导读 | Introduction
中国科学院空天信息创新研究院城市陆表环境遥感团队在城市热异常检测方向取得进展，估算了中国40个城市在遭受疫情后的全年热岛强度波动，并基于改进的z-score方法和多尺度地理加权回归模型，评估了在首次一级公共卫生应急响应期间，受疫情影响程度差异下的土地利用热异常变化规律，及各种潜在影响因素的驱动模式。该成果发表在期刊International Journal of Applied Earth Observation and Geoinformation，第一作者为博士研究生高健峰，通讯作者为孟庆岩研究员。
研究背景 | Background
快速城市化造成了日益加剧的城市热岛效应并干扰了全球性的热平衡，对生态和健康造成了负面影响。同时，受到封城政策和人类活动变化，2019 年冠状病毒病（COVID-19）大流行极大地改变了城市热环境。目前针对相关研究的局限性包括：1、以往研究集中于在疫情严重时期对城市热环境评估，忽略了疫情是否会对城市热环境模式造成长期影响。虽然有研究发现了个别城市的SUHI在封锁政策后会出现快速反弹，但仍缺乏全国尺度对疫情影响城市热岛影响程度的长期且普遍的证据。2、尽管以往研究阐述了城市热环境的主要影响因素，但非疫情期间的城市热环境影响因素是否同样主导了COVID-19期间的热环境波动仍不清楚。
研究方法 | Methodology
本研究基于多源多时相高分辨率地表温度数据集，运用改进的z-score方法和多尺度地理加权回归模型，系统分析了中国40个城市COVID-19疫情期间与前期热异常的差异及其关联机制。同时，首次评估了40个城市疫情全年热岛强度波动特征，并在公共卫生一级响应期间，定量解析了受疫情影响程度差异下的土地利用热异常变化规律。通过评估各类潜在影响因素，推断了不同疫情影响城市热异常变化的共性与差异，结合不同用地类型内部热异常波动比较，归纳了疫情期间城市多尺度热异常变化模式，并量化了其主要驱动因子。
具体而言，使用Simplified urban-extent (SUE) 算法估计非疫情时期和疫情时期的SUHI强度（SUHII）变化。SUE通过将土地覆盖数据分为城市用地像素和农村像素（非城市非水体土地覆盖像素），并计算区域平均LST和农村平均LST之差作为SUHII。水体像素被移除的原因是因为水的高比热容会引起UHI强度在白天被高估。此外，在选择城乡像素时，避免了相对城市区域具有较大高程差的乡村像素。具体而言，高度差的上限阈值为50m。尽管基于SUE算法的SUHII已经过观测和理论的独立验证，但对于其是否参考了真正的农村仍然存在争议。然而，相比于传统的城市周围显式定义缓冲区的SUHI算法，基于SUE的方法更能客观地捕捉本研究所需要的由疫情导致的SUHI变化。
考虑到单一年份的城市热岛强度（SUHII）可能带来不确定性，本研究选择2017-2019年的SUHII作为非疫情期间的参考值。具体而言，利用2017年至2019年MYD11A2数据中所有无云日的地表温度（LST）数据，计算2020年对应日期的SUHII。因此，SUHII的变化定义为2020年SUHII与2017-2019年平均SUHII的差值：
其中，ΔSUHII表示2020年SUHII的变化。t代表2017年至2020年的日期，基于本研究中MYD11A2的所有无云日。如果某一天t在四年中存在云覆盖影像，则排除该日期的SUHII计算。
其次，使用2017年、2018年和2019年t日的SUHII差异作为基线，评估2020年对应t日SUHII的统计显著性差异。具体而言，计算2017年、2018年和2019年t日SUHII差异的均值和标准差，以定义非疫情期间SUHII的波动范围：
其中，n表示非疫情年份的数量，本研究为3；i表示非疫情时期的起始年份，本研究为2017。此外，t统计量表示为：
根据t统计量得出p值，以评估2020年t日的SUHII是否与非疫情期间相比存在统计显著性差异，最后计算2020年SUHII显著差异的天数占总天数的比例。
为绘制COVID期间各个城市内部的热异常情况，研究将2017-2019年对应时间（即非疫情期间）的LST作为人类正常活动的背景LST，进而估算受疫情影响的热环境波动。因此，研究将COVID-19期间和非疫情期间的LST z值之差作为衡量疫情期间热异常波动的指标。考虑到不同时期和不同地理位置的城市背景气候差异，基于每个城市的非绿地建成区域的LST平均值和标准差提取每个像素的LST z值。为了反映气候背景在不同城市的时空变化，我们允许LST背景值在各城市之间存在差异，并单独计算了每个城市内部的LST z值。
此外，为比较热异常的剧烈程度，我们参考以往对LST热异常的界定，定义了基于z值的热异常程度的阈值。
为计算受COVID-19影响的热异常波动的影响因素，研究采用多尺度地理加权回归模型（MGWR）。MGWR可用于考虑空间非平稳性的因子预测，因此可以解释因素的空间异质性对热环境的潜在影响。同时，相比于GWR，MGWR可能是一种更有效的方法，因为MGWR进一步考虑了因子的空间尺度的差异对结果的影响，这在涉及不同空间尺度的COVID-19传播和热环境波动中十分重要。例如DEM和ET等不同类型的数据集在受到COVID-19时而影响LST的波动过程可能不是相同的空间尺度。为估计不同地理位置和气候背景城市下的COVID-19对热环境的响应，我们分别对19个城市建立了单独的MGWR。由于嘉峪关的城市网格数量不能满足MGWR的模型需求，因此在此部分没有计算该城市。同时，将所有考虑的数据集统一重采样成为其中最低的空间分辨率（1km）以消除不同数据集空间分辨率的差异。所有模型都显示出了不错的AICc（1838.350±1067.377）和R2（0.769±0.106）。其中，佛山和扬州的R2较低。
核心结论 | Results
图 所选城市在疫情期间的地表热岛强度变化。2020年SUHII变化具有显著性的天数比例（a）以及其随着月份的平均值和双倍标准差的波动(b)。
2020 年，中国各城市在疫情期间表现出不同程度的 SUHII 变化，出现显著性 SUHII 变化的天数比例从 5%到 35%不等。同时，25%的城市受大流行影响而出现明显 SUHII 变化的天数比例低于 10%，32.5%的城市出现明显 SUHII 变化的天数比例高于 10%但低于 20%，42.5%的城市出现明显 SUHII 变化的天数比例高于 20%。虽然在疫情期间各城市的 SUHII 在某些日子出现了显著下降，但 2020 年全年各城市（除广州和太原外）的 SUHII 变化并没有产生统计学意义上的显著变化（P<0.01）。这表明大流行并没有对城市的热环境产生显著的长期影响。此外，基于气候带和纬度的 SUHII 双重结果表明，除了干旱气候区的城市外，2020 年的 SUHII 变化没有表现出明显的季节性波动。
图 以单个土地利用为单元的不同城市的四类土地利用受疫情影响的LST差异。考虑到不同时期影像的背景温度变化，疫情期间和非疫情期间的LST统计均减去了对应时期的整体LST均值。
与首次一级公共卫生事件应急响应期间受疫情影响和未受疫情影响的城市相比，受大疫情显著影响的城市的LST异常降低幅度更大，表明热异常更为明显。受疫情显著影响的城市的居住区、商业区、工业区和交通区的平均LST异常变化分别为-0.195°C、-0.371°C、0.043°C和-0.203°C。同样，受疫情显著影响的城市在热异常区域变化方面也表现出更大的空间异质性。受疫情影响的城市与未受疫情影响的城市之间的LST波动差异更大。此外，所有城市的不同土地利用类型受疫情影响的 LST 均有显著差异。在受疫情影响程度不同的城市中，受疫情影响较大的城市的住宅和商业用地的 LST 下降幅度最大且最稳定。虽然工业用地的平均 LST 变化最小，城市间差异同样不显著，但在疫情期间波动最大（所有城市平均为 0.051 ± 1.328°C）。基于不同气候背景的统计结果显示了类似的模式。
图 主要城市的四类土地利用受疫情影响的LST差异和z值差异（z_dif）统计。考虑到不同时期影像的背景温度变化，疫情期间和非疫情期间的LST统计均减去了对应时期的整体LST均值。a. 住宅用地在疫情前后的LST统计. b.商业用地在疫情前后的LST统计. c. 工业用地在疫情前后的LST统计. d. 交通用地在疫情前后的LST统计. e、f和g分别是受疫情影响显著、受疫情影响和不受疫情影响的代表性城市的土地利用分布. f、i和j分别是受疫情影响显著、受疫情影响和不受疫情影响的代表性城市的在疫情前后的z值差异。
图 疫情前后每个城市四类土地利用的不同热异常等级的面积变化。住宅用地（a）、商业用地（b）、工业用地（c）和交通用地（d）在疫情期间和非疫情期间的不同热异常区域进行相比，并对受疫情影响强弱的城市进行了分类。
上述两图说明了各城市在不同等级的热异常区域在疫情期间的变化情况。各个城市的住宅用地的所有热和冷异常区域普遍向无异常区域转移，且受疫情影响显著的城市在所有热和冷异常区域均表现出了更明显的减少，平均减少了7.5%。城市商业用地的热异常区域受疫情的波动变化模式与住宅用地非常相似。然而，在受疫情影响显著的城市中也有一些显著的区别，这些城市除哈尔滨外在冷异常和强烈冷异常区域面积呈现增加趋势，分别平均增加了22.9%和15.9%。相比于其他类型的土地利用类型，不同城市工业用地的热异常变化更小且更稳定。同时，工业用地的热异常区域向严重热异常区域和非严重热异常区域进行了转移，分别平均减少了1.5%和增加了6.1%和1.4%。值得注意的是，虽然受疫情影响城市的某些土地利用会表现出更加鲜明的热异常转移特征，但结果说明疫情导致了所有城市不同土地利用类型的热异常区域以不同形式进行了转移。
图 每个城市住宅用地、商业用地、工业用地和交通用地的潜在影响因素对疫情期间热异常变化的关联。未展示的结果表明该影响因子在该城市未通过显著性检验（p<0.01）。
生物物理参数变化对热异常变化的影响最强烈且随着城市疫情影响程度具有一致且显著的逆关系，但其他日波动因素的变化没有观察到与热异常波动有显著的关联。对于受疫情显著影响的城市，生物物理参数的变化对热异常变化多表现出显著正相关。然而，对于不受疫情影响的城市，生物物理参数的变化表现为负相关。植被覆盖率和不透水面覆盖率在部分城市的对热异常变化存在逆关系。在中国中部和北部平原城市，高程也是影响z值差异的主导因素（评估系数为-0.029±0.344）。同时，工业用地对这种现象更显著（评估系数-0.056±0.434），这表明相比于其他土地利用类型，工业用地在疫情期间的热异常变化更易受到高程的影响。
文章引用格式 | Reference：
Gao, J.F., Meng, Q.Y.*, Zhang, L.L., Hu, X.L., Hu, D. and Qian, J.K. 2025. Modeling the impact of pandemic on the urban thermal environment over megacities in China: Spatiotemporal analysis from the perspective of heat anomaly variations, International Journal of Applied Earth Observation and Geoinformation, 136. 104396
论文链接 | Link：
https://doi.org/10.1016/j.jag.2025.104396