基于个人气象站和时空贝叶斯模型的高分辨率热暴露评估方法创新研究

这篇综述创新性地利用个人气象站（PWS）数据和时空贝叶斯模型（BHM），实现了美国城市地区每小时2米气温（T2M）的1×1 km高精度预测。通过整合城市热岛（UHI）效应和气象再分析数据，模型在费城、纽约、凤凰城等地的验证中表现出色（RMSE 0.93–1.33°C），显著优于传统网格产品（如gridMET和daymet），为流行病学研究中热暴露评估提供了更精准的工具。

　　

引言

近年来，美国自然灾害频发，其中热浪事件数量和持续时间显著增加（1960年代至2020年代增长3倍）。极端高温通过心血管疾病、呼吸系统疾病和早产风险等多途径威胁公共健康，而城市热岛效应（UHI）进一步加剧了这一风险。传统气象产品（如daymet和gridMET）因忽略城市特征和低空间分辨率（通常>4 km），难以准确捕捉UHI的时空变异。本研究提出一种结合个人气象站（PWS）和时空贝叶斯模型（BHM）的新方法，旨在解决这一技术缺口。

研究方法

案例区域选择

研究覆盖四个气候和城市形态迥异的区域：

1. 1.

   费城-纽约：沿海与内陆城市对比，夏季（2024年7月）和冬季（2021年1月）数据；

2. 2.

   凤凰城：沙漠气候，2023年7月创历史高温纪录（月均38.8°C）；

3. 3.

   三角研究区（北卡罗来纳州）：快速城市化区域，2021年7月受热带风暴影响。

数据来源与处理

• •

  PWS数据：来自Weather Underground平台，经CrowdQCplus质量控制（剔除异常值和孤立站点），并通过5 km半径内参考站校正测量误差（图2显示昼夜误差分布）。

• •

  协变量：包括地形高程（elev）、不透水面比例（imp）、森林冠层高度（fch），以及ERA5再分析数据（如T2M、相对湿度rh、风速u10/v10）。

模型构建

采用贝叶斯层次模型（BHM）框架：

1. 1.

   线性项：时空协变量按小时分层建模（如海拔系数昼夜差异）；

2. 2.

   非线性项：通过Matérn场和AR1过程捕捉残差时空相关性；

3. 3.

   先验设置：如ERA5温度系数先验均值设为1（强约束），UHI相关参数采用惩罚复杂度先验。

结果与验证

模型性能

• •

  精度：整体RMSE为1.12°C，费城-纽约夏季1.33°C，凤凰城0.93°C；

• •

  UHI检测：识别出中央公园等冷却区，以及费城沿河热点（图6a）；

• •

  与传统产品对比：BHM在纽约市区检测到3–4°C的UHI，而daymet仅1°C（图5）。

暴露评估

• •

  夜间高温：城市区域热夜持续时间比农村长2–3小时（图6b）；

• •

  人口关联：高密度社区UHI幅度和热夜时长显著更高（图6d）。

讨论与展望

技术优势

1. 1.

   数据融合：PWS填补城市监测空白，ERA5提供气象背景；

2. 2.

   不确定性量化：BHM后验标准差标识数据稀疏区（如沙漠）；

3. 3.

   可扩展性：R代码开源支持其他地区应用。

局限与改进

• •

  PWS偏差：传感器高度和安装环境未知可能引入误差；

• •

  计算效率：全国推广需优化INLA-SPDE算法（如GPU加速）。

结论

本研究开发的BHM模型为城市热暴露评估提供了高精度、小时级的数据工具，尤其适用于健康影响研究和热浪预警系统。未来可通过纳入更多物理过程（如平流效应）和扩展时间范围，进一步提升模型的普适性。