土地利用形態學空間格局對PM_2.5與CO₂的協同影響

摘要：由于城市綠地面積有限，優化綠地空間格局對城市碳減排和細顆粒物（PM2.5）治理具有重要意義。為解決研究中難以全面反映城市空間格局等不足，本文結合形態學空間格局分析（MSPA）、K均值聚類、連通性分析和隨機森林等，探討綠地MSPA組成、綠地核心區連通性、各類影響因子與碳排放的關系。結果表明，我國綠地MSPA以核心區為主，其占比在組別Ⅰ城市、組別Ⅱ城市中相差不大，在組別Ⅲ城市中占比最高；三組城市的綠地MSPA與碳排放、PM2.5的相關性存在差異，其中組別Ⅱ城市的碳排放量與MSPA要素、組別Ⅲ城市的PM2.5與MSPA要素無顯著相關性；各組別城市的整體連通性指數（IIC）和可能連通性指數（PC）對碳排放以及PM2.5的重要性值均相對較高，說明我國在大幅增加綠地絕對面積后應重點提升核心區的連通性。此外，在同等綠地面積情況下，核心區比廊道更能達到降耗減排的效果，提高城市的空氣質量。本研究結果可為相關部門進行綠地生態建設提供理論依據，為碳減排、PM2.5治理方案制定提供科學參考。

關鍵詞：城市綠地；碳排放；PM2.5；形態空間格局；景觀連通性；隨機森林

中圖分類號：X51；X323；K92 文獻標識碼：A 文章編號：1008-9500（2023）06-0-07

DOI：10.3969/j.issn.1008-9500.2023.06.048

Synergistic Effect of Land Use Morphological Spatial Pattern on PM2.5 and CO2

LI Minying， ZENG Yijuan， XU Qianni， PENG Yinuo， HE Yuqi， LIN Jinyao

（School of Geography and Remote Sensing， Guangzhou University， Guangzhou 510006， China）

Abstract： Due to the limited area of urban green space， optimizing the spatial pattern of green space is of great significance for urban carbon reduction and fine particulate matter （PM2.5） treatment. In order to solve the problem that it is difficult to comprehensively reflect the urban spatial pattern in the research， this paper combines morphological spatial pattern analysis （MSPA）， K-means clustering， connectivity analysis and random forest to explore the relationship between green space MSPA composition， green space core connectivity， various impact factors and carbon emissions. The results show that the core area is the main area of green space MSPA in China， and its proportion is not significantly different in Group Ⅰ cities and Group Ⅱ cities， with the highest proportion in Group Ⅲ cities; there are differences in the correlation between green space MSPA and carbon emissions and PM2.5 among the three groups of cities， among them， there is no significant correlation between carbon emissions and MSPA elements in Group Ⅱ cities， and PM2.5 and MSPA elements in Group Ⅲ cities; the integral index of connectivity （IIC） and probability of connectivity （PC） of each group of cities have relatively high importance values for carbon emissions and PM2.5， indicating that China should focus on improving the connectivity of core areas after significantly increasing the absolute area of green space. In addition， under the same green space area， the core area can achieve a better effect of reducing consumption and emissions than corridors， improving the air quality of the city. The results of this study can provide theoretical basis for relevant departments to carry out green space ecological construction， and provide scientific reference for the formulation of carbon emission reduction and PM2.5

treatment plans.

Keywords： urban green space; carbon emission; PM2.5; morphological spatial pattern; landscape connectivity; random forest

碳排放是導致全球氣候變暖的重要原因[1]，而細顆粒物（PM2.5）同樣對人體健康、氣候變化有不利影響[2]。溫室氣體排放數據顯示，2016年后我國碳排放占全球總量的比例一直高于28%[3-4]。碳排放量的增高引發冰雪融化、干旱等極端氣候問題，從而影響人類活動和生物多樣性[5]。另外，自2013年以來，我國已發生數次大規模且持續的空氣污染事件，對人民身體健康、生態環境均有不同程度的威脅[6]。為此，我國提出力爭2030年前實現碳達峰，2060年前實現碳中和，而《環境空氣質量標準》（GB 3095—2012）也首次增加PM2.5指標[7]。在城市快速發展階段，考慮經濟效益和社會效益，僅通過企業節能減排與產業結構調整等措施來降低碳排放量與PM2.5濃度存在限度，合理的土地利用規劃對碳減排、PM2.5減排同樣具有重要作用[8-12]。

以往研究主要關注建設用地形態與碳排放、PM2.5的關系，較少關注城市綠地的減排作用[13-16]。實際上，綠地能夠緩解城市熱島效應，從而減少城市總體能源消耗，間接達到減排效果[17-18]。城市綠地具有成本低、環境友好等優點，在土地資源有限和資金短缺的情況下，如何根據綠地系統的內部結構和空間狀況優化綠地形態空間格局以實現碳減排、PM2.5減排具有重要意義。空間格局指標可用于定量反映城市綠地的空間特征，所得結果能為城市綠地規劃提供理論依據。同時，相關研究大多采用景觀指數分析空間形態與碳排放量、PM2.5濃度的關系，而景觀指數僅從數值的角度反映城市形態，無法落實到具體空間上[19-20]。

形態學空間格局分析（MSPA）可以有效彌補景觀指數的不足，近年來，MSPA在生態規劃領域得到廣泛應用，被用于分析城市綠地對熱環境的影響[21]、綠地基礎設施網絡構建[22]、綠地基礎設施網絡格局時空變化[23]等。此外，連通性是衡量城市綠地的重要指標之一，研究表明，連通性高的城市綠地能提供更大的生態效益。Xie等[24]通過MSPA方法分析得出7種形態要素，其中邊緣、分支和橋梁有利于改善城市熱島效應；陳明等[25]通過MSPA和連通性分析，研究MSPA要素、綠色基礎設施連通性對PM2.5的消退作用。目前，結合MSPA與連通性分析綠地形態空間格局與碳排放量、PM2.5濃度之間關系的研究較少。鑒于此，本文以我國303個城市為研究單元，將城市按照聚類分析結果進行分組，結合MSPA、連通性分析、隨機森林等方法探究在城市綠地面積難以擴大的情況下，如何改善綠地形態空間格局來達到碳減排與PM2.5治理的目的，并針對不同組別提出相應的城市綠地空間格局優化方案，為碳減排、PM2.5治理規劃方案的制定提供理論依據。

1 數據與方法

1.1 研究區域

我國疆域遼闊，城市化進程存在較大差異，而不同城市發展階段的社會經濟情況、土地覆蓋等因素對于碳排放量以及PM2.5濃度的影響程度也存在差異。因此，本文根據2017年中國地級城市中303個城市的碳排放量、PM2.5濃度的統計特征，使用K均值聚類算法進行分組，將303個主要城市分為三個城市組別，并對三組城市與碳排放量和PM2.5濃度的關系進行分析與對比。

1.2 研究數據

本研究采用的數據主要有4類。一是中國碳核算數據庫平臺公布的2017年全國城市碳排放數據；二是2017年中國地級城市PM2.5濃度數據，來源于加拿大達爾豪斯大學大氣成分分析組；三是清華大學發布的2017年10 m空間分辨率土地覆蓋數據（FROM-GLC10）；四是2018年中國城市統計年鑒和各省級行政區統計年鑒。

影響因子可以分為3個類別。一是生態環境因子，包括氣溫、風速、地面降水率以及近地面全風速；二是社會經濟因子，包括城鎮化率、地區生產總值（GDP）、三大產業GDP占比、能源消耗總量、工業廢水/廢氣排放總量、工業固體廢物產生量、城市公共交通車輛標準運營數量（簡稱公共交通數量）、科研與發展（Ramp;D）內部支出經費、Ramp;D活動人員、城市污水處理率、城市生活垃圾無害化處理率；三是氣候因子，包括林地密度、耕地密度、草地密度、水體密度、建設用地密度、森林覆蓋率、建成區綠化覆蓋率、城市人均公園綠地面積、建成區面積。基于上述各項因子，結合Guidos軟件與Conefor軟件，得出綠地的7類形態格局，即核心區、孤島、孔隙、邊緣區、連接橋、環以及支線，并計算出綠地核心區之間的整體連通性指數（IIC）和可能連通性指數（PC）。

1.3 研究方法

1.3.1 K均值聚類算法

K均值聚類是將研究對象按照其特性進行合理分類的一種統計方法，其可以對變量相似性和差異性進行有效區分，將最小聚合單位劃分成同質區域，目前已廣泛應用于氣象預報、地質勘探等領域。因此，本文使用K均值聚類算法對2017年我國303個城市的碳排放量、PM2.5濃度的統計特征進行分組分析，將其分為3組。

1.3.2 共線性分析

變量間的共線性會對模型的結果產生影響，因此要剔除具有多重共線的變量。方差膨脹因子（VIF）是衡量多元線性回歸模型中自變量間多重共線性的重要指標，當VIF＞10時，變量間存在多重共線性。

1.3.3 MSPA

形態學空間格局分析（MSPA）結合圖論及形態學算法，能有效分辨土地利用的不同景觀類型。MSPA基于腐蝕、膨脹、開運算、閉運算等形態學原理，對柵格圖像進行度量、分割、識別，最終從圖像前景中識別7類互不重復的景觀類型，可以揭示綠地系統存在的問題，為制定針對性的綠地格局改善策略提供科學依據。本文將林地、草地、耕地作為前景，賦值為1，其余作為背景，賦值為0，通過Guidos軟件分析二值圖，得出全國303個城市的綠地MSPA。本研究將具有邊緣效應的邊緣區和孔隙合為邊緣類，將連接要素的橋接區、支線、環道區合為廊道。

1.3.4 連通性分析

連通性是評價綠地斑塊對周圍綠地聯系程度的定量指標，連通性指數包括整體連通性指數（IIC）以及可能連通性指數（PC）。以往研究表明，當斑塊距離閾值設為500 m時，IIC和PC能夠合理有效地反映斑塊的連通情況[26-27]，值越高，連通性越好。本文提取MSPA中的核心區作為關鍵景觀類型，利用Conefor軟件進行綠地核心區連通性分析。

1.3.5 隨機森林

隨機森林是一種基于決策樹的集成學習算法，已被廣泛應用于地理學等領域，其具有對多元共線性不敏感、可有效處理缺失數據和非平衡數據等優勢，且能反映各自變量對因變量的重要性，通過特征重要性排序來闡明自變量對因變量的解釋度，重要性值越大表明該變量的作用越大。本文將303個城市在2017年

的碳排放量及PM2.5濃度作為因變量，以MSPA七類要素占比、IIC、PC、影響因子等作為自變量，運用隨機森林模型探究不同城市等級進行碳減排、PM2.5治理的規劃方案。

2 結果與分析

2.1 城市碳排放與PM2.5的空間分布特征

根據中國碳核算數據庫平臺公布的數據，分析我國各城市2017年碳排放量的空間分布特征。碳排放較高的城市多分布在我國東部沿海、華北以及東北地區，北方整體上較南方高，尤其是北方沿海經濟區大多在49～192百萬t。我國北方擁有豐富的煤礦和石油資源，大量大型工業企業位于北方，而南方大型重工業企業相對較少，農業經濟發展的差異也導致總體上北方地區碳排放量大于南方地區，單位面積碳排放呈總體上升趨勢。同時，對我國2017年PM2.5濃度的空間分布特征進行分析，其結果與碳排放的空間分布特征相似，存在南北差異。我國北方城市的PM2.5污染問題較南方更為突出，沿海地區則受氣象因素的影響較大。2017年，各組城市碳排放量及PM2.5濃度如表1所示。

2.2 城市綠地MSPA要素特征

經城市綠地形態空間格局分析，我國綠地MSPA構成主要為核心區主導型，其次為廊道型。基于此，后續將303個城市分為核心區主導型和廊道主導型。廊道主導型城市主要分布在北方東部沿海，其他MSPA要素類型（邊緣類、孤島等）在全國的分布相對較少。進一步按城市組別分析綠地MSPA構成，如表2所示，核心區要素占比在所有等級中均為最高。此外，廊道占比略高于邊緣類，在組別Ⅲ城市中，邊緣類占比高于廊道型。

2.3 綠地MSPA相關性分析

2.3.1 綠地MSPA與碳排放的相關性分析

本文以各城市碳排放量為因變量，以綠地MSPA占比為自變量，使用皮爾遜相關系數探究碳排放和綠地MSPA的相關性。如表3所示，組別Ⅰ中邊緣類和孤島類與城市碳排放在95%的置信區間中顯著相關，其中，邊緣類為顯著負相關，孤島類表現為正相關；組別Ⅱ中沒有顯著相關的綠地MSPA因子；組別Ⅲ中僅有孤島與碳排放沒有顯著性關系，廊道和邊緣類都表現為顯著正相關，核心區表現為顯著正相關，三類因子都在99%的置信區間中顯著相關。縱向對比發現，組別Ⅰ中邊緣類表現為負相關，而組別Ⅲ的城市群則表現為正相關。

2.3.2 綠地MSPA與PM2.5的相關性分析

對綠地MSPA與PM2.5進行相關性分析，如表4所示，組別Ⅰ中核心區與PM2.5在95%的置信區間負向顯著相關，而廊道在99%的置信區間表現為顯著相關且相關系數較大，為0.578，總體表現為較大的正向影響，其他兩類MSPA并無顯著性；組別Ⅱ中存在3類顯著性要素，邊緣類與廊道表現為正向顯著相關性，而核心區為負向顯著性；組別Ⅲ中不存在顯著性強的因子。縱向對比發現，核心區在組別Ⅰ和組別Ⅱ的城市中都是在95%的置信區間顯著負相關；孤島在三個組別中都不存在顯著相關性。

2.4 綠地MSPA重要性分析

分別對各組別城市綠地MSPA及其他因子同碳排放和PM2.5進行顯著性分析，將顯著性強的因子進行共線性診斷，增強不同組別間影響因子對結果的說服力。各組別城市綠地MSPA與其他各類因子的共線性分析變量如表5所示。本研究使用隨機森林模型計算各組別中不同影響因子對碳排放量、PM2.5濃度的貢獻（僅顯示MSPA和連通性的貢獻）。本文以相關性較強的影響因子、IIC、PC和MSPA占比為自變量，以城市碳排放量、PM2.5濃度為因變量，分別構建隨機森林模型。基于平均基尼系數下降法，得出碳排放量與PM2.5濃度的自變量重要性值排序，如圖1、圖2所示。

2.4.1 綠地MSPA對碳排放的重要性分析

各組別城市綠地MSPA與碳排放的重要性分析結果如圖1所示。在組別Ⅰ城市中，綠地連通性的重要性值大于綠地MSPA，即在有限的綠地面積下提高綠地斑塊間的連通性對城市減少碳排放量的效果較顯著。核心區密度、邊緣類密度的重要性值較高，其中核心區表現為大型公園、生態保護棲息地等，邊緣類即外部核心區與非綠地之間的連接，具有邊緣效應，如大型公園外的林帶。組別Ⅱ城市綠地MSPA與碳排放的重要性值差異相對組別Ⅰ而言較小，其中綠地IIC對碳排放影響的重要性程度最高，其次為孤島密度，說明綠地斑塊之間的連通性越強，孤島密度越低，城市的碳減排效果越顯著，核心區密度、邊緣類密度以及廊道密度對碳排放量的重要性差異小。在組別Ⅲ城市中，各要素間的重要性值相差不大，廊道密度和綠地連通性對碳排放量的影響程度最高，廊道在城市中常常表現為道路綠化帶、居民區綠化帶等。

綜上，組別Ⅰ城市要提高綠地斑塊之間的連通性、核心區數量，加強核心區與外部非綠色地區的聯系；組別Ⅱ城市要提高孤島斑塊之間的綠地連通性，降低孤島對城市碳減排效果的影響；組別Ⅲ城市要加強廊道之間的連通性，提高碳減排效果。

2.4.2 綠地MSPA對PM2.5的重要性分析

各組別城市綠地MSPA與PM2.5濃度的重要性分析結果如圖2所示。在組別Ⅰ城市中，廊道密度和孤島密度的重要性值最高，影響程度最大，說明在同等綠地面積的條件下，條狀綠色斑塊及破碎的綠地形態可能會削弱對PM2.5濃度的削減作用。綠地PC、IIC的重要性值也相對較高，即綠地各要素的連通性越高，對PM2.5濃度的削減效果會越明顯。組別Ⅱ城市的綠地邊緣及孔隙密度重要性值最高，邊緣效應對降低PM2.5濃度具有正向效果，要加強各綠地斑塊的連通性，增加綠地核心區的密度，達到更好的PM2.5減排效果。組別Ⅲ城市中，其核心區的影響程度最為顯著，表明在其他條件相同的情況下，核心區越多，對PM2.5濃度的削減作用越顯著，同時加強各要素的連通對PM2.5濃度也存在不同程度的削減效果。

2.5 綠地MSPA對碳排放與PM2.5的協同影響分析

如表6所示，組別Ⅰ城市中綠地MSPA對碳排放、PM2.5的影響效果有所差異，對碳排放的影響中，孤島密度、廊道密度的重要性較低，而在PM2.5中排列較前。綠地IIC、PC在兩組分析中的重要性均相對較高。在組別Ⅱ中，綠地PC、IIC的重要性排列較前，廊道密度在兩組別下均為最低。由此可見，綠地的連通性對碳減排及PM2.5治理有較大的效果，而廊道密度影響效果較弱。組別Ⅲ城市中廊道密度重要性最高，而邊緣類密度最低。綜上，為了削減各組別城市的碳排放量和PM2.5濃度，應增加廊道數量，改善各綠地斑塊的連通性，重點優化綠地布局，減少孤立現象；在保證連通性的基礎上，進行綠地的增量更新，改善城市綠地斑塊結構，使其對城市碳排放和PM2.5的削減效果最大化。

3 結論

本文以我國303個城市為研究單元，基于MSPA分析綠地形態空間格局及連通性對碳排放和PM2.5濃度的協同影響，所得結果可以為城市綠地生態建設提供可靠的理論依據。研究表明，碳排放、PM2.5與綠地核心區的分布具有明顯的空間相關性，核心區占比在所有組別城市中均為最高。碳排放量較大的珠江三角洲、長江三角洲、京津冀地區及東北地區具有廊道占比高、核心區較少的特征，且我國中部地區存在碳排放量隨著綠地核心區面積增大而減少的現象。同一組別城市的核心區比例差異不大，即我國已在最大程度上增加綠地的絕對面積，應重點提升核心區之間的連通性；廊道主導型城市的碳排放相對較高，即在同等綠地面積下，核心區更能緩解熱島效應，因此規劃不能單純考慮綠地總面積，要加強對大型綠色開放空間的保護與發展。

我國城市綠地形態空間格局主要為核心區主導型，其次為廊道主導型。不同等級城市的碳排放受MSPA要素及其他因子的影響差異較大。303個城市的IIC、PC差異較小，總體分布均勻，等級越高的城市連通性越低，碳排放量越高。其中，IIC、PC對Ⅰ級城市碳排放的重要性最大，對其他等級城市的重要性相對較小。不同組別城市的影響因子重要性值不同，而各組別城市都應優先加強各綠地斑塊之間的連通性，建立不同綠地間的連接，增加綠地斑塊數量，優化斑塊總體布局，重點關注重要性值高的要素密度對碳排放、PM2.5的影響。

參考文獻

1 LI G，SUN S，FANG C.The varying driving forces of urban expansion in China：Insights from a spatial-temporal analysis[J].Landscape and Urban Planning，2018（174）：63-77.

2 賀 瑤，韓秀秀，黃曉虎，等.南京市不同功能區冬季大氣PM2.5分布特征及其來源解析[J].環境科學學報，2021（3）：830-841.

3 WANG S，LI G，FANG C.Urbanization，economic growth，energy consumption，and CO2 emissions：Empirical evidence from countries with different income levels[J].Renewable and Sustainable Energy Reviews，2018（81）：2144-2159.

4 陳珍啟，林雄斌，李 莉，等.城市空間形態影響碳排放嗎：基于全國110個地級市數據的分析[J].生態經濟，2016（10）：22-26.

5 莫惠斌，王少劍.黃河流域縣域碳排放的時空格局演變及空間效應機制[J].地理科學，2021（8）：1324-1335.

6 魏石梅，潘竟虎，妥文亮.2015年中國PM2.5濃度遙感估算與時空分布特征[J].遙感技術與應用，2020（4）：845-854.

7 張殷俊，陳 曦，謝高地，等.中國細顆粒物（PM2.5）污染狀況和空間分布[J].資源科學，2015（7）：1339-1346.

8 楊 磊，李貴才，林姚宇，等.城市空間形態與碳排放關系研究進展與展望[J].城市發展研究，2011（2）：12-17.

9 COSEO P，LARSEN L.How factors of land use/land cover，building configuration，and adjacent heat sources and sinks explain Urban Heat Islands in Chicago[J].Landscape and Urban Planning，2014（125）：117-129.

10 LI Y，SHEN J，XIA C，et al.The impact of urban scale on carbon metabolism：a case study of Hangzhou，China[J].Journal of Cleaner Production，2021（292）：126055.

11 馬 靜，劉志林，柴彥威.城市形態與交通碳排放：基于微觀個體行為的視角[J].國際城市規劃，2013（2）：19-24.

12 舒 心，夏楚瑜，李 艷，等.長三角城市群碳排放與城市用地增長及形態的關系[J].生態學報，2018（17）：6302-6313.

13 LIN J，HUANG C，WEN Y，et al.An assessment framework for improving protected areas based on morphological spatial pattern analysis and graph-based indicators[J].Ecological Indicators，2021（130）：108138.

14 SILVA M，LEAL V，OLIVEIRA V，et al.A scenario-based approach for assessing the energy performance of urban development pathways[J].Sustainable Cities and Society，2018（40）：372-382.

15 FENG K，DAVIS S J，SUN L，et al.Outsourcing CO2 within China[J].PANS，2013（28）：

11654-11659.

16 楊 浩，盧新海，匡 兵，等.城市緊湊度與碳排放強度的時空互動關系及驅動因素：以長株潭城市群為例[J].長江流域資源與環境，2021（11）：2618-2629.

17 YIN H，KONG F，MIDDEL A，et al.Cooling effect of direct green fa?ades during hot summer days：An observational study in Nanjing，China using TIR and 3DPC data[J].Building and Environment，2017

（116）：195-206.

18 WU J，ZHENG H，ZHE F，et al.Study on the relationship between urbanization and fine particulate matter （PM2.5） concentration and its implication in China[J].Journal of Cleaner Production，2018（182）：872-882.

19 CHANG Q，LIU X，WU J，et al.MSPA-Based Urban Green Infrastructure Planning and Management Approach for Urban Sustainability：Case Study of Longgang in China[J].Journal of Urban Planning and Development，2015（3）：5014006.

20 CHEN M，DAI F，YANG B，et al.Effects of urban green space morphological pattern on variation of PM2.5 concentration in the neighborhoods of five Chinese megacities[J].Building and Environment，2019（158）：1-15.

21 陳 明，戴 菲.基于形態學空間格局分析的城市綠地對熱環境的影響研究[J].生態環境學報，2021（1）：125-134.

22 黃 河，余坤勇，高雅玲，等.基于MSPA的福州綠色基礎設施網絡構建[J].中國園林，2019（11）：70-75.

23 于亞平，尹海偉，孔繁花，等.基于MSPA的南京市綠色基礎設施網絡格局時空變化分析[J].生態學雜志，2016（6）：1608-1616.

24 XIE M，GAO Y，CAO Y，et al.Dynamics and Temperature Regulation Function of Urban Green Connectivity[J].Journal of Urban Planning and Development，2015（3）：1-11.

25 陳 明，戴 菲.基于MSPA的城市綠色基礎設施空間格局對PM2.5的影響[J].中國園林，2020（10）：63-68.

26 許 峰，尹海偉，孔繁花，等.基于MSPA與最小路徑方法的巴中西部新城生態網絡構建[J].生態學報，2015（19）：6425-6434.

27 SAURA S，BERTZKY B，BASTIN L，et al.Global trends in protected area connectivity from 2010 to 2018[J].Biological Conservation，2019（238）：108183.