EN中文

地球信息科学学报 >

2020 , Vol. 22 >Issue 12: 2338 - 2347

DOI: https://doi.org/10.12082/dqxxkx.2020.190513

地理空间分析综合应用

中国气候舒适度时空分布特征分析

  • 刘艳霞 ,
  • 冯莉 , * ,
  • 田慧慧 ,
  • 阳少奇
展开
  • 河海大学水文水资源学院,南京 211100
* 冯 莉(1979— ),女,甘肃兰州市,副教授,主要从事城市遥感研究。E-mail:

刘艳霞(1995— ),女,河北唐山市,硕士生,主要从事城市遥感研究。E-mail:

收稿日期: 2019-09-11

  要求修回日期: 2019-12-09

  网络出版日期: 2021-02-25

基金资助

国家自然科学基金项目(41771446)

中央高校基本科研业务费项目(2018B18414)

版权

版权所有，未经授权，不得转载、摘编本刊文章，不得使用本刊的版式设计。
收起

Spatio-Temporal Distribution Analysis of Climate Comfort Level in China

  • LIU Yanxia ,
  • FENG Li , * ,
  • TIAN Huihui ,
  • YANG Shaoqi
Expand
  • School of Hydrology and Water Resources, Hohai University, Nanjing 211100, China
* FENG Li, E-mail:

Received date: 2019-09-11

  Request revised date: 2019-12-09

  Online published: 2021-02-25

Supported by

National Natural Science Foundation of China(41771446)

Fundamental Research Funds for the Central Universities(2018B18414)

Copyright

Copyright reserved © 2020
Fold

摘要

气候舒适度对人类活动和地区适宜性评价等研究具有重要意义,而温湿指数是气候舒适度评价的一项重要指标。传统的温湿指数计算都是基于站点数据,无法获取大尺度区域舒适度的时空变化特征。本文利用2005—2018年MODIS地表温度、大气可降水量数据,结合地理加权回归方法对经典温湿指数模型进行改进,计算并分析中国年均和月均气候舒适度时空演变特征。结果如下：① 采用GWR方法进行地表温度和气温的拟合,拟合精度（Adjusted R2=0.9~0.98,RMSE=0.14~1.89 ℃）较为理想,说明采用LST、NDVI、DEM作为自变量的地理加权回归分析,能够较精确地拟合地面气温;② 2005—2018年年均温湿指数统计结果表示,云南省累计舒适月数最多,高达167个月,中部省份相对于东南沿海省市舒适时期较多,最高舒适月数差值可达到41个月。中国年均舒适度空间分布规律基本保持一致,除新疆、西藏和东北的部分区域以外,舒适度空间呈现从南到北,舒适度等级由舒适变寒冷。从舒适度等级面积变化情况看,2005—2018年全国舒适度等级呈现由寒冷变舒适的趋势;③ 2018年全年舒适面积最大的月份为5月,其次为10月,不舒适月份集中在1月和7月,全国呈现极冷或极热。春季和秋季空间分布特征较为相似,呈现由东南到西北逐渐递减的趋势;除青藏高原地区外,夏季和冬季呈现由南到北递减趋势。舒适区域主要集中在低纬、中海拔地区。

关键词： 气候舒适度; 时空分布特征; 温湿指数; 地理加权回归; 地表温度; 大气可降水量; MODIS; 中国

本文引用格式

刘艳霞 , 冯莉 , 田慧慧 , 阳少奇 . 中国气候舒适度时空分布特征分析[J]. 地球信息科学学报, 2020 , 22(12) : 2338 -2347 . DOI: 10.12082/dqxxkx.2020.190513

Abstract

Climate comfort level has great significance to human activities and regional suitability assessment, and temperature humidity index is important for climate comfort evaluation. Traditional temperature-humidity index is obtained based on the observed data from some sations, which cannot reflect the spatio-temporal characteristics of climate comfort in large-scale areas. In this paper, the modified temperature humidity index model is proposed using Land Surface Temperature (LST) and Precipitable Water Vapor (PWV) from 2005 to 2018 retrieved from MODIS. Using this new index, the spatio-temporal characteristics of climate comfort level in China are calculated and analyzed. The results are shown as follows: (1) The GWR method is used to fit the surface temperature and air temperature. The fitting accuracy (Adjusted R2 = 0.90~0.98, RMSE = 0.14~1.89 ℃) is ideal, which indicates that LST, NDVI, and DEM are used as the independent variables for geographical weight Regression analysis can more accurately fit the air temperature; (2) The statistical results of the annual average temperature and humidity index from 2005 to 2018 show that the cumulative number of comfortable months in Yunnan Province is the most, up to 167 months, and the central provinces are relatively comfortable compared to the southeast coastal provinces, and the difference between the highest comfort months can reach 41 months. The spatial distribution of China's average annual comfort level is basically the same. Except for parts of Xinjiang, Tibet, and the northeast, the comfort level in China is from south to north, and the comfort level changes from comfortable to cold. Judging from the changes in the area of each comfort level, the national comfort level showed a trend from cold to comfortable from 2005 to 2018; (3) The month with largest comfortable area in 2018 is May, followed by October. Uncomfortable months are concentrated in January and July when the country is extremely cold or hot. The spatial distribution characteristics of spring and autumn are similar, showing a gradual decreasing trend from southeast to northwest; except for the Qinghai-Tibet Plateau, summer and winter show a decreasing trend from south to north. The comfort zone is mainly concentrated in low-latitude and middle-altitude areas.

Key words： climate comfort level; spatiotemporal distribution; temperature-humidity index; geographically weighted regression; land surface temperature; precipitable water vapor; MODIS; China

1 引言

人类活动[1,2]、生态环境[3]、物候条件[4,5]受到气候变化的影响越来越明显。在这些影响中,气候舒适度的变化与人类活动和人居环境有着密切联系。气候舒适度是建立在人类机体与近地大气之间热交换原理的基础上,从气象角度评价人类在不同气候条件下舒适感的一项生物气象指标[6]。在人体生理气候指数中,温湿指数（Temperature Humidity Index, THI）[7]应用较为广泛,它综合反映了温度和相对湿度2个因子对人体热感的影响,对评价气候舒适程度有重要意义。因此,对全国范围进行气候舒适度的空间分布及其演变规律研究,可以为全球气候变化的区域响应提供基础认识,从而为人居环境建设和人类活动适应提供必要的科学依据。
国内外学者已利用温湿指数开展了一系列研究工作。早在1966年,Terjung等[8]正式提出舒适度指数（Comfort Index, CI）的概念,并对美国大陆的人居气候舒适情况进行了评估;Ciobotaru等[9]利用温湿指数定义了罗马尼亚的福萨尼市的生物气候条件,可为决策者管理区域旅游业提供决策依据;李山等[10]利用温湿指数和风效指数的组合模型策略对舒适分级标准进行改进,给出中国大陆近50年来气候舒适期的空间演变及其季节性特点;曹云等[11]以温湿指数、风效指数、着衣指数及其综合指数为气候适宜性评价指标,解释了京津冀地区气候舒适度的时空变化特征;曹永强等[12]利用舒适度指数与旋转经验正交函数分解法相结合,分析了辽宁省夏季舒适程度及空间分布特征。
以往关于气候舒适度评价的研究主要基于地面气象资料的点状数据,不仅需要整理大量气象统计数据,还要进行空间插值,进而产生以点代面、空间尺度转换等问题,难以保证精度。此外,我国幅员辽阔,地形复杂,气候多样,现有研究多集中在局部或者区域尺度,全国尺度的研究较少[13,14,15]。随着遥感技术的发展,可直接从遥感影像获取地表温度[16,17],大气可降水量[18,19]等信息,近年来已有学者[20,21,22]将遥感数据应用到气候舒适度的评价中,但这些研究只是通过遥感反演地表温度或者采用其地表温度产品,将地表温度直接代入温湿指数模型中。因此,将遥感数据与地面站点结合的温湿指数计算能够提供更准确的定量描述,为分析大区域气候舒适度的空间分布、时间变化以及舒适度评价提供技术支撑。
本文通过地理加权回归方法对地面气温进行拟合和计算,建立基于MODIS地表温度产品和水汽产品的遥感温湿指数模型,实现对传统计算公式的改进。并利用舒适度分级体系计算2005—2018年全国气候舒适度的时空分布结果,分析我国气候舒适度的空间分布和时间变化特征。

2 研究方法与数据来源

2.1 研究方法

2.1.1 地理加权回归（GWR）气温拟合
以往关于气温和地表温度的回归方法是全局回归,只能反映系数在区域整体上的平均拟合,不能反映空间局上的变化[23]。本文利用历年气象观测数据,在Cristobal等[24]研究的基础上,通过地理加权回归[25]的方法建立地表温度与气温的线性关系,除采用LST、NDVI 2个敏感遥感变量外,还针对研究区域地形分布情况,将高程也作为变量。把遥感数据中的地表温度转换为气温代入模型,使温湿指数统计结果更为准确。
运用ArcGIS软件根据“AIC值最小”准则确定最优带宽[26],设气温比重为Ta,第j个参数坐标为 u j , v j ,生成LST系数表面、NDVI系数表面、DEM系数表面、截距系数表面,构建估算气温的空间变异系数回归模型如下：
T a j = β 0 u j , v j + β 1 u j , v j T s j + β 2 u j , v j ndv i j + β 3 u j , v j h j
式中：β0表示截距;β1-β3表示各个变量的估计回归系数;Ts表示MODIS地表温度/℃; ndv i j 表示归一化植被指数;h表示海拔高度/m;（u,v)表示某一个空间位置; j = 1 , ⋯ , n ,表示空间位置个数。
2.1.2 地面水汽压计算
有关研究表明,MODIS大气可降水量产品与晴空地面水汽压之间存在着良好的线性对应关 系[27,28]。本文依据杨景梅等[29]的研究方法,引入地理纬度和海拔高度2个变量,将已有经验系数参数化,建立了反映整层大气可降水量同地面水汽压的经验公式,因此可得地面水汽压计算公式如下：
e ' = w - a 0 a 1
式中：w为大气可降水量/cm; e ' 为地面水汽压/hpa。经验系数a0与a1需要根据以下3个区域分别计算：
（1）青藏高原地区
a 0 = - 0.02
a 1 = 0.185 exp ( 0.110 H 2 - 0.955 H + 1.980 )
（2）青藏高原地区以外纬度大于33°的地区
a 0 = 0.03 exp ( - 1.39 H 2 + 2.74 H + 0.15 )
a 1 = 0.17 + 0.066 ( φ - 33 2 + 4.41 ) - 1
（3）青藏高原以外纬度小于33°的
a 0 = 0.04 exp 0.6 H - 0.05 φ - 25.0 2 + 0.25 - 1
a 1 = 0.20 - 0.66 φ - 33 2 + 4.41 - 1
式中：H为海拔高度/km; φ 为地理纬度。
2.1.3 基于遥感修正温湿指数的舒适度评价
温湿指数（THI）是指温度与湿度的综合,反映了人体与环境的热量交换,公式如下[30]：
THI = 1.8 t + 32 - 0.55 1 - f 1.8 t - 26
式中：THI为温湿指数;t为气温/℃;f为相对湿度/%。
在气象学上,相对湿度f可表示为：
f = e E × 100 %
式中：e为地面水气压;E为地面饱和水气压（hPa）,一般由马格努斯（Magenus）经验公式[31]来计算：
E = E 0 · 10 7.5 t 237.3 + t E 0 = 6.11 h Pa
经验公式中THI计算使用的气温t和相对湿度f是基于站点的点状数据,本文使用经MODIS地表温度数据拟合后的Ta代替t,MODIS大气可降水量计算的 e ' 代替e,得到基于遥感的温湿指数模型。公式如下：
THI = 1.8 T a + 32 - 0.55 1 - e ' E 0 · 10 7.5 T a 273.3 + T a × 100 % × 1.8 T a - 26
式中：THI为温湿指数;Ta为经地表温度拟合的气温; e ' 为使用大气可降水量计算的地面水汽压。
根据温湿指数分级标准[32],并结合本文温湿指数分布情况,制定人体舒适度评价体系如表1所示。其中非常舒适定义为等级5,舒适感等级从极冷-极不舒适到极其闷热-极不舒适依次递增。
表1 温湿指数分级标准

Tab. 1 THI grade standard

温湿指数(THI) 人体感知 舒适感等级
<40 极冷,极不舒适 1
40~45 寒冷,不舒适 2
45~55 偏冷,较不舒适 3
55~60 较凉爽,舒适 4
60~65 非常凉爽,非常舒适 5
65~70 比较凉爽,舒适 6
70~75 偏热,较不舒适 7
75~80 闷热,不舒适 8
>80 极其闷热,极不舒适 9

2.2 数据来源与预处理

本文以中国为研究区,采用的数据包括气象观测数据和遥感数据。气象观测数据来源于中国气象科学数据共享服务网,选择2005—2018年中国2472个台站（剔除西沙和珊瑚2个远海海岛站）的地面气温月值数据集,其中2444个站点资料用来拟合气温模型,26个均匀分布的站点用来检验拟合精度。站点分布如图1所示。
图1 中国2472个气象站点空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)2886号的标准地图制作,底图无修改。

Fig.1 Distribution of 2472 stations in China

气候舒适度时空分布研究采用的遥感数据为2005—2018年月均数据（表2）,分别来源于NASA官网（https://ladsweb.modaps.eosdis.nasa.gov/search/）和CGIAR-CSI平台（http://srtm.csi.cgiar.org/）。利用MRT（MODIS Reprojection Tool）和HEG Tool（HDF-EOS to GeoTIFF）对遥感数据进行拼接、重采样等预处理操作,得到研究所需的数据产品。由于云的影响,部分地区存在数据缺失情况,图中空白区域代表数据缺失。
表2 气候舒适度分析采用的遥感数据

Tab. 2 Remote sensing data for climate comfort level analysis

数据类型 时间分辨率/d 空间分辨率 来源
地表温度(Land Surface Temperature,LST) 8 1 km NASA官网
归一化植被指数(Normalized Difference Vegetation Index,NDVI) 16 500 m NASA官网
大气可降水量(Precipitable Water Vapor,PWV) 1 5 km NASA官网
数字高程模型(Digital Elevation Model,DEM) - 90 m CGIAR-CSI SRTM

3 结果及分析

3.1 GWR拟合气温

GWR回归分析结果（表3）显示,从各月估算情况来看,12个月的决定系数（Adjusted R2）均高于0.90（0.90~0.98）,说明LST、NDVI和DEM这3个变量能极好地解释Ta的变化;其次,通过对2444个台站的各月残差和标准误差进行统计分析发现,各个月份中,约72%以上的台站残差介于-1~1 ℃之间,约90%以上的台站残差介于-2~2 ℃之间。在各个月份中,各个台站的标准误差介于0.14~1.89 ℃,低于1.9 ℃,并且,全年有9个月的所有台站的标准误差均低于1.5 ℃,说明利用MODIS地表温度、NDVI和DEM作为回归变量拟合中国地面气温的结果精度较高。
表3 2018年各月气温GWR回归分析结果

Tab. 3 Results of monthly temperature GWR regression analysis in 2018

月份 R2 AdjR2 AICc Sigma 残差 标准误差
范围/℃ -2~2 ℃误差站点所占百分比 -1~1 ℃站点所占百分比
1 0.98 0.97 7689.73 1.28 -3.08~4.72 91.37 74.40 0.16~1.23
2 0.98 0.98 6707.40 1.38 -1.49~1.44 90.38 74.67 0.14~1.33
3 0.98 0.97 2678.30 1.44 -2.44~3.41 90.98 74.86 0.17~1.39
4 0.96 0.94 1397.08 1.68 -3.97~4.37 90.01 74.42 0.19~1.64
5 0.93 0.90 996.86 1.42 -3.19~2.34 90.07 73.43 0.18~1.47
6 0.91 0.90 419.44 2.44 -2.94~3.84 90.28 73.48 0.29~1.37
7 0.94 0.92 468.49 2.84 -2.42~4.73 91.64 72.98 0.34~1.76
8 0.96 0.94 246.68 2.68 -3.44~4.43 90.84 72.46 0.33~1.49
9 0.91 0.90 442.37 2.98 -2.24~3.71 90.22 73.23 0.39~1.89
10 0.96 0.94 994.03 1.66 -3.71~3.11 90.24 74.42 0.21~1.41
11 0.98 0.97 329.14 1.64 -2.94~3.46 91.47 77.92 0.18~1.49
12 0.98 0.98 7302.13 1.26 -1.67~3.46 91.64 74.74 0.16~1.22
为了进一步评价GWR模型拟合气温的精度,从全国2472个站点中选取具有一定代表性的26个台站作为验证点,并分析拟合气温与实际观测气温的相对误差。验证结果如表4所示,可以看到除乌鲁木齐、敦煌等少数台站在少数月份相对误差大于2 ℃,其他月份相对误差均小于1.5 ℃。结果表明,GWR方法的拟合精度可以控制在2 ℃以内,说明气温和遥感变量之间的拟合结果较为理想。
表4 2018年各月站点气温与拟合结果的相对误差

Tab. 4 Relative error of station temperature and fitting results in each month of 2018

站点名称 经度/°E 纬度/°N 高程/m 月份
1 2 3 4 5 6 7 8 9 10 11 12
哈尔滨 126.94 44.42 161 0.47 0.41 0.48 0.34 0.22 0.41 0.19 0.04 0.14 0.08 0.22 0.40
乌鲁木齐 87.62 43.78 903 0.71 1.44 3.38 4.06 4.78 4.19 4.78 4.44 3.87 4.21 2.90 0.04
喀什 76.78 39.24 1204 0.47 0.77 2.30 0.77 0.07 0.39 0.28 0.40 2.44 2.40 0.37 0.64
额济纳旗 101.07 41.94 940 0.20 0.41 0.39 0.14 0.29 0.84 0.99 1.36 0.16 0.88 1.48 0.16
敦煌 94.68 40.14 1136 3.37 2.31 3.70 2.43 2.17 2.11 2.12 2.44 2.88 2.37 2.94 3.48
酒泉 98.48 39.77 1470 0.26 0.94 0.81 0.34 0.49 0.32 0.49 0.49 0.27 0.31 0.24 0.10
民勤 103.08 38.63 1369 0.26 0.49 1.08 1.22 1.72 2.26 2.34 1.76 1.62 1.04 0.68 0.20
格尔木 94.90 36.42 2816 1.79 1.40 1.14 1.42 0.87 0.23 0.00 0.02 0.67 1.04 1.11 1.74
二连浩特 111.97 43.64 964 0.11 0.63 0.44 0.74 0.11 0.11 0.10 0.20 0.30 0.14 0.64 0.94
太原 112.33 37.62 776 0.26 0.24 0.17 0.69 0.62 0.49 0.44 0.62 0.36 0.24 0.34 0.76
沈阳 122.72 41.42 16 1.40 0.71 0.34 0.12 0.03 0.11 0.36 0.19 0.40 0.29 0.44 0.74
北京 116.33 39.74 44 0.49 0.91 0.70 0.30 0.42 0.44 0.17 0.63 0.41 0.41 0.38 0.82
大连 121.63 38.90 82 0.48 1.19 0.39 0.42 0.47 0.48 0.14 0.32 0.64 1.09 0.82 0.20
济南 116.98 36.68 37 0.46 0.40 0.97 0.71 0.60 0.47 0.40 0.82 0.49 0.46 0.49 0.44
那曲 91.10 32.34 4699 1.12 1.47 0.48 0.47 0.39 1.13 0.34 0.91 0.07 0.40 1.04 1.02
拉萨 91.13 29.67 3642 0.68 0.89 1.26 1.78 2.11 2.47 1.64 1.86 2.33 1.07 1.42 0.88
昌都 97.17 31.14 3342 1.74 2.27 2.20 2.69 0.82 0.43 2.20 1.96 0.01 1.38 0.44 0.48
腾冲 98.40 24.02 1634 0.03 0.30 0.32 0.36 0.06 0.13 0.07 0.32 0.04 0.09 0.00 0.19
昆明 102.68 24.02 1889 4.77 4.42 4.98 3.39 3.43 3.09 3.28 4.04 2.92 4.13 4.71 4.84
西安 108.92 34.14 431 1.38 1.10 1.60 1.70 1.71 1.16 1.48 1.67 1.41 1.42 1.24 1.11
郑州 113.37 34.44 401 0.42 0.48 0.40 0.44 1.99 0.70 0.23 0.84 0.44 0.31 0.44 0.47
宜昌 111.00 30.80 294 0.34 0.38 0.32 0.46 0.34 0.42 0.37 0.32 0.04 0.04 0.14 0.37
贵阳 106.60 26.84 1243 1.46 1.92 1.84 2.39 2.96 2.38 3.22 3.09 2.31 3.14 2.28 2.10
桂林 110.30 24.32 149 2.20 0.49 0.49 0.60 0.70 0.37 0.47 0.07 0.28 0.24 0.47 0.94
上海 121.44 31.62 3 0.67 0.24 0.60 0.47 0.24 0.43 1.02 0.70 0.31 0.23 0.34 0.33
福州 119.28 26.08 16 0.44 0.09 0.29 0.41 0.24 0.47 0.37 0.24 0.12 0.18 0.20 0.27

3.2 2005—2018年中国年均THI空间分布

利用式（6）计算全国2005—2018年逐月舒适度指数,将表1的舒适度指数分级标准简化为冷—不舒适（1—3）、舒适（4—6）、热—不舒适（7—9）共3个等级,进行各等级历年月数统计。由图2中可以看出,云南舒适月数最多,高达109个月,占总月数的65%以上,且没有热-不舒适月份;而中西部省份（陕西、贵州等）相比传统印象中的东南沿海舒适地区（福建、广西等）,舒适月数所占百分比较多,其中陕西的舒适月数百分比比江苏多17%。位于或邻近青藏高原地区的省（自治区）（青海、西藏、四川）冷—不舒适的月数明显多于其他省份,最大舒适月数差值为167个月,且青海和西藏常年处于冷—不舒适;长江中下游地区的省份（浙江、上海等）不舒适的月数几乎比舒适月数多一倍（舒适月数54,不舒适月数113）,大部分时期为冷—不舒适、热—不舒适状态,不舒适月数最多的省份是江苏。
图2 2005—2018年各省（直辖市、自治区）THI月数统计

Fig. 2 Statistics on the monthly THI of each province from 2005 to 2018

根据表1的9个等级标准进行年际舒适度指数的时空变化分析,具体以2005、2009、2014和2018年年均温湿指数分布为例。从全国年均THI空间分布情况看（图3）,舒适区域集中在中、低纬的平原地区。其中,秦岭、淮河以南-青藏高原东缘东部为热—舒适区域;东北南部、内蒙古西部、黄土高原和新疆盆地地区为凉—舒适区域。不舒适区域主要集中在青藏高原地区和东北北部。青藏高原地区受海拔高度和地形的影响,人居环境气候舒适度总体上表现寒冷,川西地区临近青藏高原,舒适度情况受其影响较大,呈现寒冷—不舒适。但是与青藏高原地区整体舒适度不同的是,藏区东南小部分山谷区域呈现凉—舒适区域。东北北部主要受纬度影响,气候舒适度也表现为寒冷-不舒适。
图3 2005—2018年中国年平均THI空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)2886号的标准地图制作,底图无修改。

Fig. 3 Spatial distribution of annual THI in China from 2005 to 2018

整体来说,2005—2018年的中国大陆年均THI空间分布基本保持一致,气候舒适度受纬度和海拔影响明显,除新疆、西藏和东北的部分区域以外,全国气候舒适度呈现从由南到北,舒适度等级由舒适变寒冷的趋势。
表5总结了2005—2018年中国不同舒适度等级的覆盖面积和所占百分比。结果表明,极冷-极不舒适等级覆盖面积最大,比较凉爽—舒适等级变化最明显,从2005—2018年面积增加了9.83%;非常凉爽—非常舒适的覆盖面积几乎没有变化,维持在12%左右,说明从2005—2018年全国舒适度等级总体上呈现由寒冷变为舒适的趋势。
表5 2005—2018年中国年均舒适度等级覆盖面积及百分比

Tab. 5 Distribution of comfort level by total area and percentage of area from 2005 to 2018 （万km2,%）

年份 极冷-极不舒适 寒冷-不舒适 偏冷-不舒适 凉爽-舒适 非常凉爽-非常舒适 比较凉爽-舒适 偏热-不舒适 闷热-不舒适
面积 百分比 面积 百分比 面积 百分比 面积 百分比 面积 百分比 面积 百分比 面积 百分比 面积 百分比
2005 200.65 20.91 144.93 15.10 293.44 30.58 145.11 15.12 120.79 12.59 41.73 4.35 12.67 1.32 0.17 0.02
2009 202.60 21.11 148.66 15.49 316.21 32.95 134.09 13.97 114.31 11.91 38.19 3.98 5.54 0.58 - -
2014 165.23 17.22 119.95 12.50 345.07 35.96 133.78 13.94 132.75 13.84 49.48 5.16 13.21 1.38 0.03 -
2018 160.86 16.76 264.16 14.87 264.16 27.51 134.51 14.10 115.16 11.99 136.11 14.18 6.68 0.70 0.001 -

注：该时期不存在“极其闷热-极不舒适”舒适度等级,“-”表示计算结果太小忽略不计。

3.3 2018年中国月均THI空间分布

图4为2018年中国月均THI的空间分布。可以看出,不同月份气候舒适度在全国分布情况有显著差异,我国绝大部分地区舒适时期（等级4—6）集中在5月和10月,5月舒适面积多于10月（5月舒适面积为531.68万km2,10月舒适面积为270.72万km2）,舒适地区主要分布在中部地区和东南沿海城市;不舒适时期集中在1月和7月,1月寒冷-不舒适面积占到全国面积的79.92%,7月热-不舒适（等级7—9） 占全国面积的45.88%。春季（3—5月）和秋季（9—11月）的舒适度分布情况比较相似,呈现明显的东南高西北低的趋势,而且春季的舒适范围要比秋季大。由于海拔高度的影响,夏季（6—7月）THI的空间分布存在明显的边界,青藏高原地区表现凉-舒适,而青藏高原以外地区则不同程度的表现热-舒适和热-不舒适,川西地区和东北北部为主要避暑区。冬季（12月—次年2月）和年均THI分布趋势一致,具有明显的随纬度变化而变化的分布规律,呈现南高北低的趋势,大部分地区为寒冷-不舒适,我国南方沿海城市为主要冬季避寒区。从全年12个月的舒适度分布情况看,舒适区域主要集中在低纬、中海拔地区。
图4 2018年中国月平均THI空间分布

注：该图基于自然资源部标准地图服务网站下载的审图号为GS(2016)2886号的标准地图制作,底图无修改。

Fig. 4 Spatial distribution of monthly THI of 2018

4 结论与讨论

4.1 结论

本文利用MODIS遥感影像、DEM和地面气象观测数据,通过GWR建立地面气温拟合模型,提出了基于遥感数据的温湿指数模型,计算并分析了中国2005—2018年气候舒适度的空间分布及时间变化特征。得到以下结论：
（1）本研究采用GWR方法进行地表温度和气温的拟合,拟合精度（Adjusted R2=0.90~0.98,RMSE=0.14~1.89 ℃）较为理想,说明采用LST、NDVI、DEM作为自变量的地理加权回归分析,能够较精确地拟合地面气温。利用遥感数据实时、连续的特点,可以对气温进行全面的长时间序列分析,更准确掌握中国的气候变化情况。
（2）通过对2005—2018年年均温湿指数的计算和统计,得出云南省累计舒适月数最多,高达167个月,中部省份相对于东南沿海省市舒适时期较多,最高舒适月数差值可达到41个月。中国年均舒适度空间分布规律基本保持一致,除新疆、西藏和东北的部分区域以外,舒适度空间呈现从南到北,舒适度等级由舒适变寒冷。从舒适度等级面积变化情况看,2005—2018年全国舒适度等级呈现由寒冷变舒适的趋势。
（3） 2018年中国月均舒适度指数分布来看,全年舒适面积最大的月份为5月,其次为10月,不舒适月份集中在1月和7月,全国都呈现极冷或极热。春季和秋季空间分布特征较为相似,呈现由东南到西北逐渐递减的趋势;除青藏高原地区外,夏季和冬季呈现由南到北递减趋势。舒适区域主要集中在低纬、中海拔地区。

4.2 讨论

结合遥感数据评价中国气候舒适度已有初步的研究和应用,本文利用遥感数据的地表温度拟合气温,避免了传统温湿指数模型[10]以点代替面和空间插值的计算误差,在站点稀疏的地区（例如：青海北部,新疆西部,横断山区）表现舒适度的空间变化更具优势;与相关研究[22]相比,保证了温湿指数模型评价的准确性。基于遥感的温湿指数模型可以对大尺度区域的气候舒适度进行实时动态的评估,能够更加真实、准确地反映我国气候舒适度的时空分布特征和变化情况。研究结果可为人居环境改善提供重要指导、为生态文明与宜居城市建设提供科学依据。
研究在分析气候舒适度时利用了气温拟合模型,拟合结果发现相对误差偏大的气象观测站点大多分布在偏远和海拔较高的地区,所以后续工作可以考虑分区域进行拟合。此外由于温湿指数受气温和湿度影响较大,但是气候并不会在短时间内有明显变化,未来可以扩大时间尺度对气候舒适度进行分析,得到更明显的时空变化特征。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
王琛智, 张朝, 周脉耕, 等. 低温对中国居民健康影响的空间差异性分析[J]. 地球信息科学学报, 2017,19(3):336-345.

[ Wang C Z, Zhang C, Zhou M G, et al. Analyzing the spatial differences of the relationships between low temperature and health risk in China[J]. Journal of Geo-information Science, 2017,19(3):336-345. ]

[2]
刘俊, 李云云, 刘浩龙, 等. 气候变化对成都桃花观赏旅游的影响与人类适应行为[J]. 地理研究, 2016,35(3):504-512.

[ Liu J, Li Y Y, Liu H L, et al. Climate change and peach blossom viewing: Impact and adaptation[J]. Geographic Research, 2016,35(3):504-512. ]

[3]
左冰洁, 孙玉军. 南方亚热带季风区将乐县森林植被动态变化及其对气候变化的响应[J]. 地球信息科学学报, 2019,21(6):958-968.

[ Zuo B J, Sun Y J. Forest vegetation dynamics and responses to climate change in a southern subtropical monsoon region in Jangle County[J]. Journal of Geo-information Science, 2019,21(6):958-968. ]

[4]
刘俊, 黄莉, 孙晓倩, 等. 气候变化对中国观鸟旅游的影响——基于鸟类物候变化的分析[J]. 地理学报, 2019,74(5):912-922.

[ Liu J, Huang L, Sun X Q, et al. Impact of climate change on birdwatching tourism in China: Based on the perspective of bird phenology[J]. Acta Geographica Sinica, 2019,74(5):912-922. ]

[5]
王连喜, 陈怀亮, 李琪, 等. 植物物候与气候研究进展[J]. 生态学报, 2010,30(2):447-454.

[ Wang L X, Chen H L, Li Q, et al. Research advances in plant phenology and climate[J]. Acta Ecologica Sinica, 2010,30(2):447-454. ]

[6]
李亚滨, 王晓明, 李重操. 黑龙江省人体舒适度气候指数初步分析[J]. 黑龙江气象, 2009,26(2):22-24.

[ Li Y B, Wang X M, Li Z C. Preliminary analysis on climate index of human comfort in heilongjiang province[J]. Heilongjiang Meteorology, 2009,26(2):22-24. ]

[7]
王远飞, 沈愈. 上海市夏季温湿效应与人体舒适度[J]. 华东师范大学学报(自然科学版), 1998(3):60-66.

[ Wang Y F, Shen Y. The Temperature-humidity effect and human comfort in Shanghai summer[J]. Journal of East China Normal University(Natural Science), 1998(3):60-66. ]

[8]
Terjung W H. Physiologic climates of the conterminous United States: A bioclimatic classification based on man[J]. Annals of the Association of American Geographers, 1966,56(1):141-179.

[9]
Ciobotaru A, Andronache I, Dey N, et al. Temperature-Humidity Index described by fractal Higuchi Dimension affects tourism activity in the urban environment of Focşani City (Romania)[J]. Theoretical and Applied Climatology, 2019,136(3-4):1009-1019.

[10]
李山, 孙美淑, 张伟佳, 等. 中国大陆1961-2010年间气候舒适期的空间格局及其演变[J]. 地理研究, 2016,35(11):2053-2070.

[ Li S, Sun M, Zhang W, et al. Spatial patterns and evolving characteristics of climate comfortable period in the mainland of China:1961-2010[J]. Geographical Research, 2016,35(11):2053-2070. ]

[11]
曹云, 孙应龙, 吴门新. 近50年京津冀气候舒适度的区域时空特征分析[J]. 生态学报, 2019,39(20):1-16.

[ Cao Y, Sun Y L, Wu M X. Spatial and temporal characteristics of the periods of climate comfort in the Beijing-Tianjin-Hebei region from 1966 to 2015[J]. Acta Ecologica Sinica, 2019,39(20):1-16. ]

[12]
曹永强, 高璐, 王学凤. 近30年辽宁省夏季人体舒适度区域特征分析[J]. 地理科学, 2016,36(8):1205-1211.

[ Cao Y Q, Gao L, Wang X F. Climate Comfort Regional Characteristics in Summer in Liaoning During past 30 Years[J]. Scientia Geographica Sinica, 2016,36(8):1205-1211. ]

[13]
张曦月, 姜超, 孙建新, 等. 气候舒适度在不同海拔的时空变化特征及其影响因素[J]. 应用生态学报, 2018,29(9):2808-2818.

[ Zhang X, Jiang C, Sun J, et al. Spatio-temporal variations and influencing factors of thermal comfort at different elevations[J]. Chinese Journal of Applied Ecology, 2018,29(9):2808-2818. ]

[14]
马丽君, 孙根年, 谢越法, 等. 50年来东部典型城市旅游气候舒适度变化分析[J]. 资源科学, 2010,32(10):1963-1970.

[ Ma L J, Sun G N, Xie Y F, et al. A study on variations of the tourism climate comfort degree in five typical cities in eastern China during the last 50 years[J]. Resources Science, 2010,32(10):1963-1970. ]

[15]
唐进时, 申双和, 华荣强, 等. 热气候指数评价中国南方城市夏季舒适度[J]. 气象科学, 2015,35(6):769-774.

[ Tang J S, Shen S H, Hua R Q, et al. Assessment on summer comfort level of southern cities in China by UTCI[J]. Journal of the Meteorological Sciences, 2015,35(6):769-774. ]

[16]
覃志豪, Zhang Minghua, Arnon Karnieli, 等. 用陆地卫星TM6数据演算地表温度的单窗算法[J]. 地理学报, 2001,56(4):456-466.

[ Qin Z H, Zhang M H, Arnon K, et al. Mono-window algorithm for retrieving land surface temperature from Landsat TM6 data[J]. Acta Geographica Sinica, 2001,56(4):456-466. ]

[17]
崔晓临, 程贇, 张露, 等. 基于DEM修正的MODIS地表温度产品空间插值[J]. 地球信息科学学报, 2018,20(12):1768-1776.

[ Cui X L, Cheng Y, Zhang L, et al. Spatial interpolation of MODIS land surface temperature products based on DEM correction[J]. Journal of Geo-information Science, 2018,20(12):1768-1776. ]

[18]
Gao B C, Kaufman Y J. Water vapor retrievals using Moderate Resolution Imaging Spectroradiometer (MODIS) near-infrared channels[J]. Journal of geophysical research, 2003,108(D13):4389.

[19]
Seemann S W, Li J, Menzel W P, et al. Operational retrieval of atmospheric temperature, moisture, and ozone from MODIS infrared radiances[J]. Journal of Applied Meteorology, 2003,42(8):1072-1091.

[20]
陈小瑜, 闫远方. 基于TM/ETM+的泉州市区人体舒适度研究[J]. 科技和产业, 2015,15(12):124-130.

[ Chen X Y, Yan Y F. Research on Quanzhou human comfort index based on Landsat ETM+/TM[J]. Science Technology and Industry, 2015,15(12):124-130. ]

[21]
赵璊璊, 冯莉, 郭松, 等. 景观格局影响下的南京市热舒适度动态变化[J]. 长江流域资源与环境, 2018,27(8):1712-1724.

[ Zhao M M, Feng L, Guo S, et al. Study on the impacts of landscape patterns on the dynamic changes of thermal comfort in Nanjing city[J]. Resources and Environment in the Yangtze Basin, 2018,27(8):1712-1724. ]

[22]
谢雯, 任黎秀, 姜立鹏. 基于MODIS数据的旅游温湿指数时空分布研究[J]. 地理与地理信息科学, 2006,22(5):31-35.

[ Xie W, Ren L X, Jiang L P. A study on Spatial and temporal distribution of temperature-humidity index in China based on MODIS data[J]. Geography and Geo-information Science, 2006,22(5):31-35.

[23]
樊智宇, 詹庆明, 刘慧民, 等. 武汉市夏季城市热岛与不透水面增温强度时空分布[J]. 地球信息科学学报, 2019,21(2):226-235.

[ Fan Z Y, han Q M, Liu H M, et al. Spatial-temporal distribution of urban heat island and the heating effect of impervious surface in summer in Wuhan[J]. Journal of Geo-information Science, 2019,21(2):226-235. ]

[24]
Foody G M. Geographical weighting as a further refinement to regression modelling: An example focused on the NDVI-rainfall relationship[J]. Remote Sensing o Environment, 2003,88(3):283-293.

[25]
Cristobal J, Ninyerola M, Pons X, et al. Improving air temperature modelization by means of remote sensing variables[M]. IEEE International Symposium on Geoscience and Remote Sensing IGARSS, New York: EEE, 2006.

[26]
Brunsdon C, Fotheringham S, Charlton M. Geographically weighted regression-modelling spatial non-stationarity[J]. Journal of The Royal Statistical Society Series D-The Statistician, 1998,47(3):431-443.

[27]
张丹, 刘昌明, 付永锋, 等. 基于MODIS数据的中国地面水汽压模拟与分析[J]. 资源科学, 2012,34(1):74-80.

[ Zhang D, Liu C M, Fu Y F, et al. Estimation and analysis of near surface vapor pressure in China based on MODIS data[J]. Resources Science, 2012,34(1):74-80. ]

[28]
黄耀欢, 江东, 庄大方, 等. 基于MODIS遥感数据地表水汽压估算[J]. 地理科学进展, 2010,29(9):1137-1142.

[ Huang Y H, Jiang D, Zhuang D F, et al. Estimation of the surface vapor pressure based on the MODIS images[J]. Progress in Geography, 2010,29(9):1137-1142. ]

[29]
杨景梅, 邱金桓. 用地面湿度参量计算我国整层大气可降水量及有效水汽含量方法的研究[J]. 大气科学, 2002,26(1):9-22.

[ Yang J M, Qiu J H. A method for estimating precipitable water and effective water vapor content from ground humidity parameters[J]. Chinese Journal of Atmosphere Sciences, 2002,26(1):9-22. ]

[30]
胡毅, 李萍, 杨建功. 应用气象学[M]. 北京: 气象出版社, 2005.

[ Hu Y, Li P, Yang J G. Applied Meteorology[M]. Beijing: China Meteorological Press, 2005. ]

[31]
周淑贞. 气象学与气候学(第三版)[M]. 北京: 高等教育出版社, 1997.

[ Zhou S Z. Meteorology and Climatology[M]. Beijing: Higher Education Press, 1997. ]

[32]
刘清春, 王铮, 许世远. 中国城市旅游气候舒适性分析[J]. 资源科学, 2007,29(1):133-141.

[ Liu Q C, Wang Z, Xu S Y. Climate suitability index for city tourism in China[J]. Resources Science, 2007,29(1):133-141 .]

[33]
孔钦钦, 郑景云, 王新歌. 1979-2014年中国气候舒适度空间格局及时空变化[J]. 资源科学, 2016,38(6):1129-1139 .

[ Kong Q Q, Zheng J Y, Wang X G. Spatial pattern and temporal variation in thermal comfort in China from 1979 to 2014[J]. Resources Science, 2016,38(6):1129-1139. ]

Options
文章导航

/

〈 〉