北京城市表面热环境对气态污染物空间分布的驱动作用
《Atmospheric Environment》:Driving effects of the surface thermal environment on the spatial differentiation of gaseous pollutants in Urban Beijing
【字体:
大
中
小
】
时间:2026年07月23日
来源:Atmospheric Environment 3.8
编辑推荐:
摘要:本研究利用MODIS地表温度数据与TROPOMI对流层浓度数据,分析了2020年至2024年间北京平原地区地表温度以及NO2、CO和HCHO等气态污染物的时空演变规律。随后采用地理探测器方法量化地表温度对这些污染物空间分布的影响,并运用K均值聚类算法将研究区域划分为不同热环
摘要:本研究利用MODIS地表温度数据与TROPOMI对流层浓度数据,分析了2020年至2024年间北京平原地区地表温度以及NO2、CO和HCHO等气态污染物的时空演变规律。随后采用地理探测器方法量化地表温度对这些污染物空间分布的影响,并运用K均值聚类算法将研究区域划分为不同热环境与空气污染协同风险等级。研究结果表明:(1)地表温度的空间分布相对稳定,中心城区持续存在热岛效应;季节变化顺序为夏季>春季>秋季>冬季。污染物通常在中心城区形成高浓度聚集区,其中HCHO和NO2在航空枢纽周边浓度尤为突出,而高浓度CO则不仅分布在城市区域,还出现在东部和南部地区的潜在传输路径上。(2)地理探测器得出的解释力指标显示,地表温度对NO2的影响最为显著(2023年q值达0.34),其次是CO,对HCHO的影响最弱。(3)根据聚类结果,可识别出重点协同区域,包括中心城区、周边机场区域以及潜在的污染传输通道。本研究从时空耦合视角揭示了城市热环境与空气污染之间的相互作用机制,为城市热岛效应与空气污染的协同治理以及差异化环境管理提供了科学依据。
引言:全球城市化进程的加速使得城市热环境与空气污染之间的耦合效应日益显著,这对城市局部气候(Lu等人,2024)、区域空气质量(Zhang等人,2025a)以及公众健康(Kasimov等人,2024;Mukherjee等人,2025)构成了严重威胁。作为典型的特大城市,北京长期面临城市热岛效应与大气污染的双重压力,且近年来这两种现象都愈发严重(Li等人,2022)。本研究利用遥感获取的地表温度数据来表征城市表面热岛效应,这一概念有别于气象站近地面气温测得的常规大气热岛效应。越来越多的证据表明,城市热岛效应会通过改变行星边界层结构、抑制污染物扩散(Miao等人,2022;Zhang等人,2025b),以及加速臭氧等二次污染物的形成(Shi等人,2023),从而加剧空气污染。反之,大气污染物也会通过辐射强迫影响城市热状况——气溶胶通过散射和吸收入射的短波太阳辐射来改变地表能量平衡,进而重塑城市表面热岛的空间分布格局(Chubarova等人,2024;Wu等人,2021)。除了大气污染物这类主要环境压力源外,学界还建立了完善的分析框架,从自然地表属性、人为活动因素以及大气环境变量三大类角度探究影响地表温度空间分异的驱动因素。就自然地表属性而言,不透水表面占比、植被覆盖度、水体景观格局以及地形高度都是决定地表能量平衡的核心因素。不透水表面的增加会大幅提升地表热量储存能力,而城市绿地和水体则可通过蒸散作用产生冷岛效应(Deng等人,2025;Rao等人,2025)。在人为驱动因素方面,建筑密度、道路网络密度、人口聚集程度以及夜间灯光数据所反映的人为热排放,都会改变局部热状况,是特大城市表面热岛空间集聚的主要驱动因素(Wang等人,2025a;Zhan等人,2025)。早期的研究大多单独量化单一地表变量(如土地利用类型、植被覆盖度)对热状况的单独影响,忽视了多种驱动因素之间的交互与协同效应。随着复合型空气污染问题的加剧,越来越多的研究开始将NO2、PM2.5和O3等空气污染物纳入地表温度的多驱动因子分析框架中,从辐射强迫、行星边界层调控以及光化学反应等角度揭示了土地利用变化、人类高强度活动与空气污染之间的耦合驱动机制(Shao等人,2025;Wei等人,2023;Zhou等人,2025)。目前关于热环境与空气污染耦合的研究多聚焦于PM2.5与热环境之间的相互作用,而探讨多种污染物协同效应及其背后综合驱动机制的研究较少。Chang和Guo(2025)通过分段线性回归以及地理时间加权回归模型,找到了颗粒物污染的转折点,发现夜间城市热岛对颗粒物污染的驱动作用呈持续增强趋势。Zhang等人(2023)研究表明,PM2.5可通过非线性过程抑制城市热岛强度,且不同城市热岛指标下的抑制效果存在显著差异。Ngarambe等人(2021)基于13个监测站9年的连续监测数据发现,城市热岛与污染物之间的关联强度存在明显的季节性变化,尤其在秋冬季节更为明显。Jiang等人(2023)进一步研究表明,在长江三角洲城市群中,臭氧与昼夜地表温度呈正相关,而PM2.5、NO2和SO2则呈负相关,且也存在明显的季节性特征。Nasar-u-Minallah等人(2025)利用遥感数据发现,拉合尔的城市热岛强度在夏季最高,且污染物的空间分布会对高强度城市热岛区域的扩展起到限制作用。Lazovi?等人(2025)的研究进一步量化了交通相关排放对城市热岛与空气污染耦合的协同放大效应。然而,现有针对北京的研究大多依赖短期地面监测数据,且以颗粒物污染物为重点研究对象。基于高分辨率长期遥感观测数据,对地表热环境与活性气态前体污染物之间耦合机制的系统研究仍然十分有限。总体而言,先前的研究已经证实,城市热环境与空气污染物之间的耦合存在显著的季节性和空间异质性,这种关联的强度会受到城市规模、气候条件、工业布局以及污染控制政策等因素的影响(Qiu等人,2025)。尽管如此,大多数耦合研究仍以颗粒物为主,而基于长期遥感数据、研究城市热岛与活性气态臭氧前体之间耦合机制的工作还有待进一步推进。用于研究地表热环境与空气污染耦合的定量方法经历了四个发展阶段:全球线性模型、局部空间回归模型、非线性机器学习模型以及空间差异检测模型。早期研究主要依赖全球统计方法(如皮尔逊相关系数、多元线性回归、普通最小二乘回归),这类方法只能捕捉变量之间的平均线性关系,无法体现空间非稳态性或各因素之间的交互效应(Aghazadeh等人,2025;Rendana等人,2024;Wang等人,2021)。为了解决空间异质性带来的局限,地理时间加权回归和空间滞后模型等空间回归方法被广泛采用(Luo等人,2023;Rao等人,2025;Wu等人,2022)。这些方法能够直观展示驱动因素的解释力,但仍受严格线性假设的约束。虽然随机森林和XGBoost等机器学习算法可以捕捉非线性关系,但它们无法定量区分交互类型,也无法量化成对驱动因素之间的协同效应强度(Lin等人,2025;Yang等人,2025)。Geodetector模型不受独立变量线性假设的限制,能够定量评估各个因素对因变量空间分异的解释力,还能识别因素对之间的交互模式,因此被广泛应用于解析城市热环境的驱动机制(Shi等人,2025)。K均值聚类算法常被用来划分具有热与污染双重风险的典型区域(Li和Chen,2026;Zhao等人,2026),为针对性的协同环境治理提供分区依据。不过,目前很少有研究将Geodetector模型与聚类分析相结合,利用长期的Sentinel-5P遥感数据系统地研究城市热岛与多种活性气态污染物之间的时空动态及多因素驱动机制。尽管已取得上述进展,仍存在若干关键研究缺口。首先,大多数研究依赖地面监测的污染物数据,这类数据的空间代表性有限,难以准确刻画城市尺度上城市热岛与空气污染物之间的空间耦合格局。其次,NO2和HCHO等活性气体在区域污染防治中的作用越来越重要,但在用于分析城市热环境的定量多驱动因子分析框架中却很少被纳入。第三,中国国内的相关研究大多在2020年之前开展,此后中国的大气污染格局已从以PM2.5为主的污染类型转变为以臭氧为主或PM2.5与臭氧共同主导的污染类型,这就需要重新评估地表热环境与这种变化后的污染格局之间的耦合机制。Sentinel-5P卫星上的TROPOMI传感器能够提供NO2、HCHO和CO的空间连续柱浓度数据,已被广泛用于分析城市尺度上气态污染物的时空分布特征(Jia等人,2025;Zeng等人,2025a)。这些数据为从长期、城市整体视角研究多种污染物与地表热环境之间的协同演变及驱动机制奠定了坚实基础。北京平原地区人类活动极为密集,其地表热环境与空气污染之间的相互作用具有很强的时空异质性。因此,利用多源遥感数据研究2020年后北京地区城市热岛与气态污染物之间的时空耦合机制,具有重要的理论意义和现实价值。为填补现有的研究缺口,本研究旨在回答两个关键科学问题:(1)2020年至2024年间,北京平原地区的城市热岛强度以及NO2、CO和HCHO三种活性气态污染物的时空变化和季节变化特征是什么?它们之间的空间协同耦合特点如何?(2)基于热环境与空气污染的耦合特征,可以划分出哪些协同风险管理区域?这些区域的空间分布格局是怎样的?可制定出哪些针对性的管控策略,以支持区域空气质量与城市热环境的协同治理?本研究利用2020年至2024年的MODIS地表温度数据与Sentinel-5P气态污染物遥感数据,首先分析了北京平原地区城市热岛强度以及NO2、CO和HCHO大气柱浓度的时空分布特征,进一步研究了其在季节和空间尺度上的协同演变规律。随后,本研究采用Geodetector模型定量评估地表温度对每种气态污染物的驱动作用,再运用K均值聚类算法划分出需要协同开展热管理与污染管理的高风险区域。期望本研究的结果能够深化人们对特大城市地表热环境与大气气态污染物耦合机制的理论认识,为城市气候韧性规划以及空气污染与城市热岛效应的协同防控提供科学依据和决策支持。
研究区域:北京属于典型的暖温带半湿润大陆季风气候,夏季炎热多雨,冬季寒冷干燥,春秋季较短。根据2025年的统计数据,全年降水量为827.6毫米,主要集中在7月至9月。年平均气温为14.6摄氏度,7月记录的月平均气温最高,为41.0摄氏度,1月最低,为-11摄氏度。从地形上看,该地区……
温度分类:为直观展现研究区域地表热环境的空间差异特征,本研究采用了基于2020年至2024年年度及季节性MODIS地表温度数据集的平均值-标准差分类方法对地表温度进行分级(Wang等人,2025b)。该方法根据研究区域在特定时期的地表温度全局平均值和标准差来进行客观分类,避免了人为因素带来的主观偏差……
地表温度的分布特征:借助平均值-标准差分类方法,2020年至2024年的夏季地表温度被分为五个等级。基于分类结果,对北京市城区的夏季地表温度空间分布特征进行了分析。图4展示了研究期间地表温度的空间分布模式以及各温度等级所占面积比例的变化情况。从2020年起,研究区域内的夏季高温区整体空间分布相对稳定。为探究地表温度与NO2、HCHO和CO这三种气体污染物浓度之间的关系,研究者在研究区域内建立了1×1千米的网格,提取了每个网格单元内地表温度以及这三种气态污染物的年度平均值。随后通过皮尔逊相关分析,量化了2020年至2024年期间地表温度与各类污染物之间的关联程度(见图8)。分析结果表明,地表温度与这三种气态污染物的浓度呈正相关关系。基于2020年至2024年的MODIS MYD11A1地表温度数据集以及Sentinel-5P提供的NO2、HCHO和CO浓度数据,本研究系统分析了北京城市地区表面热环境与气态污染物之间的时空差异及其耦合驱动机制,并结合相关分析、Geodetector模型和K均值聚类方法,确定了热污染协同作用的高风险区域。研究结果为……
在撰写本论文的过程中,作者们使用了ChatGPT(OpenAI)工具来提升文稿的语言表达质量和可读性。在使用该工具后,作者们对内容进行了必要的审阅和修改,并对最终发表的内容承担全部责任。
本研究得到了北京市自然科学基金的支持(项目编号:8242023)。
作者贡献说明:
孙双:概念构建、数据收集、研究方法设计、初稿撰写。
王玉静:研究方法设计、文稿审阅与修改。
姜金宝:研究方法设计、文稿审阅与修改。
赵文吉:资金筹集、文稿审阅与修改。
杨兴川:文稿审阅与修改。
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。
孙双|王玉静|姜金宝|赵文吉|杨兴川
中国矿业大学(北京)地质与测绘工程学院,北京,100083,中国
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号