大数跨境

Building and Environment|北方滨海城市哪里更冷、哪里更热?寒冷沿海城市冬夏季热环境权衡与LCZ空间异质性

Building and Environment|北方滨海城市哪里更冷、哪里更热?寒冷沿海城市冬夏季热环境权衡与LCZ空间异质性 生成式AI智能模型
2026-10-06
4

Building and Environment 290 (2026) 114130

Winter-summer trade-offs and spatial heterogeneity of the urban thermal environment in a cold coastal city: A Local Climate Zone-based in coastal city


Sheng Xu, Fei Guo*, Peisheng Zhu, HongChi Zhang, WeiSi Li, ShiYu Miao, Jun Zhao, Jing Dong

01 研究背景

在全球气候变暖和快速城市化背景下,城市户外热环境风险正在加剧。然而,寒冷沿海城市中关于冬夏季热环境权衡效应的研究仍非常有限——城市热环境既关乎夏季高温热浪,也关乎冬季严寒对户外健康与活动的影响。
传统城市热环境研究多以单一城市、单一季节为对象,往往聚焦夏季城市热岛,对冬季冷应力以及冬夏季之间的“此消彼长”关注不足。与此同时,城市内部不同街区形态(建筑高度、密度、地表覆盖、通风条件)之间的热环境差异巨大,仅靠城市平均值会平滑掉这种局地异质性。
局地气候区(Local Climate Zones, LCZ)分类体系以建筑密度、高度、地表覆盖、绿化等物理属性为基础,为不同城市之间的热环境横向比较提供了统一框架。人体热舒适方面,通用热气候指数(UTCI)和生理等效温度(PET)是最常用的两个综合指标,但二者在寒冷沿海城市冬夏季表现是否一致、谁更敏感,仍缺乏系统实测证据。
基于此,本研究以典型寒冷滨海城市——大连为对象,通过机器学习生成高分辨率LCZ地图,并在冬夏两季开展多站点同步实测,系统刻画不同LCZ之间冬夏季热环境的差异、权衡关系与主导气象驱动因子。

研究重点回答以下四个问题:

  • 寒冷沿海城市不同LCZ之间的冬夏季热环境差异有多大?是否存在“冬冷夏热”的复合不利形态?
  • UTCI与PET两个常用热舒适指数在不同季节、不同LCZ上的表现是否一致?谁的判别力更强?
  • 冬夏季主导人体热环境的气象因子是否发生反转?风速、太阳辐射、气温、湿度分别在哪个季节起决定作用?
  • 哪些街区类型应成为寒冷沿海城市气候适应型规划与设计的优先干预对象?

02 研究方法

研究构建了“LCZ制图—多源数据采集—冬夏异质性分析—结果解释”的四步技术路线:先基于多源遥感与街景数据生成研究区LCZ地图,再在冬夏极端天气窗口开展同步现场实测,最后用非参数统计与多元线性回归识别不同LCZ、不同季节下的热舒适差异与驱动因子。
图1 本研究的技术路线
(1)高分辨率LCZ制图与现场测点选择
LCZ分类数据:基于大连市中心城区高分辨率遥感影像与GIS数据,提取建筑高度(AH)、容积率(FAR)、天空开阔度(SVF)、建筑密度(BD)、归一化差值植被指数(NDVI)、归一化差值建筑指数(NDBI)、夜间灯光(NL)、兴趣点(POI)、地表粗糙度长度(URL)等9个特征变量,经标准化后采用K-means++聚类生成LCZ地图。聚类数目k结合SSE肘部法则与人工形态判读确定,最终划分出11类建成区LCZ与6类自然表面LCZ;基于SVM-RF分类器的总体精度达到0.95。
实测点选取:在分类结果中进一步筛选8类典型LCZ作为实测对象,共布设32个测点,覆盖LCZ1(紧凑高层)、LCZ2(紧凑中层)、LCZ4(开放高层)、LCZ5-1(中层开阔)、LCZ8(中层低层+低植被覆盖)、LCZ9(低层+高植被覆盖)、LCZ10(中层密集)以及LCZLVC(低植被覆盖区)。测点兼顾典型形态与人口活动强度。
图2 研究区域区位——辽宁省大连市
图3 大连LCZ分类结果与现场实测点布局
(2)冬夏季现场实测方案
气象背景:基于ERA5-Land再分析数据,大连日平均气温从12月起显著下降,1月最低,2月回升,7-8月最高。研究分别选取2025年1月(冬季)与8月(夏季)作为实测窗口。冬季1月6-7日观测LCZ1、LCZ2、LCZ4、LCZLVC,1月11—13日补测LCZ8、LCZ9、LCZ10;夏季8月21-22日观测LCZ1、LCZ2、LCZ4、LCZLVC,8月26-27日补测LCZ5-1、LCZ8、LCZ9、LCZ10。观测窗口冬季为09:00—17:00(8 h),夏季延长至09:00-21:00(12 h),以捕捉夜间热岛活动。
仪器布置:所有传感器统一安装在距地面1.2 m的行人呼吸高度,以1 min间隔连续记录气温(Ta)、相对湿度(RH)、风速(Va)、黑球温度(Tg)、太阳辐射(SR)等,用于计算UTCI与PET。每点采用“小时轮换”法,观察员按预设时间表逐点移动,减少设备漂移与局地干扰。
图4 大连2015—2024年逐日气温变化(粉色为8月最热月,紫色为1月最冷月)
图5 现场实测仪器布设与无人机航拍照片
(3)UTCI/PET计算与统计分析方法
热舒适指标计算:基于实测气象数据计算UTCI与PET。PET计算中,冬季人体参数取服装热阻clo=1.9(厚外套、厚长裤)、代谢率1.9 met;夏季取clo=0.6、代谢率1.9 met。原始1 min数据经清洗、插值后聚合为10 min序列用于绘图与统计。
统计检验:采用Kruskal-Wallis H检验比较不同LCZ之间的差异,显著后用Dunn多重比较两两配对检验。进一步以LCZ、季节、时段为因子,建立多元线性回归(MLR)模型,识别对UTCI/PET贡献最大的气象驱动变量。模型采用方差膨胀因子(VIF)共线性诊断、Shapiro-Wilk正态性检验与Breusch-Pagan异方差检验,并报告R²、RMSE、MAE及5折交叉验证结果。

03 主要结果

(1)冬季:风速是“隐形主导者”,开放高层最寒冷、城市广场最不冷
冬季所有LCZ的UTCI中位数均低于0 ℃,整体处于冷应力区间;其中LCZ4(开放高层)最冷,中位数−12.7 ℃;LCZLVC(低植被覆盖广场/硬化地)反而最温和,中位数仅−5.6 ℃,与直觉相反。
从日变化看,PET在中午前后(约12:00-14:00)达到峰值,夜间迅速回落。LCZLVC(城市广场/硬质铺装)因白天太阳直射下蓄热好,PET中位数高达9.80 ℃,明显高于其他类型;LCZ4(开放高层)中位数仅−3.2 ℃,LCZ2(紧凑中层)−2.35 ℃,LCZ1(紧凑高层)−1.9 ℃,呈现“高密商业街区虽冷但因避风而稍缓、开放街道因迎风而更寒”的格局。
极端冷应力方面,LCZ4-T最低UTCI达−41.90 ℃,LCZ2-T达−31.60 ℃,是冬季最危险的两类形态。多元回归显示,冬季所有LCZ中风速(Va)都是最强的负向驱动因子,标准化回归系数达−7.396(LCZLVC)至−4.612(LCZ4);太阳辐射的贡献为正向但较弱。这意味着冬季冷应力主要来自“风寒效应”,而非单纯气温。
图6 冬季各LCZ实测PET逐时变化
图7 冬季各LCZ实测UTCI逐时变化
(2)夏季:太阳辐射主导热应力,LCZ4/LCZ2出现午后极端高温
夏季午间12:00—15:30是全天热应力高峰,不同LCZ之间UTCI/PET差异最大;16:00后曲线迅速收敛。LCZ4(开放高层)PET峰值高达47.6 ℃,LCZLVC(低植被覆盖硬质地)达47.3 ℃,LCZ2(紧凑中层)43.4 ℃;而LCZ10(中层密集)峰值仅37.4 ℃,是夏季相对最舒适的类型。
从日过程看,夏季UTCI呈现“早晨快速上升——午后峰值——傍晚骤降”的规律。LCZ4-T(开放高层)最大UTCI达42.1 ℃、LCZ2-T达38.5 ℃,与LCZ9-T(低层高覆盖)的25.0 ℃形成强烈反差。回归结果显示,夏季太阳辐射(SR)是所有LCZ最强的正向驱动因子,标准化回归系数最高达2.567(LCZLVC);其次是气温(Ta)。这意味着夏季热风险主要由“辐射暴露+建筑蓄热”放大,通风改善的边际作用相对有限。
图8 夏季各LCZ实测PET逐时变化
图9 夏季各LCZ实测UTCI逐时变化
(3)冬夏权衡:紧凑高层“冬天更冷、夏天更热”,绿化覆盖区表现最稳定
Kruskal-Wallis与Dunn检验显示,所有LCZ之间在冬夏季UTCI/PET上均存在显著差异(p < 0.001)。H统计量冬季UTCI为272.465、PET为162.555;夏季UTCI为169.509、PET为189.843。配对比较进一步揭示了清晰的季节反转格局:
  • 紧凑高层类(LCZ1、LCZ2、LCZ4):冬季最冷(风速放大风寒),夏季最热(蓄热+辐射暴露),属于典型的“冬冷夏热”双输类型;
  • 低植被覆盖硬质地(LCZLVC):冬季白天相对温暖,但夏季因无遮荫而热应力极端高;
  • 低层高覆盖类(LCZ5-1、LCZ9、LCZ10):冬夏季波动都较小,季节间最稳定,可作为寒冷沿海城市气候适应性设计的“参照基线”;
  • LCZ8(大尺度低层+低覆盖):冬季与LCZ4类似偏冷,但夏季反而因通风较好而未出现极端峰值,属于“冬冷夏尚凉”类型。

图10 冬夏季PET的Dunn多重比较热图(上三角=夏季、下三角=冬季,颜色越深差异越显著)

图11冬夏季UTCI的Dunn多重比较热图
(4)UTCI更适合冷季判别,PET更适合暖季刻画
回归拟合优度显示:冬季UTCI模型R² = 0.74-0.95,PET模型R² = 0.77-0.97;夏季UTCI R² = 0.924-0.989,PET R² = 0.812-0.956。整体上两个指数都能很好解释热环境变异,但各有擅长:
  • UTCI在冬季各LCZ中R²更高、对风速的响应更敏感,更适合做寒冷沿海城市冷应力风险识别与优先级排序;
  • PET在夏季对太阳辐射、湿度的响应更丰富,更适合做暖季热舒适精细化评估与遮荫/通风方案筛选;
  • 作者建议在寒冷沿海城市采用“UTCI为主—PET为辅”的双指数组合策略:用UTCI做LCZ冬夏风险排序,再用PET对候选干预区做精细化方案评价。
(5)规划启示:冬季干预应优先于夏季降温
一个反直觉的发现是:在寒冷沿海城市,LCZ之间的热环境差异在冬季往往比夏季更大、更难通过改造缓解。紧凑高层与开放高层(LCZ2、LCZ4)在冬季承受的风寒暴露,是同区域夏季热负荷难以直接对冲的。因此,未来气候适应型规划不应只做“降温导向”的城市热岛治理,而应把冬季防风、避风作为同等重要甚至优先的设计目标——尤其是在LCZ4、LCZ2这类冬夏双输的街区。

04 研究创新点

(1)首次在寒冷沿海城市用多站点冬夏同步实测刻画LCZ热环境的季节权衡。不同于以往聚焦夏季热岛的单季研究,本研究在同一城市、同一套LCZ分类下系统比较冬季与夏季,识别出“冬冷夏热”复合不利形态与“全年稳定”缓冲形态。
(2)在统一框架下对比UTCI与PET两个指数的季节适用性。基于相同实测数据、相同LCZ样本,定量给出UTCI在冷季更敏感、PET在暖季更精细的证据,为后续研究选择指标提供了直接依据。
(3)揭示“冬风速—夏辐射”的季节反转驱动机制。冬季所有LCZ中风速是最强负向因子,夏季太阳辐射是最强正向因子;同一形态在两个季节面临完全不同的物理挑战,不能用单一通风/遮荫策略应对全年。
(4)提出寒冷沿海城市“冬季优先”的气候适应规划接口。识别LCZ4、LCZ2为冬季防风改造的优先对象,LCZ5-1/LCZ9/LCZ10作为气候适应性设计的参照模板,可直接衔接街区微气候模拟与设计工具。

05 实验所用的具体技术、壁垒与仪器信息

(1)具体技术(壁垒门槛和难度)
高分辨率LCZ多源数据融合:需要同时整合建筑GIS、遥感NDVI/NDBI、夜间灯光VIIRS/DNB、街景POI等多源数据,所有变量在聚类前必须标准化,并通过BD阈值区分建成/非建成像元。K-means++的k值选择、Mahalanobis距离度量、SVM-RF混淆矩阵(总体精度0.95)验证都是关键技术环节。
冬夏极端天气窗口的同步实测组织:8类LCZ、32个测点分冬夏4个观测批次完成,每点8—12小时连续观测,需要在最冷/最热天气窗口内完成点位轮换、设备同步、数据质控与缺失补全。观察员每小时换点,对团队组织与仪器稳定性要求高。
双热舒适指数并行计算与气象归因:同时计算UTCI与PET,需按冬夏分别设置服装热阻(clo1.9 vs 0.6)与代谢率参数;再用多元线性回归+VIF+正态/异方差检验+5折交叉验证识别主导因子。难点在于不同LCZ、不同季节的回归方程需要分别拟合,且要保证系数方向与物理机制一致。
(2)所用仪器及数据平台
现场热舒适仪:HD32.3TC Thermal Comfort Meter(Delta OHM, 意大利),同步测量空气温度、相对湿度、风速与黑球温度,用于计算UTCI与PET。所有传感器统一安装于距地面1.2 m高度,1 min采样间隔。
辅助验证仪器:HOBO MX2301温湿度记录仪与Kestrel NK55000风速仪在部分点位并行观测,作为替补与质控对照;DJI Spark无人机用于获取点位街道形态与交叉检查照片。论文说明仪器满足ISO 7726、ISO 7730、ISO 7243及ASHRAE Standard 55相关国际标准。
数据来源与平台:气象背景数据来自ERA5-Land再分析;LCZ分类基于遥感影像+GIS+街景数据在Python环境下完成;统计分析使用SPSS与Python(含GraphPad Prism做图)。
本研究主要成本更多体现在长期现场实测组织、多季节多批次同步观测以及双指数并行的数据处理与统计建模上。
论文信息

Xu, S., Guo, F., Zhu, P., Zhang, H., Li, W., Miao, S., Zhao, J., & Dong, J. (2026).

Winter-summer trade-offs and spatial heterogeneity of the urban thermal environment in a cold coastal city: A Local Climate Zone-based in coastal city.

Building and Environment, 290, 114130.

DOI: 10.1016/j.buildenv.2025.114130

【声明】内容源于网络
0
0
生成式AI智能模型
人工智能学习,ChatGPT技巧,Dalle技巧,生成式人工智能学习
内容 16
粉丝 0
生成式AI智能模型 人工智能学习,ChatGPT技巧,Dalle技巧,生成式人工智能学习
总阅读321
粉丝0
内容16