利用众包气温数据和LCZ4r分析城市热岛效应

Max Anjos

April 08, 2026

介绍

城市热岛 (UHI) 是城市中的一个严重环境问题，城市地区的气温高于农村地区。本案例研究演示了如何使用来自公民气象站 (CWS) 的众包气温 (Tair) 数据和 R 中的 LCZ4r 软件包来分析 UHI。我们重点关注 2023 年 5 月的每小时 Tair 数据，由德国柏林的 Netatmo CWS 收集，可通过 R 中的 CrowdQCplus 包.

# 安装并加载必要的软件包
if (!require("pacman")) install.packages("pacman")
install.packages("sf", type = "binary")
pacman::p_load(remotes, dplyr, tmap, ggplot2, devtools, data.table)

library(dplyr)   # 用于数据处理
library(sf)      # 用于向量数据处理
library(tmap)    # 用于交互式地图可视化
library(ggplot2) # 用于数据可视化
library(data.table)

# 安装 CrowdQCplus 以进行 CWS 数据质量控制
if (!require("CrowdQCplus")) {
  remotes::install_github("dafenner/CrowdQCplus")
}
library(CrowdQCplus)

为什么要众包数据？

众包气象站提供前所未有的城市温度数据空间覆盖： - 高密度：全市有数百或数千个车站 - 实时数据：每小时或每小时一次的测量 - 具有成本效益：利用现有的公民基础设施 - 补充：填补官方监测网络的空白

然而，仔细的质量控制对于确保数据可靠性至关重要。

数据集准备

加载柏林 LCZ 地图

# 使用 LCZ 生成器平台获取柏林的 LCZ 地图
lcz_map <- LCZ4r::lcz_get_map_generator(ID = "8576bde60bfe774e335190f2e8fdd125dd9f4299")

# 可视化LCZ图
LCZ4r::lcz_plot_map(lcz_map)

柏林 LCZ 地图显示当地气候带的空间分布。该地图用作分析众包温度数据的空间框架。

加载和探索 CWS 数据

# 从 CrowdQCplus 软件包加载柏林的 CWS 样本数据
data(cqcp_cws_data)

# 查看数据集的结构
head(cqcp_cws_data)

# 汇总统计
summary(cqcp_cws_data)

可视化 CWS 站点分布

# 将CWS站点转换为sf对象以进行空间分析
shp_stations <- cqcp_cws_data %>%
  distinct(lon, lat, .keep_all = TRUE) %>%
  st_as_sf(coords = c("lon", "lat"), crs = 4326)

# 在交互式地图上可视化 CWS 站点
tmap_mode("view")
qtm(shp_stations, dots.col = "blue", dots.size = 0.3,
    title = "Citizen Weather Stations in Berlin")

CWS 数据的质量控制

为了确保数据的可靠性，我们采用了由 芬纳等人。 (2021) 使用 CrowdQCplus 包。此过程可以过滤掉统计上不可信的读数，从而提高数据准确性。

QC流程步骤：

1. 数据填充：确保时间序列一致
2. 输入验证：检查数据结构
3. 质量控制：应用统计过滤器来识别异常值
4. 输出统计数据：总结 QC 结果

# 执行数据填充和输入检查
data_crows <- cqcp_padding(cqcp_cws_data)
data_check <- cqcp_check_input(data_crows)

# 应用质量控制
if (data_check) {
  data_qc <- cqcp_qcCWS(data_crows)  # QC process
}

# 查看质量控制输出
head(data_qc)

# 显示 QC 输出统计信息
n_data_qc <- cqcp_output_statistics(data_qc)
print(n_data_qc)

了解 QC 输出：

应用 QC 后，会生成多个列： - ta_int：通过所有质量控制步骤的温度值 - qc_flag：指示数据质量状态的质量控制标志 - qa_flag：用于额外验证的质量保证标志

对于气温插值，我们使用 ta_int 列，代表最可靠的温度估计。

LCZ 的昼夜周期分析

我们检查了不同 LCZ 特定日期（2023 年 5 月 1 日）气温的昼夜循环，以了解城市形态如何影响每日温度模式。

# 分析LCZ各类别中的日温度变化
cws_ts <- lcz_ts(lcz_map, 
                 data_frame = data_qc,
                 var = "ta_int", 
                 station_id = "p_id",
                 time.freq = "hour",
                 extract.method = "two.step",
                 year = 2023, month = 5, day = 1,
                 by = "daylight")

# 显示时间序列图
cws_ts

2023 年 5 月 1 日，柏林不同 LCZ 等级的昼夜温度循环。请注意，与植被和开放区域相比，紧凑的建筑区域全天保持更高的温度。

城市热岛分析

UHI 强度时间序列

我们使用 LCZ 方法计算了 2023 年 5 月每小时的 UHI 强度，该方法根据 LCZ 类别自动选择城市和农村温度。

# 计算2023年5月的城市热岛强度
cws_uhi <- lcz_uhi_intensity(lcz_map, 
                             data_frame = data_qc,
                             var = "ta_int", 
                             station_id = "p_id",
                             time.freq = "hour",
                             extract.method = "two.step",
                             year = 2023, month = 5,
                             method = "LCZ")

# 显示城市热岛强度时间序列
cws_uhi

2023年5月柏林的UHI强度时间序列。观测到的最高UHI强度为5月13日16:00 3.7°C，表明城市变暖效应显着。

城市热岛空间测绘

我们使用基于 LCZ 的空间插值对 2023 年 5 月 13 日 16:00（强度最大的时间）的 UHI 进行了建模。

温度图

# 绘制城市热岛效应高峰期的气温图
my_interp_map <- lcz_interp_map(
  lcz_map,
  data_frame = data_qc,
  var = "ta_int",
  station_id = "p_id",
  sp.res = 100,
  tp.res = "hour",
  year = 2023, month = 5, day = 13, hour = 16
)

# 使用标题和标签自定义图表
lcz_plot_interp(
  my_interp_map,
  title = "Thermal Field - CWS Data",
  subtitle = "Berlin - May 13, 2023 at 16:00",
  caption = "Source: LCZ4r, 2024",
  fill = "Temperature [°C]"
)

2023年5月13日16:00城市热岛高峰事件期间气温空间分布。该地图揭示了不同的热模式，紧凑的城市地区温度较高，植被和周边地区温度较低。

热异常图

# 针对同一事件生成热异常图
my_anomaly_map <- lcz_anomaly_map(
  lcz_map,
  data_frame = data_qc,
  var = "ta_int",
  station_id = "p_id",
  sp.res = 100,
  tp.res = "hour",
  year = 2023, month = 5, day = 13, hour = 16
)

# 自定义异常图
lcz_plot_interp(
  my_anomaly_map,
  title = "Thermal Anomaly Field - CWS Data",
  subtitle = "Berlin - May 13, 2023 at 16:00",
  caption = "Source: LCZ4r, 2024",
  fill = "Temperature Anomaly [°C]", 
  palette = "bl_yl_rd"
)

显示与城市平均水平偏差的热异常图。红色区域表示温度高于平均水平（热点），而蓝色区域表示温度低于平均水平（冷点）。

UHI地图精度评估

我们使用留一交叉验证 (LOOCV) 和计算指标（如 RMSE、MAE 和 sMAPE）评估插值精度。

交叉验证

# 评估插值精度
df_eval <- lcz_interp_eval(
  lcz_map,
  data_frame = data_qc,
  var = "ta_int",
  station_id = "p_id",
  year = 2023, month = 5, day = 13, 
  LOOCV = TRUE,
  extract.method = "two.step",
  sp.res = 500,
  tp.res = "hour",
  vg.model = "Sph",
  LCZinterp = TRUE
)

LCZ 类别的评估指标

# 按LCZ类计算评估指标
df_eval_metrics <- df_eval %>%
  group_by(lcz) %>%
  summarise(
    n_obs = n(),                                      # Number of observations
    rmse = sqrt(mean((observed - predicted)^2)),      # RMSE
    mae = mean(abs(observed - predicted)),            # MAE
    smape = mean(2 * abs(observed - predicted) / 
                (abs(observed) + abs(predicted)) * 100) # sMAPE
  ) %>%
  arrange(rmse)

# 显示指标
df_eval_metrics

相关性分析

# 相关图，包含回归方程和 R²
p1 <- ggplot(df_eval, aes(x = observed, y = predicted)) +
  geom_point(alpha = 0.3, color = "#1D9E75", size = 1) +
  geom_smooth(method = "lm", color = "red", se = FALSE, linewidth = 1) +
  stat_density2d(aes(fill = after_stat(level)), geom = "polygon", alpha = 0.3) +
  scale_fill_viridis_c(option = "viridis", name = "Density") +
  stat_poly_eq(
    aes(label = paste(..eq.label.., ..rr.label.., sep = "~~~")),
    formula = y ~ x,
    parse = TRUE,
    label.x.npc = "left",
    label.y.npc = "top",
    size = 4
  ) +
  labs(
    title = "Observed vs. Predicted Temperatures",
    x = "Observed Temperature [°C]",
    y = "Predicted Temperature [°C]"
  ) +
  theme_minimal(base_size = 14) +
  theme(
    plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
    axis.title = element_text(face = "bold")
  )

# 添加边际直方图
p1_with_marginals <- ggMarginal(p1, 
                                 type = "histogram", 
                                 fill = "#1D9E75", 
                                 bins = 30,
                                 alpha = 0.6)

# 打印图表
p1_with_marginals

众包数据观测到的温度和预测的温度之间的相关性。高 R² 值表明模型性能良好，证明了 QC 后众包数据的可靠性。

按 LCZ 类别进行残差分析

# 按LCZ类别划分的残差图
p2 <- ggplot(df_eval, aes(x = observed, y = residual)) +
  geom_point(alpha = 0.3, color = "darkgreen", size = 1) +
  geom_hline(yintercept = 0, linetype = "dashed", color = "red", linewidth = 0.8) +
  geom_smooth(method = "loess", color = "blue", se = FALSE, linewidth = 1) +
  stat_density2d(aes(fill = after_stat(level)), geom = "polygon", alpha = 0.3) +
  scale_fill_viridis_c(option = "plasma", direction = -1, name = "Density") +
  facet_wrap(~ lcz, scales = "free", ncol = 3) +
  labs(
    title = "Residuals by LCZ Class",
    x = "Observed Temperature [°C]",
    y = "Residuals [°C]"
  ) +
  theme_minimal(base_size = 12) +
  theme(
    plot.title = element_text(size = 16, face = "bold", hjust = 0.5),
    axis.title = element_text(face = "bold"),
    strip.text = element_text(size = 12, face = "bold"),
    legend.position = "right",
    panel.grid.major = element_line(color = "gray90", linetype = "dotted"),
    panel.grid.minor = element_blank()
  )

# 打印图表
p2

用于众包数据评估的 LCZ 类残差。零附近的随机散布表明模型在不同的城市形态中表现良好。

主要发现和讨论

结果总结

公制	价值	解读
峰值热岛强度	3.7°C	显着的城市变暖效应
总体 RMSE	~0.8-1.2°C	预测准确度好
最佳表现 LCZ	开扬低层	在训练数据中具有良好的代表性
具有挑战性的 LCZ	紧凑型中层	更高的空间变异性

众包数据的优势

1. 高空间分辨率：数百个站点提供详细的城市热模式
2. 实时监控：捕捉快速温度变化
3. 成本效益：利用现有的公民基础设施
4. 补充：填补官方监测网络的空白

质量控制优势

CrowdQCplus QC 流程成功： - 识别并删除统计上不可信的读数 - 降低温度信号中的噪声 - 改善观测值和预测值之间的相关性 - 增强的空间模式检测

实际应用

1. 热浪预警：识别极端高温事件期间风险最高的区域
2. 城市规划：根据热模式告知绿色基础设施布局
3. 气候适应：评估缓解策略的有效性
4. 公共卫生：针对高温脆弱地区的干预措施

保存结果

# 将评估指标保存到 CSV 文件
write.csv(df_eval_metrics, 
          file = "cws_uhi_metrics_may2023.csv", 
          row.names = FALSE)

# 保存完整评估数据框
write.csv(df_eval, 
          file = "cws_uhi_evaluation_may2023.csv", 
          row.names = FALSE)

# 保存地块
ggsave("cws_correlation_plot.png", p1_with_marginals, width = 10, height = 8, dpi = 300)
ggsave("cws_residuals_by_lcz.png", p2, width = 12, height = 10, dpi = 300)

---

有反馈或建议吗？

您有改进的想法或者发现错误吗？我们很乐意听取您的意见！单击下面的按钮创建新问题 (GitHub) 并直接与我们分享您的反馈或建议。

打开 GitHub 问题