基于遥感技术的城市绿地碳储量估算应用

殷炜达 苏俊伊 许卓亚 刘志成

20世纪以来，人类面临着气候变化和能源危机带来的诸多生存环境问题，“低碳”成为全球应对危机的研究热点[1]，国际社会先后制定了《联合国气候变化框架公约》和《京都议定书》以解决气候问题[2]。2020年，国家主席习近平表示中国将提高国家自主贡献力度，采取更加有力的政策和措施，CO2排放力争于2030年前达到峰值，努力争取2060年前实现碳中和[3]。随着中国城市化水平越来越高，城市中的碳排放也随之增加，城市绿地碳汇因此受到关注并成为一个新的研究热点。城市绿地是指城市用地及其周边地区以自然植被和人工植被为主的区域[4]，按主要功能可分为公园绿地、广场绿地、防护绿地、附属绿地、区域绿地5类，是城市内部仅存的“自然碳汇”空间[5]。Escobedo等研究表明美国盖恩斯维尔和迈阿密戴德2个城市的绿地能够吸收其年碳排放总量的3.4%和1.8%[6]，Vaccari等的研究表明意大利佛罗伦萨的城市绿地能够吸收6.2%的直接碳排放[7]，可见城市绿地的碳汇功能具有不可替代性，是城市碳汇的基础部分。不同覆被类型绿地的平均固碳量有很大差别，层次或密度不同的植物群落也会使城市绿地的碳汇能力有所区别[8]。因此通过构建城市绿地碳储量估算模型，分析探讨城市绿地的增汇潜力，对推进2060年碳中和目标具有重要意义。

1 城市绿地碳储量估算研究

20世纪末，西方主要发达国家对本国生态系统的碳储量进行了较为全面的估算[9]，许多学者试图通过量化城市绿地生物量来间接测算出固碳量[7,10-11]。其中，大多数生长模型侧重于统计分析，使用含有树干直径、高度、密度等相关参数的回归方程以估计植物的总生物量[12]。Nowak等在城市树木生物量变化方面开展了基础性的研究[12]，Chave等运用树木异速生长方程等生长模型对树木总固碳量进行估算[13-14]。这些方法常用于特定地点的森林树木，很少用于城市地区的灌木、草本的生物量计算，且几乎不考虑植物物种之间的相互作用。使用样地实测法（物种、数量、面积覆盖）估算植被生物量的方法是生物量-碳估算的基础，Michael等采用分层随机抽样的方法计算树干总碳储量[15]，Kaye等基于实地测量数据对部分城市树木碳汇能力进行了估算研究[16]。然而，该方法在物种丰富度和多样性较高的区域估算误差较大，同时也将耗费大量的时间与精力[17]。近年来，美国林务局开发出i-Tree模型法用于单棵行道树和城市森林2个不同尺度的碳储量估算[18]。如今，i-Ttree与卫星影像相结合进行区域碳储量估算[19]成为被普遍采用的方法。

中国对于城市绿地碳储量的评估起步较晚，发展初期仅对某些植被和土壤类型的区域的碳储量进行了估算，相较于其他领域的碳储量研究仍处于起步阶段。王迪生分析了园林碳储量与森林碳储量的异同[20]，王晓杰、陈硕等研究发现城市绿化树种的碳储能力具有一定的差异性[21-22]。多位学者对国内外各类碳储量估算系统的技术方法、研究阶段、应用尺度进行对比分析，得出适用于城市绿地碳储量的估算方法主要有样地实测法、生长生物量模型法、遥感估算法等[23-24]。样地实测法是最原始、国际上公认误差最小的碳储量测算方法，王迪生、郭欢欢等采用抽样调查与数学模拟等方法计算城市绿地中的碳密度和碳储量[25-26]。CITYgreen、i-Tree等生物量模型适用于大尺度碳储量估算，可同时结合eCognition等软件对植物物种进行识别，为城市绿地遥感分类提供了新的智能解译方法[27-28]。通过以上研究可知，样地实测和遥感分析是未来碳储量遥感估算的重要组成。整体而言，从研究对象看，大多数的植被碳储量研究都是针对森林或区域内单一植被类型，缺乏针对城市绿地的综合性研究；从研究尺度看，多集中于较小区域尺度，综合型、简便快捷的大尺度城市绿地碳储量估算方法尚未成熟[29]。在现有文献及研究中，学界对城市绿地碳储量的研究缺乏一致的区域碳储量估算方法和模型，目前已经提出的植被碳储量估算模型和方法各有其优势和不足，且大都建立在经验统计的基础上，而经验模型及单纯的遥感方法能否完全适用于大尺度的植被碳储量研究，仍需进一步验证。

面对气候变化和能源危机，如何估算城市绿地碳储量、增强城市绿地储碳功能成为迫切需要解决的问题。由于遥感信息的宏观性与动态化，遥感估算法能够不受自然环境条件的限制，对大尺度范围内植被的碳储量估算具有一定优势，因而本研究基于遥感技术，结合当前研究现状及存在的问题，初步构建合理的城市绿地碳储量估算系统，以期为评估绿地对于城市生态环境的贡献、实现碳中和目标策略的制定提供决策参考。

2 研究区域概况及研究方案

2.1 研究区域概况

以北京市海淀区五环内为研究区域（图1），对其城市绿地碳储量展开研究。北京市海淀区属于暖温带大陆性季风气候，城市化程度较高，区域绿地规划合理，植被状况良好。以研究区域高分二号遥感影像为基础数据源，空间分辨率1 m，影像获取时间为2016年9月，区域面积为146 km2。

图1 研究区位图Research area location map

2.2 研究方案

城市绿地碳储量遥感估算模型建立路径具体如下：以高分二号遥感数据为信息源，利用遥感数据近红外和红光2个波段合成彩色图像的技术方法，根据绿地植被与其他地类的波谱反射差异，利用监督分类进行影像分割，以1 m的解译精度提取绿地植被信息。采用多元回归的方法，基于遥感影像获取植被信息，并提取归一化植被指数（NDVI）建立绿地碳储量反演模型，实现对研究区域绿地碳储量的反演。同时，另选取检验样地的人工识别数据为对照，验证利用遥感数据反演绿地碳储量估算的精度，进行模型的合理性检验及适用性分析（图2）。

图2 城市绿地碳储量遥感估算模型研究路径Research path of the remote sensing estimation model for urban green space carbon storage

3 数据采集与处理

根据图像预处理的技术流程提取遥感影像中城市绿地植被信息，包括辐射定标、大气校正、影像配准、影像分割和绿地分类等，构建NDVI指数与碳储量之间的估算模型，进而计算出植被碳储量，并根据其他样地的人工识别数据检验绿地碳储量估算模型的合理性，论证NDVI-碳储量估算模型的可行性。

3.1 城市绿地分类

综合考虑研究区域现状，根据国家标准GB/T 21010—2017《土地利用现状分类》将北京市海淀区五环内土地覆被类型初步区分为绿地、城市其他用地、水体3类，通过ENVI 5.3的监督分类获得土地覆被分布的矢量数据，绘制土地覆被分类图（图3-1）。并根据CJJ/T 85—2017《城市绿地分类标准》与实地调研进一步对城市绿地进行梳理和分类，其中因广场绿地识别精确度较低，最终将绿地分为公园绿地、防护绿地、附属绿地、区域绿地4类（图3-2）。

图3 研究区域用地分类Land use classification within the study area3-1 土地覆被分类Land cover classification3-2 城市绿地分类Urban green space classification

3.2 样地提取

研究采用分层随机抽样的方法在研究区域范围内抽取139个样地（表1，图4），利用ArcGIS 10.2中的随机布点函数在各类绿地图层中进行随机布点，并从中提取各样点的坐标值。为适应影响生物量的主要环境压力和管养模式因子空间分布的高异质性，进而提高遥感数据精确度，结合绿地内植物组成、郁闭度等条件，设置样方大小为25 m×25 m[30]。

表1 各类绿地面积及布设样地数量Tab. 1 Area and number of sample sites of each type of green space

图4 样地分布图Distribution map of sample sites

3.3 归一化植被指数（NDVI）提取

利用NDVI对多光谱栅格中数据较为集中的近红外和红光2个波段的特征进行对比，即红光波段中叶绿素的色素吸收率和近红外（near infrared, NIR）波段中植物体的高反射率，用于生成显示植被量（相对生物量）的影像。利用ENVI 5.3的BandMath工具计算得到研究区域内的NDVI值，经计算NDVI值在[-1, 1]，数值越高植被覆盖率越高，当数值低于0.1时地表几乎无植被。为减少裸露地表的NDVI值差异对建立回归方程的影响，将范围在[-1.0, 0.1]的NDVI值统一设置为0，并使用ArcGIS 10.2的分区统计功能分别计算各样地的NDVI值（图5）。

图5 NDVI分布图Distribution map of NDVI

3.4 碳储量计算

3.4.1 遥感法计算碳储量

通过卫星影像获取各样地碳储量的计算方法如下：首先，利用乔木、灌木、草地反射光谱特征上的差异，通过ENVI 5.3的监督分类功能将绿地分为乔木、灌木、草地3类（图6），计算样地内不同植被类型所占面积；其次，依据北京市植物类型分布比例及分类型植物平均冠幅[25,31]，得到样地内乔、灌木植物数量，结合各植被类型的平均生物量（表2），计算各类植物碳储量总和，计算式如下：

图6 各类型绿地乔木、灌木、草地分布图Distribution map of trees, shrubs and grasslands in each type of green space

表2 乔、灌、草平均冠幅及生物量[25,31]Tab. 2 Average crown width and biomass per plant of trees, shrubs and grasslands[25,31]

式中：N为植物数量，单位为株；S为植被面积，单位为m2；R为平均冠幅，单位为m；k为城市绿地乔木重叠率，取1/4[32]；T为碳储量，单位为kg；a为植物含碳率，北京城市园林植物平均含碳率为0.486[25]；W为平均生物量，单位为kg/株或kg/hm2。

3.4.2 人工识别法计算碳储量

为检验遥感估算模型的合理性，通过人工识别提取出每个样地的乔木、灌木的冠幅及数量，结合分植被类型植被参数拟合模型（表3）分别计算其树高与胸径，采用生物量扩展因子法测算各样地的生物量，进而计算样地的实际碳储量。

表3 乔木、灌木冠幅、树高、胸径拟合模型[25]Tab. 3 Fitting models of canopy width, height and DBH of trees and shrubs[25]

1）植物材积。

依据GB/T 4814—2013《原木材积表》的规定，胸径为4~13 cm的小径圆木材积的计算式为：

胸径为14 cm以上的植物材积的计算式为：

式中：V为单株材积，单位为m3/株；H为树高，单位为m；D为胸径，单位为cm。

2）碳储量计算。

采用样地实测法计算植被生物量，通过植物含碳率转换估算植被碳储量值，计算式如下：

式中：W为单株生物量，单位为kg/株，W上为植物地上生物量，W下为植物地下生物量；V为单株材积，单位为m3/株；WD为平均木密度，所有木材密度几乎相同，约为0.44~0.57，取平均值为0.54[26]；BEF为树干生物量转换到地上生物量的生物量扩展因子，依据联合国政府间气候变化专门委员会（IPCC）生物量扩展因子参考值，取温带阔叶林BEF平均值1.4[33]；R为生物量根茎比，乔木平均值为0.55，灌木为0.91[34]；T和a的含义同式（2）。

4 遥感估算模型构建与验证

4.1 碳储量遥感估算模型构建

研究将139个样地数据的NDVI总值与不同绿地类型样地内遥感碳储量进行相关性分析，采用基准样地回归的方法构建碳储量模型，估算区域碳储量。使用SPSS统计分析软件，分析城市绿地碳储量与NDVI之间的相关关系，可得绿地碳储量与植被指数NDVI呈正相关，相关系数p=0.697，显著性小于0.001，说明两者间相关性显著，并逐步建立统计分析模型，构建不同类型绿地碳储量与植被指数的回归拟合模型（图7，表4）。

表4 城市绿地碳储量遥感估算模型构建Tab. 4 Building of remote sensing estimation model for carbon storage of urban green space

图7 分类型绿地碳储量遥感估算模型拟合图Fitting diagram of remote sensing estimation model for carbon storage of each type of green space

公 园 绿 地、防 护 绿 地、附 属 绿 地、区域绿地4类绿地的拟合模型分别为Y=1/（5.674×0.010x）、Y=6.540x2.077、Y=4.333x1.107、Y=1.249-6.115x+13.666x2，相关性系数分别为0.753、0.696、0.762、0.775，显著性均小于0.001，表明4类绿地的碳储量均与NDVI呈正相关，且相关关系显著。分类绿地碳储量与NDVI的相关性大于不区分绿地类型的情况，且构建的模型精度相对较高，可见分类绿地构建碳储量模型对于提高碳储量估算精度的必要性。

4.2 碳储量遥感估算模型合理性检验

在4类绿地中各随机选取10个样地，共40个样地，对上述研究构建的绿地碳储量遥感估算模型分别进行预测结果的评估。在评估过程中，将人工识别法计算的碳储量结果视为真实值。图8为40个不同样地的单位面积碳储量模型预测结果与其真实值的折线对比图，结果显示，预测值与真实值的偏差皆在0.5 kg/m2内，误差在可接受范围内。其中防护绿地、附属绿地与公园绿地的估算准确率较高，平均偏差皆小于0.1，估算结果较好，基本满足模型精度要求；区域绿地的估算精度较低，平均偏差为0.187。计算不同类型样地评估的均方误差（MSE），结合拟合精度R2分析发现，不同类型样地的模型预测精度存在一定差异，除区域绿地外，其余3种类型样地的模型预测精度较高（表5）。

图8 样地模拟碳储量与人工识别碳储量数据对比Comparison between simulated and artificially measured carbon storage data in sample sites

表5 样地模拟碳储量与人工识别碳储量均方误差Tab. 5 Mean square error of simulated and artificially measured carbon storage in sample sites

分别对4种不同类型样地的预测结果计算方差和均值，并与人工识别法计算的碳储量结果（真实值）的方差与均值进行对比（图9）。分析发现，模拟碳储量略高于实测碳储量，数据分布基本处于同一区间内。由此可见，通过遥感估算模型计算的碳储量与人工识别法计算的碳储量结果基本一致，达到预期效果。

图9 样地模拟碳储量与人工识别碳储量数据均值方差对比Comparison between mean variance of simulated carbonstorage data and that of artificially measured in sample sites

5 城市绿地碳储量估算结果与分析

5.1 城市绿地碳密度估算

通过ArcGIS 10.2的栅格计算器将海淀区五环内各类绿地NDVI数据分别导入相应绿地的碳储量遥感估算模型，计算不同绿地的碳密度与海淀区五环内城市绿地碳储量总值。碳密度计算结果表明，海淀区五环内城市绿地碳密度介于0~5.328 kg/m2，碳密度空间分布与城市绿地分布相呼应，表现出一定的区域性与异质性（图10）。通过城市绿地碳密度空间分布图，可见四环到五环之间是海淀区五环内城市绿地碳储量最高的区域，主要是大面积的公园绿地与区域绿地构成了区域主要绿地碳库。四环内城市绿地碳储量分布相对均匀；除了少量的公园绿地有显著的碳储量集中现象，防护绿地的碳储量呈线性分布外，绿地碳储量大部分由附属绿地碳储量构成，均匀散布在城市之中。

图10 海淀区五环内城市绿地碳密度分布Carbon density distribution of urban green space within the Fifth Ring Road of Haidian District, Beijing

5.2 各类绿地碳储量估算

根据上述分类模型计算的碳密度结果，求取城市绿地及各类绿地碳密度平均值，并进行分析。结果表明，海淀区五环内城市绿地的平均碳密度为1.40 kg/m2，城市绿地碳储量总值约为4.14万t；公园绿地、防护绿地、附属绿地、区域绿地的平均碳密度分别为1.60 kg/m2、1.02 kg/m2、1.36 kg/m2、1.34 kg/m2，可见区域内公园绿地的碳汇能力最高，附属绿地次之，区域绿地略低于附属绿地，防护绿地最低，即公园绿地＞附属绿地＞区域绿地＞防护绿地。

此外，研究计算得到北京市海淀区五环内城市绿地平均生物量为2.89 kg/m2，介于黄玫等所模拟的有林草地平均总生物量2.599 kg/m2与混交林的4.95 kg/m2[34]之间；王迪生通过抽样调查，估测北京市海淀区、朝阳区、西城区、东城区的单位面积绿地平均碳储量介于1.204 kg/m2~2.190 kg/m2[25]之间，与本研究计算得出的海淀区五环内城市绿地平均碳密度1.40 kg/m2一致，因此本研究方法所得结果基本合理。

5.3 结果分析与展望

大尺度碳储量遥感估算的精度评价是定量遥感估算最困难、最具争议的问题。由上述结果分析可得，分类型绿地碳储量与NDVI值的遥感估算模型的相关性和拟合精度均高于城市绿地碳储量与NDVI值的拟合精度，且回归模型估测精度较高，证明分类型构建城市绿地碳储量遥感估算模型具有必要性，对于指导全国各城市绿地碳储能力的估算、实现碳中和目标具有重要意义。其中，公园绿地、附属绿地的估算模型拟合精度最高，其次为防护绿地，区域绿地拟合精度较低。经实地调研发现，区域绿地内植物种类与配置方式较为复杂，乔、灌、草层次丰富。结合计算过程分析可得，基于监督分类的绿地信息提取精度对于建设用地与绿地的分割精度较高，对植被类型的分割精度随绿地组成的复杂程度提升而下降，对于小尺度范围所测结果与实际值偏差变大，估算精度降低，且实测值为有限点数据，不能从空间上反映研究区域植被的异质性和差异性。因此，基于遥感影像监督分类的碳储量测算方法更适用于用地复杂、植被层次相对简单的城市绿地，其测算结果相关性显著。

遥感图像光谱信息具有良好的综合性和实时性，利用其与碳储量之间的相关性构建碳储量遥感估算模型能够减弱自然环境条件对于研究各方面的限制，使之在大尺度范围内估算植被碳储量更具优势，大大提升了对碳储量的研究范围、研究精度和实时性。同时，由于植被遥感在理论和技术上的不完备性，目前碳储量估算精度有待进一步提高，得出的碳储量数据还需根据实际问题适当改进；经验模型的合理程度主要取决于获得样本数量的多少和处理数据的水平，有待于进一步研究提升；此外，遥感数据的精度、研究领域的空间尺度等问题也是遥感估算法亟须解决的问题。未来可进一步统一碳储量测量方法，将信息技术和3S技术运用到城市绿地碳汇的发展中，与国际接轨，并结合eCognition、CITYgreen等软件提高遥感影像分类与分割的精度，或利用神经网络所具有的自组织、自学习和对输入数据具有高度容错性等优点进行高精度定量估测，以形成系统的、准确的探测、计量碳储量的体系。

本研究构建的遥感估算模型所需的基础数据与不同地区的植被平均冠幅、平均生物量等数据密切相关。中国植被平均生物量的空间分布受水热条件影响明显，在暖湿的东南、西南地区生物量较大，干冷的西部地区生物量较小。由于研究区域面积广大，获取资料有限，研究中所利用的经验数据为华北地区植被数据，所构建的城市绿地碳储量遥感估算模型也仅适用于华北地区城市绿地，不能代表各自然地理区生态系统类型。在未来进行遥感测算时，应尽快补足各城市绿地碳储量相关调查的研究数据，在地性构建中国城市绿地碳储量遥感估算模型。本研究旨在提供一种新的思路和方法，为今后的碳汇估算提供参考，而对于城市绿地碳汇的估算还需要更多数据的共同支持。

6 结论

本研究使用高分二号遥感影像为数据源，基于ENVI 5.3的监督分类功能将城市绿地进一步梳理为公园绿地、防护绿地、附属绿地、区域绿地4类，提取各类绿地植被信息，使用归一化植被指数与碳储量数据建立单变量模型，分别构建了城市绿地碳储量遥感估算模型，并结合人工识别数据检验模型精度，确保城市绿地碳储量遥感估算模型的合理性。各类绿地的遥感估算模型分别为Y=1/（5.674×0.010x）、Y=6.540x2.077、Y=4.333x1.107、Y=1.249-6.115x+13.666x2，模型总体精度为0.508，分类型精度为0.620~0.703，通过绿地分类计算后模型的拟合精度得到了明显提升。运用上述模型分析海淀区五环内碳汇能力，结果显示，北京市海淀区五环内城市绿地碳储量总值约为4.14万t，不同绿地类型碳汇能力存在一定差异，具体表现为公园绿地＞附属绿地＞区域绿地＞防护绿地。本研究对指导全国各城市绿地碳储量的估算具有重要的引领示范作用，在“双碳”背景下为统一城市绿地碳储量估算方法、构建碳储量估算系统等方面提供重要支撑。