EN中文

中国生态旅游 >

2023 , Vol. 13 >Issue 5: 821 - 835

DOI: https://doi.org/10.12342/zgstly.2023019

专栏：自然灾害影响与旅游应对

成都市户外休闲活动高温暴露研究

  • 杨璐瑜 ,
  • 陈佳淇 ,
  • 冯冰 ,
  • 邝蒨 ,
  • 刘俊 , *
展开
  • 四川大学旅游学院，成都 610065
* 刘俊（1979-），男，博士，教授，研究方向为旅游地理与旅游大数据。E-mail:

杨璐瑜（1997-），女，博士研究生，研究方向为可持续旅游与旅游大数据。E-mail：

收稿日期: 2023-08-12

  修回日期: 2023-10-17

  网络出版日期: 2024-01-10

基金资助

四川大学研究基金(SKSYL2022-04)

四川大学区域历史与边疆学学科群项目

四川省教学改革项目(JG2021-391)

四川大学教学改革项目(SCU8115)

收起

Research on high temperature exposure of outdoor leisure activities in Chengdu, Sichuan Province

  • Yang Luyu ,
  • Chen Jiaqi ,
  • Feng Bing ,
  • Kuang Qian ,
  • Liu Jun , *
Expand
  • Tourism School, Sichuan University, Chengdu 610065, China
* Liu Jun. E-mail:

Received date: 2023-08-12

  Revised date: 2023-10-17

  Online published: 2024-01-10

Fold

摘要

高温热浪是开展户外休闲旅游活动面临的重要风险因素，揭示高温暴露风险格局及易受威胁的活动，可以为公众健康福祉与可持续旅游发展提供科学依据。基于全天候地表温度产品和户外休闲活动GPS轨迹数据，本研究分析了2010—2020年间成都市夏季热力时空格局，识别了存在高温风险的典型区域。使用轨迹处理算法及轨迹聚类模型进一步揭示了典型户外旅游活动的聚类模式和重要节点的高温暴露情况。研究结果显示，成都市热力格局呈现中部高、西北部低的总体态势，高温及次高温区覆盖了四环以内的中部平原地区，并呈现向北部和东部的扩张态势。2010—2020年，成都市高温及次高温区面积持续扩张，以徒步、登山为代表的户外旅游活动高温暴露风险增大，户外休闲活动开展的前、中、后三阶段均遭受高温威胁，徒步活动面临比登山活动更高的高温风险。伴随高温区的扩张，成都北部及东部户外活动高温暴露程度增大，东部龙泉山区域在未来或将失去气候优势，适游区域出现时空转移。

关键词： 户外运动; 高温热浪; 暴露风险; 时空格局; 休闲活动; 体育旅游; 成都

本文引用格式

杨璐瑜 , 陈佳淇 , 冯冰 , 邝蒨 , 刘俊 . 成都市户外休闲活动高温暴露研究[J]. 中国生态旅游, 2023 , 13(5) : 821 -835 . DOI: 10.12342/zgstly.2023019

Abstract

Extreme heat and heat waves pose significant dangers to outdoor leisure activities. Revealing the risk pattern and sensitive activity to high temperature can provide scientific basis for public health well-being and sustainable development of tourism. Scholars have rarely addressed the heat exposure associated with outdoor activities in prior research, primarily because dependable data on outdoor activities is scarce. This article fills this research gap by mining trajectory data to reveal the distribution and heat exposure patterns of heat-sensitive outdoor activities. Specifically, this study examined the thermal spatiotemporal pattern of Chengdu during the summer season from 2010 to 2020, utilizing all-weather surface temperature products. By doing so, it identified typical regions characterized by elevated risks of heat exposure. Using trajectory clustering models and trajectory processing algorithms, we additionally unveiled the high temperature exposure risk of critical clusters and nodes of typical outdoor tourism activities. The findings indicate that the thermal pattern of the city of Chengdu is generally warm in the city's core and chilly in the northwest. High and sub-high temperature area encompass the central plain area along the Fourth Ring Road and exhibits an expansion trend to the east and north. Between 2010 and 2020, Chengdu experienced a sustained expansion of high-temperature and sub-high-temperature zones. Outdoor tourism pursuits, including mountaineering and hiking, became more susceptible to elevated levels of heat exposure, with mountaineering being less susceptible to high temperatures than hiking. The public is impacted by elevated temperatures throughout the entirety of their participation in outdoor leisure pursuits. The expansion of high-temperature zones has led to an increasing heat exposure risk of outdoor leisure activity in the northern and eastern Chengdu. Longquan Mountain in the eastern region may lose its climatic superiority in the future, and the areas that are appropriate for outdoor activities may undergo changes temporary and spatially. In light of the findings presented in this article, pertinent management departments may decide to give precedence to the optimization of service and infrastructure resource allocation in urban environments that are susceptible to high temperatures.

Key words： outdoor sport; heatwave; exposure risk; spatiotemporal pattern; leisure activity; sport tourism; Chengdu

1 引言

在全球变暖背景下，极端高温天气事件在世界范围内愈发频繁地发生。近几十年，中国区域性高温热浪事件的发生频率和强度持续上升[1]。2022年的夏季创下了中国自1961年有完整气象观测记录以来的最热记录，多地经历了高强度、长时间的极端高温天气：四川、湖南、江西等地35℃以上连续高温日数超过了30天，重庆和浙江的局部地区更是有连续超过20天的40℃以上高温天气[2]。极端高温预计将在全球范围内持续发生，世界气象组织发布的《全球年际至十年际气候最近通报（2023—2027）》显示，2023—2027年可能将成为有记录以来全球最热的5年，近地表年平均温度有66%的可能性高出工业化前1.5°C以上。由于下垫面变化、太阳辐射建筑反射、地表温度扩散等多种因素[3⇓-5]，城市地区有着更高的高温热浪事件发生风险。21世纪以来，高温热浪已成为城市发展主要灾害之一，威胁着规模庞大的城市人口的生命健康与社会活动[6-7]。
城市户外休闲旅游活动作为当代城市公众的重要游憩休闲方式，面临着极端高温的严峻威胁。由于时空距离短、参与成本低，依托城市内部及近郊区域的绿道、生态公园、郊野山地开展的徒步、登山、骑行等休闲旅游活动，已经成为了城市人口周末及节假日休闲的主要选择。这些活动不只与公民的健康福祉、生活幸福感息息相关，同时也带动了旅游业、户外装备制造业等相关产业的发展。虽然极端高温对户外活动存在威胁是公认的，但几乎还没有研究专门探讨高温对城市户外休闲活动的影响，更为缺乏易受高温威胁活动的高温暴露情况这一基础研究。高温暴露一般指地域系统的人或物受到高温影响，广义的暴露对象包括资源环境、基础设施、人体健康等。高温暴露风险一般指以高温热浪为致灾因子，以人或物为承灾体，高温事件存在造成不利影响和危害的可能性[8-9]。既往关于高温暴露的研究主要包括小中大尺度区域的高温格局分析及演化研究[10⇓⇓⇓⇓⇓-16]，人口热暴露度及脆弱性评估[17⇓⇓⇓⇓-22]，以及针对特殊人群或职业场景开展的高温暴露风险及健康威胁研究[23⇓⇓⇓-27]。虽然已有气候领域相关的研究探究了户外休闲活动受热环境的影响[28⇓⇓-31]，但多集中于评估环境的综合热舒适程度，而未关注极端高温事件。
揭示易受高温威胁的户外休闲活动的高温暴露格局，可以为全球变暖背景下可持续旅游发展和改善公众健康福祉提供科学依据。然而对于易受高温影响的徒步、骑行、登山等户外休闲活动，以往研究往往缺少可靠的数据来分析这些活动在空间上发生于何处，聚集于何处，以及呈现何种规律，更无法分析它们的高温暴露情况。有鉴于此，本研究尝试通过挖掘旅游活动轨迹数据以揭示易受高温威胁的户外旅游活动的分布格局，并结合地表温度数据进一步探究其高温暴露情况。本研究以成都市为研究区域，探究以徒步和登山为代表的城市户外休闲活动的高温暴露格局。自2000年以来，成都地区经历了快速的城市化发展进程，城市热岛效应加剧明显。在公园城市建设的背景下，大量绿地、绿道以及城市生态公园的建成使得成都城市户外休闲活动变得十分热门，但在全球变暖、高温频发的气候背景下，户外休闲活动的高温风险格局和发展前景尚不明确。本研究基于全天候地表温度产品和户外休闲活动GPS轨迹数据，使用轨迹平滑去噪算法、轨迹聚类模型等方法，探究成都地区高温格局的特征及户外休闲活动的高温暴露情况，旨在为气候变暖背景下，城市户外休闲活动可持续发展及高温风险应对管理提供科学参考。

2 研究区域与数据方法

2.1 研究区域概况

成都市位于东经102°54′~104°53′、北纬30°05′~31°26′之间，地处四川盆地西部边缘，地势由西北的深丘山地向东南平原倾斜（图1）。成都市城市化进程发展迅速，2022年城镇化率达79.89%，城市建成区面积达1 331 km2，较2000年增加近5.4倍[32]，下设12个区、5个县级市以及3个县，城市扩张与人口增加使得成都市热岛效应不断加剧。2018年习近平总书记在成都市天府新区考察时首次提出建设公园城市，2022年国务院批复同意成都市建设践行新发展理念的公园城市示范区。依托公园城市建设政策，近年来成都市“一轴两山三环七带”主干绿道体系不断建设完善，规划建设各类生态城市公园100个，城市游憩休闲功能得到了显著提升，这推动了城市户外休闲活动的蓬勃发展，但在全球变暖的背景下，户外休闲活动面临的高温威胁和可持续发展前景尚不明确。
图1 研究区域地理位置与环境

Fig. 1 The geographical location and environment of the study area

2.2 研究数据及方法

2.2.1 研究数据

本研究数据主要包括：（1）地表温度数据，获取自中国陆域及周边逐日1-km全天候地表温度数据集（TRIMS LST；2000—2021）。该数据集使用增强型的卫星热红外遥感-再分析数据集成方法，基于Terra/Aqua MODIS LST产品、全球高分辨率的陆面模拟系统模型以及遥感卫星提供的植被指数、地表反照率等数据，重建得到较高质量的全天候地表温度数据[31]。对原始数据进行几何纠正、重采样、区域掩膜及栅格插值补缺等处理后，获得了2010—2020年成都市的日间逐日地表温度数据，对每年6—8月的逐日数据进行均值化处理，以得到夏季日间地表温度均值数据。（2）户外活动轨迹数据，从用户量庞大且活跃度高的著名户外自助游平台六只脚和两步路收集得到徒步、登山两种户外休闲活动的GPS轨迹数据。对数据进行坐标轴转换、时间戳信息转码、经纬度范围及时间范围清洗、活动时长及空间范围筛选后，获得2010—2020年夏季日间成都区域的徒步和登山活动轨迹共计25 304条，用于分析户外休闲旅游活动的分布格局及高温暴露格局情况。（3）路网及兴趣点（Point of Interest，POI）数据，获取自Open Street Map①(①网址： https://www.openstreetmap.org/#map=12/1.3649/103.8229.)和高德地图，用于分析户外休闲活动轨迹的重要节点分布情况。

2.2.2 MODIS地表温度数据处理

首先对原始MODIS地表温度数据进行相关处理。（1）使用MODIS Reprojection Tool对覆盖整个成都区域的两景数据（轨道号h26v05，h27v05）进行几何纠正、图像镶嵌、投影转换、重采样等预处理。（2）通过式（1）将像元灰度值（Digital Number，DN）转换为地表温度值（ T s）[33]。（3）由于MODIS地表温度产品在有云覆盖的区域像元灰度值为0，需要进行云掩膜处理，对云覆盖像元不予计算，以去除离群值。（4）对地表温度数据进行标准化处理以消除极端年份和季相的影响[32]，并使用均值-标准差法将地表温度分为高温、次高温、中温、次低温、低温5个热力等级，分级及范围如表1所示。
T s = D N × 0.02 - 273.15
表1 热力等级分级及范围

Tab. 1 Thermal rating and range

热力等级 范围
高温 T n ≥ T m e a n + 1.5 S
次高温 T m e a n + 0.5 S ≤ T n < T m e a n + 1.5 S
中温 T m e a n - 0.5 S ≤ T n < T m e a n + 0.5 S
次低温 T m e a n - 1.5 S ≤ T n < T m e a n - 0.5 S
低温 T n < T m e a n - 1.5 S

注： T n为标准化后像元值， T m e a n 为 某 年所有像元值均值， S为标准差

2.2.3 轨迹平滑与去噪

轨迹数据数量庞大且含大量噪声点，故在进一步分析前先进行预处理，主要分为噪音去除和轨迹平滑两个部分。本研究使用Kalman滤波算法去除轨迹数据噪声，并使用Douglas-Peuker算法对轨迹数据进行平滑和精炼处理。
（1）Kalman滤波算法。GPS设备在采集和传递信号的过程中，会受到环境的干扰出现信号波动，这导致GPS信号漂移从而产生噪声点，需要将噪声点从GPS轨迹中剔除[34]。本研究运用Kalman滤波算法进行轨迹去噪。该算法通过Kalman滤波迭代获得每个数据点的估计值，通过 X k - 1的最优估计值获得k时刻的预测值，同时对k时刻进行观测以确定观测值，综合分析预测值、观测值，并用噪音协方差进行修正，得到k时刻的最优状态估计值 X k并修正轨迹数据[35⇓-37]。主要步骤如下：
第一步：建立预测模型（2）和预测估计协方差矩阵（3）
X ˆ k - = F k X ˆ k - 1 - + B k U k
P k - = F k P k - 1 F T + Q
其中，其中， X ˆ k -和 X ˆ k - 1 -为预测矩阵， F k为状态转移矩阵， B k为控制矩阵， U k为控制量。 P k -和 P k - 1为观测值的方差， F T为状态转移矩阵转置， Q为系统噪声的协方差阵。
第二步：基于以下公式计算卡尔曼增益
K k = P k - 1 H k T ( H k P k - 1 H k T + R k ) - 1
其中， K k为卡尔曼增益， R为观测值的协方差矩阵，H为转换矩阵，其余参数同上。
第三步：基于以下公式确定估计值，以此判断并去除轨迹噪声点
X ˆ k = X ˆ k - + K k Z k - H X ˆ k -
其中， X ˆ k为估计值， Z k为实际观测值，其余参数同上。
（2）Douglas-Peucker算法。轨迹平滑是指在不影响GPS轨迹精度的情况下，通过剔除不必要的样本来缩减轨迹总样本量，从而在保证轨迹精度的前提下减少计算量[38⇓-40]。本研究运用Douglas-Peucker算法对轨迹数据进行平滑处理，步骤如下：
第一步：确定用于轨迹点筛选的距离阈值 D，以及直线 l 1轨迹的起始点与结束点；
第二步：分别计算各轨迹数据点到 l 1的垂直距离并与 D相比较，记录下到 l 1的垂直距离超过 D且相距最远的点，依据此点将轨迹进行划分；
第三步：对划分后的轨迹继续进行同样的计算、比较、保留和划分过程，多次迭代直到没有符合条件的轨迹点时终止，连接筛选出的轨迹点得到简化和平滑后的轨迹，轨迹平滑过程完成。

2.2.4 基于DBSCAN模型的轨迹聚类及停留点识别

户外休闲活动在空间上会形成一定的聚集和分布规律，通过轨迹聚类算法，可以剔除掉无规律的噪声轨迹，从海量的轨迹数据中挖掘出户外休闲活动的隐藏规律，识别出旅游者参与户外休闲活动所依托的关键区域和点位，从而评估这些重要区域和点位的高温暴露情况。基于密度的空间聚类算法（Density-Based Spatial Clustering of Applications with Noise，DBSCAN）在处理空间数据时具有聚类速度快且能够有效分离噪声点等优点，因此被广泛用于空间轨迹数据的挖掘中。DBSCAN模型基于邻域最大半径( ε)和邻域最少点数目( M i n T r s)将样本数据划分为不同的类别，同一类别的数据在密度上紧密相关[41]。对于轨迹数据，邻域最大半径是轨迹样本的邻域距离，邻域最少点数目为给定领域 ε s内的最小样本量，当某轨迹的领域内样本量大于或等于 M i n T r s时，称该轨迹为核心轨迹，反之则暂时将其视为边缘轨迹。对所有的轨迹数据进行计算分析，可确定样本轨迹是否为核心轨迹和边缘轨迹，实现轨迹的聚类[42⇓-44]。本研究使用基于时间、空间、方向三维相似度的DBSCAN算法对轨迹数据进行聚类分析，主要步骤如下：
第一步：确定核心轨迹。对于某条轨迹 T i，计算其时间、空间、方向三维邻域 N ε s ε t ε v T i。如果邻域 N ε s ε t ε v T i中轨迹的数量比 M i n T r s多，那么轨迹 T i被识别划分为核心轨迹。轨迹数据集中的所有核心轨迹被划分为核心轨迹集 H t。
第二步：确定边缘轨迹和噪声轨迹。对于某条轨迹 T i，如果其不在任何一条轨迹的三维邻域 N ε s ε t ε v T i中，且 N ε s ε t ε v T i中轨迹的数量比 M i n T r s少，则将其划分为边缘轨迹。既不是核心轨迹也不是边缘轨迹的轨迹被划分为噪声轨迹。
第三步：提取轨迹聚类。计算核心轨迹集 H t中每一条轨迹的空间相似度、方向相似度和时间相似度，根据三维相似度依次对 H t中的轨迹进行迭代分析，最终聚类得到轨迹聚类集 C = C 1 , C 2 , C 3 , … , C i。
第四步，提取重要停留点。基于DBSCAN模型对上述聚类集 C = C 1 , C 2 , C 3 , … , C i中的每一个簇类的全部轨迹点进行二次聚类分析，实现对边缘轨迹点和核心轨迹点的划分。对于核心轨迹点集 C P = { p 1 , p 2 , p 3 , … , p n }，获取轨迹点的停留点位及停留时间信息 { l o n , l a t , t }，根据停留时长筛选确定重要停留点。

3 结果与分析

3.1 地表热力时空格局

成都市夏季地表热力格局如图2所示，此处以5年为一阶段，展示了2010年、2015年以及2020年的夏季热力时空格局。成都地区夏季地表温度总体呈现中部高、西北部低的总体态势。西北部区域为四川盆地边缘的龙门山脉地带，以海拔在1~3 km之间的深丘和山地为主，因此为成都区域典型的地表温度偏低区域。中部区域为典型低海拔平原及低海拔台地地貌，地表热力整体偏高，其中由于不透水层面积大以及人类活动频繁，中心主城区地表温度最高，主要城区中武侯区、锦江区和金牛区是地表温度最高的行政区域。中部平原东侧分布有分割成都平原及川中丘陵的龙泉山脉，成都平原区域较高的地表温度在此处出现显著下降。成都东部地区则主要为低海拔丘陵类型地貌，该区域地表温度在成都处于中等水平。
图2 成都市夏季地表温度热力格局

Fig. 2 Thermal pattern of summer surface temperature in Chengdu

成都市夏季地表温度热力分级格局如图3所示。成都区域的热力等级区呈现镶嵌状分布：低温区至高温区基本由城市区域外圈层至内圈层渐近分布，由西部向中部逐渐攀升。低温区及次低温区与山地的分布吻合，主要处于西北侧；高温区及次高温区覆盖了四环以内的成都中部平原地带，但在平原东侧出现明显的隔断，此处的龙泉山地带对成都城市区域的温度起到了一个显著的降温作用；次高温区覆盖了成都中部的大部分区域，并向西南以及东部地区延伸；高温区零散分布，大多集中于城市中心区域。从趋势上来说，2010—2020年，高温区及次高温区域出现了一定的转移和扩张。高温区有连片扩大的趋势，城市中心出现连片高温区，北部高温区变多。次高温区出现向成都东部延伸的现象，这主要是由于2017年以来成都东部新区建设加快，尤其天府国际机场及周边的建设使得成都东南区域的温度出现显著升高。进一步量化温区面积的变化情况，发现2010—2020年夏季期间，成都市高温区及次高温区面积均有明显增大。相较于2010年，2020年夏季次高温区面积增大了28%，高温区变化则更为明显，面积扩大了138%。
图3 成都市夏季地表温度热力分级格局

Fig. 3 Thermal grading pattern of summer surface temperature in Chengdu

3.2 户外休闲活动高温暴露格局

在高温格局的基础上，进一步分析了户外休闲活动的高温暴露情况。本研究重点关注2015年及2020年两个时间点，徒步和登山活动在夏季的高温暴露情况。

3.2.1 典型户外休闲活动分布情况

成都地区夏季典型户外活动分布情况如图4所示。徒步活动记录分布范围较广，该活动主要开展于成都市的西北部和中部地区，具体依托西北部山地、中部城市生态公园及绿道以及龙泉山景区等区域开展。西南区域主要为生态景区，有部分徒步活动在该区域开展。登山活动的开展范围相对集中，主要分布在西北部山地区域，该区域具体为成都平原边缘龙门山地带。相较于2015年，2020年徒步活动更多地出现在中部城市地区，这可能是因为城市内部自然生态公园数量有所增加。
图4 夏季典型户外活动分布

Fig. 4 Distribution of typical outdoor activities in summer

3.2.2 户外休闲活动轨迹聚类组团高温暴露格局

徒步活动轨迹聚类组团的高温暴露结果如图5所示。2015年夏季，徒步活动在空间上呈现7个聚类组团，分布于西部及北部山地区域以及成都平原东部的龙泉山地带，其中，位于龙泉山地带的聚类14由于靠近城市中心区域，在夏季存在一定程度的高温暴露情况。计算聚类组团轨迹点落入温区的比例以评估各聚类组团的暴露程度，聚类14的高温暴露程度为12.12%。到2020年夏季，徒步活动呈现13个聚类组团。相较于2015年夏季，2020年夏季新增组团主要出现在城市中心公园、成都东部龙泉山地带以及西南部黄龙溪景区地带，这表明到2020年，城市内部的生态绿地及山地区域由于空间距离优势成了公众休闲活动的新选择。在2020年夏季的热力格局下，有6个徒步活动聚类组团暴露于高温区及次高温区中，分别是聚类3、聚类5、聚类6、聚类7、聚类9、聚类12以及聚类14，其暴露程度为10.06%到100.00%不等，平均暴露程度达到63.43%。其中聚类5、聚类6、聚类7分布于城市内部公园地带，其暴露程度均超过90%，为暴露风险较大的活动组团。2020年，依托四环以内的城市生态公园开展的徒步活动在逐渐盛行，而这些活动集中分布于中心城区，有较高的高温暴露风险。在龙泉山地带开展的徒步活动面临的情况更为乐观，例如位于龙泉山地区的聚类14的高温暴露程度由2015年夏季的12.12%下降到了2020年夏季的10.06%，这可能是由于龙泉山地带在夏季起到了城市降温的作用。同时，伴随高温区逐步向北部扩张的趋势，北部区域的徒步活动组团的高温暴露程度在增加，总体暴露面积占比有所扩大。
图5 徒步活动聚类组团夏季高温暴露情况

Fig. 5 High temperature exposure of clustered hiking activities in summer

相较于徒步活动，登山活动的高温暴露程度要低很多。2015年夏季，登山活动呈现8个聚类组团（图6），均分布于成都西部和北部的山地地带。8个组团中，聚类2、聚类3以及聚类5存在轻微的高温暴露情况，暴露程度均在1%以下。2020年，登山活动新增3个聚类组团，分别为聚类10、聚类11和聚类12，新增组团主要出现在西北部丹景山地区、西南部西邻雪山地区以及东南部龙泉山地区。2020年的11个组团中有5个存在不同程度的高温暴露情况（聚类2、聚类4、聚类5、聚类11、聚类12），但除聚类11外，其他组团由于分布在西北部连片山地区域中，暴露程度都较低。位于邻近城市中心地区的龙泉山地带的聚类11仍有较大高温暴露风险，暴露程度达42.33%。
图6 登山活动聚类组团夏季高温暴露情况

Fig. 6 High temperature exposure of clustered mountaineering activities in summer

3.2.3 户外休闲活动重要节点高温暴露格局

通过对聚类组团中轨迹点的二次聚类，实现对边缘轨迹点和核心轨迹点的划分，筛选出户外活动轨迹中的关键停留点，即户外活动开展过程中的重要节点。这些重要节点代表了大多数旅游者开展户外休闲活动过程中均会停留且停留时间较长的空间节点，它反映了旅游者开展活动所依托的关键地点和区域，例如旅游吸引物、重要中转地、交通廊道等。
2015年，徒步活动共呈现出82个重要空间节点（图7），到2020年，重要节点增加到了301个，其中有16.61%的节点位于夏季的高温区和次高温区中。结合POI数据和路网数据，发现这些有高温暴露风险的重要节点主要位于城市重要交通干道（如一环、二环路，绕城高速和枢纽高架），景区及生态公园的停车场中，以及生态区域内部的步道上，覆盖了户外休闲活动前、活动中、活动后3个时空阶段，这说明高温会对户外活动的不同阶段均造成潜在的负面影响。就登山活动而言，登山活动的大部分重要节点均位于山地区域内部，几乎没有高温暴露的风险。2015年形成的96个重要节点中有2.08%暴露在夏季高温区域中，2020年形成的236个重要节点中，则有0.42%存在暴露情况，暴露程度相较于徒步活动低许多（图8）。部分位于东部龙泉山地带周边交通干道上的重要停留点存在一定的高温暴露情况。
图7 徒步活动重要节点高温暴露情况

Fig. 7 High temperature exposure of critical nodes in hiking activities

图8 登山活动重要节点高温暴露情况

Fig. 8 High temperature exposure of critical nodes in mountaineering activities

4 结论与讨论

本研究基于全天候地表温度产品和户外休闲活动GPS轨迹数据，使用轨迹平滑去噪算法、轨迹聚类模型等方法，分析了2010—2020年间成都市夏季高温时空格局，识别了存在高温风险的典型区域，揭示了典型户外休闲活动聚类组团和重要节点的高温暴露情况。通过挖掘户外活动轨迹数据揭示了易受高温威胁活动的分布和暴露格局，以填补以往缺少可靠数据而无法探讨户外休闲活动高温暴露情况的研究空白。
（1）成都市热力格局呈现中部高、西北部低的总体态势，高温区和次高温区有往北和向东的扩张态势。热力等级区呈现镶嵌状分布，低温区至高温区由城市区域外圈层至内圈层渐近分布；低温区及次低温区位于西北侧山地；高温区及次高温区覆盖了城市四环以内的成都中部平原地带，在平原东侧的龙泉山地带出现明显的隔断。2010—2020年，高温区及次高温区呈现向北部和东部的扩张态势。
（2）成都市徒步活动遭受的高温暴露风险大于登山活动。从2010—2020年的热力格局来看，在城市户外休闲活动中，徒步活动存在显著的高温暴露风险。这主要是由于在城市区域开展的徒步活动多依托城市内部的绿道、生态公园，或近郊区域的郊野公园，这些区域的热力等级普遍较高。成都地区开展登山活动的北部、西部以及东部山地区域的地表温度尚无明显的上升趋势，其高温暴露风险目前相对较低。总体上，从当前暴露情况和未来暴露趋势来看，徒步活动遭受的高温暴露威胁均要大于登山活动。
（3）2010—2020年间户外活动高温暴露风险持续上升。无论是徒步还是登山活动的高温暴露风险都在上升。两种活动轨迹的高温暴露面积均扩大了20%以上，有高温暴露风险的重要节点数量也在小幅增加。成都市的次高温区呈现向东部扩张的态势，这使得位于东部的重要徒步和登山活动开展区域龙泉山地带，在未来或将失去气候优势，面临高温暴露风险。高温区呈现向北部扩张的态势，相较于2015年，成都北部已经出现了新的徒步活动组团，高温区的向北扩张或将威胁这些新出现的徒步活动的开展。
（4）户外休闲活动开展的前中后3阶段均遭受高温威胁。通过计算活动轨迹中的关键停留点并叠加POI、路网数据，分析发现有高温暴露风险的户外休闲活动重要节点，主要分布在城市重要交通干道、景区及生态公园停车场以及生态景区内部的核心步道上。这些停留点是人们开展户外活动过程中花费时间长的重要节点，覆盖了活动前、活动中、活动后3个时空阶段，这说明高温会在户外活动的不同阶段均造成负面影响。
本研究所揭示的户外活动高温暴露格局是城市户外休闲活动行为和热力时空格局之间交互关系的客观体现。相关管理部门可据此优化城市基础设施及服务资源的配置，优先为存在高温暴露风险的重要户外活动区域及节点增加绿地和水体面积，构建生态廊道和通风廊道，配置遮阳设施，改造建筑与街道朝向与形态，在提升城市生态系统服务价值的同时缓解城市热岛效应。文旅及气象部门需重点关注和监测典型户外休闲活动的高温暴露情况，面向公众提供户外活动高温预警服务。在本研究的基础上，未来研究可进一步结合城市公园绿地规划、土地利用类型等数据，剖析高温格局的成因，亦可结合旅游者户外活动时长、代谢强度等行为数据量化高温胁迫对旅游行为的影响。本研究着重探讨了夏季日间的户外活动高温暴露情况，未来可进一步探索不同热浪持续期、不同日期以及一天中不同时段（清晨、中午、傍晚）户外休闲活动的高温暴露风险差异。此外，近年来成都市以建设公园城市为目标，在城市范围内陆续建立了若干生态绿道和绿地公园，未来可以探究在这些区域开展的户外活动将存在何种高温暴露风险。这些绿地系统将如何调节削弱热岛效应，改变成都的热力格局，也是值得进一步探索的问题。本研究分析发现高温暴露风险存在于户外休闲活动开展的前中后3阶段，未来可以进一步细化这一分析，结合具体停留时长，量化评估开展户外休闲活动前中后不同阶段面临的高温暴露风险。最后，还可以进一步将建筑遮挡、植被遮挡等要素纳入高温暴露风险的测度中，结合微气候测量等方法技术，对高温暴露情况进行更为精细和微观的评估。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
Wang J, Yan Z W. Rapid rises in the magnitude and risk of extreme regional heat wave events in China[J]. Weather and Climate Extremes, 2021, 34: 100379.

DOI

[2]
中国气象局. 《2022年中国气候公报》[EB/OL]. (2023-03-24) [2023-10-19]. https://www.cma.gov.cn/zfxxgk/gknr/qxbg/202303/t20230324_5396394.html.

[China Meterologicaal Administration. China Climate Bulletin (2022))[EB/OL]. (2023-03-24) [2023-10-19]. https://www.cma.gov.cn/zfxxgk/gknr/qxbg/202303/t20230324_5396394.html.]

[3]
Tan J G, Zheng Y F, Tang X, et al. The urban heat island and its impact on heat waves and human health in Shanghai[J]. International Journal of Biometeorology, 2010, 54(1): 75-84.

DOI PMID

[4]
Bornstein R D. Observations of the urban heat island effect in New York City[J]. Journal of Applied Meteorology and Climatology, 1968, 7(4): 575-582.

[5]
Deilami K, Kamruzzaman M, Liu Y. Urban heat island effect: A systematic review of spatio-temporal factors, data, methods, and mitigation measures[J]. International Journal of Applied Earth Observation and Geoinformation, 2018, 67: 30-42.

DOI

[6]
Heaviside C, MacIntyre H, Vardoulakis S. The urban heat island: Implications for health in a changing environment[J]. Current Environmental Health Reports, 2017, 4(3): 296-305.

DOI PMID

[7]
He B J, Wang J S, Zhu J, et al. Beating the urban heat: Situation, background, impacts and the way forward in China[J]. Renewable and Sustainable Energy Reviews, 2022, 161: 112350.

DOI

[8]
谢盼, 王仰麟, 刘焱序, 等. 基于社会脆弱性的中国高温灾害人群健康风险评价[J]. 地理学报, 2015, 70(7): 1041-1051.

DOI

[Xie Pan, Wang Yanglin, Liu Yanxu, et al. Incorporating social vulnerability to assess population health risk due to heat stress in China[J]. Acta Geographica Sinica, 2015, 70(7): 1041-1051.]

DOI

[9]
税伟, 陈志淳, 邓捷铭, 等. 耦合适应力的福州市高温脆弱性评估[J]. 地理学报, 2017, 72(5): 830-849.

DOI

[Shui Wei, Chen Zhichun, Deng Jieming, et al. Evaluation of urban high temperature vulnerability of coupling adaptability in Fuzhou, China[J]. Acta Geographica Sinica, 2017, 72(5): 830-849.]

DOI

[10]
杨阳, 赵娜, 岳天祥. 1980—2018年中国极端高温事件时空格局演变特征[J]. 地理科学, 2022, 42(3): 536-547.

DOI

[Yang Yang, Zhao Na, Yue Tianxiang. Spatio-temporal variations of extreme high temperature event in China from 1980 to 2018[J]. Scientia Geographica Sinica, 2022, 42(3): 536-547.]

DOI

[11]
Smith T T, Zaitchik B F, Gohlke J M. Heat waves in the United States: Definitions, patterns and trends[J]. Climatic Change, 2013, 118(3): 811-825.

DOI

[12]
雷金睿, 陈宗铸, 吴庭天, 等. 1989—2015年海口城市热环境与景观格局的时空演变及其相互关系[J]. 中国环境科学, 2019, 39(4): 1734-1743.

[Lei Jinrui, Chen Zongzhu, Wu Tingtian, et al. Spatio-temporal evolution and interrelationship between thermal environment and landscape patterns of Haikou City, 1989-2015[J]. China Environmental Science, 2019, 39(4): 1734-1743.]

[13]
李洋, 王玉辉, 吕晓敏, 等. 1961—2013年东北三省极端气候事件时空格局及变化[J]. 资源科学, 2015, 37(12): 2501-2513.

[Li Yang, Wang Yuhui, Lv Xiaomin, et al. Spatial distribution and temporal change in extreme weather events in three provinces in Northeast China[J]. Resources Science, 2015, 37(12): 2501-2513.]

[14]
闫慧敏, 陈伟娜, 杨方兴, 等. 过去50年内蒙古极端气候事件时空格局特征[J]. 地理研究, 2014, 33(1): 13-22.

DOI

[Yan Huimin, Chen Weina, Yang Fangxing, et al. The spatial and temporal analysis of extreme climatic events in Inner Mongolia during the past 50 years[J]. Geographical Research, 2014, 33(1): 13-22.]

DOI

[15]
乔治, 孙宗耀, 孙希华, 等. 城市热环境风险预测及时空格局分析[J]. 生态学报, 2019, 39(2): 649-659.

[Qiao Zhi, Sun Zongyao, Sun Xihua, et al. Prediction and analysis of urban thermal environment risk and its spatiotemporal pattern[J]. Acta Ecologica Sinica, 2019, 39(2): 649-659.]

[16]
金星星, 祁新华, 陆玉麒, 等. 福建省高温热浪风险评估与空间分异研究[J]. 地球信息科学学报, 2018, 20(12): 1820-1829.

DOI

[Jin Xingxing, Qi Xinhua, Lu Yuqi, et al. Evaluation and spatial differentiation of heat waves risk of Fujian Province[J]. Journal of Geo-Information Science, 2018, 20(12): 1820-1829.]

[17]
黄大鹏, 张蕾, 高歌. 未来情景下中国高温的人口暴露度变化及影响因素研究[J]. 地理学报, 2016, 71(7): 1189-1200.

DOI

[Huang Dapeng, Zhang Lei, Gao Ge. Changes in population exposure to high temperature under a future scenario in China and its influencing factors[J]. Acta Geographica Sinica, 2016, 71(7): 1189-1200.]

DOI

[18]
黄晓军, 祁明月, 赵凯旭, 等. 高温影响下西安市人口脆弱性评估及其空间分异[J]. 地理研究, 2021, 40(6): 1684-1700.

DOI

[Huang Xiaojun, Qi Mingyue, Zhao Kaixu, et al. Assessment of population vulnerability to heat stress and spatial differentiation in Xi’an[J]. Geographical Research, 2021, 40(6): 1684-1700.]

DOI

[19]
黄晓军, 王博, 刘萌萌, 等. 中国城市高温特征及社会脆弱性评价[J]. 地理研究, 2020, 39(7): 1534-1547.

DOI

[Huang Xiaojun, Wang Bo, Liu Mengmeng, et al. Characteristics of urban extreme heat and assessment of social vulnerability in China[J]. Geographical Research, 2020, 39(7): 1534-1547.]

DOI

[20]
Coffel E D, Horton R M, de Sherbinin A. Temperature and humidity based projections of a rapid rise in global heat stress exposure during the 21st century[J]. Environmental Research Letters, 2018, 13(1): 014001

DOI

[21]
Voelkel J, Hellman D, Sakuma R, et al. Assessing vulnerability to urban heat: A study of disproportionate heat exposure and access to refuge by socio-demographic status in Portland, Oregon[J]. International Journal of Environmental Research and Public Health, 2018, 15(4): 640.

DOI

[22]
MacIntyre H L, Heaviside C, Taylor J, et al. Assessing urban population vulnerability and environmental risks across an urban area during heatwaves: Implications for health protection[J]. Science of the Total Environment, 2018, 610-611: 678-690.

[23]
Kuras E R, Richardson M B, Calkins M M, et al. Opportunities and challenges for personal heat exposure research[J]. Environmental Health Perspectives, 2017, 125(8): 085001.

DOI

[24]
White-Newsome J L, Sánchez B N, Jolliet O, et al. Climate change and health: Indoor heat exposure in vulnerable populations[J]. Environmental Research, 2012, 112: 20-27.

DOI PMID

[25]
Kjellstrom T, Freyberg C, Lemke B, et al. Estimating population heat exposure and impacts on working people in conjunction with climate change[J]. International Journal of Biometeorology, 2018, 62(3): 291-306.

DOI PMID

[26]
Tuholske C, Caylor K, Funk C, et al. Global urban population exposure to extreme heat[J]. Proceedings of the National Academy of Sciences of the United States of America, 2021, 118(41): e2024792118.

[27]
Basu R P, Samet J M. An exposure assessment study of ambient heat exposure in an elderly population in Baltimore, Maryland[J]. Environmental Health Perspectives, 2002, 110(12): 1219-1224.

PMID

[28]
Rutty M, Scott D, Matthews L, et al. An inter-comparison of the holiday climate index (HCI: Beach) and the tourism climate index (TCI) to explain Canadian tourism arrivals to the Caribbean[J]. Atmosphere, 2020, 11(4): 412.

DOI

[29]
Fukushima T, Kureha M, Ozaki N, et al. Influences of air temperature change on leisure industries: Case study on ski activities[J]. Mitigation and Adaptation Strategies for Global Change, 2002, 7(2): 173-189.

DOI

[30]
Liu J, Yang L, Zhou H, et al. Impact of climate change on hiking: Quantitative evidence through big data mining[J]. Current Issues in Tourism, 2021, 24(21): 3040-3056.

DOI

[31]
刘俊, 杨璐瑜, 王胜宏, 等. 气候变化与登山旅游: 基于游客大数据的分析与模拟[J]. 旅游学刊, 2022, 37(9): 141-154.

[Liu Jun, Yang Luyu, Wang Shenghong, et al. Climate change and mountaineering: Analysis and simulation based on tourist big data[J]. Tourism Tribune, 2022, 37(9): 141-154.]

[32]
陈颖锋, 王玉宽, 傅斌. 成渝城市群城镇化的热岛效应[J]. 生态学杂志, 2015, 34(12): 3494-3501.

[Chen Yingfeng, Wang Yukuan, Fu Bin, et al. Heat island effect during the process of urbanization in Chengdu-Chongqing urban agglomeration[J]. Chinese Journal of Ecology, 2015, 34(12): 3494-3501 ]

[33]
Zhang X D, Zhou J, Liang S L, et al. A practical reanalysis data and thermal infrared remote sensing data merging (RTM) method for reconstruction of a 1-km all-weather land surface temperature[J]. Remote Sensing of Environment, 2021, 260: 112437.

DOI

[34]
乔治, 黄宁钰, 徐新良, 等. 2003—2017年北京市地表热力景观时空分异特征及演变规律[J]. 地理学报, 2019, 74(3): 475-489.

DOI

[Qiao Zhi, Huang Ningyu, Xu Xinliang, et al. Spatio-temporal pattern and evolution of the urban thermal landscape in metropolitan Beijing between 2003 and 2017[J]. Acta Geographica Sinica, 2019, 74(3): 475-489.]

DOI

[35]
Kouskoulis G, Antoniou C, Spyropoulou I. A method for the treatment of pedestrian trajectory data noise[J]. Transportation Research Procedia, 2019, 41: 782-798.

DOI

[36]
Grewal M S, Andrews A P. Kalman Filtering: Theory and Practice with MATLAB[M]. New York, John Wiley & Sons, 2014.

[37]
Chen Z. Bayesian filtering: From Kalman filters to particle filters, and beyond[J]. Statistics, 2003, 182(1): 1-69.

[38]
Simon D. Kalman filtering[J]. Embedded systems programming, 2014, 14(6): 72-79.

[39]
Douglas D H, Peucker T K. Algorithms for the reduction of the number of points required to represent a digitized line or its caricature[J]. Cartographica: the International Journal for Geographic Information and Geovisualization, 1973, 10(2): 112-122.

DOI

[40]
Saalfeld A. Topologically consistent line simplification with the Douglas-Peucker algorithm[J]. Cartography and Geographic Information Science, 1999, 26(1): 7-18.

DOI

[41]
Muckell J, Olsen P W, Hwang J H, et al. Compression of trajectory data: A comprehensive evaluation and new approach[J]. GeoInformatica, 2014, 18(3): 435-460.

DOI

[42]
Tang J J, Bi W, Liu F, et al. Exploring urban travel patterns using density-based clustering with multi-attributes from large-scaled vehicle trajectories[J]. Physica A: Statistical Mechanics and Its Applications, 2021, 561: 125301.

DOI

[43]
Schubert E, Sander J, Ester M, et al. DBSCAN revisited, revisited: why and how you should (still) use DBSCAN[J]. ACM Transactions on Database Systems, 2017, 42(3): 1-21.

[44]
Parimala M, Lopez D, Senthilkumar N. A survey on density based clustering algorithms for mining large spatial databases[J]. International Journal of Advanced Science and Technology, 2011, 31(1), 59-66.

Options
文章导航

/

〈 〉