占比减小的区域移动; 07:00—09:00, 热岛向林地占比减小、耕地与建设用地占比增大的区域移动; 09:00—15:00, 热岛整体向东移动, 建设用地占比减小、耕地占比增大; 15:00—19:00, 热岛移回建设用地占比增大的区域; 19:00—22:00, 热岛移动区内6种土地利用类型的占比无明显变化; 22:00—23:00, 热岛向耕地占比增大、建设用地占比减小的区域移动。关键词 自动气象站; 逐时温度数据; 百分位法; 热岛日内变化; 土地利用
北京大学学报(自然科学版)第56卷 第5期 2020年9月
the hourly UHI is built-up land, and the percentage structure of the six types of land use in the hourly UHI is similar. 4) The relationship between the hourly change of UHI and land use type: from 0:00 to 3:00, the area of the hourly moving region of UHI where the proportion of six land use types did not change significantly is small; from 3:00 to 7:00, the UHI moves to the region where the proportion of built-up land decreases and the proportion of forest land increases; from 7:00 to 9:00, the UHI moves to the region where the proportion of forest land decreases and the proportion of built-up land and crop land decreases; from 9:00 to 15:00, the UHI moves to the region where the proportion of built-up land decreases and the proportion of crop land increases; from 15:00 to 19:00, the UHI returnes to the region where the proportion of built-up land increases; from 19:00 to 22:00, the proportion of six land use types in the hourly UHI’S moving region does not change significantly; from 22:00 to 23:00, the UHI moves to the area where the proportion of crop land increases and the proportion of built-up land decreases. Key words automatic weather stations; hourly temperature data; percentile method; daily change of UHI; land use
随着城市化进程的推进, 城市热环境问题日益突出, 受到各界广泛的关注。城市快速扩张过程中土地利用/土地覆盖的变化(land use/cover change, LUCC)使城市下垫面的物理性质与几何形态发生改
[1–3]变, 对区域热环境产生重要影响 。从英国气象学家 Howard[4]发现伦敦市30年间市区和郊区的气温变化开始, 城市热岛(urban heat island, UHI)逐渐成为研究热点。学者们利用气象资料、遥感监测和数值模拟方法, 对城市热岛的形态结构、变化发展、影响因素和形成机制等方面展开大量研究[5–8]。现有的关于城市热岛时空格局与演变特征研究大多利用遥感影像热红外通道反演的地表温度(land surface temperature, LST), 时间尺度集中于年、季和月。近年来, 学者开始关注城市热岛的日内逐时变化规律。例如, 方迎波等[9]利用MODIS数据, 并结合模拟地表温度日变化的INA08模型, 分析长三角城市群在夏、冬两季的热岛空间格局特征; Zhou
[10]等 通过整合 FY-2C S-VISSR 和 MODIS (Terra/ Aqua)数据, 模拟1 km LST的小时数据, 并分析北京地区2005 年4个典型日的热岛强度日变化特征;
[11] Sismanidis 等 利用 NOA/IAASAR 系统的 LST 资料, 分析雅典、伊斯坦布尔和罗马三大地中海城市的地表热岛强度日变化特征。
遥感数据源反演出的LST不一定真实地反映特定时段的平均温度, 而空间化自动气象观测数据可兼顾时空尺度的连续性优势, 为精细化地研究城市热岛日内时空变化提供可能性。随着北京市自动气象观测站逐年扩增, 2018年全市共建成438个自动气象站①。杨萍等[12]评估了北京地区逐小时气温观测资料的准确性和可靠性, 也有学者利用高密度自动气象站观测数据开展城市热岛的研究[13–14]。程
[15]志刚等 分析了北京中央商务区热岛强度日变化和空间变化特征及其影响因子, Yang等[16]利用自动气象站小时数据分析北京市六环建成区内热岛强度的时空特征。但是, 尚未有研究者利用空间化自动气象观测数据精细化地探索北京市域范围内的热岛24小时的时空变化特征。
基于上述背景, 本文选用经过质量控制的2016年北京市自动气象观测网的逐小时资料, 排除复杂天气过程对城市热岛的干扰, 筛选出全市无降水且2分钟平均风速小于4 m/s的日期作为研究时段。利用ANUSPLIN气象专用插值软件, 将离散气温数据空间化, 参考百分位数法划分城市热岛, 探讨北京市秋季晴天热岛24小时移动路径与空间分布格局特征, 并叠加土地利用数据, 获得对北京城市热岛日内逐时变化规律与土地利用关系的新认识, 旨在为相关部门提供利用空间化自动气象观测数据逐时监测城市热岛的处理流程和方法, 为探讨什么样的土地覆盖格局有利于减缓城市热岛强度、改善城市热环境状况提供理论依据。
1研究区域及数据来源
北京市 (39°28′N—41°05′N, 115°25′E—117°30′E)面积为 16410.54 km2, 辖 16个区。2018年末, 全市常住人口为2154.2万。北有军都山, 西有西山, 山地约占全市面积的62%; 东南是永定河和潮白河等河流冲积而成的平原。地势西北高, 东南低, 平原海拔高度为 20~60 m, 山地海拔高度为 1000~1500 m。北京气候属于暖温带半湿润半干旱季风气候。据中国天气网 (http://bj.weather.com.cn/sdqh/index. shtml), 北京年平均气温在平原地区为11~13ºc, 在海拔800 m以下的山区为9~11ºc, 在高寒山区为3~
周小康等 基于小时温度数据的北京市热岛时空变化与土地利用分析
5ºc; 年降水量空间分布不均匀, 东北部和西南部山前迎风坡地区为相对降水中心, 为 600~700 mm, 西北部和北部深山区小于500 mm, 平原及部分山区为 500~600 mm。
本研究基于国家气象信息中心 351 个自动气象站(图1)提供的 2016年北京市逐小时自动气象观测数据, 数据经过较严格的质量控制。为排除复杂天气过程对城市热岛的干扰, 本文将全市一天内无降水且2分钟平均风速小于4 m/s作为筛选条件[17], 对北京市2016年逐日气象要素数据进行筛选, 最终选定微风、晴朗的10月 23日作为研究北京市秋季晴天热岛时空分布的样本时段。
2015年北京市土地利用分类数据由中国环境科学研究院提供, 分辨率为30 m×30 m。该数据采用的土地利用分类系统包括6个一级类型和46个二级类型, 其中一级类型主要根据土地的资源和利用属性划分为林地、建设用地、耕地、草地、湿地和未利用土地六大类, 分别占全市总面积的 57.4%, 18.3%, 15.8%, 6.4%, 1.9%和 0.2%。
2 研究方法2.1 ANUSPLIN
利用气象数据专用插值软件ANUSPLIN, 对逐时温度数据进行插值。为消除海拔不同带来的温度偏差, 插值过程中引入高程作为协变量。插值模型
选定为二次样条三变量局部薄盘光滑样条函数, 插值分辨率为1 km。软件同时输出逐小时温度插值结果的预测标准误差, 计算24小时插值表面预测标准误差的均值, 结果显示的平均预测标准误差范围为0.77~0.94ºc。
为了综合分析插值精度, 在 Arcmap 中利用Create Random Points工具随机抽取10个站点作为检验样本不参与插值, 计算10个站点的实测数据与其插值估计值的平均绝对误差(mean absolute deviation, MAE), 用于直接反映插值结果与实测值的绝对误差量。计算24个温度插值表面平均绝对误差的均值与方差, 结果显示: 方差为 0.21, 说明不同时刻温度插值表面的绝对误差波动小, 各插值表面的误差值相近; 均值为 0.69, 说明每个温度插值表面的误差较低。因此, 本文利用ANUSPLIN软件获得逐时温度插值表面是准确可行的。
2.2城市热岛界定与热岛强度定义
本文侧重于利用空间化气温数据的相对大小与统计分布特征来界定城市热岛。为消除不同时刻绝对温度差异的大小, 将逐小时温度插值面进行距平处理。绘制研究区内不同时刻插值表面温度距平值的频数直方图, 结果呈偏态分布(左偏), 因此未参考均值–标准差热岛分级法[18], 而采用百分位法实现城市热岛的有效界定: 将每个时刻插值表面的温度距平值从大到小排序, 计算10百分位数对应的温度距平值, 将研究区内大于10百分位数(即温度距平值排序位于前10%)的区域定义为城市热岛区;计算90百分位数对应的温度距平值, 将研究区内小于90百分位数(即温度距平值排序位于后10%)的区域定义为城市冷岛区。热岛强度的计算公式为
Tr−l (t)= Tr(t)− Tl (t), (1)式中, Tr−l(t)为 t时刻的城市热岛强度, Tr(t)为第 t 时刻热岛区的气温距平值, Tl(t)为 t时刻冷岛区的气温距平值。
2.3逐时热岛移动区内土地利用占比变化指标的定义
为探究逐时热岛移动区域内6种土地利用类型面积占比的变化特征, 本文利用ARCGIS 的 Symmetric Difference 工具, 叠加分析获得逐时热岛移动区, 分为逐时热岛扩增区和逐时热岛缩减区两类。利用 Tabulate Area工具, 分别计算逐时热岛扩增区与逐时热岛缩减区内6种土地利用类型面积占比,
941
北京大学学报(自然科学版)第56卷 第5期 2020年9月
并计算二者的差值:
Δi(t)= Ki(t)− Si(t),式中, Δi(t)表示 t与 t+1时刻间热岛扩增区与热岛缩减区内i种土地利用类型面积占比的差值, Ki(t)表示t与 t+1时刻间热岛扩增区内i种土地利用类型的面积占比, Si(t)表示 t与 t+1时刻间热岛缩减区内i 种土地利用类型的面积占比, i = 1, 2, …, 6, 分别表示耕地、林地、草地、湿地、建设用地和未利用土地。若Δi(t)>10%, 则表示在t与 t+1时刻之间热岛向i种土地利用类型面积占比增加的区域移动; 若 Δi(t)< −10%, 则表示在t 与 t+1时刻间热岛向i种土地利用类型面积占比减小的区域移动; 若−10%<Δi(t)< 10%, 则表示在t 与 t+1时刻间热岛移动区域内i种土地利用类型占比无明显变化。
3 北京市秋季晴天热岛时空特征分析3.1 北京市秋季晴天热岛强度24小时变化特征
图2为北京市秋季晴天热岛强度的逐时变化曲线, 热岛强度的日均值为8.94ºc, 该日热岛强度最大值为11.1ºc, 出现在21:00; 该日热岛强度最小值为 7.8ºc, 出现在02:00。北京市秋季晴天不同时刻热岛的空间分布如图3和 4所示, 一天中热岛的分布并非固定于中心城区, 不同时刻存在差异, 研究时段出现的热岛水平分布形态有3种范式: 单中心式热岛、多中心式热岛和辐射状热岛。
Fig. 3
北京大学学报(自然科学版)第56卷 第5期 2020年9月
周小康等 基于小时温度数据的北京市热岛时空变化与土地利用分析
00:00—08:00, 北京市秋季晴天城市热岛呈辐射状, 热岛中心位于城六区偏西部(覆盖范围包括东西城区、石景山与海淀区山前平原、丰台区、朝阳区西部), 并向西南房山区山前平原辐射延伸, 热岛质心始终位于丰台区。热岛的外围形态随时间发生改变: 00:00—03:00, 西北方向的热岛外围区(覆盖范围包括海淀区北部接连昌平城区)面积逐时减少, 东南方向的热岛外围区面积增加, 向大兴区和朝阳区扩展; 03:00—07:00, 热岛东南外围区(包括朝阳、大兴、丰台和房山)面积逐渐缩小, 转而向西北昌平城区延伸, 海淀北部接连昌平东南城区的热岛面积增大, 昌平区在 07:00形成独立的热岛斑块; 08:00, 昌平区热岛斑块南移, 与城六区热岛中心相接, 城六区热岛范围向东南方向的丰台和大兴区扩增。
08:00—10:00, 北京市秋季晴天城市热岛呈单中心式, 热岛质心由丰台区向东南移动29.5 km至大兴区, 北部昌平、海淀、东城和西城的热岛逐渐消失, 向东部大兴、朝阳和通州扩展。08:00— 09:00, 热岛质心移至大兴与房山北部交界处, 热岛覆盖区域包括丰台区、房山区东部、大兴区西部和朝阳区南部。09:00—10:00, 热岛质心持续向东移动至大兴北部, 热岛区域以大兴区为中心, 覆盖范围包括丰台区与房山区东部、通州区西部和朝阳区南部。
11:00, 热岛形态开始呈现多中心式, 北京市东部平原出现两个热岛中心, 分别为北部平谷城区热岛和中部通州区热岛(覆盖范围包括朝阳南部与丰台、大兴东部接连区域)。12:00, 中部通州区热岛面积减少, 南部房山区开始出现热岛中心, 东部平原在 12:00—14:00 出现3个热岛中心, 由北向南分别为北部平谷城区热岛、中部通州区热岛和南部房山区热岛。14:00—16:00, 南部房山区热岛消失,中部通州区热岛面积增大, 向南、向北分别扩展至大兴区和顺义区。16:00—18:00, 中部通州区热岛与北部平谷城区热岛消失, 热岛中心回到中心城区,并向北部辐射延伸(包括顺义、怀柔和昌平)。热岛质心从通州区移至朝阳区北部, 移动距离为 32.3 km。平谷、通州、大兴和房山等区域热岛形态在日出日落时段快速变化, 可能是由于该区域位于北京市东部平原, 属于城郊空旷地带, 太阳辐射能量没有经过大的损失就到达地面, 导致该区域气温对太阳辐射响应敏感。
18:00—22:00, 热岛形态呈现多中心式, 北京市夜晚出现两个热岛中心, 分别为西南房山城区热岛、中心城区向北部顺义城区辐射延伸状热岛。随着时间的推移, 热岛北部延伸区(包括顺义西部及怀柔、昌平南部)面积缩小, 而南部房山区热岛中心面积逐时增大。20:00—22:00, 城六区的热岛逐渐向南延伸, 与房山区热岛中心相接, 而热岛北部延伸区面积缩小, 成为独立热岛斑块(即顺义城区热岛中心)。22:00—23:00, 顺义城区的热岛中心消失, 最终形成以城六区为中心向西南房山区辐射延伸的热岛形态, 与当日凌晨时热岛形态相近。
4北京市秋季晴天热岛区域与土地利用结构的关系4.1 逐时热岛分布区的土地利用百分比结构特征
排除复杂天气过程对热岛的影响, 在既定下垫面条件下, 进一步探究热岛日内变化特征与土地利用类型的关系。由图5可知, 一天中不同时刻的热岛分布区内, 6种土地利用类型的面积占比不同, 随时间存在日变化规律, 07:00—18:00, 热岛分布区内建设用地、林地和耕地的占比呈曲线型波动, 因此本文划分白天(07:00—18:00)与夜晚(00:00—07:00, 18:00—23:00)两个时段, 分别计算昼夜热岛分布区内6种土地利用类型面积占比的均值与方差(图6),结果显示如下规律。
1) 白天接收太阳辐射时段, 热岛的形态与分布变化明显, 热岛分布区内耕地、建设用地和林地占比的标准差较大(分别为 11.9, 11.2 和 5.0), 而草地、湿地和未利用地占比的标准差较小(<4), 说明白天不同时刻热岛分布区内耕地、建设用地和林地占比波动大, 而草地、湿地和未利用地的占比稳定。白天时段热岛区域内6种土地利用类型占比的均值分别为建设用地 40.6%, 耕地 35.0%, 林地17.6%, 草地 4.0%, 湿地2.5%和未利用地 0.4%, 说明在北京市秋季白天, 热岛分布区内无代表性土地利用类型(以热岛分布区内某种土地利用类型是否大于50%为标准), 不同时刻热岛分布区内6种土地利用类型的百分比结构差异大。
2) 夜晚无太阳辐射时段, 热岛中心始终位于中心城区, 仅热岛外围延伸区发生变化, 热岛区域内6种土地利用类型占比的标准差比白天小, 分别为林地 3.2, 建设用地 2.9, 耕地 0.9, 草地 0.5, 湿地
945
北京大学学报(自然科学版)第56卷 第5期 2020年9月
分别为耕地 16.7%, 林地 14.7%, 草地 8.3%, 湿地2.4%和未利用地0.3%。09:00—10:00, 建设用地占比的差值为负, 耕地占比的差值为正, 说明该时段热岛分布区向建设用地占比减小、耕地占比增大的区域扩增, 扩增区位于大兴区中南部, 该区域以耕地 (59.6%)为主, 其次为建设用地(25.7%)、林地(11.7%) 、草地 (1.7%)、湿地 (1.0%)和未利用地(0.2%)。10:00—11:00, 北京市东部平原出现两个热岛中心, 分别为北部平谷城区热岛和中部通州区热岛。建设用地占比的差值为负, 林地占比的差值为正, 说明该时段热岛分布区向建设用地占比减小、林地占比增大的区域扩增, 扩增区的土地利用类型占比分别为耕地42.1%, 建设用地26.5%, 林地25.7%, 草地 2.2%, 湿地 3.1%和未利用地 0.4%。11:00—12:00, 中部通州区热岛面积减少, 耕地占比的差值为负, 建设用地占比的差值为正, 说明该时段热岛分布区向耕地占比减小、建设用地占比增加的区域扩增, 扩增区位于房山区山前平原。
12:00—14:00, 出现3个热岛中心, 由北向南分别为北部平谷城区热岛、中部通州区热岛和南部房山区热岛。建设用地占比的差值为负, 耕地占比的差值为正, 说明该时段热岛分布区向建设用地占比减小、耕地占比增大的区域扩增, 扩增区位于通州、大兴和房山东部, 该区域以耕地(62.6%)为主,其次分别为建设用地(21.4%)、林地(11.8%)、湿地(2.2%)、草地(1.7%)和未利用地(0.2%)。14:00— 15:00, 南部房山区热岛消失, 中部通州区热岛面积增大, 向南扩展至大兴区。该时段热岛扩增区与缩减区内6种土地利用类型的占比差值均在−10%~ 10%之间, 说明移动区域内6种土地利用类型的占
947