基于统计降尺度的伦敦逐小时1 km城市湿球温度（Tw）高分辨率制图及其城内变异研究

《International Journal of Applied Earth Observation and Geoinformation》：High-resolution mapping of urban wet-bulb temperature and its intra-urban variability: A London case study

　　

研究人员创新性地采用统计降尺度（statistical downscaling）绘制逐小时1 km城市湿球温度（T_w）图；经调参的随机森林（RF）模型取得最佳精度，均方根误差（RMSE）为0.93 °C；以树木为主导的绿地区域降低了T_w，而水体未显示明确冷却作用；T_w峰值略早于干球温度（T_a）峰值出现，与其他区域形成对比。

论文主体解读：极端高温对人口密集城市公共健康的风险持续增加，伦敦城市化密集和人为热排放可放大局地热应激。现有英国及多数城市研究常用高分辨率近地干球温度（dry-bulb temperature, T_a）识别热风险区和人口暴露，但人体主要依靠汗液蒸发散热，高湿度会降低蒸发冷却效率，T_a不能充分代表人体感知温度。湿球温度（wet-bulb temperature, T_w）综合T_a与湿度，是更符合人体热应激物理意义的指标，常用于公共卫生阈值研究。官方气象站稀疏限制城市尺度T_w分析；众包个人气象站可提供密集低成本观测，并可由T_a和湿度相关变量估算T_w，但站点机会性布设导致空间覆盖不均；统计降尺度可将粗分辨率气候数据与精细局地预测因子关联生成高分辨率估计。已有T_w降尺度多聚焦区域尺度或较粗时间分辨率，小时级城市尺度T_w场仍有限，限制城内差异和日热应激峰值识别。因此研究人员以大伦敦2019—2022年夏季（6—8月）为案例，构建机器学习降尺度框架生成逐小时1 km近地T_w场，考察局部气候区（Local Climate Zone, LCZ）差异及日最大T_w与T_a时序关系。该研究为城市湿热风险监测提供更直接依据，并提示树主导绿地可能增强湿热韧性、水体对T_w冷却有限、峰值时序具区域差异，对户外活动安排和热风险管理具有意义。

关键技术方法：整合遥感（SRTM高程、MODIS归一化差异植被指数（NDVI）与发射率、Landsat 8 OLI修正归一化差异水体指数（MNDWI）、NIMROD 1 km小时降雨）、ERA5-Land（2 m T_a、露点温度（T_d）、气压、0—7 cm土壤湿度）和站点观测；样本来源为伦敦官方站与Weather Observations Website（WOW）众包站2019—2022年夏季小时记录，质控后479,236条。T_w按Romps的Rankine-Kirchhoff近似由T_a、气压和T_d计算；在1 km网格以站基5折交叉验证和嵌套5折调参比较线性回归、RF、梯度提升机（GBM）、支持向量机（SVM）和人工神经网络（ANN），用排列重要性评估预测因子，并以LCZ分组Kruskal-Wallis及Dunn-Sidak检验、概率密度函数（PDF）时序比较分析。

5.1. Performance of T_w downscaling（T_w降尺度性能）：基于479,236条质控站点样本，比较线性回归与四种机器学习模型；经调参RF最佳，平均绝对误差（MAE）0.65 °C、决定系数（R²）0.91、RMSE 0.93 °C，2023夏季独立时间验证MAE 0.67 °C、R² 0.91、RMSE 0.97 °C。排列重要性显示高程26%、发射率19%、NDVI 15%、土壤湿度14%、MNDWI 13%、降雨13%，均超过10%，高程最高；降雨时空分辨率最细但重要性仅13%。三个代表站覆盖LCZ 2、LCZ 5和LCZ B，2022夏季降尺度结果再现逐小时变化和日循环，散点分析进一步支持。空间上，12:00和00:00平均T_w高值集中于紧凑高层城区，低值见于植被密集郊区和大公园；与T_a降尺度结果不同，水体及其周边未见显著T_w降低。LCZ分组显示LCZ 1最高，LCZ G无明显下降，LCZ A、LCZ B、LCZ D明显较低；Kruskal-Wallis检验H(12)=1424.79、p<0.001、ε²=0.27，Dunn-Sidak两两比较显示LCZ 1与LCZ A、B、D差异显著，LCZ G亦与LCZ A、B、D差异显著。

5.2. Occurrence time of the daily maximum T_w（日最大T_w出现时间）：利用站点观测和ERA5-Land数据构建日最大T_w与T_a出现时间的PDF，并配对计算时间差；结果表明日最大T_w平均较日最大T_a早约0.7 h，且T_w在00:00—03:00（UTC+1）仍有不可忽略概率密度，而T_a接近零。原因在于T_a主要受白天地表能量平衡控制，通常下午达峰；T_w受T_a和湿度共同影响，伦敦夏季夜间城市湿度过剩和夜间城市热岛可使T_a夜间仍较高，从而偶尔导致夜间T_w峰值。

讨论总结：与T_a相比，T_w同时纳入温度和湿度，空间型可与T_a显著不同；水体蒸发冷却提高大气湿度，部分抵消T_a降温，使水体在T_w上无明显冷却；植被通过遮荫和蒸散降低T_a，蒸腾增湿受气孔调节和土壤水分限制，冠层湍流与对流将水汽向上输送，使树冠密集连续区域T_w更低，树主导绿色基础设施可能有效增强湿热韧性。日最大T_w早于T_a约0.7 h并非普遍规律，沿海地区海风可延迟湿润空气输入使T_w峰值推后，内陆边界层高度快速增加可稀释水汽使峰值提前；因此夜间热风险部分归因于湿热峰值滞后的说法需进一步检验，且未来需研究季节变化。局限包括：高程时不变、NDVI/发射率/MNDWI时间频率低，主要约束空间异质性，小时变率主要来自ERA5-Land基线和1 km小时降雨；众包参考数据存在选址和传感器系统偏差，WOW的T_w由T_a、T_d和气压推导并继承测量误差，仪器信息不足难以定量传播；降尺度T_w未显式表示风和辐射暴露，湿球黑球温度（WBGT）和通用热气候指数（UTCI）等综合指标可能改变植被与水体的相对热应激排序，需高分辨率风与辐射信息。

研究结论翻译：基于Romps的Rankine-Kirchhoff近似和已有机器学习降尺度方法，本研究通过整合众包站点观测、遥感数据和再分析产品，创新性生成1 km分辨率逐小时T_w场。测试模型中RF最佳，MAE 0.65 °C、R² 0.91、RMSE 0.93 °C。结果表明，尽管T_a降尺度的重要预测因子也可为T_w降尺度提供指导，但由于温度和湿度共同影响，T_w空间型可与T_a明显不同；水体上尤为明显，蒸发增湿可部分抵消T_a所示冷却效益。相反，植被区尤其密集连续树冠区T_w显著较低，可能由遮荫、近地T_a降低和冠层湍流分散水汽共同作用。结果凸显树主导绿色基础设施增强城市湿热韧性的潜力。伦敦日最大T_w约早于T_a最大值0.7 h；与既往研究比较提示峰值T_w时序因气候条件和海岸影响改变近地增温与湿度日平衡而具区域差异；这也提示将夜间热风险部分归因于湿热峰值滞后效应需进一步研究。鉴于T_w与人体热应激相关，需开展全球和全年系统研究以更好理解日最大T_w时序机制。