Analysis of temperature characteristics and influencing factors of the stormwater runoff in typical catchment in Beijing
-
摘要:
城市化发展导致不透水地表面积率大幅攀升，由此带来的一系列问题逐渐受到人们关注，夏季城市汇水区域地表产生高温径流后汇入下游受纳水体所造成的雨水径流热污染，对水生态、水环境造成不良影响的风险尤为突出。选取北京市典型汇水区域，对2021—2022年多场降雨径流出流温度进行监测与分析，并对气象因素、下垫面温度及管道内径流热量等数据进行同步采集，运用皮尔逊相关系数法分析其影响因素。结果表明：研究区域夏季降雨常出现雨水径流温度升高现象，降水量小于12.5 mm、降雨历时短于250 min的降雨场次更易于升温，升温幅度最高可达4.1 ℃；径流温度升高往往出现在径流过程初期，温度达峰平均时间为38 min；径流是否升温与降雨强度峰值位置之间没有明显关系；气温、不透水地表初始时刻温度、降雨历时及降水量是雨水径流温度的极显著影响因素（P<0.01）；降雨期间气温、降雨历时、不透水地表初始时刻温度和管道内壁温度4个指标，可以基本解释研究区域96.7%的径流温度输出情况。
Abstract:With the development of urbanization, the rate of impervious surface area has increased greatly, and a series of problems have attracted more and more attention. The risk of adverse impacts on the water ecology and water environment has become more and more prominent in the summer when the surface of the urban catchment produces high temperature runoff and then sinks into the downstream receiving water bodies caused by the thermal pollution of stormwater runoff. A typical catchment in Beijing was selected to monitor and analyze the runoff temperature of several rainfall events from 2021 to 2022. The data of meteorological factors, underlying surface temperature and pipeline runoff heat were collected simultaneously, and the Pearson correlation coefficient method was applied to analyze the influencing factors. The results showed that the temperature of stormwater runoff often increased in summer rainfall in the study area, and rainfall events with precipitation less than 12.5 mm and durations shorter than 250 min were more prone to warming, with a maximum warming of 4.1 ℃. Runoff temperature increases tended to occur at the beginning of the runoff process, with an average time to peak of 38 min, and there was no obvious relationship between the temperature rise and the peak location of rainfall intensity. The highly significant (P<0.01) influencing factors of stormwater runoff temperature included air temperature, precipitation, rainfall duration, and the impervious surface temperature at the initial moment of rainfall. The four indicators of air temperature during rainfall, rainfall duration, impervious surface temperature, and pipe wall temperature at the initial moment could explain 96.7% of the runoff temperature output in the study area.
-
2021年9月，生态环境部印发《关于推进国家生态工业示范园区碳达峰碳中和相关工作的通知》，将碳达峰、碳中和纳入国家生态工业示范园区建设的重要内容。2021年10月，国务院发布《2030年前碳达峰行动方案的通知》，提出“打造一批达到国际先进水平的节能低碳园区”“选择100个具有典型代表性的城市和园区开展碳达峰试点建设”。工业园区低碳发展已成为实现“双碳”目标的重要组成部分。推动工业园区低碳发展，首要任务是准确评估工业园区低碳发展水平、识别优势与劣势，从而作出低碳决策。因此，建立科学的评价指标体系及评价方法，是扎实推进工业园区低碳发展的关键一步。
目前，工业园区低碳发展评价相关研究已取得一定成果。如谢华生等[1]从低碳能源、碳汇建设、低碳技术、低碳建筑、低碳交通、低碳管理6个方面提出了生态工业园低碳发展指导性指标体系。伍肆等[2]构建了包含能源利用、温室气体排放控制、循环经济与环保、园区建设管理4个准则层的工业园区低碳发展水平评价指标体系，利用层次分析法（AHP）赋权，以模糊综合评价法测度了中部某工业园区低碳发展水平。周娟[3]在实地调研和理论研究的基础上建立了以压力-状态-响应模型为框架的低碳工业园区评价指标体系，结合层次分析法、德尔菲法确定权重，以综合指数法为评价方法在湖北省黄金山工业园区进行应用。李晓静[4]通过查阅文献与深度专家访谈的方式建立了工业园区低碳发展评价指标体系，用熵权法计算指标权重，用综合指数法对青岛市16个典型的工业园区进行评价。马桂华[5]采用驱动力-压力-状态-响应模型构建了工业园区低碳评价指标体系，通过层次分析法结合综合指数法评价了南宁市高新区低碳发展水平。霍震[6]从经济、能源、碳汇、技术、环境、建设和管理6个维度设计低碳园区评价指标体系，以层次分析法赋权，以综合指数法对江苏省10个低碳经济试点园区进行评价。Liu等[7]基于驱动-压力-状态-影响-响应框架构建了海洋工业园区可持续性评价指标体系，采用层次分析法和熵权法计算各指标的权重，并对石狮海洋生物科技园2013—2016年的可持续性进行了评价。
综上所述，既有研究在指标体系构建方面已经较为完善，为合理评价工业园区低碳发展水平提供了良好的参考借鉴，但仍然存在以下不足：1）“双碳”目标下，工业园区节能降碳的要求越来越高，现有指标体系中多数指标的标杆值相对较低，缺乏时效性；2）现有研究大多选择单一赋权法，例如层次分析法或熵权法，而兼顾主观和客观赋权法优点的组合赋权法在工业园区绿色低碳评价中鲜有应用；3）以往研究较少识别制约园区低碳发展的主导障碍因素，难以精准、全面地提出对策建议。鉴于此，本研究采用理论分析法、频度统计法、专家咨询法，构建以低碳产业、能源资源利用、减污降碳、低碳基础设施、长效管理为准则的工业园区低碳发展评价指标体系，同时从时效性和先进性出发合理设置指标标杆值，增强指标的实用性；然后利用层次分析法和改进CRITIC法确定指标的组合权重，提高赋权过程的合理性；最后选取华东地区A园区为研究案例，运用TOPSIS-灰色关联分析法测度其低碳发展水平，采用障碍度模型识别制约A园区低碳发展的障碍因素，并提出针对性的低碳发展建议。
1. 研究方法
1.1 评价指标体系构建
1.1.1 框架构建
在充分考虑工业园区低碳发展系统的组成要素以及影响因素的基础上，借鉴前人研究[1–9]，从低碳产业、能源资源利用、减污降碳、低碳基础设施、长效管理5个维度构建工业园区低碳发展评价指标体系（图1）。其中，减污降碳是工业园区低碳发展的核心目标，也是工业园区低碳发展水平的直接体现，主要考察二氧化碳及污染物的排放水平；低碳产业是工业园区低碳发展的基础，主要考察产业结构和产业效益；能源资源利用是工业园区低碳发展的关键，其中能源消费更是碳排放的主要来源，主要考察能源结构、能源效率、资源效率；低碳基础设施是工业园区低碳发展的重要助力，基础设施共享本就是园区区别于企业的重要特征，主要考察绿化、交通、环境、建筑等基础设施的低碳化程度；长效管理是工业园区低碳发展的保障，主要考察碳排放相关运行管理制度的完善情况。
1.1.2 指标筛选
在遵循全面性、可操作性、前瞻性[8]、可比性、低碳性原则的前提下，通过 Web of Science、中国知网、政府官方网站等渠道，收集大量相关指标体系，采用理论分析法、频度统计法筛选指标，结合前述指标框架，建立初始指标体系，然后通过2轮专家咨询形成最终的工业园区低碳发展评价指标体系（表1），共计1个一级指标、5个二级指标、24个三级指标。指标筛选过程与马桂华[5]提出的流程基本一致，具备可行性。对比类似研究中的评价指标[1–6]，本研究所选指标更具低碳特征，例如“编制碳达峰行动方案”。
表 1 工业园区低碳发展评价指标体系Table 1. Evaluation index system for low-carbon development of industrial parks一级指标 二级指标 三级指标 正负性 类型 权重 工业园区低碳
发展水平（A）低碳产业（B1） 园区工业增加值增速（C1） 正 二选一 0.021 2 人均工业增加值（C1） 正 绿色产业增加值占工业增加值的比例（C2） 正 二选一 0.060 0 高新技术企业工业总产值占园区工业总产值比例（C2） 正 能源资源利用（B2） 单位工业增加值综合能耗（C3） 负 必选 0.074 1 可再生能源使用比例（C4） 正 二选一 0.096 4 煤炭消费总量下降率（C4） 正 能源技术应用情况（C5） 正 必选 0.050 7 工业用水重复利用率（C6） 正 必选 0.060 0 工业固体废物综合利用率（C7） 正 必选 0.033 0 减污降碳（B3） 园区二氧化碳排放量下降率（C8） 正 必选 0.060 0 单位工业增加值碳排放量（C9） 负 必选 0.096 4 单位工业增加值碳排放量下降率（C10） 正 必选 0.096 4 主要污染物排放弹性系数（C11） 正/负1） 必选 0.033 0 单位工业增加值废水排放量（C12） 负 必选 0.042 8 低碳基础设施（B4） 绿化覆盖率（C13） 正 必选 0.021 2 节能与新能源公交车比例（C14） 正 必选 0.032 8 新建工业建筑中绿色建筑的比例（C15） 正 二选一 0.033 0 新建公共建筑中绿色建筑的比例（C15） 正 污水集中处理设施（C16） 正 必选 0.042 8 长效管理（B5） 重点企业环境信息公开率（C17） 正 必选 0.008 6 企业清洁生产审核实施率（C18） 正 必选 0.021 2 购买绿电或碳抵消（C19） 正 必选 0.012 7 能源在线监测平台（C20） 正 必选 0.032 8 碳排放管理能力完善度（C21） 正 必选 0.032 8 编制低碳发展规划或碳达峰行动方案（C22） 正 必选 0.021 2 绿色低碳信息平台完善程度（C23） 正 必选 0.010 9 绿色低碳主题宣传活动（C24） 正 必选 0.006 0 1）当工业增加值年均增长率大于0时，为负向；当工业增加值年均增长率小于0时，为正向。 1.1.3 标杆值的设定
以往研究[9]设置指标标杆值时，往往参考《低碳园区发展指南（2012年）》、HJ 274—2015《国家生态工业示范园区标准》等，这些指标体系发布较早，部分指标标杆值缺乏时效性，无法代表现阶段的工业发展水平。因此，需合理更新一些关键指标的标杆值（表2），标杆值的来源有3方面：1）近年颁布的工业园区低碳评价指标体系（更具时效性）；2）发达地区出台的工业园区低碳评价指标体系（更具先进性）；3）根据国家和各省市中长期发展规划文件进行合理推断。对比其他研究[3,5,9]，本研究中的指标标杆值要求更严格，能更好地服务于新形势下的工业园区低碳评价。
表 2 各项指标的标杆值及来源Table 2. Benchmark values and sources of various indicators三级指标 标杆值 来源 三级指标 标杆值 来源 园区工业增加值增速（C1） 15% 《山东省省级生态工业园区管理办法》（2022年） 节能与新能源公交车比例（C14） 30% 《浙江省绿色低碳工业园区建设评价导则》（2022年） 人均工业增加值（C1） 20万元/人 T/CIECCPA 010—2023《工业园区绿色低碳评价导则》 新建工业建筑中绿色
建筑的比例（C15）30% 《浙江省绿色低碳工业园区建设评价导则》（2022年） 绿色产业增加值占工业增加值的比例（C2） 45% 《江苏省省级生态工业园区建设规范（征求意见稿）》（2021年） 新建公共建筑中绿色
建筑的比例（C15）60% 高新技术企业工业总产值占园区工业总产值比例（C2） 45% 污水集中处理设施（C16） 1分 HJ 274—2015《国家生态工业示范园区标准》
（具备得1分，反之0分1））单位工业增加值综合能耗（C3） 0.33 t/万元 DB21/T 3662—2022《绿色工业园区评价规范》 可再生能源使用比例（C4） 15% 《绿色园区评价要求》（2016年） 重点企业环境信息公开率（C17） 100% HJ 274—2015《国家生态工业示范园区标准》 煤炭消费总量下降率（C4） 2% 《“十四五”节能减排综合工作方案》 企业清洁生产审核实施率（C18） 100% HJ 274—2015《国家生态工业示范园区标准》 能源技术应用情况（C5） 1分 T/ACEF 038—2022《工业园区碳中和评价方法》 购买绿电或碳抵消（C19） 1分 《深圳近零碳排放园区试点主要指标体系》（2021年）
（具备得1分，反之0分1））（每应用1例，得0.1分，
满分1分1））工业用水重复利用率（C6） 90% 《浙江省绿色低碳工业园区建设评价导则》（2022年） 能源在线监测平台（C20） 1分 T/CSPSTC 51—2020《智慧零碳工业园区设计和
评价技术指南》
（具备得1分，反之0分1））工业固体废物综合利用率（C7） 95% DB31/T 946—2021《绿色工业园区评价导则》 园区二氧化碳排放量下降率（C8） 0% 《成都市近零碳排放园区试点建设评价指标》（2022年） 碳排放管理能力完善度（C21） 1分 T/CSPSTC 51—2020《智慧零碳工业园区设计和
评价技术指南》
（根据完善程度在0~1
之间打分1））单位工业增加值碳排放量（C9） 0.35 t/万元 T/CSPSTC 51—2020《智慧零碳工业园区设计和评价技术指南》 单位工业增加值碳排放量
下降率（C10）5% 《“十四五”工业绿色
发展规划》
SZDB/Z 308—2018《低碳园区评价指南》编制低碳发展规划或碳达峰
行动方案（C22）1分 《浙江省绿色低碳工业园区建设评价》（2022年）
（具备得1分，反之0分1）)主要污染物排放弹性系数（C11） 0.3 HJ 274—2015《国家生态工业示范园区标准》 单位工业增加值废水排放量（C12） 5 t/万元 《绿色园区评价要求》（2016年） 绿色低碳信息平台
完善程度（C23）1分 HJ 274—2015《国家生态工业示范园区标准》
（根据完善程度在0~1
之间打分1））绿化覆盖率（C13） 30% DB31/T 946—2021《绿色工业园区评价导则》 绿色低碳主题宣传活动（C24） 1分 HJ 274—2015《国家生态工业示范园区标准》
（具备得1分，反之0分1））1）定性指标的定量化方法。 标杆值的一个重要作用是用于原始数据的标准化处理，即基于标杆值采用目标值标准化法将指标实际值转化为标准化值，消除不同单位数据量纲的影响，使不同单位量值的评价指标具有可比性，以用于后续的定量分析。另外，定性指标需进行定量化处理（表2）。此处采用的目标值法已经在高新区低碳评价[5]、低碳城市建设成熟度评价[10]、经开区绿色评价[11]等方面得到广泛应用，并取得良好效果。目标值法计算公式如下。
正向指标：
$$ {P_{ij}} = \frac{{{X_{ij}}}}{{{X_{i{\mathrm{b}}}}}} $$ (1) 负向指标：
$$ {{{{P}}_{{{ij}}}} = \frac{{{{{X}}_{{{i{\mathrm{b}}}}}}}}{{{{{X}}_{{{ij}}}}}}} $$ (2) 式中：Pij为第j个样本中第i个指标的标准化值（当Pij>1时，Pij取1；当Pij<0时，Pij取0）；Xij为第j个样本中第i个指标的实际值；Xib为该指标的标杆值。
1.2 评价模型
1.2.1 组合赋权法
主观赋权和客观赋权法[12]在单独使用时局限性较为明显[13]，而组合使用时更为有效[14]。因此采用层次分析法与改进CRITIC法相结合的组合赋权方法来确定指标权重[15]，既融入了层次分析法的主观经验[16]，又兼顾改进CRITIC法的客观性。
（1）层次分析法计算主观权重[17]。
基于表1的评价指标体系建立层次分析结构及判断矩阵，借助Yaahp软件得到各指标的主观权重（α）[18]。
（2）改进CRITIC法计算客观权重。
传统CRITIC法虽综合考虑了数据间的对比强度和冲突性[19]，但在指标i与h的相关系数（rih）[20]和数据间的离散程度[21]等方面存在不足。因此，借鉴前人研究[21-22]，用（1−|rih|）代替原方法中的 （1−rih），引入冗余信息熵反映指标间的离散性，使得赋权过程更加合理。相关步骤如下。
第一步，数据标准化处理〔式（1）和式（2）〕。
第二步，计算第i项指标的信息量（Ci）：
$$ {{C_i} = \left( {{S_i} + {\delta _i}} \right) \times \mathop \sum \limits_{h = 1}^n } (1 - \left| {{r_{ih}}} \right|) $$ (3) 式中：Si为指标i的标准差；δi为通过熵权法确定的指标i的冗余信息熵；n为指标数量；|rih| 为指标i与h的相关系数的绝对值。
第三步，计算第i项指标的客观权重（βi）：
$$ \beta_i=\frac{C_i}{\displaystyle\sum_{i=1}^n C_i} $$ (4) （3）组合赋权优化模型计算组合权重。
常见的权重组合法具有一定不足[23]，本文在兼顾序信息和强度信息的基础上，建立组合赋权优化模型计算组合权重[24–27]。一方面在“序信息”上优先兼顾主观权重，使得组合权重的大小排序与主观权重一致；另一方面在“强度信息”上优先兼顾客观权重，使得组合权重的数值最大程度接近客观权重。该模型如下所示：
$$ \begin{split}& \min \sum_{i=1}^n\left(\omega_i-\beta_i\right)^2 \\& \text { s.t. }\left\{\begin{array}{c} \omega_i \geqslant \omega_h, i< h \\ \mu_i^{-} \leqslant \omega_i \leqslant \mu_i^{+} \\ \displaystyle\sum_{i=1}^n \omega_i=1 \end{array}\right. \end{split} $$ (5) 式中：ωi和ωh分别为第i项和第h项指标的组合权重；μi−为第i项指标的主观权重和客观权重中的较小者；μi+为第i项指标的主观权重和客观权重中的较大者。
根据上述公式，最终计算得到的各项指标权重见表1。对比类似研究[5,9]，指标权重的整体排序较为一致，其中单位工业增加值综合能耗（C3）、单位工业增加值碳排放量（C9）、单位工业增加值碳排放量下降率（C10）等指标的权重排名均位于前列，而管理类指标的权重排名均较为靠后。
1.2.2 TOPSIS-灰色关联分析法
本文综合TOPSIS法[28]和灰色关联分析法[29]的优点[30]，建立TOPSIS-灰色关联分析模型，联合欧氏距离与灰色关联度来反映工业园区低碳发展水平现实状态与理想状态的接近程度。该方法的可行性和有效性已经在乡村振兴评价[31]、水资源承载力评价[32]、城市幸福指数评价[33]、风险评估[34]等方面得到充分验证。
另外，传统TOPSIS法和灰色关联分析法存在2个缺点：1）正负理想解或参考序列往往来自样本数据，缺少稳定性，仅能对多个评价对象进行内部排序；2）权重的确定往往是简单平均。对此本文将正负理想解和参考序列固定化，评价结果不受样本数据变动的影响，并以前文计算得到的组合权重作为指标权重。相关步骤如下。
第一步，数据标准化处理〔式（1）和式（2）〕。
第二步，构建加权规范化矩阵（V）：
$$ \boldsymbol{V}=\left(v_{i j}\right)_{m \times n}=\left(P_{i j} \times \omega_i\right)_{m \times n} $$ (6) 式中：vij为标准化加权后的指标值；m为样本数量。
第三步，确定正理想解（优序列）Y+和负理想解（劣序列）Y−。所有指标正理想解均取1，负理想解均取0（1和0为标准化值），经加权处理后，正理想解即为各项指标权重，负理想解均为0。
第四步，计算样本j与正理想解的欧氏距离（Dj+）、与负理想解的欧氏距离（Dj−）：
$$ D_j^{+}=\sqrt{\sum_{i=1}^n\left(Y_i^{+}-v_{i j}\right)^2} $$ (7) $$D_j^{-}=\sqrt{\sum_{i=1}^n\left(Y_i^{-}-v_{i j}\right)^2} $$ (8) 式中Yi+、Yi−分别为第i项指标的正、负理想解。
第五步，计算第j个样本与正、负理想解关于第i个指标的灰色关联系数及关联度：
$${{{E}}_{{{ij}}}^ + = \frac{{\mathop {\min }\limits_{{i}} \mathop {\min }\limits_{{j}} \left( {\left| {{{Y}}_i^ + - {v_{ij}}} \right|} \right) + \xi \mathop {\max }\limits_i \mathop {\max }\limits_j \left( {\left| {{{Y}}_i^ + - {v_{ij}}} \right|} \right)}}{{\left| {{{Y}}_i^ + - {v_{ij}}} \right| + \xi \mathop {\max }\limits_i \mathop {\max }\limits_j \left( {\left| {{{Y}}_i^ + - {v_{ij}}} \right|} \right)}}} $$ (9) $${{{E}}_{{{ij}}}^ - = \frac{{\mathop {\min }\limits_{{i}} \mathop {\min }\limits_{{j}} \left( {\left| {{{Y}}_i^ - - {v_{ij}}} \right|} \right) + \xi \mathop {\max }\limits_i \mathop {\max }\limits_j \left( {\left| {{{Y}}_i^ - - {v_{ij}}} \right|} \right)}}{{\left| {{{Y}}_i^ - - {v_{ij}}} \right| + \xi \mathop {\max }\limits_i \mathop {\max }\limits_j \left( {\left| {{{Y}}_i^ - - {v_{ij}}} \right|} \right)}}}$$ (10) $$ {F_j^ + = \frac{1}{n}\mathop \sum \limits_{i = 1}^n E_{ij}^ + } $$ (11) $$ {F_j^ - = \frac{1}{n}\mathop \sum \limits_{i = 1}^n E_{ij}^ - } $$ (12) 式中：Eij+、Eij−为灰色关联系数；ξ为分辨系数，一般取0.5；Fj+、Fj−为灰色关联度。
第六步，计算灰色关联相对贴近度[35]。分别对欧氏距离和灰色关联度进行无量纲化处理：
$${{{{Q}}_{{i}}} = \frac{{{T_i}}}{{\mathop {\max }\limits_{1 \leqslant i \leqslant n} {{T_i}} }}} $$ (13) 式中：Ti代表 Dj+、Dj−、Fj+、Fj−；Qi代指无量纲化处理后的值dj+、dj−、fj+、fj−。
综合欧氏距离与灰色关联度，定义2个新型距离测度Gj+、Gj−：
$$ {{{G}}_{{j}}^ + = a \times {{d}}_j^ - + \left( {1 - a} \right) \times f_j^ + } $$ (14) $$ {{{G}}_{{j}}^ - = a \times d_j^ + + \left( {1 - a} \right) \times f_j^ - } $$ (15) 式中：Gj+越大则该评价对象越优，Gj−越大则评价对象越差；a的大小反映了决策者对距离和形状的偏好程度，0≤a≤1，本文取0.5。
利用2个新型距离测度，计算灰色关联相对贴近度Oj，Oj越大，则评价对象越优。
$$ {{O_j} = \frac{{G_j^ + }}{{G_j^ + + G_j^ - }}} $$ (16) 1.3 障碍度模型
为进一步识别工业园区低碳发展的薄弱环节，采用障碍度模型分析工业园区低碳发展的障碍因子及其影响程度大小，为制定针对性的低碳政策措施提供依据[36]。障碍度模型[36–39]通过计算因子贡献度、指标偏离度和障碍度3个指标对障碍因素进行分析诊断[40]，因子贡献度表示单一指标对工业园区低碳发展水平的影响程度，一般用单个指标的权重ωi表示；指标偏离度Ii表示各指标的实际值与最优值之间的差距，一般用指标标准化值Pi与1的差值代替；障碍度Ui表示各项指标对工业园区低碳发展的阻碍程度。相关计算公式如下：
$$ {I_{{i}}} = 1 - {P_{{i}}} $$ (17) $$ U_i=\frac{I_i \times \omega_i}{\displaystyle\sum_{i=1}^n I_i \times \omega_i} \times 100 {\text{%}} $$ (18) 2. 实证研究
2.1 研究区域及数据来源
A园区位于我国华东地区，交通便利，区位优势明显。其成立于2009年，是由省政府批准成立的省级工业园区，总面积约160 km2，常住人口近10万人。A园区内主导行业以传统产业为主，包括纺织印染、食品加工、高端化工等，同时大力培育新兴产业，包括生物医药、医疗器械、新能源、电子信息等。
选取A园区2018—2022年的相关指标数据，主要来自A园区的《园区统计年鉴》（2019—2022年）、《园区国民经济和社会发展统计公报》（2018年）、官方网站、发放调查问卷等。对于统计年鉴或统计公报中缺失的极个别数据，采用线性回归法进行补齐。
2.2 低碳发展水平评价结果与分析
根据上述评价指标及研究方法，可测算出2018—2022年A园区低碳发展评价中目标层评价结果变化趋势（ 图2）、准则层的评价结果变化趋势（图3）。
表 3 2018—2022年A园区低碳发展评价指标层主要障碍因子、障碍度及其排序Table 3. Main obstacle factors, degree of obstacle and their ranking in the evaluation index layer of low-carbon development in A park from 2018 to 2022排序 项目 年份 2018 2019 2020 2021 2022 1 障碍因素 C4 C9 C9 C9 C9 障碍度/% 16.52 18.37 19.51 19.70 21.14 2 障碍因素 C9 C3 C3 C3 C3 障碍度/% 15.32 11.40 11.66 10.93 10.10 3 障碍因素 C3 C6 C6 C6 C15 障碍度/% 10.32 8.52 8.99 10.66 8.84 4 障碍因素 C6 C12 C12 C12 C11 障碍度/% 7.00 7.93 8.33 8.32 8.84 5 障碍因素 C12 C15 C15 C15 C14 障碍度/% 6.48 7.06 7.66 7.97 8.79 2.2.1 综合评价分析
由图2可以看出，2018—2022年A园区低碳发展水平整体呈上升趋势，贴近度从2018年的0.457 3升至2022年的0.558 8，年均上升速度为5.25%，可见园区在5年间开展了有效的低碳行动。2018—2019年，园区低碳发展水平上升最为迅速，贴近度从0.457 3提高到0.519 4，增速为13.58%，主要原因是园区在低碳产业、 能源资源利用方面取得一定进步，李晓静[4]的研究结果同样表明了产业发展和资源利用水平的提高能够促进工业园区的低碳发展。2019—2022年，园区低碳发展水平虽稳步增长，但贴近度年均增速仅为2.47%，这是因为在准则层中仅有长效管理的低碳水平提升较快，说明A园区近年采取了有效的低碳管理措施，但未来应当同步推进其他指标的低碳发展。
![]()
图 2 2018—2022年A园区低碳发展综合评价结果变化Figure 2. Change trend of the comprehensive evaluation results of low-carbon development in A park from 2018 to 20222.2.2 准则层评价分析
由图3可以看出，低碳产业、能源资源利用、长效管理准则的低碳发展趋势向好，贴近度的5年年均上升速度分别为9.89%、17.19%、8.63%，说明园区近5年较为重视产业、能源资源、管理方面的低碳发展。其中，低碳产业准则的低碳水平在5年内呈先波动上升后稳定的趋势，唯一一次下降是在2020年，主要是由于人均工业增加值（C1）的下降导致的，可能是新冠疫情影响了经济发展[41]。能源资源利用准则的低碳水平在5年内呈波动上升的态势，贴近度从2018年的0.363 7升至2022年的0.638 9，低碳成效显著，这主要得益于园区严控新增耗煤项目、压减高耗能行业产能、加快煤炭清洁高效利用，并大力推行光伏发电项目、清洁取暖改造工程。长效管理准则的低碳水平在2018—2019年较为稳定，在2019年后快速提高，贴近度从2019年的0.410 9升至2022年的0.565 6，这得益于3个方面：1）园区持续推动企业参与自愿性清洁生产审核；2）园区于2021年建立了能源管理平台，初步实现对用能单位和建筑物的能耗数据进行实时采集、汇总、计算分析，有助于能耗的降低；3）园区不断完善碳排放管理制度，自2020年起将低碳发展工作纳入园区行政管理机构领导班子政绩考核内容，并建立相应的考核机制。周娟[3]认为良好的低碳管理对于低碳工业园区的发展至关重要，因此A园区应当继续维持低碳管理方面的优势，建议在能源管理平台的基础上实现碳排放的监测、计算、分析，为低碳发展提供基础数据支撑。
![]()
图 3 2018—2022年A园区低碳发展准则层评价结果变化Figure 3. Change trend of the evaluation results of the low-carbon development criteria layer of A park from 2018 to 2022减污降碳、低碳基础设施准则的低碳发展受阻，贴近度的5年年均上升速度分别仅为1.29%、0.04%，说明园区在这2方面的重视程度有待提高。减污降碳准则的低碳水平在5年内增长缓慢，究其原因，尽管园区已经采取各种措施推动能源结构调整、污水减排，使得碳排放总量和强度、单位工业增加值废水排放量有所下降，但是相关指标的基数过大，仍需进一步加大推进力度。低碳基础设施准则的低碳水平在5年内的增长几乎停滞，贴近度仅上升了0.000 9，分析发现，2018—2022年间园区虽积极开展绿化养护工作并出台相关管理制度，使得绿化覆盖率小幅提高，但严重忽视了低碳交通工具的推广以及绿色建筑的建设，阻碍了低碳基础设施准则的发展，宁晓刚[42]认为绿色出行等低碳交通因素会制约园区低碳发展，胡恩生[43]认为低碳建筑建设不足易成为园区低碳发展的短板，这与本文研究结果较为一致，后续园区应当在交通、建筑方面及时采取绿色低碳行动。
2.3 障碍因素诊断
2.3.1 准则层障碍因子分析
通过障碍度模型，计算得到2018—2022年各准则对A园区低碳发展的障碍度（图4）。从5个准则各自的变化趋势上看，能源资源利用、长效管理的障碍度在5年间波动下降，年均下降速度分别为10.87%、0.94%，虽然能源资源障碍度的下降速度较快，但其障碍度排名始终位于前2位，说明园区在这方面采取了有效措施但仍需加强。低碳产业障碍度从2018年的1.48%波动降至2021年的0%，并在2022年继续保持了零障碍度，5年间障碍度排名始终位于末位，说明产业发展是园区降碳的优势所在。减污降碳与低碳基础设施的障碍度在5年内持续上升，年均上升速度分别为9.21%、11.96%，减污降碳障碍度排名自2019年起便稳居第1位，而低碳基础设施障碍度排名从第4位提高到第3位，说明减污降碳与低碳基础设施成为了园区低碳发展的薄弱之处。从整体来看，2018—2022年制约A园区低碳发展的关键因素是减污降碳和能源资源利用，平均障碍度分别达到34.2%、28.61%，后面依次为长效管理、低碳基础设施、低碳产业，均值分别为19.07%、17.7%、0.43%。对比类似研究[44]，制约园区绿色低碳发展的因素也主要集中在减污降碳和能源资源利用方面。可见，提高A园区低碳发展水平必须优先从减污降碳和能源资源利用准则入手，同时也要关注减污降碳、长效管理、低碳基础设施准则的发展情况。
![]()
图 4 2018—2022年A园区低碳发展评价准则层障碍因子变化Figure 4. Variation of obstacle factors in the evaluation criteria layer of low-carbon development in A park from 2018 to 20222.3.2 指标层障碍因子分析
仅根据准则层障碍度分析A园区低碳发展障碍因子可能会掩盖具体指标之间的障碍度差异，因此，计算并筛选出2018—2022年各年障碍度排名前5的指标作为主要障碍因子（表3）。
整体上看，制约A园区低碳发展的主要障碍因子均来自能源资源利用、减污降碳、低碳基础设施3个准则，共计8项指标，说明这些指标对A园区低碳发展的阻碍作用最大。按照出现频率排序，前5名依次为单位工业增加值碳排放量（C9）（5次）、单位工业增加值综合能耗（C3）（5次）、工业用水重复利用率（C6）（4次）、单位工业增加值废水排放量（C12）（4次）、新建工业建筑中绿色建筑的比例（C15）（4次）。以上指标与相关文献研究结果中的园区低碳发展主要障碍因素较为一致[43-44]。
从时间看，2018年主要障碍因子包括煤炭消费总量下降率（C4）、单位工业增加值碳排放量（C9）、单位工业增加值综合能耗（C3）、工业用水重复利用率（C6）、单位工业增加值废水排放量（C12），指标均属于能源资源利用和减污降碳准则，低碳基础设施中的指标暂未进入主要障碍因子行列。2019—2021年，各年份的主要障碍因子及排名完全相同，依次为单位工业增加值碳排放量（C9）、单位工业增加值综合能耗（C3）、工业用水重复利用率（C6）、单位工业增加值废水排放量（C12）、新建工业建筑中绿色建筑的比例（C15），其中新建工业建筑中绿色建筑的比例（C15）为新增的主要障碍因子，隶属于低碳基础设施准则，而曾在2018年位居障碍度排名第1位的煤炭消费总量下降率（C4）自2019年退出了主要障碍因子行列，可见这一时期园区在能源结构调整方面取得了一定成效，但忽视了绿色建筑的建造。2022年，单位工业增加值碳排放量（C9）、单位工业增加值综合能耗（C3）障碍度排名继续保持在第1、2位，新建工业建筑中绿色建筑的比例（C15）从第5位上升至第3位，而工业用水重复利用率（C6）、单位工业增加值废水排放量（C12）被主要污染物排放弹性系数（C11）、节能与新能源公交车比例（C14）所替代。这一阶段，园区持续提高水资源利用效率，但碳排放强度、能耗强度依然偏高，同时在污染物排放、交通基础设施低碳化方面暴露出了新的问题，建议A园区在相关领域适当增加绿色低碳发展资金。
2.4 建议
（1）大力推动能源低碳转型。一是严格控制纺织印染、化工等主要用煤行业煤炭消费，积极开发低能耗纺织、化工产品，推广应用低温前处理、冷轧堆前处理和染色等节能技术。二是充分利用A园区所在区域的太阳能及风力资源较丰富、尚存大量可开发利用的土地这一优势积极发展可再生能源，大力推广分布式光伏、分散式风电，逐步提高可再生能源使用比重。
（2）有序推进基础设施低碳化升级。低碳交通、建筑基础设施建设是A园区的一大弱项，建议在交通方面大力推广新能源交通工具，逐步提高充电桩覆盖范围，持续调整和优化园区内公共交通网络。在建筑方面，严格按照绿色建筑标准建设新建筑，稳妥推进既有建筑的绿色低碳改造，有序推广光伏发电与建筑一体化。
（3）全面加强水资源节约高效利用。一是严格遵循以水定产的原则，加强对纺织、食品等主要用水企业定额管理，推动纺织、食品企业开展水平衡测试、水效对标及用水审计。二是优化取水结构，因华东地区降水充沛，建议A园区建立雨水集蓄利用、雨污分流等设施，加强管网建设，有效利用雨水资源。
3. 结论
（1）从低碳产业、能源资源利用、减污降碳、低碳基础设施、长效管理5个维度构建了包含24个指标的工业园区低碳发展评价指标体系，将组合赋权法、TOPSIS-灰色关联分析模型、障碍度模型引入工业园区低碳发展评价领域，所形成的指标体系及评价方法符合工业园区低碳发展特征，可为“双碳”目标下工业园区低碳发展评价提供重要参考。
（2）将该指标体系及方法应用于A园区，结果表明，2018—2022年A园区低碳发展水平整体呈上升趋势，其中低碳产业、能源资源利用、长效管理准则的低碳发展趋势向好，减污降碳、低碳基础设施准则的低碳发展受阻。从障碍因素诊断结果来看，准则中制约A园区低碳发展的关键因素是减污降碳和能源资源利用，指标层中单位工业增加值碳排放量（C9）、单位工业增加值综合能耗（C3）、工业用水重复利用率（C6）、单位工业增加值废水排放量（C12）、新建工业建筑中绿色建筑的比例（C15）的阻碍作用较为突出。研究结果客观，可为A园区制定低碳发展规划提供决策支持。
（3）本文构建的是一套具有普适性的工业园区低碳发展评价体系，所选指标多为工业园区共性指标，并未针对工业园区的产业特点设置更具针对性的评价指标，建议未来的相关研究可在本评价体系的基础上，按照产业类型对工业园区进行分类，为不同类型的工业园区增设一定的个性指标，以兼顾工业园区低碳发展评价的共性基础和个性特色。
-
![]()
图 2 2021—2022年监测期间研究区域月平均气温、湿度以及绿地表面和管道内壁温度对比
Figure 2. Comparison of monthly mean air temperature, humidity, green surface temperature and pipe wall temperature in the study area for the monitoring period of 2021-2022
![]()
图 3 汇水区域单场降雨累计径流热量占比随累计径流量占比的变化
Figure 3. Schematic diagram of variation of cumulative runoff heat with cumulative runoff for single rainfall event in the catchment
![]()
图 4 降雨前不透水地表温度快速下降示例（第2场次）
注：垂直虚线表示降雨开始。
Figure 4. Example of rapid decrease of impervious surface temperature before rainfall (event 2)
![]()
图 5 EMT的监测值与模型一、模型二计算值对比
Figure 5. Comparison of EMT monitoring values, model 1 calculated values and model 2 calculated values
表 1 2021—2022年23场有效降雨的特征及降雨过程中气象指标
Table 1 Characteristics of 23 effective rainfall events and meteorological indicators during rainfall from 2021-2022
日期 场次 降水量/
mm开始
时刻降雨历时/
min最大瞬时降雨
强度/(mm/h)雨中平均
气温/℃雨中平均
相对湿度/%雨中平均露点
温度/℃雨中平均
风速/m雨中平均太阳
辐射强度/(W/m2)2021-07-27 1 7.6 02:10 45 24.0 25.7 92.9 24.4 1.8 0.0 2 10.8 17:15 240 14.4 24.9 92.2 23.3 1.6 9.8 2021-08-04 3 4.6 03:40 205 4.8 23.9 93.2 22.3 1.5 0.0 2021-08-09 4 16.6 19:25 75 115.2 19.5 88.0 17.1 4.5 0.0 2021-08-14 5 6.2 06:45 80 31.2 22.5 88.7 20.2 1.6 57.0 6 5.4 15:45 125 36.0 26.1 78.4 21.7 1.4 115.1 7 11.4 20:10 80 57.6 22.2 89.1 20.0 1.4 0.0 2021-08-19 8 38.4 06:25 745 9.6 20.2 92.2 18.6 0.7 63.7 2021-09-19 9 58.0 12:00 1 490 9.6 17.0 97.1 16.4 2.8 29.8 2021-09-24 10 23.6 23:15 755 26.4 19.3 98.2 18.9 1.7 27.3 2022-06-12 11 2.4 22:15 70 14.4 20.0 86.0 17.2 3.3 0.0 2022-06-22 12 3.0 09:35 90 4.8 24.2 86.1 21.4 1.4 169.1 2022-06-27 13 6.6 01:55 90 16.8 22.6 88.5 19.1 1.3 0.0 2022-06-28 14 8.6 00:30 150 9.6 23.2 90.8 21.3 1.6 0.0 15 53.6 22:35 615 33.6 21.1 91.2 19.4 1.1 42.3 2022-07-03 16 10.4 15:15 565 9.6 23.8 93.4 22.5 1.6 39.2 2022-07-05 17 4.2 15:20 40 14.4 24.9 83.9 21.7 3.9 49.3 2022-07-06 18 7.2 04:30 150 7.2 23.0 87.7 20.4 2.0 7.9 2022-07-10 19 32.4 00:55 465 28.8 20.4 89.0 18.2 1.2 22.1 2022-07-12 20 10.0 00:15 250 16.8 21.7 91.2 20.4 2.8 0.0 2022-07-22 21 7.6 22:00 200 7.2 22.3 85.7 19.4 2.3 0.0 2022-07-27 22 3.6 14:15 105 7.2 24.3 90.3 22.4 2.0 190.4 2022-08-21 23 12.2 20:35 205 28.8 24.8 90.4 22.9 2.1 0.0 注：日期后有2场或3场的，表示按降雨场次划分标准同一天发生了多场降雨。 
下载: 导出CSV
表 2 2021—2022年23场有效降雨的雨水管道内径流温度和地表温度
Table 2 Pipe runoff temperature and surface temperature for 23 effective rainfall events from 2021-2022
日期 场次 场降雨平
均温度/℃径流最大
升温
幅度/℃温度达峰
时间/min初始时刻 降雨过程中 降雨开始前 地表温度/℃ 雨水管道
内壁温度/℃道路平均
温度/℃绿地
平均温度/℃3 h道路平
均温度/℃1 h道路平
均温度/℃0.5 h道路平
均温度/℃2021-07-27 1 27.3 2.6 20 29.2 24.9 28.4 27.4 30.5 29.8 29.5 2 26.4 1.7 35 30.6 24.9 28.4 26.6 31.7 31.6 31.2 2021-08-04 3 26.0 1.1 45 28.6 25.1 27.6 26.3 30.2 29.6 29.3 2021-08-09 4 24.2 — 34.1 25.6 29.5 25.1 37.5 35.2 34.9 2021-08-14 5 25.7 0.1 5 27.8 25.8 27.2 24.8 27.8 27.8 27.7 6 27.5 1.8 20 32.8 26.0 30.8 28.0 33.7 33.5 33.4 7 25.6 — 27.6 26.0 27.1 25.9 29.0 28.4 28.1 2021-08-19 8 23.6 — 25.8 25.7 24.1 23.4 26.6 26.2 26.1 2021-09-19 9 19.1 — 20.6 24.3 19.3 19.1 20.6 20.5 20.6 2021-09-24 10 21.2 — 24.2 23.8 21.7 20.9 25.2 24.6 24.4 2022-06-12 11 22.1 0.5 20 24.7 21.9 22.8 21.1 25.4 24.8 24.8 2022-06-22 12 24.4 2.4 30 26.1 22.4 25.7 24.5 27.1 26.9 26.3 2022.06.27 13 24.0 0.9 60 24.8 23.0 24.3 23.7 25.2 25.2 25.2 2022-06-28 14 24.8 1.7 95 27.3 23.3 25.8 24.5 27.8 27.5 27.4 15 23.3 1.1 20 26.3 23.3 23.2 21.2 26.8 26.4 26.4 2022-07-03 16 24.4 0.4 110 25.1 24.0 24.3 23.4 25.0 25.1 25.1 2022-07-05 17 27.7 4.3 35 43.4 24.4 41.2 29.8 44.2 45.5 44.9 2022-07-06 18 24.4 — 24.2 24.1 24.0 23.2 24.6 24.2 24.2 2022-07-10 19 23.4 0.9 20 27.5 24.1 24.4 22.9 29.4 28.2 28.1 2022-07-12 20 24.4 0.4 15 25.2 24.2 23.4 22.7 25.7 25.3 25.2 2022-07-22 21 25.3 1.0 10 28.5 25.0 25.9 24.7 31.1 29.4 29.0 2022-07-27 22 26.3 0.9 55 28.1 25.6 27.3 25.8 27.4 27.9 28.1 2022-08-21 23 26.7 0.7 55 28.3 26.6 26.9 24.9 30.4 28.7 28.5 注：—表示该场次为未升温场次，即雨水管道内径流自降雨开始时持续降温场次，同时该场降雨不存在径流温度达峰时间。
下载: 导出CSV
表 3 所有场次、升温场次、升温大于1.0 ℃场次中EMT及各影响因素的平均值对比
Table 3 Comparison of mean values of EMT and each influencing factor in all events, warming events, and events with warming greater than 1.0 ℃
场次 平均降
水量/mm平均降雨
历时/min平均
EMT/℃初始时刻不透水
地表平均
温度/℃雨中平均
气温/℃所有场次 15.0 297 24.7 27.9 22.5 升温场次 11.1 208 25.3 28.5 23.4 升温大于
1.0 ℃场次11.7 190 25.9 30.3 24.0
下载: 导出CSV
表 4 EMT与下垫面因素、管道因素的相关系数（r）
Table 4 Correlation coefficient of EMT with subsurface factor and pipe factor
降雨前3 h道路
平均温度降雨前1 h道路
平均温度降雨前0.5 h道路
平均温度道路初始时刻
温度降雨期间道路
平均温度降雨期间绿地
平均温度管道内壁初始
时刻温度0.676** 0.690** 0.690** 0.702** 0.785** 0.940** 0.505* 注：*表示P<0.05，显著相关；**表示P<0.01，极显著相关。全文同。
下载: 导出CSV
表 5 EMT与气象因素的相关系数（r）
Table 5 Correlation coefficient （r）of EMT and meteorological factors
平均气温 平均
相对湿度平均
露点温度平均
风速平均
太阳辐射降水量 降雨
历时平均
降雨强度最大
降雨强度0.896** −0.496* 0.789** −0.066 0.162 −0.641** −0.739** 0.230 0.045
下载: 导出CSV
表 6 逐步多元线性回归结果
Table 6 Stepwise multiple linear regression results
序号 多元线性回归模型 R2 F检验 显著性 1 $ \mathrm{EMT}=6.973^{\mathrm{*}}+0.787X_1^{\mathrm{*}\mathrm{*}} $ 0.794 85.8 <0.001 2 $ \mathrm{EMT}_{\mathrm{ }}=5.844^{\mathrm{*}\mathrm{*}}+0.638X_1^{\mathrm{*}\mathrm{*}}+0.161X_2^{\mathrm{*}\mathrm{*}} $ 0.888 88.1 <0.001 3 $ \mathrm{EMT}_{\mathrm{ }}=-2.422+0.614X_1^{\mathrm{*}\mathrm{*}}+0.131X_2^{\mathrm{*}\mathrm{*}}+0.393X_3^{\mathrm{*}\mathrm{*}} $ 0.938 112.3 <0.001 4 $ \mathrm{EMT_{\mathrm{ }}}=-0.097+0.501X_1^{\mathrm{*}\mathrm{*}}+0.101X_2^{\mathrm{*}\mathrm{*}}+0.453X_3^{\mathrm{*}\mathrm{*}}-0.001X_4^{\mathrm{*}\mathrm{*}} $ 0.967 160.9 <0.001 注：X1为平均气温，℃；$ {X}_{2} $为不透水地表初始时刻温度，℃；$ {X}_{3} $为管道内壁初始时刻温度，℃；$ {X}_{4} $为降雨历时，min。
下载: 导出CSV
-
[1] 李小静, 李俊奇, 戚海军, 等. 城市雨水径流热污染及其缓解措施研究进展[J]. 水利水电科技进展,2013,33(1):89-94. LI X J, LI J Q, QI H J, et al. Advance in thermal pollution of urban rainfall runoff and its mitigation measures[J]. Advances in Science and Technology of Water Resources,2013,33(1):89-94.
[2] LI J Q, GONG Y, LI X J, et al. Urban stormwater runoff thermal characteristics and mitigation effect of low impact development measures[J]. Journal of Water and Climate Change,2019,10:53-62. DOI: 10.2166/wcc.2018.145
[3] HERB W R, JANKE B, MOHSENI O, et al. Thermal pollution of streams by runoff from paved surfaces[J]. Hydrological Processes,2008,22(7):987-999. DOI: 10.1002/hyp.6986
[4] 龙华. 温度对鱼类生存的影响[J]. 中山大学学报(自然科学版),2005,44(增刊1):254-257. LONG H. The effect of temperature on fish survival[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni,2005,44(Suppl 1):254-257.
[5] 孙艳涛, 王惠民, 吴修锋. 温排水对水体生态环境影响的分析及处理[J]. 水资源保护,2008,24(2):70-72. SUN Y T, WANG H M, WU X F. Impacts of thermal discharge on aquatic ecological environment and the countermeasures[J]. Water Resources Protection,2008,24(2):70-72.
[6] MATTHEWS K R, BERG N H. Rainbow trout responses to water temperature and dissolved oxygen stress in two southern California stream pools[J]. Journal of Fish Biology,1997,50(1):50-67. DOI: 10.1111/j.1095-8649.1997.tb01339.x
[7] 王锦旗, 宋玉芝, 黄进. 水温升高对水体性质及水生生物的影响研究进展[J]. 水生态学杂志,2020,41(1):100-109. WANG J Q, SONG Y Z, HUANG J. Effects of increasing water temperature on water properties and aquatic organisms: a critical review[J]. Journal of Hydroecology,2020,41(1):100-109.
[8] GRIGORYEVA I L, KOMISSAROV A B, KUZOVLEV V V, et al. Influence of thermal pollution on the ecological conditions in cooling reservoirs[J]. Water Resources,2019,46(1):S101-S109.
[9] 黄群芳, 国超旋, 李娜, 等. 富春江库区高温热浪变化特征及对藻类水华潜在影响研究[J]. 环境科学研究,2022,35(2):530-539. HUANG Q F, GUO C X, LI N, et al. Characteristics of summer heat waves and potential effect on algal blooms in Fuchunjiang Reservoir[J]. Research of Environmental Sciences,2022,35(2):530-539.
[10] 张欢, 张佳磊, 刘德富, 等. 三峡水库水温对浮游植物群落演替和多样性的影响[J]. 环境工程技术学报,2017,7(2):134-139. ZHANG H, ZHANG J L, LIU D F, et al. Influence of water temperature in Three Gorges Reservoir on succession and diversity of phytoplankton community[J]. Journal of Environmental Engineering Technology,2017,7(2):134-139.
[11] LI J Q, LI J, LI X J, et al. Analysis of thermal pollution reduction efficiency of bioretention in stormwater runoff under different rainfall conditions[J]. Water,2022,14(21):3546. DOI: 10.3390/w14213546
[12] JONES M P, HUNT W F, WINSTON R J. Effect of urban catchment composition on runoff temperature[J]. Journal of Environmental Engineering,2012,138(12):1231-1236. DOI: 10.1061/(ASCE)EE.1943-7870.0000577
[13] HATHAWAY J M, WINSTON R J, BROWN R A, et al. Temperature dynamics of stormwater runoff in Australia and the USA[J]. Science of the Total Environment,2016,559:141-150. DOI: 10.1016/j.scitotenv.2016.03.155
[14] THOMPSON A M, KIM K, VANDERMUSS A J. Thermal characteristics of stormwater runoff from asphalt and sod surfaces1[J]. Journal of the American Water Resources Association,2008,44(5):1325-1336. DOI: 10.1111/j.1752-1688.2008.00226.x
[15] SABOURI F, GHARABAGHI B, MAHBOUBI A A, et al. Impervious surfaces and sewer pipe effects on stormwater runoff temperature[J]. Journal of Hydrology,2013,502:10-17. DOI: 10.1016/j.jhydrol.2013.08.016
[16] NELSON K C, PALMER M A. Stream temperature surges under urbanization and climate change: data, models, and responses1[J]. Journal of the American Water Resources Association,2007,43(2):440-452. DOI: 10.1111/j.1752-1688.2007.00034.x
[17] JANKE B D, HERB W R, MOHSENI O, et al. Simulation of heat export by rainfall-runoff from a paved surface[J]. Journal of Hydrology,2009,365(3/4):195-212.
[18] THOMPSON A M, WILSON T, NORMAN J M, et al. Modeling the effect of summertime heating on urban runoff temperature1[J]. Journal of the American Water Resources Association,2008,44(6):1548-1563. DOI: 10.1111/j.1752-1688.2008.00259.x
[19] HERB W R, JANKE B, MOHSENI O, et al. Runoff temperature model for paved surfaces[J]. Journal of Hydrologic Engineering,2009,14(10):1146-1155. DOI: 10.1061/(ASCE)HE.1943-5584.0000108
[20] OMIDVAR H, SONG J Y, YANG J C, et al. Rapid modification of urban land surface temperature during rainfall[J]. Water Resources Research,2018,54(7):4245-4264. DOI: 10.1029/2017WR022241
[21] 骆其金, 周昭阳, 黎京士, 等. 滤坝系统对城市初期雨水的净化效果[J]. 环境工程技术学报,2019,9(3):282-285. LUO Q J, ZHOU Z Y, LI J S, et al. The purification effects of infiltrative dams on urban initial rainwater[J]. Journal of Environmental Engineering Technology,2019,9(3):282-285.
[22] 代丹, 于涛, 雷坤, 等. 北京市清河水体非点源污染特征[J]. 环境科学研究,2018,31(6):1068-1077. DAI D, YU T, LEI K, et al. Characteristics of non-point source pollution of Qinghe River in Beijing City[J]. Research of Environmental Sciences,2018,31(6):1068-1077.
[23] 王书敏, 郭树刚, 何强, 等. 城市流域降雨径流水质特性及初期冲刷现象[J]. 环境科学研究,2015,28(4):532-539. WANG S M, GUO S G, HE Q, et al. Water quality characteristics of stormwater runoff and the first flush effect in urban regions[J]. Research of Environmental Sciences,2015,28(4):532-539.
[24] DELETIC A. The first flush load of urban surface runoff[J]. Water Research,1998,32(8):2462-2470. DOI: 10.1016/S0043-1354(97)00470-3
[25] 李俊奇, 孙梦琪, 李小静, 等. 生物滞留设施对雨水径流热污染控制效果试验[J]. 水资源保护,2022,38(4):6-12. LI J Q, SUN M Q, LI X J, et al. Experimental study on thermal pollution control of stormwater runoff by bioretention[J]. Water Resources Protection,2022,38(4):6-12.
[26] 徐玮曈, 王建龙, 武彦杰, 等. 雨水花园对雨水径流热污染控制效果试验研究[J]. 水利水电技术,2020,51(9):162-167. XU W T, WANG J L, WU Y J, et al. Immigration of thermal pollution from stormwater runoff via rain garden[J]. Water Resources and Hydropower Engineering,2020,51(9):162-167.
[27] 李俊奇, 张珊, 李小静, 等. 雨水径流热污染的危害及控制策略分析[J]. 环境工程,2020,38(4):32-38. LI J Q, ZHANG S, LI X J, et al. A study on the harm and control countermeasures of thermal pollution from stormwater runoff[J]. Environmental Engineering,2020,38(4):32-38.
[28] JONES M P, HUNT W F. Bioretention impact on runoff temperature in trout sensitive waters[J]. Journal of Environmental Engineering,2009,135(8):577-585. DOI: 10.1061/(ASCE)EE.1943-7870.0000022
[29] WANG J L, WANG X T, XU W T, et al. Characteristics of thermal pollution from stormwater runoff from impermeable/permeable pavement surfaces via a lab-scale experiment[J]. Journal of Environmental Management,2023,325:116484. DOI: 10.1016/j.jenvman.2022.116484
[30] KINZER G D, GUNN R. The evaporation, temperature and thermal relaxation-time of freely falling waterdrops[J]. Journal of Meteorology,1951,8(2):71-83. DOI: 10.1175/1520-0469(1951)008<0071:TETATR>2.0.CO;2
[31] KERTESZ R, SANSALONE J. Hydrologic transport of thermal energy from pavement[J]. Journal of Environmental Engineering,2014,140(8):04014028. DOI: 10.1061/(ASCE)EE.1943-7870.0000831
[32] PICKSLEY W, DELETIC A. The thermal enrichment of storm runoff from paved areas: a statistical analysis[J/OL]. Journal of Water Management Modeling, 1999. doi: 10.14796/JWMM.R204-07. ◇
-
期刊类型引用(2)
1. 左其亭，张书齐. 人水关系度量方法总结及应用分析. 水资源与水工程学报. 2025(01): 1-10 . 
百度学术
2. 安欣琪，林炳权，刘宇轩，赵晨，高雅弘，齐飞，胡潜，王振北，邱斌，孙德智. 长江流域丘陵与平原城镇降雨径流污染特征对比分析. 环境工程技术学报. 2024(06): 1705-1718 . 本站查看
其他类型引用(0)
计量
- 文章访问数: 261
- HTML全文浏览量: 53
- PDF下载量: 34
- 被引次数: 2
