基于遥感影像估算的北京中心城区碳储量与气候环境关联性研究

杨鑫 高雯雯 李莎 李冠衡

联合国政府间气候变化专门委员会（Intergovernmental Panel on Climate Change, IPCC）第五次评估报告指出：在人为影响因素中，向大气排放温室气体，特别是CO2的长期累积是造成全球气温上升的主要因素[1]。2021年IPCC第六次评估报告中提到，除非在未来几十年内大幅减少CO2和其他温室气体排放，否则21世纪全球地表温度升温将超过1.5 ℃或2.0 ℃。全球持续变暖将进一步加剧极端天气的出现和自然生态系统的改变，将对人类生活造成极大威胁。研究表明，城市作为CO2最大的排放载体，其碳排放量占全球总量的78%[2]；而在中国，自然资源保护协会（Natural Resources Defense Council, NRDC）的资料显示，70%以上的碳排放来自城市，其中近1/3来自大型建筑供热、制冷和供电的能源消耗。人类活动造成的碳排放增加这一问题亟待解决。

陆地生态系统通过植物的光合作用吸收大气中的CO2，从而固定碳元素[3]，有效平衡大气中的CO2含量。在城市中，森林、公园等成为能够直接进行碳汇的区域，因此众多学者对城市绿地、植被、河流展开相关碳汇能力的研究[4]。在宏观和中观尺度层面，相关研究主要集中在森林植被的生物量与生产力、碳储量和不同类型城市绿地碳汇能力的数值估算方面，从国家与市域的角度对碳储量分布有了较为清晰的了解认识[5-8]。在微观尺度层面，学者对于碳储量的研究集中在具有代表性的人工群落和选定样地方面[9-12]。研究方法上，目前遥感影像技术被运用在城市碳储量估算中，对于不同尺度的研究对象，遥感影像在碳储量估算方面有较好的准确性，可以用于相关研究。其主要技术路径是通过样地实测与相关植被指数进行拟合，得到回归方程，进而估算出区域内的碳储量数值。贠银娟等[13]利用遥感影像数据划定了石羊河流域碳汇等级区域；王让会等[14]应用NDVI（归一化植被指数）测定克拉玛依人工林的碳密度；刘诗琦等[15]经研究认为，在碳汇能力评估中遥感计算估值的精度较高；邹琪等[16]则对深圳森林碳储量进行遥感反演，得出RBF神经网络模型的估算精度最高的结论。相对而言，对于碳储量与城市气候变化之间关联特征的研究相对较少，其中武斌等[17]基于固碳效益以典型植物为研究对象，对工业城市的人居环境小气候特征进行分析。综上所述，目前对于碳储量所开展的研究，多数集中于全国、省市等特大区域或特定林地等尺度，而街区尺度的研究较为缺乏，且主要聚焦于碳汇能力、碳密度等数值估算，较少分析讨论城市气候环境与碳储量之间的关联程度。而街区是人们日常生产生活的最基本单元，其环境的舒适程度影响着居民的生产效率、生活质量。因此，从街区层面开展碳储量与气候环境的深入研究是实现“双碳”目标的精细化途径，也是应对气候变化、提升人居环境质量的意义所在。

1 研究对象与方法

1.1 研究对象

本研究选取北京中心城区作为研究对象，包含东城区、西城区、朝阳区、海淀区、丰台区、石景山区，总面积约1 378 km2，涵盖130个街道辖区单元。北京城市气候环境为夏季高温多雨、冬季寒冷干燥，属于典型的北温带半湿润大陆性季风气候。作为首都，高度建设发展的北京给人们的工作生活带来极大的便利，但同时也出现了空气污染等城市环境问题。在2013年，北京PM2.5年均浓度高达89.5 μg/m3，超过国家标准（35 μg/m3）约1.5倍。碳排放方面，北京2012年实现碳达峰，2013年实施清洁空气行动计划，近几年来碳排放水平逐渐下降，但碳汇能力仍有待提升。

1.2 研究方法：数据收集与计算

1.2.1 遥感影像植被指数计算

大量研究表明，植被能够有效提升碳汇能力。本研究选用植被覆盖度和三维绿量2个植被指数展开研究，其中植被覆盖度从平面的角度衡量城市街区内的植被覆盖情况；而三维绿量则从空间角度，在植被的立体层次上进行分析，体现植被结构的丰富度。植被覆盖度可基于卫星遥感影像计算NDVI数值后，运用公式计算得到。三维绿量的计算方法参考相关学者在《中国园林》上发表的研究成果[18]，叶面积指数（LAI）与比值植被指数（RVI）建立的三次多项式拟合R2达到了0.726，拟合程度高，其回归方程如式（1）所示：

式中：Y为三维绿量；X为RVI。因此，笔者基于以上研究成果，通过资源三号卫星遥感数据提取北京中心城区的RVI数值，从而获得三维绿量空间分布特征。

1.2.2 基于植被指数的碳储量估算

北京中心城区范围广、用地性质复杂，传统的测算方式不适用于碳储量的计算，遥感影像有助于对中尺度范围内的碳储量的估算。相关学者在《生态学杂志》上发表的研究成果[19]显示，城市用地中的碳储量与遥感影像的参数存在多元线性关系，且拟合R2高达0.838，其方程如式（2）所示：

式中：Y为城市用地碳储量，单位为t；X1为NDVI；X2为RVI；X3为调整土壤亮度的植被指数MSAVI。在ENVI软件中，对资源三号卫星遥感影像进行大气校正、辐射定标等处理后，运用式（1）（2）对北京中心城区的碳储量进行估算分析。研究选用的影像成像时间为2019年7月，能够较好地反映北京夏季植被、土壤等情况。

1.2.3 气候环境指标获取

本研究选取北京2019年7月的最高气温、最大风速、PM2.5、空气质量指数（AQI）共4项指标，数据来源于北京市气象局38个站点的监测数据。通过统计分析得到4项指标的月平均数值，借助ArcGIS软件平台，选用插值分析法，最终得到北京中心城区夏季热环境空间分布情况。

1.2.4 街区尺度下植被指数、碳储量与气候环境指标相关性分析

本研究利用北京中心城区130个街道辖区单元的边界矢量数据，获取街区尺度下的植被指数、碳储量以及最高温度、最大风速、PM2.5和AQI各项数值，运用SPSS统计软件计算相关性并建立多元线性回归方程，量化分析城市街区尺度下碳储量与气候环境指标之间的关联度与量级关系。

2 北京中心城区碳储量分布特征与碳汇能力等级研究

2.1 北京中心城区碳储量分布特征

数值统计显示（表1），北京中心城区碳储量总值高达3.23百万t，碳密度约为23.50 t/hm2。其中，海淀区碳储量总值最高，达1.29百万t，占北京中心城区碳储量总值的39.94%；东、西城区最低，仅有0.03百万t。碳密度方面，石景山区最高，为38.25 t/hm2；西城区最低，为6.64 t/hm2；朝阳区、海淀区和丰台区碳密度相近。从地理空间角度来看，碳储量空间分布呈现中心城区外围及西北部山区高，中心老城区和东南部低的特征，建成区的环境对碳储量的影响较大（图1）。

图1 北京中心城区碳储量空间分布情况Spatial distribution of carbon storage in the central urban area of Beijing

表1 北京中心城区各行政区碳储量数据统计Tab. 1 Statistics of carbon storage data regarding administrative regions in the central urban area of Beijing

2.2 街区尺度碳汇能力等级划分

基于北京中心城区碳储量空间分布情况，对130个街道辖区单元进行相关数值统计分析，分别计算每个单元的碳储量平均值、碳储量最小值、碳储量最大值、碳储量总值和碳密度。结果显示，碳储量最大值出现在朝阳区金盏（地区）乡和常营（地区）乡，最小值出现在朝阳区孙河（地区）乡、来广营（地区）乡和丰台区宛平城（地区）街道与东铁匠营街道；碳储量总值方面，海淀区苏家坨（地区）镇最大，为55万t，最小值为海淀区永定路街道0.0124万t。碳储量平均值和碳密度最大的街道都是海淀区香山街道，数值分别为7.09 t、0.16 t/hm2；最小的都是海淀区清河街道，分别为0.073 t、0.000 74 t/hm2。

运用ArcGIS软件，将北京中心城区130个街道辖区单元依据碳密度进行碳汇能力等级划分，一共划分了6个等级（A~F等级由低至高代表碳汇能力增强）。结果显示，A等级碳汇能力最差，共有23个街道，主要集中在东城区、朝阳区、海淀区；B等级共有44个街道，C等级28个，D等级17个，E等级12个；F等级碳汇能力最强，共6个街道辖区单元，海淀区4个，石景山区2个（图2，表2）。结合北京中心城区植被指数相关指标的计算结果，植被覆盖度与三维绿量在不同碳汇等级的街道空间中呈现出正向相关趋势（表3），即碳汇等级越高，植被覆盖度与三维绿量的值越大。结合空间分布总体情况来看，街道尺度的碳汇能力空间分布呈现中心低、四周高的辐射状结构特点，空间形态与北京楔形绿地分布情况吻合，其中碳汇能力高的区域分别位于北京的西北部山区和公园湿地面积较大的区域，一定程度上表明街区内高植被覆盖对碳汇能力有正向促进作用。

图2 北京中心城区街道空间碳汇能力等级分布情况Spatial distribution of carbon sink capacity grade in subdistricts within in the central urban area of Beijing

表2 北京中心城区街道辖区单元空间碳汇能力等级统计Tab. 2 Statistics of carbon sink capacity grade in sub-districts within the central urban area of Beijing

表3 街区尺度碳汇能力等级植被指数平均值统计Tab. 3 Statistics of average value of vegetation index for carbon sink capacity grade at block scale

3 街区尺度碳储量与气候环境指标、植被指数关联性分析

3.1 街区尺度气候环境指标分析

气候环境指标空间分布方面，最高温度呈现出以北京环状路网向外辐射，中心高、四周低的特征，其最大值为30.96 ℃，最小值为26.59 ℃，平均值为28.37 ℃，其中西城区最高温度平均值最高，为28.97 ℃，石景山区最低，为28.10 ℃；最大风速方面，中心区域最大风速较低，西部和东南部最大风速较大，最大值为4.56 m/s，最小值为0.13 m/s，平均值为1.70 m/s；空气质量指数（AQI）方面，北京中心城区最大值为71.73，最小值为57.16，均处在空气质量“良”等级，说明夏季期间北京中心城区空气质量较好，各城区之间的空气质量指数差别不大；PM2.5数值范围在30.86 μg/m3~42.19 μg/m3之间，大部分区域均超过35 μg/m3，西城区和东城区数值较大，均在38 μg/m3以上。这些高PM2.5数值区域主要集中在交通道路密集和高强度建成开发地段，一定程度上反映了PM2.5的高数值受到建成环境因素的影响。

街区尺度内，统计不同碳汇能力等级的气候环境指标平均值（表4），结果表明气象因素的优劣程度与碳汇能力呈正相关，即碳汇能力差，气候环境差。6类碳汇能力等级中，最大风速平均值差别不大，A~C等级的最高风速平均值均在1.73 m/s~1.83 m/s，A等级最高风速平均值最小，为1.73 m/s；AQI空气质量指数中，A~E等级均在66之上。在所有等级中，A等级的最高温度平均值、PM2.5平均值、AQI平均值都偏高，气候环境表现差，这在一定程度上说明碳汇能力和气候环境呈现正相关关系。

表4 街区尺度碳汇能力等级气候环境指标统计Tab. 4 Statistics of average value of climate environmental indicator for carbon sink capacity grade at block scale

同时统计130个街道辖区单元内最高温度、最大风速、PM2.5和AQI的相关数值，其分布（图3）和数据结果显示，最高温度最大值出现在西城区西长安街街道，为30.96 ℃，最小值在丰台区王佐镇，为26.59 ℃；最大风速最大值出现在丰台区王佐镇，为4.56 m/s，最小值在朝阳区金盏街道，为0.13 m/s；PM2.5最大值为42.19 μg/m3，在朝阳区黑庄户乡，最小值为30.86 μg/m3，在朝阳区麦子店街道；AQI最大值为71.73，在朝阳区黑庄户乡，最小值为57.15，在丰台区西罗园街道。其中最高温度平均值在29 ℃以上的街道共有56个，最大风速平均值在2 m/s以上的街道共有35个，AQI在66以 上 的 街 道 共 有97个，PM2.5在35 μg/m3以上的街道高达128个。

图3 北京中心城区街区尺度气候环境指标空间分布情况Spatial distribution of climate environmental indicators at block scale in the central urban area of Beijing

3.2 相关性分析

街区尺度植被指数选择植被覆盖度、三维绿量2个指标，运用SPSS软件对130个街道辖区单元的碳储量平均值、碳密度、植被覆盖度平均值、三维绿量平均值、最高温度、最大风速、PM2.5、AQI进行相关性分析。其结果显示，在街区尺度下碳储量平均值和碳密度均与植被覆盖度平均值、三维绿量平均值、最大风速呈显著正相关，与最高温度、PM2.5呈显著负相关。统计学中通常将相关性分为极强、强、中等、弱、极弱5个等级，对应的绝对值在0.8~1.0、0.6~0.8、0.4~0.6、0.2~0.4、0~0.2。其中植被覆盖度平均值、三维绿量平均值与碳储量平均值、碳密度的相关性系数高于0.8，呈现强显著相关性（表5，图4）。

图4 碳储量、碳密度与植被指数、气候环境指标皮尔逊相关热图Pearson correlation between carbon storage/carbon density and vegetation index, climate environmental indicator

表5 碳储量平均值、碳密度与植被指数、气候环境指标相关性统计Tab. 5 Statistics of correlation between average carbon storage/carbon density and vegetation index/climate environmental indicator

3.3 碳储量与气候环境指标、植被指数关联量化分析

对上述呈现显著相关性的指标进行线性回归分析（表6、7）。其中，对于植被覆盖度平均值和三维绿量平均值，碳储量平均值与碳密度为因变量；对于最高温度、最大风速、PM2.5和AQI，碳储量平均值与碳密度为自变量。结果显示，植被覆盖度平均值、三维绿量平均值与碳密度、碳储量平均值的三次曲线回归方程R2更高，因此植被覆盖度平均值和三维绿量平均值在一定取值范围内时，碳储量平均值和碳密度的数值才能达到最佳效果。其中，植被覆盖度平均值与碳储量平均值、碳密度的回归方程R2分别为0.863和0.861，说明研究数据可以解释80%以上的数据关系，拟合程度较好；三维绿量平均值与碳储量平均值、碳密度的R2分别为0.796和0.794；最大风速方面，三次拟合曲线表现更好，其与碳储量平均值、碳密度的R2分别是0.133、0.131。由拟合方程显示，最高温度、PM2.5、AQI分别与碳储量平均值、碳密度呈线性趋势。PM2.5与碳储量平均值、碳密度的R2分别为0.092、0.090，拟合程度一般；AQI与碳储量平均值、碳密度的R2都仅为0.022，拟合程度较差。研究数据表明，PM2.5和AQI与碳储量平均值、碳密度之间的关系尚需要更多的样本或采用更加精细的数据进行分析探讨（图5、6）。但本研究所用数据在相关性层面已经展现出显著相关的趋势，说明研究结果有一定价值，可作为参考。

表6 碳储量平均值与植被指数、气候环境指标拟合方程Tab. 6 Fitted equation between average carbon storage and vegetation index/climate environmental indicator

表7 碳密度与植被指数、气候环境指标拟合方程Tab. 7 Fitted equation between carbon density and vegetation index/climate environmental indicator

图5 碳储量平均值与相关要素回归散点图Regression scatter diagram of average carbon storage and related factors

通过拟合方程能够对碳储量平均值、碳密度和气候环境指标、植被指数开展定量研究。从街区尺度分析研究，碳储量平均值每提高5 t，可有效降低温度0.6 ℃，PM2.5下降1.45 μg/m3，AQI降低0.92。但植被覆盖度、三维绿量与碳储量平均值、碳密度呈现三次函数关系，意味着街区尺度下，植被覆盖度在10%~80%或三维绿量大于0.6时，碳汇能力随植被覆盖度和三维绿量的增加而提升；当植被覆盖度小于10%或三维绿量小于0.6时，植被体量和群落层次不够强大，呼吸作用大于光合作用，导致固碳能力下降；当植被覆盖度超过80%后，郁闭度加大，植被叶片相互遮蔽，一定程度上阻碍了光合作用，从而影响碳汇效率。当植被覆盖度和三维绿量在最佳范围内时，碳储量平均值为0.20 t~10.53 t，碳密度为1.92 t/hm2~117.55 t/hm2，可有效降低温度0.02℃~1.29 ℃，可使PM2.5下降0.05 μg/m3~3.06 μg/m3，AQI降低0.03~2.00。

图6 碳密度与相关要素回归散点图Regression scatter diagram of carbon density and related factors

4 改善气候环境与碳汇能力提升策略

近年来，中国积极参与国际社会碳减排倡议，布局碳中和战略，提出在2060年实现碳中和目标。因此，研究北京中心城区碳储量的分布特征，并提出街区尺度改善气候环境的碳储量提升策略，旨在利用现实可行的办法，以存量建设为基础，通过街区尺度下的合理绿地调整、植被种植修补等方式，有效提高街区内的碳汇能力，改善城市中不良的局地气候环境，创造健康舒适的人居环境。

1）提升街区内植被覆盖度。分析显示碳储量的增加与气温的降低受到植被覆盖度的影响，根据每个街区的现状特点，采取不同的方式提升植被覆盖度。例如碳汇能力A、B等级的街道均位于北京老城区内，其绿地率和植被覆盖度水平较差，也无法大面积开展种植，因此要尽可能通过腾退空间利用、微花园设计等手段合理地扩大绿地面积，将植被覆盖度控制在10%~80%，此时碳储量能够随植被覆盖度的增加而提升。对于那些因实际情况无法增加绿地的区域，可以在满足工程要求的基础上优选植草砖等铺装材料，有效提升街区绿地率；还可利用街巷盆栽、行道树种植等方式，增加街区内植被覆盖度，缓解街区高温热环境，同时增加碳储量，营造良好舒适的人居环境[20]。对于植被覆盖度超过80%的区域，则应通过修剪养护等方法及时调整，以免因植被郁闭度过大而影响碳汇效率。

2）增加街区内三维绿量。三维绿量从空间层面对城市热环境和碳储量产生一定的影响，街区内可以选用垂直绿化等方式，提升三维绿量。如老城区中碳汇能力A、B等级的街巷空间，三维绿量小于0.6，极大地影响碳汇效果，可选择种植藤蔓植物，依靠墙体营造垂直绿化效果；碳汇能力C、D等级的街区以高密度建成区域为主，近年来多数区域都在开展城市更新工程，通过“见缝插绿”等手段提升公共空间环境质量。如今，北京已进入存量更新的建设时期，绿地布局的连贯性与系统性至关重要，针灸式的改造也需要“点”“线”“面”的系统规划模式，以形成街区绿色网络。在更新改造中可加入屋顶花园、垂直绿化等多种方式，加强“绿网”的连通性，从而增加街区内三维绿量。植被覆盖度与三维绿量的增加还可以有效降低空气质量指数（AQI）和PM2.5浓度，创造更加优良、清洁的空气环境。

3）注重植被的养护。在系统化的绿色网络中，优化植被结构层次对于碳汇能力的提升起到关键作用。街区内植物群落的结构层次、树种的选择及不同类型植被间的比例关系，对碳汇能力有决定性作用[21]。在碳汇能力方面，城市植被碳储量要远远小于自然林地，但是合理的管护能起到正向促进作用，因此对于碳汇能力良好的街区要进行植被状态监测。碳汇能力E、F等级的街道大多位于北京中心城区边缘地带，绿地率、植被覆盖度和三维绿量表现优良。对于这类区域可以在维持现状的基础上，重点关注植被的合理养护，如关注植被生长情况，若郁闭度过大，叶片之间相互影响，要进行人为调控，避免影响植物光合作用的效率，导致碳汇能力下降。

最后，政府和城市管理部门应从全局角度出发，考虑到碳储量对城市气候的影响，系统规划城市绿地，合理更新绿色空间，优化植物群落结构，同时对于碳汇能力较强的地区应注意植被的养护和管理。从公众参与角度出发，提升碳储量，缓解气候变化，需要从生活的点滴做起，倡导选用低碳环保包装、废物再利用、垃圾分类、节电节水、绿色健康出行等生活方式，降低人为碳排放，缓解空气污染等，主动承担起减排责任，用切实行动参与到缓解城市气候变化和完成碳中和目标中来，为良好人居环境建设贡献力量。

5 结论

本研究选取北京中心城区130个街道作为研究单元，利用卫星遥感影像反演推算碳储量，结合2019年7月最高温度、最大风速、PM2.5、空气质量指数（AQI），定量研究了街区尺度下碳储量和植被指数、气候环境指标之间的耦合关系，提出改善气候环境的碳汇能力提升对策。所得结论如下：

1）北京中心城区碳储量总值估算为3.23 百万t，碳密度为23.50 t/hm2，空间分布呈现区域外围、西北部山区高，中心老城区、东南部低的特征。最高温度、最大风速和AQI的分布符合北京环状路网的辐射结构，呈现中心高、四周低的特点。

2）街区尺度下，碳储量最大值出现在朝阳区金盏（地区）乡和常营（地区）乡，最小值出现在朝阳区孙河（地区）乡、来广营（地区）乡和丰台区宛平城（地区）街道与东铁匠营街道；碳储量总值为海淀区苏家坨（地区）镇最大，海淀区永定路街道最小；碳储量平均值和碳密度最大的都是海淀区香山街道，最小的都是海淀区清河街道。

3）北京中心城区碳汇能力等级由A~F逐渐提升，碳汇等级较差的区域集中在老城区；碳汇等级最好的区域分布在城区外围，共6个街道辖区单元。高碳汇能力区域分别位于北京西北部山区和公园湿地面积较大的区域，一定程度上表明街区内高植被覆盖度对碳汇能力有正向促进作用。

4）基于量化分析得到，一定范围内提升街区内的植被覆盖度和三维绿量能有效提高碳储量和碳密度，从而改善局地气候环境。植被覆盖度在10%~80%或三维绿量在0.6以上时，碳汇能力随植被覆盖度和三维绿量的增加而提升，并能有效降低温度和PM2.5数值。碳储量平均值每提高5 t，能够有效降低温度0.6℃，PM2.5下降1.45 μg/m3，AQI降低0.92。

5）对北京中心城区碳汇能力不同等级的街道，应拟定相应的改善气候环境、提升碳储量的措施，从城市管理部门到公众，共同参与，努力建设绿色可持续的人居环境。