張桂蓮

1. 上海市園林科學規(guī)劃研究院/城市困難立地生態(tài)園林國家林業(yè)和草原局重點實驗室，上海 200232；2. 國家林業(yè)和草原局城市困難立地綠化造林國家創(chuàng)新聯(lián)盟，上海 200232；3. 上海城市困難立地綠化工程技術研究中心，上海 200232

2018年政府間氣候變化專門委員會（IPCC）報告指出，全球需在2050年左右達到碳中和，才能使空氣溫度升高不超過1.5 ℃。氣候變化愈演愈烈的同時，城市化速率也不斷加快，預計到2050年，中國城市人口將占總人口四分之三以上（毛齊正等，2015）?？焖俪鞘谢瘞淼纳鷳B(tài)用地減少和碳排放增加，將會加劇全球變暖，進一步威脅人類的生存和發(fā)展。作為世界最大的碳排放國之一，應對氣候變化，努力實現(xiàn)碳中和是中國的重大戰(zhàn)略決策（候勃等，2020；胡鞍鋼，2021）。2020年，習近平主席提出中國將在2030年前實現(xiàn)碳達峰，爭取在2060年前實現(xiàn)碳中和（中華人民共和國中央人民政府，2020；張永生等，2021）。森林生態(tài)系統(tǒng)在吸收和固定大氣二氧化碳中發(fā)揮了重要作用，其固碳量占陸地生態(tài)系統(tǒng)固碳總量的三分之二（Schlesinger，1991；Lal，2005），被認為是抵消二氧化碳排放的最有效途徑之一（王琰，2019）。

隨著生態(tài)城市理念的逐漸推行，中國城市綠地面積逐年增加，建成區(qū)綠化覆蓋率從 1986年的16.90%增加到2019年的41.51%（中華人民共和國住房和城鄉(xiāng)建設部，2019）。城市森林作為“城市之肺”，是城市綠化的重要組成部分，發(fā)揮著重要的碳匯功能。城市森林碳循環(huán)和碳儲量成為近年來城市生態(tài)研究的重要熱點之一。Svirejeva-Hopkins et al.（2006）模擬了全球城市碳循環(huán)過程，分析了不同土地利用類型的植被碳循環(huán)和碳動態(tài)；陳科屹等（2021）利用森林資源二類調查數(shù)據(jù)評估了近10年間武漢市環(huán)城林帶森林碳儲量及其動態(tài)變化；徐麗華等（2014）利用QuickBird高分遙感影像反演了義烏市環(huán)城路內不同森林類型的碳儲量特征；王瑞靜等（2011）利用樣方調查的方法估算了上海市崇明島的主要植被類型碳儲量和碳密度變化特點。準確估算城市森林碳儲量的時空分布，了解其碳匯過程、趨勢和影響機制，能夠為進一步提升其碳中和作用提供數(shù)據(jù)支撐。

混凝土鋪筑前3～4h內對橋頂面進行不間斷的灑水處理，確保橋面飽和濕潤，直至施工前0.5～1h停止灑水。混凝土攤鋪之前必須保證橋面平整，本工程采用振動棒輕微振搗處理的人工方式確保橋面平整，對于中間的鋪筑區(qū)域采用平板振搗器設備平行震蕩，平板振搗器重疊壓邊的重疊寬度為1/2。振搗過程中應防止漏振或是在某個區(qū)域停留時間過長而出現(xiàn)混凝土擁包的現(xiàn)象。

目前，計量城市森林碳儲量的方法主要有樣地實測、模型模擬和遙感估算等（周健等，2013）。傳統(tǒng)的樣地調查法較為準確，但通常適用于小尺度，大尺度樣地調查耗費人力物力，且由于城市森林類型多樣、影響復雜，很難在城市尺度進行推廣（Poorazimy et al.，2020）。遙感數(shù)據(jù)可從宏觀尺度進行實時和動態(tài)的估算，高空間分辨率和高光譜分辨率影像的不斷發(fā)展使城市森林碳儲量的快速估算成為可能（Liu et al.，2021；易揚等，2021）。將遙感參數(shù)與樣地調查數(shù)據(jù)相結合，建立碳儲量反演模型，或者建立基于機器學習的非參數(shù)化估算方法，對森林碳儲量進行估算，可充分發(fā)揮以上兩種方法的優(yōu)勢，具有較好的發(fā)展和應用前景（湯浩藩等，2019）。

本研究以上海市為研究對象，實地調查城市森林樣方數(shù)據(jù)，結合異速生長方程估算碳儲量；利用Landsat OLI數(shù)據(jù)，提取植被指數(shù)特征、紋理信息；建立樣方碳儲量和遙感數(shù)據(jù)之間的關系模型，選擇最優(yōu)模型進行反演，并引入普通克里格殘差插值法進行矯正，從而更精確地描述上海城市森林碳儲量空間分布特征。研究旨在明確上海城市森林在應對氣候變化和碳中和的作用，為城市碳匯管理和綠色低碳發(fā)展提供基礎數(shù)據(jù)支撐。

1 研究地區(qū)與研究方法

1.1 研究區(qū)域概況

還有安南（越南）自古以來就使用中國錢幣。最早開始鑄錢是在丁朝大瞿越大平年間(970)，仿照中國宋朝方孔圓錢的形制鑄成的，錢文多有宋體之意。從黎仁宗延寧起，到昭宗光紹年間（1454—1521），則是安南鑄錢的成熟時期，無論鑄錢技術，還是工藝水平，都達到了較高水平。光紹以后，安南古錢的制作便逐步走向下坡。安南曾經大量仿制過中國古錢，與中國銅錢同名的有15種。

圖1 研究區(qū)及采樣點分布Fig. 1 Distribution of study area and sampling plots

1.2 樣地選擇及實地調查

本研究采取分層抽樣法，結合實地調查和遙感影像，根據(jù)城鄉(xiāng)梯度選擇代表性城市森林樣地81個（圖1）。樣方大小為1畝，邊長25.8 m×25.8 m。參照國家林業(yè)局森林資源清查技術操作規(guī)范，胸徑（DBH）≥5 cm的喬木作為起測徑階，樣方內進行每木調查，獲取喬木樹高、胸徑、枝下高、冠幅等（表1），同時采集優(yōu)勢樹種葉、枝、干、根、皮樣品（鮮重300 g左右），測定不同器官的碳質量分數(shù)。調查時間為2019年和2020年的夏季。

表1 研究區(qū)樣地信息Table 1 Information of sampling plots of different forest types in study areas

1.3 遙感數(shù)據(jù)信息提取

選用2020年的兩期Landsat OLI影像，軌道號118，行號 38和 39，分辨率為 30 m×30 m（https://www.usgs.gov/）。應用ENVI對遙感影像進行幾何校正、輻射定標和大氣校正等預處理；提取多個遙感參數(shù)，包括波段反射率、植被指數(shù)和紋理值。具體包括基于光譜特征的植被指數(shù)：歸一化植被指數(shù)（NDVI）、比值植被指數(shù)（SR）、增強植被指數(shù)（EVI）、大氣阻抗植被指數(shù)（ARVI）、結構不敏感色素指數(shù)（SIPI）；基于概率統(tǒng)計的濾波紋理：平均值（Mean）、方差（Variance）、信息熵（Entropy）、偏斜（Skewness）、數(shù)據(jù)范圍（Datarange）。各植被指數(shù)和紋理值計算方法見表2。

表2 植被指數(shù)及紋理參數(shù)計算方法Table 2 Vegetation index and texture parameter calculation methods

利用調查的 81個樣地作為訓練樣本，選取監(jiān)督分類中的最大似然法，對 2020年的影像進行分類，提取的城市森林總面積為1142.52 km2，森林覆蓋率為18.02%。從解譯后的影像中隨機選取100個點，參照上海市2019年森林資源二類調查數(shù)據(jù)，進行精度評價，分類精度為85.69%，和實際情況基本吻合（中國環(huán)境網，2021）。依據(jù)上海市城市總體規(guī)劃（2017—2035），劃分主城區(qū)和非主城區(qū)（圖1），對不同區(qū)域的城市森林碳儲量進行分析（上海市人民政府，2018）。

隨機選取81個樣地數(shù)據(jù)的1/3（27個）作為驗證集，對多元逐步回歸模型與回歸殘差模型兩種方法計算的估算值，與樣地實測值之間的均方根誤差（RMSE）和平均絕對誤差（MAE）進行分析（Pereira et al.，2010），對比估算精度，選擇精度較高的模型估算上海城市森林碳儲量。

1.4 樣地碳儲量參數(shù)獲取

本研究僅對喬木層碳儲量進行計算，包括葉、枝、干、根、皮的總碳儲量。81個樣方中出現(xiàn)的植物種類以香樟、水杉、女貞、銀杏和杜英等喬木為主，采用異速生長方程進行生物量的估算（郭雪艷，2017；張希金等，2018；仲啟鋮等，2019）（表3）。

表3 主要喬木樹種的異速生長方程及碳質量分數(shù)Table 3 The allometric growth equation of the main tree species

采用德國Elementar Vario EL元素分析儀對植物器官樣品的碳質量分數(shù)進行測定。先將采集回的葉、枝、干、根、皮樣品，經 85 ℃恒溫箱烘至恒重，粉碎后過200目篩。每個樣品測定3個重復，且相對偏差在 2%以內。選擇各器官碳質量分數(shù)的平均值作為樹種碳質量分數(shù)（表3），將模型估算的生物量乘以碳質量分數(shù)，轉化為碳儲量（Nowak et al.，2013）。

1.5 模型的建立與評價

將樣地碳儲量與各遙感參數(shù)進行相關性分析，結果表明，植被指數(shù)NDVI、SR、EVI、ARVI、SIPI和紋理值MEAN、Data Range與城市森林碳儲量顯著相關（P<0.01）。將這些參數(shù)與碳儲量進行回歸分析，建立多元逐步回歸模型。另外，篩選相關性最高的植被指數(shù) NDVI，與碳儲量擬合建立其他模型。相比所有的模型，多元逐步回歸模型因其結合多個自變量進行最優(yōu)組合，擬合情況最佳（R2=0.464，調整R2=0.40，P<0.01）（表4）。

由于#6B高廠變高壓側繞組為三角形接線方式，根據(jù)上表測得的結果來看，BC數(shù)據(jù)較AB、CA數(shù)據(jù)大。因變壓器進行了調換分接，因此懷疑變壓器的分接開關因常年不進行變換所以形成了氧化層，以至于調節(jié)后測量三項電阻不平衡。

表4 城市森林碳儲量回歸模型與參數(shù)Table 4 Regression model and parameters of urban forests carbon storage

主城區(qū)和非主城區(qū)的樣地碳儲量有明顯差別。非主城區(qū)的樣地碳儲量均值比主城區(qū)高 37.09%（0.81 t），中位數(shù)高16.40%（0.28 t）。非主城區(qū)的樣地碳儲量變化范圍（0.09—7.10 t）比主城區(qū)（0.53—1.90 t）大，且非主城區(qū)的標準偏差（1.60 t）大于主城區(qū)（0.52 t），說明主城區(qū)的樣地碳儲量變化相對穩(wěn)定。主城區(qū)和非主城區(qū)的樣地碳儲量變化都有明顯的瘦尾特征（主城區(qū)峰度為0.38，非主城區(qū)峰度為0.86），且主城區(qū)更為明顯。從偏度來看，主城區(qū)有明顯的左偏特征，偏度為?0.86，而非主城區(qū)表現(xiàn)為右偏，偏度為1.07。

選擇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)六種硝基苯類化合物作為研究對象.首先將硝基苯化合物配成5 mmol/L的DMF溶液,然后監(jiān)測滴定過程中體系熒光強度的變化(如圖6所示).

2 結果與分析

2.1 樣地碳儲量特征

運用多元逐步回歸模型對研究區(qū)的碳密度進行估算，結果顯示：碳密度較均勻地分布于各行政區(qū)，各區(qū)可見零星的高值點存在。從殘差的普通克里格插值結果來看，殘差變化范圍為?13.37—15.19 t·hm?2，空間分布主要表現(xiàn)為包含主城區(qū)在內的中部地區(qū)、崇明島西部和東部地區(qū)，以及長興島西部地區(qū)的殘差較?。怀鞘形鞑亢蜄|部地區(qū)，以及橫沙島的殘差較大。主城區(qū)殘差的變化范圍為?12.37—8.9 t·hm?2，非主城區(qū)為?13.37—15.19 t·hm?2（圖2）。殘差的計算是多元逐步回歸模型估算值的有效補充，結合二者能更精確地反映城市森林碳儲量。

表5 調查樣地的碳儲量情況Table 5 The carbon storage of the sampling plots

將81個樣地數(shù)據(jù)，隨機選取2/3（54個）作為模型建立的訓練集，利用多元逐步回歸模型估算城市森林碳儲量。然后，運用普通克里格插值法，將多元逐步回歸模型估算值與各樣地實測值的殘差進行插值。最后，將多元逐步回歸模型的估算值與殘差值進行相加（簡稱回歸殘差模型），得到城市森林碳儲量空間分布格局。

2.2 模型的精度評價

式中f(ck,i)表示第i個顏色ck,i在第k個區(qū)域rk的所有顏色nk中出現(xiàn)的頻率，d(c1,i,c2,j)表示區(qū)域1中第i個顏色與區(qū)域2中第j個顏色在Lab空間內的顏色距離.

利用 27個驗證集對模型的估算值和樣地實測值進行驗證，結果表明：運用回歸殘差模型對樣地碳儲量進行估算，均方根誤差RMSE和平均絕對誤差MAE分別為19.17%和15.00%，比運用多元逐步回歸模型產生的均方根誤差降低了10.29%，平均絕對誤差降低了5.5%（表6）。因此，在多元逐步回歸模型的基礎上，運用普通克里格插值法對殘差進行空間插值，在每個像元上將估算值與殘差相加，可以更高精度地估算城市森林碳儲量。

表6 上海市城市森林碳儲量估算模型精度驗證結果Table 6 Accuracy verification results of Shanghai urban forests carbon storage estimation model

研究區(qū)范圍內 81個樣地的碳儲量范圍為0.09—7.10 t，均值為2.14 t，中位數(shù)為1.70 t，標準偏差較大為1.60 t，樣地的碳儲量變異系數(shù)為0.75，各樣地之間的碳儲量差異較大，可能是因為樣地林分類型差異較大，或者相同林分齡組差異較大。碳儲量數(shù)據(jù)有右偏分布（偏度為1.16）和瘦尾特征（峰度為1.16）（表5）。

上海位于中國長江入海口（120°52′—122°12′E，30°40′—31°53′N），地處太平洋西岸，亞洲大陸東沿，氣候為亞熱帶季風氣候（易揚，2020）。2019年，年平均氣溫17.3 ℃；極端最高氣溫37.7 ℃，極端最低氣溫?2.8 ℃；年日照時數(shù)1626 h，年平均降水量1409.1 mm，年均蒸發(fā)量1129.6 mm。全市面積6340.5 km2，其中主城區(qū)包括中心城、主城片區(qū)，以及高橋鎮(zhèn)和高東鎮(zhèn)緊鄰中心城的地區(qū)，范圍面積約1161 km2，非主城區(qū)面積約5179.5 km2（上海市人民政府，2018）（圖1）。截至2020年底，上海市森林覆蓋率達18.49%（中國環(huán)境網，2021）。

圖2 多元逐步回歸模型模擬結果（a）和殘差空間分布圖（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間分布特征

運用回歸殘差模型對上海城市森林碳儲量進行反演，結果表明：城市森林碳密度主要集中在13—40 t·hm?2之間（圖3、4），總碳儲量為 2.87 Mt，平均碳密度為25.09 t·hm?2?？臻g分布總體表現(xiàn)為西部和東部區(qū)域的碳密度較高，中部區(qū)域相對較低，距離城市中心較遠的區(qū)域，森林碳密度高。城市森林碳密度在主城區(qū)和非主城區(qū)有明顯的差異，主城區(qū)城市森林覆蓋率較小，且城市森林碳密度也比較低；非主城區(qū)城市森林覆蓋率較大，森林碳密度也較大。主城區(qū)森林碳密度范圍為1—69 t·hm?2，均值為 21.77 t·hm?2，碳儲量為 0.37 Mt，占上海城市森林碳儲量的 12.89%；非主城區(qū)森林碳密度范圍為0—89 t·hm?2，均值為 25.66 t·hm?2，碳儲量為 2.50 Mt，占上海城市森林碳儲量的87.11%（圖3、4）。

圖3 上海城市森林碳密度空間分布Fig. 3 Spatial distribution of carbon density in urban forests in Shanghai

圖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 討論

本研究估算的上海城市森林碳儲量為2.87 Mt，王紫君等（2016a）對2011年上海城市森林生物量進行估算（3.57 Mt），按喬木樹種碳質量分數(shù)為0.5將其生物量換算為碳儲量（徐麗華等，2014），獲得2011年上海城市森林碳儲量為1.785 Mt。從時間尺度進行比較，2020年城市森林碳儲量比2011年增加了 60.78%。Shen et al.（2020）估算 2011—2015年，上海城市森林碳儲量增加了32.30%?？梢钥闯?，本研究估算的碳儲量增長值，基本吻合這一增長速度，研究結果具有較高的可信度，同時也表明近年來上海城市森林的碳儲量在穩(wěn)步增加。上海城市森林平均碳密度為25.09 t·hm?2，與其他國內外城市森林碳密度相比偏低。長江流域的森林碳密度變化區(qū)間為 5.9—117.18 t·hm?2，平均為 41.53 t·hm?2（孔蕊等，2020）；沈陽城市森林碳密度為33.22 t·hm?2（Liu et al.，2012；湯煜等，2020），義烏市城市森林碳密度變化范圍為 25—35 t·hm?2（徐麗華等，2014）；英國萊斯特城市森林碳密度為 31.6 t·hm?2（Davies et al.，2011），美國城市森林平均碳密度為 61.52 t·hm?2（Nowak et al.，2013）。分析原因，可能是因為上海城市森林多處于中幼齡階段，固碳能力強，碳儲量增長快，但碳儲量積累有限，還有更大提升空間。1985年，上海市森林覆蓋率僅為1.51%，近20年來不斷加強生態(tài)環(huán)境建設，城市森林覆蓋率逐年增加，2020年提升到 18.49%，森林面積擴大了近5倍。同時，上海市綠化土地多源自城市搬遷地，土壤質量欠佳，有機質含量普遍偏低，對綠地碳儲量的快速積累有所影響（馬濤，2011；馬想等，2020；張浪，2020）。長江流域的碳儲量從 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）；武漢市環(huán)城林帶森林碳密度 2008 年為 27.39 t·hm?2，2018 年增加到 47.24 t·hm?2（陳科屹等，2021），都與中國近年來的生態(tài)文明建設政策息息相關。同時可以看出，要提升城市森林的碳儲量，不僅要提高森林覆蓋率，還需要提升森林質量，提高土壤肥力，才能增加單位面積的固碳能力，從而提高碳儲量。

根據(jù)上海市城市總體規(guī)劃（2017—2035年），主城區(qū)面積約1161 km2，估算獲得主城區(qū)城市森林碳儲量為0.87 Mt，占整個研究區(qū)碳儲量的13%；主城區(qū)城市森林碳密度為21.77 t·hm?2，比非主城區(qū)低3.89 t·hm?2。Shen et al.（2020）對 2015 年上海城市森林碳儲量的研究表明，92%以上的碳儲量分布在上海郊區(qū)，8%分布在中心城區(qū)（包括徐匯、長寧、靜安、普陀、虹口、楊浦和黃浦區(qū)，面積約289 km2），中心城區(qū)碳密度為21.50 t·hm?2。本研究計算的主城區(qū)大于中心城區(qū)，碳密度為 21.77 t·hm?2，與 2015年中心城區(qū)碳密度基本持平，上升幅度很少。分析原因，上海市2018年末常住人口為2424萬人，其中主城區(qū)常駐人口約為1447萬人，占比高達60%，而主城區(qū)面積占上海市總面積約五分之一，人口高度密集，綠化造林的立地條件較差，修剪養(yǎng)護強度較高，植物生長緩慢。同時，城市森林的郁閉度、群落密度、群落類型與層次結構對城市森林的固碳能力有顯著的影響（湯浩藩等，2019）。隨著郁閉度的提高，群落碳密度和固碳率顯著提升，而上海市區(qū)的森林郁閉度相對較低，大部分群落的郁閉度低于 0.6，這也是影響主城區(qū)城市森林固碳量的原因之一（徐飛等，2010；徐飛，2010）。相對于純林而言，混交林地上樹冠部分和地下根系部分都具有成層性，養(yǎng)分空間擴大，提高了光能利用率，有利于森林的生長，對城市森林固碳能力有促進作用（黃宇等，2005）。所以，建設上海城市森林，考慮景觀結構及市民游憩需求的同時，要適當增加城市森林郁閉度，調整群落類型，豐富群落層次結構，從而提升城市森林碳儲量。

本研究采用回歸殘差模型進行城市森林碳儲量的估算與空間格局分析，與王紫君等（2016a，2016b）、Shen et al.（2020）采用的方法一致，但在選擇波段反射率和遙感植被指數(shù)的同時考慮了影像紋理特征，紋理參數(shù)能較好地反映城市森林的結構特征。也有研究表明，紋理特征是反映林齡和群落組成的重要因子之一（Coburn et al，2004；曹慶先等，2011）。本研究由于各類信息源的局限性，模型的精度仍有待提高，且Landsat OLI空間分辨率也不夠高，影像的掃描方式和含云量等因素也會影響碳儲量的估算精度，帶來不可避免的誤差。未來可以從提高影像空間分辨率和光譜分辨率的方向著手，適當結合地形因子、土壤信息等環(huán)境變量，引入建模輔助因子，或運用激光雷達等手段，準確獲取森林高度信息，以期進一步提高模型精度。

現(xiàn)代幼兒園管理事故頻發(fā)，這在很大程度上跟幼兒園管理不夠精細、不夠透明的因素有著很直接的關系，很多家長也在迫切要求能夠更加全面地了解幼兒所在幼兒園的具體發(fā)展狀況和規(guī)劃管理等。因此，鑒于此類原因，我們應當在為幼兒園的整個管理體系的安全性、可靠性向幼兒家長以及社會做出保證的同時，還應當將這一過程勇于公開化、透明化等，接受全體家長合理的監(jiān)督、指正、建議等，使精細化的管理工作真正落實到位。

4 結論

本文結合森林樣地實測數(shù)據(jù)和遙感影像，建立森林碳儲量估算模型，分析上海市 2020年城市森林碳儲量及其空間分布特征。81個樣地的碳儲量均值為2.14 t，數(shù)據(jù)有右偏分布和瘦尾特征，變異系數(shù)為0.75，說明各樣地類型多樣，樣地間碳儲量差異大。遙感反演的數(shù)據(jù)顯示，研究區(qū)森林碳儲量為2.87 Mt，碳密度均值為 25.09 t·hm?2，空間分布呈現(xiàn)中部地區(qū)低，西部和東部地區(qū)高的態(tài)勢；主城區(qū)的森林碳儲量為 0.37 Mt，占上海城市森林碳儲量的12.89%；主城區(qū)的平均碳密度為21.77 t·hm?2，比非主城區(qū)低3.89 t·hm?2。研究采用遙感影像光譜特征進行植被碳儲量的反演，同時提取紋理特征并納入模型，提高了遙感影像的分類精度；采用回歸殘差模型可以在城市尺度上提供較為準確的城市碳儲量估算結果。