人为热排放通过地—气相互作用显著影响地表能量平衡、大气边界层结构、空气质量乃至人类健康，是城市热岛产生和加剧的重要因子。上海作为中国规模最大的城市，其活跃的经济活动和密集的人口使其成为我国人为热污染最严重的区域。然而目前针对上海地区人为热空间分布估算的研究还十分欠缺。此外目前人为热排放的空间化大多依赖人口密度和夜间灯光指数进行简单的线性或二次拟合，没有充分考虑人为热排放与多元影响因子之间存在的复杂非线性关系。

针对这些问题，中国气象局上海台风研究所敖翔宇博士与浙江大学杨续超教授团队及上海市生态气象和卫星遥感中心开展合作研究，通过收集融合上海区级/街镇级能源消费和社会经济统计数据、GDP、腾讯位置、 POI兴趣点、建筑高度、交通路网、多源遥感、人口密度等多源大数据，首次基于Cubist机器学习(图1)建立了上海区级、街镇级和1km不同类型(工业、建筑、交通和人体代谢)人为热排放的新型空间化模型(图2)。Cubist机器学习模型能够模拟因变量与多种自变量之间的复杂非线性关系。

图1 人为热空间化模型流程图

研究结果表明，上海中心城区的建筑人为热对总人为热的贡献最大，而郊区的工业人为热占主导地位，反映了工业活动向郊区迁移的特点。1 km 人为热分布提供了更详细的空间结构特征。总人为热通量以市中心最高，最高可达523 W m^-2。变量重要性分析表明，POI对所有人为热来源的估计都非常重要，特别是对建筑人为热的估计。通过加入建筑高度和腾讯位置大数据，有助于更为真实反映城市三维立体的人为热排放特征和社会经济活动实际强度的影响。这一高分辨率人为热数据集可为数值预报模式提供数据支撑，对于提高城市气象和空气质量预报水平，改善城市人居热环境和节能减排具有重要科学意义。

图2 上海市1 km分辨率的人为热通量空间分布图，分别为:(a)由工业GDP分配的Q_{FI_GDP}，(b)由工业POI分配的Q_{FI_POI}，(c)平均的Q_{FI_ave}，(d)Q_FB，(e)Q_FT，(f)Q_FM和(g)总Q_F(单位：W m^-2)。

该研究成果近期已在《Sustainable Cities and Society》期刊发表。

论文信息:

Ao, X.Y., J. Qian, Y.W. Lu, X.C. Yang, 2024: Mapping fine-scale anthropogenic heat flux in Shanghai by integrating multi-source geospatial big data using Cubist, Sustainable Cities and Society (IF=11.7), 101,105125.

原文链接:

https://www.sciencedirect.com/science/article/pii/S2210670723007345

(文/审:敖翔宇 复审:张蕾 终审:黄伟)