利用清单法和多源遥感数据绘制中国人为热通量时间序列外文翻译资料

利用清单法和多源遥感数据绘制中国人为热通量时间序列

1. 引言

全球范围内的快速城市化对全球环境、气候、生态和人类健康具有重大影响(Gong等，2020; Li等，2019)。人为热作为城市化的产物之一，是指人类活动产生并重新释放到大气中的热量，主要来自各种能源消耗和人体新陈代谢(Sailor等，2015; Zhou等，2012)。释放到大气层的大量人为热量将对城市环境和气候产生负面影响(Young-Hee等，2013; Sacramento等，2018; Ma等，2017; Chrysoulakis和Grimmond，2016)。了解和掌握人为热量排放及其变化对于了解城市化对环境和人类社会的影响具有重要意义。

随着人类活动热量排放日益受到关注，人们对人类活动热量通量(AHF)的估算进行了一系列研究。在早期的研究中，通过测量显热、潜热、储热等热通量，使用能量平衡剩余法估算AHF(Man等，2015; Christen和Vogt，2004)。这种方法可以实现高精度，但它依赖于通量测量，这在大多数地方是无法获得的。因此，这种方法很难应用于大规模AHF估计。研究人员还采用建模方法(如建筑能耗模型、地理信息模型)，通过收集研究区详细的能耗数据，估算精确的AHF。例如，Heiple和Sailor (2008)基于建筑能量模型综合考虑了各种类型的建筑能耗信息，估算了AHF，但该方法没有考虑其他热源的排放。此外，一些研究利用地理信息建模技术，通过收集不同热源(如交通网络、车流、建筑物楼层等) 的详细数据，估计并获得了高空间分辨率的AHF数据(Luo，2018;Cao等，2019)。然而，由于大规模地收集详细完整的数据往往比较困难，因此该方法不适用于大规模的AHF估计。另一种常用的AHF估计方法是清单法(Sailor，2011)。通过收集工业、建筑和运输等能源消费数据以及行政区划单位的社会经济数据，通过能量转换经验系数，将不同类型的能源消费转换为人为热排放，从而实现AHF估算(Grimmond，2010;Chow等，2014;Lu等，2017)。清单法的计算相对简单，适合用于估算大规模的AHF。然而，清单法的AHF估算结果主要是基于行政区划单位(省、市、县)的规模。因此，行政区划单位内的人为热量排放不能很好地表达。

近年来，随着各种数据的出现，使估计和获得更精确的AHF数据成为可能。例如，根据哥伦比亚大学社会和经济数据应用中心(SEDAC)的全球人口密度数据，Flanner(2009年)通过按人口网格密度分配总能耗，获得了世界上第一个空间分辨率为2.5mintimes;2.5min的AHF 产品。研究还表明，空间人口密度并不能很好地反映某些地区的能源消耗，因此基于人口数据的AHF估计的准确性有待提高(Dong等，2017)。（Lu等，2016)利用电网国内生产总值(GDP)数据重新分配行政区域的能源消耗，并估计了中国电网9kmtimes;9km空间分辨率下的AHF。然而，数据的空间分辨率是相对粗略的。该地区内详细的人为热排放不能很好地表达，因此在实际应用中受到限制。夜间照明(NTL)数据可以很好地反映人类活动强度，经济发展水平与人为热量排放之间存在强烈的相关性。(Sutton等，2001;Doll等，2006;Yue等，2014; Li等，2013;Zhou等，2015)。因此，许多研究使用NTL数据来估计AHF (Dong等，2017; Yang 等，2014;Ma等，2016)。Yang等(2014)利用De-fense气象卫星计划业务线扫描系统 (DMSP/OLS)NTL数据估算了1992年至2010年中国AHF数据，空间分辨率为 1km。此外，Ma 等(2016) 通过建立人居指标与能源消耗的回归模型，获得了浙江省电网AHF数据。虽然已经进行了大量的人为热排放研究，并获得了各种尺度和空间分辨率的AHF数据，但是长时间序列和高空间分辨率的AHF数据仍然相对较少，不能够更好地满足大规模实际应用的需要。中国时间序列精细AHF数据的估算和获取可以有效地服务于城市气候和城市热环境的研究。

本研究旨在实现2000-2016年中国地区AHF的精细成图，空间分辨率为500mtimes;500m，间隔时间为4年。主要目标是: (1)通过收集2000-2016年各省市的能源消费数据和社会经济数据，采用清单法估算地级市(州、区、联盟)年均AHF;（2）通过多源遥感数据的融合，构建AHF估计模型，得到精细网格AHF；（3）对时间序列AHF估计结果进行分析检验，修正偏差值，提高AHF估计结果的准确性和适用性。

2. 数据及预处理

研究中使用的数据主要包括统计数据和遥感数据，如表1所示。包括能源消费数据和省市社会经济数据在内的统计数据来自国家统计局和地方统计局(国家统计局)发布的统计年鉴和统计公报。从工业、交通和建筑三个方面收集能源消耗数据，主要包括煤炭、石油、天然气、电力、 热能和其他常规能源的消耗。社会经济数据是从总人口、第二产业和第三产业比例等指标中收集的。由于香港、澳门和台湾的统计指标略有不同，因此不包括在建模过程中。除宁夏回族自治区未收集建筑能耗数据外，甘肃省未收集2000年和2004年的能耗数据外，共收集到314个地级(州、区、县)的社会经济数据和能耗数据。所有的统计数据都进行了分类和计算。缺失数据通过线性回归方法估计，以确保用于建模的数据的完整性。

夜间灯光数据来源于美国国家海洋和大气管理局(NOAA)，包括DMSP/OLS稳定夜间光数据和Suomi-NPP/VIIRS(Suomi National polarorbital Partnership/visi ble Infrared Imaging RadiometerSuite)新一代年度合成夜间灯光数据。NTL数据可以检测来自城市、城镇和其他地方的连续照明，背景噪音，如火灾被识别和消除。DMSP/OLS NTL数据的空间分辨率为30弧秒。Suomi-NPP NTL数据的空间分辨率为15弧秒，赤道约500米。收集并处理2000年至2012年DMSP/OLS NTL数据和2016年Suomi-NPP/VIIRS NTL数据，以便进行重新投影、重新采样和编辑。

表一

时间序列中分辨率成像光谱仪（MODIS）归一化植被指数（NDVI）产品数据（MOD13A1）来自美国地质调查局（USGS），这是一个16天的合成产品，空间分辨率为500米。该产品收集了2000-2016年4月至10月的NDVI产品数据，并对每个数据进行了分析这一时期，全国共有28个场景。为了研究时间序列，总共采集了1960幅场景图像。并基于MOD13A1产品的QC（质量控制）子集进行质量控制，以获得适用的高质量数据。

3. 方法和步骤

3.1清单方法

收集2000年至2016年能源消费数据和社会经济数据等统计数据，对行政区划单位的大气环境足迹进行量化。具体计算方法详见Wang等人（2019）的研究。

地级市(州、区、联盟)AHF按工业、交通、建筑和人体新陈代谢四个类别进行量化(Sailor 和Lu，2004; Iamarino等，2012;Sailor，2011)。以各省工业能耗总量(煤炭、石油、天然气、电力、热能等)为基础，根据地级市第二产业所占比例，对地级市工业热排放量进行了量化。批发、零售、住宿、餐饮和生活的能源消耗指标从每个省的能源平衡表中收集。根据第三产业与地级市人口的比例，对地级市的建筑热排放进行了量化。通过收集民用车辆所有权数据，结合年平均行驶距离和车辆燃油消耗计算交通热排放(Grimmond，2010)。人类代谢的热排放主要通过人口数据和人类代谢强度来计算(Quah和Roth，2012; Chen和Hu，2017)。

3.2精细网格AHF估计

地级市的AHF是用清单法估算的。在此基础上，通过建立遥感植被调整的 NTL 城市指数(VANUI)与地级市AHF之间的回归关系，建立网格AHF估算模型，得到空间分辨率为500mtimes; 500m的精细网格AHF。(1)

VANUI利用NDVI植被信号有效降低DMSP NTL数据的像素饱和度，增加夜间光亮度的空间变异性，可以更好地表征区域内人类活动的强度（Zhang et al.，2013），定义如下：

VANUI=(1-NDVI_MAX)times;NTL_nor (1)

NDVI_max是多时相正常化植被指数的最大值，NTL_nor 是正常化的夜间光照数据。

其次，计算地级市(州、区、联盟)的平均 VANUI:

(2)

其中是地级市的平均VANUI，VANUI是地级市的像素i指数值，n是地级市的像素总数。

在此基础上，建立了地级市(州、区、联盟) AHF与的回归关系，构建了网格AHF估计模型:

(3)

地级市像素i的指标值为VANUI_i，f (VANUI_i)是VANUI和AHF的回归函数。

在具体的AHF估算过程中，考虑到全国人为热排放的不同特点，将全国划分为8个经济区(北部沿海地区-ncr、南部沿海地区-scr、东部沿海地区-ecr、东北部沿海地区-ner、黄河中游地区-myer、长江中游地区-myar、西南地区-swr和西北地区-nwr)。基于划分模型的思想，别建立了各划分区域的AHF估算模型，该模型符合各区域的人为热量排放特征。AHF的详细分区建模过程可以参考Wang等人(2019)的研究。

经过初步估计后，需要对时间序列AHF结果的偏差值进行检测和校正。一般来说，网格的人为热排放随着时间的推移逐渐增加。如果后期的AHF值低于前期，则需要重建这些低估区域的AHF估计模型。因此，通过比较相邻阶段的AHF估计结果，提取每个区域的低估区域。通过建立各分区相邻相位AHF正常估计值之间的拟合函数作为低估面积的修正模型，对AHF的偏差值进行修正:

（4）

其中AHF_i，t是前一阶段(t年)的像素i的AHF值，AHF_i，T是后一阶段(t年)的像素i 的AHF值，a是分区中AHF的增长率，b是截距。

3.3技术过程

总体工艺流程如图1所示。通过收集各省市的能源消费数据和社会经济数据，采用清单法对地级市（州、区、盟）的年平均AHF进行了估算。并结合多源遥感数据（DMSP/OLS、Suomi NPP/VIIRS、MODIS NDVI）建立AHF估算模型，得到2000-2016年AHF时间序列数据。在此基础上，对时间序列AHF估计结果进行了分析和检验，对偏差值进行了修正。最后，实现了2000-2016年我国地表AHF高精度、适用性好的成图。

图1.整体技术流程图

4. 结果与分析

4.1. AHF 估计模型和评估

在VANUI建设完成后，计算了地级市的VANUI平均值。此外，还对地级市的VANUI和AHF进行了统计回归分析。以地级AHF值为因变量，以VANUI值为自变量，建立了AHF和VANUI回归模型，对网格AHF进行了估计。决定系数(R²)反映了模型的估计性能。

以NCR分区为例，举例说明了2000年至2016年AHF和VANUI的回归模型(如表2所示)。其余分区的AHF估计模型在补充材料中详细描述。估计模型的R²值在0.69和0.94之间，表明模型具有良好的拟合性表现。随着时间的推移，估计模型的斜率值逐渐增大，这可以反映AHF的增长趋势和不同分区之间增长强度的差异。

各分区VANUI和AHF回归模型的R²值如图2所示。VANUI和AHF之间有很好的相关性。VANUI和AHF的最高R²为0.97，位于NWR。各分区VANUI和AHF的R²值在0.51–0.97之间。其中，大部分分区的R²值集中在0.6-0.9之间，总体平均R²值为0.76，说明VANUI能很好地反映区域的人为热排放。基于VANUI的AHF估计模型可以得到可靠的估计结果。

4.2. 时间序列 AHF 的校正模型

建立了相邻相位正常估计AHF值的回归模型作为修正模型(如表3所示)来处理每个分区中的低估值。校正模型的斜率k可以反映每个分区相应时期AHF的增长和变化。其中，AHF_t表示网格在t年的AHF值，AHF_T表示相应网格在t年后期的AHF值。

结果表明，在2000-2016年期间，分区AHF的增长率普遍呈上升趋势。SCR、ECR和NCR的AHF修正模型的斜率k分别由

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[257649]，资料为PDF文档或Word文档，PDF文档可免费转换为Word