廣東汕頭市近十年來城市熱島效應分析?

張樹欽， 黃哲帆， 唐若瑩， 賴鵬有， 張韶晶,3， 陶咪咪,3

(1. 廣東海洋大學海洋與氣象學院， 廣東 湛江 524088； 2. 廣東海洋大學南海海洋氣象研究院， 廣東 湛江 524088；3. 中國氣象局-廣東海洋大學海洋氣象聯合實驗室， 廣東 湛江 524088; 4. 廣東海洋大學廣東省高等學校陸架及深遠海氣候、資源與環境重點實驗室， 廣東 湛江 524088; 5. 廣東海洋大學濱海農業學院， 廣東 湛江 524088)

隨著經濟快速發展、城鎮化進程加快和人口大規模集聚，人類活動對城市區域氣候產生顯著影響，其典型代表是“城市熱島效應”(Urban heat island effect，UHI)及與其相關的“城市雨島效應”和“城市渾濁島效應”等[1]。“城市熱島效應”是指在城鎮化過程中人類活動引起或加強城區地表及其近地面層氣溫高于周邊郊區的現象[2]。由于城市人口集中，能源消耗多并產生較多熱量，且城區下墊面建筑物和硬化路面等受日光照射易吸收或反射熱量，易形成“熱島效應”[3-7]。“熱島效應”使得城區氣溫高于郊區，城區盛行大氣上升運動，導致郊區近地面空氣向城區輻合，強迫產生“熱島環流”。“熱島環流”會增加城市的降水，造成“雨島效應”，使得城-郊濕度梯度加大，水文空間分布不均勻，區域性旱澇加重[3,6]。“熱島環流”還使得城區較暖的空氣與郊區較冷的空氣混合形成混合層，混合層和上部的湍流減弱層會共同形成逆溫層[8]，不利于大氣污染物的擴散，加重城市空氣污染，產生“渾濁島效應”，出現城區大氣能見度小于郊區的現象[4,9]。“熱島效應”、“雨島效應”和“渾濁島效應”是城市氣象的重要問題[3,10]。

研究表明[11-15]，大多數城市都存在“熱島效應”，且熱島強度呈現增強趨勢。程志剛等[11]發現，北京“熱島效應”夏季最強，冬季次之，春季和秋季較弱；且指出霧、雨、大風等天氣對“熱島效應”有抑制作用。Zhou等[12]研究指出，熱島強度從城區向外呈指數型衰退，隨著離城市中心距離的增加而呈現斷崖式下降。黃良美等[13]提出“熱島效應”的影響范圍夜晚大于白天，白天“熱島效應”在空間上衰減更快；“熱島效應”夏季強于冬季，且由于夏季對流較強，空間上的衰減會更快。對于“雨島效應”學者也開展了大量的相關研究，周淑貞[3]和于建[14]指出，“雨島效應”的形成既有下墊面因素，又與城區和郊區的河流水道、植物分布等有密切關系。在“渾濁島效應”的研究中發現，其除了受大氣污染物影響，還與濕度、風速和風向等氣象要素及霧、降水和浮塵等天氣現象有密不可分的關系[8-9]。近年來由于中國經濟高速發展，城鎮化和工業化水平不斷提高，“渾濁島效應”也日趨嚴重[10]。

“熱島效應”的研究手段主要有觀測、數值模擬和實驗室仿真[16-21]。世界氣象組織(WMO，World meteorological organization)在2007年通過觀測并結合資料同化和數值模擬，對上海及長三角地區“熱島效應”的形成及空氣污染的物理和化學過程進行了研究[16]。Cenedese和Monti[17]利用實驗室仿真方法，設計了一套溫控水箱系統來研究沿海城市“熱島環流”與“海風環流”的相互作用。馬天賜等[18]設計建立了中國高密度特點城市微小模型，探究中國城市的局地“熱島效應”及城市污染等問題。數值模式是研究“熱島效應”的重要方法之一，其主要是將城市模式嵌套進中尺度模式，Alberto[19]和Dupont等[20]將城市冠層模式分別嵌入到MM5和WRF中尺度模式中，嵌套后的模式可將地面到冠層之間劃分為若干層，并分層計算冠層、墻面、道路的熱島熱量收支。基于機器深度學習的人工智能算法在氣象研究中也被廣泛應用[21-24]，人工智能算法具有良好的容錯性和自適應性，適用于預測預報、分類及評價等[21,25]。陳志等[22]和韋海東等[23]利用灰色算法分別對西安和蘭州城市“熱島效應”進行了研究。劉新等[24]利用神經網絡對南京市“熱島效應”的變化特征進行了預測，并取得了良好的效果，體現了人工智能算法在城市氣象學研究中的優越性。

汕頭市是中國最先改革開放的四大經濟特區之一，位于粵港澳大灣區和海西經濟區的中心節點，近年社會經濟發展迅速，同時地處中國東南沿海，受東亞季風環流和海、陸下墊面等多因子影響，“熱島效應”較為復雜，可作為海西經濟區沿海城市“熱島效應”的典型代表。顏文勝等[26]和林苗青等[27]分析2010年代汕頭市“熱島效應”，發現其呈現逐年加強的趨勢。但已有汕頭市“熱島效應”的研究多集中在2010年代，難以揭示近年汕頭城鎮化快速發展所造成“熱島效應”的新特征。

本文使用汕頭市3個氣象臺站2011—2019年的觀測資料，對汕頭市近十年城市“熱島效應”的年際、季節、日變化尺度特征進行研究，使用主成分分析法、B-P神經網絡和C5.0決策樹模型篩選影響熱島強度變化的主要因子，闡明其影響機制，并分析了汕頭市“雨島效應”、“渾濁島效應”的年際和季節尺度變化特征，可為汕頭市及海西經濟區城市群科學制定城市發展規劃提供參考。

1 資料與方法

1.1 資料

(1)中央氣象局國家氣象科學數據中心(http://data.cma.cn)提供的汕頭市2001—2019年各氣象臺站的基本氣象要素數據，包括氣溫、累計降水日數和日照時數等，使用該資料進行“熱島效應”、“雨島效應”和“渾濁島效應”的統計特征分析。

(2)汕頭統計局(https://www.shantou.gov.cn/tjj/)提供的汕頭統計年鑒[29]，其社會經濟發展指標數據集包括建城區面積、工業增加量和人口等表征城市發展程度的指標，從該資料篩選出影響熱島強度的主要因子，并分析主要影響因子對熱島強度逐時變化的影響機制。

1.2 方法

在對汕頭市“熱島效應”進行分析時，以汕頭站代表城區站，澄海站代表郊區站，南澳站代表海島站(見圖1)，并利用熱島強度公式T=T城區-T郊區，分別對汕頭站與澄海站、南澳站的氣溫進行差值計算，得到2個熱島強度指標(T汕頭-T澄海、T汕頭-T南澳)。根據前人研究定義[1-7]，當T>0 ℃時為“熱島效應”，當T<0 ℃時為“冷島效應”，當T>1 ℃時為“強熱島效應”，討論熱島強度的年際、季節和日的變化特征，從社會經濟發展指標數據集中選取7個與“熱島效應”有關的指標，用于表征人類社會經濟活動對“熱島效應”的影響；選取汕頭站5個基本氣象要素作為氣象因子，使用主成分分析法[29]、B-P神經網絡[30]和C5.0決策樹[31]3種算法綜合分析影響汕頭市“熱島效應”的主要因子。在“熱島效應”日變化尺度的影響機制分析中，根據研究“熱島效應”日變化尺度的天氣條件標準——微風、晴天、無降水[2]，篩選出2020年10月20日00時—26日23時作為代表時段進行分析，探究熱島強度日變化尺度特征及其形成機制。雨島強度用城-郊累計降水日數差表征[6,10]，渾濁島強度用城-郊日照時數差表示(日照時數定義為太陽直接輻照度達到或超過120 W/m2的各段時間的總和[32])。

圖1 廣東汕頭市三個氣象臺站位置Fig.1 Three meteorological stations in Shantou City of Guangdong Province

2 熱島效應統計分析

2.1 年際尺度變化特征

在年際尺度上(見圖2)，汕頭站、澄海站和南澳站年平均氣溫逐年升高，分別以每年0.20 ℃(紫色點線)、0.16 ℃(藍色點線)和0.04 ℃(黑色點線)的速率上升，表明城區(汕頭站)氣溫年際增溫顯著，郊區(澄海站)氣溫增溫較城區弱，海島(南澳站)氣溫增溫較小。通過分別對比汕頭站與澄海站(藍色實線)和南澳站(黑色實線)的熱島強度的年際尺度變化特征(見圖3)可知，近十年汕頭城區均呈現“熱島效應”，汕頭站與澄海站對比在2015年之前呈現增強趨勢，2015年熱島強度最強并達到了“強熱島效應”等級(大于1 ℃)，2015年之后呈現減弱的趨勢，是由于郊區的城鎮化進程加快，城、郊溫差下降所致。但汕頭站與南澳站對比熱島強度呈現逐年增強的趨勢，2015年之后達到了“強熱島效應”等級，雖然2015年南澳大橋建成通車后，促進了南澳島旅游業的發展，其城鎮化顯著提升，但南澳站作為海島站，受海洋調節作用顯著，減弱了城鎮化對增溫的影響。林苗青等[27]研究指出，2010年代汕頭站與南澳站的溫差以每年0.034 ℃的速率增長，而近十年該指標增長速率升至每年0.14 ℃(黑色點線)，其增長速率明顯加快，表明汕頭城區的熱島效應進一步增強。

圖2 汕頭各站年平均氣溫的變化曲線Fig.2 Annual mean air temperature of each stations in Shantou

圖3 汕頭市熱島效應年際尺度變化Fig.3 Annual variation of Shantou UHI effect

2.2 季節尺度變化特征

在季節尺度上(見圖4)，通過汕頭站與澄海站和南澳站月平均氣溫對比發現，汕頭市“熱島效應”呈現單峰分布，熱島強度夏季最強，兩個熱島強度指標均在8月達到最大值。汕頭站與澄海站和南澳站對比的熱島強度分別在0.5～1.1 ℃(藍色實線)和0.3～1.3 ℃(黑色實線)。汕頭站與澄海站對比1—5月熱島強度緩慢增強，5—8月快速增強，呈現“階梯”上升的特征的趨勢，而汕頭站與南澳站對比1—8月均以較快速率增長，兩者均在8月達到峰值，且分別在6—9月和7—8月達到強熱島強度，8月之后熱島強度逐漸減弱。黃煥春2]指出，北方內陸城市“熱島效應”一般冬季強于夏季，而汕頭市“熱島效應”夏季強于冬季，與北方內陸城市存在顯著差異，這主要是人為因素和東亞季風雨季的季節尺度變化不同所致。北方城市冬季暖氣造成大量熱量排放，且夏季為雨季，晴朗天氣日數較少，太陽輻射弱，吸收熱量少。而汕頭市受華南前汛期影響，雨季一般在4—6月，夏季除了臺風影響時段外晴朗少雨的天氣日數較多，太陽輻射強，使得夏季“熱島效應”較強。由于海島風速普遍強于汕頭城區，不利于海島站熱量的積聚，且受到海洋下墊面的調節作用，使得南澳站氣溫季節尺度變化弱于汕頭站，導致城區與海島對比的溫差季節尺度變化幅度較大，與林苗青[27]的研究結果基本一致。

圖4 汕頭市熱島效應季節尺度變化Fig.4 Seasonal variation of Shantou UHI effect

2.3 日尺度變化特征

在日變化尺度上(見圖5)，6:00—11:00汕頭站與澄海站對比熱島強度呈現減弱趨勢，而汕頭站與南澳站對比呈現增強趨勢。由于太陽輻射從清晨至中午逐漸增強，雖然城區和郊區下墊面差異較大，但太陽輻射的增強使輻射強度成為城區和郊區氣溫變化的主導因素，導致城-郊下墊面差異對氣溫的影響減弱。而海島因為海洋下墊面比熱容大，又受到海風影響，升溫較慢，導致城區與海島的溫差不斷加大，熱島強度不斷加強。兩者都在12:00出現“午間谷值現象”[3,6]，這是由于正午太陽輻射達到最強，激發城區近地面層的湍流運動，導致其低云量增多，由于“陽傘效應”使得城區吸收的短波輻射減少，且中午風速加大，導致城區升溫減弱，因此城區與郊區和海島對比的熱島強度減弱。在14:00左右太陽輻射開始減弱，郊區吸收熱量速率減緩，而城區下墊面處于吸熱飽和的狀態，導致汕頭站與澄海站和南澳站對比熱島強度均在午后出現峰值。在14:00—18:00，太陽輻射逐漸減弱，由于城區下墊面比熱容小，城區散熱快，氣溫下降較郊區快，熱島強度開始減小。在19:00—24:00，由于城區夜間熱量的排放遠多于郊區，且夜間易形成逆溫層[33]，熱量不易擴散， 導致“夜熱島”出現。

圖5 汕頭市熱島效應的日變化Fig.5 Daily variation of Shantou UHI effect

3 熱島效應日尺度變化的影響因子分析

依據前人研究成果[1-7]，選取7個與“熱島效應”相關的社會經濟發展指標，分別為:建城區面積、綠化覆蓋率、工業廢氣排放總量、汽車保有量、工業增加量、能源消耗總量、人口。選取5個與“熱島效應”相關的氣象因子，分別為:極大風速、氣壓、平均相對濕度、降水天數、日照時數，使用人工智能算法，揭示“熱島效應”日尺度變化的主要影響因子。

3.1 主成分分析法

對T汕頭-T澄海、T汕頭-T南澳與所選7個社會經濟發展指標和5個氣象因子進行主成分因子[29]分析發現，兩個熱島強度指標均與綠化覆蓋率呈現負相關關系，且分別與氣壓和極大風速、綠化覆蓋率和工業增加量等因子有較大的相關性(見表1)。通過對兩個熱島強度的各指標進行平均處理發現，綠化覆蓋率、建成區面積和工業增加量的平均相關系數均大于0.7，表明各熱島強度與以上指標均有較強的相關性，且都滿足95%的信度檢驗。

表1 社會經濟發展指標因子及氣象因子與熱島強度的相關系數Table 1 Correlation coefficient between heat island intensity and the social and economic development indices and meteorological factors

3.2 B-P神經網絡模型

使用B-P神經網絡模型[30]，先初始化網絡權值和輸出節點的偏差，默認一個符合均值為0、取值范圍在-0.5～0.5正態分布的隨機數為初始權值記為，將7個社會經濟發展指標和5個氣象因子，即作為訓練樣本輸入右側輸入層，將T汕頭-T澄海、T汕頭-T南澳分別作為輸出層(見圖6(a)、(b))，構造了2個多層感知機神經網絡模型，并計算其輸出節點期望，對期望求導得可計算出各單元的加法器和激活函數以及輸出節點預測值，網絡在構建中會自動比較預測值與實測值的誤差，根據誤差調整第i個輸入節點和第j個輸出節點之間的網絡權值和偏差，并由其生成的若干神經元和隱藏層，直到預測誤差達到一個較小值為止，網絡權值基本穩定，則結束模型的訓練。模型訓練過程，找出誤差最小的模型代表該算法對主要影響因子的最佳篩選結果。分別對各輸出目標進行了200次訓練，統計發現，在200次訓練結果中，對輸出目標T汕頭-T澄海、T汕頭-T南澳的平均準確率分別為75.9%、89.3%，最高準確率分別為97.0%、98.9%。選擇準確率最高的模型對預測變量重要性進行估計(見圖6(c)～(d))發現，在T汕頭-T澄海、T汕頭-T南澳的預測變量中，最重要的2個因子分別為氣壓和汽車保有量、氣壓和極大風速。2個熱島強度指標最重要的因子都為氣壓，因此可將氣壓作為影響熱島強度的主要因子。進一步分析T汕頭-T南澳預報變量權重發現，汕頭站與南澳站對比熱島強度受極大風速影響明顯，說明該指標受海風影響較大。

圖6 神經網絡聯合權值估計模型及預測變量權重Fig.6 Model of neural network joint estimation and predictor variable weights

3.3 C5.0決策樹模型

使用C5.0決策樹模型[31]，當已知信號的概率為：以T汕頭-T澄海、T汕頭-T南澳作為根節點即前驗熵(表征信源發出信息前的平均不確定性)，在收到信號的條件下，以7個社會經濟發展指標和5個氣象因子作為后驗熵，計算后驗熵的期望得到條件熵，表示12個指標之間的不確定性。計算信息增益率并以其為選擇最佳分組變量標準，采用MDLP(Minimum Description Length Principle)熵分組算法最小組限值為限，小于為一組，大于歸為另一組，將層數設置為三，形成三層二叉樹，并利用Boosting技術通過反復抽樣構建200棵樹，最后通過投票的方式選出最佳的樹模型。由C5.0決策樹預測變量重要性權重圖分析可知(見圖7)，根節點為T汕頭-T澄海、T汕頭-T南澳的兩棵最佳樹分別以氣壓、工業增加量、能源消耗總量、極大風速作為一級分支，且均以綠化覆蓋率作為二級分支，建成區面積作為三級分支。分析發現，二、三級分支的預報變量重要性遠大于一級分支，其中二級分支均大于0.2，三級分支接近或超過0.6，故可以認為建成區面積和綠化覆蓋率兩個因子為影響熱島強度的主要因子。

圖7 C5.0決策樹預測變量權重Fig.7 Predictor variable weights of C5.0 decision tree

由主成分分析發現綠化覆蓋率、工業增加量和建成區面積為影響“熱島效應”的主要因子，B-P神經網絡模型發現主要影響因子為氣壓，C5.0決策樹模型得出建成區面積和綠化覆蓋率為“熱島效應”的主要影響因子。雖然三種分析方法(模型)得到的熱島強度的主要影響因子存在差異，但可發現主成分分析和C5.0決策樹模型的主要影響因子均有綠化覆蓋率和建成區面積，且都在各模型中的權值較高。在B-P神經網絡中，氣壓為各熱島強度的重要影響因子。因此，綜合主成分分析法、B-P神經網絡算法和C5.0決策樹算法的結果可知，綠化覆蓋率、建成區面積和氣壓為影響汕頭市熱島強度日尺度變化的主要因子。

4 影響因子對熱島強度逐時變化的機制分析

依據主成分分析法、B-P神經網絡和C5.0決策樹結果發現，綠化覆蓋率、建成區面積和氣壓為“熱島效應”的三個主要影響因子，揭示其對熱島強度逐時變化的影響機制，對指導人類活動以減輕“熱島效應”具有重要的意義。

4.1 綠化覆蓋率

分析綠化覆蓋率與熱島強度逐時變化的相關關系發現(見圖8)，上午以正相關為主，下午以負相關為主。綠地對“熱島效應”的影響主要體現為上午的增強作用和下午的減弱作用。光照強度是植物光合作用的決定性因素，而光合作用強度又決定了蒸騰作用強度[32]。上午由于太陽輻射較弱，植物光合作用弱，蒸騰作用導致的降溫效果也較弱，而喬木和灌木等綠地植物可以阻擋地表長波向外輻射，起到保溫作用，故上午綠化覆蓋率與逐時熱島強度呈現正相關關系。午后氣溫達到最高，大氣相對濕度降到最低，導致植物體內水勢增大，由于植物體較大的水勢及較強的太陽輻射，植物會進行高強度的光合作用和蒸騰作用，綠地植物的蒸騰汽化吸熱能夠減弱“熱島效應”。另一方面，綠地由于枝葉和樹冠對短波輻射的反射，避免了太陽對地表與近地面層的直接輻射增溫，對“熱島效應”也起著顯著的減弱作用。

圖8 綠化覆蓋率與逐時熱島強度相關系數的日變化Fig.8 Hourly variation of correlation coefficient between heat island intensity and green coverage rate

4.2 建成區面積

分析建成區面積與熱島強度逐時變化的相關關系(見圖9)發現，分析T汕頭-T南澳的相關系數變化特征可知，7:00—9:00呈現負相關是由于清晨隨著太陽輻射的增強，城區立體下墊面使得城區單位面積可蓄熱體積大于郊區，在吸收相同短波輻射的情況下，城區升溫慢、郊區升溫快；另一方面，城區具有較高的建筑密度，屋頂吸收短波輻射而升溫產生“屋頂低壓”，形成局地次級環流，導致熱空氣會向上流動，而冷空氣下流使得近地面層降溫[2,10]。在9:00—11:00以正相關為主是由于10:00后城區立體建筑蓄熱量趨于飽和，逐漸開始放熱，導致“熱島效應”逐漸增強。13:00太陽輻射達到全天最強，此時由于立體建筑蓄熱量飽和，主要熱量流向近地面層，對熱島強度的增強作用達到最強，出現了正相關峰值。T汕頭-T南澳與建成區面積逐時相關關系的變化趨勢在5:00—9:00呈現負相關，在10:00—13:00以正相關為主。夜間屋頂輻射冷卻，由“低壓”轉變為“高壓”，局地次級環流轉向，熱空氣下沉至近地面層，使得“夜熱島”得以維持。

圖9 建成區面積與逐時熱島強度相關系數的日變化Fig.9 Hourly variation of correlation coefficient between heat island intensity and construction land area

4.3 氣壓

“熱島效應”會導致城、郊氣壓存在差異，而城-郊氣壓差強迫產生的“熱島環流”又影響“熱島效應”，當城區升溫較快時，空氣輻合上升(氣壓降低)，在郊區輻散下沉(氣壓升高)，城、郊之間的氣壓差使得郊區空氣留向城區，形成“熱島環流”。“熱島環流”將郊區較冷的空氣輸送至城區，降低城區氣溫，可減弱熱島強度。對城-郊氣壓差與熱島強度逐時變化的相關關系(見圖10(a))分析可知，T汕頭-T澄海在1：00—5：00主要呈現負相關， 11：00后轉變為負相關，下午主要呈現負相關，晚上又轉為正相關，5：00后轉變為正相關。T汕頭-T南澳的相關系數在1：00—11：00為正，其他時刻相關關系的變化與T汕頭-T澄海相似。上午城-郊氣壓差為正(見圖10(b))，為“反熱島環流”，城區空氣下沉增溫，使得熱量積聚，有利于“熱島效應”的增強，即氣壓與熱島強度呈現正相關。午后熱島強度達到全天最強(見圖5)，城-郊氣壓差由正轉負，“熱島環流”形成并加強，城區空氣輻合上升，郊區冷空氣補充留向城區，對“熱島效應”具有減弱的作用，氣壓與熱島強度呈現負相關。18:00后，城-郊氣壓差由負轉正但維持在較低水平，對“夜熱島”具有一定的維持作用。

圖10 氣壓差(a)及其與逐時熱島強度相關系數的日變化(b)Fig.10 Air-pressure difference(a) and its correlation coefficient with hourly heat island intensity(b)

5 雨島和渾濁島效應

“熱島效應”通過“熱島環流”會改變城市周邊風場環流，進而影響城市的降水及污染物分布擴散，導致“雨島效應”和“渾濁島效應”，造成氣象要素空間分布不均勻和城區污染加重等現象。研究熱島相應相伴隨產生的“雨島效應”和“渾濁島效應”，對于探究汕頭城市氣象問題也具有十分重要的意義。

5.1 雨島效應

“雨島效應”與“熱島效應”密切相關，“熱島效應”造成城區空氣輻合上升，有利于對流云的形成，易導致城區局地降水增強而形成“雨島效應”。除了“熱島效應”，城區下墊面對“雨島效應”也具有重要影響。城區下墊面較大的粗糙度形成的阻障效應，使得切變線、颮線和鋒面等中尺度天氣系統在城區移動減慢，造成城區降水增加。分析汕頭市年平均雨島強度(見圖11(a))可知，在21世紀前10年，“雨島效應”只在2002、2008、2010年存在，且強度較弱。進入21世紀20年代，除2014年之外，均為“雨島效應”，且強度逐漸增強，其增強與“熱島效應”的增強趨勢基本一致。分析汕頭市月平均雨島強度(見圖11(b))可知，“雨島效應”主要出現在5—9月，集中分布于夏季，夏季的7月“雨島效應”最強。由于夏季水汽充沛，城-郊氣溫差最大，“熱島環流”較強，有利于城區局部對流的發展，易形成熱雷暴和超級單體風暴等強對流天氣，給城區帶來短時強降水，有利于“雨島效應”的形成。

圖11 汕頭市年平均(a)及月平均(b)雨島強度Fig.11 Annual average(a) and mouthy average(b) rain island intensity in Shantou

5.2 渾濁島效應

“渾濁島效應”和“熱島效應”也有密切的聯系，當郊區較冷的空氣在“熱島環流”的驅動下流入城區時，城區較暖的空氣與郊區較冷的空氣混合形成混合層，導致其上空形成逆溫層，不利于污染物的消散，出現“渾濁島效應”[8]。用城-郊日照時數差來表征“渾濁島效應”[33]，分析汕頭市年平均渾濁島強度(見圖12(a))可知，其日照時數差均為負，表明城區相對于郊區均為“渾濁島效應”，并呈現先增強后減弱的趨勢。在2005—2016年城-郊日照時數差較大(大于150 h)，“渾濁島效應較強”，其主要和汕頭市發展工業和城鎮化進程加快有關，2010年代汕頭市建成區面積從2004年的152.9 km2增長到2016年的253.6 km2[29]，工業化和城鎮化加快加重了城市空氣污染，導致“渾濁島效應”增強。2014年后汕頭市綠化覆蓋率增加，使得城市空氣質量好轉，城-郊日照時數差逐年減小。分析汕頭市月均渾濁島強度(見圖12(b))可知，10月日照時數差最大，且日照時數差秋、冬季明顯大于春、夏季，表明“渾濁島效應”在秋、冬季較強，即秋、冬季城區空氣質量較差。秋、冬季為干季，空氣濕度較小，而由于城區較多的氣溶膠粒子易形成凝結核，使得云量增多，造成城區陽傘效應加強，進而造成城-郊日照時數差增大，即“渾濁島效應”加強。春、夏季處于華南前汛期和臺風季，降水能有效提高空氣質量，城、郊空氣質量差異不明顯，使得城-郊日照時數差較小，“渾濁島效應”弱。

圖12 汕頭市年年均(a)及月平均(b)渾濁島強度 Fig.12 Annual average(a) and Monthly average(b) turbid island intensity in Shantou

6 結論

本文使用汕頭市基本站氣象數據，對汕頭市“熱島效應”的年際、季節和日尺度變化特征及“雨島效應”和“渾濁島效應”的年際和季節尺度變化特征進行了分析，結合汕頭市統計局提供的社會經濟發展指標，使用主成分分析法、B-P神經網絡和C5.0決策樹算法，篩選出影響“熱島效應”的主要因子，并闡明了其影響機制。主要結論如下:

(1)在年際尺度上，汕頭站與澄海站和南澳站對比近十年均呈現“熱島效應”。在季節尺度上，“熱島效應”夏季強于冬季，與北方內陸城市“熱島效應”的季節變化特征存在顯著差異，且汕頭站與南澳站和澄海站對比分別在6—9月和7—8月達到強熱島強度。日變化尺度上，受太陽輻射強度和下墊面的差異影響，在11:00汕頭站與澄海站對比熱島強度呈現減弱趨勢，而與南澳站對比呈現增強趨勢，但兩者正午都具有“午間谷值現象”。

(2)使用主成分分析法、B-P神經網絡和C5.0決策樹三種算法，篩選出影響汕頭市熱島強度的三個主要因子分別為: 綠化覆蓋率、建成區面積和氣壓。分析三個主要因子對“熱島效應”日尺度變化的影響機制發現，綠化覆蓋率在上午通過阻擋地表長波輻射的保溫作用增強“熱島效應”，下午通過植物的蒸騰作用吸熱減弱“熱島效應”。建成區面積通過改變城區單位面積可蓄熱體積和“屋頂低壓效應”，使得上午減弱“熱島效應”，下午增強“熱島效應”。上午城-郊氣壓差為正，形成“反熱島環流”，有利于“熱島效應”的增強，午后城-郊氣壓差由正轉負，形成“熱島環流”，減弱“熱島效應”。

(3)在21世紀前10年汕頭市只在2002、2008、2010年存在弱的“雨島效應”。進入2010年代，除2014年之外，均為“雨島效應”，且強度逐漸增強，其與“熱島效應”的增強趨勢基本一致。在季節尺度上，汕頭市“雨島效應”主要出現在夏季。汕頭市“渾濁島效應”呈現先增強后減弱趨勢。季節尺度上“渾濁島效應”在秋、冬季強，春、夏季弱。