城市蓝绿空间格局对碳固存的影响测度及关键指标∗

袁旸洋 郭 蔚 汤思琪 杨明珠 汪瑞军

1 东南大学建筑学院 南京 210096

2 江苏省城乡与景观数字技术工程中心 南京 210096

3 合肥工业大学建筑与艺术学院 合肥 230601

近年来CO2等温室气体排放加速全球变暖,引发了系列环境和社会问题。 为应对气候变化所产生的威胁, 2016 年«巴黎协定» 敦促世界各国通过实际行动减少温室气体排放, 增强固碳能力,减缓全球变暖的速度[1]。 我国在第75 届联合国大会上提出了碳中和、 碳达峰战略。 城市虽然仅占全球陆域总面积的3%, 却产生了超过70%的碳排放[2]。 由此, 城市在我国“双碳” 战略的实施中具有关键地位, 推动城市空间碳源汇结构与布局向绿色低碳转型成为当下重要的研究内容。

城市蓝绿空间 (Urban blue-green space,UBGS) 是城市发展过程中留存或新建的绿色空间和蓝色空间的总和, 包括所有自然、 半自然、 人工的绿地与水体, 是城市生态系统的重要组成部分[3－4]。 研究表明, 绿色空间是碳汇量最大的贡献者, 其产生的碳汇可以抵消28%~37%的CO2排放量, 而湿地、 河流、 湖泊和沼泽等蓝色空间是巨大的碳库。 除了植被、 土壤的固碳释氧功能,城市蓝绿空间还可以通过缓解城市热岛效应、 改善人居环境微气候, 促进居民绿色出行等途径,间接减少碳排放[5]。 综上, 蓝绿空间具有直接增碳汇、 间接减碳排的双重生态效益, 是城市中发挥碳汇效益的主要载体[6]。

以往关于城市蓝绿空间碳汇的研究多聚焦绿地和森林的碳汇量估算方法, 包括样地清查法、模型估算法[7]、 遥感反演法[8]和温室气体清查法等。 其中, 基于遥感技术的植被净初级生产力(Net Primary Productivity, NPP)[9－10]估算已广泛应用于区域和城市尺度。 有学者从城乡规划学和生态学的角度, 分析土地利用变化、 气候变化[11－12]、 城市树种及其生长周期[13]对城市蓝绿空间碳汇的影响机制。 例如: Li 等[14]证明城市中森林面积的增大对NPP 有正向影响； Yang 等[15]研究了NPP 对土地利用变化的响应认为, 耕地向林地和草地的转换可以有效提高生态系统固碳能力。景观格局是市域生态空间尺度影响碳汇功能提升的关键因素。 城市蓝、 绿空间具有相似的自然生态属性, 在生态功能和物质交换、 能量流动等自然过程中相互影响、 相互依存, 具有强关联性和整体性[16], 共同构成了城市自然碳汇系统。 现有研究多从单一绿色空间中格局及群落构成的角度展开[17－18], 而已有研究证实, 城市水体对绿地的碳汇能力提升具有一定促进作用, 当下关于城市整体蓝绿空间格局对碳汇效益影响的研究有待开展[19－20]。

本研究从整体性视角出发, 以合肥中心城区为例, 采用景观格局指标量化2000、 2010、 2020年城市蓝绿空间格局特征, 基于机器学习的XGBoost-SHAP 模型测度蓝绿空间格局特征对NPP的影响, 并解译其关键指标, 解析城市蓝绿空间格局特征如何影响碳固存(Carbon sequestration),旨在为高质量发展背景下基于碳增汇目标的城市蓝绿空间格局优化提供参考, 助力城市蓝绿空间融合发展。

1 研究区概况

合肥位于安徽省中部(117°E, 31°N), 属长三角城市群, 天然山水禀赋良好, 呈现“岭湖辉映” 的蓝绿交织体系。 平均海拔约37.51 m, 地形以平原和丘陵为主, 属于亚热带湿润季风气候,冬冷夏热； 年平均气温15.7 ℃, 年平均日照2 100 h 以上； 降雨量近1 000 mm, 主要集中在5—6 月。

2000 年以来, 合肥城市快速扩张、 人口增长迅速, 2022 年迈入了特大城市行列。 在此期间,合肥市政府重视城市环境建设, 积极响应生态文明建设战略, 出台了一系列政策聚焦于城市环境修复, 蓝绿空间在发展中得到保护与恢复。 从国土区位、 发展特点、 自然资源等方面来看, 合肥是长江中下游高密度城市发展的典型代表之一。本文的研究范围为合肥市中心城区, 即«合肥市国土空间总体规划(2021—2035 年) » 中市辖区范围, 包括蜀山、 包河、 瑶海、 庐阳4 个行政区,总面积为1 312.5 km2。

2 研究方法

选取2000、 2010、 2020 年的数据进行研究,以避免单个年份的遥感及气象数据因精度、 极端气候等因素带来误差。 主要内容包括城市蓝绿空间格局特征量化、 碳固存计算、 关键指标分析与解译。

2.1 数据获取与处理

本研究所采用的数据包括土地利用数据、 气象数据、 植被类型数据、 NDVI 数据(表1)。 从地理空间数据云平台(https:/ /www.gscloud.cn/)获取2000、 2010 年Landsat TM 及2020 年Landsat OLI 共3 期遥感影像, 空间分辨率30 m。 基于Google Earth Engine 平台对影像进行辐射定标、 大气几何校正、 条带修复等处理。 根据中国土地利用/土地覆盖遥感监测数据分类系统(LUCC) 遥感解译处理后的影像, 将其划分为耕地、 林地、草地、 建设用地、 水体、 未利用地6 类, 得到各期合肥市土地利用分类数据。 采用Kappa 系数对分类后图像精度评估验证, 总体精确度达到85%,高于最低精度要求。 利用ArcMap10.8 软件将林地、 草地重分类成绿色空间, 将水体重分类成蓝色空间, 获得2000、 2010 与2020 年合肥中心城区蓝绿空间分布图(图1)。

图1 合肥中心城区蓝绿空间分布

表1 数据来源及处理

2.2 基于CASA 模型的NPP 计算

采用NPP 表征城市蓝绿空间碳固存能力, 选用CASA 模型进行计算。 CASA 模型由Potter等[21]1993 年提出, 用于表征陆地生态系统中H2O、 C 和N 通量跟随时间演变而不断变化的生态系统过程, 适合区域尺度的NPP 研究和估算[22], 计算公式如下:

式(1) 中:NPP(x,t) 表示像元x在t月的植被净初级生产力(单位: gC•m－2•a－1)；APAR(x,t) 表示像元x在t月吸收的光合有效辐射(单位: gC•m－2•month－1)；ε(x,t) 表示像元x在t月的实际光能利用率 (单位:gC•MJ－1)。

植被吸收的光合有效辐射取决于太阳辐射和植物本身的特征, APRA 的计算公式如下:

式(2) 中:SOL(x,t) 表示t时期像元x在t月的太阳总辐射 (单位: MJ • m－2•month－1)；FPAR(x,t) 为植被层对入射光合有效辐射的吸收比例； 常数0.5 表示植被所能利用的太阳有效辐射占太阳总辐射的比例。

式(3) 中:Tε1(x,t) 和Tε2(x,t) 分别指月高温、 月低温对光能利用率的胁迫作用系数；Wε(x,t) 为水分胁迫的影响系数；εmax是理想条件下的最大光能利用率(单位: gC•MJ－1)。基于NPP 计算结果, 使用自然断点法对计算结果分级, 得到合肥中心城区3 年的NPP 空间分布(图2)。

图2 合肥中心城区2000、 2010、 2020 年NPP 空间分布

2.3 城市蓝绿空间格局特征量化

选用斑块层与类型层的景观格局指标量化城市蓝绿空间格局特征(表2)。 斑块层指标强调单个蓝绿斑块的特征, 类型层侧重表征蓝绿空间整体形态特征, 采用Fragstats 4.3 软件计算。 由于城市区域的蓝绿空间格局表现出高度的空间异质性和尺度依赖性[23], 需选取适宜的移动窗口尺度。 通过粒度和幅度分析方法确定60 m 为最适合研究区的粒度值, 400 m 作为格局计算时移动窗口的大小。

表2 蓝绿空间格局特征指标

2.4 XGBoost 模型构建与SHAP 方法解译

eXtreme Gradient Boosting (XG-Boost) 机器学习模型是由Chen 等[24]提出的一种结合监督学习和集成学习方法的极限梯度提升树算法。 针对本研究数据集庞大、 特征复杂的问题, XGBoost 模型训练结果稳定、 模型训练效率高, 可很好地避免过拟合现象的发生[25]。

本研究分别基于斑块层和类型层2 类指标及其对应的3 年NPP 值, 构建6 个数据集。 以2020年为例, 采用ArcGIS10.7 软件的随机取样工具创建随机取样点20000 个, 将斑块层各指标和NPP计算值提取至点。 在建立类型层数据集时, 考虑到取样点分布的均匀性及数据量, 创建随机取样点40000 个, 剔除不属于蓝绿空间的点。 为避免模型的过拟合现象发生, 对数据集进行了正则化处理, 将80%的数据作为训练集、 20%的数据作为测试集用于模型验证。 其次, 借助贝叶斯优化方法(Tree-structured Parzen Estimator, TPE) 调整XGBoost 模型超参数, 选取模型中主要超参数n＿estimators、 max＿depth、 learning＿rate 进行优化。之后, 选择平均绝对误差(Mean Absolute Error,MAE)、 均方根误差 (Root Mean Squared Error,RMSE) 和决定系数(R2) 做为预测效果的评价指标, R2越接近1, 表明模型拟合效果越好[26]。此外, 利用十折交叉验证法检验模型的泛化能力,对预测模型精度进行估计[27]。 验证结果6 个数据集的均方根误差RMSE、 评价绝对误差MAE 均较小, R2值均接近1, 十折交叉验证结果为0.699~0.942, 表明建立的XGBoost 模型在训练集和测试集上的精度水平符合预期要求。

SHAP (SHapley Additive exPlanations) 方法由Lundberg 和Lee[28]提出, 可准确解释机器学习模型中每个特征对结果的贡献度, 提供全局模型和单个特征的局部解释结论, 适用于解译城市蓝绿空间格局多个特征对碳固存的影响关系。 同时,SHAP 与XGBoost 集成良好, 可通过Tree SHAP 算法有效地估计SHAP 值[29], 公式如下。

式(4) 中:shap(Xji) 为观测i的第j个特征的shap值, 表示该特征对预测的边际贡献。

假设一个XGBoost 模型, 其中一组N (具有N 个特征) 用于预测输出v (N)。 在SHAP 中,每个特征Φi是特征i 的贡献, 对模型输出v (N)的贡献是基于它们的边际贡献分配的, 公式如下:

式 (5) 中:p是特征的总数； {xi, …xp} ＼ {xj} 是不包括xj的所有可能的特征组合的集合； S 是{xi, …xp} ＼ {xj} 的特征集；val(S∪{xj}) 是特征在S加上特征xj的模型预测。

3 结果与分析

3.1 特征重要程度

斑块层指标重要性排序(图3A) 表明, 2000年前3 分别是FRAC、 CONTIG、 AREA, 2010 年是 FRAC、 ENN、 CONTIG, 2020 年为 FRAC、ENN、 AREA。 综合来看, FRAC 在3 年中, 对NPP 的影响程度均最高, 说明蓝绿斑块形状的复杂程度对碳固存最为重要。 其次, CONTIG 在2000、 2010 年, AREA 在2000、 2020 年, ENN 在2010、 2020 年的贡献度排序为前3, 表明蓝绿斑块的邻近度、 面积、 距离与碳固存有较强的相关性。 类型层指标重要性表明排名前3 (图3B)分别为: 2000 年是COHESION、 ED、 DIVISION,2010 年是LSI、 ED、 DIVISION, 2020 年是ED、COHESION、 LSI。 ED 在3 年中, 对NPP 的影响程度均最高。 由此, 蓝绿空间整体形状的复杂程度是影响碳固存的重要格局特征。 COHESION在2000、 2020 年, DIVISION 在2000、 2010 年,LSI 在2010、 2020 年的重要性排序为前3, 这表明蓝绿空间整体的连通性、 破碎度、 形状复杂性对于碳固存有较强的影响。 综上, 从特征重要程度排序可见斑块层中的FRAC、 CONTIG、AREA 和ENN 是影响碳固存的4 个关键指标,类型层的关键指标是 ED、 COHESION、DIVISION 和LSI。

图3 城市蓝绿空间格局特征重要程度排序

3.2 关键指标分析

3.2.1 斑块层指标

由图4 可知, 3 年中, 斑块层指标对NPP 影响趋势基本相似。 表征斑块形状的FRAC、 CIRCLE中, FRAC 反映蓝绿斑块的形状, 与NPP 呈正相关, 即随着单个蓝绿斑块形状复杂程度的增加, 碳固存能力增强。 这可能是生态斑块形状越复杂, 斑块与其他斑块之间的物质和能量信息交换越频繁,对斑块的生态功能辐射越有利。 城市建成密度较高的区域大量蓝绿空间因受建筑、 道路等硬质边界的限制, 形状规则, 碳固存能力较弱。 因此, 自然植被覆盖度高、 人为干扰较少的蓝绿空间斑块, 其形状复杂且受环境影响较小, 斑块内部的生态结构较为稳定, 碳固存能力更高。 CIRCLE 表征蓝绿斑块的近圆指数, 与NPP 呈负相关。 CIRCLE 值接近1时, 其形状越接近线形, NPP 值显著降低, 即线形蓝绿斑块的碳固存能力较低。 合肥中心城区的线形蓝绿斑块主要是十五里河、 南淝河等水体及两侧绿地, 以及道路绿地。 河道等线性蓝绿斑块的碳固存能力较低的原因可能是硬化的河道驳岸阻碍了蓝绿之间的物质交换, 限制了固碳能力的发挥。 而道路绿地碳固存不高的原因可能是由于机动车排放的CO2浓度过高, 对道路两侧绿化植物的碳固存能力产生一定的胁迫作用。

表征蓝绿斑块分布的ENN、 CONTIG 与NPP均呈负相关。 其中, ENN 表征蓝绿斑块之间的距离, 其与NPP 呈负相关, 表明蓝绿斑块在空间分布上呈现更加分散的状态时, 不利于碳固存能力的发挥。 ENN 越小意味着城市蓝绿斑块的聚集度越高、 破碎度越低, 越有利于发挥碳固存能力。Qiu 等[30]研究得出林地聚集有利于UGI 植被碳吸收, Mngadi 等[31]认为景观破碎化会引起碳固存能力降低, 与本文的研究结论基本一致。 景观破碎度的增加会直接影响生境质量[32], 若蓝绿空间的破碎度过高, 即使植被覆盖程度较高, 也不一定有好的碳固存能力。 究其原因, 一是蓝绿空间的破碎导致彼此联系减弱, 阻断了物质交换与能量流动。 研究表明, 蓝绿空间的结构改变会直接影响植被的固碳功能[33], 进而影响生态系统的净初级生产力。 二是蓝绿空间的聚集程度将通过影响温度等植被生长环境, 从而影响固碳能力。 大量研究证实城市绿地的总面积相同情况下更密集的绿地通常比碎片化的更凉爽。 高聚集度的蓝绿空间温度相对较低, 避免了高温对植物光合作用的胁迫, 影响植物的固碳能力[34]。 CONTIG 表征蓝绿斑块邻近度, 其值在[0, 0.6] 区间, SHAP值保持稳定, 但在 [0.6, 1.0] 区间, 随着CONTIG 值的增大, SHAP 值下降。 其原因是: 在合肥中心城区内, 绿地中的绿色植物是发挥固碳作用的主体, 而CONTIG 较高的区域为巢湖、 董铺水库、 大房郢水库等大面积水域, 蓝绿空间中水体占比过大, 导致其固碳量较低。

表征斑块大小的AREA、 PERIM 与NPP 的相关性趋势相似, 均表现为指标值越大, SHAP 值越高, 与NPP 呈正相关, 即蓝绿斑块的面积越大, 有利于碳固存能力提升。 值得注意的是, 当AREA 与PERIM 的值在0 附近时, 对应的NPP 值变化区间较大。 原因可能有二: 一是形状的差异导致相似面积大小的蓝绿斑块碳固存能力有所不同； 另一个是蓝绿斑块中不同的植物种类与群落结构造成了相同面积下碳固存的差异。 因此, 针对城市中尺度较小的蓝绿斑块, 在面积增大受到限制的情况下, 其碳固存能力的提升更应关注斑块形状和空间分布的调控。

3.2.2 类型层指标

表征蓝绿空间形状的ED、 LSI 与NPP 均呈现正相关(图5)。 其中, ED 指标在[0, 125] 区间的NPP 值上升趋势加剧, 在[125, 200] 区间的NPP 值上升趋势减缓, 表明蓝绿空间的生态效益存在边缘效应, 其与周边环境之间的界面越长,越有利于碳汇功能的发挥。 同时, ED、 LSI 均体现了蓝绿空间形状的复杂程度, 均与NPP 正相关, 表明蓝绿空间整体形状越复杂、 固碳效果越好。 其原因在于: 蓝绿空间整体的形状复杂度提升, 使之与周围环境间的界面更长[4], 蓝绿斑块之间、 蓝绿斑块与其他斑块之间的物质和能量信息交换越频繁, 碳汇效益的辐射范围更广。 此外,有研究指出不规则的蓝绿斑块形态会降低其冷岛效应, 使环境温度有一定的增加, 从而间接影响植物的固碳作用[35－36]。

图5 类型层关键影响指标分析

DIVISION 和AI 分别表征蓝绿空间破碎度与聚集度。 当AI 值在80 时, SHAP 值最高, 当[80, 100] 时, SHAP 值降低, 即NPP 降低, 这是因为研究区内AI 值[80, 100] 的区域为水体,而水体的碳汇效益明显低于绿地。 DIVISION 与NPP 的正负关系不明晰, 原因在于绿地的破碎度较高, 而水体较低, 蓝绿空间碳汇机制的不同对结果造成了一定的影响。 与此类似的是表征蓝绿空间占比的PLAND, 其与NPP 的关系呈现出一定的波动性, 笔者认为主要原因在于合肥中心城区内蓝绿空间区域中水体的占比较大。

COHESION 表征蓝绿空间分布上的连通性,与NPP 呈现显著的正相关, 即蓝绿空间的连通度越高, 越有利于碳固存。 这说明城市蓝绿空间的连通性是影响城市生态环境效益的重要因素, 连通性的增加有助于改善城市蓝绿空间的均衡布局,更好地发挥降温效应, 为植物提供良好的生长环境, 从而增强植物的碳固存； 另一方面, 蓝绿空间连通性的增大可改善土壤水文连通性, 水文通过影响土壤养分含量, 调节植物营养元素浓度从而影响植被生长和固碳效率[37－38]。

4 城市蓝绿空间格局优化策略

本研究的模型计算结果证实了城市蓝绿空间格局对其碳固存能力存在影响, 指征蓝绿斑块形状的FRAC、 CONTIG、 AREA、 ENN 以及表征蓝绿空间关系的ED、 DIVISION、 COHESION、 LSI均是关键的影响指标。 通过提取并比对高碳汇区域(图6), 据此提出以碳增汇为目标的城市蓝绿空间格局规划优化策略。

图6 典型高碳汇蓝绿空间图谱单元

1) 规划与管理者要重视蓝绿斑块形状的调整与优化。 对于面积较小, 规模受限的蓝绿斑块,提升其碳固存能力的最重要途径在于形状和分布的调控。 本研究发现蓝绿斑块边缘密度和斑块形状复杂程度对碳固存具有促进作用。 因此, 一方面应针对沿湖沿河地区, 加强岸线保护, 增加边缘式斑块如滨江湿地、 林地的建设, 合理利用巢湖沿岸的蓝绿空间资源； 同时, 进一步恢复城市发展中被填埋的沟、 渠、 小溪等水网末端支流、修复边角绿色空间, 增大自然形态的蓝绿空间占比。 另一方面, 针对地块或街区尺度的蓝绿空间设计, 需对蓝绿空间形态进行精细化调控, 避免形状过于规则的蓝绿斑块, 在蓝绿空间与灰色空间之间增加过渡区域, 增大蓝绿空间的渗透作用。

2) 提高城市蓝绿空间的聚集度、 降低破碎度、 提高连通性。 在市域及城区尺度上, 根据原有蓝绿空间的形态特征及空间组合模式开展针对性地规划设计。 针对较大规模蓝绿斑块, 如大蜀山、 紫蓬山、 巢湖等自然林地和水体, 须严守政府制定的生态保护红线, 设立生态核心区, 限制建设用地的扩张, 避免破碎化的发生； 河道、 道路绿化等线性蓝绿廊道, 应尽量增加其宽度； 关注新增蓝绿空间与周边蓝绿空间之间的连接, 织补城市中心城区蓝绿空间网络, 提升城市蓝绿斑块之间的连通性。

5 结论

城市蓝绿空间格局对碳汇效益具有影响, 不同的城市蓝绿空间格局特征对碳汇效益的影响程度不同。

从格局特征的重要性程度来说, 在斑块层中,城市蓝绿空间格局的FRAC、 CONTIG、 AREA 和ENN 是影响碳固存的4 个主要特征； 在类型层中, ED、 COHESION、 DIVISION 和LSI 是影响碳固存的4 个主要特征。 在形态方面, 城市蓝绿斑块的形态特征较面积特征对碳固存的影响更突出。在一定阈值内, 城市蓝绿斑块的形状越复杂越有利于其碳固存的发挥, 线性蓝绿空间斑块的碳固存能力明显低于面状蓝绿空间。 此外, 蓝绿斑块之间的距离越大, 其碳固存能力越低。 在分布方面, 蓝绿空间聚集度越高、 破碎度越低、 碳汇效益越好。 同时, 蓝绿斑块之间的邻接性越高、 连通度越高, 碳汇效益越高。

本研究尚存在一定的局限性。 首先, 由于受到遥感数据精度的限制, 以及生态过程复杂性的制约, 城市蓝绿空间碳固存的量化难以做到精准化。 其次, 在更小尺度上, 植物种类、 树木覆盖度、 植物群落结构等是影响碳固存的重要因素。今后可以从多尺度、 系统化出发, 在关键影响指标研究的基础上, 进一步探究水体对不同植被类型绿地碳固存能力的促进机制, 研究蓝色空间对绿色空间固碳的增效作用。 城市蓝绿空间是复杂且动态变化的三维实体, 未来可将城市蓝绿空间的三维形态特征、 拓扑空间网络引入研究； 此外,还可基于城市化进程中蓝绿空间格局演变特征,探讨城市化对于碳固存的影响, 更加全面深入地分析城市蓝绿空间形态特征与碳固存之间的关联。