引言
城市热岛效应的研究通常采用气象资料分析法、数值模拟法和遥感监测法。早期热岛效应研究主要基于气象站的观测数据开展（李兴荣等，2006;孙学珍等，2009;瓦力江·瓦黑提等，2018），但受限于气象观测站点的布设，该方法的空间代表性存在一定局限。数值模拟法机理性较强，但所需参数资料复杂，获取全面的背景数据存在一定困难（黄良美等，2011;张赟程等，2017;郑玉兰等，2017）。遥感监测法由于其探测区域广、动态性强、空间分辨率高等优势，已成为热岛效应空间研究的主要手段（裴欢和房世峰，2008;卞子浩等，2016;Ward et al.，2016;周甜甜等，2017;曹张驰等，2021;裔传祥等，2022）。国外相关研究基于Landsat TM、Landsat 8 TIRS和MODIS（Moderate Resolution Imaging Spectroradiometer）等多源遥感数据研究了城市热岛效应的时空变化特征，并从横向和纵向两个方面探讨热岛效应的形成机制（Buo et al.，2021;Maharjan et al.，2021;Monteiro et al.，2021）。国内基于Landsat TM/ETM+/TIRS/OLI数据针对一线特大城市（杨敏等，2018）和东部沿海城市（王伟武等，2009;丁海勇和史恒畅，2018;沈中健和曾坚，2020）等开展了城市热岛效应研究，并从植被覆盖度、城市用地类型、空间格局和人为热排放等方面探讨影响城市热岛的因子。Landsat系列卫星空间分辨率较高，但重返周期较长，受天气、季节等因素影响，在城市热岛动态变化研究中受限很大;MODIS卫星虽然空间分辨率较低，但重返周期短，昼夜均可获得有效监测数据，通过与气象站实测数据相结合，能更加全面地对城市热岛效应展开研究（陈命男，2012）。
在“一带一路”政策的带动下，郑州市城市化进程不断加快，但同时也引发了一系列环境问题，导致城市生态系统服务功能逐渐下降。在此背景下，段金龙等（2011）和李芳芳等（2010）基于单景或少量Landsat TM/ETM数据结合同期气象观测数据开展了郑州市区热岛效应的初步研究，张凡等（2018）基于2007—2016年MODIS地表温度数据，分析了郑州市热岛效应时空演变特征，但其以行政边界选取郊区背景区域，科学性较低。本研究基于长时间序列的遥感地表温度数据集（2004—2020年MYD21A1），结合多源数据科学确定郊区背景区域，从年、季和昼夜多个时间尺度分析郑州城市热岛效应的时空演变规律，并从自然（下垫面、NDVI、太阳辐射强度）和人为（人口密度、城市生产总值、建筑竣工面积）两方面探讨郑州热岛效应的驱动机制，以期为郑州市发展规划布局、优化资源配置、缓解城市热环境问题提供科学依据。
1 数据与资料
1.1 数据
2004—2020年地表温度数据来源于美国航空航天局（National Aeronautics and Space Administration，NASA）发布的EOS/MODIS下午星AQUA地表温度产品（MYD21A1），AQUA为太阳同步轨道卫星，每日重返2次，过境时间约为13：30和01：30（苏玥等，2019）。MYD21A1产品分昼间（MYD21A1D）和夜间（MYD21A1N）两类，由相对应的L2级格点产品合成，空间分辨率为1 km，数据格式为HDF-EOS。
归一化植被指数（Normalized Difference Vegetation Index，NDVI）数据来源于2004—2020年MODIS月合成产品MOD13A3，空间分辨率为1 km，产品格式为HDF。采用MRT（MODIS Reprojection Tools）软件对数据进行等经纬度投影，并输出GEOTIFF格式数据。年最大NDVI值由月最大NDVI值合成。
土地利用/覆盖类型资料采用中国科学院环境科学数据中心提供的2004、2005、2010、2015、2020年影像分类数据。人口密度、城市生产总值和建筑竣工面积等数据均从2017—2021年郑州统计年鉴（郑州市统计局和国家统计局郑州调查队，2017—2021）中获取。
文中所有时间均为北京时，将3—5月划为春季，6—8月划为夏季，9—11月划为秋季，12月至次年2月划为冬季。文中附图涉及地图均基于自然资源部标准地图服务网下载的审图号为GS（2019）1822号的标准地图绘制，底图无修改。
1.2 研究区概况
郑州（112.7°E—114.23°E，34.27°N—34.97°N）位于黄河中下游和伏牛山脉向黄淮平原过渡的交接地带，地势呈阶梯状下降，西部、西南部高且多为中低山，中部和东部地势偏低，多为丘陵、平原。气候属于北温带大陆性季风气候，四季分明，雨热同期。全市下辖6个区、1个县，代管5个县级市，总面积7 446 km2，市区面积1 091 km2，建成区面积由2004年的243 km2增长至2020年的836 km2（图1），常住人口2004年约为708万，到2020年末增长至1 260万人，其中城镇人口987.9万，城镇化率约78.4%，远高于2004年（57.9%）。
图1
图1
2004（a）和2020（b）年郑州市土地利用/覆盖类型
Fig.1
Land use/land cover types in Zhengzhou in 2004 （a） and 2020 （b）
1.3 研究方法
1.3.1 城市热岛强度
城市热岛的监测通常采用热岛强度指数（Urban Heat Island Intensity Index， IUHII），是评价城市热岛效应强弱的定性指标，计算公式（叶彩华等，2011）如下：
式中：IUHIIi为城市第
城市热岛强度共分为7个等级：强冷岛、较强冷岛、弱冷岛、无热岛、弱热岛、较强热岛和强热岛，分别赋值为1、2、3、4、5、6和7，具体等级划分如表1所示，本文主要选用季、年等级划分。
表1 基于热岛强度指数的热岛等级划分标准
Tab.1
| 等级 | （日）城市热岛 强度/℃ | （季、年）城市热岛 强度/℃ | 含义 |
|---|---|---|---|
| 1 | ≤-7.0 | ≤-5.0 | 强冷岛 |
| 2 | （-7.0， -5.0] | （-5.0， -3.0] | 较强冷岛 |
| 3 | （-5.0， -3.0] | （-3.0， -1.0] | 弱冷岛 |
| 4 | （-3.0， 3.0] | （-1.0， 1.0] | 无热岛 |
| 5 | （3.0， 5.0] | （1.0， 3.0] | 弱热岛 |
| 6 | （5.0， 7.0] | （3.0， 5.0] | 较强热岛 |
| 7 | >7.0 | >5.0 | 强热岛 |
根据城市热岛的定义，农田背景区域的选取直接决定城市热岛强度的估算结果。考虑估算指标的简便性、易获取性和通用性，选取农田背景区域时需满足以下3个条件：
（1）与城市所在区域高程差小于等于50 m，该指标可通过当地数字高程图像（Digital Elevation Model，DEM） 计算得到;
（2）夜间灯光指数值小于等于15，通过该指标可以确定受人类活动影响较小的区域;
（3）年最大植被指数大于等于0.7，该指标可以确定不包含水体且为高植被覆盖的纯植被区域。
其中，背景区域所用的NDVI和夜间灯光指数分别为当年MODIS MOD13A1产品和 NPP VIIRS（National Polar-orbiting Partnership，Visible-infrared Imaging Radiometer）夜间灯光指数产品。
1.3.2 城市热岛比例指数
式中：m为热岛强度等级数，取值7;n为城区温度高于郊区温度的等级数（即热岛等级数，根据表1可知，热岛包含弱热岛、较强热岛和强热岛3个等级，故n取值3）;i为城区温度高于郊区温度的等级序号，取值为1、2、3，分别对应弱热岛、较强热岛和强热岛3个等级;
2 结果与分析
2.1 热岛效应时空变化特征
2.1.1 郑州市年均昼夜地表热岛强度变化特征
图2
图2
2004—2020年郑州市昼（a）、夜（b）年均城市热岛强度空间分布
Fig.2
The spatial distribution of annual mean urban heat island intensity during daytime （a） and nighttime （b） in Zhengzhou from 2004 to 2020
表2 2004—2020年郑州市昼夜不同等级热岛面积占比 单位：%
Tab.2
| 强冷 岛区 | 较强冷 岛区 | 弱冷 岛区 | 无热 岛区 | 弱热 岛区 | 较强热 岛区 | 强热 岛区 | 热岛总 面积 | 较强热岛及 以上面积 | |
|---|---|---|---|---|---|---|---|---|---|
| 昼 | 0.00 | 0.27 | 4.54 | 75.46 | 19.62 | 0.04 | 0.05 | 19.71 | 0.09 |
| 夜 | 0.00 | 9.46 | 58.47 | 29.08 | 2.98 | 0.00 | 0.00 | 2.98 | 0.00 |
郑州市昼夜热岛面积占比年际变化（图3）显示：2004—2020年，郑州日间热岛面积呈非显著下降趋势（|Z|<1.96），下降速率为每年0.48%;夜间呈非显著上升趋势（|Z|<1.96），上升速率为每年0.04%。夜间热岛面积占比远低于日间，基本在6.00%以下。
图3
图3
2004—2020 年郑州市昼（a）、夜（b）城市热岛面积占比年际变化
Fig.3
The yearly variations of heat island area proportion during daytime （a） and nighttime （b） in Zhengzhou from 2004 to 2020
2.1.2 郑州市季节平均昼夜热岛强度空间分布
从2004—2020年郑州市春、夏、秋、冬季日间平均城市热岛强度空间分布（图4）看，春、夏季热岛分布更集中，主要位于金水区、管城回族区、中原区和二七区等人口密度大、城市化进程快的中心城区，中牟县西部和南部、新密市、登封市和荥阳市中部、惠济区南部以及新郑市的部分区域也存在较强热岛和强热岛现象;热岛强度夏季最高，春、秋季次之，冬季最小。虽然春、夏两季的热岛面积占比相差不大（春季为41.59%，夏季为37.08%），但夏季的强热岛面积更大，而秋季和冬季均不存在强热岛现象（表3）。主要原因是春、夏季白天太阳辐射更强，城区下垫面多为不透水面，热容量低，导热率高，郊区的高植被覆盖度能明显降低周围环境温度，从而造成城、郊区在春、夏季出现较大温差。秋、冬两季白天太阳辐射相对较弱，郊区植被少且土壤裸露，城区存在大量的人工常绿植被，城郊温差变小，呈现出春、夏季热岛效应较秋、冬两季更为明显的现象。
图4
图4
2004—2020年郑州市春（a）、夏（b）、秋（c）、冬（d）季日间平均城市热岛强度空间分布
Fig.4
Spatial distribution of mean urban heat island intensity during daytime in spring （a）， summer （b）， autumn （c） and winter （d） in Zhengzhou from 2004 to 2020
表3 2004—2020年郑州市四季日间不同等级热岛面积占比 单位：%
Tab.3
| 季节 | 强冷岛区 | 较强冷 岛区 | 弱冷岛区 | 无热岛区 | 弱热岛区 | 较强热 岛区 | 强热岛区 | 较强热岛及 以上区 |
|---|---|---|---|---|---|---|---|---|
| 春季 | 1.94 | 6.29 | 15.29 | 34.89 | 31.73 | 9.21 | 0.65 | 9.86 |
| 夏季 | 2.84 | 4.46 | 15.31 | 40.32 | 29.28 | 6.52 | 1.28 | 7.80 |
| 秋季 | 4.54 | 9.93 | 35.73 | 40.41 | 9.17 | 0.22 | 0.00 | 0.22 |
| 冬季 | 0.66 | 3.59 | 18.53 | 65.27 | 11.88 | 0.07 | 0.00 | 0.07 |
图5
图5
2004—2020年郑州市春（a）、夏（b）、秋（c）、冬（d）季夜间平均城市热岛强度空间分布
Fig.5
Spatial distribution of mean urban heat island intensity during nighttime in spring （a）， summer （b）， autumn （c） and winter （d） in Zhengzhou from 2004 to 2020
表4 2004—2020年郑州市四季夜间不同等级热岛面积占比 单位：%
Tab.4
| 季节 | 强冷岛区 | 较强冷 岛区 | 弱冷岛区 | 无热岛区 | 弱热岛区 | 较强热 岛区 | 强热岛区 | 较强热岛及 以上区 |
|---|---|---|---|---|---|---|---|---|
| 春季 | 0.00 | 0.00 | 2.82 | 67.03 | 27.87 | 1.92 | 0.35 | 2.27 |
| 夏季 | 0.05 | 1.46 | 14.97 | 68.51 | 12.27 | 1.45 | 1.28 | 2.73 |
| 秋季 | 0.00 | 0.00 | 2.78 | 72.06 | 23.06 | 1.89 | 0.00 | 1.89 |
| 冬季 | 0.91 | 37.48 | 54.28 | 7.31 | 0.01 | 0.00 | 0.00 | 0.00 |
2.1.3 郑州市季节平均昼夜热岛面积年际变化
从2004—2020年郑州市日间、夜间四季热岛面积占比的年际变化（图6）可以看出，2004—2020年日间，春季和夏季的热岛面积占比分别呈非显著（|Z|<1.96）和显著（|Z|>1.96）上升趋势，增长速率分别为每年0.47%和0.41%，而秋季和冬季则呈非显著下降趋势;夜间春、夏、秋季的热岛面积占比均呈非显著上升趋势，上升速率分别为每年0.36%、0.94%和0.64%，冬季夜间的热岛效应偏弱，无明显变化特征，17 a来热岛面积占比均在2.0%以下。
图6
图6
2004—2020年郑州市四季昼（a）、夜（b）热岛面积占比逐年变化
Fig.6
The yearly variation of proportion of heat island area during daytime （a） and nighttime （b） in four seasons in Zhengzhou from 2004 to 2020
2.1.4 城市热岛比例指数变化特征
城市热岛比例指数可以对区域城市热岛强度进行整体评估，表征热岛在城市建成区的发育程度，指数值越大代表热岛现象越严重（叶彩华等，2011）。对比分析2004—2020年郑州市昼夜城市热岛比例指数的年、季变化，结果发现近17 a来郑州市日间热岛比例指数呈非显著下降趋势，夜间呈非显著上升趋势，与城市热岛强度的年际变化特征一致。昼、夜城市热岛比例指数均为夏季>春季>秋季>冬季（图略）。
图7
图7
2004—2020年郑州市各县（区）热岛比例指数季节变化
Fig.7
Seasonal variations of urban heat island proportion index in each county or district of Zhengzhou from 2004 to 2020
2.2 城市热岛驱动力
影响城市热环境的因子主要分人为和自然因素两大类，综合考虑研究区自身特点，以下从土地利用/覆盖类型、归一化植被指数（NDVI）、太阳辐射强度、社会经济等方面探讨郑州市城市热岛的驱动因子。考虑到郑州市夏季白天热岛效应最强，主要针对该时段进行热岛驱动因子的相关性分析。
2.2.1 土地利用/覆盖类型对热岛效应的影响
从表5看出，近年来郑州市城乡建筑用地面积明显增加，2020年建筑面积是2005年的一倍多，林地、耕地和草地面积有所减小，水域面积变化不明显。研究区不同土地利用/覆盖类型对应的平均地表温度存在明显差异，城乡建筑用地最高、耕地次之、林地和水域最低。2020年，不同土地类型的平均地表温度最大相差6.12 K，可见同一气候条件下，地表温度对土地利用/覆盖类型的变化较为敏感。
表5 郑州市不同土地利用/覆盖类型面积及平均地表温度统计
Tab.5
| 年份 | 林地 | 耕地 | 草地 | 水域 | 城镇、居民建筑用地 | |||||
|---|---|---|---|---|---|---|---|---|---|---|
| 面积/km2 | 地表 温度/K | 面积/km2 | 地表 温度/K | 面积/km2 | 地表 温度/K | 面积/km2 | 地表 温度/K | 面积/km2 | 地表 温度/K | |
| 2005 | 710.0 | 308.9 | 5 034.8 | 311.0 | 677.1 | 310.6 | 235.9 | 308.8 | 902.3 | 312.6 |
| 2010 | 710.8 | 308.3 | 4 947.8 | 311.3 | 678.1 | 309.9 | 254.1 | 309.3 | 969.5 | 313.2 |
| 2015 | 706.5 | 308.6 | 4 838.1 | 312.3 | 676.9 | 310.5 | 262.7 | 310.4 | 1 075.9 | 314.2 |
| 2020 | 559.0 | 308.7 | 4 391.1 | 313.3 | 388.6 | 310.6 | 304.4 | 310.6 | 1 919.7 | 314.8 |
2.2.2 NDVI 与地表温度的相关性分析
归一化植被指数（NDVI）是植被生长状态的最佳指示因子，对地表植被的覆盖程度十分敏感（Pettorelli et al.，2005）。通过在研究区随机生成15 000个样本点，分别提取对应样本点的NDVI和地表温度均值进行相关性分析，发现NDVI与地表温度呈负相关（R=-0.62），且通过α=0.01的显著性检验。可见增加城市绿化面积可以一定程度上缓解城市热岛效应（图略）。
2.2.3 太阳辐射强度对城市热岛的驱动
太阳辐射强度与城市热岛效应关系密切，而高温和雨日日数是反映太阳辐射强度的重要因子（周淑贞和郑景春，1991;何泽能等，2022）。为进一步探究太阳辐射强度在郑州城市热岛效应中的作用，对郑州市中心城区2004—2020年夏季的高温日数（气温大于35 ℃）和雨日日数进行统计，分析不同天气状况与城市热岛强度的相关性。图8为郑州市中心城区17 a来每年夏季高温、雨日日数分别与热岛强度的散点图，可以看出高温日数与热岛强度呈非显著（|Z|<1.96）正相关，雨日日数与热岛强度呈显著（|Z|>1.96）负相关（R=-0.51），该结论与何泽能等（2022）的研究结果基本一致。由此可见，太阳辐射强度在一定程度上对城市热岛效应有正向驱动作用。
图8
图8
2004—2020年郑州市中心城区夏季高温（a）与雨日（b）日数与热岛强度的散点图
Fig.8
The scatter diagrams between summer high temperature days （a）， rain days （b） and heat island intensity in central districts of Zhengzhou from 2004 to 2020
2.2.4 社会因子对城市热岛的驱动
城市热环境不仅与自然因素密切相关，同时也直接或间接受人类活动影响，将2017—2021年郑州市12个辖区人口密度、城市生产总值和建筑竣工面积3项数据分别与对应辖区同年份的平均地表温度进行相关分析（图9），结果表明：人口密度、城市生产总值和建筑竣工面积均与城市地表温度呈正相关，相关系数分别为0.50、0.39和0.34，且均通过α=0.01的显著性检验。可见，由城市经济快速发展所带来的人口增长、房地产开发、城中村改建以及城市道路的扩建等都在无形中加剧城市热岛面积的扩张，合理调整城市发展规划、促进城市可持续发展迫在眉睫。
图9
图9
2017—2021年郑州市人口密度（a）、城市生产总值（b）、建筑竣工面积（c）与地表温度的相关性
Fig.9
The correlation between population density （a）， urban gross domestic product （b）， completed area of construction （c） and surface temperature in Zhengzhou from 2017 to 2021
3 讨论
通过本文研究发现，郑州日间年平均城市热岛强度呈非显著下降趋势，而夜间呈非显著上升趋势，日间热岛强度高于夜间。日间热岛强度夏季最强，其次是春季、秋季和冬季，夜间则表现为春夏季稍高于秋季、冬季最弱，这与张凡等（2018）、张丽等（2022）、石涛等（2013）的研究结果一致。而尚建设等（2018）、何泽能等（2022）在研究济南和重庆市的热岛效应中发现，热岛强度夜间大于日间;孙艳伟等（2021）研究发现，全国日间城市平均热岛强度呈显著下降趋势，夜间呈非显著上升趋势，与本文研究结果存在差异。主要原因有3个方面：一是研究数据的不同，地面观测站数据与遥感数据分别对应城市大气热岛和城市地表热岛;二是研究对象的尺度差异，本文研究区域属于地级行政区，而孙艳伟等（2021）主要以城镇斑块为研究对象;三是研究区域的地形差异，热岛环流结构受地形影响很大，平原和山区的热扩散状况有很大不同。可见，研究区域尺度、地形、数据来源、分析方法等的差异均会对城市热岛效应的研究产生影响。
4 结论
基于长时间序列的MODIS 陆表温度产品，从年、季、昼夜多个时间尺度分析郑州市城市热岛效应的时空分布特征，并从自然和社会经济层面出发，通过相关性检验等统计方法探究多种因素对郑州城市热环境演变的影响，得出以下结论：
（1）郑州市年平均热岛强度的昼、夜空间分布差异不大，较强及以上热岛集中在主城区，整体来看郑州市日间热岛面积大于夜间。日间，热岛强度夏季最高、冬季最弱;夜间，春、夏季热岛强度略高于秋季，冬季最弱。
（2）郑州市热岛效应存在季节和昼、夜差异。日间，春季和夏季的热岛面积占比分别呈非显著和显著上升趋势，秋季和冬季则呈非显著下降趋势;夜间，春、夏、秋季的热岛面积占比均呈非显著上升趋势，冬季热岛效应偏弱，热岛面积占比均在2.00%以下。
（3）郑州市城市热岛比例指数与城市热岛强度的年际变化特征一致，日间热岛比例指数呈非显著下降趋势，夜间呈非显著上升趋势;不同季节的昼夜城市热岛比例指数均为夏季>春季>秋季>冬季;对比各县（区）不同季节的城市热岛比例指数，中心城区均高于其他县（区）。
（4）郑州城市热岛效应受多因素影响。不同土地利用/覆盖类型的热岛效应差异明显，其中城乡建筑用地最高、耕地次之、林地和水域最低;植被覆盖度与地表温度呈负相关;高温日数、雨日日数分别与热岛强度呈正相关和负相关;人口密度、城市生产总值和建筑竣工面积均与城市地表温度呈正相关。
本文采用AQUA卫星过境的两个时刻来表征昼夜，对于日内变化特征的研究不够精确，后续考虑使用静止卫星的连续数据对热岛效应的日间变化进行更细致的研究;另外，城市建成区的植被覆盖度、人口密度、生产总值、建筑竣工面积等影响因子之间存在一定的相关性，而这些因素之间的耦合效应尚需进一步的深入研究。
参考文献
近40 a重庆城市热岛特征及其与天气状况的关系
[J].
利用1980—2019年重庆市中心城区4个气象站点的气温、降水等观测资料以及典型时段卫星资料，分析重庆市热岛效应的时空变化特征以及不同天气状况对热岛的影响。结果表明：20世纪90年代中期以来，重庆城市热岛效应增强趋势明显，21世纪10年代达最强，近年有减缓迹象。热岛的日、月及季节变化特征分布为：白天弱，夜间强;8月最强，6月最弱;盛夏最强，初春次之，仲春至初夏最弱。卫星遥感显示城市热岛呈东北、西南走向分布，强热岛主要位于人口密集的老城区、商业区、广场、车站、工业园以及城市新区等区域。21世纪10年代，城市热岛效应受雨天、阴天等负向驱动因素的影响以及多云天、晴天等正向驱动因素的影响，重庆市中心城区雨天、阴天、多云天、晴天时的平均热岛强度分别为0.19、0.52、0.69、0.76 ℃。
厦门市热岛强度与相关地表因素的空间关系研究
[J].以厦门市为例,基于遥感影像与建筑普查数据,分析了各局部气候区中相关地表因素与热岛强度之间的空间响应规律,以及厦门市各局部气候区中热岛强度与相关地表因素的空间关系。结果表明：研究区热岛强度有显著的空间自相关性,高值区集中于东南部的建设用地及耕地和裸地,低值区聚集于湖泊、河流等水体、湿地以及北部、西北部的林地;普通回归模型不能有效解释空间中相关地表因素与热岛强度之间的关系;空间误差模型的拟合效果优于空间滞后模型,可以更准确分析地表因素与热岛强度之间的空间关系;各局部气候区中可以作为回归模型自变量的地表因素有所不同。作为回归模型的自变量时,植被指数、水体指数、天空视域因子与热岛强度呈负相关关系,建筑密度、不透水面比例与热岛强度呈正相关关系,而建筑体积密度、建筑平均高度、建筑高度差与热岛强度的相关性在各气候区中并不一致。根据研究结论建议保护“补偿区”、分隔“作用区”,综合考虑规划实施策略的可行性,以有效缓解热岛效应。
济南市夏季城市热岛效应特征分析
[J].利用2012—2014年济南市自动气象站气温数据，分析济南市夏季城市热岛效应时空分布特征。结果表明，济南市夏季城市热岛效应显著，热岛强度由市区向四周辐射，市中心沿经十路到泉城路东西向一带为热岛效应最强区域；济南市夏季城市热岛效应强度存在明显的日变化，热岛强度夜间大于白天，早晨和傍晚前后存在热岛强度陡然变化阶段。
盆地地形下西安城市热岛效应对周边降水的影响
[J].利用陕西省西安市及周边14 个气象观测站最近40 a( 1966 ～ 2005 年) 冬季( 12 ～ 2 月) 、夏季( 6 ～ 8 月) 平均气温、降水量和降水日数、各站风向资料及西安站逐时降水资料，运用统计对比分析方法，研究城市热岛效应的年代际变化及其对区域降水的影响，并尝试给予简要的原因分析与讨论。结果表明: ( 1) 由于城市规模的发展，冬夏季均形成了以西安为中心的明显“热岛”，西安城区与临近区域的温度梯度在加大。热岛强度、影响范围冬季强于夏季; ( 2) 无论冬夏季，温度空间距平差0 ℃线都呈Ω 形，在其东西2 侧分别有冷中心或冷区，暖区( 暖中心) 冬季强于夏季，西侧冷区( 冷中心) 夏季强于冬季，东侧冷区( 冷中心) 冬季强于夏季。冬夏季，降水总体分布的第1 特征是: 在Ω 形东、西、南侧冷中心( 冷区) 降水量均增加，在暖舌北侧均减少; 总体分布第2 特征为: 夏季东北少、西南多，冬季西少东多。2 季节都存在个别站点的局地性差异; ( 3) 第1 特征的形成机制是明显的“温度锋区”;第2 特征形成机制是由热岛效应和季节性变化的环境风场间相互作用，降水的季节空间分布差异是由冬夏盛行风变化引起的; 因地形造成盛行风方向的不同是导致降水空间分布复杂的主要原因。
海风与热岛耦合对上海强对流天气影响的数值模拟
[J].使用新一代区域中尺度数值天气模式WRF并耦合多层次城市冠层模式（BEP+BEM），采用NCEP GFS 0.25°×0.25°全球模式3 h预报为初始场和边界条件，对2013年9月13日发生在上海地区的午后强对流天气过程进行数值模拟。通过对比耦合了城市冠层模块的试验（Ctrl）和替换城市为农田的试验（Crop），探究城市效应对本次降水过程造成影响的机理。通过分析发现：（1）此次降水主要受天气系统支配，但城市的存在对局地的降水过程有重要的调节作用；（2）城市热岛使得城市地区温度升高，气压降低，有力地增强了海风以及城市地区的上升气流，最终影响局地的降水分布和降水强度；（3）城市热岛效应能够使降水较早的发生，并且降水落区更为集中。
城市化对太原暴雨变化的影响
[J].利用太原1981—2016年城市化发展与7个国家气象站降水资料、59个区域气象站2008—2015年气温、降水资料，分析了城市化与暴雨时空分布变化的关系及其影响机理。结果表明：（1）近36 a来，太原暴雨具有明显的局地性和年代际特征。太原单站暴雨日数占总暴雨日数的61.4%，1990年代较1980年代局地暴雨日数增加较快；1990年代中期以后，区域性暴雨的日数快速增多，范围扩大。1980—2010年代，城区暴雨明显多于县区，降水时间更集中，且城区暴雨东、西部存在明显差异。（2）太原城市化各项发展指数与短时暴雨发生频次均存在显著正相关，而城市人口增长和空间的扩大使得暴雨显著增多。（3）城市化使中心城区成为明显的热岛，城郊间的温度梯度增大。城市热岛的存在，使中心城区大气层结较其他区域更加不稳定，热力强迫在城区产生的中尺度热低压或边界层辐合线有利于触发强对流，从而产生短时暴雨。另外，在天气尺度背景下，热岛平均扰动场通过与偏东风（盛行风）相互作用，使得边界层平均热力稳定度在城区东部减小、西部增加，太原三面环山的地形结构强化了城区与山区间的温度梯度，使得城区东部雨强加大、短时暴雨易发。城市摩擦效应通过延长天气系统在城区滞留时间，也增大了城区暴雨的发生概率。
建筑物制冷系统人为热排放与气象环境的相互作用
[J].针对建筑物制冷系统人为热排放对城市气候和能源消耗影响越来越大的现状，利用改进后的建筑物能量模式BEM（Building Energy Model）与单层城市冠层模式SLUCM（Single Layer Urban Canopy Model）的耦合，实现对城市建筑物人为热排放的动态模拟；以2014年5月29日为例（北京地区极端高温个例），开展北京地区建筑物制冷系统人为热排放与城市气象环境相互作用的定量分析。WRF（Weather Research and Forecasting）/Noah/SLUCM/BEM耦合模式模拟分析表明，模式在不加入人为热时，对夜间的热岛模拟偏弱，且基本无法模拟出白天的热岛效应；加入城市交通人为热排放后，对城市热岛强度和范围的模拟有一定改善；进一步加入建筑人为热排放对气温、热通量、边界层高度等的模拟效果均有不同程度的改进。加入BEM模拟的人为热后（case2），15：00（北京时，下同）主城区地表感热通量增加30~50 W·m<sup>-2</sup>，相应地2 m气温升高0.4~0.8 ℃，二者对应关系较好。case2中的人为潜热排放导致地表潜热通量增加80~140 W·m<sup>-2</sup>，水汽通量增加0.04~0.09 g·m<sup>-2</sup>·s<sup>-1</sup>，中心城区2 m比湿增加0.5~0.9 g·kg<sup>-1</sup>，边界层高度升高100~150 m，且傍晚边界层高度开始下降的时间推迟了约1 h。加入建筑人为热后，气温等气象条件的变化会对建筑物制冷系统能耗及人为热排放产生影响。case2对比case1，建筑物制冷系统能耗增加了1.11%~3.33%，建筑物制冷系统排放的感热通量增大0.67%~1.67%、潜热通量增大0.625%~1.56%（达2.0 W·m<sup>-2</sup>以上）。研究表明，在中尺度模式中动态模拟建筑物制冷系统的人为热排放，能够改进对近地层气象要素的模拟效果。
郑州统计年鉴:2017
[M].
郑州统计年鉴:2018
[M].
郑州统计年鉴:2019
[M].
郑州统计年鉴:2020
[M].
郑州统计年鉴:2021
[M].
上海城市太阳辐射与热岛强度
[J].本文根据上海1984年有代表性的154天,进行影响上海城市热岛强度的回归分析。发现城市热岛强度与太阳直接辐射日总量为正相关,与风速和云量为负相关。太阳直接辐射日总量对城市热岛的影响与城乡下垫面的反射、吸收和增温、冷却的差异有关。我们又用气象卫星资料,结合实测的太阳辐射日总量和城、乡的气温、云量、风速等气象资料,对上海1984年不同季节城市热岛的若干典型个例进行分析,说明上海城市太阳直接辐射日总量对上海城市热岛形成及其强度变化起着重要作用。
Estimating the expansion of urban areas and urban heat islands (UHI) in Ghana: a case study
[J].
Assessment of Urban Heat Islands in Brazil based on MODIS remote sensing data
[J].
Evaluation of Urban Heat Island (UHI) Using Satellite Images in Densely Populated Cities of South Asia
[J].Rapid Urbanization, and other anthropogenic activities, have amplified the change in land-use transition from green space to heat emission in built-up areas globally. As a result, there has been an increase in the land surface temperature (LST) causing the Urban Heat Island (UHI) effect, particularly in large cities. The UHI effect poses a serious risk to human health and well-being, magnified in large developing cities with limited resources to cope with such issues. This study focuses on understanding the UHI effect in Kathmandu Valley (KV), Delhi, and Dhaka, three growing cities in South Asia. The UHI effect was evaluated by analyzing the UHI intensity of the city with respect to the surroundings. We found that the central urban area, of all three cities, experienced more heat zones compared to the peri-urban areas. The estimated average surface temperature ranged from 21.1 ∘C in March 2014 to 32.0 ∘C in June 2015 in KV, while Delhi and Dhaka experienced surface temperature variation from 29.7 ∘C in June 2017 to 40.2 ∘C in June 2019 and 23.6 ∘C in March 2017 to 33.2 ∘C in March 2014, respectively. Based on magnitude and variation of LST, highly built-up central KV showed heat island characteristics. In both Delhi and Dhaka, the western regions showed the UHI effect. Overall, this study finds that the UHI zones are more concentrated near the urban business centers with high population density. The results suggest that most areas in these cities have a rising LST trend and are on the verge of being UHI regions. Therefore, it is essential that further detailed assessment is conducted to understand and abate the impact of the temperature variations.
Using the satellite-derived NDVI to assess ecological responses to environmental change
[J].
Heat waves and urban heat islands in Europe: a review of relevant drivers
[J].
