在全球变暖的背景下, 大量证据表明城市化的快速发展影响了城市生态环境^{[1, 2]}, 尤其是加速了气候变暖^[3~6].虽然以全球尺度看, 城市化相比于气候变暖本身的大势, 其产生的作用很微弱^[7].但在局地和区域尺度, 城市化的增温效应不可忽略, 部分地区甚至可能超过温室增加的效应.其中, 中国被认为是全球城市化增温效应最明显的地区之一^[8~10].例如, Sun等^[3]的研究发现1961~2013年中国气温增长中由城市化导致的增温高达三分之一.然而已有研究大多关注城市化对较大区域尺度(如特大城市群、中国东部和全国)城市化对温度变化的整体贡献^[11~14], 有关不同城市的局地增温效应及其空间分布特征的认识相对薄弱.考虑到我国不同地区气候变化与城市化发展的巨大差异, 量化不同城市的城市化对增温的贡献是准确评估和预测未来我国城市发展对气候影响的前提.

量化城市化增温效应的方法主要包括城乡对比法(urban minus rural, UMR)和观测减去再分析方法(observation minus reanalysis, OMR).UMR通过城市站点和乡村站点观测气温趋势差异代表城市化对局地增温的贡献^{[15, 16]}.OMR方法利用再分析资料在同化和拟合过程中未采用地面观测数据的特点^[17], 通过比较地面观测资料与再分析资料的差异来研究城市化效应, 被广泛用于城市化增温效应的研究^[18].无论是UMR还是OMR法, 均具有一定的局限性.前者因参考乡村站点选取具有一定的随机性, 使得其结果具有较大不确定性, 后者可能受再分析资料自身精度影响, 进而导致两种方法的估算结果可能存在较大差异^{[15, 19]}.因此, 基于两种方法对比研究我国城市化对局地增温的贡献将有助于人们全面认识城市化增温效应的地理分布特征及其研究结果的不确定性.

本文基于1981~2017年气象观测数据和最新发布的ERA-5再分析数据, 通过UMR和OMR两种方法综合对比中国92个主要城市的城市化对局地增温的贡献, 通过深化对我国城市化增温效应空间分布特征及其不确定性的认识, 以期为局地气候变化评估与预测提供参考, 并为城市的发展规划提供参考.

本研究所用的数据资料主要包括气象数据、再分析数据和城市不透水面数据, 此外还添加了人口密度数据和国内生产总值(GDP)数据用于影响因子分析.气象数据包括来源于中国气象局2 419个地面气象观测站的逐日平均气温(T_ave)、最高气温(T_max)、最低气温(T_min)和日降水量.气候再分析数据采用ERA-5逐月地面2 m温度数据^{[20, 21]}, 分辨率为0.1°×0.1°, 两者的时间跨度均为1981年1月至2017年12月.城市不透水面数据利用Gong等^[22]研发的1978~2017年中国30 m分辨率居民区产品, 通过移动窗口法计算获取.人口密度数据来自worldpop(https://www.worldpop.org/), 时间尺度为2000~2017年, 分辨率为1 km; GDP数据^[23]选取了1990、1995、2000、2005、2010和2015年的格网数据, 分辨率为1 km, 本文基于2015年联合国发布的城市人口数筛选出城市人口超过百万或省会城市, 进而基于2015年不透水面比率, 以50%为阈值提取各城市边界来筛选城市气象站点, 50 km缓冲区内筛选出对应的乡村气象站点^[24].剔除了观测数据和再分析数据不具备完整时间序列气象数据的站点, 并保证每个城市都至少有一个站点, 最终选取了中国92个城市(不包含中国港澳台地区), 共648个气象站点(其中城市站点202个, 乡村站点446个), 本文将中国划分为6个地区(图 1).

图 1

Fig. 1

括号内数值表示该地区研究城市的个数 图 1 研究区示意 Fig. 1 Schematic diagram of the study area

首先, 根据所选气象站点提取其再分析气象温度, 预处理得到平均气温、最高气温和最低气温的月平均值.基于观测温度和再分析温度计算各城市的城市和乡村温度, 城市(或乡村)温度由所有城市(或乡村)站点温度的反距离加权平均值表示^[16], 进而基于UMR和OMR方法计算城市化对局地气温变化的影响, 对于贡献率, 本文中只讨论城市化对升温的贡献率.

本文将城市站点平均气温年际变化率(S_U)与乡村站点平均气温年际变化率(S_R)之差定义为UMR.该值大于或等于0时, 贡献率(CR)的计算公式为：

(1)

本文将城市站点的观测气温年际变化率(S_O)与再分析气温年际变化率(S_Re)之差定义为OMR.这个值大于或等于0时, 贡献率的计算公式为：

(2)

1981~2017年间各城市的气温均有不同程度的升高, 平均气温、最高气温和最低气温的增温速率分别为(0.38±0.13)、(0.34±0.14)和(0.48±0.20)℃·(10 a)^-1[图 2(a)~2(c)].苏州市、淮南市和开封市的平均气温增温速率最高, 其中苏州市达到0.60℃·(10 a)^-1, 赤峰市、烟台市和淄博市的气温升高最缓慢, 赤峰市的最低气温甚至表现出微弱的降温趋势[-0.03℃·(10 a)^-1], 且四分之三的城市最低气温增加速率明显高于最高温度, 尤其北方地区城市.不同地理分区的平均气温增长差异相对较小, 东南地区气温升高较快, 平均增温速率为0.46℃·(10 a)^-1, 华中地区增温稍慢[0.37℃·(10 a)^-1, 图 2(d)]; 但不同地区最高和最低气温变化趋势的差异较大, 华北和东北地区最低气温增长速率是最高气温增长率的1.9倍, 而华中地区最高温度和最低温度的变化趋势几乎相等.

图 2

Fig. 2

(a)、(b)和(c)图例单位：℃·(10 a)-1; (d)、(e)和(f)中折线表示温度距平变化, 虚线表示温度距平变化拟合线, 东北、东南、华北、华中、西北和西南地区的平均温度变化率分别为0.38、0.46、0.44、0.37、0.43和0.40℃·(10 a)-1, 最高温度变化率分别为0.26、0.40、0.31、0.35、0.38和0.45℃·(10 a)-1, 最低温度变化率分别为0.53、0.49、0.63、0.35、0.51和0.47℃·(10 a)-1 图 2 中国主要城市1981~2017年温度年际变化与增温速率空间分布 Fig. 2 Spatial distributions of the inter-annual trends of the mean temperature and the warming rates in major cities of China from 1981 to 2017

基于UMR方法的结果表明, 城市化对平均气温具有增温贡献的城市仅54个(59%), 平均增温幅度和平均增温贡献率分别为0.12℃·(10 a)^-1和26.8%[图 3(a)和3(d)], 其它城市均表现出明显的降温作用.城市化对最低气温增温的城市个数(53个)、平均增温幅度[0.20℃·(10 a)^-1]和平均贡献率(31.4%)[图 3(b)和3(e)]均明显高于对最高气温的增温作用[44个、0.07℃·(10 a)^-1和19.1%, 图 3(c)和3(f)].吉林市最低气温增温趋势高达0.83℃·(10 a)^-1, 城市化贡献率也占到了95.8%.从地理区域来看[图 4(a1)和4(a2)], 城市化对东北地区和西北地区的影响更大, 东北和西北地区平均增温趋势分别为0.21℃·(10 a)^-1和0.20℃·(10 a)^-1, 城市化贡献率分别为44.1%和34.0%; 华中地区增温趋势最弱, 平均增温趋势为0.06℃·(10 a)^-1, 城市化贡献率分别为11.6%.其他城市的城市化影响表现为降温效应, 特别是最高气温.整体上, 枣庄市、淄博市的降温趋势最明显, 枣庄市最低气温降温趋势达到了-0.69℃·(10 a)^-1.基于UMR法计算城市化影响, 表现为降温趋势的城市占比接近一半, 严重低估了城市化对气温升高的影响.同时, 城市化对最低气温的影响出现两极化, 不同城市间城市化影响差异达到了1.52℃·(10 a)^-1, 而平均气温和最高气温的差异仅为0.80℃·(10 a)^-1和0.61℃·(10 a)^-1.

图 3

Fig. 3

(a)、(b)和(c)为基于UMR法城市化影响, 图例单位：℃·(10 a)-1; (d)、(e)和(f)为UMR法城市化贡献率, 单位%; (g)、(h)和(i)为基于OMR法城市化影响, 图例单位：℃·(10 a)-1; (j)、(k)和(l)为OMR法城市化贡献率, 单位% 图 3 中国主要城市基于UMR和OMR法1981~2017年城市化影响及其贡献率分布 Fig. 3 Distribution of urbanization effects and contribution rates in major cities of China from 1981 to 2017 based on UMR and OMR methods

图 4

Fig. 4

(a)UMR法, (b)OMR法 误差棒上的数字表示该地区城市化影响为升温的城市个数 图 4 中国不同地区基于UMR和OMR法1981~2017年城市化对增温影响及其贡献率 Fig. 4 Effect of urbanization on warming and its contribution rate in different regions of China from 1981 to 2017 based on UMR and OMR methods

基于OMR方法的结果表明, 绝大部分城市(79%)的城市化对平均温度具有明显的增温效应, 平均增温幅度和对局地增温的贡献率分别达0.14℃·(10 a)^-1和31.1%[图 3(g)].和UMR方法结果类似, 城市化对最低温度增温的作用明显高于对最高温度的影响, 81个城市的城市化对最低气温具有增温效应, 平均增温幅度为0.26℃·(10 a)^-1, 平均贡献率达46.5%; 吉林市、洛阳市和昆明市的最低气温增温趋势均大于0.60℃·(10 a)^-1, 昆明市城市化贡献率甚至高达82.5%.对比之下, 仅48个城市对最高温度具有增温效应, 且其增温趋势和平均增温贡献率仅0.10℃·(10 a)^-1和21.9%.从地理区域来看, 城市化影响与贡献率的大小稍有差异[图 4(b1)和4(b2)]：城市化对东南地区的影响最大, 东南地区平均增温趋势0.18℃·(10 a)^-1, 城市化贡献率为39.1%, 其最低气温的增温趋势为最高气温的2.3倍, 华北地区更是达到了5.5倍; 华中地区增温趋势最弱, 平均增温趋势为0.11℃·(10 a)^-1, 城市化贡献率分别为28.7%.其他城市的城市化影响表现为降温效应, 主要是最高气温的降低.呼和浩特市和西安市的降温趋势比较明显, 平均降温趋势分别为-0.23℃·(10 a)^-1和-0.32℃·(10 a)^-1, 呼和浩特市的最高气温降温趋势达到了-0.33℃·(10 a)^-1.降温趋势主要集中在华北地区和东北地区, 这些地区最高气温降低的城市多但降温幅度不大, 降温最明显的地区是西北地区.

对比上述两个方法得出的结果, 发现OMR方法计算出的城市化对增温的影响明显大于UMR法, 特别是对最低气温增温的贡献.OMR计算结果显示城市化对大多数城市的平均气温和最低气温升温起到了促进作用, 而UMR法的结果表明城市化对超40%城市的平均气温和最低气温造成了降温影响[图 5(a)~5(c)].值得注意的是, 对于平均和最低温度, 除洛阳市和营口市外, UMR显示增温的城市, OMR方法也表现出增温效应; 类似地, 几乎所有OMR显示降温的城市, UMR方法也表现出降温效应.这说明UMR与OMR方法对于城市化增温效应的估算结果在空间分布上具有较高的一致性, 二者的差异主要体现在部分OMR显示增温的城市, UMR方法表现出降温作用.对于两种方法估算结果方向一致的城市, OMR和UMR所估算的对平均气温和最高气温增温幅度差异较小, 分别为0.04℃·(10 a)^-1和0.05℃·(10 a)^-1, 贡献率差异小于10%, 而对最低气温的影响幅度差异较大, 达0.12℃·(10 a)^-1, OMR法估算的贡献率比UMR平均高21%[图 5(d)~5(i)].

图 5

Fig. 5

(a)、(b)和(c)为基于OMR和UMR法城市化影响的正负性, “+”表示城市化影响为增温, “-”表示城市化影响为降温; (d)、(e)和(f)为OMR与UMR相同正负性的差值, 图例单位：℃·(10 a)-1; (g)、(h)和(i)为城市化影响为增温时OMR与UMR贡献率的差值 图 5 中国主要城市1981~2017年UMR与OMR城市化影响差异对比 Fig. 5 Comparison of the estimated impacts of urbanization from UMR and OMR methods in major cities of China from 1981 to 2017

本文结果强调了我国城市化对局地气温升高的贡献, 但由于参考站点选取和研究时段的不同, 本文基于UMR方法的计算结果与过去类似研究的结果存在一定偏差.虽然本文所估算的92个主要城市的平均气温增温效应与张爱英等^[25]所估算的城市化对我国国家基本气象站1961~2004年的平均气温增温效应[增温幅度和贡献率分别为0.076℃·(10 a)^-1和27.3%]和Liao等^[26]估算的城市化对我国东部地区1971~2010年的平均气温增长趋势[增温趋势和贡献率分别为0.085℃·(10 a)^-1和22.4%]较一致.然而, 本文所估算的城市化对北京、广州和深圳等特大城市的增温效应明显低于其他研究结果.例如, 何佳骏等^[27]的研究发现1958~2018年北京城市化的增温幅度和贡献率分别达0.24℃·(10 a)^-1和70.2%, 超过本文估算结果的两倍多[0.11℃·(10 a)^-1和29.2%]; Chao等^[15]的研究估算深圳市1979~2018年城市化增温幅度为0.109℃·(10 a)^-1, 而本文估算结果显示深圳市的城市化表现为微弱的降温趋势[-0.02℃·(10 a)^-1]; Bian等^[28]的研究则得出城市化导致1965~2012年间增温趋势为0.27℃·(10 a)^-1.整体上, UMR方法可能严重低估城市化的增温效应^[29].首先, UMR方法依赖于参考乡村站点的选取, 由于缺少高密度的气候数据集, 许多研究选择周围个别乡村站点作为参考站点, 可能不能有效反映乡村参考温度的变化趋势; 其次, 随着城市的快速发展, 乡村气象站点温度受城市热岛效应的影响日益加剧, 将直接导致城市化增温效应的低估; 另外, 由于我国长期气候观测资料序列存在着一定的非均一性, 也可能影响城市化增温效应的估算精度^[30].

本研究基于OMR法计算结果与前人的研究结果较一致^[31].例如, 敖雪等^[29]的研究对辽宁省1961~2018年的估算结果显示, 城市化对平均气温的影响为0.130℃·(10 a)^-1, 且对最低温度的影响明显高于最高温度, 这与本文得出的结果[0.11℃·(10 a)^-1]和昼夜变化规律类似; 官雨洁等^[32]的研究发现福州市1961~2013年城市化的增温幅度和贡献率达0.125℃·(10 a)^-1和53.2%, 与本文的估算结果较接近[0.21℃·(10 a)^-1和52.2%]; Chao等^[15]的研究基于OMR方法估算城市化对广州市和深圳市1979~2018年增温幅度[0.203℃·(10 a)^-1和0.077℃·(10 a)^-1]和贡献率(49.5%和24.8%), 均与本文结果比较接近[0.128℃·(10 a)^-1和0.063℃·(10 a)^-1, 40.0%和21.4%].整体上, 城市化对最低气温的增温效应明显高于最高气温, 这可能主要是由于夜晚风速小, 空气稳定度高, 有利于城市热岛效应的形成, 进而加剧最低温度的增温趋势^[33].而部分城市出现的城市化导致的降温也可能与城市干岛效应的增强有关, Du等^[34]的研究也发现1995年之后城市化效应开始减弱.

城市不透水面增长被认为是城市化增温效应的重要原因之一.然而, 本文结果显示, 研究时段内城市站点和乡村站点下垫面的不透水面比率均有不同程度地增加, 且约60%的城市乡村气象站点不透水面增长幅度高于城市气象站点(图 6), 这可能是导致UMR方法估算结果中近半数城市出现降温效应的主要原因之一.

图 6

Fig. 6

图 6 中国主要城市1981~2017年城乡不透水面比率绝对变化率分布 Fig. 6 Spatial distributions of the absolute changes in the urban and rural impervious surface area percentages in major cities of China from 1981 to 2017

通过进一步分析基于OMR方法城市化增温效应(不受城乡气象站不透水面比率差异的影响)与城市的不透水面变化、降水量、人口和GDP的关系发现, 城市化增温效应与城市不透水面变化和多年平均降雨量显著相关, 但与城市人口和GDP的关系均不显著(表 1).其中, 多年平均降水量与城市化增温效应的正相关关系最为显著, 这说明城市化的增温效应除受城市化发展强度影响外, 还将受气候背景等因素的控制^[35].另外, 其他未考虑的因子如云量和气溶胶浓度显著影响城市化的增温效应^[34].

表 1 (Table 1)

表 1 中国主要城市城市化增温效应与各因子的皮尔逊相关系数1) Table 1 Pearson's correlation coefficients between the warming effects of urbanization and various factors in major cities in China 不透水面变化率 多年平均降水量 多年平均人口密度 人口密度变化率 多年平均GDP GDP变化率 Tave 0.253* 0.331** -0.061 0.122 0.036 -0.059 Tmax 0.369** 0.376** -0.090 0.071 0.154 0.078 Tmin 0.209* 0.050 0 -0.114 -0.059 -0.126 1)*表示在0.05水平(双侧)上显著相关, **表示在0.01水平(双侧)上显著相关

表 1 中国主要城市城市化增温效应与各因子的皮尔逊相关系数1) Table 1 Pearson's correlation coefficients between the warming effects of urbanization and various factors in major cities in China

值得注意的是, 城市化对局地的增温效应与城市热岛相关但并不相同^[36~38].城市热岛强调的是城乡温度差异, 而城市化对增温的贡献关注的是城市化对局地温度长期变化趋势的影响^[39].根据作者上一项研究结果^[24], 我国平均热岛强度为(0.9±1.1)℃, 夜间(最低气温)热岛效应强, 白天(最高气温)热岛效应弱, 与城市化对增温影响的规律一致, 城市热岛效应可能促进了气温日较差的降低; 同时, 西北和华北地区最高温度较多表现出冷岛效应, 与本文所观测的城市化降温效应基本吻合; 空间分布上, 城市热岛整体表现为北强南弱, 华北地区城市热岛强度最大, 城市化对增温的贡献则表现出东强西弱的格局.从长期变化趋势来看, 城市热岛(1990~2017年)增强的程度虽与城市化升温趋势有差异, 但增强的地区相同; 城市热岛强度的增强趋势为0.04℃·(10 a)^-1, 城市化对平均气温的升温趋势却达到了0.14℃·(10 a)^-1, 城市化贡献率为31.1%.

本研究尚存在较大的不确定性.首先, 本文研究的时间尺度为37 a, 选择城市站点时只考虑了2015年的不透水面情况, 不同城市的乡村站差异较大, 所估算的城乡温度差异可能受到气象站点位置和局部气候的影响; 其次, 城市化对增温的贡献可能受空间尺度的影响较大.例如Chao等^[15]在粤港澳地区的研究发现, 空间尺度越大城市化导致的变暖往往更小.本文主要关注城市化对局地尺度增温的贡献, 进一步研究需要加强不同时空尺度的对比研究.第三, 虽然OMR法相较于UMR法能更加准确反映城市化对增温的贡献, 但再分析气候数据的质量会受到观测系统的影响, 早期的再分析资料可能存在虚假的变化^[40].最后, 多个研究证明我国近年的城市绿化建设对城市增温起到了不可忽视的减缓作用, 因此早期和近期的城市化对增温影响可能存在着差异, 本研究仅分析了城市化影响与城市不透水面的关系, 且相关性并不显著, 而与气象背景的相关性更强, 其它因子对城市热岛的影响有待进一步探究.

(1) 1981~2017年, 除赤峰市的最低气温表现出微弱地降温趋势外, 中国92个主要城市的气温均呈显著增加态势, 且最低温度增速整体上明显高于最高温度.

(2) OMR和UMR两种方法差异明显, 受参考站点以及乡村城市化加快的影响, UMR方法严重低估了我国城市化对气温升高造成的影响.

(3) OMR方法结果表明我国城市化对大多数城市的气温升高起到促进作用, 尤其是对最低气温升高的影响最大, 达到0.26℃·(10 a)^-1, 平均贡献率达46.7%, 其次是对平均气温[0.14℃·(10 a)^-1]和最高气温[0.10℃·(10 a)^-1]的影响; 不同区域城市化增温效应差异大, 东南地区增温贡献最大, 西北地区最低.