刘 畅 刘昕岑 付 尧 蒋 芬

(1.西南林业大学 林学院,云南 昆明 650233；2.玉溪师范学院 地理与国土资源学院,云南 玉溪 653100)

自1861 年以来，全球地表的平均气温在20世纪增加了0.6±0.2 ℃[1]，全球气候正经历着以气候变暖为主要特征的变化[2-3]，在全球变暖的背景下，中国地表温度也在不断发生变化[4-5]。丁一汇等[6]指出近100 年中国地表平均气温上升0.5～0.8 ℃，近50 年气温上升了1.1 ℃，增温率为0.22 ℃/10 a，呈不断上升的趋势。赵晶等[7]运用遥感和城郊对比法，对兰州近50 年的气温、日照率以及相对湿度数据进行了分析、计算，研究发现兰州的城市化气候效应显著，且夏季城市化效应小于冬季。赵娜等[8]利用北京1961—2008 年12 个气象站的气象资料研究分析了北京地区城、郊各气候要素，结果表明北京气温有上升的趋势，特别是城区，这与城市化发展密切相关。

由于早期观测资料获取困难，城市气候变化只能进行简单的数据分析，但后来随着社会的进步与科学的发展，国内外学者从不同角度、采用不同的方法进行了大量研究。气温变化与城市化发展关系的研究最早始于1833 年，由Howard[9]发现，但并没有受到人们的关注，直到20 世纪中期Manley 定义了城市热岛效应现象，城市气温变化才被越来越多的学者所关注，Jusuf 等[9]研究新加坡土地利用类型与城市热岛效应的关系，发现不同的土地利用类型对城市热岛效应的影响程度不同。Cynthia 等[10]研究美国纽瓦克与卡姆登县两地的城郊气温差，发现城市化发展会造成城市气温的上升，且城市发展速度越快，气温上升越明显。李延明等[11]利用地面观测技术与遥感技术分析了北京市热岛效应的发生规律、强度与分布特征、影响要素及城市绿化与热岛效应的关系。王勇等[12]运用ArcGIS 和RS 进行研究，发现青岛热岛效应与植被盖度、绿地斑块密度有关系。吴振彪等[13]基于2014 年和2017 年的Landsat8 影像，研究利用辐射传输方程反演了东莞市地表温度，并应用景观指数和转移矩阵分析了东莞市2014—2017 年热环境的变化动态。以上研究均表明，城市不管是地表温度还是气温都在不同程度的发生变化，这与人类活动的关系密切。

但是在不同气候背景下，城市气候变化趋势并不相同。昆明市为典型的低纬高原季风气候，其地处云贵高原，受地形和海拔因素的影响，四季温差小，干湿季分明，垂直差异显著且容易发生气象灾害。同时昆明也是快速城市化发展的城市之一，因此研究其在特殊气候背景下气候发展变化与城市化进程之间的关系，具有较为特殊的研究价值。本文根据昆明地区近30 年的年均气温资料，对昆明地区气温的年代变化进行分析，并将昆明年均温与城市人口、GDP、建成区面积3项城市发展因子进行相关性分析，研究城市发展对城市气温变化的影响。为昆明市气候预测以及城市可持续发展、合理布局、节能降耗等提供科学参考依据，同时以昆明市为例，也可以了解城市化对低纬高原城市气候环境的影响，丰富该领域对不同地域城市热环境演变过程的认知。

1 研究区域及研究方法

1.1 研究区域

昆明位于我国西南地区，云贵高原中部，云南省中北部，地理坐标为东经102°10′～103°40′，北纬24°23′～26°22′。面积为21.5×103km2。昆明市地形较为复杂多样，地貌形态主要为湖盆岩溶高原及红色高原，平均海拔为2 000 m，总体呈现出了北面高南面低的走势，中间较为凸起，东西两侧下沉。昆明处于北纬低纬度亚热带-高原山地季风气候，市区内常年温度比较均衡是全国年温差最小的城市，气温介于0～29 ℃之间。历史极端最高及最低气温分别为31.2 ℃和-7.8 ℃。昆明雨水充足，每年雨季长达三四个月，年降水量为1 035 mm。昆明市是云南省省会，也是我国西南边陲面向东南亚等地区的门户。图1 为研究区域示意图。

图1 研究区示意图Fig. 1 Sketch map of study area

1.2 研究数据

本文数据为昆明市近30 年（1978—2015）数据，主要为：

（1）昆明市近30 年年平均气温与年平均气温距平数据，来源于中国气象数据网（data.cma.cn）；

（2）昆明市近30 年人口、GDP、建成区面积数据，其中人口、GDP 及建成区面积数据来自《中国城市统计年鉴》[16]。

1.3 研究方法

1.3.1 回归分析法 回归分析是研究变量之间作用关系的一种统计分析方法，其基本组成是一个（或一组）自变量与一个（或一组）因变量。最基本的线性回归方法为最小二乘法，其基本表现形式为：

其中，Y为模型因变量（组），X为自变量（组），β为斜率即模型系数，ε是模型残差，服从N（0,σ2）。

最小二乘法是使因变量的观测值yi与估计值之间的离差平方和达到最小来估计。其估计结果如下：

预估值Y计算如下：

其中，H矩阵是一个帽子矩阵，它是只涉及到预测变量的n×n的等幂矩阵，对因变量Y没有任何影响，但是对于构建其他测试和诊断统计回归分析有着重要意义。

1.3.2 滑动平均法 滑动平均法是用以确定时间序列的平滑值来表示变化趋势的一种趋势拟合技术，类似于低通滤波器。

其基本表现形式为：

其中，y表示离散采样后的动态测试数据，它是由固定效应参数f和随机效应参数x组成，同时，f为所需测量的有效结果，x为随机的测试误差，如e为误差项的话，那么有x=e。

为了让测量结果表达的更为精准，将随机误差e的影响降到最低，可以对y进行平滑滤波处理。即将全部数据n划分为m个相连的数据区间，每个区间内的数据y可以视为平稳数据，将m个区间的数据进行局部平均，就可以去掉随机误差，得到较为平滑的结果，其均值接近一个常量，可以将数据中的端点数据或者中间点数据用该常量进行替代，由此可得下式：

其中，2n+ 1=m，这样得到的结果，随机误差的平均作用会减小，数据也更为平滑，由此对随机误差进行估计，残差表达式为：该方法可以消除数据中的随机误差，起到平滑的作用，同时也可以将随机误差的变化过程展现出来，进而估计统计特征量。

1.3.3 曼-肯德尔（Mann-Kendall）突变检验 M-K检验法，是一种分析时间序列趋势的非参数方法，该方法可以针对任一分布数据进行检验，也无需去除异常值，计算简单方便，因此被世界气象组织推荐，广泛应用于水文学及气象学的研究中。

对于时间序列X（含有n个样本），构造一个秩序列：

在时间序列为随机的假设下，定义统计量：

其中，UF1=0，E(Sk)和Var(Sk)分别是Sk的均值和方差，且x1，x2，…，xn互相独立时，它们具有相同连续分布，可以由下式推算出：

UFk为标准正态分布，它是按时间序列X的顺序（x1，x2，…，xn）计算出的统计量序列，给定显著性水平α，查正态分布表，若UFi>Uα，则表明序列存在明显的趋势变化。

再按时间序列X的逆序（xn，xn-1，……，x1），重复上述过程，并且令UBk= UFk(k=n,n-1,……1)，UB1= 0。

统计学中一般取显著性水平α=0.05 或α=0.01，临界值U0.05=±1.96，U0.01=±2.57，即将UFk和UBk两个统计量序列曲线和临界值均绘制在一张图上。当所研究的序列趋势显示为上升时，所得到的值一定大于0，反之，则小于0。如若出现显著的上升或者下降的趋势，两者的值则会超过临界线范围，且超出的范围为时间突变的区域。突变时间即为两者曲线的交点。

1.3.4 相关分析 相关分析是研究对象之间是否存在某种依存关系的一种方法。该方法可以深入探讨对象变量之间互相影响的程度，且可以定量的得出结果。

P值是针对原假设H0：假设两个变量之间不存在线性相关关系，一般假设检验的显著性水平为0.05，若P≤0.05，则拒绝原假设，说明两个变量之间存在线性相关关系；若P>0.05，则接受原假设，说明两个变量之间不存在线性相关关系。

相关系数是用于反映两个随机变量之间的相关程度及相关方向的统计量。假设有变量X、Y，样本观测值分别为x1，x2，...xn及y1，y2，...yn则两个变量之间的相关系数r的计算公式如下：

2 结果与分析

2.1 气温变化趋势分析

图2 为昆明市近30（1978—2015）年的年平均气温变化曲线，可以看出，年平均气温呈波动上升的趋势。对昆明地区的年平均气温进行线性回归分析，通过斜率计算增温率为0.55 ℃/10 a。进行F 检验，检验结果如表1 所示，F<0.01，说明昆明市近30 年年平均气温的增温趋势通过α=0.01 显著性水平检验，为显著增温。

图2 昆明市年平均气温变化趋势Fig.2 Annual average temperature trend in Kunming

表1 昆明市年平均气温增温趋势F 检验Table1 F test of annual average temperature increasing trend of Kunming

2.2 气温突变年份分析

2.2.1 基于滑动平均法的结果分析 图3 为昆明近30 年的平均气温距平和5 年滑动平均值的变化趋势，由图可知，昆明地区气温不断上升，其5年滑动平均值1992（含1992 年）年以后均为正值，存在着明显的气温跃变，因此可以认为1992年为气温的跃变年份。

图3 昆明市平均气温距平和5 年滑动平均值Fig.3 Average temperature anomaly and five-year moving average of Kunming

跃变前后，年平均气温差值为1.1 ℃，说明气温增加了1.1 ℃，相当于增温率为0.77 ℃/10 a。用此方法计算的增温率与前面用回归分析方法计算的增温率有所不同，回归分析考虑总体变化趋势，滑动平均法则是对突变前后两个时间段的气温距平进行比较，考虑重点为气温跃变对增温的影响。昆明市在1982—1996 年的3 次城市总体规划迫于人口增速过快与基础设施匮乏，尤其是住房紧张等问题，对主城工业企业予以搬撤并或转产，强化了主城行政、商业、文化教育与医疗等服务用地的配给，城市化进程较之前有了大幅的提高[15]，这与气温跃变年份相符。

2.2.2 基于Mann-Kendall 突变检验的结果分析图4 为昆明近30 年年平均气温的Mann-Kendall 突变检验图，在α=0.01 显著性水平下，临界值范围为±2.57。由图可知，UF（虚线）和UB（实线）的交点在临界值范围内（UF 和UB 是有关温度序列的统计量，UF 是温度序列的顺序统计量，UB是温度序列逆序的统计量），对应的时间为1994年，即昆明的气温在1994 年发生了突变。

图4 昆明市年均气温Mann-Kendall 检验图Fig.4 Mann-Kendall test chart of annual average temperature of Kunming

同时，UF 曲线在1996 年开始超过临界值，且上升速度极快，这表明昆明市的气温发生陡变的时间节点在该年度，即1996 年以后昆明市的气温有明显上升趋势。

2.3 气温变化和城市化发展关系分析

2.3.1 气温变化与人口的关系分析 城市人口是衡量城市规模的重要指标，城市人口的增加和聚集必然会带动经济的增长和建成区面积的扩大，而建成区面积的扩张会导致城市下垫面性质的改变，水泥等建筑材料在吸收太阳辐射后能够迅速升温，促使周围大气快速升温。因此，人口是城市化的重要驱动因素之一。

本文对年平均气温与人口进行相关性分析，得r=0.620，通过0.01 显著性水平检验，证明二者存在相关关系，且符合二次多项式关系（图5）。这表明昆明人口与气温变化关系密切，是引起城市气温变化的重要驱动因素。

图5 昆明市年平均气温与人口的关系Fig.5 The relationship between annual average temperature and population of Kunming

2.3.2 气温变化与GDP 的关系分析 GDP 是衡量一个地区经济发展水平的重要指标，它与各种建筑用地的扩张及工业生产活动都有明显的关系。

本文对昆明地区的年平均气温与生产总值进行相关性分析，得r=0.470，通过0.05 显著性水平检验，说明二者之间存在相关性，且呈对数关系（图6）。

图6 昆明市年平均气温变化与GDP 的关系Fig.6 The relationship between annual average temperature change and GDP of Kunming

昆明2000（含2000 年）年以前的GDP 年平均增长率为9.9%，2000 年以后的年平均增长率为11.8%；昆明2000（含2000 年）年以前的平均气温为15.1℃，2000 年以后的平均气温为16.1℃，与GDP 的变化大致一样，说明GDP 与气温变化关系密切。

2.3.3 气温变化与建成区面积的关系分析 建成区面积的扩张会直接导致土地利用类型发生变化，造成城市不透水面积增加，影响城市气温的变化。

本文对昆明地区的年平均气温与建成区面积进行相关性分析，得r=0.574，通过0.01 显著性水平检验，说明二者之间存在相关性，且符合三次多项式关系（图7）。这表明建成区面积与气温变化关系密切。

图7 昆明市年平均气温与建成区面积的关系Fig.7 The relationship between annual average temperature and built-up area of Kunming

3 结论

通过分析昆明近30 年的年平均气温以及年平均气温与各项城市发展指标之间的关系，可以得出以下结论。

（1）近30 年，昆明地区的年平均气温呈波动上升趋势。对温度做总体趋势分析，发现昆明的增温率达到0.55 ℃/10 a。

（2）滑动平均法表明，1992 年为昆明年均气温的跃变年份。Mann-Kendall 突变检验结果表明，1994 年为气温突变年份，且从1996 年开始气温的上升趋势更加显著。总的来说，两种方法的结果基本一致，都为20 世纪90 年代初期。

（3）人类活动对城市气温具有一定影响，本文研究结果表明城市人口、GDP、建成区面积与昆明年均气温变化存在相关性，表明其与昆明气温变化密切相关。其中影响城市土地利用类型和下垫面性质的建成区面积与城市人口相关性较高，GDP 则偏低。可见，在昆明地区城市人口与建成区面积是昆明气温变化的主要驱动因素，而GDP也是重要的驱动因素。

本文探讨的是气温变化与城市化发展的关系，由于历史和社会发展等条件的影响，研究区所需的各项城市发展指标数据在建国之后一段时间内是缺失的，尤其是1978 年以前的数据，获取困难甚至没有统计数据，导致本文只能选取近30 年的数据作为研究范围。研究中各项城市发展指标在1978—1990 年间的数据并不是连续的，有少部分年份的数据缺失，所以在分析气温变化与各项城市发展指标之间的关系时对结果有一定影响。