Früher|Nächster

Schätzung des jährlichen anthropogenen Wärmeflusses auf 500 m in der städtischen Gruppe der Zentralen Ebene und Analyse der zeitlich-räumlichen Entwicklung

  • role： First author第一作者
  • Affiliation：

    College of Geological Engineering and Geomatics, Chang'an University, Xi'an 710054, China

    School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079, China

  • Email：514714375@qq.com
  • Introduction：沈舒蔓，研究方向为城市热环境。E-mail：514714375@qq.com
SHEN Shuman12,  
  • role： Corresponding author通信作者
  • Affiliation：

    College of Geological Engineering and Geomatics, Chang'an University, Xi'an 710054, China

  • Email：gaomeiling@chd.edu.cn
  • Introduction：高美玲，研究方向为多源数据融合及城市热环境应用。E-mail：gaomeiling@chd.edu.cn
GAO Meiling1*,  
  • Affiliation：

    School of Resource and Environmental Sciences, Wuhan University, Wuhan 430079, China

LI Huifang2,  
  • Affiliation：

    College of Geological Engineering and Geomatics, Chang'an University, Xi'an 710054, China

    State Key Laboratory of Loess Science, Xi'an 710054, China

LI Zhenhong13

Resümee

Anthropogene Wärmefluss (AHF) ist die Gesamtmenge an Wärme, die in einer bestimmten Zeitspanne auf einer Einheitsfläche durch anthropogene Wärmeemissionen erzeugt wird. Die Untersuchung der räumlichen und zeitlichen Verteilung des AHF trägt dazu bei, das Entstehen und den Wandel des städtischen Wärmeumfelds zu verstehen und hat auch eine wichtige theoretische und praktische Bedeutung für die Milderung und Regulierung von Problemen im städtischen Ökosystem. Um die räumliche Verteilung der anthropogenen Wärmeemissionen in einer regionalen Stichprobe zu erhalten und eine Analyse der zeitlichen und räumlichen Entwicklung der anthropogenen Wärmeemissionen in der städtischen Gruppe der Zentralen Ebene durchzuführen, schätzt diese Studie zunächst den Wärmefluss der Städte auf Basis von modifizierten Quelleninventar, und kombiniert dann POI-Daten, Nachtlichtdaten, Gebäudehöhendaten sowie Bevölkerungsverteilungsdaten usw., um verschiedene Schätzmodelle anthropogener Wärmeemissionen durch multiple lineare Regression zu konstruieren. Es wurden jährliche anthropogene Wärmeemissionsdaten von 2016 bis 2021 mit einer räumlichen Auflösung von 500 Metern für die städtische Gruppe der Zentralen Ebene erfasst und eine Analyse der räumlichen Merkmale der anthropogenen Wärmeemissionen durchgeführt. Die Ergebnisse der Studie zeigen: (1) Die multiple lineare Regression ist bei der Rasterung von AHF ziemlich praktikabel und die erhaltenen Anpassungsmodelle weisen eine hohe Anpassungsgenauigkeit auf, wobei die Bestimmtheitsmaße (R²) alle über 0,9 liegen, wobei das Anpassungsmodell für Gebäude-AHF die höchste Genauigkeit aufweist, mit einem R² von 0,98; (2) Die Beteiligung von POI an der Rasterzuweisung anthropogener Wärmeemissionen kann die räumliche Heterogenität der Wärmeemissionen verschiedener Typen gut widerspiegeln und ist eine wichtige Datenquelle für die Schätzung der räumlichen Verteilung von AHF aus verschiedenen Wärmequellen; (3) Die räumliche Verteilung des AHF in der städtischen Gruppe der Zentralen Ebene ist ungleichmäßig, wobei in wirtschaftlich entwickelten Zentren mit flachem Relief und hoher Urbanisierung in den Stadtgruppenzentren Hochwertbereiche entstehen und insgesamt im zeitlichen Verlauf einen Anstiegstrend aufweisen. Die erfassten Daten zur räumlichen Verteilung der anthropogenen Wärmeemissionen können als Datenreferenz für die Bewertung des städtischen Wärmeumfelds und die Simulation des städtischen thermischen Komforts dienen.

Schlüsselwort

Anthropogene Wärme; POI-Daten; Nachtlicht; Raumdaten mehrerer Quellen; menschliche Aktivität; multiple lineare Regression; Inventar von Quellen; städtische Gruppe der Zentralen Ebene; zeitlich-räumlicher Wandel

References

  1. 1.
    Cai Y L, Cao S S, Du M Y, Li S F and Chen S S. 2021. Estimation and analysis of driving factors of total AHF in prefecture-level of China. Journal of Geo-information Science, 23(3): 405-418
  2. 2.
    Chen B, Chen L F, Dong L and Shi G Y. 2016. Estimating the global distribution of anthropogenic heat release and exploring its possible climatic effect. Chinese Journal of Atmospheric Sciences (in Chinese), 40(2): 289-295
  3. 3.
    Chen F, Yang X C and Wu J J. 2016. Simulation of the urban climate in a Chinese megacity with spatially heterogeneous anthropogenic heat data. Journal of Geophysical Research: Atmospheres, 121(10): 5193-5212
  4. 4.
    Chen Q, Yang X C, Ouyang Z T, Zhao N Z, Jiang Q T, Ye T T, Qi J and Yue W Z. 2020. Estimation of anthropogenic heat emissions in China using Cubist with points-of-interest and multisource remote sensing data. Environmental Pollution, 266115183
  5. 5.
    Chen S S and Hu D Y. 2017. Parameterizing Anthropogenic Heat Flux with an Energy-Consumption Inventory and Multi-Source Remote Sensing Data. Remote Sensing, 9(11): 1165
  6. 6.
    Chen Y P and Zheng B H. 2021. Study on the Impact of Human Heat Emission on the Urban Thermal Environment of Changsha Zhuzhou Xiangtan Urban Agglomeration. Resources and Environment in the Yangtze Basin, 30(7): 1625-1637
  7. 7.
    Chi J, Jiao L M, Dong T, Gu Y Y and Ma Y L. 2016. Quantitative Identification and Visualization of Urban Functional Area Based on POI Data. Journal of Geomatics, 41(2): 68-73
  8. 8.
    Doan V Q, Kusaka H and Nguyen T M. 2019. Roles of past, present, and future land use and anthropogenic heat release changes on urban heat island effects in Hanoi, Vietnam: Numerical experiments with a regional climate model. Sustainable Cities and Society, 47101479
  9. 9.
    Feng B J, Wang W W, Huang Z J, Wang X M and Chang M. 2021. An analysis of evolution trend and uncertainty of anthropogenic heat emissions in the Pearl River Delta Region. Acta Scientiae Circumstantiae, 41(6): 2291-2301
  10. 10.
    Flanner M G. 2009. Integrating anthropogenic heat flux with global climate models. Geophysical Research Letters, 36(2): 2008GL036465
  11. 11.
    Gansu Provincial Bureau of Statistics. 2016-2021. Gansu Development Yearbook. Beijing: China Statistics Press
  12. 12.
    Hu D Y. 2019. Urban Remote Sensing: Elements, Forms and Functions. Beijing: Science Press
  13. 13.
    Iamarino M, Beevers S and Grimmond C S B. 2012. High‐resolution (space, time) anthropogenic heat emissions: London 1970–2025. International Journal of Climatology, 32(11): 1754-1767
  14. 14.
    Jing C S. 2022. Study on Temporal and Spatial Distribution of Anthropogenic Heat in the Main Urban Area of Xi'an City. Xi'an: Xi'an University of Architecture and Technology (景晨思. 2022. 西安市主城区人为热的时空分布特征研究. 西安: 西安建筑科技大学)
  15. 15.
    Leng J F, Gao X and Zhu J P. 2016. Application of multiple linear regression statistical prediction models. Statistics and Decision, (7): 82-85
  16. 16.
    Li F, Yan Q W, Zou Y J and Liu B L. 2021. Extraction Accuracy of Urban Built‐up Area Based on Nighttime Light Data and POI: A Case Study of Luojia 1‐01 and NPP/VIIRS Nighttime Light Images. Geomatics and Information Science of Wuhan University, 46(6): 825-835
  17. 17.
    Linfen Municipal Bureau of Statistics. 2016-2021. Linfen Statistical Yearbook. Beijing: China Statistics Press
  18. 18.
    Lin Z L and Xu H Q. 2020. Anthropogenic Heat Flux Estimation Based on Luojia 1-01 New Nighttime Light Data: A Case Study of Jiangsu Province, China. Remote Sensing, 12(22): 3707
  19. 19.
    Ming Y J, Liu Y and Liu X. 2022. Spatial pattern of anthropogenic heat flux in monocentric and polycentric cities: The case of Chengdu and Chongqing. Sustainable Cities and Society, 78103628
  20. 20.
    National Bureau of Statistics. 2016-2021. China Energy Statistical Yearbook. Beijing: China Statistics Press
  21. 21.
    Qian J, Mao L W, Yang X C, Chen Q, Li F X, Wu X T and Chen B R. 2023. Estimation of anthropogenic heat in China using points-of-interest and multisource remote sensing data. China Environmental Science, 43(6): 3183-3193
  22. 22.
    Qian J K, Zhang L L, Schlink U, Meng Q Y, Liu X and Jansco T. 2024. High spatial and temporal resolution multi-source anthropogenic heat estimation for China. Resources Conservation and Recycling, 203:107451
  23. 23.
    Quah A K L and Roth M. 2012. Diurnal and weekly variation of anthropogenic heat emissions in a tropical city, Singapore. Atmospheric Environment, 4692-103
  24. 24.
    Sailor D J. 2011. A review of methods for estimating anthropogenic heat and moisture emissions in the urban environment. International Journal of Climatology, 31(2): 189-199
  25. 25.
    Sailor D J and Lu L. 2004. A top–down methodology for developing diurnal and seasonal anthropogenic heating profiles for urban areas. Atmospheric Environment, 38(17): 2737-2748
  26. 26.
    Shaanxi Provincial Bureau of Statistics. 2016-2021. Shaanxi Statistical Yearbook. Beijing: China Statistics Press
  27. 27.
    Shanxi Provincial Bureau of Statistics. 2016-2021. Shanxi Statistical Yearbook. Beijing: China Statistics Press
  28. 28.
    Shi J, Xie M, Zhu K G and Wang T J. 2020. Estimation of anthropogenic heat flux and its temporal and spatial distribution in Chinese cities. China Environmental Science, 40(4): 1819-1824
  29. 29.
    Sun R H, Wang Y N and Chen T T. 2017. Impacts of anthropogenic heat emissions on urban thermal environment: a review. Acta Ecologica Sinica, 37(12): 3991-3997
  30. 30.
    Tong H, Liu H Z, Sang J G and Hu F. 2004. The Impact of Urban Anthropogenic Heat on Beijing Heat Environment. Climatic and Environmental Research, (3): 409-421
  31. 31.
    Wang S S, Hu D Y, Yu C, Chen S S and Di Y F. 2020. Mapping China's time-series anthropogenic heat flux with inventory method and multi-source remotely sensed data. Science of The Total Environment, 734: 139457
  32. 32.
    Wang Y C, Hu D Y, Yu C, Di Y F, Wang S S and Liu M Q. 2022. Appraising regional anthropogenic heat flux using high spatial resolution NTL and POI data: A case study in the Beijing-Tianjin-Hebei region, China. Environmental Pollution, 292118359
  33. 33.
    Wang Y N, Sun R H and Chen L D. 2016. Review on studies of anthropogenic heat emission. Chinese Journal of Applied Ecology, 27(06): 2024-2030
  34. 34.
    Wang Z G, Bai Y P, Che L, Chen Z J and Qiao F W. 2020. Spatio-temporal characteristics and influencing factors of vegetation coverage in urban agglomeration of Guanzhong Plain. Arid Land Geography, 43(4): 1041-1050
  35. 35.
    Xie M, Liao J B, Wang T J, Zhu K G, Zhuang B L, Han Y, Li M and Li S. 2016. Modeling of the anthropogenic heat flux and its effect on regional meteorology and air quality over the Yangtze River Delta region, China. Atmospheric Chemistry and Physics, 16(10): 6071-6089
  36. 36.
    Xie M, Zhu K G, Wang T J, Feng W, Zhu X S, Chen F, Ouyang Y and Liu Z J. Study on the distribution of anthropogenic heat flux over China. China Environmental Science, 35(3): 728-734
  37. 37.
    Xu D, Zhou D, Wang Y P, Meng X Z, Gu Z L and Yang Y J. 2021. Temporal and spatial heterogeneity research of urban anthropogenic heat emissions based on multi-source spatial big data fusion for Xi’an, China. Energy and Buildings, 240110884
  38. 38.
    Yang M Z, Cao S S, Zhang D Y, Liu R, Cui L and Cai Y L. 2024. Seasonal anthropogenic heat fluxes over 200 cities in China: An investigation of driving factors with three-dimensional building forms. Sustainable Cities and Society, 107:105312
  39. 39.
    Yu C, Hu D Y, Wang S S, Chen S S and Wang Y C. 2021. Estimation of anthropogenic heat flux and its coupling analysis with urban building characteristics – A case study of typical cities in the Yangtze River Delta, China. Science of The Total Environment, 774145805
  40. 40.
    Yuncheng Municipal Bureau of Statistics. 2016-2021. Yuncheng Statistical Yearbook. Beijing: China Statistics Press
  41. 41.
    Zhu T Y. 2015. Research on Quantitative Estimation of Anthropogenic Heat in Hangzhou Based on Landsat Remote Sensing Data. Hangzhou: Zhejiang University

Lesen Sie die ganze Passage

The above content is generated by Large Model Translation. The translated content is for reference only. We do not assume any commercial or legal responsibilty for any consequences arising from the use of our website