EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 10: 2058 - 2070

DOI: https://doi.org/10.12082/dqxxkx.2022.210702

Spatio-temporal Variations and Factors of the Human Perception of Local Temperature in China Using Weibo Data

  • WENG Huixian , 1, 2 ,
  • MA Ting , 1, 2, *
Expand
  • 1. State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing100049, China
*MA TING, E-mail:

Received date: 2021-11-03

  Revised date: 2022-01-10

  Online published: 2022-12-25

Supported by

National Natural Science Foundation of China(41771418)

Fold

Abstract

Extreme temperature events occur frequently and pose a serious threat to human health. However, due to the variability of individual and environmental influences, the perception of temperature change and the trend of actual temperature change in different populations do not exactly coincide. A deep understanding of the human perception characteristics of temperature change plays an important role in improving the management, adaptation, and warning capabilities for coping with extreme weather. Traditional survey data are insufficient in sample size and coverage, moreover, lack of diverse individual samples. And medical simulation results are strongly influenced by the parameters of environmental variables and often differ from the real situation. In this study, we used Weibo data to characterize human perception, that is, individual descriptions of temperature based on subjective feelings. We analyzed the quantitative response relationships between human perception of temperature and temperature observation variables and used temperature tolerance and sensitivity to measure temperature perception characteristics. We investigated geographical changes in human perception characteristics of temperature and its local variations in different seasons and among different groups over 31 Chinese cities. We then used the generalized linear regression model to analyze the influencing factors of temperature perception. For example, climatic factors such as climatic zones, annual average temperature, and annual average precipitation, as well as social factors such as urban population and Gross Regional Product. Our results showed that the human perception of temperature exhibited regular, nationally conspicuous shifts along latitudinal gradients, the lower the latitude, the stronger the average heat tolerance and cold sensitivity. They showed a significant trend linearly toward horizontal increase from the northern regions to the southern areas at a rate of 0.42 and 0.51 per degree, respectively. In contrast, the average cold tolerance was weaker at a rate of 0.31. There were also significant differences in human perception of temperature in different seasons and among different groups. The abnormal temperature in the off-season was more likely to attract people's attention to temperature change, and teenagers and females were more sensitive to cold. The regional differences in temperature perception characteristics were strongly associated with climate regions. People in temperate regions showed greater heat tolerance than those in the tropics, while people in the tropics showed greater temperature sensitivity. Our findings could provide insights into the characterization and patterns of the human perception of local temperature and have potential for several issues in terms of planning, management, and decision-making related to Extreme temperature event.

Key words： temperature change; human perception; Weibo data; spatio-temporal variations; tolerance; sensibility; group; influence factors

Cite this article

WENG Huixian , MA Ting . Spatio-temporal Variations and Factors of the Human Perception of Local Temperature in China Using Weibo Data[J]. Journal of Geo-information Science, 2022 , 24(10) : 2058 -2070 . DOI: 10.12082/dqxxkx.2022.210702

1 引言

近几十年来,包括极端温度、强降水等极端天气事件发生的频率和强度都在显著增加[1-2]。极端天气的频繁发生对人类社会及基础设施、生态系统及动植物造成了严重的影响[3],不仅影响经济增长速度[4]、威胁粮食安全[5],还威胁到人的生命与健康[6]。研究分析表明,天气尤其是气温强烈地影响了人群的心理健康,甚至与区域死亡率也有着显著的相关关系[7-8]。然而,由于个体与环境影响因素的差异性,不同人群对气温变化的感知与实际气温的变化趋势并不完全一致。因此,理解人群对气温变化响应的规律性与变异性及其影响因素,将有助于理解不同人群对气温变化的差异性响应特征,进而为适应气候变化和应对极端天气的管理与决策提供辅助支持[9]。
当前研究主要侧重于利用医学数据探究特定环境下人体的舒适温度范围[10]、气温对人体健康的影响[11];通过问卷调查数据分析人群对温度的感 知[12]、气温对个体情绪的影响[13⇓⇓-16]、气温相对异常引起的对气候变化的关注[9,17⇓-19],以及影响人群对气候变化感知的驱动因素、时空分异规律[20⇓⇓⇓⇓⇓⇓-27]。通过医学分析可以模拟不同条件下气温对人体的影响,但模拟精度受环境变量参数影响较大,模拟结果与真实情况往往存在差异,难以客观反映人群对气温变化的感知;通过问卷调查可反映人群对气温变化的真实感知,但问卷收集存在着时间滞后性、调查范围与覆盖度有限以及样本有效性不足等问题,并且缺乏多样化个体对气温变化实时感知的特征研究。
社交媒体的普及与自然语言处理技术的发展为研究人群对气温的响应提供了新的数据源和分析方法[28]。传统的气温感知研究由于采样样本的限制,得到的气温感知评价结果在大尺度的代表性不足[12,22],并且很难区分长时期气候变化与实时气温感知的差异性[19],因此难以全面刻画不同人群对于短期气温变化感知的特征。而社交媒体数据因其即时性强、更新快、数据量大的特点[29],不仅使实时捕捉大尺度下人群对于气温的感知特征成为可能[11],也可以将气温感知研究扩展到更多样性的天气条件、不同的气候场景以及差异化个体特征分析等方面。
综上所述,本文的主要内容是基于微博社交媒体数据与天气观测数据,利用自然语言处理技术与机器学习方法,并结合广义线性回归模型对2017年中国31个直辖市和省会城市的人群气温感知特征与气温观测变量之间的定量响应关系进行分析。本文的主要目的是探究人群对气温的感知响应模式及时空变化,分析不同群体对气温响应的差异性,并探讨引起人群气温响应差异的驱动因素。这将有助于理解大尺度人群对于短期气温变化的感知特征与区域变化模式,为促进管理和决策与个体实际感知情况的匹配、增强对极端气温事件的适应能力和管理水平提供参考。

2 数据来源及研究方法

2.1 数据源

2.1.1 微博数据

新浪微博是中国最受欢迎的社交媒体之一,截至2018年第四季度,微博日活跃用户已达2亿[30]。本文收集了2017全年的具有定位信息的微博数据,主要包括发布内容、时间和地理位置在内的内容数据,以及包括用户的性别和年龄在内的属性数据,包含共计283万用户的2千万条微博数据。本文使用字符级的TF-IDF方法对经过去噪、分词、去停用词、关键词筛选（图1）等预处理后的微博内容数据进行文本特征向量表达,并联合朴素贝叶斯方法对2万条标记文本进行机器学习训练,验证分析表明该方法总体准确率达到了87.89%。为减少样本内容代表性的偏差,针对广告文本进行了筛选排除,并排除了天气预报和个体感悟有关的文本,区分了气温与室温的文本,最终获得了67 648条与气温相关的个体微博内容数据,通过将相关微博的地理位置与城市边界数据叠加定位到城市尺度,并在日尺度下进行统计分析。
图1 气温关键词筛选标签云图

Fig. 1 The wordcloud of temperature-related key words

2.1.2 天气数据

天气数据来源于中国气象数据网（ http://data.cma.cn/）,主要指标包括日最高气温、日最低气温和日平均气温。采用2017年各城市的逐月日均温的算术平均值作为该城市的年平均气温[31],以最高月与最低月的平均气温之差为气温年较差,以气温日振幅为气温日较差[32],以日最高温大于35 ℃的天数累计为高温天数[33],以日最低温小于4 ℃的天数累计为低温天数。降雨数据来自美国国家航空航天局公布的近实时低延迟网格化全球多卫星降水量估算数据（GPM, http://dwz.date/efbw）,数据的时间分辨率为1 d,空间分辨率为0.1°×0.1°,将其按城市范围统计后取每个城市日降雨平均值作为平均降水测量。

2.1.3 解释变量

以城市经济和区域环境这两类指标来衡量的社会结构状况被认为是影响城市人群气温感知的重要因素[14]。其中,经济水平很大程度上决定了人群是否有能力采取措施来缓解极端气温带来的不适,而区域环境则影响了人群的实际体感温度[11]。因此,为进一步探讨人群对于气温响应差异性的原因,从2017—2018年《中国城市统计年鉴》[34]中选取了4个因子作为区域水平上的解释变量,包括经济因子（地区生产总值）、人口因子（城市人口数）、结构因子（城市面积）、环境因子（城市绿地面积）。
人群气温感知很大程度上受到具有高度空间异质性的气候环境的影响,其空间异质性可用以气候分区与干湿分区来刻画的地理环境进行解释[35]。依据中国科学院资源环境科学数据中心发布的《生态地理分区》[36],将原始的10个亚组重新划分为6个气候分区,即暖温带、中温带、高原温带、边缘热带、南亚热带和中亚热带,以及湿润地区、半湿润地区和干旱地区3个干湿分区。

2.2 研究方法

2.2.1 气温关注度

由于不同区域人口基数不同,且用户对气温的关注度也随季节变化而有所差异,气温相关微博数量的绝对值不能完全代表人群对于气温的平均关注程度。因此,本文定义了人群对于气温的关注度指数来表征区域尺度上人群对日气温的平均响应程度,将人群对于气温的响应定义为人群对某一气温要素的关注度随该气温要素的变化而产生的变化,而关注度定义为每万次微博中对于特定范围c的T气温在一年的平均关注数量：
α T = ∑ t = 1 n N T i n × N i × 10000
式中：T为研究的温度,可分为热和冷2种;n为区域内该日气温为T的总天数; N i为第i天区域内人们发布的微博数; N T i为第i天区域内人们发布的关注日气温T的微博数,i=1,2,···,n。

2.2.2 气温感知特征分析

首先检验了微博冷热关注度与气温观测数据之间是否存在关系,用来验证微博数据对于评价人群气温感知的适用性。人群对温度的关注度与其对冷热的认知具有一定的相关关系,由于人群对冷热的认知不尽相同,因此将人群对温度的关注度划分为对冷的关注度与对热的关注度2种。热关注度与日最高温（图2（a））、冷关注度与日最低温（图2（b））之间存在统计显著的二次关联关系。在日最高温小于人体最舒适气温25 ℃时,人群对于热的关注度相对比较平稳,超过该温度时,人群对热的关注度与日最高温呈现明显的正相关关系,而人群对冷的关注度与日最低温呈现明显的负相关关系。结果表明,通过微博数据表征的气温关注度的波动与气温实测数据存在着一定的定量关系,因此可以作为衡量人群气温感知的代理测量指标。
图2 气温关注度与日最高温和最低温的定量关系

Fig. 2 Qauntitative relationships between temperature perception and daily maximum/minimum temperature

为探究不同地域人群对气温感知的差异,刻画人群气温响应的地理模式,利用日气温关注度与日气温实测数据之间的二次函数模型来刻画全国尺度的城市人群气温感知的地理分异规律：
σ = a 0 + a 1 ω + a 2 ω 2 + ε
式中： σ为气温关注,可分为热和冷2种; ω为每日温度; a 0为常数; a 1、 a 2为回归系数; ε为残差。基于上述模型,进一步定义气温耐受性与气温敏感性2个指标作为刻画城市气温感知特性的依据。热耐受性是指城市热回归模型与热关注度均值的右交点对应的温度（图2（a））,即当温度高于该值时引发了人群对热的异常关注,数值越大,该城市人群的热耐受性越强。冷耐受性是指冷回归模型与冷关注度均值的左交点对应的温度（图2（b））,即当温度低于该值时引发了人群对冷的异常关注,数值越小,该城市人群的冷耐受性越强。敏感性是指城市回归模型的二次项系数 a 2,数值越大表明人群气温关注度随每日温度变化越大,即该城市人群对气温的变化越敏感。

2.2.3 气温感知的影响因素分析

人群对气温的关注不仅受到个体期望、记忆限制的影响,还受到气温条件以及社会特征的影响。短时气温经验而不是更长的历史时期决定了人群对当前气温的预期[19],采用气温年较差（ATR）、气温日较差（DTR）来刻画个体期望与记忆。城市的气温条件则采用气候分区（CMD）、干湿分区（WDD）、年平均气温（AAT）和年平均降水来衡量（AAP）。为表征易引起人群关注的不适气温带来的影响,依据预警指示添加了高温天数（HTD）与低温天数（LTD）指标。社会特征因子选取了人口（POP）、地区生产总值（GRP）、面积（AREA）、绿地面积（GLA）4项。本文基于广义线性模型的方法,对2017年全国31个城市的气温指标数据进行分析,所有变量均取标准化后的结果,回归模型如下：
φ = α + β 1 W D D + β 2 A T R + β 3 D T R + β 4 C M D + β 5 A A T + β 6 A A P + β 7 H T D + β 8 L T D + β 9 P O P + β 10 G R P + β 11 A R E A + β 12 G L A
式中： φ为气温相关指标,可分为热和冷2种; α为常数项; β为各个解释变量的估计系数。

3 结果及分析

3.1 气温响应特征的时空异质性

3.1.1 气温响应的季节性差异

气温过高或过低都会引起人群对气温关注度的变化,且与季节有着极大的关联,本文测试了全国尺度下不同季节人群在日尺度下对于气温的关注度,并推测人群对不同季节的极端温度会产生不同的响应。利用全国31个城市的日尺度数据对式（1）进行了估计,为减小估算结果的波动性,使用5 ℃为间隔对气温变量进行了建模。研究发现在不同季节人群对于热的关注度都随日最高温的升高而增加（图3（a））,对于冷的关注度随日最低温的降低而增加（图3（b））。值得注意的是,人群对于热的关注峰值在冬季（91.74）是秋季（31.56）的3倍左右,对冷的关注度在夏季达到全年的峰值（103.13）,而冬季对冷的关注峰值仅为76.06。说明高温和低温都能吸引人群对于气温的关注,但是反季的异常气温更易引起人群对于气温的关注。
图3 全国尺度的四季气温关注度与日气温的变化关系

Fig. 3 The relationship between seasonal temperature perception and daily temperature

3.1.2 气温感知的地理分异特征

在不同城市气温感知变化的空间规律性分析方面,利用全国31个城市的日气温关注度与日气温观测数据之间的二次函数模型来刻画人群气温响应的地理模式。分析结果表明,大部分城市均呈现相似的回归趋势,但热关注度模型中的拉萨、昆明（图4（a））与冷关注度模型中的西宁、乌鲁木齐 （图4（b））结果呈现与其他城市显著不同的趋势。拉萨的热关注度随日最高温的升高而降低,结合相应的微博内容发现拉萨昼夜温差较大,最高可达20 ℃,人群在经历了早晚寒凉气温后,正午会觉得更加炎热。昆明因四季如春的独特气候,使得热关注度最低值对应的气温高于其他城市。西宁的冷关注度随日最低温的升高而增加,可能的原因在于夏季是西宁的旅游旺季,此时其气温低于全国大部分城市,所以游客从更高温的城市来到西宁后会觉得寒凉。乌鲁木齐的冷关注度随日最低温先升高后降低,结合相应的微博内容发现在供暖前和停止供暖后,人群对冷的关注度达到高峰,而随着供暖措施的运行,人群对冷的关注度降低。
图4 全国31个城市气温关注度模型

Fig. 4 Temperature perception models across 31 cities in China

在城市尺度上,对每个城市的气温耐受性与敏感性进行了评估（表1）。结果表明城市的耐受性分布模式与纬度有着显著的关系,且呈现与所在地区年平均温度分布模式相吻合的由低纬度向高纬度逐渐降低的整体趋势。热敏感性在地理上未发现明显特征,而冷敏感性呈现由高纬向低纬逐渐增强的趋势。同等条件下,纬度越低,太阳高度角越高,温度越高;反之,纬度越高,温度则越低。一般而言,常年生活在更温暖地区的人群,其对热更为耐受,而对冷则拥有更低的容忍度与更高的敏感性,即纬度越低,其热耐受性越强,冷耐受性越弱,冷敏感性越强。
表1 全国31个城市气温感知定量指标的分布情况

Tab. 1 Distributions of quantitative indexes for temperature perception across 31 cities in China

城市 中心纬度/（°） 年均日最高气温/℃ 年均日最低气温/℃ 热耐受性/℃ 冷耐受性/℃ 冷敏感性
哈尔滨市 45.64 16.29 0.11 21.06 -1.65 0.01
长春市 44.38 17.26 1.76 20.36 0.61 0.01
乌鲁木齐市 43.73 17.58 3.91 23.92 11.23 -0.03
沈阳市 42.09 20.05 3.41 23.65 0.98 0.02
呼和浩特市 40.59 18.57 1.93 22.64 2.06 0.01
北京市 40.19 23.19 8.87 27.50 6.62 0.07
天津市 39.30 23.72 10.89 27.59 6.99 0.09
银川市 38.24 21.28 5.26 27.27 0.42 0.03
石家庄市 38.13 24.17 10.44 28.74 7.93 0.04
太原市 37.96 22.25 5.15 27.09 -0.17 0.03
西宁市 36.83 17.09 -0.30 22.86 -28.66 0.05
济南市 36.74 24.19 11.27 28.06 9.31 0.02
兰州市 36.36 21.38 5.72 26.84 -1.15 0.11
郑州市 34.63 24.69 11.54 28.99 6.92 0.11
西安市 34.11 23.94 10.43 30.26 8.41 0.04
南京市 31.93 24.53 13.26 28.99 13.36 0.01
合肥市 31.79 24.94 13.20 30.23 10.48 0.06
上海市 31.24 24.7 15.44 29.47 13.33 0.05
成都市 30.70 23.96 13.52 27.56 10.77 0.10
武汉市 30.62 24.79 13.41 29.12 11.06 0.08
重庆市 30.06 25.87 16.82 30.03 13.66 0.25
拉萨市 30.04 19.01 3.55 35.08 4.81 -0.01
杭州市 29.90 25.51 14.60 29.58 11.86 0.05
南昌市 28.65 25.85 16.12 29.21 14.91 0.06
长沙市 28.23 25.24 15.40 29.64 12.42 0.19
贵阳市 26.84 21.37 12.00 24.20 7.96 0.48
福州市 26.05 27.94 18.05 31.17 14.35 0.25
昆明市 25.39 22.49 11.51 25.74 8.84 0.86
广州市 23.35 28.75 19.76 29.56 15.73 0.37
南宁市 23.06 28.92 19.17 29.49 15.45 0.81
海口市 19.83 29.90 22.32 30.46 18.28 1.08
为了定量刻画气温耐受性与敏感性沿地理梯度的分布规律,采用如下线性回归模型：
φ = a 0 + a 1 B + ε
式中： φ为为气温指标,分为热耐受性、冷耐受性和冷敏感性3种;B为纬度; a 0为常数; a 1为回归系数; ε为模型残差。结果表明纬度是影响气温耐受性与敏感性空间变化的重要因素（图5）, φ 1、 φ 2、 φ 3分别显示出从低纬到高纬地区逐渐降低的显著趋势,说明温暖地区的人比寒冷地区的人拥有更强的热耐受性与冷敏感性,以及较差的冷耐受性。尽管 φ 1、 φ 2、 φ 3在纬度方向上具有高度的相似性特征,但 φ 2在纬度上下降速率相对低于 φ 1、 φ 3（分别为每纬度下降0.31、0.42、0.51）,这表明纬度对冷耐受性的影响以线性方式略小于对热耐受性与冷敏感性的影响。方差分析的结果说明了纬度不能完全影响气温耐受性的区域变化,（只能分别解释 φ 1、 φ 2和 φ 3中分别约41.81%、31.12%与51.05%的变化）其可能还受复杂地理要素、群体心理以及多样潜在驱动力的影响。
图5 气温耐受性与敏感性的地理变化情况

Fig. 5 Geographic variations in temperature tolerance and sensitivity

3.2 不同群体的气温响应特征差异性

为探究个体特征对人群气温响应的影响,从年龄与性别两种尺度对气温响应特征进行了分析。性别与年龄依据用户描述的信息进行推算与划分。考虑到个别用户会将年龄设定为较小或较大值,因此综合实际情况排除了7岁前和超过100岁的用户信息,其余则依据微博用户数据的年龄分布以及常识性规律划分为5个区间,分别是7~17岁,18~22岁、23~30岁、31~40岁和41岁及以上[37]。
分析结果表明不同群体的气温关注度随每日气温的波动趋势具有总体的相似性（图6）。热关注度在日最高温超过10 ℃时稳步上升,而在日最高温为-5~0 ℃温度段时热关注度达到局部峰值 （图6（a））。结合微博内容数据发现,处于寒冷气温的人群对热的期待达到了高值,使得关注度显著上升。冷关注度随日最低温下降而逐渐增加,在日最低温为-5 ℃时震荡降低（图6（b））,推测是由于冬春交替,温度逐渐升高,经历了长久寒冷的群体对冷的关注度减弱。不同群体数据的方差分析表明,不同年龄段用户的关注度在1%的统计水平上存在显著差异性,且年龄分别解释了气温关注度约35.9%与55.4%的变化。7~17岁的青少年对于气温的关注度要明显高于其他年龄段的用户,且波动也更为剧烈。已有研究表明7~17岁的青少年体温调节中枢尚未发育成熟,对于温度调控能力相对较差,可能无法适应外在环境的温度变化,并且其体表面积相对旺盛的新陈代谢值较大,而皮下脂肪和皮肤角质层都比较薄,能量更易损失[38],进一步佐证了7~17岁的青少年对于气温波动比较敏感。需要指出的是,尽管微博用户自我标注的年龄与真实值存在一定的偏差,但本文结论依然与上述研究结论对应。而不同性别群体对冷的关注度没有显著性差异（P=0.27,图6（c））,但对比而言,女性对冷的关注度比男性更高,表明女性群体对冷可能更为敏感。
图6 不同年龄和性别群体对气温关注度变化

Fig. 6 Variations in different age and gender groups' perceptions to temperature

3.3 气温响应特征影响机制探究

为探究气温响应特征的影响因素,并进一步比较各影响因子对人群对于气温响应作用效果的差异性,建立了4个广义线性回归模型对31个城市的气温响应特征和影响因素进行了分析。图7显示了2个气温耐受性模型的分析结果。其中,AAT回归系数均为正值,且在1%统计水平上显著,表明了生活在更温暖地区的人群对热的耐受性更强,而对冷的耐受性则更弱;且AAT系数在模型1的系数（2.39）显著大于模型2（1.79）,说明年平均气温对热耐受性影响更大,与寒冷相比人群更易适应炎热的天气。气候分区使用的是类别值,温带地区的回归系数均为正值,热带地区的回归系数均为负值,说明温带比热带地区的人群对热的耐受性更强,对冷的耐受性更弱。对比两个模型发现,AAP在模型1中回归系数为正值,其影响系数为0.69,且在5%统计水平上显著,而在模型2中却被AIC法则剔除,说明年平均降水越多的城市其热耐受性越高,而对冷的耐受性则没有显著影响。而干湿分区也只对模型1产生了影响,与年平均降水的结果一致。HTD回归系数均为负值,且在10%统计水平上显著,说明高温天数越多对热的耐受性更低,对冷的耐受性则更强,推测持续的高温使人群对热拥有更低的容忍度,而相对高温,人群对冷的排斥性更低。低温天数则被模型排除,说明相比持续的低温,高温更易引起人群对气温的感知。在期望与记忆方面,气温日较差对冷耐受性有负向影响（模型2）,其影响系数为-0.6,说明在气温日较差更大的城市中人群对冷的耐受性更强,而对热的耐受性没有明显影响。气温年较差均被从模型中剔除,说明相比长时期温差记忆,人群对冷热的耐受性更易受到短时温差的影响。在城市结构方面,AREA回归系数均为正值,且在1%统计水平上显著,POP回归系数为负值,分别在5%和1%统计水平上显著,说明在面积更大、人口更少的地区,即人口密度更低的地区的人群对热的耐受性更强,对冷的耐受性更弱。绿地面积只影响人群对冷的感知,且绿地面积越大人群对冷的耐受性越弱。拟合结果的方差分析表明,年平均温度和气候分区是影响气温耐受性的重要因子,共同解释了气温耐受性60.5%和41.98%的变化,其余变化的部分可能是由于人类心理、城市气候条件的复杂性和其它潜在影响因素的多样性引起的。
图7 气温耐受性与影响因子回归森林图

Fig. 7 Regression forest map of temperature tolerance and influencing factors

图8给出了2个气温敏感性模型的分析结果。可以发现,气候分区对气温敏感性均有一定的影响,但热带地区的回归系数均高于温带地区,说明热带地区的人群比温带地区的人群拥有更强的气温敏感性。干湿分区的回归结果表明生活在干旱地区的人群对热的敏感性比对冷的敏感性更强,而湿润及半湿润地区的人群则相反。AAT在模型4中回归系数为负值（系数为-2.43,在1%统计水平上显著）,在模型3中却被AIC法则剔除,说明年平均气温只对冷敏感性有负向的影响。AAP在模型3中对热敏感性表现出正的作用（系数为1.03,在10%统计水平上显著）,在模型4中对冷敏感性表现出负的作用（系数为-0.3）,说明生活在年平均降水更多的地区的人群对热更敏感,而对冷的敏感性更低。在模型4中,HTD（系数为0.5,在5%统计水平上显著）及LTD对冷的敏感性都具有一定影响,热敏感性只受LTD的影响（系数为1.85,在10%统计水平上显著）,并且高温天数越多人群对冷的敏感性更高,低温天数越多人群对热的敏感性更高,对冷的敏感性更低,推测长时间的低温使得人群对冷产生一定的适应性,而高温与低温的反差则会强化人群对气温的敏感性。在期望与记忆方面,ATR对气温敏感性均有显著的负向作用,DTR则对热敏感性有正向影响（模型3）,说明较大的气温年较差降低了人群对气温的敏感性,而气温日较差使得人群对热更为敏感,表明短时温差的剧烈变化受到了人群的普遍关注,而长时温差的变化增强了人群对气温的适应性。在城市结构方面,POP（系数为0.8,在5%统计水平上显著）和GRP（系数为0.49）对热敏感性均有正向影响,说明生活在人口更多、更富裕地区的人群对热更为敏感。POP（系数为-0.13）和AREA（系数为0.11）在模型4中均有正的影响作用,说明生活在人口更少、面积更大地区,即人口密度更低地区的人群对冷更为敏感。GLA对气温敏感性均有较为显著的负向影响,说明绿地面积越大其气温敏感性越低,推测绿地具有一定的保温作用,缓解了一部分气温变化带来的人体不适。方差分析表明,气候分区解释了气温敏感性的大部分变化（46.45%和51.67%）。
图8 气温敏感性与影响因子回归森林图

Fig. 8 Regression forest map of temperature sensitivity and influencing factors

4 结论与展望

极端气温事件对人类健康造成了严重的影响,深入了解人群对气温变化的感知特征,对提高人类应对极端天气的管理、适应和预警能力具有重要意义。现有研究多受到数据样本量、覆盖面的限制,并且缺乏多样化个体对气温变化实时响应的特征研究,这使得难以利用气象数据定量地刻画个体对于气温感知的差异性。本文利用2017年微博数据以及同步的气温观测数据,通过建立城市尺度的气温关注度、耐受性和敏感性等定量指标,探究了不同季节、纬度以及不同群体在气温响应特征方面的差异性,并从多角度对这种差异的影响因素进行了探究,得出以下结论：
（1）人群对于气温的关注度与气温实测数据之间存在统计上显著的关系。高温和低温都能带来人群对于气温的关注,并且反季的异常气温更易引起人群对于气温的关注。对于不同群体而言,7~17岁的青少年对于气温的关注度要明显高于其他年龄段的用户,且波动也更为剧烈,而女性群体对冷更为敏感。
（2）在城市尺度上,不同城市对气温的感知在全国范围内表现出明显的纬度上的线性梯度变化,通常是纬度越低,人群的热耐受性越强,冷耐受性越弱,冷敏感性越强。但是纬度差异并不能完全解释气温感知特征的城市间变化,可能是由于受其它因素的影响作用。
（3）在更大的区域尺度上,气候分区可以解释气温感知特征的大部分变化,总体来说,温带地区的人群拥有更强的热耐受性,热带地区的人群表现出更强的气温敏感性。期望与记忆是影响区域人群气温感知的重要因素,较大的气温日较差增强了人群的冷耐受性与热敏感性,而较大的气温年较差降低了人群对气温的敏感性。人口密度与城市面积对气温耐受性的影响更强,而绿地面积减弱了人群对气温的敏感性。气候条件、人群对于气温的期望与记忆以及城市结构因素共同影响了人群对气温的感知。
对人群气温感知的研究可以帮助刻画与预测人群对不同气温变化的响应特征,并估计随着极端气温频繁暴露对设施和服务的相应需求。因此,了解人群气温响应模式有可能促进日常管理和应急预警与个体实际感知的匹配,例如,制定相应的高温补贴政策,并针对不同季节与地区提供符合实情的气温预警等。
需要指出的是,本文的分析结果也存在一定程度的不确定性。首先,从微博数据中提取的气温数据受到了自然语言处理技术的限制,无法区分人群对气温的实际感受与其对于气温的期盼,也无法完全区分人群对气温与室温的感知。其次,微博的使用群体并不能代表所有人的感知,存在采样偏差,特别是儿童和老年人群的样本较少,个体年龄和性别等信息也有一定程度的误差。虽然存在上述的局限性,本研究表明基于社交媒体平台的大数据依然提供了相关问题研究的一个有效手段,特别是当自然语言处理技术的提高与更加完整的用户数据广泛可用时,将会对人群的气温差异化感知模式产生更全面和更准确的刻画与理解。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
IPCC. Climate change 2021: The physical science basis[M/OL]. 2021.

[2]
周波涛, 钱进. IPCC AR6报告解读:极端天气气候事件变化[J/OL]. 气候变化研究进展, 2021, 17(6):713-718.

[ Zhou B, Qian J. Changes of weather and climate extremes in the IPCC sixth assessment report[J/OL]. Climate Change Research, 2021, 17(6):713-718. ] DOI: 10.12006/j.issn.1673-1719.2021.167

DOI

[3]
Meehl, Gerald A, Karl, et al. An introduction to trends in extreme weather and climate events: observations, socioeconomic Socioeconomic[J]. Bulletin of the American Meteorological Society, 2000, 81(3):4. DOI: 10.1136/vr.10 8.3.46

DOI

[4]
Burke M, Davis W M, Diffenbaugh N S. Large potential reduction in economic damages under UN mitigation targets[J]. Nature, 2018, 557(7706):549-553. DOI: 10.1038/s41586-018-0071-9

DOI

[5]
Piao S, Ciais P, Huang Y, et al. The impacts of climate change on water resources and agriculture in China[J]. Nature, 2010, 467(7311):43-51. DOI: 10.1038/nature09364

DOI

[6]
Hong C, Zhang Q, Zhang Y, et al. Impacts of climate change on future air quality and human health in China[J]. Proceedings of the National Academy of Sciences, 2019, 116(35):201812881. DOI: 10.1073/pnas.1812881116

DOI

[7]
Kalkstein L S, Davis R E. Weather and human mortality: an evaluation of demographic and interregional responses in the United States[J]. Annals of the Association of American Geographers, 2010, 79(1):44-64. DOI: 10.1111/j.1467-8306.1989.tb00249.x

DOI

[8]
Yuk Y Y. The influence of weather on human mortality in Hong Kong[J]. Social Science & Medicine, 2000, 50(3):419-427. DOI: 10.1016/S0277-9536(99)00301-9

DOI

[9]
Howe P D, Markowitz E M, Lee T M, et al. Global perceptions of local temperature change[J]. Nature Climate Change, 2013, 3(4):352-356. DOI: 10.1038/nclimate1768

DOI

[10]
Gagge A P, Stolwijk J, JD Hardy. Comfort and thermal sensations and associated physiological responses at various ambient temperatures[J]. Environmental Research, 1967,1(1):1-20. DOI:10.1016/0013-9351(67)90002-3

[11]
Giuffrida L, Lokys H, Klemm O. Assessing the effect of weather on human outdoor perception using Twitter[J]. International Journal of Biometeorology, 2020, 64:205-216. DOI: 10.1007/s00484-018-1574-7

DOI PMID

[12]
Ruddell D, Harlan S L, Grossman-Clarke S, et al. Scales of perception: public awareness of regional and neighborhood climates[J]. Climatic Change, 2012, 111(3-4):581-607. DOI: 10.1007/s10584-011-0165-y

DOI

[13]
Baylis P, Obradovich N, Kryvasheyeu Y, et al. Weather impacts expressed sentiment[J]. PLOS ONE, 2018, 13(4):e0195750. DOI: 10.1371/journal.pone.0195750

DOI

[14]
Wang J, Obradovich N, Zheng S. A 43-million-person investigation into weather and expressed sentiment in a changing climate[J]. One Earth, 2020, 2(6):568-577. DOI: 10.1016/j.oneear.2020.05.016

DOI

[15]
Clark L A, Watson D. Mood and the mundane: relations between daily life events and self-reported mood[J]. Journal of Personality and Social Psychology, 1988, 54(2):296-308. DOI: 10.1037/0022-3514.54.2.296

DOI PMID

[16]
Rind B. Effect of beliefs about weather conditions on tipping[J]. Journal of Applied Social Psychology, 1996, 26(2):137-147. DOI: 10.1111/j.1559-1816.1996.tb01842.x

DOI

[17]
Sisco M R, Bosetti V, Weber E U. When do extreme weather events generate attention to climate change?[J]. Climatic Change, 2017, 143:227-241. DOI:10.1007/s10584-017-1984-2

DOI

[18]
Capstick S B, Pidgeon N F. Public perception of cold weather events as evidence for and against climate change[J]. Climatic Change, 2014, 122(4):695-708. DOI: 10.10 07/s10584-013-1003-1

DOI

[19]
Moore F C, Obradovich N, Lehner F, et al. Rapidly declining remarkability of temperature anomalies may obscure public perception of climate change[J]. Proceedings of the National Academy of Sciences of the United States of America, 2019, 116(11):4905-4910. DOI: 10.1073/pnas.1 816541116

DOI PMID

[20]
Adelekan I O, Gbadegesin A S. Analysis of the public perception of climate change issues in an indigenous African city[J]. International Journal of Environmental Studies, 2005, 62(1):115-124. DOI: 10.1080/0020723042000243281

DOI

[21]
Henderson-Sellers A. Australian public perception of the greenhouse issue[J]. Climatic Change, 1990, 17:69-96. DOI: 10.1007/bf00149001

DOI

[22]
Lee T M, Markowitz E M, Howe P D, et al. Predictors of public climate change awareness and risk perception around the world[J]. Nature Climate Change, 2015, 5:1014-1020. DOI: 10.1038/nclimate2728

DOI

[23]
Shi J, Visschers V H M, Siegrist M. Public perception of climate change: the importance of knowledge and cultural worldviews[J]. Risk Analysis, 2015, 35(12):2183-201. DOI: 10.1111/risa.12406

DOI PMID

[24]
Li J, Wang X, Hovy E. What a nasty day: Exploring mood-weather relationship from twitter[J]. ACM, 2014. DOI: 10.1145/2661829.2662090

DOI

[25]
Stevens H R, Graham P L, Beggs P J, et al. In cold weather we bark, but in hot weather we bite: patterns in social media anger, aggressive behavior, and temperature[J]. Environment and Behavior, 2020, 53(7):001391652093745. DOI: 10.1177/0013916520937455

DOI

[26]
Hannak A, Anderson E, Feldman L, et al. Tweetin' in the rain: exploring societal-scale effects of weather on mood[C]. ICWSM, 2012.

[27]
Zheng S, Wang J, Cong S, et al. Air pollution lowers Chinese urbanites' expressed happiness on social media[J]. Nature Human Behaviour, 2019, 3(3):237-243. DOI:10.10 38/s41562-018-0521-2

DOI PMID

[28]
Francesca, Cecinati, Tom, et al. Mining social media to identify heat waves[J]. International journal of environmental research and public health, 2019, 16(5):762. DOI: 10.3390/ijerph16050762

DOI

[29]
裴韬, 刘亚溪, 郭思慧, 等. 地理大数据挖掘的本质[J]. 地理学报, 2019, 74(3):586-598.

DOI

[ Pei T, Liu Y, Guo S, et al. Principle of big geodata mining[J]. Acta Geographica Sinica, 2019, 74(3):586-598. ] DOI: 10.11821/dlxb201903014

DOI

[30]
新浪微博数据中心. 2018微博用户发展报告[ED/OL]. 2018.

[Sina Weibo data center. 2018 Weibo user development report [ED/OL]. 2018. ]

[31]
郭彦, 董文杰, 任福民, 等. CMIP5模式对中国年平均气温模拟及其与CMIP3模式的比较[J]. 气候变化研究进展, 2013, 9(3):181-186.

[ Guo Y, Dong W, Ren F, et al. Assessment of CMIP5 simulations for China annual average surface temperature and its comparison with CMIP3 simulations[J]. Progressus Inquisitiones De Mutatione Climatis, 2013, 9(3):181-186. ] DOI: 10.3969/j.issn.1673-1719. 2013.03.004

DOI

[32]
唐红玉, 翟盘茂, 王振宇. 1951—2002年中国平均最高,最低气温及日较差变化[J]. 气候与环境研究, 2005, 10(4):728-735.

[ Tang H, Zhai P, Wang Z. On change in mean maximum temperature, minimum temperature and diurnal range in China during 1951-2002[J]. Climatic and Environmental Research, 2005, 10(4):728-735. ] DOI: 10.3 878/j.issn.1006-9585.2005.04.03

DOI

[33]
王春林, 潘蔚娟, 罗晓玲. 广东高温预警指标及高温日数统计[J]. 广东气象, 2008, 30(3):F0002-F0002.

[ Wang C, Pan W, Luo X. High temperature warning index and statistics of high temperature days in Guangdong[J]. Guangdong Meteorology, 2008, 30(3):F0002-F0002. ] DOI: 10.3 969/j.issn.1007-6190.2008.03.012

DOI

[34]
国家统计局城市社会经济调查司. 中国城市统计年鉴[M]. 北京: 中国统计出版社, 2018.

[ Urban Social andEconomic Survey Division, National Bureau of Statistics. China city statistical yearbook[M]. Beijing: China Statistics Press, 2018 ]

[35]
Wang J, Meng B, Pei T, et al. Mapping the exposure and sensitivity to heat wave events in China's megacities[J]. Science of The Total Environment, 2020, 755(9):142734. DOI: 10.1016/j.scitotenv.2020.142734

DOI

[36]
中国科学院资源环境科学数据中心. 1980年代中国生态地理分区[DB]. 国家科技基础条件平台—国家地球系统科学数据中心, 2020.

Resource and environment science and data center. Ecological geography of China in the 1980s[DB]. National Earth System Science Data Center, National Science & Technology Infrastructure of China, 2020 ] DOI: 10.12041/geodata.118136970584374.ver1.db

[37]
新浪微博数据中心. 2017微博用户发展报告[ED/OL]. 2017.

[Sina Weibo data center. 2017 Weibo user development report[ED/OL]. 2017. ]

[38]
李思芸. 夏热冬冷地区典型城市幼儿热舒适分析研究[D]. 重庆: 重庆大学, 2016.

[ Li S. A study of thermal comfort for kindergarten children in typical cities of hot-summer and cold-winter zone[D]. Chongqing: Chongqing University, 2016. ] DOI: CNKI:CDMD:2.1017.801946

DOI

Options
Outlines

/

〈 〉