基于遥感估算的上海城市森林碳储量空间分布特征

张桂莲

1. 上海市园林科学规划研究院/城市困难立地生态园林国家林业和草原局重点实验室，上海 200232；2. 国家林业和草原局城市困难立地绿化造林国家创新联盟，上海 200232；3. 上海城市困难立地绿化工程技术研究中心，上海 200232

2018年政府间气候变化专门委员会（IPCC）报告指出，全球需在2050年左右达到碳中和，才能使空气温度升高不超过1.5 ℃。气候变化愈演愈烈的同时，城市化速率也不断加快，预计到2050年，中国城市人口将占总人口四分之三以上（毛齐正等，2015）。快速城市化带来的生态用地减少和碳排放增加，将会加剧全球变暖，进一步威胁人类的生存和发展。作为世界最大的碳排放国之一，应对气候变化，努力实现碳中和是中国的重大战略决策（候勃等，2020；胡鞍钢，2021）。2020年，习近平主席提出中国将在2030年前实现碳达峰，争取在2060年前实现碳中和（中华人民共和国中央人民政府，2020；张永生等，2021）。森林生态系统在吸收和固定大气二氧化碳中发挥了重要作用，其固碳量占陆地生态系统固碳总量的三分之二（Schlesinger，1991；Lal，2005），被认为是抵消二氧化碳排放的最有效途径之一（王琰，2019）。

随着生态城市理念的逐渐推行，中国城市绿地面积逐年增加，建成区绿化覆盖率从 1986年的16.90%增加到2019年的41.51%（中华人民共和国住房和城乡建设部，2019）。城市森林作为“城市之肺”，是城市绿化的重要组成部分，发挥着重要的碳汇功能。城市森林碳循环和碳储量成为近年来城市生态研究的重要热点之一。Svirejeva-Hopkins et al.（2006）模拟了全球城市碳循环过程，分析了不同土地利用类型的植被碳循环和碳动态；陈科屹等（2021）利用森林资源二类调查数据评估了近10年间武汉市环城林带森林碳储量及其动态变化；徐丽华等（2014）利用QuickBird高分遥感影像反演了义乌市环城路内不同森林类型的碳储量特征；王瑞静等（2011）利用样方调查的方法估算了上海市崇明岛的主要植被类型碳储量和碳密度变化特点。准确估算城市森林碳储量的时空分布，了解其碳汇过程、趋势和影响机制，能够为进一步提升其碳中和作用提供数据支撑。

混凝土铺筑前3～4h内对桥顶面进行不间断的洒水处理，确保桥面饱和湿润，直至施工前0.5～1h停止洒水。混凝土摊铺之前必须保证桥面平整，本工程采用振动棒轻微振捣处理的人工方式确保桥面平整，对于中间的铺筑区域采用平板振捣器设备平行震荡，平板振捣器重叠压边的重叠宽度为1/2。振捣过程中应防止漏振或是在某个区域停留时间过长而出现混凝土拥包的现象。

目前，计量城市森林碳储量的方法主要有样地实测、模型模拟和遥感估算等（周健等，2013）。传统的样地调查法较为准确，但通常适用于小尺度，大尺度样地调查耗费人力物力，且由于城市森林类型多样、影响复杂，很难在城市尺度进行推广（Poorazimy et al.，2020）。遥感数据可从宏观尺度进行实时和动态的估算，高空间分辨率和高光谱分辨率影像的不断发展使城市森林碳储量的快速估算成为可能（Liu et al.，2021；易扬等，2021）。将遥感参数与样地调查数据相结合，建立碳储量反演模型，或者建立基于机器学习的非参数化估算方法，对森林碳储量进行估算，可充分发挥以上两种方法的优势，具有较好的发展和应用前景（汤浩藩等，2019）。

本研究以上海市为研究对象，实地调查城市森林样方数据，结合异速生长方程估算碳储量；利用Landsat OLI数据，提取植被指数特征、纹理信息；建立样方碳储量和遥感数据之间的关系模型，选择最优模型进行反演，并引入普通克里格残差插值法进行矫正，从而更精确地描述上海城市森林碳储量空间分布特征。研究旨在明确上海城市森林在应对气候变化和碳中和的作用，为城市碳汇管理和绿色低碳发展提供基础数据支撑。

1 研究地区与研究方法

1.1 研究区域概况

还有安南（越南）自古以来就使用中国钱币。最早开始铸钱是在丁朝大瞿越大平年间(970)，仿照中国宋朝方孔圆钱的形制铸成的，钱文多有宋体之意。从黎仁宗延宁起，到昭宗光绍年间（1454—1521），则是安南铸钱的成熟时期，无论铸钱技术，还是工艺水平，都达到了较高水平。光绍以后，安南古钱的制作便逐步走向下坡。安南曾经大量仿制过中国古钱，与中国铜钱同名的有15种。

图1 研究区及采样点分布Fig. 1 Distribution of study area and sampling plots

1.2 样地选择及实地调查

本研究采取分层抽样法，结合实地调查和遥感影像，根据城乡梯度选择代表性城市森林样地81个（图1）。样方大小为1亩，边长25.8 m×25.8 m。参照国家林业局森林资源清查技术操作规范，胸径（DBH）≥5 cm的乔木作为起测径阶，样方内进行每木调查，获取乔木树高、胸径、枝下高、冠幅等（表1），同时采集优势树种叶、枝、干、根、皮样品（鲜重300 g左右），测定不同器官的碳质量分数。调查时间为2019年和2020年的夏季。

表1 研究区样地信息Table 1 Information of sampling plots of different forest types in study areas

1.3 遥感数据信息提取

选用2020年的两期Landsat OLI影像，轨道号118，行号 38和 39，分辨率为 30 m×30 m（https://www.usgs.gov/）。应用ENVI对遥感影像进行几何校正、辐射定标和大气校正等预处理；提取多个遥感参数，包括波段反射率、植被指数和纹理值。具体包括基于光谱特征的植被指数：归一化植被指数（NDVI）、比值植被指数（SR）、增强植被指数（EVI）、大气阻抗植被指数（ARVI）、结构不敏感色素指数（SIPI）；基于概率统计的滤波纹理：平均值（Mean）、方差（Variance）、信息熵（Entropy）、偏斜（Skewness）、数据范围（Datarange）。各植被指数和纹理值计算方法见表2。

表2 植被指数及纹理参数计算方法Table 2 Vegetation index and texture parameter calculation methods

利用调查的 81个样地作为训练样本，选取监督分类中的最大似然法，对 2020年的影像进行分类，提取的城市森林总面积为1142.52 km2，森林覆盖率为18.02%。从解译后的影像中随机选取100个点，参照上海市2019年森林资源二类调查数据，进行精度评价，分类精度为85.69%，和实际情况基本吻合（中国环境网，2021）。依据上海市城市总体规划（2017—2035），划分主城区和非主城区（图1），对不同区域的城市森林碳储量进行分析（上海市人民政府，2018）。

随机选取81个样地数据的1/3（27个）作为验证集，对多元逐步回归模型与回归残差模型两种方法计算的估算值，与样地实测值之间的均方根误差（RMSE）和平均绝对误差（MAE）进行分析（Pereira et al.，2010），对比估算精度，选择精度较高的模型估算上海城市森林碳储量。

1.4 样地碳储量参数获取

本研究仅对乔木层碳储量进行计算，包括叶、枝、干、根、皮的总碳储量。81个样方中出现的植物种类以香樟、水杉、女贞、银杏和杜英等乔木为主，采用异速生长方程进行生物量的估算（郭雪艳，2017；张希金等，2018；仲启铖等，2019）（表3）。

表3 主要乔木树种的异速生长方程及碳质量分数Table 3 The allometric growth equation of the main tree species

采用德国Elementar Vario EL元素分析仪对植物器官样品的碳质量分数进行测定。先将采集回的叶、枝、干、根、皮样品，经 85 ℃恒温箱烘至恒重，粉碎后过200目筛。每个样品测定3个重复，且相对偏差在 2%以内。选择各器官碳质量分数的平均值作为树种碳质量分数（表3），将模型估算的生物量乘以碳质量分数，转化为碳储量（Nowak et al.，2013）。

1.5 模型的建立与评价

将样地碳储量与各遥感参数进行相关性分析，结果表明，植被指数NDVI、SR、EVI、ARVI、SIPI和纹理值MEAN、Data Range与城市森林碳储量显著相关（P<0.01）。将这些参数与碳储量进行回归分析，建立多元逐步回归模型。另外，筛选相关性最高的植被指数 NDVI，与碳储量拟合建立其他模型。相比所有的模型，多元逐步回归模型因其结合多个自变量进行最优组合，拟合情况最佳（R2=0.464，调整R2=0.40，P<0.01）（表4）。

由于#6B高厂变高压侧绕组为三角形接线方式，根据上表测得的结果来看，BC数据较AB、CA数据大。因变压器进行了调换分接，因此怀疑变压器的分接开关因常年不进行变换所以形成了氧化层，以至于调节后测量三项电阻不平衡。

表4 城市森林碳储量回归模型与参数Table 4 Regression model and parameters of urban forests carbon storage

主城区和非主城区的样地碳储量有明显差别。非主城区的样地碳储量均值比主城区高 37.09%（0.81 t），中位数高16.40%（0.28 t）。非主城区的样地碳储量变化范围（0.09—7.10 t）比主城区（0.53—1.90 t）大，且非主城区的标准偏差（1.60 t）大于主城区（0.52 t），说明主城区的样地碳储量变化相对稳定。主城区和非主城区的样地碳储量变化都有明显的瘦尾特征（主城区峰度为0.38，非主城区峰度为0.86），且主城区更为明显。从偏度来看，主城区有明显的左偏特征，偏度为−0.86，而非主城区表现为右偏，偏度为1.07。

选择2,4,6-三硝基苯酚(PA),4-硝基甲苯(NT),硝基苯(NB),1,3-二硝基苯(1,3-DNB),二硝基苯(1,4-DNB)和2,4-二硝基甲苯(2,4-DNT)六种硝基苯类化合物作为研究对象.首先将硝基苯化合物配成5 mmol/L的DMF溶液,然后监测滴定过程中体系荧光强度的变化(如图6所示).

2 结果与分析

2.1 样地碳储量特征

运用多元逐步回归模型对研究区的碳密度进行估算，结果显示：碳密度较均匀地分布于各行政区，各区可见零星的高值点存在。从残差的普通克里格插值结果来看，残差变化范围为−13.37—15.19 t·hm−2，空间分布主要表现为包含主城区在内的中部地区、崇明岛西部和东部地区，以及长兴岛西部地区的残差较小；城市西部和东部地区，以及横沙岛的残差较大。主城区残差的变化范围为−12.37—8.9 t·hm−2，非主城区为−13.37—15.19 t·hm−2（图2）。残差的计算是多元逐步回归模型估算值的有效补充，结合二者能更精确地反映城市森林碳储量。

表5 调查样地的碳储量情况Table 5 The carbon storage of the sampling plots

将81个样地数据，随机选取2/3（54个）作为模型建立的训练集，利用多元逐步回归模型估算城市森林碳储量。然后，运用普通克里格插值法，将多元逐步回归模型估算值与各样地实测值的残差进行插值。最后，将多元逐步回归模型的估算值与残差值进行相加（简称回归残差模型），得到城市森林碳储量空间分布格局。

2.2 模型的精度评价

式中f(ck,i)表示第i个颜色ck,i在第k个区域rk的所有颜色nk中出现的频率，d(c1,i,c2,j)表示区域1中第i个颜色与区域2中第j个颜色在Lab空间内的颜色距离.

利用 27个验证集对模型的估算值和样地实测值进行验证，结果表明：运用回归残差模型对样地碳储量进行估算，均方根误差RMSE和平均绝对误差MAE分别为19.17%和15.00%，比运用多元逐步回归模型产生的均方根误差降低了10.29%，平均绝对误差降低了5.5%（表6）。因此，在多元逐步回归模型的基础上，运用普通克里格插值法对残差进行空间插值，在每个像元上将估算值与残差相加，可以更高精度地估算城市森林碳储量。

表6 上海市城市森林碳储量估算模型精度验证结果Table 6 Accuracy verification results of Shanghai urban forests carbon storage estimation model

研究区范围内 81个样地的碳储量范围为0.09—7.10 t，均值为2.14 t，中位数为1.70 t，标准偏差较大为1.60 t，样地的碳储量变异系数为0.75，各样地之间的碳储量差异较大，可能是因为样地林分类型差异较大，或者相同林分龄组差异较大。碳储量数据有右偏分布（偏度为1.16）和瘦尾特征（峰度为1.16）（表5）。

上海位于中国长江入海口（120°52′—122°12′E，30°40′—31°53′N），地处太平洋西岸，亚洲大陆东沿，气候为亚热带季风气候（易扬，2020）。2019年，年平均气温17.3 ℃；极端最高气温37.7 ℃，极端最低气温−2.8 ℃；年日照时数1626 h，年平均降水量1409.1 mm，年均蒸发量1129.6 mm。全市面积6340.5 km2，其中主城区包括中心城、主城片区，以及高桥镇和高东镇紧邻中心城的地区，范围面积约1161 km2，非主城区面积约5179.5 km2（上海市人民政府，2018）（图1）。截至2020年底，上海市森林覆盖率达18.49%（中国环境网，2021）。

图2 多元逐步回归模型模拟结果（a）和残差空间分布图（b）Fig. 2 Simulation results of multiple stepwise regression model (a) and spatial distribution of residuals (b)

2.3 上海城市森林碳密度空间分布特征

运用回归残差模型对上海城市森林碳储量进行反演，结果表明：城市森林碳密度主要集中在13—40 t·hm−2之间（图3、4），总碳储量为 2.87 Mt，平均碳密度为25.09 t·hm−2。空间分布总体表现为西部和东部区域的碳密度较高，中部区域相对较低，距离城市中心较远的区域，森林碳密度高。城市森林碳密度在主城区和非主城区有明显的差异，主城区城市森林覆盖率较小，且城市森林碳密度也比较低；非主城区城市森林覆盖率较大，森林碳密度也较大。主城区森林碳密度范围为1—69 t·hm−2，均值为 21.77 t·hm−2，碳储量为 0.37 Mt，占上海城市森林碳储量的 12.89%；非主城区森林碳密度范围为0—89 t·hm−2，均值为 25.66 t·hm−2，碳储量为 2.50 Mt，占上海城市森林碳储量的87.11%（图3、4）。

图3 上海城市森林碳密度空间分布Fig. 3 Spatial distribution of carbon density in urban forests in Shanghai

图4 上海市城市森林碳密度像元值Fig. 4 Pixel value of urban forests carbon density in Shanghai

3 讨论

本研究估算的上海城市森林碳储量为2.87 Mt，王紫君等（2016a）对2011年上海城市森林生物量进行估算（3.57 Mt），按乔木树种碳质量分数为0.5将其生物量换算为碳储量（徐丽华等，2014），获得2011年上海城市森林碳储量为1.785 Mt。从时间尺度进行比较，2020年城市森林碳储量比2011年增加了 60.78%。Shen et al.（2020）估算 2011—2015年，上海城市森林碳储量增加了32.30%。可以看出，本研究估算的碳储量增长值，基本吻合这一增长速度，研究结果具有较高的可信度，同时也表明近年来上海城市森林的碳储量在稳步增加。上海城市森林平均碳密度为25.09 t·hm−2，与其他国内外城市森林碳密度相比偏低。长江流域的森林碳密度变化区间为 5.9—117.18 t·hm−2，平均为 41.53 t·hm−2（孔蕊等，2020）；沈阳城市森林碳密度为33.22 t·hm−2（Liu et al.，2012；汤煜等，2020），义乌市城市森林碳密度变化范围为 25—35 t·hm−2（徐丽华等，2014）；英国莱斯特城市森林碳密度为 31.6 t·hm−2（Davies et al.，2011），美国城市森林平均碳密度为 61.52 t·hm−2（Nowak et al.，2013）。分析原因，可能是因为上海城市森林多处于中幼龄阶段，固碳能力强，碳储量增长快，但碳储量积累有限，还有更大提升空间。1985年，上海市森林覆盖率仅为1.51%，近20年来不断加强生态环境建设，城市森林覆盖率逐年增加，2020年提升到 18.49%，森林面积扩大了近5倍。同时，上海市绿化土地多源自城市搬迁地，土壤质量欠佳，有机质含量普遍偏低，对绿地碳储量的快速积累有所影响（马涛，2011；马想等，2020；张浪，2020）。长江流域的碳储量从 1993年的2563.91 Mt增加到了2012年的2893.17 Mt，增加了12.84%（孔蕊等，2020）；武汉市环城林带森林碳密度 2008 年为 27.39 t·hm−2，2018 年增加到 47.24 t·hm−2（陈科屹等，2021），都与中国近年来的生态文明建设政策息息相关。同时可以看出，要提升城市森林的碳储量，不仅要提高森林覆盖率，还需要提升森林质量，提高土壤肥力，才能增加单位面积的固碳能力，从而提高碳储量。

根据上海市城市总体规划（2017—2035年），主城区面积约1161 km2，估算获得主城区城市森林碳储量为0.87 Mt，占整个研究区碳储量的13%；主城区城市森林碳密度为21.77 t·hm−2，比非主城区低3.89 t·hm−2。Shen et al.（2020）对 2015 年上海城市森林碳储量的研究表明，92%以上的碳储量分布在上海郊区，8%分布在中心城区（包括徐汇、长宁、静安、普陀、虹口、杨浦和黄浦区，面积约289 km2），中心城区碳密度为21.50 t·hm−2。本研究计算的主城区大于中心城区，碳密度为 21.77 t·hm−2，与 2015年中心城区碳密度基本持平，上升幅度很少。分析原因，上海市2018年末常住人口为2424万人，其中主城区常驻人口约为1447万人，占比高达60%，而主城区面积占上海市总面积约五分之一，人口高度密集，绿化造林的立地条件较差，修剪养护强度较高，植物生长缓慢。同时，城市森林的郁闭度、群落密度、群落类型与层次结构对城市森林的固碳能力有显著的影响（汤浩藩等，2019）。随着郁闭度的提高，群落碳密度和固碳率显著提升，而上海市区的森林郁闭度相对较低，大部分群落的郁闭度低于 0.6，这也是影响主城区城市森林固碳量的原因之一（徐飞等，2010；徐飞，2010）。相对于纯林而言，混交林地上树冠部分和地下根系部分都具有成层性，养分空间扩大，提高了光能利用率，有利于森林的生长，对城市森林固碳能力有促进作用（黄宇等，2005）。所以，建设上海城市森林，考虑景观结构及市民游憩需求的同时，要适当增加城市森林郁闭度，调整群落类型，丰富群落层次结构，从而提升城市森林碳储量。

本研究采用回归残差模型进行城市森林碳储量的估算与空间格局分析，与王紫君等（2016a，2016b）、Shen et al.（2020）采用的方法一致，但在选择波段反射率和遥感植被指数的同时考虑了影像纹理特征，纹理参数能较好地反映城市森林的结构特征。也有研究表明，纹理特征是反映林龄和群落组成的重要因子之一（Coburn et al，2004；曹庆先等，2011）。本研究由于各类信息源的局限性，模型的精度仍有待提高，且Landsat OLI空间分辨率也不够高，影像的扫描方式和含云量等因素也会影响碳储量的估算精度，带来不可避免的误差。未来可以从提高影像空间分辨率和光谱分辨率的方向着手，适当结合地形因子、土壤信息等环境变量，引入建模辅助因子，或运用激光雷达等手段，准确获取森林高度信息，以期进一步提高模型精度。

现代幼儿园管理事故频发，这在很大程度上跟幼儿园管理不够精细、不够透明的因素有着很直接的关系，很多家长也在迫切要求能够更加全面地了解幼儿所在幼儿园的具体发展状况和规划管理等。因此，鉴于此类原因，我们应当在为幼儿园的整个管理体系的安全性、可靠性向幼儿家长以及社会做出保证的同时，还应当将这一过程勇于公开化、透明化等，接受全体家长合理的监督、指正、建议等，使精细化的管理工作真正落实到位。

4 结论

本文结合森林样地实测数据和遥感影像，建立森林碳储量估算模型，分析上海市 2020年城市森林碳储量及其空间分布特征。81个样地的碳储量均值为2.14 t，数据有右偏分布和瘦尾特征，变异系数为0.75，说明各样地类型多样，样地间碳储量差异大。遥感反演的数据显示，研究区森林碳储量为2.87 Mt，碳密度均值为 25.09 t·hm−2，空间分布呈现中部地区低，西部和东部地区高的态势；主城区的森林碳储量为 0.37 Mt，占上海城市森林碳储量的12.89%；主城区的平均碳密度为21.77 t·hm−2，比非主城区低3.89 t·hm−2。研究采用遥感影像光谱特征进行植被碳储量的反演，同时提取纹理特征并纳入模型，提高了遥感影像的分类精度；采用回归残差模型可以在城市尺度上提供较为准确的城市碳储量估算结果。