多种人为热源排放对不同能源使用模式的沿海特大城市热应激和冷应激的影响

《Sustainable Cities and Society》：Effects of multi-source anthropogenic heat emissions on urban heat and cold stress across coastal megacities with contrasting energy-use patterns

　　**摘要**
气候变化和城市化显著增加了城市的能源消耗和人为热通量，然而，在极端条件下，量化的人为热排放（MS-AHE）在塑造城市热应力中的作用仍不明确。本研究调查了两个具有不同部门热排放特征的海滨特大城市：深圳（亚热带气候，以制冷为主）和天津（温带气候，以工业和供暖为主）。我们使用了一个包含月度和小时级变化的数据集，将人为热排放分解为建筑、工业、交通和代谢三类，并将其与天气研究和预报（WRF）模型及局部气候区（LCZ）地图动态耦合。通过通用热气候指数（UTCI）评估了典型热浪和寒潮期间的城市热应力。为了量化MS-AHE和土地利用/土地覆盖变化（LUCC）的相对作用，定义了LUCC效应为无MS-AHE情景与在相同大尺度强迫下城市表面被周围自然土地覆盖情景之间的差异。纳入网格化的人为热排放数据改善了2米空气温度（T2）和10米风速（W10）的模拟结果。在热浪期间，MS-AHE强度（QAH）与净全波辐射（Q*）的最大日平均比值在密集的高层建筑区域（LCZ1）达到0.37（深圳）和0.28（天津）。额外的显热提高了T2并加剧了LUCC引起的热应力，尤其是在夜间。在寒潮期间，MS-AHE在深圳市中心略微缓解了寒冷压力，但在天津则加剧了夜间寒冷压力，其中LCZ1的最大日平均QAH/Q*超过了0.8，平均UTCI下降了1.5°C。这些发现表明MS-AHE是一个时空异质性强的、特定于城市的熱风险驱动因素，强调了在预测城市水文气候极端事件时包含MS-AHE的重要性。

**引言**
近几十年来，快速的城市化和工业化使全球能源消耗大量集中在城市，现在城市占全球年能源使用的近70%（Perera等人，2023年）。人类活动如空间供暖和制冷、工业生产和交通向大气中释放了大量废热，通常称为人为热（AH），并通常量化为人为热通量（AHF，Sailor，2011年）。先前的评估表明，100个特大城市的平均AHF从1980年的6.54 W m?2增加到2018年的19.56 W m?2（Jin等人，2020年）。预计到本世纪中叶，全球城市人口将超过68%（联合国，2020年），由人类活动产生的AH将成为影响城市环境和气候的越来越重要的因素（Yuan等人，2022年）。AH是城市表面能量平衡（USEB）的关键组成部分，导致局部变暖，从而加剧了城市热岛（UHI）效应（Oke，1988年；Salamanca等人，2014年）。观测和数值研究广泛探讨了AH的天气和短期气候效应，包括其日变化和季节变化，并普遍报告AH与UHI之间的正相关关系，某些城市的温度升高超过1°C（例如，Doan等人，2019年；Singh等人，2022年）。尽管AH排放通常在白天更大，但其升温效应在夜间更为明显（Narumi等人，2009年；Schrijvers等人，2015年），特别是在冬季供暖期间（Feng等人，2014年；Ichinose等人，1999年；Wang等人，2015年）。除了温度变化外，AH还可以通过增强湍流、改变边界层稳定性、加强水分汇聚和影响区域降水模式来修改大气过程（Hu等人，2021年；Nie等人，2017年；Xia等人，2025年）。此外，额外的热输入可能加速光化学反应，导致地表臭氧和其他空气污染物的积累，从而恶化城市空气质量（Ryu等人，2013年；Zhan & Xie，2021年）。虽然UHI效应通常使用基于温度的指标进行评估，但人体热舒适度（HTC）取决于多种气象变量，包括空气温度、湿度、风速和辐射交换（Fischer & Knutti，2013年）。因此，仅使用空气温度或地表温度无法充分描述人类的热应力。相反，整合多种大气变量的指数可以更真实地反映人体热状况。从公共卫生的角度来看，热不适和相关的热或冷应力比UHI强度本身更为相关（Martilli等人，2020年）。先前的研究探讨了城市土地利用和土地覆盖变化（LUCC）对HTC的影响，特别是在炎热的夏季条件下，表明城市扩张通常会增加温度、降低湿度并加剧热应力（例如，Cao等人，2018年；Oleson等人，2015年；Zhong等人，2017年）。然而，很少有研究明确考虑了多源人为热排放（MS-AHE）的气候效应，包括来自建筑、工业、交通和人体代谢的贡献。因此，MS-AHE在塑造城市热应力中的作用，特别是在极端条件下，仍然理解不足（Doan等人，2019年；Khan等人，2025年）。城市气候建模的一个关键挑战在于准确表示城市尺度上MS-AHE的时空变异性（Singh等人，2022年）。许多数值研究使用年度能源消耗统计数据结合固定的日变化剖面来估算AHF，这限制了对季节变化和空间异质性的表示（Chen等人，2016年；Holst等人，2016年；Zhou等人，2025年）。此外，城市冠层模型（UCMs）通常只考虑与建筑相关的AH，如空调废热（ACWH），而忽略了其他重要来源，包括工业活动和交通排放（Mughal等人，2019年；Munck等人，2013年；Xin等人，2023年）。这些简化给城市气象和热环境的模拟带来了相当大的不确定性（Lu等人，2024年）。因此，提高MS-AHE估算的准确性对于推进大气建模和更好地理解城市气候与能源消耗之间的相互作用至关重要（Feng等人，2025年；Takane等人，2019年）。

**研究方法**
常用的三种估算MS-AHE的方法是：表面能量平衡残差法、建筑能量模型和基于清单的方法。残差法将AHF视为USEB中的剩余项，但它无法区分各个热源，并且对观测不确定性敏感（Pigeon等人，2007年；Sailor，2011年）。建筑能量模型根据建筑几何形状和运行参数估算排放量，尽管其性能强烈依赖于模型假设和输入数据（Salamanca等人，2010年；Vahmani等人，2022年）。基于清单的方法，包括“自下而上”和“自上而下”的方法，应用最为广泛（Jin等人，2020年；Sailor & Lu，2004年）。“自下而上”的方法依赖于详细的数据库，如能源消耗统计数据和交通流量，以提供高分辨率估算（Chow等人，2014年；Zhang等人，2020年）。相比之下，“自上而下”的方法使用人口密度或夜间灯光等代理将能源统计量分配到空间网格中（Allen等人，2011年；Dong等人，2017年；Qian等人，2022年）。最近，结合多源地理空间数据的机器学习技术通过捕捉非线性空间模式和提高时空分辨率显著改善了MS-AHE的估算（Ao等人，2024年；Feng等人，2025年）。

**研究背景**
海滨特大城市特别容易受到气候变化和城市化的综合影响，使其成为气候适应研究的关键区域。这些城市面临多种与气候相关的风险，包括海平面上升、热浪加剧和极端降水事件，这些风险可能因UHI效应和密集的基础设施而进一步放大（Wannewitz等人，2024年）。此外，城市化和沿海大气过程（如海风和海洋边界层动力学）之间的相互作用可能产生复杂且特定于位置的热应力模式（Halder & Garg，2025年；Wang等人，2025年）。因此，了解MS-AHE如何影响海滨特大城市的热应力对于改进气候风险评估和支持有效的适应策略至关重要。在这方面，深圳和天津提供了两个具有不同部门热排放特征的快速城市化海滨特大城市的代表例子（Li等人，2021年；Zhang等人，2016年；Yu等人，2026年）。深圳位于中国南部，具有亚热带气候，夏季炎热潮湿，导致大量电力消耗用于空调（AC）并产生大量建筑相关废热（Cao等人，2023年）。相比之下，天津是中国北部的主要工业中心，冬季寒冷干燥，严重依赖区域供暖和工业能源消耗。这两个城市都有大量的车辆，增加了大量的交通相关热排放。因此，MS-AHE可能在塑造当地气候中起关键作用。同时，近年来日益增加的区域气候风险引发了关于现有城市基础设施和系统是否能够充分应对极端天气事件的担忧，特别是对于脆弱人群（Dong等人，2025年；Qiao等人，2025年；Wei等人，2024年）。在持续的气候变化和生活水平提高的情况下，对空间制冷和供暖的能源需求以及相关的健康风险预计将进一步增加（Li等人，2024年；Jiang & Wei，2024年）。尽管存在这些担忧，但在比较这两个海滨特大城市的数值研究中，MS-AHE对城市热应力影响的研究仍不够充分。

**研究内容**
本研究采用五部分的工作流程来探讨MS-AHE如何在深圳和天津这两个具有不同部门热排放特征的海滨特大城市的热浪和寒潮期间调节城市热应力（图1a）。首先，我们回顾了关于AH对天气-气候影响的现有研究，发现了一个关键缺口，即缺乏对极端热应力中MS-AHE影响的定量归因，特别是在海滨特大城市中。为了评估改进后的WRF–SLUCM模型的性能，将三种情景（CONTROL、AH_default和NoAH）的T2、RH2和W10的每小时输出与站点观测值进行了比较。根据LCZ类型对深圳（36个站点）和天津（12个站点）的站点进行了分类，以更好地理解空间异质性。此外，使用均方根误差（RMSE）、平均偏差误差（MBE）和一致性指数（IOA；Willmott）定量评估了模型性能。

**MS-AHE的时空模式**
本节使用2020年7月和12月的四种热源（建筑（QAH_B）、工业（QAH_I）、交通（QAH_T）和代谢（QAH_M）的月度和每小时AHF数据，描述了深圳和天津MS-AHE的时空模式（图4）。QAH_B的空间分布广泛，在市中心达到峰值，而QAH_M的模式类似但较弱。相比之下，QAH_I集中在工业园区，QAH_T与主要交通路线一致。

**讨论**
我们的结果表明，MS-AHE不能被视为一个时空均匀的背景热源，因为其大小和组成与当地能源使用结构紧密相关。深圳和天津之间不同的部门模式主要反映了城市经济功能和季节性能源需求的差异。在深圳，7月份建筑相关排放的主导地位与亚热带沿海气候的强烈制冷需求一致（图2c）。尽管在快速城市化和能源消耗增加的背景下，MS-AHE成为城市大气中越来越重要的热强迫因素，但在城市气候模型中经常被简化或忽略。这一限制阻碍了对极端事件期间特定城市热风险的准确评估。通过将一个动态变化且按行业划分的多尺度大气化学（MS-AHE）数据集整合到WRF–SLUCM框架中，本研究探讨了MS-AHE如何调节典型情况下的热应力。