北京市海淀区重点潜在绿化用地的识别*

朱 樱 李 倞，2，3 徐 昉

1 北京林业大学 北京 100083

2 城乡园林景观建设国家林业和草原局重点实验室 北京 100083

3 城乡生态环境北京实验室 北京 100083

随着城市化进程加快， 土地资源日益紧缩，推动城市存量更新发展已成为新型城镇化过程中的重要课题。 城市扩张导致自然生境面积缩减、破碎化、 质量下降等 “城市病”； 城镇蔓延和人类高密度聚居导致建设和绿化用地间矛盾日益尖锐[1-3]， 建设用地挤占绿色空间[4]， 适合绿化的城市土地资源越来越少。 因此， 在城市尺度上挖潜绿化用地， 识别筛选潜在可转化为城市绿地的用地空间是亟待解决的问题。

城市绿地是城市生态系统的重要组成部分，在维护城市可持续发展、 缓解与自然环境之间的冲突和矛盾方面起到重要作用[5]。 建设发展前期，绿色空间的建设多关注数量、 忽视质量， 规划建设主观性较强[6]， 比如城市中一些绿色空间建成后缺乏妥善管理维护， 植被缺失形成低质或裸露绿地； 受所处位置不利环境因素 (如城市热岛、土壤污染等) 限制， 植物生长受限导致绿地退化[7]； 原有建筑拆除后未更新形成长时间闲置的土地等。 这些长期闲置、 低效低质的土地大量存在于城市中， 相比其他已建城市用地， 其拆迁和土地征收成本较低， 是转化为永久性城市绿化用地的重点潜力空间。

国外城市发展演变研究发现， 超过25 万人居住的城市存在约12.5%～15%的城市闲置地[8]。在大多城市中这些闲置地块面积小、 破碎、 不连通， 难以自主再生[9]。 国外已有大量识别闲置土地转化为绿色空间的研究， 例如美国俄勒冈州波特兰市、 加拿大不列颠哥伦比亚温哥华等已开展研究识别可转变为生产性绿色空间的闲置地， 整理土地清单并开展波特兰可挖掘城市项目、 西雅图P-Patch 项目、 温哥华都市农业清单项目等[10-14]实践。 目前， 国内研究集中在其形成原因、 类别定义、 产生影响、 规划利用方式、 更新方向等方面[15-18]， 例如， 张浪[19-20]从园林绿化角度归纳划分闲置地类型， 提出转型期基于城市绿化的城市困难立地类型； 张华颖[21]基于转化为绿色基础设施再利用的可能性识别常州市域范围内裸土闲置地， 探讨具体利用途径； 还有研究在应用视角下探讨闲置地的更新设计[22-25]。

本研究关注的 “重点潜在绿化用地” 是指在城市建成区新建永久性绿地的重点增量区和进行绿地更新的重点提质区， 是未来结合经济、 文化、社会等多因素开展城市建成区永久性绿地建设和更新需要重点关注的区域， 可为城市建成区新增绿化用地， 提升绿色空间质量。

1 研究区概况

北京市海淀区总面积431 km2， 以百望山为界， 分山前、 山后两区 (图1)， 山前城市化程度高， 人口密集、 资源集中； 山后村镇集中， 分布大量耕地， 发展虽落后于山前， 但随海淀北部新区规划的提出， 山后区也已进入高速发展阶段。

图1 海淀建成区及山前、 后区范围示意

2 研究方法

本研究识别的重点潜在绿化用地包括需要重点提升绿地质量的土地空间 (可提质潜在绿化用地)， 以及具有更大绿地转化潜力的闲置土地空间 (可增绿潜在绿化用地)。

可提质潜在绿化用地识别的是城市建成绿色空间中植被生长趋势减弱、 绿地质量下降的区域。植被是陆地生态系统的主体， 其生长趋势变化指示城市绿色空间随时间变化的状况及绿地质量[26-27]。 基于归一化植被指数 (NDVI)[28-30]计算植被覆盖度 (FVC)， 通过一元线性回归模型分析植被覆盖度变化趋势指示绿色空间的植被生长情况。 筛选现状植被覆盖度较低且植被生长趋势持续减弱的绿色空间， 依减弱程度划分可提质低、中、 高潜力空间。

可增绿潜在绿化用地识别的是城市中空置裸地， 通过选取研究样本监督分类和人工目视解译遥感影像， 获取历年土地利用现状图。 基于此提取历年裸地空间数据， 采用交集分析法计算历年裸地空间叠加情况， 按空置时间长短划分为可增绿低、 中、 高潜力空间。

删去研究区范围内水系、 建筑、 道路基础设施等数据处理后， 等权重叠加两类潜在绿化用地，得到综合重点潜在绿化用地空间分布结果。

2.1 数据来源

以欧洲航天局发布的sentinel-2 号Level1C 级遥感影像作为数据源， 影像精度为10 m， 解译前影像数据均经过大气校正及辐射定标等基础处理。由于中国北方植物的生长季是6-9 月， 植被生长状态基本稳定， 植被覆盖度最大且变化不显著[31-32]， 因此， 以 2016—2020 年 6—9 月云量覆盖小于10%的多景遥感影像作为数据源。

2.2 多景遥感影像解译

通过选取感兴趣区样本， 利用支持向量机分类方法对影像进行监督分类及分类后处理， 生成2016—2020 年土地利用图。 利用在线地图软件获取同年同时段更高精度的地图影像验证解译结果，分类结果通过混淆矩阵kappa 系数 (＞0.8， 表示分类较准确) 精度评价。

2.3 计算植被覆盖度

基于像元二分模型提取植被覆盖度 (FVC)的原理为假设一个地表像元由有植被覆盖的部分Sv和无植被覆盖Ss两部分组成[31-33]。 一个像元中有无植被覆盖的面积比例为FVC 和 (1-FVC)，全部有植被覆盖的遥感信息为Sveg， 全部无植被覆盖的遥感信息为Ssoil， S 为地表像元的遥感信息。 计算公式为式 (1) 至式 (3):

FVC 和NDVI 存在显著线性相关， 可建立二者之间转换关系计算植被覆盖度[30]。 计算公式如下:

式 (4) 中:NDVIsoil为无植被覆盖像元值；NDVIveg为纯植被像元值。 理论上，NDVIsoil接近于 0，NDVIveg接近于 1[31-32]， 受环境、 天气、地理位置等因素的影响， 根据每一景遥感影像的NDVI 值频率统计表， 以累积百分比 5%和90%置信度区间对应像元值作为NDVIsoil和NDVIveg的有效值。 植被覆盖度的等级划分参考《土壤侵蚀分类分级标准》 分为 6 类[31-32，34-36]:无植被覆盖度＜10%、 低植被覆盖度10%～30%、中低植被覆盖度30%～45%、 中植被覆盖度45%～60%、 中高植被覆盖度60%～75%、 高植被覆盖度＞75%。

2.4 分析植被覆盖度变化趋势

采用一元线性回归趋势分析法， 建立植被覆盖度和时间序列的回归模型， 分析2016—2020 年生长季植被覆盖变化趋势。 对自变量时间x和因变量植被覆盖度y可用公式 (5) 表示:

式 (5) 中，k、b表示符合最小二乘法的回归参数估计量。 利用观测值 (xi，yi) 可求出未知参数k。

式 (6) 中:n为研究时段年数；xi为时间；yi为第i年生长季植被覆盖度平均值；k表示植被覆盖度值的变化趋势。k＞0 表示植被生长趋势增强，k＜0 表示植被生长趋势退化。 将植被生长趋势变化程度基于阈值分为7 类: 显著增强 (k＞0.15)、 中度增强 (0.10 ＜k＜ 0.15)、 轻度增强(0.05＜k＜0.10)、 基本不变 (-0.05 ＜k＜0.05)、轻度退化 (-0.05＜k＜-0.10)、 中度退化 (-0.15＜k＜-0.10)、 显著退化 (k＜-0.15)。

3 结果与分析

3.1 可提质重点潜在绿化用地空间分布

海淀区整体植被生长趋势基本不变， 生长趋势呈中度、 显著退化的斑块集中分布于山后平原地区， 山前地区偶有出现， 城市中东部沿京新高速周边以及西南地区是这些斑块集中出现的地方。由图2 可知， 整体植被生长状态山前区优于山后区， 山地区优于平原区， 提取轻度退化 (-0.05＜k＜-0.10)、 中度退化 (-0.15＜k＜-0.10)、 显著退化 (k＜-0.15) 的斑块作为可提质重点潜在绿化用地低、 中、 高潜力绿化空间。

图2 可提质重点潜在绿化用地分布

3.2 可增绿重点潜在绿化用地空间分布

从2016—2020 年土地利用图中提取历年裸地空间 (图3) 发现， 海淀区裸地空间分布以北部山后区居多， 山前区集中在城市西部区域， 其中，2016—2018 年裸地空间分布整体呈现逐渐减少的趋势， 自2019 年开始又逐渐增加。 通过叠加结果得到场地中连续空置 1 年、 2 年、 3 年、 4 年、 5年的裸地空间分布图， 其中连续空置1 ～2 年的裸地占比最多， 在山后地区成片集中出现； 山前区西部也较多出现了这类土地。 以连续空置时间长短作为判别绿化潜力等级的标准， 空置时间越久潜力越大。 因此， 根据连续空置时间长短， 将其归为低潜力绿化空间 (空置1 ～2 年)、 中潜力绿化空间 (空置3 ～4 年)、 高潜力绿化空间 (空置4 年以上) (图 4)。

图3 海淀区2016—2020 年裸地空间分布

图4 可增绿重点潜在绿化用地空间分布

通过统计可增绿重点潜在绿化用地相应斑块的植被覆盖度趋势变化数值及现状植被覆盖度情况， 结果发现， 在可增绿重点潜在绿化用地中， 植被生长趋势基本不变和减弱的斑块占比最多。 不到10%的可增绿斑块中植被生长呈现恢复趋势； 可增绿斑块现状多数呈现中低植被覆盖； 植被生长趋势减弱且现状植被覆盖度较低占比最多 (图 5、 图 6)。 说明在 5 年内多数可增绿斑块植被生长难以恢复， 维持着中低或无植被覆盖的状态。

图5 可增绿斑块植被覆盖度值统计

图6 可增绿斑块中植被生长趋势和现状植被覆盖度特征统计

3.3 综合重点潜在绿化用地空间分布

植被恢复且生长趋势减弱的部分用地可能被重复识别为可提质重点潜在绿化用地， 针对这类情况， 从可提质重点潜在绿化用地数据中将重叠部分剔除后， 再和可增绿重点潜在绿化用地数据叠加， 获得综合重点潜在绿化用地分布。 在可提质潜在绿化用地中， 针对植被生长趋势下降， 但现状植被覆盖度较高的情况， 依据2020 年 (可获得最新数据) 植被覆盖图中高植被覆盖区域范围将这部分数据进行剔除。 解译时， 由于每一景遥感影像获取时间、 天气等因素不同， 存在将现状是水系、 建筑和道路的区域划入潜力土地的可能，针对这种情况， 根据水经微图在线地图软件提供的数据进行剔除。 将研究区域可增绿和可提质潜在绿化用地空间等权重叠加， 对相邻图斑进行融合处理并删去小于100 m2不足一个网格尺寸斑块，最终得到建成区综合重点潜在绿化用地分布图。

将建成区综合重点潜在绿化用地等级分为高、中、 低3 个等级， 海淀山前区共识别出重点潜在绿化用地 282.68 hm2， 山后区 379.44 hm2。 山后区高、 中、 低潜力斑块总面积均大于山前区斑块面积， 且较山前区分布更为集中。 研究区范围内潜在绿化土地面积共662.12 hm2， 低潜力占比最多， 单个最大斑块面积达到22.78 hm2。 利用空间统计工具对各等级重点潜力土地的分布进行空间自相关分析， 计算全局Moran I 指数， 通过p 值和z 值指示其空间分布模式 (图7)。 在正态分布假设下， Moran I 指数为正且显著， 即潜在绿化用地的分布在空间上呈现显著正向相关， 其空间分布呈非随机性， 表现为相似值间的空间聚集。 海淀山后区大部分潜在绿化土地分布呈现 “高—高”空间聚集， 山前区空间表现为不显著聚集模式，建成区边缘出现 “高-高” 空间聚集； 海淀区潜在绿化土地整体分布由山前至山后区呈现 “冷点-不显著-热点” 模式， 热点区集中在山后及区界限边缘区； 由城区中心至边缘， 山后区呈现 “热点-不显著-冷点-热点” 的分布模式， 山前区呈现 “冷点-不显著-热点” 分布 (图8)。

图7 空间自相关分析报表

图8 建成区综合重点潜在绿化用地空间分布热点分析

4 讨论与结论

4.1 讨论

潜在绿化用地的空间分布差异并非偶然， 山后区各乡镇发展水平较低， 城镇的建设管理等方面均落后于山前， 大量土地尚处规划阶段，识别出的潜在绿化用地也可能存在已规未建暂时空置或长期处于建设开发、 因村庄腾退而暂时闲置荒废、 新规划的绿地尚未建设等情况。山前区因城市建设较早且基本完成， 对于城市绿地的管理维护措施相对完善， 使用频率相对更高， 近年来山前区各街道也在持续推进绿地微更新等改造活动， 这些因素都可能使潜在绿化用地在山前区较少出现。 在未来的城市建设中， 还需加强对城市土地的动态检测与管理，对山后区予以更多关注。

研究所得城市潜在绿化用地数据仅包含一定时序内遥感影像能观测到的土地空间数据， 对曾是空置裸地的地块， 一定时间后植被恢复， 生长趋势稳定且处于中高植被覆盖状态但仍闲置未利用的土地， 还需通过更多时序的影像数据识别。城市具有绿化潜力的空间还包括桥下空间、 建筑架空空间、 建筑立面空间等， 这些空间很难通过影像直接判断。 10 m 精度影像仅适用于城市尺度， 组团、 街区等更小尺度的研究应根据范围匹配合适影像的精度， 并增加多时序的遥感影像数据。 另外， 分析潜在绿化用地的现状用地性质，深挖造成裸地长期空置和植被质量持续下降的潜在因素， 如是否存在污染或其所处位置受光照水源土壤地形等条件限制不利植被生长等， 也是未来可探讨的研究内容。

4.2 结论

存量更新背景下， 研究从提高土地资源利用的角度对城市建成区的重点潜在绿化用地进行“增量” 和 “提质” 两方面分析， 通过遥感影像数据， 探索量化寻找城市潜在绿化用地的技术途径。 研究区范围内共识别整理出潜在绿化土地662.12 hm2， 其中大部分可增绿斑块呈现中低植被或无植被覆盖， 且植被的生长呈现不变和减弱趋势， 连续空置1～2 年时间的斑块出现最多。 在城市化水平相对较低， 尚处高速发展阶段的海淀山后区聚集出现大面积裸地或低质绿地的现象更明显， 在山前区则呈现小面积分散分布的现象。此外， 在城市建成区边缘也是这些用地聚集出现的地方。