近年来，中国的城镇化水平快速提高，2011年中国居住在城市的人口超过农村，2019年中国常住人口城镇化率达到了60.60%^[1]，城市环境已影响到超过半数中国人的生活。城市气候是人类活动改变自然气候的重要体现。城市化会改变局地、区域甚至全球范围内的大气环境，带来热岛效应、雨岛效应、城市污染等问题；反过来，大气环境也会对城市的基础设施以及人类的健康、安全、生活舒适度等带来影响。城市主要通过地表特性的变化和人为排放这2种途径改变局地气候。前者是由于城市形态的变化而产生的，如城市建筑物增加了地表粗糙度，改变了城区大气边界层的动力学特性；水泥、沥青路面等不透水面减小了地表蒸发，增大了显热通量，减小了潜热通量，从而改变了地表能量分配。后者是由于城市的功能性运转而产生的，如建筑物能耗和交通运输产生的人为热排放以及工业生产产生的大气污染物排放。

在冬季，北方城市地区的集中供暖导致的人为热排放显著增加了地表能量，黄蓓^[2]基于WRF-LUCY耦合模型研究发现冬季供暖可以使北京地区气温升高约1.5 ℃。Yang等^[3]通过分析美国12个城市的地面观测资料并进行模拟，发现冬季建筑物供暖所释放的人为热占城市热岛强度的30%以上，增温幅度可达(1.32±0.78) ℃(平均值±标准差)。

基于城市冬季的热力学特性，人们开展了城市化对降雪影响的相关研究。研究发现，城市边界层内的温度升高对城区降水相态影响较大，在热岛环流的作用下，冰相粒子融化，城区混合型降水增多^[4-9]。城市污染物排放会抑制云滴聚结成雨滴，并通过抑制冰粒子的形成和云层的冷降水过程来抑制降雪^[10-12]。王喜全等^[13]分析了北京地区40 a的站点降水数据，研究了北京地区冬季降水类型和影响因素，发现城市化带来的“干热岛”效应对城区冬季降水具有显著的减小作用。Johnson等^[9]在对美国东部冬季降水的研究中发现，大气边界层内的城市热岛效应对冰相粒子的融化起到重要作用，混合型降水发生次数和与高密度城区的距离有相关关系。类似地，郭良辰等^[14]在对北京1次降雪事件的模拟中发现城市化对北京城区的降水相态有显著影响，混合型降水的发生概率和与市中心的距离呈负相关关系。

降雪复杂的微物理过程及冰、雪、霰等多种存在形式，使得对降雪的模拟和研究颇具挑战。尽管已有一定的研究基础，但相比对城市降雨的研究而言，现有对于城市降雪的研究还不充分，影响降雪的各种因素的作用机理还没有被完全揭示，而人为热可能是影响城市降雪的重要因素。

本文首先通过中尺度的气象研究与预报(weather research and forecasting, WRF)模型内置人为热模块揭示人为热对城市冬季水热环境的影响机制，然后利用大尺度城市能耗估算(large scale urban consumption of energy, LUCY)模型计算得到北京地区高时空分辨率的人为热数据，将其耦合到WRF模型中，针对北京地区1场典型冬季降水过程研究人为热对降雪的影响，最后与已有关于人为热对夏季降雨影响的研究结论进行对比分析，指出人为热对城市夏季和冬季降水影响的不同之处。

1 城市人为热的产生

地表和大气边界层的气候变化是由地表能量平衡(包括地表和大气之间的辐射、对流和传导所产生的能量交换)驱动的。非城市地表能量平衡方程为^[15]

$ R_{\mathrm{n}}=Q_{\mathrm{H}}+Q_{\mathrm{E}}+Q_{\mathrm{G}} . $

(1)

其中：R_n为太阳净辐射，Q_G为地表热通量，Q_H为显热通量，Q_E为潜热通量。

城市发展带来了自然下垫面几何形状和地表特性的显著改变，大面积的天然植被由人工不透水材料代替，这些材料的辐射、空气动力、热力和湿度特性与天然植被有着根本的不同，从而导致地表和大气边界层的微气候都产生了很大差异。

对于各类单一城市表面，包括屋顶、墙壁、地面等在内，其表面能量平衡均与式(1)中的描述相似。但是，当处理多个表面连接在一起形成的较大的城市单位如建筑物、街谷、社区以及整个城市时，使用穷举法依次处理单个表面的三维处理方式会使城市能量平衡的表述极大地复杂化，但通过定义一个城市体，将城市作为一个整体来考虑，可以使其在模型中变得更易于处理。为了实现这一目标，需要为城市体内的热源赋值，给定其数值大小和时空分布；在模型中假定城市体足够深入地面，从而认为通过底部传导的垂直热通量Q_G可以忽略不计。符合这些条件的城市体的能量平衡可以表示为^[15]

$ R_{\mathrm{n}}+Q_{\mathrm{F}}=Q_{\mathrm{H}}+Q_{\mathrm{E}}+\Delta Q_{\mathrm{S}}+\Delta Q_{\mathrm{A}} . $

(2)

其中：Q_F为由生活、生产和交通等人类活动而在城市内部产生并释放的热量，称为人为热通量，简称人为热；ΔQ_S为城市净储热变化量；ΔQ_A为通过风的平流传输增减的净能量。在模型中通常通过假设一个足够宽且相对均匀的城市表面(水平差异可忽略不计)来避免产生ΔQ_A。

人为热通量Q_F主要来自于城市中化学能或电能的消耗，这些化学能或电能是通过人类在城市中的活动转化为热量并释放到大气中的，主要包括燃料燃烧过程中释放的能量(如建筑物的取暖所释放的能量)、日常生活中使用的能量(如照明、烧水、烹饪、各类电器操作等)、以及交通运输和工业中使用的能量等。除此之外，在城市系统中生活的人和动物的新陈代谢也会释放出能量。这些过程实质上将通常在大尺度大气研究中不考虑的能量转化为显热、潜热或辐射，然后“注入”大气中。

人为热通常分为4类：由建筑物供暖、制冷等产生的建筑人为热，由交通工具运载产生的交通人为热，由人类生物代谢产生的新陈代谢人为热和由工业生产产生的工业排放人为热。燃料燃烧会释放出显热、潜热(水蒸气)和其他气体，其中转化为显热和潜热的比例取决于燃料的类型、效率以及环境温度和湿度等。这个过程中产生的水蒸气的数量可能非常大，例如，燃烧1 L汽油或柴油通常会产生1 kg的水蒸气，而天然气燃烧的当量释放量甚至更大。这个过程对局地气候具有重要的影响，如在寒冷的白天，当饱和蒸气密度较低时，来自汽车排气管和房屋烟囱的蒸气凝结，或者由高层建筑的供暖、通风和空调系统或工业冷却池和冷却塔产生的排气，会在高层建筑上方形成巨大的蒸气云团。

由此可见，人为热是城市下垫面相对自然下垫面的独特特性，由于人为热的存在，城市地表能量平衡和热力学状态发生了改变。因此，在研究城市化对降水的影响时，人为热是城市热力学特性中需要重点考虑的部分。为了准确地模拟城市大气，有必要了解一天、一周或一年中人为热的变化，这些变化是由人类的活动节奏驱动的，而活动节奏与太阳周期间接相关。因此，一天当中的人为热会随着日出日落和与之相关的人类活动呈现规律性的变化，在一年当中的不同季节，由于供暖与制冷等原因，人为热的值也有很大差异。

针对人为热的研究最早开始于20世纪70年代，Torrance等^[16]根据经验模型计算得到城市人为热的值为83.7 W/m²，由于各城市的交通、工业、建筑分布以及人类活动的早晚高峰不同，人为热表现出不同的空间分布和时间分布。此外，人为热随季节也有显著变化^[17]。由于冬季来自太阳辐射的能量比夏季少得多，因此人为热是城市地区的重要地表能量来源。Hamilton等^[18]研究表明，冬季建筑物的总人为热排放量是太阳辐射的3到25倍，而夏季仅为0.04到0.4倍。陈锋等^[19]基于遥感数据和WRF模拟研究发现，虽然夏季本身热岛强度更高，但是冬季人为热对热岛强度的贡献率65.26%却比夏季的17.47%大得多。

人为热会增加城区的湍流动能，加剧能量交换和热岛效应强度^[20]，这些特征会改变城市区域水热条件，从而影响城市地区的降水。目前已有关于人为热对夏季降水的影响研究^{[2, 21-26]}，但对冬季降水的影响研究较少。而事实上，冬季人为热的气候效应可能更显著。

2 模型对人为热的处理方式

本文基于WRF模型研究城市人为热对降雪的影响，但由于WRF模型对人为热的处理较为简化，因此引入了LUCY模型用于更为精确地计算人为热^[27-28]，并将其耦合到WRF模型中^[2]。

2.1 WRF模型的人为热处理

WRF模型对人为热的处理基于陆面过程模型的城市模块(urban canopy model, UCM)，基本的处理方式为：根据城市下垫面类型的不同，分配不同的人为热数值。高密度中心商务区的人为热为90 W/m²，中密度城区为50 W/m²，低密度城区为20 W/m²，而后根据日内变化曲线系数，给出每小时的人为热值。

根据这个处理方式得到的人为热有日内变化，但无日间变化，即每日的人为热输入相同。由此可见，WRF模型自带人为热存在明显的不足之处，人为热空间分布仅与下垫面类型有关，时间分布上不区分温度变化、季节变化、人类活动带来的变化(如节假日、早晚高峰)等。

2.2 LUCY模型的人为热计算

基于WRF模型人为热的不足，本文引入了LUCY模型用于计算人为热。LUCY模型对于人为热的处理方式为：基于人口和当地各类气象及能耗数据，主要包括人口总数、人口分布情况、日平均气温、交通工具数量、城市能耗总数等，计算研究区域内的人为热，包括建筑人为热、交通人为热和新陈代谢人为热。按照此方法计算得到的人为热既有日内变化，也有日间变化，在时空分布上与人口、气温、车辆、建筑能耗相关，比WRF模型内置人为热更加合理，与真实情况更加接近。黄蓓^[2]对北京区域的LUCY模型基础数据进行了覆盖和修正，其中人口数据参考了第六次人口普查数据，能耗数据和交通工具数量通过查阅北京市年鉴获得，并指出加入了LUCY模型人为热的WRF模型对各项气象指标的模拟结果与实测值更加接近^[2]。

本文基于文[2]更新后的北京市2015年相关数据，计算出模拟时段内逐小时与WRF模型空间分辨率一致的人为热，并耦合到WRF模型中。WRF模型内置人为热输入^[2]与LUCY模型计算的人为热输入如图 1和2所示，图 2中白色实线轮廓代表北京城区。WRF模型内置人为热空间分布由下垫面类型决定，最大值为90 W/m²；而LUCY模型人为热空间分布由人口、气温、车辆、能耗等数据共同决定，局部最大值可达200 W/m²以上。

3 人为热对城市冬季水热环境的影响机制

为了研究人为热对城市冬季水热环境的影响机制以及可能存在的阈值，在耦合LUCY模型高时空分辨率人为热之前，首先利用WRF模型内置人为热进行敏感性实验，该实验为探索阈值的理想实验。

3.1 研究方案设置

本文将北京地区选为研究区域，模拟时段选定为2015年11月18日00: 00至11月23日00: 00(UTC)，在该时段内发生了一场持续5 d的冬季降水。模型采用三层双向嵌套网格，网格数量分别为200×200、244×244和199×199，分辨率分别为9、3、1 km(见图 3)。最外层网格d01覆盖了中国中部和东北部的大部分地区；中层网格d02覆盖了河北省，包括北京、天津在内，以及山东省的北部和山西省的东部；最内层网格d03覆盖了整个北京地区。图 4为d03的主要土地利用类型，黑色圆点代表气象站点。在北京行政边界范围内，北京城区位于东南部平原地区，城区周边环绕着大面积的农田，西北部山区的下垫面类型以森林为主。东北部的水体为密云水库。模型垂向分为54层，上边界气压设置为50 hPa，积分时间步长设置为15 s。模式初始化选用美国国家环境预报中心(National Centers for Environmental Prediction，NCEP)发布的FNL全球最终业务分析(Final Operational Global Analysis)数据。该产品来自全球数据同化系统(global data assimilation system，GDAS)，其空间和时间分辨率分别为1°和6 h。模型使用5个国家标准气象站(见图 2b黑点)的每小时2 m温度、2 m相对湿度、10 m风速和降水强度数据集进行模型验证。

由于最外层的空间分辨率小于10 km，因此在三层嵌套网格中均关闭了积云方案^[29]。本文启用了单层城市冠层模型(UCM)^[30]，用于精确模拟城市下垫面的热力学和动力学特性。其余参数化方案设置如表 1所示。

文[2]表明，北京地区的人为热随季节变化，春季和秋季的人为热较小，最大值约300 W/m²，而夏季和冬季的人为热较大，最大值约400 W/m²。以世界上的主要发达城市为例，东京的人为热在傍晚可达677 W/m^2[31]，而香港商业区的人为热可达500~600 W/m^2[32]。

据此，本文设置了4个敏感性实验，具体的方案设置如表 2所示，其中600 W/m²为一种较为极端的情形，来研究在极端人为热影响下，各气象指标可能存在的阈值。

3.2 结果分析

图 5为4个敏感性方案的城区平均降水过程。本次降水过程包含3个主要降水峰值，将其分为3个阶段分别进行分析，第1阶段从18日20时至20日07时，共计35 h(红色圆圈)；第2阶段从20日12时至21日18时，共计30 h(绿色圆圈)；第3阶段从21日18时至23日00时，共计30 h。其中第1、2阶段的降水过程中同时存在降雨和降雪，即发生了混合型降水，第3阶段的降水过程以降雪为主。

从4个方案的降水过程中可以看到，人为热主要影响混合型降水的相态，即降水过程的第1、2阶段。在混合型降水中，随着人为热的增加，降雪逐渐减少，降雨逐渐增加。不同方案各个阶段的降雪量占总降水量的比例如表 3所示，对于第1阶段，在AH0方案中，降雪量占比接近50%，随着人为热增加，降雪量占比下降明显；在AH600方案中，降雪量占比不到25%。在降水的初始阶段，降雨量占比较大，降雪量占比较小，特别是人为热增大之后，在降水初期，降雨量占比可以达到接近100%。对于第2阶段，在AH0方案中，降雪量占比接近80%；而在AH600方案中，这一比例下降到60%左右。相比于第1、2阶段，在第3阶段中，在AH0方案中降雪量占比达到了95%以上，降雨量占比很小，随着人为热增大，降雪量占比有轻微下降，但变化很小；在AH600方案中，降雪量占比仍有94%左右，只下降了1.69%，远远小于前2个阶段的变化量级，与之形成鲜明对比。

人为热对降水3个阶段的不同影响表明：对于混合型降水，人为热增加对降水相态的影响显著，而对于单一相态降水，人为热增加对降水相态影响较小。且在整个降水过程中，人为热变化对总降水量的影响不大。

图 6为4个敏感性方案的城区平均2 m温度、2 m比湿、10 m风速以及边界层高度随时间的变化。人为热增加使2 m温度增加，增加幅度较为均匀，不存在明显的阈值(见图 6a)。从AH0方案到AH600方案，2 m温度增加幅度最大可达3 ℃左右。从日内变化来看(图 6中时间为UTC时间)，人为热变化带来的升温幅度在日间较大，在夜间较小，在北京当地时间14: 00(UTC时间06: 00)左右达到一天内的最大值。这是由于人为热主要是日间的人类活动造成的，如建筑人为热、交通人为热等，即人为热增加会大幅提高气温峰值，但对气温谷值的影响较小。在时间变化上，人为热的增加并未使地表温度呈持续的增加趋势，而是形成了新的稳态。也就是说，整体环境温度随时间的变化趋势与原来一致，只是温度升高了固定量级(人为热每增加200 W/m²，2 m温度约升高1 ℃)，并在新的温度值达到稳定状态。人为热增加对地表湿度影响很小，从AH0到AH600方案的2 m比湿无显著差异(见图 6b)。人为热变化对近地面风场影响很大，从AH0方案到AH600方案，10 m风速最大可增加2 m/s左右(见图 6c)。图 7为19日00: 00的AH200、AH400、AH600方案与AH0方案的风场差值的空间分布图，其中箭头表示风向和风速。可以看到，风速变化主要分布在城市内部，影响幅度随人为热增加而增加。值得注意的是，人为热增加使城区形成了显著的辐合现象，造成这种现象的原因是，城市温度升高，形成上升气流，使近地面气流向城市中心汇聚，从而增大了城区风速。人为热增加提高了边界层高度，最大抬升高度可达400 m左右，但是这种效应随人为热增加而衰减，在高度上存在阈值。从AH0方案到AH200方案，边界层高度增加可达200 m，从AH200方案到AH400方案，边界层高度增加幅度显著减小，从AH400方案到AH600方案，边界层高度增加幅度进一步减小，在某些时刻两个方案的边界层高度几乎重合。这说明人为热增加带来的湍流增强效应并不能在高度上无限扩散。

图 8为4个敏感性方案的城区平均温度、混合比、风速在模拟时段内的均值随高度的变化。人为热对气温的最大影响高度在1.3 km左右，随着人为热增加，升温幅度增大，但影响高度基本一致，无明显差异，即人为热变化对气温的影响高度存在阈值(见图 8a)。人为热对近地面湿度的影响很小(见图 6b)，但是在高度变化上，人为热增加会增大边界层内的水汽含量(见图 8b)，这主要是由于人为热增加带来的风廓线变化。图 8c中，从近地面到0.9 km高度处，人为热增加使风速增大，而0.9 km以上的高度，人为热增加使风速减小，即人为热增加使风速切变增大。这样的变化会加剧低空高速气流带的形成，促进动量、热量、水汽输送，增大边界层内的水汽含量，为对流系统提供有利的发展条件。

4 人为热对冬季及夏季降水影响的对比

基于上述人为热对城市冬季水热环境的影响机制，下面以LUCY模型计算的北京高时空分辨率人为热作为WRF模型的输入数据，利用WRF-LUCY耦合模型研究北京地区更接近真实的人为热对降雪的影响，并与人为热对夏季降雨的影响作对比分析。

4.1 研究方案设置

本节采用与3.1节相同的研究区域、研究时段及模型设置，并设置了2个敏感性方案，方案NONE-AH中无人为热输入，方案LUCY-AH中输入基于LUCY模型根据人口、车辆、能耗等数据计算的北京高时空分辨率人为热。2个方案具体设置如表 4所示。

4.2 模型验证

本节使用5个国家标准气象站(见图 4中黑点)的每小时2 m温度，2 m相对湿度，10 m风速和降水强度数据集进行模型验证，用以评估近地面气象指标模拟效果。5个国家标准气象站的详细信息如表 5所示。

图 9—13为5个站点各气象要素的观测值和模拟值的对比图，图中标注了模拟值与观测值的平均误差(MB)和均方根误差(RMSE)。可以看到，在该配置下，模型对温度和相对湿度的的模拟较为准确。在模拟初期，模型对温度略高估，对湿度略低估，但是研究时段内的降水过程是从2015年11月19日00: 00时开始的，因而模型初期温湿度的误差对后续降水模拟的影响较小。从各个站点的结果来看，模型对于此次降水过程的特征捕捉较为准确，降水发生时间和峰值均与实测值非常接近，并且模型非常准确地重现了本次降水分为“三个阶段”的特征。在整个模拟时段内，近地面风速不论是观测值还是模拟值，均波动较大，但是两者在量级及变化趋势上非常一致。综上，在该参数化方案设置下，模型对于此次降水过程的降水强度、温湿度、风速等气象场的模拟较为准确，模拟误差在可接受范围内，且对后续结果分析影响较小。

4.3 结果分析

图 14为LUCY-AH方案和NONE-AH方案在研究时段内累积降雪量、降雨量、降水量的差值分布图，人为热对冬季降水的影响主要集中在城市内部，对下风向区域也有轻微的影响，主要表现为累积降雪量减少(见图 14a)，累积降雨量增加(见图 14b)。对总降水量而言，城市内部减少，下风向靠近城市边缘的区域增加，即出现“位置偏移”现象(见图 14c)。其主要原因是，气团经过城市时被加热，城区降水相态发生改变，部分降雪融化为降雨，温暖的气团随风向移动，离开城区时遇冷，在城市下风向边缘形成大量降雪。

相比降雪而言，人为热对夏季降雨的影响机制主要包括2种：1) 人为热通过影响城市热力场和流场分布导致风场变化，从而使辐合区及降水位置发生偏移^{[2, 25]}；2) 人为热通过增强城市中的垂向对流而使城区降雨增多^{[23-24, 26]}。在第1种影响机制的作用下，城区及城市周边的降水变化可能不一致，例如，黄蓓^[2]在对北京人为热的相关研究中指出，人为热对夏季降雨的影响主要发生在城市周边，其原因是城市人为热带来的风场变化使降雨位置发生偏移，城市东部降雨减少，北部和西北部降雨增加，但是对城市内部降雨影响不大(见图 15)。类似的，Li等^[25]在对珠江三角洲人为热的研究中指出，人为热导致局地辐合向城市边界转移，从而增强城市周边的对流和降水，城市内部降水减少。在第2种影响机制的作用下，城市人为热进一步增强了城市热岛效应，其本质上是城市热力学效应的加剧，例如，Wen等^[26]在对珠江三角洲的研究中指出，人为热使珠江三角洲地区总降雨量增加6.3%，降雨强度增加24.6%。在人为热对夏季降雨的研究中，哪一种影响机制发挥主要作用与降雨类型有很大关系，因此在对每一场降雨的研究中，需要对气象场和降雨类型做具体分析。

从机理上讲，由于北京地区的夏季降水以对流性降水为主^[33]，而冬季降水以层状云降水为主^[13]，不同的降水形成机理导致其对城市化及城市人为热的响应有所区别。夏季的大尺度大气环流与城市局地气候效应的耦合作用导致上述第1、2种影响机制都可能出现，对降水总量影响较大，而冬季人为热主要影响城市内部混合型降水相态，对降水总量影响较小。从结果上来看，人为热可使夏季降水的位置发生偏移，类似的，人为热对冬季降水也有“位置偏移”现象(见图 14c)，城市内部降水减少，城市下风向边缘降水增多。但是，相似的现象背后的原因不同：夏季降水位置偏移是热力场和风场改变致使辐合中心的偏移导致的，而冬季则是气团加热带来的城区降水相态变化以及被加热的气团在城市下风向边缘遇冷形成大量降雪导致的。

由于北京地区夏季的降水量级远远大于冬季，相应的，人为热对夏季降水的影响量级也远远大于冬季。图 15中人为热带来的累积降雨变化量级在100 mm左右，而图 14中人为热带来的累积降雪变化量级仅在5 mm以内。

图 16和17分别是城市人为热带来的温度、湿度、风速的水平和垂直分布变化。从水平分布上来看，人为热使得城区近地面温度升高(见图 16a)，影响范围局限在城市内部，最大影响幅度在1 ℃左右，越靠近城市中心，增温幅度越高。从高度分布上来看，人为热对温度的最大影响高度在1 km左右，升温幅度在0.1 ℃以内(见图 17a)。温度场变化是冬季降水相态变化的主要原因。由图 16a可以看到，城市下垫面中心增温幅度较大，而城市边缘增温幅度较小，几乎看不到明显变化。该地主导风向为东风，气团经过城市中心时被加热，降雪量减少，降雨量增加；气团离开城市中心到达城市边缘时遇冷，水汽凝固，在城市下风向边缘形成降雪。这也是图 14c中城市内部降水量减少，城市下风向边缘降水量增加的主要原因。

从水平分布上来看，人为热变化对近地面湿度影响较小(见图 16b)。但是由于前述人为热带来的风速切变效应，导致空气湿度在高度分布上发生了较大变化。从高度分布上来看，人为热导致近地面水汽混合比增大，影响幅度在0.02 g/kg左右，影响高度在1 km左右，在某些时刻最大可以超过2 km(见图 17b)。

从水平分布上来看，人为热带来的城区辐合增强作用使得城区近地面风速略有增大，最大影响幅度在0.8 m/s左右(见图 16c)。从高度分布上来看，人为热对低层(＜0.7 km)风速有增加作用，对高层(0.7~2 km)风速有减小作用，影响幅度在0.2 m/s以内(见图 17c)。人为热对不同高度处风速垂直分布的相反作用增大了风速切变，促进了水汽辐合和对流发展。

5 结论

本文通过WRF模型内置人为热研究了人为热对城市冬季水热环境的影响机制，并结合北京地区人口、气温、车辆、能耗数据，通过LUCY模型计算得到了北京地区高时空分辨率的人为热数据，耦合到WRF模型中，研究了北京地区人为热对降雪的影响，分析了人为热对城市夏季和冬季降水影响的不同之处。

结果表明，人为热主要影响混合型降水的相态，对单一相态降水影响较小。随着人为热增加，降雪逐渐减少，降雨逐渐增加。人为热增加对气温的影响幅度无明显阈值，但在影响高度上存在阈值，最大影响高度在1.3 km左右。人为热增加对近地面空气湿度影响较小，但加剧了垂向风速切变和水汽辐合，促进了动量、热量、水汽的水平输送，增大了边界层内的水汽含量，为对流系统提供了有利的发展条件。人为热对夏季和冬季降水的影响机制不同，对夏季降水的影响范围和量级较大，影响机制较为复杂，而对冬季降水的影响主要集中在城市内部，主要影响降水相态。