广东汕头市近十年来城市热岛效应分析❋

张树钦， 黄哲帆， 唐若莹， 赖鹏有， 张韶晶,3， 陶咪咪,3

(1. 广东海洋大学海洋与气象学院， 广东 湛江 524088； 2. 广东海洋大学南海海洋气象研究院， 广东 湛江 524088；3. 中国气象局-广东海洋大学海洋气象联合实验室， 广东 湛江 524088; 4. 广东海洋大学广东省高等学校陆架及深远海气候、资源与环境重点实验室， 广东 湛江 524088; 5. 广东海洋大学滨海农业学院， 广东 湛江 524088)

随着经济快速发展、城镇化进程加快和人口大规模集聚，人类活动对城市区域气候产生显著影响，其典型代表是“城市热岛效应”(Urban heat island effect，UHI)及与其相关的“城市雨岛效应”和“城市浑浊岛效应”等[1]。“城市热岛效应”是指在城镇化过程中人类活动引起或加强城区地表及其近地面层气温高于周边郊区的现象[2]。由于城市人口集中，能源消耗多并产生较多热量，且城区下垫面建筑物和硬化路面等受日光照射易吸收或反射热量，易形成“热岛效应”[3-7]。“热岛效应”使得城区气温高于郊区，城区盛行大气上升运动，导致郊区近地面空气向城区辐合，强迫产生“热岛环流”。“热岛环流”会增加城市的降水，造成“雨岛效应”，使得城-郊湿度梯度加大，水文空间分布不均匀，区域性旱涝加重[3,6]。“热岛环流”还使得城区较暖的空气与郊区较冷的空气混合形成混合层，混合层和上部的湍流减弱层会共同形成逆温层[8]，不利于大气污染物的扩散，加重城市空气污染，产生“浑浊岛效应”，出现城区大气能见度小于郊区的现象[4,9]。“热岛效应”、“雨岛效应”和“浑浊岛效应”是城市气象的重要问题[3,10]。

研究表明[11-15]，大多数城市都存在“热岛效应”，且热岛强度呈现增强趋势。程志刚等[11]发现，北京“热岛效应”夏季最强，冬季次之，春季和秋季较弱；且指出雾、雨、大风等天气对“热岛效应”有抑制作用。Zhou等[12]研究指出，热岛强度从城区向外呈指数型衰退，随着离城市中心距离的增加而呈现断崖式下降。黄良美等[13]提出“热岛效应”的影响范围夜晚大于白天，白天“热岛效应”在空间上衰减更快；“热岛效应”夏季强于冬季，且由于夏季对流较强，空间上的衰减会更快。对于“雨岛效应”学者也开展了大量的相关研究，周淑贞[3]和于建[14]指出，“雨岛效应”的形成既有下垫面因素，又与城区和郊区的河流水道、植物分布等有密切关系。在“浑浊岛效应”的研究中发现，其除了受大气污染物影响，还与湿度、风速和风向等气象要素及雾、降水和浮尘等天气现象有密不可分的关系[8-9]。近年来由于中国经济高速发展，城镇化和工业化水平不断提高，“浑浊岛效应”也日趋严重[10]。

“热岛效应”的研究手段主要有观测、数值模拟和实验室仿真[16-21]。世界气象组织(WMO，World meteorological organization)在2007年通过观测并结合资料同化和数值模拟，对上海及长三角地区“热岛效应”的形成及空气污染的物理和化学过程进行了研究[16]。Cenedese和Monti[17]利用实验室仿真方法，设计了一套温控水箱系统来研究沿海城市“热岛环流”与“海风环流”的相互作用。马天赐等[18]设计建立了中国高密度特点城市微小模型，探究中国城市的局地“热岛效应”及城市污染等问题。数值模式是研究“热岛效应”的重要方法之一，其主要是将城市模式嵌套进中尺度模式，Alberto[19]和Dupont等[20]将城市冠层模式分别嵌入到MM5和WRF中尺度模式中，嵌套后的模式可将地面到冠层之间划分为若干层，并分层计算冠层、墙面、道路的热岛热量收支。基于机器深度学习的人工智能算法在气象研究中也被广泛应用[21-24]，人工智能算法具有良好的容错性和自适应性，适用于预测预报、分类及评价等[21,25]。陈志等[22]和韦海东等[23]利用灰色算法分别对西安和兰州城市“热岛效应”进行了研究。刘新等[24]利用神经网络对南京市“热岛效应”的变化特征进行了预测，并取得了良好的效果，体现了人工智能算法在城市气象学研究中的优越性。

汕头市是中国最先改革开放的四大经济特区之一，位于粤港澳大湾区和海西经济区的中心节点，近年社会经济发展迅速，同时地处中国东南沿海，受东亚季风环流和海、陆下垫面等多因子影响，“热岛效应”较为复杂，可作为海西经济区沿海城市“热岛效应”的典型代表。颜文胜等[26]和林苗青等[27]分析2010年代汕头市“热岛效应”，发现其呈现逐年加强的趋势。但已有汕头市“热岛效应”的研究多集中在2010年代，难以揭示近年汕头城镇化快速发展所造成“热岛效应”的新特征。

本文使用汕头市3个气象台站2011—2019年的观测资料，对汕头市近十年城市“热岛效应”的年际、季节、日变化尺度特征进行研究，使用主成分分析法、B-P神经网络和C5.0决策树模型筛选影响热岛强度变化的主要因子，阐明其影响机制，并分析了汕头市“雨岛效应”、“浑浊岛效应”的年际和季节尺度变化特征，可为汕头市及海西经济区城市群科学制定城市发展规划提供参考。

1 资料与方法

1.1 资料

(1)中央气象局国家气象科学数据中心(http://data.cma.cn)提供的汕头市2001—2019年各气象台站的基本气象要素数据，包括气温、累计降水日数和日照时数等，使用该资料进行“热岛效应”、“雨岛效应”和“浑浊岛效应”的统计特征分析。

(2)汕头统计局(https://www.shantou.gov.cn/tjj/)提供的汕头统计年鉴[29]，其社会经济发展指标数据集包括建城区面积、工业增加量和人口等表征城市发展程度的指标，从该资料筛选出影响热岛强度的主要因子，并分析主要影响因子对热岛强度逐时变化的影响机制。

1.2 方法

在对汕头市“热岛效应”进行分析时，以汕头站代表城区站，澄海站代表郊区站，南澳站代表海岛站(见图1)，并利用热岛强度公式T=T城区-T郊区，分别对汕头站与澄海站、南澳站的气温进行差值计算，得到2个热岛强度指标(T汕头-T澄海、T汕头-T南澳)。根据前人研究定义[1-7]，当T>0 ℃时为“热岛效应”，当T<0 ℃时为“冷岛效应”，当T>1 ℃时为“强热岛效应”，讨论热岛强度的年际、季节和日的变化特征，从社会经济发展指标数据集中选取7个与“热岛效应”有关的指标，用于表征人类社会经济活动对“热岛效应”的影响；选取汕头站5个基本气象要素作为气象因子，使用主成分分析法[29]、B-P神经网络[30]和C5.0决策树[31]3种算法综合分析影响汕头市“热岛效应”的主要因子。在“热岛效应”日变化尺度的影响机制分析中，根据研究“热岛效应”日变化尺度的天气条件标准——微风、晴天、无降水[2]，筛选出2020年10月20日00时—26日23时作为代表时段进行分析，探究热岛强度日变化尺度特征及其形成机制。雨岛强度用城-郊累计降水日数差表征[6,10]，浑浊岛强度用城-郊日照时数差表示(日照时数定义为太阳直接辐照度达到或超过120 W/m2的各段时间的总和[32])。

图1 广东汕头市三个气象台站位置Fig.1 Three meteorological stations in Shantou City of Guangdong Province

2 热岛效应统计分析

2.1 年际尺度变化特征

在年际尺度上(见图2)，汕头站、澄海站和南澳站年平均气温逐年升高，分别以每年0.20 ℃(紫色点线)、0.16 ℃(蓝色点线)和0.04 ℃(黑色点线)的速率上升，表明城区(汕头站)气温年际增温显著，郊区(澄海站)气温增温较城区弱，海岛(南澳站)气温增温较小。通过分别对比汕头站与澄海站(蓝色实线)和南澳站(黑色实线)的热岛强度的年际尺度变化特征(见图3)可知，近十年汕头城区均呈现“热岛效应”，汕头站与澄海站对比在2015年之前呈现增强趋势，2015年热岛强度最强并达到了“强热岛效应”等级(大于1 ℃)，2015年之后呈现减弱的趋势，是由于郊区的城镇化进程加快，城、郊温差下降所致。但汕头站与南澳站对比热岛强度呈现逐年增强的趋势，2015年之后达到了“强热岛效应”等级，虽然2015年南澳大桥建成通车后，促进了南澳岛旅游业的发展，其城镇化显著提升，但南澳站作为海岛站，受海洋调节作用显著，减弱了城镇化对增温的影响。林苗青等[27]研究指出，2010年代汕头站与南澳站的温差以每年0.034 ℃的速率增长，而近十年该指标增长速率升至每年0.14 ℃(黑色点线)，其增长速率明显加快，表明汕头城区的热岛效应进一步增强。

图2 汕头各站年平均气温的变化曲线Fig.2 Annual mean air temperature of each stations in Shantou

图3 汕头市热岛效应年际尺度变化Fig.3 Annual variation of Shantou UHI effect

2.2 季节尺度变化特征

在季节尺度上(见图4)，通过汕头站与澄海站和南澳站月平均气温对比发现，汕头市“热岛效应”呈现单峰分布，热岛强度夏季最强，两个热岛强度指标均在8月达到最大值。汕头站与澄海站和南澳站对比的热岛强度分别在0.5～1.1 ℃(蓝色实线)和0.3～1.3 ℃(黑色实线)。汕头站与澄海站对比1—5月热岛强度缓慢增强，5—8月快速增强，呈现“阶梯”上升的特征的趋势，而汕头站与南澳站对比1—8月均以较快速率增长，两者均在8月达到峰值，且分别在6—9月和7—8月达到强热岛强度，8月之后热岛强度逐渐减弱。黄焕春2]指出，北方内陆城市“热岛效应”一般冬季强于夏季，而汕头市“热岛效应”夏季强于冬季，与北方内陆城市存在显著差异，这主要是人为因素和东亚季风雨季的季节尺度变化不同所致。北方城市冬季暖气造成大量热量排放，且夏季为雨季，晴朗天气日数较少，太阳辐射弱，吸收热量少。而汕头市受华南前汛期影响，雨季一般在4—6月，夏季除了台风影响时段外晴朗少雨的天气日数较多，太阳辐射强，使得夏季“热岛效应”较强。由于海岛风速普遍强于汕头城区，不利于海岛站热量的积聚，且受到海洋下垫面的调节作用，使得南澳站气温季节尺度变化弱于汕头站，导致城区与海岛对比的温差季节尺度变化幅度较大，与林苗青[27]的研究结果基本一致。

图4 汕头市热岛效应季节尺度变化Fig.4 Seasonal variation of Shantou UHI effect

2.3 日尺度变化特征

在日变化尺度上(见图5)，6:00—11:00汕头站与澄海站对比热岛强度呈现减弱趋势，而汕头站与南澳站对比呈现增强趋势。由于太阳辐射从清晨至中午逐渐增强，虽然城区和郊区下垫面差异较大，但太阳辐射的增强使辐射强度成为城区和郊区气温变化的主导因素，导致城-郊下垫面差异对气温的影响减弱。而海岛因为海洋下垫面比热容大，又受到海风影响，升温较慢，导致城区与海岛的温差不断加大，热岛强度不断加强。两者都在12:00出现“午间谷值现象”[3,6]，这是由于正午太阳辐射达到最强，激发城区近地面层的湍流运动，导致其低云量增多，由于“阳伞效应”使得城区吸收的短波辐射减少，且中午风速加大，导致城区升温减弱，因此城区与郊区和海岛对比的热岛强度减弱。在14:00左右太阳辐射开始减弱，郊区吸收热量速率减缓，而城区下垫面处于吸热饱和的状态，导致汕头站与澄海站和南澳站对比热岛强度均在午后出现峰值。在14:00—18:00，太阳辐射逐渐减弱，由于城区下垫面比热容小，城区散热快，气温下降较郊区快，热岛强度开始减小。在19:00—24:00，由于城区夜间热量的排放远多于郊区，且夜间易形成逆温层[33]，热量不易扩散， 导致“夜热岛”出现。

图5 汕头市热岛效应的日变化Fig.5 Daily variation of Shantou UHI effect

3 热岛效应日尺度变化的影响因子分析

依据前人研究成果[1-7]，选取7个与“热岛效应”相关的社会经济发展指标，分别为:建城区面积、绿化覆盖率、工业废气排放总量、汽车保有量、工业增加量、能源消耗总量、人口。选取5个与“热岛效应”相关的气象因子，分别为:极大风速、气压、平均相对湿度、降水天数、日照时数，使用人工智能算法，揭示“热岛效应”日尺度变化的主要影响因子。

3.1 主成分分析法

对T汕头-T澄海、T汕头-T南澳与所选7个社会经济发展指标和5个气象因子进行主成分因子[29]分析发现，两个热岛强度指标均与绿化覆盖率呈现负相关关系，且分别与气压和极大风速、绿化覆盖率和工业增加量等因子有较大的相关性(见表1)。通过对两个热岛强度的各指标进行平均处理发现，绿化覆盖率、建成区面积和工业增加量的平均相关系数均大于0.7，表明各热岛强度与以上指标均有较强的相关性，且都满足95%的信度检验。

表1 社会经济发展指标因子及气象因子与热岛强度的相关系数Table 1 Correlation coefficient between heat island intensity and the social and economic development indices and meteorological factors

3.2 B-P神经网络模型

使用B-P神经网络模型[30]，先初始化网络权值和输出节点的偏差，默认一个符合均值为0、取值范围在-0.5～0.5正态分布的随机数为初始权值记为，将7个社会经济发展指标和5个气象因子，即作为训练样本输入右侧输入层，将T汕头-T澄海、T汕头-T南澳分别作为输出层(见图6(a)、(b))，构造了2个多层感知机神经网络模型，并计算其输出节点期望，对期望求导得可计算出各单元的加法器和激活函数以及输出节点预测值，网络在构建中会自动比较预测值与实测值的误差，根据误差调整第i个输入节点和第j个输出节点之间的网络权值和偏差，并由其生成的若干神经元和隐藏层，直到预测误差达到一个较小值为止，网络权值基本稳定，则结束模型的训练。模型训练过程，找出误差最小的模型代表该算法对主要影响因子的最佳筛选结果。分别对各输出目标进行了200次训练，统计发现，在200次训练结果中，对输出目标T汕头-T澄海、T汕头-T南澳的平均准确率分别为75.9%、89.3%，最高准确率分别为97.0%、98.9%。选择准确率最高的模型对预测变量重要性进行估计(见图6(c)～(d))发现，在T汕头-T澄海、T汕头-T南澳的预测变量中，最重要的2个因子分别为气压和汽车保有量、气压和极大风速。2个热岛强度指标最重要的因子都为气压，因此可将气压作为影响热岛强度的主要因子。进一步分析T汕头-T南澳预报变量权重发现，汕头站与南澳站对比热岛强度受极大风速影响明显，说明该指标受海风影响较大。

图6 神经网络联合权值估计模型及预测变量权重Fig.6 Model of neural network joint estimation and predictor variable weights

3.3 C5.0决策树模型

使用C5.0决策树模型[31]，当已知信号的概率为：以T汕头-T澄海、T汕头-T南澳作为根节点即前验熵(表征信源发出信息前的平均不确定性)，在收到信号的条件下，以7个社会经济发展指标和5个气象因子作为后验熵，计算后验熵的期望得到条件熵，表示12个指标之间的不确定性。计算信息增益率并以其为选择最佳分组变量标准，采用MDLP(Minimum Description Length Principle)熵分组算法最小组限值为限，小于为一组，大于归为另一组，将层数设置为三，形成三层二叉树，并利用Boosting技术通过反复抽样构建200棵树，最后通过投票的方式选出最佳的树模型。由C5.0决策树预测变量重要性权重图分析可知(见图7)，根节点为T汕头-T澄海、T汕头-T南澳的两棵最佳树分别以气压、工业增加量、能源消耗总量、极大风速作为一级分支，且均以绿化覆盖率作为二级分支，建成区面积作为三级分支。分析发现，二、三级分支的预报变量重要性远大于一级分支，其中二级分支均大于0.2，三级分支接近或超过0.6，故可以认为建成区面积和绿化覆盖率两个因子为影响热岛强度的主要因子。

图7 C5.0决策树预测变量权重Fig.7 Predictor variable weights of C5.0 decision tree

由主成分分析发现绿化覆盖率、工业增加量和建成区面积为影响“热岛效应”的主要因子，B-P神经网络模型发现主要影响因子为气压，C5.0决策树模型得出建成区面积和绿化覆盖率为“热岛效应”的主要影响因子。虽然三种分析方法(模型)得到的热岛强度的主要影响因子存在差异，但可发现主成分分析和C5.0决策树模型的主要影响因子均有绿化覆盖率和建成区面积，且都在各模型中的权值较高。在B-P神经网络中，气压为各热岛强度的重要影响因子。因此，综合主成分分析法、B-P神经网络算法和C5.0决策树算法的结果可知，绿化覆盖率、建成区面积和气压为影响汕头市热岛强度日尺度变化的主要因子。

4 影响因子对热岛强度逐时变化的机制分析

依据主成分分析法、B-P神经网络和C5.0决策树结果发现，绿化覆盖率、建成区面积和气压为“热岛效应”的三个主要影响因子，揭示其对热岛强度逐时变化的影响机制，对指导人类活动以减轻“热岛效应”具有重要的意义。

4.1 绿化覆盖率

分析绿化覆盖率与热岛强度逐时变化的相关关系发现(见图8)，上午以正相关为主，下午以负相关为主。绿地对“热岛效应”的影响主要体现为上午的增强作用和下午的减弱作用。光照强度是植物光合作用的决定性因素，而光合作用强度又决定了蒸腾作用强度[32]。上午由于太阳辐射较弱，植物光合作用弱，蒸腾作用导致的降温效果也较弱，而乔木和灌木等绿地植物可以阻挡地表长波向外辐射，起到保温作用，故上午绿化覆盖率与逐时热岛强度呈现正相关关系。午后气温达到最高，大气相对湿度降到最低，导致植物体内水势增大，由于植物体较大的水势及较强的太阳辐射，植物会进行高强度的光合作用和蒸腾作用，绿地植物的蒸腾汽化吸热能够减弱“热岛效应”。另一方面，绿地由于枝叶和树冠对短波辐射的反射，避免了太阳对地表与近地面层的直接辐射增温，对“热岛效应”也起着显著的减弱作用。

图8 绿化覆盖率与逐时热岛强度相关系数的日变化Fig.8 Hourly variation of correlation coefficient between heat island intensity and green coverage rate

4.2 建成区面积

分析建成区面积与热岛强度逐时变化的相关关系(见图9)发现，分析T汕头-T南澳的相关系数变化特征可知，7:00—9:00呈现负相关是由于清晨随着太阳辐射的增强，城区立体下垫面使得城区单位面积可蓄热体积大于郊区，在吸收相同短波辐射的情况下，城区升温慢、郊区升温快；另一方面，城区具有较高的建筑密度，屋顶吸收短波辐射而升温产生“屋顶低压”，形成局地次级环流，导致热空气会向上流动，而冷空气下流使得近地面层降温[2,10]。在9:00—11:00以正相关为主是由于10:00后城区立体建筑蓄热量趋于饱和，逐渐开始放热，导致“热岛效应”逐渐增强。13:00太阳辐射达到全天最强，此时由于立体建筑蓄热量饱和，主要热量流向近地面层，对热岛强度的增强作用达到最强，出现了正相关峰值。T汕头-T南澳与建成区面积逐时相关关系的变化趋势在5:00—9:00呈现负相关，在10:00—13:00以正相关为主。夜间屋顶辐射冷却，由“低压”转变为“高压”，局地次级环流转向，热空气下沉至近地面层，使得“夜热岛”得以维持。

图9 建成区面积与逐时热岛强度相关系数的日变化Fig.9 Hourly variation of correlation coefficient between heat island intensity and construction land area

4.3 气压

“热岛效应”会导致城、郊气压存在差异，而城-郊气压差强迫产生的“热岛环流”又影响“热岛效应”，当城区升温较快时，空气辐合上升(气压降低)，在郊区辐散下沉(气压升高)，城、郊之间的气压差使得郊区空气留向城区，形成“热岛环流”。“热岛环流”将郊区较冷的空气输送至城区，降低城区气温，可减弱热岛强度。对城-郊气压差与热岛强度逐时变化的相关关系(见图10(a))分析可知，T汕头-T澄海在1：00—5：00主要呈现负相关， 11：00后转变为负相关，下午主要呈现负相关，晚上又转为正相关，5：00后转变为正相关。T汕头-T南澳的相关系数在1：00—11：00为正，其他时刻相关关系的变化与T汕头-T澄海相似。上午城-郊气压差为正(见图10(b))，为“反热岛环流”，城区空气下沉增温，使得热量积聚，有利于“热岛效应”的增强，即气压与热岛强度呈现正相关。午后热岛强度达到全天最强(见图5)，城-郊气压差由正转负，“热岛环流”形成并加强，城区空气辐合上升，郊区冷空气补充留向城区，对“热岛效应”具有减弱的作用，气压与热岛强度呈现负相关。18:00后，城-郊气压差由负转正但维持在较低水平，对“夜热岛”具有一定的维持作用。

图10 气压差(a)及其与逐时热岛强度相关系数的日变化(b)Fig.10 Air-pressure difference(a) and its correlation coefficient with hourly heat island intensity(b)

5 雨岛和浑浊岛效应

“热岛效应”通过“热岛环流”会改变城市周边风场环流，进而影响城市的降水及污染物分布扩散，导致“雨岛效应”和“浑浊岛效应”，造成气象要素空间分布不均匀和城区污染加重等现象。研究热岛相应相伴随产生的“雨岛效应”和“浑浊岛效应”，对于探究汕头城市气象问题也具有十分重要的意义。

5.1 雨岛效应

“雨岛效应”与“热岛效应”密切相关，“热岛效应”造成城区空气辐合上升，有利于对流云的形成，易导致城区局地降水增强而形成“雨岛效应”。除了“热岛效应”，城区下垫面对“雨岛效应”也具有重要影响。城区下垫面较大的粗糙度形成的阻障效应，使得切变线、飑线和锋面等中尺度天气系统在城区移动减慢，造成城区降水增加。分析汕头市年平均雨岛强度(见图11(a))可知，在21世纪前10年，“雨岛效应”只在2002、2008、2010年存在，且强度较弱。进入21世纪20年代，除2014年之外，均为“雨岛效应”，且强度逐渐增强，其增强与“热岛效应”的增强趋势基本一致。分析汕头市月平均雨岛强度(见图11(b))可知，“雨岛效应”主要出现在5—9月，集中分布于夏季，夏季的7月“雨岛效应”最强。由于夏季水汽充沛，城-郊气温差最大，“热岛环流”较强，有利于城区局部对流的发展，易形成热雷暴和超级单体风暴等强对流天气，给城区带来短时强降水，有利于“雨岛效应”的形成。

图11 汕头市年平均(a)及月平均(b)雨岛强度Fig.11 Annual average(a) and mouthy average(b) rain island intensity in Shantou

5.2 浑浊岛效应

“浑浊岛效应”和“热岛效应”也有密切的联系，当郊区较冷的空气在“热岛环流”的驱动下流入城区时，城区较暖的空气与郊区较冷的空气混合形成混合层，导致其上空形成逆温层，不利于污染物的消散，出现“浑浊岛效应”[8]。用城-郊日照时数差来表征“浑浊岛效应”[33]，分析汕头市年平均浑浊岛强度(见图12(a))可知，其日照时数差均为负，表明城区相对于郊区均为“浑浊岛效应”，并呈现先增强后减弱的趋势。在2005—2016年城-郊日照时数差较大(大于150 h)，“浑浊岛效应较强”，其主要和汕头市发展工业和城镇化进程加快有关，2010年代汕头市建成区面积从2004年的152.9 km2增长到2016年的253.6 km2[29]，工业化和城镇化加快加重了城市空气污染，导致“浑浊岛效应”增强。2014年后汕头市绿化覆盖率增加，使得城市空气质量好转，城-郊日照时数差逐年减小。分析汕头市月均浑浊岛强度(见图12(b))可知，10月日照时数差最大，且日照时数差秋、冬季明显大于春、夏季，表明“浑浊岛效应”在秋、冬季较强，即秋、冬季城区空气质量较差。秋、冬季为干季，空气湿度较小，而由于城区较多的气溶胶粒子易形成凝结核，使得云量增多，造成城区阳伞效应加强，进而造成城-郊日照时数差增大，即“浑浊岛效应”加强。春、夏季处于华南前汛期和台风季，降水能有效提高空气质量，城、郊空气质量差异不明显，使得城-郊日照时数差较小，“浑浊岛效应”弱。

图12 汕头市年年均(a)及月平均(b)浑浊岛强度 Fig.12 Annual average(a) and Monthly average(b) turbid island intensity in Shantou

6 结论

本文使用汕头市基本站气象数据，对汕头市“热岛效应”的年际、季节和日尺度变化特征及“雨岛效应”和“浑浊岛效应”的年际和季节尺度变化特征进行了分析，结合汕头市统计局提供的社会经济发展指标，使用主成分分析法、B-P神经网络和C5.0决策树算法，筛选出影响“热岛效应”的主要因子，并阐明了其影响机制。主要结论如下:

(1)在年际尺度上，汕头站与澄海站和南澳站对比近十年均呈现“热岛效应”。在季节尺度上，“热岛效应”夏季强于冬季，与北方内陆城市“热岛效应”的季节变化特征存在显著差异，且汕头站与南澳站和澄海站对比分别在6—9月和7—8月达到强热岛强度。日变化尺度上，受太阳辐射强度和下垫面的差异影响，在11:00汕头站与澄海站对比热岛强度呈现减弱趋势，而与南澳站对比呈现增强趋势，但两者正午都具有“午间谷值现象”。

(2)使用主成分分析法、B-P神经网络和C5.0决策树三种算法，筛选出影响汕头市热岛强度的三个主要因子分别为: 绿化覆盖率、建成区面积和气压。分析三个主要因子对“热岛效应”日尺度变化的影响机制发现，绿化覆盖率在上午通过阻挡地表长波辐射的保温作用增强“热岛效应”，下午通过植物的蒸腾作用吸热减弱“热岛效应”。建成区面积通过改变城区单位面积可蓄热体积和“屋顶低压效应”，使得上午减弱“热岛效应”，下午增强“热岛效应”。上午城-郊气压差为正，形成“反热岛环流”，有利于“热岛效应”的增强，午后城-郊气压差由正转负，形成“热岛环流”，减弱“热岛效应”。

(3)在21世纪前10年汕头市只在2002、2008、2010年存在弱的“雨岛效应”。进入2010年代，除2014年之外，均为“雨岛效应”，且强度逐渐增强，其与“热岛效应”的增强趋势基本一致。在季节尺度上，汕头市“雨岛效应”主要出现在夏季。汕头市“浑浊岛效应”呈现先增强后减弱趋势。季节尺度上“浑浊岛效应”在秋、冬季强，春、夏季弱。