城市藍綠空間格局對碳固存的影響測度及關鍵指標?

袁旸洋 郭 蔚 湯思琪 楊明珠 汪瑞軍

1 東南大學建筑學院 南京 210096

2 江蘇省城鄉與景觀數字技術工程中心 南京 210096

3 合肥工業大學建筑與藝術學院 合肥 230601

近年來CO2等溫室氣體排放加速全球變暖,引發了系列環境和社會問題。 為應對氣候變化所產生的威脅, 2016 年?巴黎協定? 敦促世界各國通過實際行動減少溫室氣體排放, 增強固碳能力,減緩全球變暖的速度[1]。 我國在第75 屆聯合國大會上提出了碳中和、 碳達峰戰略。 城市雖然僅占全球陸域總面積的3%, 卻產生了超過70%的碳排放[2]。 由此, 城市在我國“雙碳” 戰略的實施中具有關鍵地位, 推動城市空間碳源匯結構與布局向綠色低碳轉型成為當下重要的研究內容。

城市藍綠空間 (Urban blue-green space,UBGS) 是城市發展過程中留存或新建的綠色空間和藍色空間的總和, 包括所有自然、 半自然、 人工的綠地與水體, 是城市生態系統的重要組成部分[3－4]。 研究表明, 綠色空間是碳匯量最大的貢獻者, 其產生的碳匯可以抵消28%~37%的CO2排放量, 而濕地、 河流、 湖泊和沼澤等藍色空間是巨大的碳庫。 除了植被、 土壤的固碳釋氧功能,城市藍綠空間還可以通過緩解城市熱島效應、 改善人居環境微氣候, 促進居民綠色出行等途徑,間接減少碳排放[5]。 綜上, 藍綠空間具有直接增碳匯、 間接減碳排的雙重生態效益, 是城市中發揮碳匯效益的主要載體[6]。

以往關于城市藍綠空間碳匯的研究多聚焦綠地和森林的碳匯量估算方法, 包括樣地清查法、模型估算法[7]、 遙感反演法[8]和溫室氣體清查法等。 其中, 基于遙感技術的植被凈初級生產力(Net Primary Productivity, NPP)[9－10]估算已廣泛應用于區域和城市尺度。 有學者從城鄉規劃學和生態學的角度, 分析土地利用變化、 氣候變化[11－12]、 城市樹種及其生長周期[13]對城市藍綠空間碳匯的影響機制。 例如: Li 等[14]證明城市中森林面積的增大對NPP 有正向影響； Yang 等[15]研究了NPP 對土地利用變化的響應認為, 耕地向林地和草地的轉換可以有效提高生態系統固碳能力。景觀格局是市域生態空間尺度影響碳匯功能提升的關鍵因素。 城市藍、 綠空間具有相似的自然生態屬性, 在生態功能和物質交換、 能量流動等自然過程中相互影響、 相互依存, 具有強關聯性和整體性[16], 共同構成了城市自然碳匯系統。 現有研究多從單一綠色空間中格局及群落構成的角度展開[17－18], 而已有研究證實, 城市水體對綠地的碳匯能力提升具有一定促進作用, 當下關于城市整體藍綠空間格局對碳匯效益影響的研究有待開展[19－20]。

本研究從整體性視角出發, 以合肥中心城區為例, 采用景觀格局指標量化2000、 2010、 2020年城市藍綠空間格局特征, 基于機器學習的XGBoost-SHAP 模型測度藍綠空間格局特征對NPP的影響, 并解譯其關鍵指標, 解析城市藍綠空間格局特征如何影響碳固存(Carbon sequestration),旨在為高質量發展背景下基于碳增匯目標的城市藍綠空間格局優化提供參考, 助力城市藍綠空間融合發展。

1 研究區概況

合肥位于安徽省中部(117°E, 31°N), 屬長三角城市群, 天然山水稟賦良好, 呈現“嶺湖輝映” 的藍綠交織體系。 平均海拔約37.51 m, 地形以平原和丘陵為主, 屬于亞熱帶濕潤季風氣候,冬冷夏熱； 年平均氣溫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 年以來, 合肥城市快速擴張、 人口增長迅速, 2022 年邁入了特大城市行列。 在此期間,合肥市政府重視城市環境建設, 積極響應生態文明建設戰略, 出臺了一系列政策聚焦于城市環境修復, 藍綠空間在發展中得到保護與恢復。 從國土區位、 發展特點、 自然資源等方面來看, 合肥是長江中下游高密度城市發展的典型代表之一。本文的研究范圍為合肥市中心城區, 即?合肥市國土空間總體規劃(2021—2035 年) ? 中市轄區范圍, 包括蜀山、 包河、 瑤海、 廬陽4 個行政區,總面積為1 312.5 km2。

2 研究方法

選取2000、 2010、 2020 年的數據進行研究,以避免單個年份的遙感及氣象數據因精度、 極端氣候等因素帶來誤差。 主要內容包括城市藍綠空間格局特征量化、 碳固存計算、 關鍵指標分析與解譯。

2.1 數據獲取與處理

本研究所采用的數據包括土地利用數據、 氣象數據、 植被類型數據、 NDVI 數據(表1)。 從地理空間數據云平臺(https:/ /www.gscloud.cn/)獲取2000、 2010 年Landsat TM 及2020 年Landsat OLI 共3 期遙感影像, 空間分辨率30 m。 基于Google Earth Engine 平臺對影像進行輻射定標、 大氣幾何校正、 條帶修復等處理。 根據中國土地利用/土地覆蓋遙感監測數據分類系統(LUCC) 遙感解譯處理后的影像, 將其劃分為耕地、 林地、草地、 建設用地、 水體、 未利用地6 類, 得到各期合肥市土地利用分類數據。 采用Kappa 系數對分類后圖像精度評估驗證, 總體精確度達到85%,高于最低精度要求。 利用ArcMap10.8 軟件將林地、 草地重分類成綠色空間, 將水體重分類成藍色空間, 獲得2000、 2010 與2020 年合肥中心城區藍綠空間分布圖(圖1)。

圖1 合肥中心城區藍綠空間分布

表1 數據來源及處理

2.2 基于CASA 模型的NPP 計算

采用NPP 表征城市藍綠空間碳固存能力, 選用CASA 模型進行計算。 CASA 模型由Potter等[21]1993 年提出, 用于表征陸地生態系統中H2O、 C 和N 通量跟隨時間演變而不斷變化的生態系統過程, 適合區域尺度的NPP 研究和估算[22], 計算公式如下:

式(1) 中:NPP(x,t) 表示像元x在t月的植被凈初級生產力(單位: gC?m－2?a－1)；APAR(x,t) 表示像元x在t月吸收的光合有效輻射(單位: gC?m－2?month－1)；ε(x,t) 表示像元x在t月的實際光能利用率 (單位:gC?MJ－1)。

植被吸收的光合有效輻射取決于太陽輻射和植物本身的特征, APRA 的計算公式如下:

式(2) 中:SOL(x,t) 表示t時期像元x在t月的太陽總輻射 (單位: MJ ? m－2?month－1)；FPAR(x,t) 為植被層對入射光合有效輻射的吸收比例； 常數0.5 表示植被所能利用的太陽有效輻射占太陽總輻射的比例。

式(3) 中:Tε1(x,t) 和Tε2(x,t) 分別指月高溫、 月低溫對光能利用率的脅迫作用系數；Wε(x,t) 為水分脅迫的影響系數；εmax是理想條件下的最大光能利用率(單位: gC?MJ－1)?；贜PP 計算結果, 使用自然斷點法對計算結果分級, 得到合肥中心城區3 年的NPP 空間分布(圖2)。

圖2 合肥中心城區2000、 2010、 2020 年NPP 空間分布

2.3 城市藍綠空間格局特征量化

選用斑塊層與類型層的景觀格局指標量化城市藍綠空間格局特征(表2)。 斑塊層指標強調單個藍綠斑塊的特征, 類型層側重表征藍綠空間整體形態特征, 采用Fragstats 4.3 軟件計算。 由于城市區域的藍綠空間格局表現出高度的空間異質性和尺度依賴性[23], 需選取適宜的移動窗口尺度。 通過粒度和幅度分析方法確定60 m 為最適合研究區的粒度值, 400 m 作為格局計算時移動窗口的大小。

表2 藍綠空間格局特征指標

2.4 XGBoost 模型構建與SHAP 方法解譯

eXtreme Gradient Boosting (XG-Boost) 機器學習模型是由Chen 等[24]提出的一種結合監督學習和集成學習方法的極限梯度提升樹算法。 針對本研究數據集龐大、 特征復雜的問題, XGBoost 模型訓練結果穩定、 模型訓練效率高, 可很好地避免過擬合現象的發生[25]。

本研究分別基于斑塊層和類型層2 類指標及其對應的3 年NPP 值, 構建6 個數據集。 以2020年為例, 采用ArcGIS10.7 軟件的隨機取樣工具創建隨機取樣點20000 個, 將斑塊層各指標和NPP計算值提取至點。 在建立類型層數據集時, 考慮到取樣點分布的均勻性及數據量, 創建隨機取樣點40000 個, 剔除不屬于藍綠空間的點。 為避免模型的過擬合現象發生, 對數據集進行了正則化處理, 將80%的數據作為訓練集、 20%的數據作為測試集用于模型驗證。 其次, 借助貝葉斯優化方法(Tree-structured Parzen Estimator, TPE) 調整XGBoost 模型超參數, 選取模型中主要超參數n＿estimators、 max＿depth、 learning＿rate 進行優化。之后, 選擇平均絕對誤差(Mean Absolute Error,MAE)、 均方根誤差 (Root Mean Squared Error,RMSE) 和決定系數(R2) 做為預測效果的評價指標, R2越接近1, 表明模型擬合效果越好[26]。此外, 利用十折交叉驗證法檢驗模型的泛化能力,對預測模型精度進行估計[27]。 驗證結果6 個數據集的均方根誤差RMSE、 評價絕對誤差MAE 均較小, R2值均接近1, 十折交叉驗證結果為0.699~0.942, 表明建立的XGBoost 模型在訓練集和測試集上的精度水平符合預期要求。

SHAP (SHapley Additive exPlanations) 方法由Lundberg 和Lee[28]提出, 可準確解釋機器學習模型中每個特征對結果的貢獻度, 提供全局模型和單個特征的局部解釋結論, 適用于解譯城市藍綠空間格局多個特征對碳固存的影響關系。 同時,SHAP 與XGBoost 集成良好, 可通過Tree SHAP 算法有效地估計SHAP 值[29], 公式如下。

式(4) 中:shap(Xji) 為觀測i的第j個特征的shap值, 表示該特征對預測的邊際貢獻。

假設一個XGBoost 模型, 其中一組N (具有N 個特征) 用于預測輸出v (N)。 在SHAP 中,每個特征Φi是特征i 的貢獻, 對模型輸出v (N)的貢獻是基于它們的邊際貢獻分配的, 公式如下:

式 (5) 中:p是特征的總數； {xi, …xp} ＼ {xj} 是不包括xj的所有可能的特征組合的集合； S 是{xi, …xp} ＼ {xj} 的特征集；val(S∪{xj}) 是特征在S加上特征xj的模型預測。

3 結果與分析

3.1 特征重要程度

斑塊層指標重要性排序(圖3A) 表明, 2000年前3 分別是FRAC、 CONTIG、 AREA, 2010 年是 FRAC、 ENN、 CONTIG, 2020 年為 FRAC、ENN、 AREA。 綜合來看, FRAC 在3 年中, 對NPP 的影響程度均最高, 說明藍綠斑塊形狀的復雜程度對碳固存最為重要。 其次, CONTIG 在2000、 2010 年, AREA 在2000、 2020 年, ENN 在2010、 2020 年的貢獻度排序為前3, 表明藍綠斑塊的鄰近度、 面積、 距離與碳固存有較強的相關性。 類型層指標重要性表明排名前3 (圖3B)分別為: 2000 年是COHESION、 ED、 DIVISION,2010 年是LSI、 ED、 DIVISION, 2020 年是ED、COHESION、 LSI。 ED 在3 年中, 對NPP 的影響程度均最高。 由此, 藍綠空間整體形狀的復雜程度是影響碳固存的重要格局特征。 COHESION在2000、 2020 年, DIVISION 在2000、 2010 年,LSI 在2010、 2020 年的重要性排序為前3, 這表明藍綠空間整體的連通性、 破碎度、 形狀復雜性對于碳固存有較強的影響。 綜上, 從特征重要程度排序可見斑塊層中的FRAC、 CONTIG、AREA 和ENN 是影響碳固存的4 個關鍵指標,類型層的關鍵指標是 ED、 COHESION、DIVISION 和LSI。

圖3 城市藍綠空間格局特征重要程度排序

3.2 關鍵指標分析

3.2.1 斑塊層指標

由圖4 可知, 3 年中, 斑塊層指標對NPP 影響趨勢基本相似。 表征斑塊形狀的FRAC、 CIRCLE中, FRAC 反映藍綠斑塊的形狀, 與NPP 呈正相關, 即隨著單個藍綠斑塊形狀復雜程度的增加, 碳固存能力增強。 這可能是生態斑塊形狀越復雜, 斑塊與其他斑塊之間的物質和能量信息交換越頻繁,對斑塊的生態功能輻射越有利。 城市建成密度較高的區域大量藍綠空間因受建筑、 道路等硬質邊界的限制, 形狀規則, 碳固存能力較弱。 因此, 自然植被覆蓋度高、 人為干擾較少的藍綠空間斑塊, 其形狀復雜且受環境影響較小, 斑塊內部的生態結構較為穩定, 碳固存能力更高。 CIRCLE 表征藍綠斑塊的近圓指數, 與NPP 呈負相關。 CIRCLE 值接近1時, 其形狀越接近線形, NPP 值顯著降低, 即線形藍綠斑塊的碳固存能力較低。 合肥中心城區的線形藍綠斑塊主要是十五里河、 南淝河等水體及兩側綠地, 以及道路綠地。 河道等線性藍綠斑塊的碳固存能力較低的原因可能是硬化的河道駁岸阻礙了藍綠之間的物質交換, 限制了固碳能力的發揮。 而道路綠地碳固存不高的原因可能是由于機動車排放的CO2濃度過高, 對道路兩側綠化植物的碳固存能力產生一定的脅迫作用。

表征藍綠斑塊分布的ENN、 CONTIG 與NPP均呈負相關。 其中, ENN 表征藍綠斑塊之間的距離, 其與NPP 呈負相關, 表明藍綠斑塊在空間分布上呈現更加分散的狀態時, 不利于碳固存能力的發揮。 ENN 越小意味著城市藍綠斑塊的聚集度越高、 破碎度越低, 越有利于發揮碳固存能力。Qiu 等[30]研究得出林地聚集有利于UGI 植被碳吸收, Mngadi 等[31]認為景觀破碎化會引起碳固存能力降低, 與本文的研究結論基本一致。 景觀破碎度的增加會直接影響生境質量[32], 若藍綠空間的破碎度過高, 即使植被覆蓋程度較高, 也不一定有好的碳固存能力。 究其原因, 一是藍綠空間的破碎導致彼此聯系減弱, 阻斷了物質交換與能量流動。 研究表明, 藍綠空間的結構改變會直接影響植被的固碳功能[33], 進而影響生態系統的凈初級生產力。 二是藍綠空間的聚集程度將通過影響溫度等植被生長環境, 從而影響固碳能力。 大量研究證實城市綠地的總面積相同情況下更密集的綠地通常比碎片化的更涼爽。 高聚集度的藍綠空間溫度相對較低, 避免了高溫對植物光合作用的脅迫, 影響植物的固碳能力[34]。 CONTIG 表征藍綠斑塊鄰近度, 其值在[0, 0.6] 區間, SHAP值保持穩定, 但在 [0.6, 1.0] 區間, 隨著CONTIG 值的增大, SHAP 值下降。 其原因是: 在合肥中心城區內, 綠地中的綠色植物是發揮固碳作用的主體, 而CONTIG 較高的區域為巢湖、 董鋪水庫、 大房郢水庫等大面積水域, 藍綠空間中水體占比過大, 導致其固碳量較低。

表征斑塊大小的AREA、 PERIM 與NPP 的相關性趨勢相似, 均表現為指標值越大, SHAP 值越高, 與NPP 呈正相關, 即藍綠斑塊的面積越大, 有利于碳固存能力提升。 值得注意的是, 當AREA 與PERIM 的值在0 附近時, 對應的NPP 值變化區間較大。 原因可能有二: 一是形狀的差異導致相似面積大小的藍綠斑塊碳固存能力有所不同； 另一個是藍綠斑塊中不同的植物種類與群落結構造成了相同面積下碳固存的差異。 因此, 針對城市中尺度較小的藍綠斑塊, 在面積增大受到限制的情況下, 其碳固存能力的提升更應關注斑塊形狀和空間分布的調控。

3.2.2 類型層指標

表征藍綠空間形狀的ED、 LSI 與NPP 均呈現正相關(圖5)。 其中, ED 指標在[0, 125] 區間的NPP 值上升趨勢加劇, 在[125, 200] 區間的NPP 值上升趨勢減緩, 表明藍綠空間的生態效益存在邊緣效應, 其與周邊環境之間的界面越長,越有利于碳匯功能的發揮。 同時, ED、 LSI 均體現了藍綠空間形狀的復雜程度, 均與NPP 正相關, 表明藍綠空間整體形狀越復雜、 固碳效果越好。 其原因在于: 藍綠空間整體的形狀復雜度提升, 使之與周圍環境間的界面更長[4], 藍綠斑塊之間、 藍綠斑塊與其他斑塊之間的物質和能量信息交換越頻繁, 碳匯效益的輻射范圍更廣。 此外,有研究指出不規則的藍綠斑塊形態會降低其冷島效應, 使環境溫度有一定的增加, 從而間接影響植物的固碳作用[35－36]。

圖5 類型層關鍵影響指標分析

DIVISION 和AI 分別表征藍綠空間破碎度與聚集度。 當AI 值在80 時, SHAP 值最高, 當[80, 100] 時, SHAP 值降低, 即NPP 降低, 這是因為研究區內AI 值[80, 100] 的區域為水體,而水體的碳匯效益明顯低于綠地。 DIVISION 與NPP 的正負關系不明晰, 原因在于綠地的破碎度較高, 而水體較低, 藍綠空間碳匯機制的不同對結果造成了一定的影響。 與此類似的是表征藍綠空間占比的PLAND, 其與NPP 的關系呈現出一定的波動性, 筆者認為主要原因在于合肥中心城區內藍綠空間區域中水體的占比較大。

COHESION 表征藍綠空間分布上的連通性,與NPP 呈現顯著的正相關, 即藍綠空間的連通度越高, 越有利于碳固存。 這說明城市藍綠空間的連通性是影響城市生態環境效益的重要因素, 連通性的增加有助于改善城市藍綠空間的均衡布局,更好地發揮降溫效應, 為植物提供良好的生長環境, 從而增強植物的碳固存； 另一方面, 藍綠空間連通性的增大可改善土壤水文連通性, 水文通過影響土壤養分含量, 調節植物營養元素濃度從而影響植被生長和固碳效率[37－38]。

4 城市藍綠空間格局優化策略

本研究的模型計算結果證實了城市藍綠空間格局對其碳固存能力存在影響, 指征藍綠斑塊形狀的FRAC、 CONTIG、 AREA、 ENN 以及表征藍綠空間關系的ED、 DIVISION、 COHESION、 LSI均是關鍵的影響指標。 通過提取并比對高碳匯區域(圖6), 據此提出以碳增匯為目標的城市藍綠空間格局規劃優化策略。

圖6 典型高碳匯藍綠空間圖譜單元

1) 規劃與管理者要重視藍綠斑塊形狀的調整與優化。 對于面積較小, 規模受限的藍綠斑塊,提升其碳固存能力的最重要途徑在于形狀和分布的調控。 本研究發現藍綠斑塊邊緣密度和斑塊形狀復雜程度對碳固存具有促進作用。 因此, 一方面應針對沿湖沿河地區, 加強岸線保護, 增加邊緣式斑塊如濱江濕地、 林地的建設, 合理利用巢湖沿岸的藍綠空間資源； 同時, 進一步恢復城市發展中被填埋的溝、 渠、 小溪等水網末端支流、修復邊角綠色空間, 增大自然形態的藍綠空間占比。 另一方面, 針對地塊或街區尺度的藍綠空間設計, 需對藍綠空間形態進行精細化調控, 避免形狀過于規則的藍綠斑塊, 在藍綠空間與灰色空間之間增加過渡區域, 增大藍綠空間的滲透作用。

2) 提高城市藍綠空間的聚集度、 降低破碎度、 提高連通性。 在市域及城區尺度上, 根據原有藍綠空間的形態特征及空間組合模式開展針對性地規劃設計。 針對較大規模藍綠斑塊, 如大蜀山、 紫蓬山、 巢湖等自然林地和水體, 須嚴守政府制定的生態保護紅線, 設立生態核心區, 限制建設用地的擴張, 避免破碎化的發生； 河道、 道路綠化等線性藍綠廊道, 應盡量增加其寬度； 關注新增藍綠空間與周邊藍綠空間之間的連接, 織補城市中心城區藍綠空間網絡, 提升城市藍綠斑塊之間的連通性。

5 結論

城市藍綠空間格局對碳匯效益具有影響, 不同的城市藍綠空間格局特征對碳匯效益的影響程度不同。

從格局特征的重要性程度來說, 在斑塊層中,城市藍綠空間格局的FRAC、 CONTIG、 AREA 和ENN 是影響碳固存的4 個主要特征； 在類型層中, ED、 COHESION、 DIVISION 和LSI 是影響碳固存的4 個主要特征。 在形態方面, 城市藍綠斑塊的形態特征較面積特征對碳固存的影響更突出。在一定閾值內, 城市藍綠斑塊的形狀越復雜越有利于其碳固存的發揮, 線性藍綠空間斑塊的碳固存能力明顯低于面狀藍綠空間。 此外, 藍綠斑塊之間的距離越大, 其碳固存能力越低。 在分布方面, 藍綠空間聚集度越高、 破碎度越低、 碳匯效益越好。 同時, 藍綠斑塊之間的鄰接性越高、 連通度越高, 碳匯效益越高。

本研究尚存在一定的局限性。 首先, 由于受到遙感數據精度的限制, 以及生態過程復雜性的制約, 城市藍綠空間碳固存的量化難以做到精準化。 其次, 在更小尺度上, 植物種類、 樹木覆蓋度、 植物群落結構等是影響碳固存的重要因素。今后可以從多尺度、 系統化出發, 在關鍵影響指標研究的基礎上, 進一步探究水體對不同植被類型綠地碳固存能力的促進機制, 研究藍色空間對綠色空間固碳的增效作用。 城市藍綠空間是復雜且動態變化的三維實體, 未來可將城市藍綠空間的三維形態特征、 拓撲空間網絡引入研究； 此外,還可基于城市化進程中藍綠空間格局演變特征,探討城市化對于碳固存的影響, 更加全面深入地分析城市藍綠空間形態特征與碳固存之間的關聯。