何苗，徐永明，李寧，白琳

南京信息工程大學(xué)地理與遙感學(xué)院，江蘇 南京 210044

基于遙感的北京城市高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估

何苗，徐永明，李寧，白琳

南京信息工程大學(xué)地理與遙感學(xué)院，江蘇 南京 210044

在全球變暖及快速城市化的背景下，高溫?zé)崂藢?duì)城市居民健康及社會(huì)經(jīng)濟(jì)的影響越來越大，成為城市面臨的最重要的氣象災(zāi)害之一。利用多源衛(wèi)星遙感數(shù)據(jù)對(duì)北京市開展了高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估的研究。基于Landsat/TM遙感數(shù)據(jù)、DMSP/OLS夜間燈光遙感數(shù)據(jù)和社會(huì)統(tǒng)計(jì)數(shù)據(jù)提取地表溫度作為高溫?zé)崂宋ｋU(xiǎn)性評(píng)估因子，提取植被指數(shù)、建筑指數(shù)、人口密度、人均可支配收入、老年人口比重、建筑工人比重、空調(diào)擁有率作為脆弱性評(píng)估因子，通過加權(quán)平均風(fēng)險(xiǎn)評(píng)估模型計(jì)算得到北京市高溫?zé)崂孙L(fēng)險(xiǎn)指數(shù)。結(jié)果表明，北京市高溫風(fēng)險(xiǎn)分布具有顯著的空間差異性?？傮w而言，北部地區(qū)風(fēng)險(xiǎn)低于南部地區(qū)，西部地區(qū)風(fēng)險(xiǎn)低于東部地區(qū)。高風(fēng)險(xiǎn)區(qū)域主要集中在六環(huán)內(nèi)的中心城區(qū)和近郊區(qū)，以二環(huán)為中心向四周呈環(huán)狀遞減趨勢(shì)，形成了最大的風(fēng)險(xiǎn)覆蓋區(qū)，并在各區(qū)的主城區(qū)形成了多個(gè)風(fēng)險(xiǎn)次中心；遠(yuǎn)郊區(qū)的高溫風(fēng)險(xiǎn)普遍較低，風(fēng)險(xiǎn)最低的3個(gè)區(qū)依次是密云區(qū)、門頭溝區(qū)和懷柔區(qū)，高風(fēng)險(xiǎn)面積比例均不足10%。除了中心城區(qū)及各區(qū)的主城區(qū)之外，延慶區(qū)西南部的延懷盆地、密云河谷一帶、平谷東部的部分平原地區(qū)風(fēng)險(xiǎn)等級(jí)也比較高。就人口分布最為密集的平原、平壩地區(qū)而言，西城區(qū)和東城區(qū)的高溫風(fēng)險(xiǎn)最高，平均風(fēng)險(xiǎn)指數(shù)分別達(dá)到0.57和0.56，其次是石景山區(qū)、豐臺(tái)區(qū)、海淀區(qū)和朝陽區(qū)，平均風(fēng)險(xiǎn)指數(shù)也均在0.4以上。文章提出了一種基于衛(wèi)星遙感進(jìn)行城市高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估的方法，獲取了高分辨率的北京市高溫?zé)崂孙L(fēng)險(xiǎn)空間分布信息，為城市有效應(yīng)對(duì)高溫風(fēng)險(xiǎn)提供了科學(xué)參考。

北京；高溫?zé)崂?；風(fēng)險(xiǎn)評(píng)估；遙感；人口空間化

在全球變暖背景下，近20年熱浪的發(fā)生頻率、強(qiáng)度和持續(xù)時(shí)間均呈現(xiàn)加強(qiáng)態(tài)勢(shì)，在全球的影響范圍也逐漸擴(kuò)大（Russo et al.，2014）。改革開放以來，中國經(jīng)歷了快速城市化的過程，30多年來城鎮(zhèn)人口翻了4倍（國家統(tǒng)計(jì)局，2013），城市化水平也由17.92%提高到52.2%（劉玉紅，2014）。城市化進(jìn)程改變了土地覆蓋-利用類型，地表反照率和熱容量隨之發(fā)生改變，導(dǎo)致大量太陽輻射貯存在城市人工建筑物中（彭保發(fā)等，2013）；城市不透水面積增加減弱了蒸散發(fā)作用，使得城市熱量收入大于支出（王文杰等，2006）；此外，中高大建筑物之間形成的“城市谷”阻礙了高溫氣流向外疏散，導(dǎo)致人類生產(chǎn)生活所產(chǎn)生的熱量大量聚集（Van et al.，1993）。多種因素作用下城市地區(qū)溫度高于四周，加劇了城市面臨的高溫?zé)崂孙L(fēng)險(xiǎn)。高溫?zé)崂藢?duì)人體健康具有不可忽視的影響，研究表明熱浪與發(fā)熱、中暑、心腦血管疾病等的發(fā)病率存在相關(guān)關(guān)系（田穎等，2013），1995年芝加哥（Whitman et al.，1997）和2003年巴黎（Robine et al.，2008）的高溫?zé)崂硕紝?dǎo)致了大量超額死亡，2009—2011年北京發(fā)生的5起高溫?zé)崂耸录寡h(huán)系統(tǒng)疾病急診就診人數(shù)增加（鄭山等，2016）。高溫?zé)崂藢?duì)環(huán)境和社會(huì)經(jīng)濟(jì)方面的影響也不可小覷，熱低壓在城市長(zhǎng)期覆蓋，大量煙塵、汽車尾氣等污染物隨熱氣流上升并懸浮在空中，容易產(chǎn)生霧霾、酸雨等惡劣天氣；高溫天氣加快光化學(xué)反應(yīng)速度，使近地面大氣中臭氧濃度增加，影響人體健康（李志乾等，2009），在人口集中的城市地區(qū)這種負(fù)面影響更為明顯。每年熱浪期間，北京市關(guān)于公交車自燃、電網(wǎng)負(fù)荷超記錄、日供水量接近極限等事件的報(bào)道都相當(dāng)頻繁，引起了社會(huì)各界的廣泛關(guān)注。對(duì)高溫?zé)崂诉M(jìn)行風(fēng)險(xiǎn)評(píng)估能夠?yàn)楦邷仫L(fēng)險(xiǎn)災(zāi)害預(yù)報(bào)預(yù)警機(jī)制的建立提供可靠的參考依據(jù)，降低災(zāi)害帶來的不利影響。

國外已有許多學(xué)者從熱浪特點(diǎn)、影響、風(fēng)險(xiǎn)評(píng)估等角度對(duì)城市高溫災(zāi)害進(jìn)行了研究（Russo et al.，2014；Zampieri et al.，2016；Semenza et al.，1996）。在關(guān)于熱浪綜合風(fēng)險(xiǎn)評(píng)估的研究中，Dousset et al.（2003）建立多種熱指標(biāo)，構(gòu)建logistic風(fēng)險(xiǎn)評(píng)估模型對(duì)巴黎地區(qū)的熱浪影響進(jìn)行了估算；Krüger et al.（2013）基于城市結(jié)構(gòu)、熱特性和人口狀況建立了熱敏感指標(biāo)，對(duì)德國Dresden市進(jìn)行了高溫風(fēng)險(xiǎn)評(píng)估；Inostroza et al.（2016）利用地理信息系統(tǒng)、遙感和統(tǒng)計(jì)數(shù)據(jù)構(gòu)建以空間暴露性、敏感性、適應(yīng)性為基礎(chǔ)的危險(xiǎn)性風(fēng)險(xiǎn)評(píng)估指標(biāo)對(duì)圣地亞哥市進(jìn)行城市內(nèi)部風(fēng)險(xiǎn)預(yù)測(cè)，取得了良好的效果。相比于國外，國內(nèi)對(duì)高溫?zé)崂说难芯總?cè)重于以氣象數(shù)據(jù)為基礎(chǔ)研究高溫?zé)崂说膬?nèi)涵與特征、機(jī)理等（胡峰等，2010；黃慧琳等，2012）。但是，氣象數(shù)據(jù)站點(diǎn)數(shù)目有限，不能精細(xì)反映城市內(nèi)部高溫分布的空間差異，并且未考慮人口分布密度以及不同人群對(duì)于高溫的承受能力。也有部分學(xué)者運(yùn)用社會(huì)統(tǒng)計(jì)資料和氣象資料開展了高溫風(fēng)險(xiǎn)綜合評(píng)估，但是由于數(shù)據(jù)、技術(shù)等因素的限制，通常以城市為單元開展定性研究，不能定量化反映城市內(nèi)部高溫?zé)崂孙L(fēng)險(xiǎn)的空間分布特征（宋晨陽等，2016）。遙感數(shù)據(jù)在獲取空間信息上的優(yōu)勢(shì)使其成為研究城市熱環(huán)境的重要工具，為高溫?zé)崂藶?zāi)害研究提供了新的思路。本文結(jié)合多源遙感數(shù)據(jù)和社會(huì)統(tǒng)計(jì)數(shù)據(jù)，提取了北京市高溫?zé)崂宋ｋU(xiǎn)性評(píng)估因子和脆弱性評(píng)估因子，對(duì)北京市高溫?zé)崂孙L(fēng)險(xiǎn)進(jìn)行評(píng)估，旨在揭示北京市高溫?zé)崂孙L(fēng)險(xiǎn)的空間分布特征，為有效應(yīng)對(duì)城市高溫風(fēng)險(xiǎn)提供科學(xué)參考。

1 研究區(qū)及研究數(shù)據(jù)

1.1 研究區(qū)概況

北京市位于北緯39°28′~40°05′，東經(jīng)115°25′~ 117°30′之間，共有16個(gè)市轄區(qū)。西部、北部和東北部被太行山脈和燕山山脈環(huán)繞，東南部是北京小平原。處于暖溫帶半濕潤大陸性季風(fēng)氣候區(qū)，夏季炎熱漫長(zhǎng)。夏季市中心商務(wù)區(qū)平均溫度28.8 ℃左右，且內(nèi)部溫度差異明顯（張本志等，2013）。作為中國的政治、經(jīng)濟(jì)、文化中心，北京經(jīng)歷了快速的城市化進(jìn)程。城鎮(zhèn)人口于改革開放前的479萬人迅速增長(zhǎng)到1740萬人（國家統(tǒng)計(jì)局北京調(diào)查總隊(duì)，2016），年均增長(zhǎng)率達(dá)到4.3%，截至2011年北京城鎮(zhèn)化率已超過86%，隨著城市的擴(kuò)張和人口的增加，北京市的城市熱島效應(yīng)越來越強(qiáng)烈（季崇萍等，2006），導(dǎo)致其高溫?zé)崂孙L(fēng)險(xiǎn)的危害進(jìn)一步擴(kuò)大。

1.2 數(shù)據(jù)源及其處理

本文選用的主要遙感數(shù)據(jù)為L(zhǎng)andsat/TM數(shù)據(jù)和DMSP/OLS數(shù)據(jù)。Landsat/TM數(shù)據(jù)為2011年7月26日成像的上下兩景相鄰的Landsat5/TM影像，其WRS軌道號(hào)分別為123-32和123-33，多光譜波段空間分辨率30 m，熱紅外波段空間分辨率120 m。對(duì)TM影像進(jìn)行幾何校正和鑲嵌處理，并利用6S輻射傳輸模型對(duì)1~5、7波段進(jìn)行大氣校正，得到地表真實(shí)反射率。DMSP/OLS數(shù)據(jù)為2011年的DMSP/OLS穩(wěn)定夜間燈光數(shù)據(jù)，由DMSP/F18-Block5D-3號(hào)衛(wèi)星提供。從該數(shù)據(jù)中篩選出一年內(nèi)無日光、無月光、無極光且噪聲小的像元，取可見光波段的均值合成，空間分辨率為0.008333°。所有遙感數(shù)據(jù)統(tǒng)一采用基于WGS84基準(zhǔn)面的UTM投影（50分帶），并根據(jù)北京市行政邊界進(jìn)行掩膜處理。社會(huì)統(tǒng)計(jì)資料包括北京市各區(qū)縣的常住人口、年末總?cè)丝凇?5歲及以上老年人口、城鎮(zhèn)居民人均可支配收入、建筑施工企業(yè)年末從業(yè)人員、城鎮(zhèn)居民家庭每百戶耐用消費(fèi)品擁有量中的空調(diào)器擁有量，所有數(shù)據(jù)均來自《北京區(qū)域統(tǒng)計(jì)年鑒2012》（北京市統(tǒng)計(jì)局國家統(tǒng)計(jì)局北京調(diào)查總隊(duì)，2013）。

2 研究方法

2.1高溫?zé)崂宋ｋU(xiǎn)性因子

危險(xiǎn)性因子指來自系統(tǒng)外部的、對(duì)系統(tǒng)造成威脅的因素，極端炎熱的氣溫?zé)o疑是受災(zāi)的城市系統(tǒng)中最大的威脅。多項(xiàng)研究表明北京市氣溫與遙感反演的地表溫度之間存在線性相關(guān)關(guān)系（韓秀珍等，2012；劉勇洪等，2014），因而可以將地表溫度作為北京市高溫評(píng)價(jià)的主要遙感指標(biāo)。

2.1.1 地表溫度

Landsat官方網(wǎng)站提供的定標(biāo)公式可以將原始數(shù)據(jù)各波段的DN值轉(zhuǎn)換為輻射亮度L：

式中，G為增益系數(shù)，B為偏移系數(shù)，轉(zhuǎn)換后輻亮度單位為W?m-2?sr-1?μm-1（其中，sr為球面度）。

再由熱紅外波段的輻射亮度經(jīng)普朗克公式計(jì)算得到亮度溫度：

式中，T6為亮度溫度（單位為K），常量K1=607.76 W?m-2?sr-1?μm-1，K2=1260.56 K。

亮度溫度值受到大氣和地表對(duì)熱輻射傳導(dǎo)的影響，不能夠準(zhǔn)確反映地表的真實(shí)溫度，需要進(jìn)一步計(jì)算。利用普適性單通道算法（Jiménez et al.，2003）獲取地表溫度信息：

式中，Ts為陸面溫度（單位：K），ε為地表比輻射率，Tλ為傳感器的亮度溫度（單位：K），Lλ為傳感器接收到的輻亮度（單位：W?m-2?sr-1?μm），λ為傳感器有效波長(zhǎng)（單位：μm），C1和C2為常數(shù)（C1=1.19104×108W·μm4·m-2·sr-1，C2=14387.685 μm?K），Ψ1、Ψ2、Ψ3為大氣函數(shù)，與大氣的水汽含量W有關(guān)，單位：g·cm-2。

普適性單通道算法所需的地表比輻射率數(shù)據(jù)采用混合像元法（Sobrino et al.，2004；覃志豪等，2004）進(jìn)行計(jì)算；大氣水汽含量從Landsat/TM成像當(dāng)天的MODIS水汽產(chǎn)品（MOD05）中提取。根據(jù)普適性單通道算法計(jì)算得到北京市2011年7月26日的地表溫度空間分布圖并將熱力學(xué)溫度轉(zhuǎn)換為攝氏溫度（圖1）。

圖1 2011年7月26日北京市地表溫度分布圖Fig. 1 Map of land surface temperature in Beijing on July 26thof 2011

2.2 高溫?zé)崂舜嗳跣砸蜃?/p>

脆弱性因子指系統(tǒng)內(nèi)部承受風(fēng)險(xiǎn)的能力，選擇人口密度作為最重要的脆弱性評(píng)估指標(biāo)。輔以植被指數(shù)、建筑指數(shù)、老年人口比重、建筑工人比重、人均可支配收入、空調(diào)擁有率作為次要脆弱性評(píng)估指標(biāo)綜合評(píng)價(jià)系統(tǒng)脆弱性。

2.2.1 下墊面因子

下墊面信息與人類活動(dòng)密切相關(guān)，與高溫風(fēng)險(xiǎn)有著不可分割的聯(lián)系。城市綠地在改善城市熱環(huán)境問題的過程中具有明顯作用（欒慶祖等，2014）；城市不透水面積與地表溫度之間存在正相關(guān)關(guān)系（買買提江?買提尼亞孜等，2015；徐永明等，2013）。歸一化植被指數(shù)（NDVI）是公認(rèn)的植被覆蓋度最佳指示因子，隨后又有人參考NDVI建立了了能夠反映建筑物信息的歸一化建筑指數(shù)NDBI（查勇等，2004）。NDVI值越大，植被覆蓋度越高，植物生長(zhǎng)狀況越好；NDBI值越大，建筑物越多，建筑越密集。因此，選取NDVI和NDBI作為下墊面相關(guān)指數(shù)。

MIR表示中紅外波段，NIR表示近紅外波段。

2.2.2 人口密度空間化

人口作為高溫?zé)崂藶?zāi)害的承災(zāi)體，其空間差異對(duì)于高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估具有重要影響。北京市統(tǒng)計(jì)年鑒提供的人口數(shù)據(jù)以區(qū)縣為統(tǒng)計(jì)單元，無法反映精細(xì)尺度上的人口分布差異。本研究基于DMSP夜間燈光遙感數(shù)據(jù)和Landsat陸地遙感數(shù)據(jù)提取北京市人口密度進(jìn)行空間化處理，獲得人口密度空間分布圖作為高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估的主要脆弱性因子。

研究表明夜間燈光值、土地覆蓋類型均與人口分布具有密切聯(lián)系（曹麗琴等，2009；呂安民等，2005）。本文結(jié)合遙感夜光數(shù)據(jù)和土地覆蓋數(shù)據(jù)進(jìn)行人口空間化。以北京市TM影像的所有7個(gè)波段、DEM高程信息和空間紋理信息等作為分類特征，根據(jù)Google Earth選取訓(xùn)練區(qū)，通過CART算法建立分類決策樹，得到北京市土地覆蓋分類圖，包含建筑、水體、農(nóng)業(yè)用地、林地共4類地物?？紤]到北京市平原和山區(qū)面積比重都很大，而地形對(duì)于土地覆蓋類型和人口分布有著顯著影響，因此區(qū)分平原和山區(qū)分別建立模型進(jìn)行人口空間化處理。

平原地區(qū)人對(duì)地物的改造遠(yuǎn)遠(yuǎn)強(qiáng)于地物對(duì)人的影響，各個(gè)地物類型都在較大程度上體現(xiàn)著人類活動(dòng)的影響，因此可以根據(jù)地表覆蓋類型預(yù)測(cè)人口分布情況。選取建筑、水體、農(nóng)業(yè)用地和林地對(duì)應(yīng)的各區(qū)縣燈光總值為自變量，與區(qū)縣人口進(jìn)行回歸分析，構(gòu)建多元線性回歸模型?；貧w模型的常量設(shè)為零，即假設(shè)無數(shù)據(jù)區(qū)無人口分布，模型如下：

式中，y表示統(tǒng)計(jì)年鑒的第k個(gè)區(qū)縣的人口，xi表示特定區(qū)縣第i種地物類型（i=1、2、3和4分別代表建筑、水體、農(nóng)業(yè)用地和林地）對(duì)應(yīng)的燈光總量值，該值是地物面積與對(duì)應(yīng)燈光亮度均值的乘積。

山區(qū)人口分布受到地形的限制，只有村落附近的地物與人類活動(dòng)有關(guān)系。這是多種地物類型相互作用的復(fù)雜關(guān)系。以林地為例：一方面，人們開墾林地以獲取農(nóng)田，農(nóng)田面積越多林地面積就會(huì)越少；另一方面，大面積的林地阻礙村落與外界的交流，一定程度上限制村落規(guī)模的擴(kuò)展。當(dāng)混合像元中只有林地時(shí)，可以認(rèn)為林地對(duì)人口不會(huì)產(chǎn)生影響，但當(dāng)混合像元內(nèi)有農(nóng)田、林地、居民點(diǎn)時(shí)，林地對(duì)村落發(fā)展的復(fù)雜作用就會(huì)凸顯出來。由于存在這種綜合影響，引入x1x3/x4代替上述模型中的x4，作為與林地相關(guān)的自變量。同理，引入x1x2x3代替x2作為與水體相關(guān)的自變量，建立適用于山區(qū)的人口分布模型。

將30 m分辨率的Landsat像元和1000 m分辨率的DMSP夜間燈光數(shù)據(jù)利用最近鄰法統(tǒng)一重采樣到25 m，在40×40子區(qū)域里，統(tǒng)計(jì)每個(gè)1 km×1 km空間格網(wǎng)內(nèi)每種地物類型的平均燈光亮度值及其面積。為實(shí)現(xiàn)去除夜光影像低值區(qū)背景噪音的影響和因地制宜的應(yīng)用模型，采用閾值法對(duì)數(shù)據(jù)進(jìn)行處理。經(jīng)多次反復(fù)試驗(yàn)后判定平均高程小于100 m，或高程大于100 m且城鎮(zhèn)像元較多的區(qū)域?yàn)槠皆貐^(qū)的混合像元；高程大于100 m且林地較多的區(qū)域?yàn)樯絽^(qū)混合像元；默認(rèn)純林地、水體、農(nóng)田像元內(nèi)人口數(shù)量為0。分別針對(duì)平原和山區(qū)建立人口空間化模型，并將模型應(yīng)用于1 km分辨率DMSP夜光遙感數(shù)據(jù)和土地覆蓋比重?cái)?shù)據(jù)，得到1 km分辨率人口分布圖。

DMSP夜光數(shù)據(jù)存在容易過飽和的缺陷，因此在燈光密集的城市中心區(qū)域，模型所得的人口密度小于實(shí)際人口密度，需要進(jìn)行修正。根據(jù)北京市1 km人口空間分布圖統(tǒng)計(jì)每個(gè)區(qū)縣的人口總數(shù)，并與統(tǒng)計(jì)資料進(jìn)行對(duì)比，以評(píng)估人口空間化的精度。模擬結(jié)果的平均絕對(duì)誤差MAE為40.31萬人，決定系數(shù)R2為0.79。結(jié)果表明，模擬結(jié)果與統(tǒng)計(jì)資料之間吻合度較好。

最后，為了使所提取的各個(gè)區(qū)的人口數(shù)與實(shí)際人口數(shù)趨于一致，分別計(jì)算遙感反演人口結(jié)果中各個(gè)區(qū)的人口總數(shù)，根據(jù)每個(gè)區(qū)的人口統(tǒng)計(jì)數(shù)進(jìn)行修正。假設(shè)同一區(qū)縣內(nèi)每個(gè)格網(wǎng)的模擬誤差相同，那么真實(shí)值y與模擬值yk之間存在如下線性關(guān)系（黃杰等，2015）：

式中，修正系數(shù)m為各區(qū)縣統(tǒng)計(jì)總?cè)藬?shù)與模擬總?cè)藬?shù)的比值。

對(duì)人口分布圖進(jìn)行修正后，得到最終的北京市1 km分辨率人口分布圖（如圖2）。

2.2.3 其他脆弱性因子

居民的收入情況作為區(qū)域經(jīng)濟(jì)發(fā)展水平的體現(xiàn)形式之一，是高溫風(fēng)險(xiǎn)評(píng)估的重要經(jīng)濟(jì)因子。前人研究表明，經(jīng)濟(jì)發(fā)展水平與夜間燈光值之間存在較強(qiáng)相關(guān)性（蘇泳嫻，2015；何洋等，2014；王琪等，2013；柴子為等，2015）。以北京市各區(qū)夜光均值為自變量，人均可支配收入為因變量建立多元回歸模型，該模型決定系數(shù)R2為0.73，表明模型模擬結(jié)果比較準(zhǔn)確，依據(jù)該模型獲得北京市人均可支配收入空間分布圖。

圖2 北京市人口密度空間分布圖（修正后）Fig. 2 Map of population density in Beijing (after modification)

建筑工人比重指的是建筑施工企業(yè)年末從業(yè)人員與年末總?cè)丝诘谋戎?，烈日下在室外工作的人員比室內(nèi)工作人員更易遭受高溫侵害，室外工作人口比例越高城市受到的危害越大。空調(diào)平均擁有率采用的是城鎮(zhèn)居民家庭每百戶耐用消費(fèi)品擁有量的抽樣調(diào)查結(jié)果，空調(diào)能很好地緩解熱浪對(duì)人體的影響，英國高溫災(zāi)害期間因空調(diào)的大量使用而減少了死亡人數(shù)（謝盼等，2015）。相對(duì)于年輕人，65歲及以上的老年人由于身體調(diào)節(jié)功能衰弱等原因，更容易受到高溫?zé)崂说挠绊?，研究表明高溫?duì)65歲以上就診人數(shù)的影響大于65歲以下就診人數(shù)（鄭山等，2016）。由于建筑工人比重、空調(diào)平均擁有率、老年人口比重這些數(shù)據(jù)缺乏合理有效的空間化方法，因此只能假設(shè)整個(gè)區(qū)內(nèi)數(shù)值相同，再基于GIS對(duì)矢量數(shù)據(jù)進(jìn)行柵格化處理。

2.3

高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估模型

在運(yùn)用評(píng)估模型計(jì)算北京市高溫?zé)崂孙L(fēng)險(xiǎn)指數(shù)之前，為了避免評(píng)估指標(biāo)量綱不一致，對(duì)所有評(píng)估因子進(jìn)行歸一化處理，值域范圍統(tǒng)一到[0, 1]。各因子中地表溫度、建筑指數(shù)、人口分布、老年人口比重、建筑工人比重與高溫風(fēng)險(xiǎn)呈正相關(guān)關(guān)系，植被指數(shù)、人均可支配收入、空調(diào)擁有量與高溫風(fēng)險(xiǎn)呈負(fù)相關(guān)關(guān)系。

利用加權(quán)平均模型計(jì)算危險(xiǎn)性指數(shù)，公式如下：

式中，H表示高溫危險(xiǎn)性指數(shù)，H1表示地表溫度，a1表示各危險(xiǎn)性因子的權(quán)重（表1）。

表1 因子權(quán)重Table1 The weight of assessment factors

同理，利用加權(quán)平均模型計(jì)算脆弱性指數(shù)，公式如下：

其中，V表示高溫脆弱性指數(shù)，V1表示植被指數(shù)，V2表示建筑指數(shù)，V3表示人口密度，V4表示人均可支配收入，V5表示老年人口比重，V6表示建筑工人比重，V7表示空調(diào)擁有率，bi表示各脆弱性因子的權(quán)重（表1）。

運(yùn)用專家打分法分別給各個(gè)脆弱性因子權(quán)重和危險(xiǎn)性因子權(quán)重賦值（表1）：

在危險(xiǎn)性和脆弱性指數(shù)的基礎(chǔ)上，計(jì)算高溫風(fēng)險(xiǎn)指數(shù)R，公式如下：

3 結(jié)果與分析

圖3 北京市高溫?zé)崂孙L(fēng)險(xiǎn)等級(jí)圖Fig. 3 Map of heat wave risk in Beijing city

獲取北京市各項(xiàng)高溫?zé)崂宋ｋU(xiǎn)性因子和脆弱性因子之后，基于加權(quán)平均法評(píng)估模型計(jì)算北京市高溫?zé)崂孙L(fēng)險(xiǎn)指數(shù)，并等比例的將風(fēng)險(xiǎn)等級(jí)劃分為5級(jí)，即高風(fēng)險(xiǎn)、較高風(fēng)險(xiǎn)、中等風(fēng)險(xiǎn)、較低風(fēng)險(xiǎn)和低風(fēng)險(xiǎn)。如圖3所示，北京市各區(qū)內(nèi)部風(fēng)險(xiǎn)空間分布差異較為顯著：風(fēng)險(xiǎn)最高的區(qū)域大多位于平原，尤其是六環(huán)以內(nèi)的大部分地區(qū)，這部分地區(qū)建筑物密集，熱島效應(yīng)強(qiáng)烈，人口壓力大，面臨的高溫風(fēng)險(xiǎn)較高。除了中心城區(qū)外，各區(qū)主城區(qū)的風(fēng)險(xiǎn)均高于周邊，形成多個(gè)次風(fēng)險(xiǎn)中心，體現(xiàn)了明顯的城市熱島效應(yīng)。除了中心城區(qū)以及各區(qū)的市區(qū)之外，延慶區(qū)西南部的延懷盆地、密云河谷一帶、平谷東部的部分平原地區(qū)風(fēng)險(xiǎn)等級(jí)也比較高。河谷地帶和延慶盆地夏季植被覆蓋率較低、土壤構(gòu)成以比熱較小的砂壤為主，太陽輻射作用下溫度快速升高使高溫危險(xiǎn)性增加。同時(shí)這些地區(qū)經(jīng)濟(jì)比較落后，高溫脆弱性較高，因此面臨的高溫?zé)崂藶?zāi)害風(fēng)險(xiǎn)較高。風(fēng)險(xiǎn)最低的區(qū)域位于北京北部、東北部和西南部，這些地區(qū)以林地為主，溫度比較低，人口密度也很低，因此高溫脆弱性和危險(xiǎn)性均較小。另外需要注意的是，延慶區(qū)由于海拔相對(duì)較高，高溫危險(xiǎn)性較低，但是由于其經(jīng)濟(jì)發(fā)展水平相對(duì)滯后，生活條件相對(duì)于北京市其他地區(qū)有較大差距。從社會(huì)統(tǒng)計(jì)數(shù)據(jù)來看，延慶區(qū)人均收入、家庭空調(diào)擁有量明顯低于其他區(qū)縣，而老年人口比重則高于大部分區(qū)縣，這使得該地區(qū)脆弱性指數(shù)比較高，故其體現(xiàn)出了較高的高溫?zé)崂孙L(fēng)險(xiǎn)。

以天安門為中心沿南北、東西方向分別做剖面線（如圖4所示），統(tǒng)計(jì)沿線的風(fēng)險(xiǎn)等級(jí)以反映北京城市高溫?zé)崂孙L(fēng)險(xiǎn)的區(qū)域差異。從兩條剖面線來看，北京北部風(fēng)險(xiǎn)低于南部，西部風(fēng)險(xiǎn)低于東部；南部最高風(fēng)險(xiǎn)比北部最低風(fēng)險(xiǎn)高35.9%，東部最高風(fēng)險(xiǎn)比西部最低風(fēng)險(xiǎn)高37.7%。該現(xiàn)象主要受到地形的影響，北京西部、北部和東北部被太行山脈和燕山山脈環(huán)繞，海拔高、坡度大且植被覆蓋度高，所以溫度比較低。此外，這部分山區(qū)人口密度遠(yuǎn)低于平原地區(qū)，故高溫?zé)崂孙L(fēng)險(xiǎn)較低。北京小平原以北剖面線波動(dòng)平穩(wěn)，表示北部風(fēng)險(xiǎn)較低的區(qū)域，其風(fēng)險(xiǎn)強(qiáng)度的空間差異往往較小。北京小平原及其以南地區(qū)的高風(fēng)險(xiǎn)區(qū)，人口密度分布呈現(xiàn)中心城區(qū)高度集中的趨勢(shì)，說明城市發(fā)展已處于成熟階段（田永中等，2004），城市基礎(chǔ)設(shè)施、城市綠地等建設(shè)較為完善，在居民區(qū)內(nèi)建設(shè)公園等城市綠地有效緩解了城市人口面臨的高溫風(fēng)險(xiǎn)，使得高風(fēng)險(xiǎn)區(qū)臨近位置風(fēng)險(xiǎn)差異較明顯，剖面線波動(dòng)較明顯。

圖4 不同方向高溫風(fēng)險(xiǎn)指數(shù)變化曲線圖Fig. 4 Variations of heat risk index in different directions

六環(huán)內(nèi)的區(qū)域既是高溫區(qū)又是人口密集區(qū)，在這兩個(gè)主要影響因子的作用下，六環(huán)內(nèi)高溫風(fēng)險(xiǎn)極高。雖然六環(huán)內(nèi)大部分地區(qū)均體現(xiàn)出高風(fēng)險(xiǎn)的特征，但是其平均風(fēng)險(xiǎn)指數(shù)仍然有著明顯差異。分別對(duì)二環(huán)至六環(huán)內(nèi)各環(huán)的平均高溫風(fēng)險(xiǎn)指數(shù)進(jìn)行統(tǒng)計(jì)，結(jié)果見圖5。從圖中可見，二環(huán)以內(nèi)區(qū)域的高溫?zé)崂孙L(fēng)險(xiǎn)最大，平均高溫風(fēng)險(xiǎn)指標(biāo)達(dá)到0.57，并且從二環(huán)至六環(huán)呈現(xiàn)明顯的遞減趨勢(shì)。北京市“單中心+環(huán)線”的城市布局使得城市人口和城市資源在中心聚集（賀曉冬等，2014），人口密度和人均可支配收入呈現(xiàn)環(huán)狀遞減的趨勢(shì)，而且距離中心城區(qū)越遠(yuǎn)，人口密度和人均可支配收入衰減越快。北京四環(huán)內(nèi)呈全封閉或半封閉的城市發(fā)展布局，缺少通風(fēng)廊道，通風(fēng)不暢使熱量在城市內(nèi)部聚集，四環(huán)內(nèi)大部分區(qū)域承受著巨大的熱壓力，呈現(xiàn)輻射狀蔓延（張兆明等，2007）。四環(huán)以外區(qū)域植被覆蓋度逐漸增加，而建筑密度逐漸降低，緩解了四至六環(huán)的高溫壓力。此外，社會(huì)統(tǒng)計(jì)資料表明，位于六環(huán)內(nèi)的東城區(qū)、西城區(qū)、朝陽區(qū)、豐臺(tái)區(qū)、石景山區(qū)、海淀區(qū)以及昌平、順義、通州、大興、房山區(qū)的部分地區(qū)，在建筑工人比重、空調(diào)擁有率等指標(biāo)方面差別不大，但二環(huán)以內(nèi)的老城區(qū)的老年人口比重遠(yuǎn)高于其他區(qū)域，達(dá)到13.63%，這也是二環(huán)內(nèi)高溫風(fēng)險(xiǎn)明顯高于其他區(qū)域的重要原因。以上因素共同決定了高溫?zé)崂孙L(fēng)險(xiǎn)從二環(huán)至六環(huán)逐漸遞減的空間分布特征。

圖5 二環(huán)至六環(huán)平均高溫風(fēng)險(xiǎn)指數(shù)變化Fig. 5 Variations of the average heat risk index from 2nd Ring road to 6th Ring road

圖6 北京市各區(qū)高溫風(fēng)險(xiǎn)等級(jí)面積比例Fig. 6 The area proportions of different heat risk levels of each district in Beijing

對(duì)北京市各區(qū)各高溫?zé)崂孙L(fēng)險(xiǎn)等級(jí)面積比例進(jìn)行統(tǒng)計(jì)（圖6），結(jié)果表明，西城區(qū)高風(fēng)險(xiǎn)面積比重達(dá)到100%，東城區(qū)達(dá)到97.5%，遠(yuǎn)遠(yuǎn)高于其他各區(qū)，東城區(qū)和西城區(qū)是北京的老城區(qū)，是老年人口比重最大的區(qū)域，建筑老舊，老居民區(qū)規(guī)劃不合理使得高溫不易疏散。朝陽、海淀、豐臺(tái)、石景山這4個(gè)區(qū)本身位于三至六環(huán)之間的高溫區(qū)域，加之北京城市功能拓展區(qū)的城市定位，是城市商業(yè)、地產(chǎn)業(yè)、服務(wù)業(yè)的發(fā)展先導(dǎo)；由于北京存在嚴(yán)重的“職住分離”現(xiàn)象，城市功能拓展區(qū)交通壓力大，人口流動(dòng)性強(qiáng)，綜合風(fēng)險(xiǎn)非常高，各區(qū)高風(fēng)險(xiǎn)面積比例均在60%以上。順義區(qū)作為北京重點(diǎn)發(fā)展的新城之一，也是承接中心城區(qū)、近郊區(qū)人口、職能疏解和新的產(chǎn)業(yè)集聚的主要地區(qū)之一（北京市規(guī)劃和國土資源管理委員會(huì)，2005），面臨的高溫壓力相當(dāng)大，高風(fēng)險(xiǎn)面積比例超過50%，較高風(fēng)險(xiǎn)比例超過30%，明顯高于其他遠(yuǎn)郊區(qū)，成為遠(yuǎn)郊區(qū)中面臨風(fēng)險(xiǎn)最大的區(qū)域。門頭溝、密云、懷柔這幾個(gè)區(qū)在職能上以發(fā)展生態(tài)服務(wù)型經(jīng)濟(jì)為主，生態(tài)環(huán)境比較好，而且人口密度低，因此所面臨的高溫?zé)崂孙L(fēng)險(xiǎn)比較低，區(qū)縣內(nèi)70%以上的區(qū)域面臨中等及其以下的高溫風(fēng)險(xiǎn)。

從圖2來看，北京市人口主要分布在平原、平壩地區(qū)，山區(qū)人口密度非常低。前文分區(qū)縣的統(tǒng)計(jì)分析所體現(xiàn)出的是各區(qū)縣整體風(fēng)險(xiǎn)水平，而沒能反映人口密集的平原、平壩地區(qū)風(fēng)險(xiǎn)狀況?？紤]到這一點(diǎn)，以高程低于550 m，坡度低于10%為閾值提取了各區(qū)縣平原、平壩地區(qū)的平均風(fēng)險(xiǎn)指數(shù)（如圖7）。西城區(qū)和東城區(qū)仍然是平原、平壩地區(qū)平均風(fēng)險(xiǎn)最高的區(qū)域，平均風(fēng)險(xiǎn)指數(shù)分別達(dá)到0.57和0.56。其次為石景山、豐臺(tái)、海淀、朝陽四個(gè)區(qū)，其平原、平壩地區(qū)平均風(fēng)險(xiǎn)指數(shù)均高于0.4。其余各區(qū)平原、平壩地區(qū)的平均風(fēng)險(xiǎn)指數(shù)均在0.4以下，其中密云最低，平均風(fēng)險(xiǎn)指數(shù)僅為0.32。與圖6相比，雖然各個(gè)區(qū)高溫風(fēng)險(xiǎn)排序較相似，但是區(qū)域之間差距較小，各區(qū)的平原、平壩地區(qū)均體現(xiàn)了較高的風(fēng)險(xiǎn)指數(shù)。

4 結(jié)論

圖7 北京市各區(qū)平原地區(qū)平均高溫?zé)崂孙L(fēng)險(xiǎn)指數(shù)Fig. 7 The average heat wave risk index in the plain of each district in Beijing

選取北京市作為研究區(qū)域，利用遙感數(shù)據(jù)和社會(huì)經(jīng)濟(jì)數(shù)據(jù)提取了高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估指標(biāo)，通過風(fēng)險(xiǎn)評(píng)估模型對(duì)北京市高溫?zé)崂孙L(fēng)險(xiǎn)進(jìn)行定量評(píng)估，得到以下結(jié)論：

（1）基于Landsat/TM遙感數(shù)據(jù)計(jì)算的地表溫度具有空間異質(zhì)性高、可視性強(qiáng)、結(jié)果準(zhǔn)確的特點(diǎn)，彌補(bǔ)了傳統(tǒng)觀測(cè)資料空間密度不足的缺陷，可以很好地表征高溫?zé)崂宋ｋU(xiǎn)性的空間分布特征；基于夜光遙感數(shù)據(jù)提取的人口、收入等空間化社會(huì)經(jīng)濟(jì)數(shù)據(jù)，能夠有效克服目前中國缺乏詳細(xì)社會(huì)經(jīng)濟(jì)統(tǒng)計(jì)資料的困難，可為城市高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估研究提供新的思路。

（2）整體而言，北京市高溫?zé)崂孙L(fēng)險(xiǎn)具有明顯的空間差異，南部風(fēng)險(xiǎn)高于北部，東部風(fēng)險(xiǎn)高于西部；受人類活動(dòng)的影響，南部風(fēng)險(xiǎn)的空間異質(zhì)性高于北部，東西方向空間異質(zhì)性差異不明顯。

（3）北京市二環(huán)以內(nèi)的核心城區(qū)（西城區(qū)、東城區(qū)）高溫?zé)崂孙L(fēng)險(xiǎn)最高，高風(fēng)險(xiǎn)區(qū)面積比重分別達(dá)到100%和97.5%，從二環(huán)至六環(huán)，高溫?zé)崂孙L(fēng)險(xiǎn)呈現(xiàn)明顯的下降趨勢(shì)。除主城區(qū)之外，還以各轄區(qū)城區(qū)為中心形成了多個(gè)大小不一的次高風(fēng)險(xiǎn)中心，其中石景山區(qū)、豐臺(tái)區(qū)、海淀區(qū)和朝陽區(qū)高溫風(fēng)險(xiǎn)比較高，而密云、門頭溝、懷柔的高溫風(fēng)險(xiǎn)相對(duì)較低。就人口密度比較大的平原、平壩地區(qū)而言，東城區(qū)和西城區(qū)具有最高的高溫風(fēng)險(xiǎn)指數(shù)，但與其他各區(qū)之間的差異較小，各區(qū)的平原、平壩地區(qū)均體現(xiàn)了較高的風(fēng)險(xiǎn)。

利用熱紅外遙感和夜光遙感數(shù)據(jù)能夠獲取城市溫度場(chǎng)、人口密度等高溫?zé)崂嗽u(píng)估指標(biāo)的詳細(xì)空間分布信息，在一定程度上克服了氣象站點(diǎn)偏少以及社會(huì)經(jīng)濟(jì)資料不夠詳細(xì)的困難，為高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估提供了新的思路。但是，目前還存在一些問題，比如熱紅外遙感反演的地表溫度與人體健康的關(guān)系不如近地表氣溫密切，DMSP夜光遙感數(shù)據(jù)在中心城區(qū)自身易飽和的缺陷會(huì)影響人口空間化精度

等等。利用遙感手段進(jìn)行城市高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估尚處于探索階段，有待未來進(jìn)一步研究。

DOUSSET B, GOURMELON F. 2003. Satellite multi-sensor data analysis of urban surface temperatures and land cover [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 58(1-2): 43-54.

INOSTROZA L, PALME M, DE LA BARRERA F. 2016. A Heat Vulnerability Index: Spatial Patterns of Exposure, Sensitivity and Adaptive Capacity for Santiago de Chile [J]. PLOS ONE, 11(9): e0162464.

JIMéNEZ-MUìOZ J C, SOBRINO J A. 2003. A generalized single-channel method for retrieving land surface temperature from remote sensing data [J]. Journal of Geophysical Research, 108(D22): 4688.

KRüGER T, HELD F, HOECHSTETTER S, et al. 2013. A new heat sensitivity index for settlement areas [J]. Urban Climate, 6: 63-81.

ROBINE J M, CHEUNG S L K, ROY S L, et al. 2008. Death toll exceeded 70,000 in Europe during the summer of 2003 [J]. Comptes Rendus Biologies, 331(2): 171-178.

RUSSO S, DOSIO A, GRAVERSEN R G, et al. 2014. Magnitude of extreme heat waves in present climate and their projection in a warming world [J]. Journal of Geophysical Research Atmospheres, 19(22): 12500-12512.

SEMENZA J C, RUBIN C H, FALTER K, et al. 1996. Heat-related deaths during the July 1995 heat wave in Chicago [J]. New England Journal of Medicine, 335(2): 84-90.

SOBRINO J A, JIMéNEZ-MUìOZ J C, AND PAOLINI L. 2004. Land surface temperature retrieval from Landsat TM5 [J]. Remote Sensing of the Environment, 90(04): 434-446.

VAN DE GRIEND A A, OWE M. 1993. On the relationship between thermal emissivity and the normalized Difference vegetation index for natural surfaces [J]. International Journal of Remote Sensing, 14(6): 1119-1131.

WHITMAN S, GOOD G, DONOGHUE E R, et al. 1997. Mortality in Chicago attributed to the July 1995 heat wave [J]. American Journal of Public Health, 87(9): 1515-8

ZAMPIERI M, RUSSO S, DI S S, et al. 2016. Globai assessment of heat wave magnitudes from 1901 to 2010 and implications for the river discharge of the Alps [J].Science of the Total Environment, 571: 1330-1339.

北京市規(guī)劃和國土資源管理委員會(huì). 2005. 北京市總體規(guī)劃[EB/OL]. [2005-04-15]. http://www.bjghw.gov.cn/web/static/catalogs/catalog_ 233/233.html.

北京市統(tǒng)計(jì)局國家統(tǒng)計(jì)局北京調(diào)查總隊(duì). 2013. 北京區(qū)域統(tǒng)計(jì)年鑒2012[M]. 北京: 同心出版社.

曹麗琴, 李平湘, 張良培. 2009. 基于DMSP/OLS夜間燈光數(shù)據(jù)的城市人口估算——以湖北省各縣市為例[J]. 遙感信息, (1): 83-87.

查勇, 倪紹祥, 楊山. 2003. 一種利用TM圖像自動(dòng)提取城鎮(zhèn)用地信息的有效方法[J]. 遙感學(xué)報(bào), 7(1): 37-40, 82.

柴子為, 王帥磊, 喬紀(jì)綱. 2015. 基于夜間燈光數(shù)據(jù)的珠三角地區(qū)鎮(zhèn)級(jí)GDP估算[J]. 熱帶地理, 35(3): 379-385.

國家統(tǒng)計(jì)局. 2013. 中國統(tǒng)計(jì)摘要2013[M]. 北京: 中國統(tǒng)計(jì)出版社.

國家統(tǒng)計(jì)局北京調(diào)查總隊(duì). 2016. 人口: 常住人口(1978—2015年)[EB/OL]. [2016-9-29]. http://www.bjstats.gov.cn/tjsj/cysj/201511/ t20151109_311727.html.

韓秀珍, 李三妹, 竇芳麗. 2012. 氣象衛(wèi)星遙感地表溫度推算近地表氣溫方法研究[J]. 氣象學(xué)報(bào), 70(5): 1107-1118.

何洋, 程輝, 唐亮. 2014. DMSP/OLS數(shù)據(jù)的我國省級(jí)經(jīng)濟(jì)發(fā)展水平研究[J]. 地理空間信息, 12(2): 79-82.

賀曉冬, 苗世光, 竇晶晶, 等. 2014. 北京城市氣候圖系統(tǒng)的初步建立[J]. 南京大學(xué)學(xué)報(bào):自然科學(xué), 50(6): 759-771.

胡峰, 盧振禮. 2010. 1951—2000年山東省高溫氣象災(zāi)害的變化趨勢(shì)和風(fēng)險(xiǎn)特征分析[J]. 中國農(nóng)學(xué)通報(bào), 26(19): 354-358.

黃慧琳, 繆啟龍, 潘文卓, 等. 2012. 杭州市高溫致災(zāi)因子危險(xiǎn)性風(fēng)險(xiǎn)區(qū)[J]. 氣象與減災(zāi)研究, 35(2): 51-56.

黃杰, 閆慶武, 劉永偉, 等. 2015. 基于DMSP/OLS與土地利用的江蘇省人口數(shù)據(jù)空間化研究[J]. 長(zhǎng)江流域資源與環(huán)境, 24(5): 735-741.

季崇萍, 劉偉東, 軒春怡. 2006. 北京城市化進(jìn)程對(duì)城市熱島的影響研究[J]. 地球物理學(xué)報(bào), 49(1): 69-77.

李志乾, 鞏彩蘭, 胡勇, 等. 2009. 城市熱島遙感研究進(jìn)展[J]. 遙感信息, (4): 100-105.

劉勇洪, 權(quán)維俊. 2014. 北京城市高溫遙感指標(biāo)初探與時(shí)空格局分析[J].氣候與環(huán)境研究, 19(3): 332–342.

劉玉紅. 2014. 我國城鎮(zhèn)化發(fā)展的新動(dòng)向[EB/OL]. [2014-12-15]. http://www.sic.gov.cn/News/461/3880.htm

欒慶祖, 葉彩華, 劉勇洪, 等. 2015. 城市綠地對(duì)周邊熱環(huán)境影響遙感研究——以北京為例[J]. 生態(tài)環(huán)境學(xué)報(bào), 23(2): 252-261.

呂安民, 李成名, 林宗堅(jiān), 等. 2005. 基于遙感影像的城市人口密度模型[J]. 地理學(xué)報(bào), 60(1): 158-164.

買買提江?買提尼亞孜, 阿里木江?卡斯木. 2015. 干旱區(qū)典型城市下墊面特征及其與地表熱環(huán)境的關(guān)系研究[J]. 生態(tài)環(huán)境學(xué)報(bào), 24(11): 1865-1871.

彭保發(fā), 石憶邵, 王賀封, 等. 2013. 城市熱島效應(yīng)的影響機(jī)理及其作用規(guī)律——以上海市為例[J]. 地理學(xué)報(bào), 68(11): 1461-1471.

宋晨陽, 王峰, 張韌, 等. 2016. 氣候變化背景下我國城市高溫?zé)崂说娘L(fēng)險(xiǎn)分析與評(píng)估[J]. 災(zāi)害學(xué), 31(1): 202-206.

蘇泳嫻. 2015. 基于DMSP/OLS夜間燈光數(shù)據(jù)的中國能源消費(fèi)碳排放研究[D]. 廣州: 中國科學(xué)院研究生院(廣州地球化學(xué)研究所).

覃志豪, 李文娟, 徐斌, 等. 2004. 陸地衛(wèi)星 TM6波段范圍內(nèi)地表比輻射率的估計(jì)[J]. 國土資源遙感, 16(3): 28-32.

田穎, 張書余, 羅斌, 等. 2013. 熱浪對(duì)人體健康影響的研究進(jìn)展[J]. 氣象科技進(jìn)展, 3(2): 49-54.

田永中, 陳述彭, 岳天祥, 等. 2004. 基于土地利用的中國人口密度模擬[J]. 地理學(xué)報(bào), 59(2): 283-292.

王琪, 袁濤, 鄭新奇. 2013. 基于夜間燈光數(shù)據(jù)的中國省域GDP總量分析[J]. 城市發(fā)展研究, (7): 44-48.

王文杰, 申文明, 劉曉曼, 等. 2006. 基于遙感的北京市城市化發(fā)展與城市熱島效應(yīng)變化關(guān)系研究[J]. 環(huán)境科學(xué)研究, 19(2): 44-48.

謝盼, 王仰麟, 彭建, 等. 2015. 基于居民健康的城市高溫?zé)崂藶?zāi)害脆弱性評(píng)價(jià):研究進(jìn)展與框架[J]. 地理科學(xué)進(jìn)展, 34(2): 165-174.

徐永明, 劉勇洪. 2013. 基于TM影像的北京市熱環(huán)境及其與不透水面的關(guān)系研究[J]. 生態(tài)環(huán)境學(xué)報(bào), 22(4): 639-643.

張本志, 任國玉, 張子曰, 等. 2013. 北京中心商務(wù)區(qū)夏季近地面氣溫時(shí)空分布特征[J]. 氣象與環(huán)境學(xué)報(bào), 29(5): 26-34.

張兆明, 何國金. 2007. 北京市TM圖像城市擴(kuò)張與熱環(huán)境演變分析[J].地球信息科學(xué), 9(5): 83-88.

鄭山, 王敏珍, 尚可政, 等. 2016. 高溫?zé)崂藢?duì)北京3所醫(yī)院循環(huán)系統(tǒng)疾病日急診人數(shù)影響的病例-交叉研究[J]. 衛(wèi)生研究, 45(2): 246-251.

Assessing heat wave risk in Beijing by remote sensing [J]. Ecology and Environmental Sciences, 26(4): 635-642.

HE Miao, XU Yongming, LI Ning, BAI Lin. 2017.

Assessing Heat Wave Risk in Beijing by Remote Sensing

HE Miao, XU Yongming, LI Ning, BAI Lin
School of Geography and Remote Sensing, Nanjing University of Information Science & Technology, Nanjing 210044, China

With global warming and rapid urbanization, heat wave has become one of the most significant climatic stressors in urban areas, which exerts greater influences on human health, society and economy. In this paper, the heat wave risk in Beijing City was assessed based on multi-source satellite remote sensing data. The land surface temperature (LST), normalized difference vegetation index (NDVI) and normalized difference building index (NDBI) were calculated from Landsat/TM data. The population density, per capita disposable income, ownership of air conditioning, percentage of population above 65 years old and percentage of construction workers were derived from DMSP/OLS night light data and socio-economic data. LST was considered as the hazard factor, and the other variables including NDVI, NDBI, population density, per capita disposable income, ownership of air conditioning, percentage of population above 65 years old and percentage of construction workers were considered as vulnerability factors. Then the heat wave risk index in Beijing was calculated from the hazard, vulnerability factors by a weighted average model. According to the risk index map, the heat wave risk in Beijing was assessed. The results indicated an obvious spatial variability of heat risk. Generally, the northern area showed lower heat risk than southern area, and the western area showed lower risk than the eastern area. High-risk regions were mainly concentrated in the metropolitan area and suburban districts within the 6rd Ring Road, which exhibited a radially decreasing trend from the center to the suburbs. There were also several sporadic high risk regions located in the urban areas of rural districts. Among these rural districts, Miyun, Mentougou, Huairou districts were characterized by the lowest heat risks, whose proportions of the high risk area were less than 10%. In addition to the urban areas, Yanhuai Basin, Miyun River Valley and some plain areas in the eastern Pinggu also showed relatively high risk. As for the densely populated plain and flatland areas, the central districts (Dongcheng District and Xicheng District) exhibited the highest heat risk indices of 0.57 and 0.56 respectively, followed by inner suburb districts (Shijingshan, Fengtai, Haidian and Chaoyang districts). The outer suburb districts showed relative lower heat wave risk indices, which were above 0.4. This article proposed a framework for assessing the heat stress risk in Beijing at the pixel level by remote sensing, which provide a scientific reference for heat wave adaptation strategies and mitigation plans.

Beijing; heat wave; risk assessment; remote sensing; population spatialization

10.16258/j.cnki.1674-5906.2017.04.013

X16

A

1674-5906（2017）04-0635-08

何苗, 徐永明, 李寧, 白琳. 2017. 基于遙感的北京城市高溫?zé)崂孙L(fēng)險(xiǎn)評(píng)估[J]. 生態(tài)環(huán)境學(xué)報(bào), 26(4): 635-642.

國家自然科學(xué)基金項(xiàng)目（41201369）；高分辨率對(duì)地觀測(cè)系統(tǒng)重大專項(xiàng)

何苗（1992年生），女，碩士研究生，研究方向?yàn)橘Y源環(huán)境遙感。E-mail: hemiaok@126.com

*通信作者。徐永明，E-mail: xym30@263.com

2016-12-28