本推文来源：土地科学文献传递
主题：风险评估（Risk assessment）、人工神经网络（Artificial neural network）、城市热岛（Urban heat island）、城市群（Urban agglomeration）本文发表在国际期刊Urban Climate，2023年第49卷上，第一作者为北京大学城市与环境科学学院地表过程教育部重点实验室的Lan Tianhan，通讯作者为北京大学城市与环境科学学院地表过程教育部重点实验室的彭建教授。
随着全球城市化步伐的加快，从城市群的角度提高对城市热岛（UHIs）的理解非常重要。许多研究对中国城市群的区域尺度城市热岛进行了考察。城市群被定义为空间组织、经济联系和高度一体化的城市群，是21世纪全球城市化的最突出特征，复杂的土地结构变化对城市热岛的影响值得关注。与单个城市相比，城市群可以通过减少城市之间的距离来显著改变热环境。众所周知，土地利用变化和人口增长会影响热岛效应，风险评估和适应已成为城市热岛效应研究的重点。基于以上考虑，文章研究旨在：（1）建立人工神经网络模型，对地表温度进行空间模拟；（2）在假设的减排和资本主义政策情景下，预测80年（至2100年）长株潭（CZT）城市群的地表温度（图1）；（3）评估城市热岛效应的时空风险。
1.提出了一种快速、简单的方法来预测 2100 年城市热岛效应。2.热岛面积将减少30%-34%，强度将增加29%-36%。3.在最严格的限制情景下，受影响人口将增加414万。
4.人口暴露对城市热岛效应风险的影响大于城市热岛危害。在文章中，地表温度（LST）数据来源于美国宇航局（NASA）的Moderate-Resolution Imaging Spectroradiometer (MODIS) 8-Day数据，空间分辨率为1km。土地覆盖数据来源于2015年和2020年的数据来自GLC_FCS30数据集和GLC_FCS30-2020数据集，由Liu等人开发。未来的土地覆盖数据（2040、2060、2080和2100年）来自国家地球系统科学中心的FROM_GLC_Simulation数据集，空间分辨率为30米。
2015年和2020年的人口数据来自WorldPop，未来的人口预测数据（2040、2060、2080和2100年）来自Chen等人的研究。数字高程模型（DEM）空间分辨率为1km，来源于中国资源与环境科学数据中心。本文根据气候变化和人口政策的预期变化，构建了三种不同的未来情景，这些情景结合了代表性浓度路径（RCPs）和共享社会经济路径（SSPs）。这些情景旨在探索未来土地覆盖和人口变化对城市热岛效应的可能影响。具体情景包括，RCP2.6-SSP1：碳排放非常低，人口在达到峰值后下降。RCP4.5-SSP2：碳排放有一定程度的限制，人口保持稳定。RCP4.5-SSP3：碳排放有一定程度的限制，但人口继续增长。图2显示了人工神经网络模型的训练、验证和投影过程。构建了一个包含两个隐藏层的BP神经网络，第一层有8个神经元，第二层有4个神经元。网络通过前向传播和反向传播误差进行训练。使用训练和验证后的模型，输入未来的土地覆盖、人口和海拔数据，预测2040年至2100年的LST和UHI强度。预测的UHI强度被分为不同的级别，以量化UHI的变化范围和强度。
（图片来自原文）
研究采用了政府间气候变化专门委员会（IPCC）第五次评估报告（AR5）提出的风险评估框架，该框架用于评估热风险。研究假设未来对UHI效应的脆弱性保持不变，通过结合两个因素来量化UHI效应的风险：UHI强度和生活在热岛区域的人口（population exposure）。通过将UHI强度和人口计数图层进行空间叠加，识别出暴露于热岛（包括弱热岛、中度热岛和强热岛）的人口数量和比例。然后，根据公式（1）在被识别为热岛的区域量化风险值，风险值的范围为0到1
。
其中Ri为第i栅格的热岛效应风险，Hi为第i栅格的热岛强度，Ei为第i栅格的人口数。Hi和Ei均采用极大极小归一化方法进行归一化。根据影响因素与LST的相关性分析（表2），除草地和湿地的百分比因系数不显著外，其余7个变量输入ANN模型进行模拟。调整隐含层和神经元参数后，确定网络结构（图3a），其中包含两个隐含层，分别包含8个和4个隐含神经元。图3b-e为输出值
YS（即模拟LST）与目标值YO（即观测LST）的相关性。总体R为0.86(即R2 = 0.74)，表明人工神经网络模型可以解释2020年LST高达74%的方差。均方根误差(RMSE)为1.10℃。训练、验证和测试样本的散点图非常接近最佳拟合线，这表明响应变量(LST)与预测变量之间存在很强的相关性。基于2015年数据集的ANN模型验证如下:根据2015年模拟的LST和城市边界，确定了2015年城市热岛强度。根据2015年的观测值和模拟值进行普通最小二乘回归。如图4所示，R2为0.70,RMSE为1.29℃，表明该ANN模型可以解释2015年LST高达70%的方差，具有良好的泛化能力。
（图片来自原文）
三种情景下2020年的观测LST和模拟LST如图5所示。图6显示了2020年的热岛强度和预测的未来热岛强度，按等间隔划分为7个级别。未来情景的热岛强度与2020年的情况呈现相对一致的空间格局。所有热岛主要分布在长沙、株洲和湘潭的不透水地表，覆盖面积连续较大。此外，在周边地区也有一些零散的小热岛。当前期和未来热岛效应的差异主要体现在范围和强度上。
根据不同程度热岛强度暴露的人口(图8)，在S1情景下，2040年受热岛影响的人口预计将达到14.17百万，是2020年的2.43倍。尽管受弱热岛（WH）影响的人口数量减少了2.51百万，但受中度热岛（MH）和强热岛（SH）影响的人口总数增加了10.85百万，其中受SH影响的人口比例为48.43%。到2100
年，受热岛影响的人口将逐渐减少到9.97百万，占总人口的95.10%，其中SH的比例降至37.1%。S2情景下的结果与S1类似，但受热岛影响的总人口在2040年后减少得更慢。到2100年，受热岛影响的人口将有11.89百万（约占总人口的93.77%），其中43.10%暴露于SH。在S3情景下，受热岛影响的人口将不断增加，到2100年达到16.42百万（约占总人口的92.51%），其中受SH影响的人口比例为50.79%。4.
热岛效应的风险评估
计算并绘制了热岛效应带来的风险（图9a-m）。在空间格局上，各热岛区域在不同情景下的分布与现状相似，主要分布在三个城市的城市核心。然而，预计热岛效应风险的严重程度将大幅增加。具体而言，2020年所有网格的风险值均<0.2，而三种情景下风险值>0.2的区域约占总面积的12%。
分别分析热岛危害和人群暴露对热岛效应风险的贡献，有助于进一步制定降低热岛效应风险的策略。图10显示了这两个因素的贡献率。确定贡献大于50%的因素为主导因素。具体而言，约80%的面积以人口暴露为主，主要分布在三个城市的中心区域。以城市热岛灾害为主的区域较少，且主要分布在城市周边。这表明CZT城市群的高风险主要是由于未来人口的大量增加，城市外围地区热岛强度的变化也值得高度关注。
总之，在所有三种情景下，未来80年发生热岛效应的风险都可能大幅增加。与热岛危害相比，人群暴露在更大程度上增加了热岛效应的风险。在城市化的趋势下，许多人将暴露在更热的城市地区，这对城市热岛效应的风险提出了重大挑战，并对城市和城郊地区的热应激缓解设施提出了更大的需求。
本研究通过构建基于人工神经网络的模型，对中国长沙-株洲-湘潭城市群未来至2100年的城市热岛效应进行了预测和风险评估。研究考虑了碳中和和鼓励生育政策等气候-社会经济因素，构建了三种不同的未来情景。研究结果可以为政策制定者提供关于如何通过城市规划和气候变化适应策略来减轻UHI效应风险的见解。
