基于遙感的北京市體感溫度指數(shù)反演研究

李寧，徐永明，何苗，吳笑涵

隨著經(jīng)濟的發(fā)展，人們在追求高質(zhì)量生活的同時，也愈發(fā)關(guān)心周圍環(huán)境對自身的影響。以城市為例，快速的城市化進程使得地表參數(shù)發(fā)生了巨大改變，人居環(huán)境也隨之產(chǎn)生顯著變化。在以“熱島效應(yīng)”為代表的多種因素共同作用下，城市地區(qū)遭受夏季高溫災(zāi)害的可能性增大（顧康康等，2017），而高溫災(zāi)害天氣將使人體產(chǎn)生明顯不適甚至嚴重損害人體健康（Yin et al.，2012），因此評價人體在不同環(huán)境氣象條件下的舒適感已經(jīng)成為城市環(huán)境氣象服務(wù)的重要組成部分（劉梅等，2002）。傳統(tǒng)的氣象服務(wù)中，關(guān)于夏季高溫環(huán)境對人體健康影響的研究主要關(guān)注溫度因素，但除了溫度，包括濕度、太陽輻射和風在內(nèi)的多種氣象因素都會對人體感覺產(chǎn)生影響（王遠飛等，1998；Giannopoulou et al.，2013）。體感溫度作為評價人體舒適度的一種指標，綜合考慮了溫度、濕度等多種因素來反映人體對環(huán)境溫度高低的感覺，已經(jīng)被證明與城市熱健康、室內(nèi)溫度（Nguyen et al.，2014）和高溫致死率（Zhang et al.，2014；Wichmann，2017）的關(guān)系最為密切。因此，基于體感溫度指數(shù)來評價城市環(huán)境對人體健康的影響比單純的溫度指標更合理。

體感溫度被定義為人體在熱量平衡條件下，對實時綜合環(huán)境以熱感覺溫度表示的生物氣象指標（Nagano et al.，2011）。國外已有許多學者采用不同的體感溫度指數(shù)研究區(qū)域熱環(huán)境對人體健康的影響。Jacobs et al.（2013）通過計算AT指數(shù)分析澳大利亞的體感溫度和熱舒適度空間分布特征，并利用耦合模式探討了未來體感溫度的變化趨勢。Hung et al.（2016）基于Humidex指數(shù)研究了溫哥華地區(qū)體感溫度的空間分布特征并與氣溫和地溫進行對比。在 2003年意大利夏季高溫熱浪事件中，Humidex指數(shù)也得到了成功的應(yīng)用（Bisanti et al.，2004；Russo et al.，2004；Conti et al.，2005）。國內(nèi)學者對體感溫度的研究相對較晚。呂偉林（1998）通過實驗得出了體感溫度統(tǒng)計模型，讓公眾對預(yù)報的氣溫和現(xiàn)實生活中人體將感受到的溫度有了一個可比較的標準；石磊等（2012）利用站點數(shù)據(jù)分析了近 50年西南區(qū)域年夏季體感溫度的變化趨勢及空間分布特征；尹炤寅等（2017）利用氣象資料計算并討論了體感溫度對黃石市夏季氣象負荷率變化的影響。目前國內(nèi)外現(xiàn)有的體感溫度研究主要基于點尺度的氣象臺站觀測資料，受制于氣象臺站的監(jiān)測范圍和布設(shè)數(shù)量，無法精細反映區(qū)域熱環(huán)境的空間分布差異。然而，高溫災(zāi)害風險的分布往往具有連續(xù)性和空間差異性（何苗等，2017）。運用遙感手段反演體感溫度，可以提供比氣象資料更好的空間異質(zhì)度信息（徐永明等，2011），反映體感溫度的空間細節(jié)變化。本研究結(jié)合多源遙感數(shù)據(jù)與氣象觀測數(shù)據(jù)，綜合考慮氣溫和濕度兩種因素的影響計算北京市的Humidex體感溫度指數(shù)，利用遙感手段獲取北京市體感溫度的空間分布狀況，為城市人居環(huán)境和城市熱島效應(yīng)研究提供科學參考。

1 研究區(qū)及研究數(shù)據(jù)

1.1 研究區(qū)概況

北京市位于華北平原與燕山山脈、太行山脈的交接處，地理范圍為 115°25′～117°30′E，39°28′～41°36′N，總面積達 16410.54 km2。北京市主要由西北部山地和東南部平原兩大地貌單元組成，地勢呈西北高東南低，山地平均海拔1000～1500 m，平原平均海拔20～60 m。北京是典型的溫帶半濕潤大陸性季風氣候，夏季高溫多雨，平原地區(qū)年平均氣溫11～13 ℃，年極端最高溫 35～42 ℃，年降水量在470～600 mm之間。作為首都，北京經(jīng)歷了快速的城市化進程，截止到 2016年底，北京市的常住人口總數(shù)達到2172.9萬人，城鎮(zhèn)化率達到86.5%（國家統(tǒng)計局北京調(diào)查總隊，2017）。人類活動的增加使得北京地區(qū)的土地覆蓋類型變化比較頻繁，而熱島強度與城市土地利用類型有直接關(guān)系（劉勇洪等，2017）。2017年北京市土地利用方式分布情況如圖1所示。隨著城市規(guī)模的擴大，北京的“城市熱島”強度表現(xiàn)出逐年增強的趨勢（林學椿等，2005；何松蔚等，2017），日益增大的城市下墊面會顯著增強白天地表對大氣的向上感熱輸送，增大城區(qū)日間出現(xiàn)高溫的可能性（鄭祚芳等，2012）。

1.2 研究數(shù)據(jù)及其處理

1.2.1 遙感數(shù)據(jù)

圖1 2017年北京市土地利用分布情況Fig. 1 The distribution of land use of Beijing in 2017

本研究所使用的遙感數(shù)據(jù)包括 Landsat 8 OLI/TIRS數(shù)據(jù)、TERRA MODIS水汽產(chǎn)品數(shù)據(jù)和ASTER GDEM數(shù)據(jù)。Landsat 8數(shù)據(jù)為2017年7月10日上午 10:53成像的兩景上下相鄰影像，WRS軌道號分別為123/32和123/33。Landsat 8的陸地成像儀OLI空間分辨率為30 m，熱紅外傳感器TIRS的空間分辨率為100 m。對OLI和TIRS數(shù)據(jù)進行輻射定標，將圖像灰度值轉(zhuǎn)換成輻射亮度。利用FLAASH模型對OLI數(shù)據(jù)進行大氣校正，獲取地表真實反射率。MODIS水汽產(chǎn)品為2017年7月10日10:20成像的MOD05-L2數(shù)據(jù)，可提供晴空條件下陸面上的氣柱水汽含量，與Landsat 8數(shù)據(jù)成像時間相差33 min，可以認為兩個時刻的水汽含量接近。根據(jù) MODIS數(shù)據(jù)自帶的經(jīng)緯度信息建立 GLT（Geographic Lookup Table）文件對MOD05-L2數(shù)據(jù)進行地理重校正，獲取北京地區(qū)大氣可降水量PWV。另外，采用北京市的ASTER GDEM數(shù)據(jù)作為研究區(qū)的高程數(shù)據(jù)，空間分辨率為30 m。為使3種數(shù)據(jù)分辨率一致，將MOD05-L2數(shù)據(jù)和ASTER GDEM 高程數(shù)據(jù)進行重采樣處理，統(tǒng)一采用基于WGS84基準面的UTM投影，條帶號為50N。

1.2.2 地面氣象數(shù)據(jù)

地面氣象數(shù)據(jù)為北京市2017年7月10日的逐小時氣象站點觀測資料，由于Landsat 8過境時間為上午10:53，因此選取上午11:00的站點觀測數(shù)據(jù)。在去除缺失值后，獲得了包括 20個國家基本氣象站和254個自動氣象站在內(nèi)的觀測數(shù)據(jù)，包含了站點的經(jīng)緯度、高程、氣溫和相對濕度等信息，圖 2所示為北京市11時站點氣溫和濕度的分布狀況。

2 研究方法

2.1 體感溫度指數(shù)

圖2 2017年7月10日北京市站點氣溫（a）與相對濕度（b）分布圖Fig. 2 Map of observing air temperature (a) and relative humidity (b) in Beijing on July 10th of 2017

體感溫度指數(shù)主要分為經(jīng)驗?zāi)Ｐ秃蜋C理模型兩大類，常用的指標包括標準有效溫度（SET）、Humidex指數(shù)、實感溫度（AT）和通用熱氣候指數(shù)（UTCI）等多種指標（Gagge et al.，1971；Masterson et al.，1979；Steadman，1979；Blazejczyk et al.，2012）。體感溫度指數(shù)綜合考慮了溫度、濕度、風速和太陽輻射等要素對人體的影響，其中溫度是起決定作用的指標，濕度是重要指標（吳兌，2003）。Humidex指數(shù)因計算簡便，可解釋性強，被越來越廣泛地應(yīng)用于室內(nèi)外的熱環(huán)境評估和人體舒適度的評價（Beccali et al.，2008）。D'Ambrosio et al.（2011）根據(jù)現(xiàn)行的國際標準對 Humidex指數(shù)的熱環(huán)境評價結(jié)果進行評估，結(jié)果表明Humidex指數(shù)在夏季較高的溫度條件下對熱舒適性的評價效果良好。本研究選取Humidex指數(shù)來表征北京市體感溫度，該指數(shù)采用溫度和濕度（以露點溫度表示）兩項指標來綜合評價人體對溫度和濕度的熱耐受程度，可反映當前環(huán)境對人體造成的不舒適感和由此引發(fā)的健康危害。Humidex指數(shù)定義如下：

式中，H為體感溫度（℃）；ta為氣溫（℃），td為露點溫度（℃）。

基于多源遙感數(shù)據(jù)和實測站點數(shù)據(jù)，分別計算北京市近地表氣溫和露點溫度兩個參數(shù)，并在此基礎(chǔ)上計算Humidex指數(shù)。

2.2 近地表氣溫反演

2.2.1 氣溫影響因子

近地表氣溫與地表溫度之間具有很好的相關(guān)性，基于地表溫度的近地表氣溫遙感反演已經(jīng)得到了廣泛應(yīng)用（Vancutsem et al.，2010；Scott et al.，2014）。除地表溫度外，植被覆蓋、土壤濕度、海拔高度及城市不透水面等時空多變因子對近地表氣溫的影響也較為顯著。因此，以氣溫為因變量，包含地溫在內(nèi)的多個影響因子為自變量，構(gòu)建氣溫反演模型，以期獲得更好的反演結(jié)果。

（1）地表溫度

Yu et al.（2014）研究發(fā)現(xiàn)TIRS 10波段比11波段更適合于單波段的地表溫度反演。本研究采用Juan et al.（2014）針對Landsat 8改進的單通道算法來反演地表溫度。

式中，Ts為地表溫度（K）；T為亮度溫度（K），L 為輻射亮度（W·m-2·sr-1·μm-1）；ε為地表比輻射率，采用混合像元法（Sobrino et al.，2004）進行計算；bγ=1324 K；ω為大氣水汽含量（g·cm-2）。

（2）不透水面蓋度

城市不透水面蓋度與地表溫度之間存在正相關(guān)關(guān)系，不透水面蓋度可以作為城市熱環(huán)境的一個重要指示因子（徐永明等，2013；買買提江·買提尼亞孜等，2015）。本研究以 Ridd（1995）提出的 V-I-S模型為理論基礎(chǔ)，使用混合像元線性光譜分解法，計算各端元的豐度并求解北京市的不透水面蓋度。為了確定端元的光譜特征，對遙感影像進行 MNF變換以減少數(shù)據(jù)冗余和波段之間的相關(guān)性，再通過像元純凈度PPI計算尋找影像中最純的光譜像元，在此基礎(chǔ)上選取高反照度地物、低反照度地物、植被和土壤這4種端元類型，分別得到各端元的豐度圖，最后剔除低反照度端元豐度影像中的水體信息，通過高、低反照度分量的線性組合來獲得城市不透水面信息（Wu et al.，2003）。

（3）其他因子

以ASTER GDEM數(shù)據(jù)和MODIS水汽產(chǎn)品為數(shù)據(jù)源，提取北京市的高程和大氣可降水量。使用歸一化植被指數(shù) NDVI和改進型歸一化水體指數(shù)MNDWI（徐涵秋，2005）來表征植被覆蓋和水體分布狀況。

式中，λNIR表示近紅外波段；λR表示紅波段；λMIR表示中紅外波段；λG表示綠波段。

2.2.2 氣溫反演模型

氣溫的反演算法總體上可歸納為：經(jīng)驗統(tǒng)計法、溫度-植被指數(shù)法（TVX）、大氣溫度廓線外推法、能量平衡方法和機器學習算法。其中，經(jīng)驗統(tǒng)計法是通過建立地表溫度與站點觀測氣溫之間的線性關(guān)系來估算氣溫，最為簡捷但普適性較差。隨機森林法作為一種基于分類與回歸樹的機器學習算法（Breiman，2001），相較于傳統(tǒng)的統(tǒng)計方法，對非線性的數(shù)據(jù)有更好的擬合效果（方匡南等，2011），對噪聲和異常值也有很好的容忍性（江佳樂等，2014），并且不需要顧慮一般回歸問題面臨的多元共線性的問題（李欣海，2013）。利用隨機森林模型反演近地表氣溫被證明是可行的，并且具有一定的優(yōu)越性（白琳等，2017）。本研究基于隨機森林模型來反演北京市近地表氣溫，建模過程如圖3所示，具體步驟如下：

（1）采用自舉法從訓練集中隨機抽取樣本數(shù)據(jù)，生成n個新訓練樣本集合，未抽到的樣本數(shù)據(jù)構(gòu)成n個袋外數(shù)據(jù)（OOB）。

（2）每個訓練樣本集合建立1棵分類回歸樹，生成n棵決策樹，決策樹在每個節(jié)點處從自變量中隨機挑選m個，按照節(jié)點不純度最小原則進行分支生長。根據(jù)該訓練樣本集合對應(yīng)的袋外數(shù)據(jù)（OOB）對回歸樹進行OOB誤差估計。

（3）所有n棵決策樹組成隨機森林，預(yù)測結(jié)果是每棵決策樹預(yù)測結(jié)果的平均值，預(yù)測精度則以每棵決策樹的平均OOB誤差來確定。

構(gòu)建隨機森林模型需要確定的參數(shù)包括決策樹數(shù)目ntree和樹節(jié)點預(yù)選的變量個數(shù)mtry，ntree可根據(jù)模型誤差進行確定，選擇模型誤差趨于平穩(wěn)時的決策樹數(shù)目。mtry應(yīng)小于構(gòu)建模型的變量個數(shù)，可采用逐一增加變量法，尋找到最優(yōu)模型后確定。

2.3 近地表空氣濕度反演

相較于近地表氣溫的遙感反演，大氣水汽遙感的研究相對較少。針對近地表濕度的遙感估算，主要是基于大氣柱水汽廓線或可降水總量，結(jié)合地面監(jiān)測數(shù)據(jù)建立統(tǒng)計回歸方程進行反演。然而，大氣濕度廓線垂向分辨率不高，限制了其在近地表濕度反演中的應(yīng)用（張紅梅等，2014），因此大氣可降水量更適合于近地表濕度的遙感估算。空氣濕度常用相對濕度（?）、露點溫度（tdew）、比濕（Q）和水汽壓（ea）表示，已有學者在大氣可降水量數(shù)據(jù)的基礎(chǔ)上實現(xiàn)了對這4種濕度參數(shù)的遙感反演（Han et al.，2005；Peng et al.，2006；黃耀歡等，2010；張丹等，2012；楊景梅等，2002）。

本研究基于 MOD05-L2產(chǎn)品得到北京市的大氣可降水量PWV，結(jié)合高程DEM、地表溫度LST、歸一化植被指數(shù)NDVI和改進型的歸一化水體指數(shù)MNDWI，以站點露點溫度為因變量，進行逐步回歸分析，剔除不顯著變量之后，建立多元線性回歸模型來估算北京市的露點溫度。

2.4 模型驗證方法

圖3 氣溫反演流程圖Fig. 3 The process of the air temperature retrieve

從274個站點數(shù)據(jù)中隨機分割出204個樣本作為訓練集進行建模，估算出近地表氣溫和露點溫度。再以剩余的 70個樣本作為測試集，對反演的近地表氣溫、露點溫度和體感溫度進行驗證，以判定系數(shù)R2、平均絕對誤差MAE和均方根誤差RMSE為精度評價指標。

3 結(jié)果與討論

3.1 結(jié)果驗證

3.1.1 近地表氣溫驗證

根據(jù) OOB誤差最小原則進行多次試驗，結(jié)果表明，當ntree=100、mtry=4時，隨機森林模型最優(yōu)，故基于此模型計算近地表氣溫。圖4(a)所示為隨機森林模型估算的氣溫與觀測氣溫的散點圖，結(jié)果表明，估算值與實測氣溫之間的平均絕對誤差 MAE為0.89 ℃，均方根誤差RMSE為1.13 ℃，決定系數(shù)R2為0.73，表明隨機森林模型的反演精度較高，可以合理有效地估算近地表氣溫。圖中樣本分布整體聚集在1?1線附近，低溫區(qū)樣本離散程度較高，高于 30 ℃時的樣本分布更貼近 1?1線，表明隨機森林模型在高溫地區(qū)對氣溫的反演效果更好，與實測值更接近。

3.1.2 露點溫度驗證

對由 PWV、LST、DEM、NDVI和 MNDWI構(gòu)成的樣本集進行逐步回歸分析，經(jīng)過篩選后確定了PWV、LST和DEM為3個最顯著變量，以此構(gòu)建多元線性回歸模型，如下：

式中，td為露點溫度（℃）；PWV為大氣可降水量（cm）；LST為地表溫度（℃）；DEM為高程（m）。圖 4(b)所示為多元線性回歸模型估算的露點溫度與站點露點溫度的散點圖，結(jié)果表明，模擬值和站點露點溫度值之間的平均絕對誤差 MAE為1.45 ℃，均方根誤差RMSE為1.80 ℃，決定系數(shù)R2為0.68，顯示了較高的擬合度。樣本整體分布集中在1?1線周圍，露點溫度較低的區(qū)域樣本分布偏上，與實測值間存在一定的誤差。而露點溫度較高的區(qū)域樣本點分布更靠近1?1線，說明該模型對于高濕度地區(qū)的反演效果更好。

圖4 氣溫（a）和露點溫度（b）估算值與實測值散點圖Fig. 4 Scatter plot of estimated air temperature (a) and dew point temperature (b) versus observed data

3.1.3 體感溫度驗證

基于建立的模型獲取北京市近地表氣溫和露點溫度后，計算Humidex指數(shù)來表征北京市的體感溫度。利用站點計算得到的體感溫度進行驗證，圖5所示為基于驗證樣本反演的體感溫度與站點體感溫度的散點圖，決定系數(shù)R2=0.76，MAE=1.40 ℃，RMSE=1.71 ℃，這表明反演結(jié)果較好。無論低溫還是高溫區(qū)域，驗證樣本都較為集中地分布在 1?1線附近，說明Humidex指數(shù)的計算精度較高。

圖5 估算體感溫度與站點體感溫度散點Fig. 5 Scatter plot of estimated apparent temperature versus calculated apparent temperature from station

3.2 溫度與濕度分布特征

圖6 (a)所示為7月10日北京市近地表氣溫的空間分布狀況，總體上反演的氣溫范圍在25～35 ℃之間。氣溫的分布呈現(xiàn)顯著的空間差異性，中心城區(qū)氣溫高，并逐漸向郊區(qū)遞減，呈現(xiàn)出城市熱島的特征。山區(qū)的氣溫顯著低于平原地區(qū)，且呈現(xiàn)出海拔越高氣溫越低的趨勢。反演的氣溫與站點實測氣溫的分布情況一致，效果較好。

圖6 2017年7月10日北京市近地表氣溫（a）和露點溫度（b）分布圖Fig. 6 Map of near surface air temperature (a) and dew point temperature (b) in Beijing on July 10th of 2017

圖6 (b)所示為7月10日北京市露點溫度的空間分布情況。總體而言，東南部平原區(qū)的露點溫度高于西部和北部的山區(qū)，由于空氣的實際水汽壓等于露點溫度對應(yīng)的飽和水汽壓，而水汽壓具有隨著海拔高度增加而遞減的規(guī)律，因此山區(qū)整體的露點溫度低于平原區(qū)域。而中心城區(qū)受“城市熱島”和“城市干島”效應(yīng)的影響，使其在晴空條件下的相對濕度較低，水汽壓平均值低于同時期周圍郊區(qū)的平均水汽壓，造成露點溫度偏低。從中心城區(qū)開始向外延伸，露點溫度整體呈現(xiàn)山區(qū)＜城區(qū)＜郊區(qū)的分布趨勢，與當日站點實測相對濕度的分布一致，較好地反映了北京市的濕度分布情況。

3.3 體感溫度分布特征

圖7所示為北京市體感溫度的空間分布狀況，由圖可知，北京市的體感溫度主要在24～42 ℃之間變化，平均體感溫度為35.18 ℃，在空間分布上具有顯著差異性。西部和北部的山區(qū)體感溫度較低，在30 ℃以下，東南部平原地區(qū)體感溫度普遍較高，大多在35 ℃以上。平原地區(qū)的體感溫度高于山區(qū)，一方面是因為其海拔較低，水汽壓隨著海拔的降低而增加，導致了較高的露點溫度；另一方面，北京市的城區(qū)集中于此，這部分地區(qū)建筑密集，植被覆蓋率低，下墊面以不透水面為主，導致城市熱島效應(yīng)顯著，氣溫明顯高于周圍地區(qū)，溫度和濕度兩方面的共同作用使得平原區(qū)整體的體感溫度較高。除了中心城區(qū)之外，北京北部的密云河谷一帶、西北部的延懷盆地和東北部的懷柔等地的體感溫度也比較高，這些地區(qū)屬于各區(qū)的中心地帶，人口聚集，城鎮(zhèn)化水平較高，下墊面以不透水面為主，加之較低的海拔帶來的露點溫度的提升，使得體感溫度也偏高。而山區(qū)由于海拔較高，植被覆蓋條件好，植被的蒸散作用和冠層的遮蔽效應(yīng)有效降低了地表溫度，進而降低了近地表氣溫，使得山區(qū)體感溫度普遍較低。

圖7 2017年7月10日北京市體感溫度分布圖Fig. 7 Map of apparent temperature in Beijing on July 10th of 2017

圖8 不同方向體感溫度剖線圖Fig. 8 Variations of apparent temperature in different directions

為了進一步反映北京市體感溫度空間分布差異，以天安門（39°54′26.37″N，116°23′29.22″E）為中心由北向南、由西向東構(gòu)建特征剖面，得到體感溫度空間分布的剖線圖（圖8）。總體而言，北京南部的體感溫度高于北部，體感溫度差值可達13.28 ℃，東部體感溫度高于西部，溫差可達14.65 ℃。兩條剖線均是從山區(qū)部分開始，此時體感溫度最低，經(jīng)過郊區(qū)逐漸向主城區(qū)延伸，體感溫度也隨之升高。有所不同的是，南北方向的體感溫度剖線在上升過程中出現(xiàn)1個波峰，這是因為在到達北京主城區(qū)前，沿途的延懷盆地和密云河谷地區(qū)體感溫度較周圍高。體感溫度剖線在中心城區(qū)部分到達峰值，其中東城區(qū)和西城區(qū)體感溫度最高，平均值達到了39.79 ℃。在城市內(nèi)部，體感溫度剖線出現(xiàn)較明顯的波動，說明體感溫度在相鄰區(qū)域的分布也有明顯的空間差異，這一現(xiàn)象可能是由城市內(nèi)部的功能區(qū)分布差異所導致，商務(wù)區(qū)、住宅區(qū)、工業(yè)區(qū)等地人為活動頻繁，熱量聚集，導致體感溫度有所升高，而濕地公園、綠地、湖泊等環(huán)境景觀和設(shè)施的存在，對周圍環(huán)境有一定降溫作用，有利于體感溫度的降低，從而使得體感溫度剖面線在城市內(nèi)部產(chǎn)生波動。從中心城區(qū)延伸出來的體感溫度剖線并沒有明顯的下降趨勢，雖然郊區(qū)的氣溫低于中心城區(qū)，但受城市熱島和干島效應(yīng)的影響，中心城區(qū)的空氣濕度明顯低于周圍郊區(qū)，在整體偏熱的環(huán)境下，高濕度會明顯提升人體熱感，因此周圍郊區(qū)的體感溫度和中心城區(qū)一樣處于較高水平。

3.4 體感溫度與氣溫對比分析

通過對北京市近地表氣溫和體感溫度的分析發(fā)現(xiàn)，兩者在空間分布上具有一致性但體感溫度整體上高于氣溫。圖9所示為北京市體感溫度與氣溫之間的差異分布，體感溫度最高處比氣溫高了11.57 ℃。在北京北部、西部和東北部的山地部分，體感溫度與氣溫的差異不大，而北京市中心城區(qū)及周圍郊區(qū)、延懷盆地、懷柔和密云河谷一帶的體感溫度明顯高于氣溫，平均可達5 ℃以上，除了受城市熱島效應(yīng)影響之外，結(jié)合當天的濕度分布情況可以發(fā)現(xiàn)，體感溫度高于氣溫的區(qū)域其空氣濕度也較高，可見在偏熱環(huán)境中由于濕度的作用，會使得體感溫度明顯高于氣溫。利用體感溫度和氣溫的這種分布差異，可為監(jiān)測城市濕熱環(huán)境對人體舒適度和健康狀況的影響提供科學的參考。

圖9 體感溫度與氣溫差異分布圖Fig. 9 Different distribution between apparent temperature and air temperature

3.5 討論

本研究利用遙感手段分別計算了北京市氣溫和濕度的空間分布，在此基礎(chǔ)上計算Humidex指數(shù)以表征北京市體感溫度的空間分布，一定程度上克服了氣象站點觀測資料分布不均和空間代表性不充分的缺陷，為評估熱環(huán)境對人體健康的影響提供了新的思路。不過，本研究也存在一些不足，（1）受復雜的下墊面類型和城市內(nèi)部結(jié)構(gòu)的影響，目前的遙感方式無法獲取精準的近地表風速空間分布信息。基于站點觀測的風速數(shù)據(jù)進行插值，得到的結(jié)果也難以真實反映風速在城市內(nèi)部的分布狀況，因此本研究未考慮風速，未來將探索利用遙感手段計算多種體感溫度指數(shù)，并對不同指數(shù)進行對比分析。（2）由于Landsat衛(wèi)星成像周期為16 d，導致夏季無云影像很少，只能采用一兩景典型時相數(shù)據(jù)獲取體感溫度的空間精細分布，無法很好地反映體感溫度時間變化趨勢。

4 結(jié)論

通過對2017年7月10日上午10:53的遙感數(shù)據(jù)和氣象觀測資料進行反演，獲得了該日北京市體感溫度的空間分布情況，得到以下結(jié)論：

該日北京市體感溫度主要在24～42 ℃之間變化，平均為 35.18 ℃，整體上，西部和北部山區(qū)體感溫度較低，東南部平原地區(qū)體感溫度普遍較高，主城區(qū)的體感溫度高于郊區(qū)。在城市內(nèi)部，功能區(qū)分布差異使得體感溫度在相鄰區(qū)域上也有明顯差異。

基于遙感數(shù)據(jù)計算 Humidex指數(shù)來表征北京市體感溫度，將所得結(jié)果與站點觀測數(shù)據(jù)進行對比驗證，判定系數(shù)R2為0.76，平均絕對誤差MAE為1.40 ℃，均方根誤差RMSE為1.71 ℃，反演精度較理想，表明本研究方法是可行的。

北京市體感溫度和氣溫的空間分布具有一致性，但體感溫度普遍高于氣溫。北京市主城區(qū)、懷柔、延懷盆地和密云河谷一帶的體感溫度比氣溫高5 ℃以上，說明相比于傳統(tǒng)的氣溫指標，綜合考慮氣溫和濕度的 Humidex指數(shù)能更好地反映環(huán)境對人體舒適度和公共健康的影響。

BECCALI M, CELLURA M, BRANO V L, et al. 2008. Short-term prediction of household electricity consumption: Assessing weather sensitivity in a Mediterranean area [J]. Renewable and Sustainable Energy Reviews, 12(8): 2040-2065.

BISANTI L, CADUM E, COSTA G A, et al. 2004. 2003 Heatwaves and mortality in Italy [J]. Epidemiology, 15(4): 97.

BLAZEJCZYK K, EPSTEIN Y, JENDRITZKY G, et al. 2012. Comparison of UTCI to selected thermal indices [J]. International Journal of Biometeorology, 56(3): 515-535.

BREIMAN L. 2001. Random Forests [J]. Machine Learning, 45(1): 5-32.

CONTI S, MELI P, MINELLI G, et al. 2005. Epidemiologic study of mortality during the summer 2003 heat wave in Italy [J].Environmental Research, 98(3): 390-399.

GAGGE A P, STOLWIJK J A J, NISHI Y. 1971. An effective temperature scale based on a simple model of human physiological regulatory response [J]. Ashrae Transactions, 77: 247-272．

GIANNOPOULOU K, LIVADA I, SANTAMOURIS M, et al. 2013. The influence of air temperature and humidity on human thermal comfort over the greater Athens area [J]. Sustainable Cities and Society, 10:184-194.

HAN K S, VIAU A A, KIM Y S, et al. 2005. Statistical estimate of the hourly near-surface air humidity in eastern Canada in merging NOAA/AVHRR and GOES/IMAGER observations [J]. International Journal of Remote Sensing, 26(21): 4763-4784.

HUNG C H, KNUDBY A, XU Y M, et al. 2016. A comparison of urban heat islands mapped using skin temperature, air temperature, and apparent temperature (Humidex) for the greater Vancouver area [J]. Science of the Total Environment, 544: 929-938.

JACOBS S J, PEZZA A B, BARRAS V, et al. 2013. An analysis of the meteorological variables leading to apparent temperature in Australia:Present climate, trends, and global warming simulations [J]. Global and Planetary Change, 107: 145-156.

JUAN C, JIMéNEZ-MU?OZ, SOBRINO J A. et al. 2014. Land Surface Temperature Retrieval Methods From Landsat-8 Thermal Infrared Sensor Data [J]. IEEE Geoscience and Remote Sensing Letters, 11(10):1840-1843.

MASTERSON J M, RICHARDSON F A. 1979. Humidex: A Method of Quantifying Human Discomfort Due to Excessive Heat and Humidity[M]. Downsview, Ontario: Environment Canada: 13-16.

NAGANO K, HORIKOSHI T. 2011. Development of outdoor thermal index indicating universal and separate effects on human thermal comfort [J].International journal of biometeorology, 55(2): 219-227.

NGUYEN J L, SCHWARTZ J, DOCKERY D W. 2014. The relationship between indoor and outdoor temperature, apparent temperature, relative humidity, and absolute humidity [J]. Indoor Air, 24(1): 103-112.

PENG G X, LI J, CHEN Y H, et al. 2006. High-resolution surface relative humidity computation using MODIS image in Peninsular Malaysia [J].Chinese Geographical Science, 16(3): 260-264.

RIDD M K. 1995. Exploring a V-I-S (Vegetation-impervious surface-soil)model for urban ecosystem analysis through remote sensing:comparative anatomy for cities [J]. International Journal of Remote Sensing, 16(2): 2165-2185.

D'AMBROSIO ALFANO F R, PALELLA B I, RICCIO G. 2011. Thermal environment assessment reliability using temperature--humidity indices[J]. Industrial Health, 49(1): 95-106.

RUSSO A, BISANTI L. 2004. Heat wave effect on frail population in metropolitan Milano [J]. Italy. Epidemiology, 15(4): 97-98.

SCOTT N W, DAVID S H, JOHN A G, et al. 2014. Estimating Temperature Fields from MODIS Land Surface Temperature and Air Temperature Observations in a Sub-Arctic Alpine Environment [J]. Remote Sensing,6(2): 946-963.

SOBRINO J A, JIMéNEZ-MUìOZ J C, PAOLINI L. 2004. Land surface temperature retrieval from Landsat TM 5 [J]. Remote Sensing of the Environment, 90(4): 434-446.

STEADMAN R G. 1979. The assessment of Sultirness. Part l: A temperature-humidity index based on human physiology and clothing science [J]. Journal of Applied Meteorology, 18(7): 861-873.

VANCUTSEM C, DINKU T, CONNOR S J. 2010. Evaluation of MODIS land surface temperature data to estimate air temperature in different ecosystems over Africa [J]. Remote sensing of environment, 114(2):449-465.

WICHMANN J. 2017. Heat effects of ambient apparent temperature on all-cause mortality in Cape Town, Durban and Johannesburg, South Africa:2006—2010 [J]. Science of the Total Environment, 587-588: 266-272.

WU C S, ALAN T. MURRAY. 2003. Estimating impervious surface distribution by spectral mixture analysis [J]. Remote Sensing of Environment, 84(4): 493-505.

YIN J F, ZHENG Y F, WU R J, et al. 2012. An analysis of influential factors on outdoor thermal comfort in summer [J]. International Journal of Biometeorology, 56(5): 941-948.

YU X L, GUO X L, WU Z C. 2014. Land Surface Temperature retrieval from Landsat 8 TIRS—Comparison between radiative transfer equation-based method, split window algorithm and single method [J].Remote Sensing, 6(10): 9829-9852.

ZHANG K, LI Y, SCHWARTZ J, et al. 2014. What weather variables are important in predicting heat-related mortality? A new application of statistical learning methods [J]. Environment Research, 132: 350-359.

白琳, 徐永明, 何苗, 等. 2017. 基于隨機森林算法的近地表氣溫遙感反演研究——以北京市為例[J]. 地球信息科學學報, 19(3): 390-397.

方匡南, 吳見彬, 朱建平. 2012. 隨機森林方法研究綜述[J]. 統(tǒng)計與信息論壇, 6(3): 32-38.

顧康康, 祝玲玲. 2017. 城市居住區(qū)開發(fā)強度與微氣候的關(guān)聯(lián)性研究——以合肥市為例[J]. 生態(tài)環(huán)境學報, 26(12): 2084-2092.

國家統(tǒng)計局北京調(diào)查總隊. 2017. 人口: 常住人口[R]. [2017-01-22].http://www.bjstats.gov.cn/tjsj/yjdsj/rk/2016/201701/t20170122_367517.html.

國家統(tǒng)計局北京調(diào)查總隊. 2017. 統(tǒng)計數(shù)據(jù): 年度公報[R]. [2017-02-25].http://www.bjstats.gov.cn/tjsj/tjgb/ndgb/201702/t20170227_369467.html.

何苗, 徐永明, 李寧, 等. 2017. 基于遙感的北京城市高溫熱浪風險評估[J]. 生態(tài)環(huán)境學報, 26(4): 635-642.

何松蔚, 王成剛, 劉勇洪, 等. 2017. 北京市城市熱島時空分布研究[C]//第 34屆中國氣象學會年會. 觀測推動城市氣象發(fā)展——第六屆城市氣象論壇論文集. S8. 北京: 113-115.

黃耀歡, 江東, 莊大方, 等. 2010. 基于MODIS遙感數(shù)據(jù)地表水汽壓估算[J]. 地理科學進展, 29(9): 1137-1142.

江佳樂, 劉湘南, 劉美玲, 等. 2014. 基于隨機森林的香港海域海表鹽度遙感反演模型[J]. 海洋通報, 33(3): 333-341.

李欣海. 2013. 隨機森林模型在分類與回歸分析中的應(yīng)用[J]. 昆蟲知識,50(4): 1190-1197.

林學椿, 于淑秋, 唐國利. 2005. 北京城市化進程與熱島強度關(guān)系的研究[J]. 自然科學進展, 15(7): 882-886.

劉梅, 于波, 姚克敏. 2002. 人體舒適度研究現(xiàn)狀及其開發(fā)應(yīng)用前景[J].氣象科技, 30(1): 11-14, 18.

劉勇洪, 張碩, 程鵬飛, 等. 2017. 面向城市規(guī)劃的熱環(huán)境與風環(huán)境評估研究與應(yīng)用——以濟南中心城為例[J]. 生態(tài)環(huán)境學報, 26(11):1892-1903.

呂偉林. 1998. 體感溫度及其計算方法[J]. 北京氣象, (1): 23-25.

買買提江·買提尼亞孜, 阿里木江·卡斯木. 2015. 干旱區(qū)典型城市下墊面特征及其與地表熱環(huán)境的關(guān)系研究[J]. 生態(tài)環(huán)境學報, 24(11):1865-1871.

石磊, 王騰, 孫曉光. 2012. 西南區(qū)域體感溫度變化趨勢分析[J]. 西藏科技, 234(9): 54-58.

王遠飛, 沈愈. 1998. 上海市夏季溫濕效應(yīng)與人體舒適度[J]. 華東師范大學學報: 自然科學版, 9(3): 60-66.

吳兌. 2003. 多種人體舒適度預(yù)報公式討論[J]. 氣象科技, 31(6):370-372.

徐涵秋. 2005. 利用改進的歸一化差異水體指數(shù)(MNDWI)提取水體信息的研究[J]. 遙感學報, 9(5): 589-595.

徐永明, 劉勇洪. 2013. 基于 TM 影像的北京市熱環(huán)境及其與不透水面的關(guān)系研究[J]. 生態(tài)環(huán)境學報, 22(4): 639-643.

徐永明, 覃志豪, 萬洪秀. 2011. 熱紅外遙感反演近地層氣溫的研究進展[J]. 國土資源遙感, 22(1): 9-14.

楊景梅, 邱金桓. 2002. 用地面濕度參量計算我國整層大氣可降水量及有效水汽含量方法的研究[J]. 大氣科學, 26(1): 9-22.

尹炤寅, 范進進, 陳幼姣, 等. 2017. 體感溫度對夏季氣象負荷率變化的影響研究——以湖北省黃石市為例[J]. 氣象, 43(5): 620-627.

張丹, 劉昌明, 付永鋒, 等. 2012. 基于MODIS數(shù)據(jù)的中國地面水汽壓模擬與分析[J]. 資源科學, 34(1): 74-80.

張紅梅, 吳炳方, 閆娜娜. 2014. 飽和水汽壓差的衛(wèi)星遙感研究綜述[J].地球科學進展, 29(5): 559-568.

鄭祚芳, 高華, 王在文, 等. 2012. 城市化對北京夏季極端高溫影響的數(shù)值研究[J]. 生態(tài)環(huán)境學報, 21(10): 1689-1694.