城市藍(lán)綠空間格局對(duì)碳固存的影響測(cè)度及關(guān)鍵指標(biāo)?

袁旸洋 郭 蔚 湯思琪 楊明珠 汪瑞軍

1 東南大學(xué)建筑學(xué)院 南京 210096

2 江蘇省城鄉(xiāng)與景觀數(shù)字技術(shù)工程中心 南京 210096

3 合肥工業(yè)大學(xué)建筑與藝術(shù)學(xué)院 合肥 230601

近年來(lái)CO2等溫室氣體排放加速全球變暖,引發(fā)了系列環(huán)境和社會(huì)問(wèn)題。 為應(yīng)對(duì)氣候變化所產(chǎn)生的威脅, 2016 年?巴黎協(xié)定? 敦促世界各國(guó)通過(guò)實(shí)際行動(dòng)減少溫室氣體排放, 增強(qiáng)固碳能力,減緩全球變暖的速度[1]。 我國(guó)在第75 屆聯(lián)合國(guó)大會(huì)上提出了碳中和、 碳達(dá)峰戰(zhàn)略。 城市雖然僅占全球陸域總面積的3%, 卻產(chǎn)生了超過(guò)70%的碳排放[2]。 由此, 城市在我國(guó)“雙碳” 戰(zhàn)略的實(shí)施中具有關(guān)鍵地位, 推動(dòng)城市空間碳源匯結(jié)構(gòu)與布局向綠色低碳轉(zhuǎn)型成為當(dāng)下重要的研究?jī)?nèi)容。

城市藍(lán)綠空間 (Urban blue-green space,UBGS) 是城市發(fā)展過(guò)程中留存或新建的綠色空間和藍(lán)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(tài)系統(tǒng)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(xiàn)者, 其產(chǎn)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(lán)色空間是巨大的碳庫(kù)。 除了植被、 土壤的固碳釋氧功能,城市藍(lán)綠空間還可以通過(guò)緩解城市熱島效應(yīng)、 改善人居環(huán)境微氣候, 促進(jìn)居民綠色出行等途徑,間接減少碳排放[5]。 綜上, 藍(lán)綠空間具有直接增碳匯、 間接減碳排的雙重生態(tài)效益, 是城市中發(fā)揮碳匯效益的主要載體[6]。

以往關(guān)于城市藍(lán)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(shù)的植被凈初級(jí)生產(chǎn)力(Net Primary Productivity, NPP)[9－10]估算已廣泛應(yīng)用于區(qū)域和城市尺度。 有學(xué)者從城鄉(xiāng)規(guī)劃學(xué)和生態(tài)學(xué)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(zhǎng)周期[13]對(duì)城市藍(lán)綠空間碳匯的影響機(jī)制。 例如: Li 等[14]證明城市中森林面積的增大對(duì)NPP 有正向影響； Yang 等[15]研究了NPP 對(duì)土地利用變化的響應(yīng)認(rèn)為, 耕地向林地和草地的轉(zhuǎn)換可以有效提高生態(tài)系統(tǒng)固碳能力。景觀格局是市域生態(tài)空間尺度影響碳匯功能提升的關(guān)鍵因素。 城市藍(lán)、 綠空間具有相似的自然生態(tài)屬性, 在生態(tài)功能和物質(zhì)交換、 能量流動(dòng)等自然過(guò)程中相互影響、 相互依存, 具有強(qiáng)關(guān)聯(lián)性和整體性[16], 共同構(gòu)成了城市自然碳匯系統(tǒng)。 現(xiàn)有研究多從單一綠色空間中格局及群落構(gòu)成的角度展開[17－18], 而已有研究證實(shí), 城市水體對(duì)綠地的碳匯能力提升具有一定促進(jìn)作用, 當(dāng)下關(guān)于城市整體藍(lán)綠空間格局對(duì)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(fā), 以合肥中心城區(qū)為例, 采用景觀格局指標(biāo)量化2000、 2010、 2020年城市藍(lán)綠空間格局特征, 基于機(jī)器學(xué)習(xí)的XGBoost-SHAP 模型測(cè)度藍(lán)綠空間格局特征對(duì)NPP的影響, 并解譯其關(guān)鍵指標(biāo), 解析城市藍(lán)綠空間格局特征如何影響碳固存(Carbon sequestration),旨在為高質(zhì)量發(fā)展背景下基于碳增匯目標(biāo)的城市藍(lán)綠空間格局優(yōu)化提供參考, 助力城市藍(lán)綠空間融合發(fā)展。

1 研究區(qū)概況

合肥位于安徽省中部(117°E, 31°N), 屬長(zhǎng)三角城市群, 天然山水稟賦良好, 呈現(xiàn)“嶺湖輝映” 的藍(lán)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(rùn)季風(fēng)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(lái), 合肥城市快速擴(kuò)張、 人口增長(zhǎng)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(huán)境建設(shè), 積極響應(yīng)生態(tài)文明建設(shè)戰(zhàn)略, 出臺(tái)了一系列政策聚焦于城市環(huán)境修復(fù), 藍(lán)綠空間在發(fā)展中得到保護(hù)與恢復(fù)。 從國(guó)土區(qū)位、 發(fā)展特點(diǎn)、 自然資源等方面來(lái)看, 合肥是長(zhǎng)江中下游高密度城市發(fā)展的典型代表之一。本文的研究范圍為合肥市中心城區(qū), 即?合肥市國(guó)土空間總體規(guī)劃(2021—2035 年) ? 中市轄區(qū)范圍, 包括蜀山、 包河、 瑤海、 廬陽(yáng)4 個(gè)行政區(qū),總面積為1 312.5 km2。

2 研究方法

選取2000、 2010、 2020 年的數(shù)據(jù)進(jìn)行研究,以避免單個(gè)年份的遙感及氣象數(shù)據(jù)因精度、 極端氣候等因素帶來(lái)誤差。 主要內(nèi)容包括城市藍(lán)綠空間格局特征量化、 碳固存計(jì)算、 關(guān)鍵指標(biāo)分析與解譯。

2.1 數(shù)據(jù)獲取與處理

本研究所采用的數(shù)據(jù)包括土地利用數(shù)據(jù)、 氣象數(shù)據(jù)、 植被類型數(shù)據(jù)、 NDVI 數(shù)據(jù)(表1)。 從地理空間數(shù)據(jù)云平臺(tái)(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(tái)對(duì)影像進(jìn)行輻射定標(biāo)、 大氣幾何校正、 條帶修復(fù)等處理。 根據(jù)中國(guó)土地利用/土地覆蓋遙感監(jiān)測(cè)數(shù)據(jù)分類系統(tǒng)(LUCC) 遙感解譯處理后的影像, 將其劃分為耕地、 林地、草地、 建設(shè)用地、 水體、 未利用地6 類, 得到各期合肥市土地利用分類數(shù)據(jù)。 采用Kappa 系數(shù)對(duì)分類后圖像精度評(píng)估驗(yàn)證, 總體精確度達(dá)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(lán)色空間, 獲得2000、 2010 與2020 年合肥中心城區(qū)藍(lán)綠空間分布圖(圖1)。

圖1 合肥中心城區(qū)藍(lán)綠空間分布

表1 數(shù)據(jù)來(lái)源及處理

2.2 基于CASA 模型的NPP 計(jì)算

采用NPP 表征城市藍(lán)綠空間碳固存能力, 選用CASA 模型進(jìn)行計(jì)算。 CASA 模型由Potter等[21]1993 年提出, 用于表征陸地生態(tài)系統(tǒng)中H2O、 C 和N 通量跟隨時(shí)間演變而不斷變化的生態(tài)系統(tǒng)過(guò)程, 適合區(qū)域尺度的NPP 研究和估算[22], 計(jì)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(jí)生產(chǎn)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(shí)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(yáng)輻射和植物本身的特征, APRA 的計(jì)算公式如下:

式(2) 中:SOL(x,t) 表示t時(shí)期像元x在t月的太陽(yáng)總輻射 (單位: MJ ? m－2?month－1)；FPAR(x,t) 為植被層對(duì)入射光合有效輻射的吸收比例； 常數(shù)0.5 表示植被所能利用的太陽(yáng)有效輻射占太陽(yáng)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(duì)光能利用率的脅迫作用系數(shù)；Wε(x,t) 為水分脅迫的影響系數(shù)；εmax是理想條件下的最大光能利用率(單位: gC?MJ－1)?；贜PP 計(jì)算結(jié)果, 使用自然斷點(diǎn)法對(duì)計(jì)算結(jié)果分級(jí), 得到合肥中心城區(qū)3 年的NPP 空間分布(圖2)。

圖2 合肥中心城區(qū)2000、 2010、 2020 年NPP 空間分布

2.3 城市藍(lán)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(biāo)量化城市藍(lán)綠空間格局特征(表2)。 斑塊層指標(biāo)強(qiáng)調(diào)單個(gè)藍(lán)綠斑塊的特征, 類型層側(cè)重表征藍(lán)綠空間整體形態(tài)特征, 采用Fragstats 4.3 軟件計(jì)算。 由于城市區(qū)域的藍(lán)綠空間格局表現(xiàn)出高度的空間異質(zhì)性和尺度依賴性[23], 需選取適宜的移動(dòng)窗口尺度。 通過(guò)粒度和幅度分析方法確定60 m 為最適合研究區(qū)的粒度值, 400 m 作為格局計(jì)算時(shí)移動(dòng)窗口的大小。

表2 藍(lán)綠空間格局特征指標(biāo)

2.4 XGBoost 模型構(gòu)建與SHAP 方法解譯

eXtreme Gradient Boosting (XG-Boost) 機(jī)器學(xué)習(xí)模型是由Chen 等[24]提出的一種結(jié)合監(jiān)督學(xué)習(xí)和集成學(xué)習(xí)方法的極限梯度提升樹算法。 針對(duì)本研究數(shù)據(jù)集龐大、 特征復(fù)雜的問(wèn)題, XGBoost 模型訓(xùn)練結(jié)果穩(wěn)定、 模型訓(xùn)練效率高, 可很好地避免過(guò)擬合現(xiàn)象的發(fā)生[25]。

本研究分別基于斑塊層和類型層2 類指標(biāo)及其對(duì)應(yīng)的3 年NPP 值, 構(gòu)建6 個(gè)數(shù)據(jù)集。 以2020年為例, 采用ArcGIS10.7 軟件的隨機(jī)取樣工具創(chuàng)建隨機(jī)取樣點(diǎn)20000 個(gè), 將斑塊層各指標(biāo)和NPP計(jì)算值提取至點(diǎn)。 在建立類型層數(shù)據(jù)集時(shí), 考慮到取樣點(diǎn)分布的均勻性及數(shù)據(jù)量, 創(chuàng)建隨機(jī)取樣點(diǎn)40000 個(gè), 剔除不屬于藍(lán)綠空間的點(diǎn)。 為避免模型的過(guò)擬合現(xiàn)象發(fā)生, 對(duì)數(shù)據(jù)集進(jìn)行了正則化處理, 將80%的數(shù)據(jù)作為訓(xùn)練集、 20%的數(shù)據(jù)作為測(cè)試集用于模型驗(yàn)證。 其次, 借助貝葉斯優(yōu)化方法(Tree-structured Parzen Estimator, TPE) 調(diào)整XGBoost 模型超參數(shù), 選取模型中主要超參數(shù)n＿estimators、 max＿depth、 learning＿rate 進(jìn)行優(yōu)化。之后, 選擇平均絕對(duì)誤差(Mean Absolute Error,MAE)、 均方根誤差 (Root Mean Squared Error,RMSE) 和決定系數(shù)(R2) 做為預(yù)測(cè)效果的評(píng)價(jià)指標(biāo), 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(yàn)證法檢驗(yàn)?zāi)Ｐ偷姆夯芰?對(duì)預(yù)測(cè)模型精度進(jìn)行估計(jì)[27]。 驗(yàn)證結(jié)果6 個(gè)數(shù)據(jù)集的均方根誤差RMSE、 評(píng)價(jià)絕對(duì)誤差MAE 均較小, R2值均接近1, 十折交叉驗(yàn)證結(jié)果為0.699~0.942, 表明建立的XGBoost 模型在訓(xùn)練集和測(cè)試集上的精度水平符合預(yù)期要求。

SHAP (SHapley Additive exPlanations) 方法由Lundberg 和Lee[28]提出, 可準(zhǔn)確解釋機(jī)器學(xué)習(xí)模型中每個(gè)特征對(duì)結(jié)果的貢獻(xiàn)度, 提供全局模型和單個(gè)特征的局部解釋結(jié)論, 適用于解譯城市藍(lán)綠空間格局多個(gè)特征對(duì)碳固存的影響關(guān)系。 同時(shí),SHAP 與XGBoost 集成良好, 可通過(guò)Tree SHAP 算法有效地估計(jì)SHAP 值[29], 公式如下。

式(4) 中:shap(Xji) 為觀測(cè)i的第j個(gè)特征的shap值, 表示該特征對(duì)預(yù)測(cè)的邊際貢獻(xiàn)。

假設(shè)一個(gè)XGBoost 模型, 其中一組N (具有N 個(gè)特征) 用于預(yù)測(cè)輸出v (N)。 在SHAP 中,每個(gè)特征Φi是特征i 的貢獻(xiàn), 對(duì)模型輸出v (N)的貢獻(xiàn)是基于它們的邊際貢獻(xiàn)分配的, 公式如下:

式 (5) 中:p是特征的總數(shù)； {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(yù)測(cè)。

3 結(jié)果與分析

3.1 特征重要程度

斑塊層指標(biāo)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(lái)看, FRAC 在3 年中, 對(duì)NPP 的影響程度均最高, 說(shuō)明藍(lán)綠斑塊形狀的復(fù)雜程度對(duì)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(xiàn)度排序?yàn)榍?, 表明藍(lán)綠斑塊的鄰近度、 面積、 距離與碳固存有較強(qiáng)的相關(guān)性。 類型層指標(biāo)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(duì)NPP 的影響程度均最高。 由此, 藍(lán)綠空間整體形狀的復(fù)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?yàn)榍?, 這表明藍(lán)綠空間整體的連通性、 破碎度、 形狀復(fù)雜性對(duì)于碳固存有較強(qiáng)的影響。 綜上, 從特征重要程度排序可見(jiàn)斑塊層中的FRAC、 CONTIG、AREA 和ENN 是影響碳固存的4 個(gè)關(guān)鍵指標(biāo),類型層的關(guān)鍵指標(biāo)是 ED、 COHESION、DIVISION 和LSI。

圖3 城市藍(lán)綠空間格局特征重要程度排序

3.2 關(guān)鍵指標(biāo)分析

3.2.1 斑塊層指標(biāo)

由圖4 可知, 3 年中, 斑塊層指標(biāo)對(duì)NPP 影響趨勢(shì)基本相似。 表征斑塊形狀的FRAC、 CIRCLE中, FRAC 反映藍(lán)綠斑塊的形狀, 與NPP 呈正相關(guān), 即隨著單個(gè)藍(lán)綠斑塊形狀復(fù)雜程度的增加, 碳固存能力增強(qiáng)。 這可能是生態(tài)斑塊形狀越復(fù)雜, 斑塊與其他斑塊之間的物質(zhì)和能量信息交換越頻繁,對(duì)斑塊的生態(tài)功能輻射越有利。 城市建成密度較高的區(qū)域大量藍(lán)綠空間因受建筑、 道路等硬質(zhì)邊界的限制, 形狀規(guī)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(lán)綠空間斑塊, 其形狀復(fù)雜且受環(huán)境影響較小, 斑塊內(nèi)部的生態(tài)結(jié)構(gòu)較為穩(wěn)定, 碳固存能力更高。 CIRCLE 表征藍(lán)綠斑塊的近圓指數(shù), 與NPP 呈負(fù)相關(guān)。 CIRCLE 值接近1時(shí), 其形狀越接近線形, NPP 值顯著降低, 即線形藍(lán)綠斑塊的碳固存能力較低。 合肥中心城區(qū)的線形藍(lán)綠斑塊主要是十五里河、 南淝河等水體及兩側(cè)綠地, 以及道路綠地。 河道等線性藍(lán)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(lán)綠之間的物質(zhì)交換, 限制了固碳能力的發(fā)揮。 而道路綠地碳固存不高的原因可能是由于機(jī)動(dòng)車排放的CO2濃度過(guò)高, 對(duì)道路兩側(cè)綠化植物的碳固存能力產(chǎn)生一定的脅迫作用。

表征藍(lán)綠斑塊分布的ENN、 CONTIG 與NPP均呈負(fù)相關(guān)。 其中, ENN 表征藍(lán)綠斑塊之間的距離, 其與NPP 呈負(fù)相關(guān), 表明藍(lán)綠斑塊在空間分布上呈現(xiàn)更加分散的狀態(tài)時(shí), 不利于碳固存能力的發(fā)揮。 ENN 越小意味著城市藍(lán)綠斑塊的聚集度越高、 破碎度越低, 越有利于發(fā)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(rèn)為景觀破碎化會(huì)引起碳固存能力降低, 與本文的研究結(jié)論基本一致。 景觀破碎度的增加會(huì)直接影響生境質(zhì)量[32], 若藍(lán)綠空間的破碎度過(guò)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(lán)綠空間的破碎導(dǎo)致彼此聯(lián)系減弱, 阻斷了物質(zhì)交換與能量流動(dòng)。 研究表明, 藍(lán)綠空間的結(jié)構(gòu)改變會(huì)直接影響植被的固碳功能[33], 進(jìn)而影響生態(tài)系統(tǒng)的凈初級(jí)生產(chǎn)力。 二是藍(lán)綠空間的聚集程度將通過(guò)影響溫度等植被生長(zhǎng)環(huán)境, 從而影響固碳能力。 大量研究證實(shí)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(lán)綠空間溫度相對(duì)較低, 避免了高溫對(duì)植物光合作用的脅迫, 影響植物的固碳能力[34]。 CONTIG 表征藍(lán)綠斑塊鄰近度, 其值在[0, 0.6] 區(qū)間, SHAP值保持穩(wěn)定, 但在 [0.6, 1.0] 區(qū)間, 隨著CONTIG 值的增大, SHAP 值下降。 其原因是: 在合肥中心城區(qū)內(nèi), 綠地中的綠色植物是發(fā)揮固碳作用的主體, 而CONTIG 較高的區(qū)域?yàn)槌埠?董鋪水庫(kù)、 大房郢水庫(kù)等大面積水域, 藍(lán)綠空間中水體占比過(guò)大, 導(dǎo)致其固碳量較低。

表征斑塊大小的AREA、 PERIM 與NPP 的相關(guān)性趨勢(shì)相似, 均表現(xiàn)為指標(biāo)值越大, SHAP 值越高, 與NPP 呈正相關(guān), 即藍(lán)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(dāng)AREA 與PERIM 的值在0 附近時(shí), 對(duì)應(yīng)的NPP 值變化區(qū)間較大。 原因可能有二: 一是形狀的差異導(dǎo)致相似面積大小的藍(lán)綠斑塊碳固存能力有所不同； 另一個(gè)是藍(lán)綠斑塊中不同的植物種類與群落結(jié)構(gòu)造成了相同面積下碳固存的差異。 因此, 針對(duì)城市中尺度較小的藍(lán)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(yīng)關(guān)注斑塊形狀和空間分布的調(diào)控。

3.2.2 類型層指標(biāo)

表征藍(lán)綠空間形狀的ED、 LSI 與NPP 均呈現(xiàn)正相關(guān)(圖5)。 其中, ED 指標(biāo)在[0, 125] 區(qū)間的NPP 值上升趨勢(shì)加劇, 在[125, 200] 區(qū)間的NPP 值上升趨勢(shì)減緩, 表明藍(lán)綠空間的生態(tài)效益存在邊緣效應(yīng), 其與周邊環(huán)境之間的界面越長(zhǎng),越有利于碳匯功能的發(fā)揮。 同時(shí), ED、 LSI 均體現(xiàn)了藍(lán)綠空間形狀的復(fù)雜程度, 均與NPP 正相關(guān), 表明藍(lán)綠空間整體形狀越復(fù)雜、 固碳效果越好。 其原因在于: 藍(lán)綠空間整體的形狀復(fù)雜度提升, 使之與周圍環(huán)境間的界面更長(zhǎng)[4], 藍(lán)綠斑塊之間、 藍(lán)綠斑塊與其他斑塊之間的物質(zhì)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(guī)則的藍(lán)綠斑塊形態(tài)會(huì)降低其冷島效應(yīng), 使環(huán)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(guān)鍵影響指標(biāo)分析

DIVISION 和AI 分別表征藍(lán)綠空間破碎度與聚集度。 當(dāng)AI 值在80 時(shí), SHAP 值最高, 當(dāng)[80, 100] 時(shí), SHAP 值降低, 即NPP 降低, 這是因?yàn)檠芯繀^(qū)內(nèi)AI 值[80, 100] 的區(qū)域?yàn)樗w,而水體的碳匯效益明顯低于綠地。 DIVISION 與NPP 的正負(fù)關(guān)系不明晰, 原因在于綠地的破碎度較高, 而水體較低, 藍(lán)綠空間碳匯機(jī)制的不同對(duì)結(jié)果造成了一定的影響。 與此類似的是表征藍(lán)綠空間占比的PLAND, 其與NPP 的關(guān)系呈現(xiàn)出一定的波動(dòng)性, 筆者認(rèn)為主要原因在于合肥中心城區(qū)內(nèi)藍(lán)綠空間區(qū)域中水體的占比較大。

COHESION 表征藍(lán)綠空間分布上的連通性,與NPP 呈現(xiàn)顯著的正相關(guān), 即藍(lán)綠空間的連通度越高, 越有利于碳固存。 這說(shuō)明城市藍(lán)綠空間的連通性是影響城市生態(tài)環(huán)境效益的重要因素, 連通性的增加有助于改善城市藍(lán)綠空間的均衡布局,更好地發(fā)揮降溫效應(yīng), 為植物提供良好的生長(zhǎng)環(huán)境, 從而增強(qiáng)植物的碳固存； 另一方面, 藍(lán)綠空間連通性的增大可改善土壤水文連通性, 水文通過(guò)影響土壤養(yǎng)分含量, 調(diào)節(jié)植物營(yíng)養(yǎng)元素濃度從而影響植被生長(zhǎng)和固碳效率[37－38]。

4 城市藍(lán)綠空間格局優(yōu)化策略

本研究的模型計(jì)算結(jié)果證實(shí)了城市藍(lán)綠空間格局對(duì)其碳固存能力存在影響, 指征藍(lán)綠斑塊形狀的FRAC、 CONTIG、 AREA、 ENN 以及表征藍(lán)綠空間關(guān)系的ED、 DIVISION、 COHESION、 LSI均是關(guān)鍵的影響指標(biāo)。 通過(guò)提取并比對(duì)高碳匯區(qū)域(圖6), 據(jù)此提出以碳增匯為目標(biāo)的城市藍(lán)綠空間格局規(guī)劃優(yōu)化策略。

圖6 典型高碳匯藍(lán)綠空間圖譜單元

1) 規(guī)劃與管理者要重視藍(lán)綠斑塊形狀的調(diào)整與優(yōu)化。 對(duì)于面積較小, 規(guī)模受限的藍(lán)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(diào)控。 本研究發(fā)現(xiàn)藍(lán)綠斑塊邊緣密度和斑塊形狀復(fù)雜程度對(duì)碳固存具有促進(jìn)作用。 因此, 一方面應(yīng)針對(duì)沿湖沿河地區(qū), 加強(qiáng)岸線保護(hù), 增加邊緣式斑塊如濱江濕地、 林地的建設(shè), 合理利用巢湖沿岸的藍(lán)綠空間資源； 同時(shí), 進(jìn)一步恢復(fù)城市發(fā)展中被填埋的溝、 渠、 小溪等水網(wǎng)末端支流、修復(fù)邊角綠色空間, 增大自然形態(tài)的藍(lán)綠空間占比。 另一方面, 針對(duì)地塊或街區(qū)尺度的藍(lán)綠空間設(shè)計(jì), 需對(duì)藍(lán)綠空間形態(tài)進(jìn)行精細(xì)化調(diào)控, 避免形狀過(guò)于規(guī)則的藍(lán)綠斑塊, 在藍(lán)綠空間與灰色空間之間增加過(guò)渡區(qū)域, 增大藍(lán)綠空間的滲透作用。

2) 提高城市藍(lán)綠空間的聚集度、 降低破碎度、 提高連通性。 在市域及城區(qū)尺度上, 根據(jù)原有藍(lán)綠空間的形態(tài)特征及空間組合模式開展針對(duì)性地規(guī)劃設(shè)計(jì)。 針對(duì)較大規(guī)模藍(lán)綠斑塊, 如大蜀山、 紫蓬山、 巢湖等自然林地和水體, 須嚴(yán)守政府制定的生態(tài)保護(hù)紅線, 設(shè)立生態(tài)核心區(qū), 限制建設(shè)用地的擴(kuò)張, 避免破碎化的發(fā)生； 河道、 道路綠化等線性藍(lán)綠廊道, 應(yīng)盡量增加其寬度； 關(guān)注新增藍(lán)綠空間與周邊藍(lán)綠空間之間的連接, 織補(bǔ)城市中心城區(qū)藍(lán)綠空間網(wǎng)絡(luò), 提升城市藍(lán)綠斑塊之間的連通性。

5 結(jié)論

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

從格局特征的重要性程度來(lái)說(shuō), 在斑塊層中,城市藍(lán)綠空間格局的FRAC、 CONTIG、 AREA 和ENN 是影響碳固存的4 個(gè)主要特征； 在類型層中, ED、 COHESION、 DIVISION 和LSI 是影響碳固存的4 個(gè)主要特征。 在形態(tài)方面, 城市藍(lán)綠斑塊的形態(tài)特征較面積特征對(duì)碳固存的影響更突出。在一定閾值內(nèi), 城市藍(lán)綠斑塊的形狀越復(fù)雜越有利于其碳固存的發(fā)揮, 線性藍(lán)綠空間斑塊的碳固存能力明顯低于面狀藍(lán)綠空間。 此外, 藍(lán)綠斑塊之間的距離越大, 其碳固存能力越低。 在分布方面, 藍(lán)綠空間聚集度越高、 破碎度越低、 碳匯效益越好。 同時(shí), 藍(lán)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(shù)據(jù)精度的限制, 以及生態(tài)過(guò)程復(fù)雜性的制約, 城市藍(lán)綠空間碳固存的量化難以做到精準(zhǔn)化。 其次, 在更小尺度上, 植物種類、 樹木覆蓋度、 植物群落結(jié)構(gòu)等是影響碳固存的重要因素。今后可以從多尺度、 系統(tǒng)化出發(fā), 在關(guān)鍵影響指標(biāo)研究的基礎(chǔ)上, 進(jìn)一步探究水體對(duì)不同植被類型綠地碳固存能力的促進(jìn)機(jī)制, 研究藍(lán)色空間對(duì)綠色空間固碳的增效作用。 城市藍(lán)綠空間是復(fù)雜且動(dòng)態(tài)變化的三維實(shí)體, 未來(lái)可將城市藍(lán)綠空間的三維形態(tài)特征、 拓?fù)淇臻g網(wǎng)絡(luò)引入研究； 此外,還可基于城市化進(jìn)程中藍(lán)綠空間格局演變特征,探討城市化對(duì)于碳固存的影響, 更加全面深入地分析城市藍(lán)綠空間形態(tài)特征與碳固存之間的關(guān)聯(lián)。