(2024年4月25日)
图1 全球200个城市的地表城市热岛效应（SUHI）
世界上一半以上的人居住在覆盖地球陆地表面面积不到3%的局部热点地区。同时，由于全球变暖和城市化进程的共同影响，在足以危害健康的高温环境中暴露的人数不断增加（图1）。为了让全球城市以共同的方法和法规制定基于知识的策略以应对气候变化对城市增长和发展的影响，我们需要研究可以评估用于减少人口暴露于极端温度潜在干预策略的有效工具，并寻找高时空分辨率且接近气象数据的数据与方法。本研究通过建立空间模型来预测人口对极端温度暴露的绝对值。其中，人口暴露度被定义为：地表温度超过一定阈值的天数乘以受影响的人数。作者们提出了一种基于空间回归模型的方法，仅利用遥感数据来预测城市人口对极端地表温度的暴露。在空间回归模型中，使用植被覆盖率和像元与水体的距离作为预测指标，在200个不同气候的城市中进行测试并通过交叉检验证明其准确性。最后，利用研究结果来评估城市绿化举措在减少城市环境暴露方面的影响。具体方法包括以下四个步骤：1. 关键变量计算。研究中最为重要的三个变量为：人口暴露度（TE）、植被覆盖度（NDVI）、像元与水的距离（dw）。研究将人口暴露度分为早晨与夜晚，即被定义为LST超过一定阈值的早晨（夜晚）天数乘以受影响的人数。通过计算城市内像元的2002年至2022年LST分布的第90百分位数，作为地表温度阈值。人口数据来自欧盟全球人类住区层数据。LST数据与作为因变量的NDVI数据使用中分辨率成像光谱仪（MODIS）仪器获取的数据产品，数据预处理与下载均使用GEE平台。计算像元与水的距离的数据使用Global surface water数据集，以便提供随时间变化的水动态变化特征，并使用Guidos toolbox工具计算像素到水体的距离。2. 数据整合。本文基于全球200个城市的城市边界与城市环境边界，将计算所得的关键变量整合为1km×1km的网格数据。其中，城市边界数据使用的是来自欧盟全球人类住区层数据中的城市中心数据集GHS-UCD，并通过建立5km的矩形缓冲区确定城市环境边界。除此之外，本文使用ERA5的每日气象数据集确定2010年至2019年每个城市每年最热的三个月。3. 气候整合。使用柯本气候分类法将200个城市区域进行分类（图2）。柯本气候分类将气候分为五个主要气候带，每个气候带都根据季节性降水和温度模式进行划分，分别为干燥气候，温带气候、极地气候、亚热带气候、热带气候。![]()
图2 城市根据柯本气候分类定义的所在气候群组
4. 空间模型建立。研究中使用空间之后模型（SLM），该模型主要应用于具有空间自相关的数据上。空间自相关是指在控制了其他协变量后，因变量在空间单元上表现出非随机模式的情况。模型基于标准线性回归方程添加空间滞后因子。该因子基于空间加权矩阵W与空间依赖性ρ来确定观测值Y所受临近值的影响。其中，临近关系的定义方法为k最近邻法，且选择的8个临近值权重相等。
![]()
从2010年到2020年，城市人口对极端温度的暴露明显增加，且各个气候带的平均暴露天数几乎是不变的。研究显示了不同气候带各城市的人口暴露度的平均值（图3A），可以看到人口暴露度最高的地方主要集中在赤道附近，以及较为发达的沿海城市。研究还发现，随时间变化全球整体人口暴露度的整体趋势呈现上升（图3B），这可能主要是由城市化引起的；除此之外，整合相同气候带城市的平均暴露天数，可以发现不同气候带的平均暴露天数几乎是不变的（图3C）。空间滞后模型（SLM）与最小二乘法（OLS）相比可以更好的估算人口暴露度。考虑到地理数据的空间自相关性，本研究建立SLM模型模拟人口暴露度与植被覆盖率、像元到水体距离的关系。为了评估空间模型的性能，本研究通过k倍交叉验证，将200个城市分为训练集、验证集与测试集，并通过计算R2和平均绝对误差(MAE)来评估模型的准确性。研究表明，测试集的R2≥0.8（图4A）。尽管SLM模型较为简单，但仍能以较高的精度估算人口暴露度，且与OLS回顾模型对比，SLM的表现明显优于OLS模型（图5）。![]()
![]()
图5 SLM模型（A）与OLS模型（B）验证集中的平均绝对误差（MAE）与全局平均增加的植被覆盖率相比，在人口密集地区增加植被覆盖度可以大幅减少植被覆盖度，以达到减少相同人口暴露度的作用。研究使用SLM估计植被覆盖率NDVI增加所减少的人口暴露度，并且保持像元与水体距离的值固定于观测值。以巴黎城市区域为例（图6A），模拟全局NDVI<0.85的像元NDVI增加0.3，总NDVI增加量达到44%。结果表明，在全局情景下，总人口暴露度减少12%。之后针对80%城市人口所在地区增加NDVI，为达到同样的人口暴露度减少比例，需要该局部地区增加0.38，总NDVI增加量达到14%。
![]()
图6 巴黎城市区域内两种不同情景下增加NDVI以减少相同人口暴露度本研究在全球200个城市中进行以上实验，可以发现在不同气候带下，与全局均匀不同程度增加植被覆盖率相比，人口密集地区的植被覆盖率增加总量均有所减少。为研究全球200个城市全局与局部两情景对比的差异，首先同样设定全局NDVI增量为0.3进行实验。研究结果表明，热带气候的城市在人口暴露度减少效果最为显著（图7B），干燥气候的城市在全局相对植被覆盖率增加最多（图7C），但在所有城市中局部情景的植被覆盖率增量较为一致，约为0.45（图7D）。本研究还计算了全局NDVI不同增量的情况，结果表明，人口暴露度随着NDVI的增加而线性减少（图7E）。但其NDVI的相对节省量较为稳定，可以节省高达70%的绿化（图7F）。除此之外，与全局不同NDVI增量相比，局部情景在全局增量基础上增加约0.15就可以减少相同的人口暴露（图7G）。
图7 不同气候带下的城市人口暴露度减少量与两个情景下NDVI增量差异（其中c1 c2 c3 c4 分别对应亚热带、干燥、温带、热带四种不同气候带）
局部优化城市绿化空间可以不同程度的减少暴露于地表极端温度的人口数。本研究运用空间滞后模型进行建模，更好的拟合了地表温度人口暴露度与NDVI、像元与水体距离之间的关系。研究表明，在全球200个城市中，植被在减少城市人口暴露于极端地表温度方面发挥着相当大的作用。与全局均匀增加植被覆盖度相比，针对高人口密度地区局部增加植被覆盖度，可以大幅节省所需的总植被覆盖率，以减少相同的人口暴露。文章使用大尺度的方法进行研究，虽然模型拟合效果好，但对具体某一城市提供的信息较为局限。除此之外，
文章基于遥感数据，使用LST代替气温计算人口暴露度，只考虑使用NDVI来表征城市植被覆盖率，存在一定的误差与限制。Spatially-optimized urban greening for reduction of
population exposure to land surface temperature extremes
Abstract：
The population experiencing high temperatures in cities is rising due to anthropogenic
climate change, settlement expansion, and population growth. Yet, efficient
tools to evaluate potential intervention strategies to reduce population
exposure to Land Surface Temperature (LST) extremes are still lacking. Here, we
implement a spatial regression model based on remote sensing data that is able
to assess the population exposure to LST extremes in urban environments across
200 cities based on surface properties like vegetation cover and distance to
water bodies. We define exposure as the number of days per year where LST
exceeds a given threshold multiplied by the total urban population exposed, in
personday. Our
findings reveal that urban vegetation plays a considerable role in decreasing
the exposure of the urban population to LST extremes. We show that targeting
high-exposure areas reduces vegetation needed for the same decrease in exposure
compared to uniform treatment.
Citation：
Massaro, E., Schifanella, R., Piccardo, M. et al.
Spatially-optimized urban greening for reduction of population exposure to land
surface temperature extremes. Nat Commun 14, 2903 (2023).
https://doi.org/10.1038/s41467-023-38596-1
