一种用于评估城市化加剧复合热浪异质作用的集成AI温度降尺度方法

《Atmospheric Research》：An ensemble-AI temperature downscaling method for assessing the heterogeneous role of urbanization in raising compound heatwaves

　　- 提出并评估了一种基于城市信息的人工智能热浪降尺度方法。- 在1公里分辨率上量化了城市化对复合热浪（CoHot）升高的作用。- 城市化在市中心区域将复合热浪趋势放大了超过50%，但在区域尺度上放大比例低于20%。- 城市扩张每十年增加1%，其对复合热浪升高的贡献增加1–1.7%。- 基于站点的研究方法在城市尺度和区域尺度上分别低估/高估了城市化的贡献。## 引言复合热浪（CoHot）是一种极端高温事件，定义为白天和夜间同时持续出现高温的时段（Chen and Zhai, 2017）。与白天或夜间热浪相比，复合热浪的增长更为迅速（Wang et al., 2021），并且由于限制人体恢复能力、加重心肺负担而带来更大的健康风险（Lin et al., 2024）。当前气候模型预测，复合热浪将在未来成为主要的热浪类型，其相关死亡率将急剧上升（Lin et al., 2024; Wang et al., 2021）。除公认的气候变暖作用外，城市化日益被认为是复合热浪变化的关键驱动因素（An and Zuo, 2021; Ji et al., 2025; Liao et al., 2021; Ma and Yuan, 2021; Wang et al., 2021; Yang et al., 2017）。这种经城市化放大的复合热浪将加剧城市中的热暴露风险，尤其对人口密集、经济活动活跃的高度城市化地区影响更为显著（Gao et al., 2024）。然而，城市增温效应在空间上存在显著异质性，这归因于气候和城市开发路径上的背景差异（Chao et al., 2020; Lin et al., 2024; Ma and Yuan, 2021）。因此，推进对从城市到区域尺度上复合热浪变化的理解，并量化城市化贡献的空间差异，对于科学且有效的气候变化适应至关重要。与城市热岛类似，评估城市化对复合热浪影响的一种常用方法是比较位于相对短距离内（例如固定的5°×5°方框内）的城乡气象站数据（An and Zuo, 2021; Ji et al., 2025; Liao et al., 2018; Ma and Yuan, 2021; Wang et al., 2021）。该方法假设各站点具有相似的气候背景和天气形势条件，从而将复合热浪趋势差异归因于局地过程（如城市化）。虽然概念上简洁明了，但其结果代表的是区域尺度而非单个城市层面的情况。此外，在站点覆盖稀疏的地区，结果高度依赖于可用站点的代表性。例如，如果城市站点未位于密集建成的中心区域，其与乡村对照站点的观测对比可能低估了城市化的增温效应（Zhang et al., 2015）。另一方面，格点温度数据（如再分析产品或气候模式模拟数据）在实现热浪变化的时空显式分析方面具有独特优势。然而，这类数据要么空间分辨率过于粗糙而无法描述城市层面特征，要么未能充分考虑与城市相关的物理过程（如人为热排放和城市冠层效应）（Jones et al., 2015; Khosravi et al., 2025）。因此，通常采用动力和统计降尺度方法将其降尺度到更高空间分辨率，并考虑城市化过程。动力降尺度利用具有城市冠层模块的陆-气耦合模式，从大尺度强迫直接模拟城市尺度过程。然而，该方法计算成本高昂且需要大量数据存储，尤其是在对城市群进行长时期高分辨率（如1公里至100米）模拟时（Li et al., 2020b）。统计降尺度则在大尺度与局地尺度气象变量之间建立经验关系（Bushenkova et al., 2024）。例如，Zhao等（2021）使用多元线性回归方法将观测到的城市温度与月尺度大尺度气象强迫相联系，而Sachindra等（2016）开发了基因表达式编程（GEP）技术，将气候模式模拟的月温度降尺度到特定城市站点。然而，统计模型（尤其是线性模型）往往无法充分表征城市系统与天气形势系统之间的多尺度非线性相互作用，可能导致日温度降尺度不确定性增加。因此，一种计算高效的日城市温度及相关热浪降尺度方法仍然迫切需要。随着人工智能（AI）的进步，基于机器学习的降尺度技术已展现出比传统统计方法更强的捕获复杂非线性关系的能力，同时在计算效率上优于动力建模方法（Bushenkova et al., 2024; Khosravi et al., 2025）。例如，Blunn等（2024）应用多种机器学习算法，将英国气象局的数值天气预报温度数据从1.5公里降尺度至100米分辨率。其结果表明，基于AI的降尺度能够准确再现城市表面温度，从而在近期严重热浪事件中改善城市热岛的空间表征，效果优于传统统计技术。然而，当前基于AI的温度降尺度工作仍然有限，主要关注地表温度（LST）而非城市冠层温度。此外，少数涉及冠层温度的研究也主要局限于模拟特定、短持续时间的热浪事件。在方法上，它们要么直接建模粗分辨率与高分辨率气象变量之间的关系，要么在预测过程中纳入静态高分辨率辅助因子（如地形和植被）。与动态城市化过程相关的关键城市内因子（如城市占比、人为热排放、建筑物高度/体积）往往被忽视（Blizer et al., 2024; Bushenkova et al., 2024）。尽管近期研究已强调这些城市参数在调节城市化对温度极端事件影响中的关键作用（Ji et al., 2024; Ji et al., 2025; Shao et al., 2023），但其在增强基于AI的降尺度模型方面的潜在价值尚未被发掘。关键在于，城市温度调节效应是由区域气候背景、植被条件以及二维和三维城市形态的协同组合作用塑造的（Ji et al., 2025; Mohammad Harmay et al., 2021; Zhao et al., 2014）。因此，要可靠地模拟城市极端温度的长期演变，基于AI的降尺度框架应系统性地整合气候、环境和城市过程的代理变量，而非依赖孤立的变量。本研究提出了一种城市知情的热浪集成AI降尺度方法（U-HEAD），用于评估区域至城市（1公里）尺度上的复合热浪日变化及城市化的影响。基于堆叠集成学习技术，U-HEAD通过天气形势尺度气象强迫、环境背景、二维（2-D）至三维（3-D）城市形态特征以及城市化过程（如城市蔓延和人为热通量）将日最高和最低气温降尺度至1公里。该方法在中国一个城市群中进行了应用，评估了U-HEAD在捕捉复合热浪特征空间分布和长期趋势方面的性能。通过可解释机器学习方法对U-HEAD模型进行了物理解释，并量化了城市内因子的附加价值。最后，在从城市到区域尺度上评估了城市化对复合热浪长期变化的贡献。## 各章节片段### 研究区域与站点数据U-HEAD方法被应用于中国东部沿海的长江三角洲地区（YRDR）。长三角地区被广泛认为是世界级城市群（世界银行, 2014）。其庞大的经济规模和在全球供应链中的作用使其成为全球最重要的城市群之一，可与美国成熟的博斯华走廊（Bos-Wash corridor）等相媲美（麦肯锡全球研究院, 2011）。该地区以平原为主，具有亚热带特征……### 日最高温和日最低温图3展示了U-HEAD和ERA5在时间外推、空间外推和时空外推三种评估条件下的评估指标。在所有三种评估设置中，U-HEAD始终比ERA5获得更高的模拟精度。对于日最高温，中位数R2从0.91、0.92分别提升至0.93–0.94，而RMSE从1.33和1.41°C分别降至1.15–1.20°C，降幅为11%–16%。日最低温的改善更为显著，中位数R2从0.80和0.82分别提升至0.88–0.91，RMSE……### 结论与讨论本研究开发了U-HEAD方法，以重建长江三角洲地区复合白天-夜间热事件的长期公里尺度变化，并量化城市化在不同空间尺度上的贡献。与ERA5相比，U-HEAD更好地再现了复合热浪的观测空间格局和长期变化，而去除城市化相关预测因子则削弱了模拟的趋势，证实了显式表征城市过程的重要性。城市化具有更强……### CRediT作者贡献声明**Peng Ji：** 原稿撰写、方法论、资金获取、形式分析、概念构思。**Xinyi Zhang：** 原稿撰写、可视化、数据整理。**Xing Yuan：** 审稿与编辑、调查研究、资金获取。### 未引用参考文献Fan et al., 2025Ganaie et al., 2022He et al., 2023Wen et al., 2023### 利益冲突声明作者声明，不存在已知的竞争性财务利益或个人关系可能影响本文所报告工作的结果。### 致谢本研究受中国河南省重点研发计划（251111322500）、国家自然科学基金（42305175, 42330604）、江苏省自然科学基金（BK20220460）以及国家重点科技基础设施项目"地球系统数值模拟 Facility"（EarthLab）资助。Peng Ji|Xinyi Zhang|Xing Yuan