EN中文

地球信息科学学报 >

2021 , Vol. 23 >Issue 3: 405 - 418

DOI: https://doi.org/10.12082/dqxxkx.2021.200097

地理空间分析综合应用

中国地级市人为热总量的估算及驱动因素分析

  • 蔡一乐 , 1 ,
  • 曹诗颂 , 1, * ,
  • 杜明义 1 ,
  • 李善飞 2 ,
  • 陈姗姗 3
展开
  • 1.北京建筑大学测绘与城市空间信息学院,北京 102616
  • 2.中国电建集团北京勘测设计研究院有限公司,北京 100024
  • 3.北京大学遥感与地理信息系统研究所,北京 100871
*曹诗颂（1989- ）,男,安徽岳西人,博士,讲师,主要从事遥感信息提取以及定量分析研究。 E-mail:

蔡一乐（1997- ）,男,江苏张家港人,硕士生,主要从事人为热排放格局、过程及机理研究。E-mail:

收稿日期: 2020-03-02

  要求修回日期: 2020-06-12

  网络出版日期: 2021-05-25

基金资助

国家自然科学基金项目(41930650)

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

Estimation and Analysis of Driving Factors of Total AHF in Prefecture-Level of China

  • CAI Yile , 1 ,
  • CAO Shisong , 1, * ,
  • DU Mingyi 1 ,
  • LI Shanfei 2 ,
  • CHEN Shanshan 3
Expand
  • 1 School of Geomatics and Urban Spatial Informatics, Beijing University of Civil Engineering and Architecture, Beijing 102616, China
  • 2 Beijing engineering corporation limited, POWERCHINA, Beijing 100024, China
  • 3 Institute of Remote Sensing and Geographic Information System, Peking University, Beijing 100871, China
*CAO Shisong, E-mail:

Received date: 2020-03-02

  Request revised date: 2020-06-12

  Online published: 2021-05-25

Supported by

National Natural Science Foundation of China(41930650)

Copyright

Copyright reserved © 2021
Fold

摘要

人为热一定程度上影响着城市的局地环境和微气候。以2016年中国地级市为研究对象,首先采用了能源消耗清单法结合Suomi-NPP（National Polar-orbiting Partnership）VIIRS（Visible Infrared Imaging Radiometer Suite）夜间灯光数据的方法估算了格网尺度的人为热通量;其次,分别使用最小二乘法和地理加权回归法模型在全局和局部尺度上研究不同因素对人为热总量的影响;进一步使用自然断点法划分出其中的主导因素。得出以下结论：① 各地级市的人为热总量具有显著的空间差异,京津冀、长江三角洲、珠江三角洲城市群所在的中国东南地区,人为热总量相对较高;② 能源消耗、民用汽车数量、人均生产总值是全局尺度上人为热总量的主要驱动因素;人口密度、第二产业占比、道路密度和建成区面积对人为热总量的影响呈现出较强的空间异质性;外商直接投资额则在全局尺度对人为热总量的影响较低。③ 主导因素分析表明无主导因素的地级市主要位于中国的西南部,以能源消耗、民用汽车数量、人均生产总值为单一主导因素的地级市主要聚集于中国的东南部、中部及东北部、西北部,并在其周边交叉地区形成了一些数量较少的双重主导因素地级市。本文的研究为政府相关部门对于人为热调控政策的制定提供了依据。

关键词： 人为热; 驱动因素; 夜间灯光; 最小二乘法; 地理加权回归; 自然断点法; 地级市; 中国

本文引用格式

蔡一乐 , 曹诗颂 , 杜明义 , 李善飞 , 陈姗姗 . 中国地级市人为热总量的估算及驱动因素分析[J]. 地球信息科学学报, 2021 , 23(3) : 405 -418 . DOI: 10.12082/dqxxkx.2021.200097

Abstract

Anthropogenic heat emissions significantly affect the sustainable development of cities. So far, studies regarding refined Anthropogenic Heat Flux (AHF) parameterizing have been widely conducted. However, the dominated driving factors of AHF at the prefecture level in China have not been well quantified. In this paper, we estimated the prefecture-level AHF in China and further revealed its driving factors. First, the energy consumption inventory integrated with the nighttime light data from the Suomi-national polar-orbiting partnership visible infrared imaging radiometer suite was adopted to estimate the total AHF for cities in China. Then, various socioeconomic factors of AHF were revealed using ordinary least square and geographically weighted regression models. The dominated factors for each city were identified using a coefficient quartering method which can capture the high value of each coefficient for each city. Results show that: (1) there was an obvious spatial heterogeneity of total AHF among cities, and in particular, the total AHF along the southeast coast of China was higher than those in the other regions; (2) dominated driving factors of total AHF were Energy Consumption (EC), Private car ownership (PV), and Per Capita GDP (PCGDP). In addition, the Population Density (PD), share of Secondary Industries (SI), Road Density (RD), and Urban Expansion (UE) contributed to the spatial variation of AHF across cities. Foreign Direct Investment (FDI) exhibited limited influences on AHFs; and (3) cities can be grouped into three types according to the number of dominated factors, i.e., cities having no dominated, single dominated, and bi-dominated factors. There was a high degree of spatial aggregation of cities in each city type. Cities labeled as no dominated factor were mainly located in southwestern China. Cities labeled as single dominated factor of the EC, PV, or PCGDP concentrated in southeastern, central, northeastern and northwestern China. This study can provide a reference for the government to formulate policies on the emissions of anthropogenic heat.

Key words： anthropogenic heat flux; driving factor; nighttime light data; ordinary least square; geographically weighted regression; natural break; prefecture-level; China

1 引言

人为热是指因人类活动产生的热量,这些热量主要来自于工业生产、交通、建筑能耗以及人体的新陈代谢活动。有学者指出,人为热的排放会加剧城市的热岛效应[1],进而影响城区局地尺度气候[2,3]。因此,研究城市人为热产生的量及其驱动因素将帮助政策制定者了解人为热的发展趋势,对于实现联合国2030年可持续目标（Sustainable Development Goals, SDGs）具有重要意义。
人为热通量（Anthropogenic Heat Flux, AHF）反映了单位面积和单位时间内人为热的排放量,人为热排放总量是一定面积和时间内人为热通量的总和[4]。由于人为热总量估算所需要的能源数据在中国只有省级尺度上的统计结果,如需进行地级市的人为热总量估算,则需要引入相关的地理空间分配方法。已有许多研究表明,夜间灯光（Nighttime light, NTL）与人为热排放之间存在明显的相关性[5,6]。夜间灯光数据主要记录了夜间的灯光、火光乃至车流等发出的低强度灯光,可以作为人类活动强度的重要指示指标。已有研究表明,夜间灯光数据与一些社会经济指标存在着紧密的联系[7,8]。如：Yang等[9]利用美国国防军事气象卫星（Defense Meteorological Satellite Program, DMSP）的线性扫描系统（Operational Linescan System, OLS）传感器探测的夜间灯光数据对中国大陆进行了长时间序列的AHF估计。Chen等[10]通过能源清单法与新一代的Suomi-NPP （National Polar-orbiting Partnership）VIIRS（Visible Infrared Imaging Radiometer Suite）夜间灯光数据得到了京津冀地区的精细化AHF,实现了更可靠的AHF估计。所以,通过能源消耗清单法收集相关的经济能源数据,将不同来源的能量消耗通过既定方法转化为AHF[11],并结合夜间灯光数据进行中国地级市尺度的人为热总量分配是一种估算中国地级市人为热总量的有效方法。
当前国内外对于人为热驱动因素的研究很少,主要原因在于以往对人为热通量的估算方法仍然存在一些不足。相关研究聚焦于不同尺度下人为热通量的估算方法,缺少对其进一步地进行驱动因素探究以更好地区分不同因素对人为热的影响程度。通过文献调研发现,驱动因素的研究方法主要有3种,分别是：主成分分析法[12]、相关性分析法[13,14]、回归分析法。其中,回归分析侧重于揭示随机变量间的依赖关系。已有研究证明使用可靠的回归模型来解释和预测多种影响因素具有一定的优势[15]。在各类回归模型中,最小二乘法模型与地理加权回归模型的应用较为广泛。其中,利用最小二乘法模型仅能得到在全局空间尺度上的结果,无法反映出驱动因素在空间上的异质性[16,17,18]。需要注意的是,使用地理加权回归模型用于探究影响因素的空间分布特征显然更具优势[19,20]。本文使用地理加权回归模型探究人为热总量的驱动因素,有助于揭示其在空间上的分布差异,进而为分区域制定人为热排放调控政策提供依据。
本研究旨在利用能源清单法结合夜间灯光影像得到中国范围内可靠的地级市人为热总量,在此基础上再分别通过OLS和GWR方法构建模型,分析人为热的驱动因素,并尝试寻找其中的主导因素,为城市的可持续发展提供决策依据。

2 研究区概况与数据来源

2.1 研究区概况

本文以中国大陆的地级市为研究对象。同时,包含部分名称为“地区”或“自治州”的行政单位以及直辖市,共290个（图1）。其中不包含数据缺失的地级市,以及台湾、香港和澳门。3个主要的城市群,即京津冀、长江三角洲、珠江三角洲城市群为代表的中国东部地区集中了全国较多的人口与工业,经济社会发展程度相对较高,能源消耗量较大。中部及东北地区聚集着大量的重工业。西部则拥有着大量的化石燃料以及矿产资源,地广人稀,经济社会发展相对落后。
图1 《中国城市统计年鉴2017》[23]可获取相关数据的290个地级市空间分布

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)1719号的标准地图制作,底图无修改;由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 1 Distribution of 290 prefecture-level cities with data available in 2017 China city statistical yearbook

2.2 数据来源

2.2.1 Suomi-NPP/VIIRS夜间灯光
本研究使用来自美国国家海洋和大气管理局（National Oceanic and Atmospheric Administration, NOAA）的Suomi-NPP/VIIRS夜间灯光数据。该数据相比DMSP-OLS有着更宽的扫描带和更高的空间分辨率,以及波段数多、重访周期短等优点[21,22]。本文选用了2016的年度影像。为了提高数据的准确性,首先对影像数据进行预处理。对于背景噪声等引起部分像元值的负值,首先将其替换为0,其次将DMSP-OLS影像中大于0的像元赋值为1,并生成掩膜。利用该掩膜数据与Suomi-NPP/VIIRS数据相乘,以此消除异常值。同时,采用领域滤波消除异常的极高值。经过投影变换和裁切,最终得到中国2016年度夜间灯光影像。
2.2.2 社会经济数据
本文社会经济数据为省级和地级市的部分统计年鉴数据。其中,省级与市级数据分别来自国家统计局的《中国统计年鉴2017》[23]与《中国城市统计年鉴2017》[24]。数据包括人均生产总值、人口密度、第二产业占比、能源消耗量、外商直接投资额,道路密度、民用汽车数量以及建成区面积。由于香港、澳门特别行政区、台湾省以及部分地级市的相关数据缺失,本研究纳入研究的地级市共有290个。

3 研究方法

3.1 方法概述

本研究的研究流程如图2所示,它包括2个关键步骤：
图2 2016年中国地级市人为热总量估算及驱动因素研究流程

Fig. 2 Study workflow of estimation and analysis of driving factors of total AHF in prefecture-level of China in 2016

（1）地级市人为热总量的估计：首先将省级能源数据通过能源清单法得到省级平均人为热通量。同时Suomi-NPP/VIIRS夜间灯光影像数据进行了归一化处理,并进行分区统计得到归一化的省级平均NTL数据。其次,通过二者数据线性回归模型的建立,得到全国范围内的人为热通量估计结果。最后,通过对人为热通量进行分区统计得到地级市的人为热总量。
（2）基于回归模型的驱动因素分析：首先,从城市统计年鉴中收集了全国290个地级市的8个指标。其次,在对其进行了归一化和中心化处理后,分别使用最小二乘法和地理加权回归模型得到全局和局部2种尺度的分析结果,并利用地理加权回归模型进行局部驱动因素以及空间异质性方面的探究。最后,使用自然断点法,依据各个地级市的变量系数值将其分为4种类型。系数值最高的城市即被定义为以该因素为主导因素的城市。

3.2 地级市人为热总量的估计

中国省级的能源消耗数据较易获得,但地级市的能源消耗等相关数据有缺失,无法直接得到地级市能源消耗数据。因此,本研究中主要采用省级的统计数据来计算省级的平均人为热通量。
人为热主要由工业热量、交通热量、建筑热量以及人体代谢热量的排放产生[25]。省级平均人为热通量的计算主要有4个部分组成（式(1)）。
Mean AHF = Q I + Q B + Q V + Q M
式中：Mean AHF为省级平均人为热通量/W·m-2,QI、QB、QV、QM分别代表工业热通量、建筑热通量、交通热通量以及人体代谢热通量/W·m-2。
工业热通量的计算是将各类工业热量转化为标准煤热量[26]（式(2)）。
Q I = E I ∙ C A ∙ T
式中： QI为工业热通量/W·m-2; EI为工业能源消耗/万吨标准煤; C为标准煤热量,根据国家能源转换标准,其值为29 307 kJ/kg; A为单位面积/m2;T代表一年。
建筑热通量主要来自建筑内部消耗的电力、煤炭、天然气等[27]。建筑可根据用途不同,分为居住建筑和商业建筑。省级居住、商业建筑能耗分别按照各省人口占比与第三产业占比得到（式(3)）。
Q B = E BR + E BC ∙ C A ∙ T
式中：QB为建筑热通量/W·m-2;EBR与EBC分别为居住建筑与商业建筑的能源消耗/tce;C为标准煤热量,根据国家能源转换标准,其值为29 307 kJ/kg; A为单位面积/m2;T代表一年。
交通热通量主要是交通工具在运行过程中产生的热量[28](式(4))。
Q V = D ∙ E ∙ ρ ∙ NHC ∙ V A ∙ T
式中： Q V 为交通热通量/W·m-2;D为平均每辆汽车的行驶距离/km;V为民用汽车总量;E为燃油消耗系数/(L/km);ρ为燃油消耗密度/(kg/L);NHC为净燃烧热量/(kJ/g);A为单位面积/m2;T代表一年。
根据Quah等[29]的研究,人体一天的活动可以分为活跃与睡眠状态(式(5))。
Q M = P 1 ∙ t 1 + P 2 ∙ t 2 ∙ N t 1 + t 2 ∙ A ∙ T
式中： Q M 为人体代谢热通量/W·m-2;t1为睡眠状态时间/(小时),t2为活跃状态时间/h;P1为睡眠状态代谢率/(W·h-1),P2为活跃状态代谢率/(W·h-1);N为人口总量;A为单位面积/m2;T代表一年。
已有大量的研究表明,人为热通量与夜间灯光影像数据存在着线性关系[30]。本研究通过能源清单法得到省级年度人为热通量,并借助夜间灯光数据进行地理空间分配得到全国范围的人为热通量地图。具体流程如下：首先,将预处理后的夜间灯光影像数据归一化;其次,通过分区统计得到各省的平均夜间灯光（Nighttime Light, NTL）数据;最后,建立省级平均AHF和平均 NTL的估计模型,依据该模型得到全国范围的人为热通量地图,进一步分区统计得到地级市的人为热总量的估计结果。

3.3 驱动因素分析方法

3.3.1 基于回归模型的驱动因素分析
在驱动因素的选择上,能源、人口和交通相关的因素属于人为热总量空间重构的自变量,本研究将其纳入驱动力分析,目的是挖掘各地级市由于地理与经济社会等不同导致的人为热总量驱动主导因素的差异性。这也是以往研究中,概括地将能源消耗作为人为热总量的主要驱动因素,但无法解释其具体主导因素的原因。因此驱动因素与人为热估算中使用的指标在使用目的上存在着区别。
考虑到数据的可获取性,本研究采用国家统计年鉴数据中的能源消耗代表能源因素、民用汽车数量和道路密度代表交通因素,人口密度代表人口因素。Chen等[31]的研究表明,人为热通量与地区经济发展水平以及经济结构有着一定的相关性。同时,外资对地区经济、技术的发展,以及能源、交通等领域的开发有着一定的促进作用。因此本研究将人均生产总值、第二产业占比以及外商直接投资额加入到驱动因素分析中。Adelia等[32]的研究表明城市形态和规模对人为热通量有着显著的影响,因此本研究将建成区面积也加入到影响因素的评价中。
由于部分地级市统计年鉴数据的缺失,本研究共采用了290个地级市的统计数据（表1）。
表1 《中国统计年鉴2017》[23]中290个地级市的数据统计

Tab. 1 Statistics of variables of 290 prefecture-level cities in 2017 China statistical yearbook

数据名 平均值 中位数 标准差 最小值 最大值
AHF总量/W 42 054.04 23 349.00 51 499.27 2528.00 378 730.00
人均生产总值/元 68 949.56 60 912.50 34 483.69 17 890.00 200 022.00
人口密度/(人/km2) 480.80 344.52 569.18 2.71 6273.56
第二产业占比/% 43.67 44.60 10.22 13.57 71.34
能源消耗/万千瓦时 199 5058.48 1 232 921.50 2 171 124.84 197 798.00 15 267 700.00
外商直接投资额/万美元 94 437.14 24 617.50 226 183.58 3.00 2 432 909.00
道路密度/% 109.33 106.91 54.77 1.64 230.74
民用汽车数量/辆 762 404.27 513 544.00 789 434.97 13 200.00 5 138 074.00
建成区面积/km2 162.08 91.00 204.34 14.00 1563.00
通过构建模型的方法,可以探究各地级市人为热总量的影响因素。在本研究中分别使用了最小二乘法（Ordinary Least Square, OLS）与地理加权回归（Geographically Weighted Regression, GWR）模型。为了得到可靠的回归结果,需要消除数值间巨大的差异[33]。因此,本研究采用了自然对数化以及中心化的处理方法。
地理加权回归是一种局部回归模型,它相比于全局回归的优势是可以反映出变量间关系的局部特性[34]。地理加权回归只在一定的范围内进行回归,范围可以通过不同的带宽方法来确定。根据距离某一要素的远近,其余要素会被赋予不同的加权来进行回归,越近的权重越大[35]。
地理加权回归的公式如下：
y i = β 0 ( μ i , ϑ i ) + ∑ j = 1 k x ij β j ( μ i , ϑ i ) + ε i i = 1,2 , ⋯ , m ; j = 1,2 , ⋯ , k
式中： i 代表第 i 个样点; ( μ i , ϑ i ) 为第i个样点的坐标; β j ( μ i , ϑ i ) 是在点 ( μ i , ϑ i ) 估计得到的第 j 个局部回归参数; β 0 ( μ i , ϑ i ) 为截距项;ε为误差项;k为因素的数量; m 为样点的数量。
3.3.2 主导因素的识别
为探究各影响因素对人为热总量作用最显著的区域,本文尝试在地级市尺度识别主导因素,即在一定区域内对地级市人为热总量具有明显积极影响的因素。由于最小二乘法模型的全局结果中各因素仅有唯一对应的系数值,因此使用该结果进行主导因素的识别较为困难。但地理加权回归模型的结果中包含每个要素每个自变量的系数值。这就可以用来评价各个地级市中,不同解释变量对因变量的解释程度,即不同因素对人为热的影响程度[36]。因此本文选用地理加权回归模型来进一步研究,通过每个地级市中各因素系数值的差异来判断其中的主导因素。
常见的分类方法主要有等间距法、分位数法与自然断点法。相等间隔法按数值的范围将数据进行等间距划分,分位数法的每个类都含有相等数量的数据,这两种分类方法都会使得到的类间数据的差异较大。自然断点法基于聚类分析中的单变量分类方法,在一定的分级数下,通过计算类间的数据断点,使类中的差异最小化,同时类间的差异最大化,它的优势在于对数据中的相似值进行最有效的区分。因此在本研究中选择自然断点法进行分类。首先,本研究通过构建模型中的系数值直方图来观察各个变量的系数值的范围及其分布规律。其次,每个变量的解释系数按照自然断点法分为4类,分别为高值类,中高值类,中低值类,低值类,其中高值类称为对应地级市的主导因素。最后,地级市可以依据主导因素的数量分为：无主导因素,单一主导因素以及双重主导因素类型。

4 结果及分析

4.1 人为热估算结果与空间分析

4.1.1 中国全局人为热通量的估算结果与空间分布
基于上文描述的方法,本研究得到了中国31个省级行政单位的平均人为热通量以及归一化的平均夜间灯光数据,并建立平均AHF与归一化的夜间灯光数据（Normalized Nighttime Light, NTLnor）之间的线性回归关系。结果显示P值小于0.05,表明其可信度较高;R2值为0.84,表明二者拟合度较高（图3）。
图3 2016年中国省级平均AHF与NTLnor的线性回归关系

Fig. 3 Linear regression relationship between mean AHF and NTLnor at the provincial-level in China in 2016

基于该线性关系,本研究依据NTLnor建立了AHF的估算模型（式(7)）。
AHF = 235.73 × NT L nor + 1.54
根据该模型,本研究得到了中国全国人为热通量估算结果（图4）。
图4 2016年中国全国与京津冀、长三角、珠三角城市群的AHF估计结果

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)1719号的标准地图制作,底图无修改。

Fig. 4 AHF estimation results in China and the three urban agglomerations, i.e., Beijing-Tianjin-Hebei, Yangtze River Delta, and Pearl River Delta urban agglomerations in 2016

从全国来看,人为热通量高值主要集中在3个主要的城市群,成片状分布。在中西部,部分城市如武汉、成都、乌鲁木齐和呼和浩特,也有较高的人为热通量,成点状分布。人为热通量均以城市中心向周边逐渐递减。图中同时反映出城市间的道路也有较高的人为热通量,在远离城市的地带,人为热通量趋近于0。从3个主要的城市群来看,京津冀城市群中北京、天津城市中心的人为热通量显著高于城市周边和其他城市;在长三角城市群,形成了较大范围的人为热通量高值区域,并沿江、沿海分布,其中上海、苏州、南京和杭州较为突出;在珠三角城市群,广州、深圳人为热通量较高,人为热通量高值区域最集中,并主要分布在珠江入海口。
由于人为热通量监测数据的缺失,本研究通过对比相关研究的估算结果进行验证（表2）。Chen等[31]使用能源清单法研究了1978-2008年我国人为热排放影响下的气候、人口以及能源消耗的关系,并得到了AHF估计结果。Xie等[26]使用能源清单法与格网化的人口数据对我国1999-2010年的AHF空间分布进行了估算。从表2中可以看到,本研究结果与前二者的结果在数值上基本一致,且反映出了不同地区的AHF的差异。由于数据来源与建模方法的不同,各个研究结果往往没有绝对的可比性。同时,随着人口、能源消耗等数据的增长,AHF估算结果也必然产生相应的变化。因此,本研究提出的估算方法获得了良好的结果。
表2 本研究与相关研究的人为热估算结果对比

Tab. 2 Comparison of AHF estimation results in this study with the previous AHF results

地区 AHF/W·m-2
文献[31] 文献[26] 本研究
北京 4.00 3.71 5.84
天津 5.10 4.47 6.91
上海 16.54 14.46 12.53
江苏 2.32 2.61 2.81
浙江 1.60 1.63 1.92
广东 1.40 1.82 4.53
山东 2.16 2.31 2.99
4.1.2 地级市人为热总量的估算结果与空间分布
进一步地,我们得到中国地级市人为热总量空间分布图（图5）。全国人为热总量总体上呈现东部多,西部少的分布特点。同时,除京津冀、长三角以及珠三角城市群外,在新疆西北部、内蒙古中部、东北中部人为热总量也呈现出一定的聚集趋势。在3个主要的城市群中,成片的人为热通量高值区域导致了较高的人为热总量,在北京、上海等城市超过20万瓦。武汉、重庆、成都等内陆城市则同样在城市中心有着较高的人为热通量,导致其人为热总量较高,但并未与周边形成聚集区。在新疆的巴音郭楞,以及内蒙古中部的鄂尔多斯、包头等地级市土地面积较大,但其绝大部分的人为热通量值达到或接近0,因此对人为热总量的影响有限,其总量较高的主要原因仍然是存在较高的人为热通量,数量较多但呈点状较分散地分布在地级市内。在西南地区,包括土地面积较大地级市在内,大部分地级市的人为热总量较低,不足1万瓦,主要原因是该地区人为热通量均较低。
图5 2016年中国地级市人为热总量图

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)1719号的标准地图制作,底图无修改;由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 5 Map of the total AHF at the prefecture-level in China in 2016

4.2 人为热总量的驱动因素分析结果

表3显示了利用最小二乘法（OLS）模型得到的以各个驱动因素为解释变量的回归结果。其中,模型调整后的R2值为0.75,显示出了各个变量与人为热总量较高的拟合度。同时,各变量的方差膨胀因子值（Variance Inflation Factor, VIFs）均小于7.5,说明不存在冗余的变量。从系数值来看,多个系数为正值,其中能源消耗的系数值较大,建成区面积、人均生产总值和民用汽车数量其次。表明这些变量在全局范围内能够很好的解释人为热总量,即它们对人为热总量有明显的积极作用。同时,呈现负值的变量数值相对较小,意味着外商直接投资额、道路密度和人口密度在全局范围内对人为热总量影响较小。第二产业占比的系数则表明它对人为热总量可能有着一定的负面影响。
表3 2016年中国地级市人为热总量与其驱动因素的全局回归分析(OLS模型)

Tab. 3 Global regression analysis between total AHF and its driving factors at the prefecture-level in China in 2016 (OLS model)

变量名 系数值 标准差 T统计量 概率健壮度 方差膨胀因子
截距 -3.547 0.895 -3.963 0.000
人均生产总值 0.249 0.078 3.177 0.005 1.835
人口密度 -0.125 0.047 -2.683 0.012 2.920
第二产业占比 -0.314 0.124 -2.532 0.018 1.273
能源消耗 0.627 0.059 10.706 0.000 3.008
外商直接投资额 -0.052 0.020 -2.624 0.038 2.176
道路密度 -0.054 0.051 -1.066 0.237 2.053
民用汽车数量 0.247 0.054 4.581 0.000 3.187
建成区面积 0.320 0.061 5.274 0.000 3.146

注：调整后的R2(Adjusted R-Square)为0.759,联合F统计量(Joint F-Statistic)为114.772,P值(P-value)小于0.05。

图6显示了8个变量各自与人为热总量的散点图。图中能源消耗、民用汽车数量、建成区面积与人为热总量的散点分布较为密集,且呈线性,显示出了较高的拟合度,说明了这些变量可能是影响人为热总量的主要因素。相反,第二产业占比、外商直接投资额和道路密度较高的离散程度则反映了这些变量对人为热总量的影响程度有限。
图6 2016年中国地级市人为热总量与其驱动因素的线性回归散点图

Fig. 6 Linear regression of between total AHF and its driving factors at the prefecture-level in China in 2016

在同样以上8个驱动因素作为解释变量的地理加权回归（GWR）模型的实验结果中,AICc值（217.52）显著小于最小二乘法（OLS）模型（428.70）,显示出GWR模型中变量间在局部有更高的拟合度。图7显示了GWR模型的局部R2值在空间上的分布情况,其数值从0.67到0.95之间分布。呈现从东部到西部逐渐递减的趋势,最高值出现在江浙皖一带,最低值出现在西北部和四川重庆一带。R2值仅在少量地级市低于OLS模型,在绝大部分地区相比OLS模型都要更高。
图7 GWR模型中2016年中国地级市人为总量驱动因素R2的空间分布

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)1719号的标准地图制作,底图无修改;由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 7 Spatial distribution of R2 values of driving factors for total AHF at the prefecture-level in China in 2016 from the GWR model

图8是GWR结果中的各变量系数分布直方图。各变量系数均呈现正态分布,但系数值的范围存在差异。其中人均生产总值、能源消耗、民用汽车数量的系数值多数大于0,说明其在全局范围内都对人为热总量有积极作用。建成区面积其次,仅有少量的系数值小于0。外商直接投资额的系数值说明其对人为热总量的影响作用很小。以上结果与使用OLS模型得到的全局结果一致。人口密度、第二产业占比、道路密度的系数值在0的两侧均有分布,相比OLS的结果,说明其在不同地区起到的作用不同。
图8 GWR模型中的2016年中国地级市人为总量驱动因素系数直方图

Fig. 8 Histogram of coefficients of driving factors for total AHF at the prefecture-level in China in 2016 from the GWR model

图9是GWR模型中各个变量的系数值及其空间分布图,其分布特征分别如下：人均生产总值的系数呈现北部高,东南低的特征,说明经济发展水平的高低在中国北部相比其他地区对人为热总量的影响更加显著;能源消耗则相反,系数在东南部呈现较高值,最高出现在湖南、江西和福建,反映出在这些的地区,人为热总量受能源消耗量的影响较大;民用汽车数量则在华北、东北地区以及东南沿海城市的系数值相对其他地区较高。
图9 GWR模型中的2016年中国地级市人为总量驱动因素系数值分布

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)1719号的标准地图制作,底图无修改;由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 9 Spatial distribution of the local coefficients of driving factors for total AHF at the prefecture-level in China in 2016 from the GWR model

人口密度、第二产业占比、道路密度和建成区面积在不同地区系数值的正负不同,说明这些变量仅在部分地区对人为热总量起积极作用,具体分布如下：人口密度仅在中国的河南、湖北以及陕西南部、四川东部地区能够一定程度上增加人为热总量;第二产业占比在长三角地区、辽东地区以及陕西、山西、四川部分地区有着积极影响;道路密度对人为热的影响程度以最低的陕西、四川等省份向周边逐渐增大;建成区面积在西南、西北和辽东地区对人为热总量有积极影响,可能的原因是这些地区的快速城市化建设使得人为热总量增加。外商直接投资额的系数值均趋近于零,表明该变量与人为热的相关性较弱,对人为热总量无显著影响。

4.3 人为热总量主导因素的多样性

主导因素的识别结合OLS与GWR模型的结果,其中第二产业占比、外商直接投资额与道路密度无论是在全局还是局部,其系数值都显著低于其他因素,说明其在全局和局部对人为热总量的影响非常有限,为非主导因素。图8同时展示了自然断点法分类结果,可以看到各因素系数值在每个部分都使差异最小化。表4是各个主导因素类型的数量统计表。该表反映出3种主导因素类型的地级市中,单一主导因素,尤其是以能源消耗为主导因素的地级市数量最多。其余各类型的地级市数量较少。
表4 2016年中国地级市人为热总量主导因素类型统计

Tab. 4 Statistics of dominated factor types of total AHF at the prefecture-level in China in 2016

类型 变量 数量/个 占比/%
无主导因素类型 总计 28 9.66
单一主导因素类型 总计 215 74.14
民用汽车数量 81 37.67
能源消耗 126 58.60
人均生产总值 8 3.72
双重主导因素类型 总计 47 16.21
人均生产总值-民用汽车量 31 65.96
人口密度-能源消耗 7 14.89
能源消耗-民用汽车量 5 10.64
人口密度-民用汽车数 3 6.38
能源消耗-建成区面积 1 2.13
图10是各主导因素类型地级市的空间分布图。其中无主导影响因素类型的地级市分布在中国西南部,主要包括重庆、四川、贵州、云南和西藏的地级市。这类型的城市主要位于高原地区,山川多而平原少,因此人口稀少且经济发展相对落后。这是造成该地区人为热总量较少,没有突出影响因素的可能的原因。
图10 2016年中国地级市人为热总量主导因素类型的空间分布

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)1719号的标准地图制作,底图无修改;由于数据获取困难,本次研究不包括香港、台湾和澳门。

Fig. 10 Spatial distribution of dominated factor types of total AHF at the prefecture-level in China in 2016

单一主导影响因素类型的地级市分布较广。其中,以人均生产总值为主导因素的地级市主要分布在西北地区。可能的原因是该地区缺少人口和大规模的工业设施,交通等基础设施也相对落后。但依靠石油或者矿产推动了经济的发展,因此使得人均生产总值成为了这些地区人为热总量的主导因素。以民用汽车数量为主导因素的地级市则主要分布于四川盆地、华北与东北的大部分地区。这地区民用汽车数量相比其他地区相对较多,该结果与统计数据一致。以能源消耗为主导因素的地级市则分布在聚集着大量人口与工业的东南地区。
图10同样展示了双重主导因素的分布情况。该图表明在临近单一主导因素类型的地区形成了对应的双重主导因素类型的地级市,即呈现出较强的空间相关性。包括在陕西、甘肃、宁夏和内蒙古部分地区形成的以人均生产总值和民用汽车数量为主导因素的地级市。在位于陕西南部、湖北西部和河南南部的双重主导因素类型地级市中,人口密度都是其中一个主导因素。人口密度在湖北、河南以及四川等人口大省对人为热总量有着明显的积极影响,但在同为人口大省的江苏、广东和山东,其影响相对较小。主要差别在于后者经济发展水平更高,人口因素在这里被能源因素取代,为非主导因素。

5 结论与讨论

5.1 结论

本文主要利用能源清单法结合夜间灯光影像对中国地级市人为热总量进行了估算,并主要利用地理加权回归建模的方法对其进行了驱动因素的分析,得出的结论如下：
（1）通过验证,夜间灯光与人为热有着较高的相关性。在省级层面,平均AHF与归一化的平均NTL的达到了较高的拟合度,R2值为0.84。同时,本文提出了通过建立二者之间的模型,获得中国AHF估算结果并利用分区统计方法得到地级市的AHF总量的方法,较为快速且准确地得到了地级市AHF总量,可为之后的相关研究提供参考。
（2）总体上,中国地级市人为热总量呈现东部多,西部少的特征。人为热总量较高的城市主要位于京津冀、长三角以及珠三角城市群,同时还有一些内陆城市,人为热总量超20万瓦;西北部分地级市人为热通量高值区域成点状且分散,但其人为热总量仍然较高。西南部分地级市的人为热总量低于1万瓦。
（3）全国范围内,能源消耗和民用汽车数量是影响人为热总量的主要因素,人均生产总值其次;其余因素仅在部分地区起到积极作用。同时,不同区域的主导因素不同。在东南、东北及中部地区、西北分别以能源消耗、民用汽车数量、和人均生产总值为人为热总量的主导因素,其对应地级市的数量分别为126、81和8个。在各自相邻的区域,形成具有双重主导因素的城市,除以人均生产总值和民用汽车数量为主导因素的地级市外,数量均不足10个。西南地区则以无主导因素的地级市为主。

5.2 讨论

本研究采用了夜间灯光数据结合能源消耗清单法对地级市人为热总量进行估算,解决了中国地级市AHF估算存在的困难。新一代夜间灯光数据缓解了一定的城市内部饱和现象,但是要非常精确地反映出人为热排放的空间分布尚有待进一步的研究。
本研究结果表明在我国地级市人为热的主导因素存在着明显的多样性,结合各地具体主导因素来看,其原因主要与各地不同的经济结构与社会发展程度相关,例如东南地区由于聚集着大量的工业与人口,而工业生产与居民日常生活都需要大量的能源,因此导致能源消耗成为该地区人为热总量的主导因素。未来在现有研究基础上,可利用遥感技术获取植被、水域等数据获得更进一步结论。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Doan V Q, Kusaka H, Nguyen T M. Roles of past, present, and future land use and anthropogenic heat release changes on urban heat island effects in Hanoi, Vietnam: Numerical experiments with a regional climate model[J]. Sustainable Cities and Society, 2019,47, 101479.

[2]
王频, 孟庆林. 城市人为热及其影响城市热环境的研究综述[J]. 建筑科学, 2013(8):99-106.

[ Wang P, Meng Q L. Review on research of anthropogenic heat emission and its influence on urban thermal environment[J]. Building Science, 2013(8):99-106. ]

[3]
孙然好, 王业宁, 陈婷婷. 人为热排放对城市热环境的影响研究展望[J]. 生态学报, 2017,37(12):3991-3997.

[ Sun R H, Wang Y N, Chen T T. Impacts of anthropogenic heat emissions on urban thermal environment: A review[J]. Acta Ecologica Sinica, 2017,37(12):3991-3997. ]

[4]
Ichinose T, Shimodozono K, Hanaki K. Impact of anthropogenic heat on urban climate in Tokyo[J]. Atmospheric Environment, 1999,33(24):3897-3909.

[5]
Chen Y, Jiang W M, Zhang N, et al. Numerical simulation of the anthropogenic heat effect on urban boundary layer structure[J]. Theoretical and Applied Climatology, 2009,97(1-2):123-134.

[6]
Li X, Xu H, Chen X, et al. Potential of NPP-VIIRS nighttime Light imagery for modeling the regional economy of China[J]. Remote Sensing, 2013,5(6):3057-3081.

[7]
李翔, 朱江, 尹向东. 基于夜间灯光数据的中国经济发展时空格局特征[J]. 地球信息科学学报, 2019,21(3):417-426.

[ Li X, Zhu J, Yin X D. Spatio-temporal pattern of Chinese economy development based on nightlight data[J]. Journal of Geo-information Science, 2019,21(3):417-426. ]

[8]
Bennett M M, Smith L C. Advances in using multitemporal night-time lights satellite imagery to detect, estimate, and monitor socioeconomic dynamics[J]. Remote Sensing of Environment, 2017,192:176-197.

[9]
Yang W M, Chen B, Cui X F. High-resolution mapping of anthropogenic heat in China from 1992 to 2010[J]. International Journal of Environmental Research and Public Health, 2014,11(4):4066-4077.

DOI PMID

[10]
Chen S S, Hu DY. Parameterizing anthropogenic heat flux with an energy-consumption inventory and multi-source remote sensing data[J]. Remote Sensing, 2017,9(11):1165.

[11]
Sailor D J, Vasireddy C. Correcting aggregate energy consumption data to account for variability in local weather[J]. Environmental Modelling & Software, 2006,21:733-738.

[12]
Pigeon G, Legain D, Durand P, et al. Anthropogenic heat release in an old European agglomeration (Toulouse, France)[J]. International Journal of Climatology, 2007,27(14):1969-1981.

[13]
Dong Y, Varquez A C G, Kanda M. Global anthropogenic heat flux database with high spatial resolution[J]. Atmospheric Environment, 2017,150:276-294.

[14]
Cheng X, Chen L, Sun R, et al. Land use changes and socio-economic development strongly deteriorate river ecosystem health in one of the largest basins in China[J]. Science of The Total Environment, 2018,616-617:376-385.

[15]
Wang Y, Wang F, Wang H. Influencing factors regression analysis of heating energy consumption of rural buildings in China[J]. Procedia Engineering, 2017,205:3585-3592.

[16]
Bebianno M J, Pereira C G, Rey F, et al. Integrated approach to assess ecosystem health in harbor areas[J]. Science of The Total Environment, 2015,514:92-107.

[17]
Styers D M, Chappelka A H, Marzen L J, et al. Developing a land-cover classification to select indicators of forest ecosystem health in a rapidly urbanizing landscape[J]. Landscape & Urban Planning, 2010,94(3-4):158-165.

[18]
Lu D B, Mao W L, Yang D Y, et al. Effects of land use and landscape pattern on PM2.5 in Yangtze River Delta, China[J]. Atmospheric Pollution Research, 2018,9(4):705-713.

[19]
吴健生, 李博, 黄秀兰. 小城市居民出行行为时空动态及驱动机制研究[J]. 地球信息科学学报, 2017,19(2):176-184.

[ Wu J S, Li B, Huang X L. Spatio-temporal dynamics and driving mechanisms of resident trip in small cities[J]. Journal of Geo-information Science, 2017,19(2):176-184. ]

[20]
Li H L, Peng J, Liu Y X, et al. Urbanization impact on landscape patterns in Beijing City, China: A spatial heterogeneity perspective[J]. Ecological Indicators, 2017,82(11):50-60.

[21]
Elvidge C D, Baugh K E, Zhizhin M, et al. Why VIIRS data are superior to DMSP for mapping nighttime lights[J]. Proceedings of the Asia Pacific Advanced Network, 2013,35:62-69.

[22]
董鹤松, 李仁杰, 李建明, 等. 基于DMSP-OLS与NPP-VIIRS整合数据的中国三大城市群城市空间扩展时空格局[J]. 地球信息科学学报, 2020,22(5):1161-1174.

[ Dong H S, Li R J, Li J M, et al. Study on urban spatiotemporal expansion pattern of three first-class urban agglomerations in China derived from integrated DMSP-OLS and NPP-VIIRS nighttime light data[J]. Journal of Geo-information Science, 2020,22(5):1161-1174. ]

[23]
国家统计局. 中国统计年鉴2017[M]. 北京: 中国统计出版社, 2018.

[ National Bureau of Statistics. 2017 China Statistical Yearbook[M]. Beijing: China Statistics Press, 2018. ]

[24]
国家统计局. 中国城市统计年鉴2017[J]. 北京: 中国统计出版社, 2017.

[ National Bureau of Statistics. 2017 China City Statistical Yearbook[J]. Beijing: China Statistics Press, 2017. ]

[25]
Park C, Schade G W, Werner N D, et al. Comparative estimates of anthropogenic heat emission in relation to surface energy balance of a subtropical urban neighborhood[J]. Atmospheric Environment, 2016,126:182-191.

[26]
Xie M, Zhuang K, Wang T, et al. Study on the distribution characteristics of anthropogenic heat in China[J]. China Environmental Science, 2015,35(3):728-734.

[27]
Flanner M G. Integrating anthropogenic heat flux with global climate models[J]. Geophysical Research Letters, 2009,36(2):4.

[28]
Grimmond CSB. The suburban energy balance: Methodological considerations and results for a Mid-latitudewest coast city under winter and spring conditions[J]. International Journal of Climatology, 1992,12(5):481-497.

[29]
Quah A K L, Roth M. Diurnal and weekly variation of anthropogenic heat emissions in a tropical city, Singapore[J]. Atmospheric Environment, 2012,46:92-103.

[30]
Lu D, Tian H, Zhou G, et al. Regional mapping of human settlements in southeastern China with multi-sensor remotely sensed data[J]. Remote Sensing of Environment, 2008,112(9):3668-3679.

[31]
Chen S S, Hu D Y, Wong M S, et al. Characterizing spatiotemporal dynamics of anthropogenic heat fluxes: A 20-year case study in Beijing-Tianjin-Hebei region in China[J]. Environmental Pollution, 2019,249(6):923-931.

[32]
Adelia A S, Yuan C, Liu L, et al. Effects of urban morphology on anthropogenic heat dispersion in tropical high-density residential areas[J]. Energy and Buildings, 2019,186(3):368-383.

[33]
Cai J, Huang B, Song Y. Using multi-source geospatial big data to identify the structure of polycentric cities[J]. Remote Sensing of Environment, 2017,202:210-221.

[34]
Xu Z, Zhang Z, Li C. Exploring urban green spaces in China: Spatial patterns, driving factors and policy implications[J]. Land Use Policy, 2019,89(12):104249.

[35]
Dziauddin M F. Estimating land value uplift around light rail transit stations in Greater Kuala Lumpur: An empirical study based on geographically weighted regression (GWR)[J]. Research in Transportation Economics, 2019,74(5):10-20.

[36]
Su S, Xiao R, Zhang Y. Multi-scale analysis of spatially varying relationships between agricultural landscape patterns and urbanization using geographically weighted regression[J]. Applied Geography, 2012,32(2):360-375.

Options
文章导航

/

〈 〉