温州城区绿地生物量时空动态变化研究

陆 超，沈建军，王秀云，朱汤军

（浙江省林业科学研究院，浙江 杭州 310023）

温州城区绿地生物量时空动态变化研究

陆 超，沈建军，王秀云，朱汤军

（浙江省林业科学研究院，浙江 杭州 310023）

2015年对浙江省温州市主城区的绿地生物量进行实测，其数据与Landsat OLI遥感数据建立生物量估算模型，利用2005年和2010年Landsat遥感影像对同时期城市绿地生物量进行了反演，得到绿地生物量的时空分布，分析温州市主城区绿地生物量的变化特征。结果表明，基于遥感数据和随机森林建模可以获得较为理想的城市绿地生物量反演结果；城区内绿地主要以混合像元的形式存在，像元生物量密度普遍较低；随着建成区的不断扩张，城市绿地总生物量明显增加，从2005年的223 783.80 t增加至2015年的405 191.09 t，生物量平均密度从12.36 t·hm-2上升至15.96 t·hm-2，且2010－2015年的增速更为显著；旧城区生物量也有较明显的增加，但平均生物量密度仍然明显低于建成区整体水平。未来城市发展应加强旧城区人口的疏导和绿地的合理规划，推行全方位多层次绿化，提高绿地生态效益。

温州市；城区；绿地；生物量；生物量估算模型；遥感

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

随着城市化进程的快速推进，城市人口剧增。工厂、企业数量的不断增多导致城市中CO2，CH4等温室气体的排放明显增多，有调查显示80%以上的CO2排放来自于城市[1]。近年来，中国大城市的环境问题频发，交通拥堵、雾霾、城市热岛等事件频繁见诸报端，城市生活质量和人居环境面临巨大挑战。另一方面，经济水平的提高，城市居民也越来越重视生活环境和质量，渴望接触自然、亲近自然，享受高质量的城市生态环境和户外生活。城市绿地是城市生态环境系统的重要组成部分，城市规模的扩大阻碍了居民与外部自然生态系统的接触，因而城市绿地成为城市居民接触自然，亲近自然的主要途径。它在美化环境的同时，不仅有益于人们的身心健康，而且可以吸收空气中CO2等气体。城市是一个人口密度相对较高的区域，城市绿地在CO2吸收及循环过程中所发挥的作用不断增强，成为城市生态系统中重要的碳汇。

遥感技术具有覆盖范围广，可重复观测的优点，在森林生物量、碳储量及其空间分布研究中发挥着越来越重要的作用。传统地面样方实测法只能获得点上的数据，不利于研究生物量的空间分布和变化，而遥感图像光谱信息具有良好的综合性和显示性，与样方实测数据结合，为大尺度森林生物量估算与长时间动态变化研究提供了重要途径。目前，众多研究者对自然山体或人工林等成片林地的生物量、碳储量的变化有较深入的研究[2-3]。城市绿地空间异质性较大、斑块破碎程度高，不利于城市绿地生物量、碳储量的计算。目前对于城市绿地方面已有众多研究成果[4-6]，但就大尺度、时间序列城市绿地生物量的研究还较少，难以确切地反映绿地生物量在时间序列中的变化过程和特征。

以浙江省温州市主城区为研究区，通过典型抽样的方法进行野外样地绿地生物量调查，首先基于多端元光谱混合分析模型，对Landsat TM/OLI影像进行亚像元分解，提取植被覆盖比例，再将其与波段反射率、归一化植被指数等因子一起输入随机森林回归模型，建立温州市主城区绿地生物量的遥感估算模型，并对不同时期城市绿地生物量进行反演，得到绿地生物量的时空分布，分析温州市主城区绿地生物量的变化特征，为该区域的绿地碳储量跟碳循环等研究提供参考。

1 研究区概况

温州市地处浙江东南沿海，27°02′ ～ 28°37′ N，119°37′ ～ 121°16′ E，亚热带海洋性季风气候，濒临东海，温暖湿润，雨量充沛，四季分明，冬无严寒，夏无酷暑，年平均气温17.3℃ ～ 18.3℃。温州市主城区包括瓯海区、龙湾区和鹿城区，总面积1 137.95 km2，其中建设用地254.90 km2，耕地、园地、林地等植被覆盖区域623.88 km2，水域131.49 km2，裸地及滩涂127.68 km2。建成区范围采用目视解译的方法，参考2015年的Google Earth高分影像，在Landsat影像上勾绘提取，2015年建成区面积为253.88 km2。

2 研究方法

2.1 数据来源与处理

地面生物量数据根据野外调查获得。2015年8－10月，选取温州市区公园绿地、防护绿地、居住区绿地3种类型绿地，设置120个面积为30 m×30 m的固定样地。其中公园绿地20个，居住区绿地20个，防护绿地80个（片林20个、道路绿地40个、河流绿地20个），详细记录样地基本信息，包括经纬度、海拔；样地内乔木层（胸径大于5 cm）采用每木调查（包括树高、胸径、冠幅和枝下高等），共实测乔木2 777株（包括高大的灌木），测得的植被胸径、树高大小分布如图1所示。同时在每块样地对角线上均匀设置3个2 m×2 m的灌草固定小样方，详细记录灌木种类、株数、盖度、高度以及草本种类、株数、盖度等指标。由于历史生物量实地调查数据难以获取，以2015年的实测数据与遥感数据建立生物量估算模型后，应用该模型，根据2005年和2010年的遥感影像，对2005年和2010年的城市绿地生物量进行回推。

本研究所用数据为美国地质勘探局（United States Geological Survey，USGS）提供的经过几何精校正的Landsat L1T级别数据。考虑绿地的季相变化带来的影响，所选影像都在植被生长旺盛期，分别为2005年9月24日和2010年9月22日的Landsat TM遥感影像，以及2015年8月3日的Landsat OLI遥感影像。这一时间段内的植物可以忽略落叶树种带来的绿化覆盖率对遥感专题信息提取的影响。根据影像的头文件对获取的2015年数据进行辐射定标，再采用ENVI 5.3中的FLAASH（Fast Line-of-sight Atmospheric Analysis of SpectralHypercubes）大气校正模块对影像进行大气校正，以减小大气因子的影响，获得最终的地物反射率结果。在此基础上，将2005年和2010年的影像采用伪不变特征（Pseudo-Invariant Features，PIFs）[7]法进行相对辐射校正。处理好的影像使用行政区划边界剪裁出研究区范围。

图1 温州城区绿化树木胸径和树高大小分布图Figure 1 Distrubtion of DBH and tree height of in urban area of Wenzhou

2.2 单木生物量模型

根据实地样地调查数据和生物量相容性模型[8]（表1），推算各样方绿地生物量（包括乔木层、灌木层以及草本层）。

表1绿地各生物类型二元生物量模型及检验指标Table 1 Forest resource index of state-owned in Zhejiang province

2.3 多端元光谱混合分析提取绿地覆盖率

绿地生物量的大小与绿地规模有直接的关系，而对于Landsat等中等分辨率影像来说，城市绿地像元多以混合像元形式呈现。本研究利用多端元光谱混合分析（Multiple Endmember Spectral Mixture Analysis，MESMA）提取每个像元的植被丰度信息，将其作为生物量反演模型的自变量因子。MESMA 在传统线性光谱混合分解（Linear Spectral Mixture Analysis，LSMA）的基础上，允许一个端元内包含多条光谱信息，同时允许在每一个像元上进行端元数量和种类的自由组合，克服了同一端元内地物之间的光谱异质性，使其模拟复杂环境中地表真实构成的能力显著提高。

本研究采用了植被、土壤、非透水面、水体和阴影5个端元。端元光谱直接从目标影像上进行采集。首先对Landsat 影像进行最小噪声分离（Minimum Noise Fraction，MNF），并进一步计算纯净像元指数（Pixel Purity Index，PPI）。动态链接高分影像、Landsat影像、PPI指数和波谱剖面工具，根据真实地物类型收集纯净像元的光谱信息，存入建立的候选波谱库中，候选波谱库利用VIPER Tools 1.5建立。在候选波谱库建立完成后，分别计算并比较每一条候选光谱的端元均方根误差（Endmember Average Root Mean Square Error，EAR）[9]、平均光谱角（Minimum Average Spectral Angle，MASA）[10]以及CoB值（Count-based Endmember Selection）[11]，选择低EAR值、低MASA值或者高in_CoB值且低out_CoB值的候选光谱为最佳端元波谱[5]。MESMA模型以端元光谱库为基础，通过对所有的端元进行组合，为每一个像元建立一系列LSMA模型。每一个LSMA模型中默认包含阴影端元，阴影端元的每个波段反射率都为0值。选取均方根误差最小的模型作为该像元的最优像元，遍历所有像元，为每一个像元选取最优模型。模型运行完成后进行阴影标准化[12]和比例归一化，提取植被丰度信息，作为变量之一输入随机森林模型。

2.4 模型自变量

利用遥感影像波段信息、各种衍生指数与样地实测生物量建立模型估测森林生物量是目前最为常见的技术手段之一。本文研究区为城市建成区，主要为平原地区，研究区内海拔、经纬度、气象条件等变化不大，因此本文生物量反演模型自变量主要考虑来自遥感数据提供的信息。模型自变量包括6个多光谱波段反射率（不包括热红外波段和Landsat 8海岸波段），4个常用植被指数（NDVI，RVI，SAVI，EVI）、3个主成分分析变量（PC1-PC3）、3个缨帽变换因子（亮度、绿度、湿度）、1个混合像元解混因子（植被丰度）。

2.5 随机森林回归模型

随机森林是一种统计学习理论，其对噪声或者过拟合现象具有较强的鲁棒性[13]。它由一系列的独立分类和回归树构成，每一棵树都通过可放回的随机重复采样Bootstrap生成，并且对每个Bootstrap样本都进行决策树建模，最后选择所有预测回归树的权重平均值或重复程度最高的分类树作为最终结果，形成随机森林。利用R软件的random forest函数包，随机选择70%的样地数据与相应的遥感数据构建随机森林回归模型，30%的样地数据进行模型评估，采用决定系数（R2）和均方根误差（Root Mean Square Error, RMSE）来评价不同模型的精度，计算公式如下：

3 结果与分析

3.1 模型精度

随机森林预测的生物量与实测生物量之间的关系，估测生物量与实测生物量建立的回归方程决定系数为0.73，RMSE为23.39。Dube等[14]使用的Landsat 8数据反演特殊林种的生物量时，最好的模型预测精度R2为0.71，RMSE为10.66 t·hm-2。Kelsey等[15]在对西南科罗拉多的生物量制图时，预测的生物量与实测生物量的相关性为0.86。与已有文献的生物量估测精度相比，本研究所采用模型获得了较理想的精度，可用于进一步进行动态分析。

3.2 总体生物量变化情况

图2显示了研究区绿化植被地上生物量的分布情况。由于本研究区为城市建成区，城市内部大范围的山体森林均已抠除，城市绿地主要由公园绿地、附属绿地、防护绿地等组成，绿地覆盖面积也相对较小，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较低。少量生物量高值主要来自面积较大的留存自然绿地。这一结果与此前一些针对城市绿地生物量的研究类似。

随着建成区的不断扩张，城市绿地总生物量增加明显，2005年为223 783.80 t，2010年为304 039.08 t，2015年为405 191.09 t。整个建成区的生物量平均密度2005年为12.36 t·hm-2，2010年为13.73 t·hm-2，2015年为15.96 t·hm-2，2010－2015年期间的增速为2005－2010年的1.62倍。这是由于随着近年来城市建成区环境的不断改善，众多公园的建立及附属绿地、防护绿地的持续增加，城市建成区内生物量总体呈现增加趋势。

图2 温州市建成区不同时间生物量密度（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 旧城区生物量变化情况

以2005年建成区范围作为旧城区，进一步分析旧城区城市绿地生物量变化情况。结果表明，2005－2015年旧城区生物量也有较明显的增加，总生物量从2005年的223 783.80 t增加至2015年的263 336.56 t，生物量密度从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显高于2005－2010年。此外，旧城区平均生物量密度仍然明显低于建成区整体水平。

4 结论与讨论

本研究对温州市主城区，基于实地样方数据，利用Landsat数据提取遥感参数构建了随机森林模型，对建成区范围内城市绿地生物量进行了建模估算，并进一步分析了2005－2015年主城区城市绿地生物量随着城市化进程的变化情况。

分析表明，基于遥感数据和随机森林建模可以获得较为理想的城市绿地生物量反演结果。随着建成区的不断扩张，城市绿地总生物量增加明显，2005年为223 783.80 t，2010年为304 039.08 t，2015年为405 191.09 t。城市建成区内绿地主要以公园绿地、道路绿地、附属绿地、防护绿地等组成，绿地覆盖面积也相对较小，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较低。刘博[16]对杭州市西湖区的研究表明，城市居住区的平均生物量密度为11.06 t·hm-2，明显低于山地森林区。张结存[17]对杭州市的研究结果也表明居住区的平均生物量密度基本在10 ～ 20 t·hm-2，有明显植被覆盖的区域如大片保留林、自然湿地等平均生物量密度则较高。本研究建成区的生物量平均密度2005年为12.36 t·hm-2，2010年为13.73 t·hm-2，2015年为15.96 t·hm-2。2010－2015年期间的增速更为显著。这主要是由于自2010年起，温州加速推进国家园林城市和国家森林城市建设，大力实施城区绿化工程，不断加大城市绿化建设力度，新建杨府山公园、白鹿洲公园等70个城市公园，数百个小游园和居住区、单位附属绿地，以及瓯海大道、温瑞塘河等道路、河道沿线绿地。同时，在旧城区重点实施了一系列绿化改造措施，如“两拆两绿”、“见缝插绿”、“拆违建绿”等，促使旧城区绿地生物量密度的加速上升。但由于旧城区人口密集，商业用房和居民住宅紧密相连，绿化空间有限，而且旧城区住宅用地多为老式小区，小区附属绿化不够，旧城区平均生物量密度仍然明显低于建成区整体水平。因此，在未来城市建设过程中，应加强对旧城区人口的疏导，合理规划生态绿地，继续加大城市绿地建设的投入力度，应该见缝插针的进行全方位绿化，利用乔、灌、花组成多层次垂直绿化，提高绿视率和生态效益。

[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] 杨伟志，赵鹏祥，薛大庆，等. 基于Landsat-8影像的西宁市南北山森林生物量估测模型研究[J]. 西北林学院学报，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，朱锦茹等. 森林生态体系快速构建[M]. 北京：中国林业出版社，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] 刘博. 基于高分辨率影像的杭州西湖区绿地生物量研究[D]. 临安：浙江农林大学，2015，39－43.

[17] 张结存. 杭州城市绿地生物量遥感估计及时空格局变化研究[D]. 临安：浙江农林大学，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

浙江省省属科研院所扶持专项（2014F30021）；浙江省公益技术研究农业项目（2014C32118）

陆超，助理研究员，从事林业碳汇研究；E-mail：luchao535@163.com。通信作者：朱汤军，研究员，从事林业碳汇研究；E-mail：zhtj1965@163.com。