溫州城區綠地生物量時空動態變化研究

陸 超，沈建軍，王秀云，朱湯軍

（浙江省林業科學研究院，浙江 杭州 310023）

溫州城區綠地生物量時空動態變化研究

陸 超，沈建軍，王秀云，朱湯軍

（浙江省林業科學研究院，浙江 杭州 310023）

2015年對浙江省溫州市主城區的綠地生物量進行實測，其數據與Landsat OLI遙感數據建立生物量估算模型，利用2005年和2010年Landsat遙感影像對同時期城市綠地生物量進行了反演，得到綠地生物量的時空分布，分析溫州市主城區綠地生物量的變化特征。結果表明，基于遙感數據和隨機森林建模可以獲得較為理想的城市綠地生物量反演結果；城區內綠地主要以混合像元的形式存在，像元生物量密度普遍較低；隨著建成區的不斷擴張，城市綠地總生物量明顯增加，從2005年的223 783.80 t增加至2015年的405 191.09 t，生物量平均密度從12.36 t·hm-2上升至15.96 t·hm-2，且2010－2015年的增速更為顯著；舊城區生物量也有較明顯的增加，但平均生物量密度仍然明顯低于建成區整體水平。未來城市發展應加強舊城區人口的疏導和綠地的合理規劃，推行全方位多層次綠化，提高綠地生態效益。

溫州市；城區；綠地；生物量；生物量估算模型；遙感

Abstract:Investigations were carried out in 2015 on biomass of green space in the city proper of Wenzhou, Zhejiang province. Based on the Landsat OLI images and field survey data, model for biomass of green space in Wenzhou was established with remote sensing variables. The spatiotemporal dynamics of biomass of green space from 2005 to 2010 in Wenzhou was calculated based on corresponding Landsat images. The results showed that the total biomass of green space at built-up areas of Wenzhou increased evidently with expansion of the city proper, from 223 783.80 t in 2005 to 405 191.09 t in 2015, and the average biomass density from 12.36 t/ha to 15.96 t/ha, especiallt from 2010 to 2015.

Key words:Wenzhou; urban areas; green space; biomass; biomass estimation model; remote sensing

隨著城市化進程的快速推進，城市人口劇增。工廠、企業數量的不斷增多導致城市中CO2，CH4等溫室氣體的排放明顯增多，有調查顯示80%以上的CO2排放來自于城市[1]。近年來，中國大城市的環境問題頻發，交通擁堵、霧霾、城市熱島等事件頻繁見諸報端，城市生活質量和人居環境面臨巨大挑戰。另一方面，經濟水平的提高，城市居民也越來越重視生活環境和質量，渴望接觸自然、親近自然，享受高質量的城市生態環境和戶外生活。城市綠地是城市生態環境系統的重要組成部分，城市規模的擴大阻礙了居民與外部自然生態系統的接觸，因而城市綠地成為城市居民接觸自然，親近自然的主要途徑。它在美化環境的同時，不僅有益于人們的身心健康，而且可以吸收空氣中CO2等氣體。城市是一個人口密度相對較高的區域，城市綠地在CO2吸收及循環過程中所發揮的作用不斷增強，成為城市生態系統中重要的碳匯。

遙感技術具有覆蓋范圍廣，可重復觀測的優點，在森林生物量、碳儲量及其空間分布研究中發揮著越來越重要的作用。傳統地面樣方實測法只能獲得點上的數據，不利于研究生物量的空間分布和變化，而遙感圖像光譜信息具有良好的綜合性和顯示性，與樣方實測數據結合，為大尺度森林生物量估算與長時間動態變化研究提供了重要途徑。目前，眾多研究者對自然山體或人工林等成片林地的生物量、碳儲量的變化有較深入的研究[2-3]。城市綠地空間異質性較大、斑塊破碎程度高，不利于城市綠地生物量、碳儲量的計算。目前對于城市綠地方面已有眾多研究成果[4-6]，但就大尺度、時間序列城市綠地生物量的研究還較少，難以確切地反映綠地生物量在時間序列中的變化過程和特征。

以浙江省溫州市主城區為研究區，通過典型抽樣的方法進行野外樣地綠地生物量調查，首先基于多端元光譜混合分析模型，對Landsat TM/OLI影像進行亞像元分解，提取植被覆蓋比例，再將其與波段反射率、歸一化植被指數等因子一起輸入隨機森林回歸模型，建立溫州市主城區綠地生物量的遙感估算模型，并對不同時期城市綠地生物量進行反演，得到綠地生物量的時空分布，分析溫州市主城區綠地生物量的變化特征，為該區域的綠地碳儲量跟碳循環等研究提供參考。

1 研究區概況

溫州市地處浙江東南沿海，27°02′ ～ 28°37′ N，119°37′ ～ 121°16′ E，亞熱帶海洋性季風氣候，瀕臨東海，溫暖濕潤，雨量充沛，四季分明，冬無嚴寒，夏無酷暑，年平均氣溫17.3℃ ～ 18.3℃。溫州市主城區包括甌海區、龍灣區和鹿城區，總面積1 137.95 km2，其中建設用地254.90 km2，耕地、園地、林地等植被覆蓋區域623.88 km2，水域131.49 km2，裸地及灘涂127.68 km2。建成區范圍采用目視解譯的方法，參考2015年的Google Earth高分影像，在Landsat影像上勾繪提取，2015年建成區面積為253.88 km2。

2 研究方法

2.1 數據來源與處理

地面生物量數據根據野外調查獲得。2015年8－10月，選取溫州市區公園綠地、防護綠地、居住區綠地3種類型綠地，設置120個面積為30 m×30 m的固定樣地。其中公園綠地20個，居住區綠地20個，防護綠地80個（片林20個、道路綠地40個、河流綠地20個），詳細記錄樣地基本信息，包括經緯度、海拔；樣地內喬木層（胸徑大于5 cm）采用每木調查（包括樹高、胸徑、冠幅和枝下高等），共實測喬木2 777株（包括高大的灌木），測得的植被胸徑、樹高大小分布如圖1所示。同時在每塊樣地對角線上均勻設置3個2 m×2 m的灌草固定小樣方，詳細記錄灌木種類、株數、蓋度、高度以及草本種類、株數、蓋度等指標。由于歷史生物量實地調查數據難以獲取，以2015年的實測數據與遙感數據建立生物量估算模型后，應用該模型，根據2005年和2010年的遙感影像，對2005年和2010年的城市綠地生物量進行回推。

本研究所用數據為美國地質勘探局（United States Geological Survey，USGS）提供的經過幾何精校正的Landsat L1T級別數據。考慮綠地的季相變化帶來的影響，所選影像都在植被生長旺盛期，分別為2005年9月24日和2010年9月22日的Landsat TM遙感影像，以及2015年8月3日的Landsat OLI遙感影像。這一時間段內的植物可以忽略落葉樹種帶來的綠化覆蓋率對遙感專題信息提取的影響。根據影像的頭文件對獲取的2015年數據進行輻射定標，再采用ENVI 5.3中的FLAASH（Fast Line-of-sight Atmospheric Analysis of SpectralHypercubes）大氣校正模塊對影像進行大氣校正，以減小大氣因子的影響，獲得最終的地物反射率結果。在此基礎上，將2005年和2010年的影像采用偽不變特征（Pseudo-Invariant Features，PIFs）[7]法進行相對輻射校正。處理好的影像使用行政區劃邊界剪裁出研究區范圍。

圖1 溫州城區綠化樹木胸徑和樹高大小分布圖Figure 1 Distrubtion of DBH and tree height of in urban area of Wenzhou

2.2 單木生物量模型

根據實地樣地調查數據和生物量相容性模型[8]（表1），推算各樣方綠地生物量（包括喬木層、灌木層以及草本層）。

表1綠地各生物類型二元生物量模型及檢驗指標Table 1 Forest resource index of state-owned in Zhejiang province

2.3 多端元光譜混合分析提取綠地覆蓋率

綠地生物量的大小與綠地規模有直接的關系，而對于Landsat等中等分辨率影像來說，城市綠地像元多以混合像元形式呈現。本研究利用多端元光譜混合分析（Multiple Endmember Spectral Mixture Analysis，MESMA）提取每個像元的植被豐度信息，將其作為生物量反演模型的自變量因子。MESMA 在傳統線性光譜混合分解（Linear Spectral Mixture Analysis，LSMA）的基礎上，允許一個端元內包含多條光譜信息，同時允許在每一個像元上進行端元數量和種類的自由組合，克服了同一端元內地物之間的光譜異質性，使其模擬復雜環境中地表真實構成的能力顯著提高。

本研究采用了植被、土壤、非透水面、水體和陰影5個端元。端元光譜直接從目標影像上進行采集。首先對Landsat 影像進行最小噪聲分離（Minimum Noise Fraction，MNF），并進一步計算純凈像元指數（Pixel Purity Index，PPI）。動態鏈接高分影像、Landsat影像、PPI指數和波譜剖面工具，根據真實地物類型收集純凈像元的光譜信息，存入建立的候選波譜庫中，候選波譜庫利用VIPER Tools 1.5建立。在候選波譜庫建立完成后，分別計算并比較每一條候選光譜的端元均方根誤差（Endmember Average Root Mean Square Error，EAR）[9]、平均光譜角（Minimum Average Spectral Angle，MASA）[10]以及CoB值（Count-based Endmember Selection）[11]，選擇低EAR值、低MASA值或者高in_CoB值且低out_CoB值的候選光譜為最佳端元波譜[5]。MESMA模型以端元光譜庫為基礎，通過對所有的端元進行組合，為每一個像元建立一系列LSMA模型。每一個LSMA模型中默認包含陰影端元，陰影端元的每個波段反射率都為0值。選取均方根誤差最小的模型作為該像元的最優像元，遍歷所有像元，為每一個像元選取最優模型。模型運行完成后進行陰影標準化[12]和比例歸一化，提取植被豐度信息，作為變量之一輸入隨機森林模型。

2.4 模型自變量

利用遙感影像波段信息、各種衍生指數與樣地實測生物量建立模型估測森林生物量是目前最為常見的技術手段之一。本文研究區為城市建成區，主要為平原地區，研究區內海拔、經緯度、氣象條件等變化不大，因此本文生物量反演模型自變量主要考慮來自遙感數據提供的信息。模型自變量包括6個多光譜波段反射率（不包括熱紅外波段和Landsat 8海岸波段），4個常用植被指數（NDVI，RVI，SAVI，EVI）、3個主成分分析變量（PC1-PC3）、3個纓帽變換因子（亮度、綠度、濕度）、1個混合像元解混因子（植被豐度）。

2.5 隨機森林回歸模型

隨機森林是一種統計學習理論，其對噪聲或者過擬合現象具有較強的魯棒性[13]。它由一系列的獨立分類和回歸樹構成，每一棵樹都通過可放回的隨機重復采樣Bootstrap生成，并且對每個Bootstrap樣本都進行決策樹建模，最后選擇所有預測回歸樹的權重平均值或重復程度最高的分類樹作為最終結果，形成隨機森林。利用R軟件的random forest函數包，隨機選擇70%的樣地數據與相應的遙感數據構建隨機森林回歸模型，30%的樣地數據進行模型評估，采用決定系數（R2）和均方根誤差（Root Mean Square Error, RMSE）來評價不同模型的精度，計算公式如下：

3 結果與分析

3.1 模型精度

隨機森林預測的生物量與實測生物量之間的關系，估測生物量與實測生物量建立的回歸方程決定系數為0.73，RMSE為23.39。Dube等[14]使用的Landsat 8數據反演特殊林種的生物量時，最好的模型預測精度R2為0.71，RMSE為10.66 t·hm-2。Kelsey等[15]在對西南科羅拉多的生物量制圖時，預測的生物量與實測生物量的相關性為0.86。與已有文獻的生物量估測精度相比，本研究所采用模型獲得了較理想的精度，可用于進一步進行動態分析。

3.2 總體生物量變化情況

圖2顯示了研究區綠化植被地上生物量的分布情況。由于本研究區為城市建成區，城市內部大范圍的山體森林均已摳除，城市綠地主要由公園綠地、附屬綠地、防護綠地等組成，綠地覆蓋面積也相對較小，在Landsat影像上主要以混合像元的形式存在。因此反演得到的像元生物量密度普遍較低。少量生物量高值主要來自面積較大的留存自然綠地。這一結果與此前一些針對城市綠地生物量的研究類似。

隨著建成區的不斷擴張，城市綠地總生物量增加明顯，2005年為223 783.80 t，2010年為304 039.08 t，2015年為405 191.09 t。整個建成區的生物量平均密度2005年為12.36 t·hm-2，2010年為13.73 t·hm-2，2015年為15.96 t·hm-2，2010－2015年期間的增速為2005－2010年的1.62倍。這是由于隨著近年來城市建成區環境的不斷改善，眾多公園的建立及附屬綠地、防護綠地的持續增加，城市建成區內生物量總體呈現增加趨勢。

圖2 溫州市建成區不同時間生物量密度（a: 2005, b: 2010, c: 2015）Figure 2 The system cluster figure of state-owned forest farm（a: 2005, b: 2010, c: 2015）

3.3 舊城區生物量變化情況

以2005年建成區范圍作為舊城區，進一步分析舊城區城市綠地生物量變化情況。結果表明，2005－2015年舊城區生物量也有較明顯的增加，總生物量從2005年的223 783.80 t增加至2015年的263 336.56 t，生物量密度從12.36 t·hm-2增加至14.54 t·hm-2。其中2010－2015年平均生物量密度增加的速度明顯高于2005－2010年。此外，舊城區平均生物量密度仍然明顯低于建成區整體水平。

4 結論與討論

本研究對溫州市主城區，基于實地樣方數據，利用Landsat數據提取遙感參數構建了隨機森林模型，對建成區范圍內城市綠地生物量進行了建模估算，并進一步分析了2005－2015年主城區城市綠地生物量隨著城市化進程的變化情況。

分析表明，基于遙感數據和隨機森林建模可以獲得較為理想的城市綠地生物量反演結果。隨著建成區的不斷擴張，城市綠地總生物量增加明顯，2005年為223 783.80 t，2010年為304 039.08 t，2015年為405 191.09 t。城市建成區內綠地主要以公園綠地、道路綠地、附屬綠地、防護綠地等組成，綠地覆蓋面積也相對較小，在Landsat影像上主要以混合像元的形式存在，反演得到的像元生物量密度普遍較低。劉博[16]對杭州市西湖區的研究表明，城市居住區的平均生物量密度為11.06 t·hm-2，明顯低于山地森林區。張結存[17]對杭州市的研究結果也表明居住區的平均生物量密度基本在10 ～ 20 t·hm-2，有明顯植被覆蓋的區域如大片保留林、自然濕地等平均生物量密度則較高。本研究建成區的生物量平均密度2005年為12.36 t·hm-2，2010年為13.73 t·hm-2，2015年為15.96 t·hm-2。2010－2015年期間的增速更為顯著。這主要是由于自2010年起，溫州加速推進國家園林城市和國家森林城市建設，大力實施城區綠化工程，不斷加大城市綠化建設力度，新建楊府山公園、白鹿洲公園等70個城市公園，數百個小游園和居住區、單位附屬綠地，以及甌海大道、溫瑞塘河等道路、河道沿線綠地。同時，在舊城區重點實施了一系列綠化改造措施，如“兩拆兩綠”、“見縫插綠”、“拆違建綠”等，促使舊城區綠地生物量密度的加速上升。但由于舊城區人口密集，商業用房和居民住宅緊密相連，綠化空間有限，而且舊城區住宅用地多為老式小區，小區附屬綠化不夠，舊城區平均生物量密度仍然明顯低于建成區整體水平。因此，在未來城市建設過程中，應加強對舊城區人口的疏導，合理規劃生態綠地，繼續加大城市綠地建設的投入力度，應該見縫插針的進行全方位綠化，利用喬、灌、花組成多層次垂直綠化，提高綠視率和生態效益。

[1] Churkina G. Modeling the carbon cycle of urban systems[J]. Ecol Model，2008：216，107－113.

[2] Wu C，Shen H，Wang K，et al. Landsat Imagery-Based Above Ground Biomass Estimation and Change Investigation Related to Human Activities[J]. Sustainability，2016，8（2）：159.

[3] 楊偉志，趙鵬祥，薛大慶，等. 基于Landsat-8影像的西寧市南北山森林生物量估測模型研究[J]. 西北林學院學報，2016：31，33－37，97.

[4] Wang H F，Qiu J X，Breuste J，et al. Variations of urban greenness across urban structural units in Beijing, China[J]. Urban For Urban Green，2013，12(4) ，554-561.

[5] Gan M Y，Deng J S，Zheng X Y，et al. Monitoring Urban Greenness Dynamics Using Multiple Endmember Spectral Mixture Analysis[J]. PLOS ONE，2014，9(11)，e112202.

[6] Zhou X L，Wang Y C. Spatial-temporal dynamics of urban green space in response to rapid urbanization and greening policies[J]. Landscape Urban Plan，2011：100，268－277.

[7] Philpot W，Ansty T. Analytical description of pseudo-invariant features (PIFs) [J]. IEEE Transact Geosci Remot Sens，2013：51，2016－2021.

[8] 江波，袁位高，朱錦茹等. 森林生態體系快速構建[M]. 北京：中國林業出版社，2009，99－103.

[9] Dennison P E，Roberts D A. Endmember selection for multiple endmember spectral mixture analysis using endmember average RMSE[J]. Remot Sens Environ，2003：87，123－135.

[10] Dennison P E，Halligan K Q，Roberts D A. A comparison of error metrics and constraints for multiple endmember spectral mixture analysis and spectral angle mapper[J]. Remot Sens Environ，2004：93，359－367.

[11] Roberts D A，Dennison P E，Gardner M E，et al. Evaluation of the potential of Hyperion for fire danger assessment by comparison to the Airborne Visible/Infrared Imaging Spectrometer[J]. IEEE Transact Geosci Remot Sens，2003：41，1297－1310.

[12] Powell R L，Roberts D A，Dennison P E，et al. Sub-pixel mapping of urban land cover using multiple endmember spectral mixture analysis:Manaus Brazil[J]. Remote Sens Environ，2007：106，253－267.

[13] Walton J T. Subpixel Urban Land Cover Estimation[J]. Photogram Engin Remot Sens，2008，74，1213－1222.

[14] Dube T， Mutanga O. Evaluating the utility of the medium-spatial resolution Landsat 8 multispectral sensor in quantifying aboveground biomass in uMgeni catchment, South Africa[J]. Isprs J Photogram，2015，101，36－46.

[15] Kelsey K，Neff J. Estimates of Aboveground Biomass from Texture Analysis of Landsat Imagery[J]. Remote Sens，2014（6），6407－6422.

[16] 劉博. 基于高分辨率影像的杭州西湖區綠地生物量研究[D]. 臨安：浙江農林大學，2015，39－43.

[17] 張結存. 杭州城市綠地生物量遙感估計及時空格局變化研究[D]. 臨安：浙江農林大學，2014，40－44.

Spatiotemporal Dynamics of Biomass of Green Space in the City Proper of Wenzhou

LU Chao，SHEN Jian-jun，WANG Xiu-yun，ZHU Tang-jun

（Zhejiang Academy of Forestry, Hangzhou 310023, China）

S731.2

A

1001-3776（2017）04-0018-06

10.3969/j.issn.1001-3776.2017.04.004

2016-12-30；

2017-05-19

浙江省省屬科研院所扶持專項（2014F30021）；浙江省公益技術研究農業項目（2014C32118）

陸超，助理研究員，從事林業碳匯研究；E-mail：luchao535@163.com。通信作者：朱湯軍，研究員，從事林業碳匯研究；E-mail：zhtj1965@163.com。