林冠结构组合模式揭示了基于林冠结构的途径，可增强城市森林的碳固存与降温效果

《BUILDING AND ENVIRONMENT》：Canopy structural combination patterns reveal structure-dependent pathways to enhance carbon sequestration and cooling in urban forests

　　

• •
  城市森林呈现出明显的冠层结构组合模式（CSCPs）。
• •
  CI_f 量化了超越公园平均效应的森林单元相对降温作用。
• •
  高大茂密的均匀森林表现出最强的碳 - 降温基准。
• •
  冠层 - 功能耦合在不同 CSCPs 之间发生变化，具有不同的功能响应。
• •
  基于 CSCPs 的评估识别了被全球平均值掩盖的差异。

引言

近几十年来，不透水表面的迅速扩张与近 348.7 亿吨碳排放有关，加剧了气候变暖并增加了生态系统稳定性和人类健康的风险 [1]。城市脱碳不仅需要减少运营能源相关排放以及建筑和基础设施中的隐含碳 [2,3]，例如通过材料优化和更低碳的结构解决方案如木材 [4]，还需要生态系统碳汇的贡献。在这一更广泛的整个生命周期碳框架内，城市森林提供了一种基于自然的途径，可以通过两条路径共同支持城市脱碳和降温：它们通过光合作用吸收大气碳以直接抵消碳排放；它们还降低地表和空气温度，从而减少建筑能源消耗并间接降低相关碳排放 [5]。因此，许多国家已将城市森林置于城市气候适应的中心，这体现在中国“森林城市”倡议和墨尔本“我们的绿色城市战略行动计划”中 [6]。然而，城市密集化继续限制种植空间 [7]。仅扩大绿地面积已不再足够。更紧迫的问题是如何在现有空间内调整冠层结构，以加强碳固存和降温。

城市森林种植长期以来一直由审美偏好引导 [8]。“结构决定功能”的概念和基于结构的森林管理后来阐明了树木空间排列如何塑造生态系统过程，导致了主要基于空间点模式分析的结构优化研究 [9]。这些方法仍然将树木简化为二维（2D）几何点。它们忽略了森林冠层的体积特性 [10,11]。基于激光雷达的遥感放松了这一限制，允许通过冠层结构多样性（CSD）来描述三维冠层生态位 [12,13]。CSD 超越了平面描述，通过量化冠层元素的物理排列和体积占用，为解释冠层内过程如辐射截获、气流交换和生物量积累提供了结构基础 [14,15]。因此，现有研究引入了冠层高度和冠层覆盖率等 CSD 指标，将其与从 CASA 模型估计的 NPP 或源自 Landsat 地表温度的公园降温指数结合起来，并测试了它们对碳固存或降温的独立影响 [16,17]。其他人则比较了指标重要性以识别用于冠层管理的结构驱动因素 [18]。

这些研究有一个共同的强烈假设：每个结构指标都有独立且可分离的效果，并且其方向和幅度在森林结构背景中保持大致一致。这一假设与三维冠层生态位的逻辑相冲突。城市森林功能并非由单一结构参数控制，而是由冠层高度、密度和结构复杂性的综合表现控制 [13]。这对双重功能评估至关重要。碳固存和降温依赖于不同的冠层过程。垂直分异和异质林分可以改善光能利用并促进生物量积累，从而增强碳固存 [19,20]。相比之下，茂密且连续的冠层更直接地减少来自地面和建筑表面的长波辐射并加强降温 [[21], [22], [23]]。几项研究进一步表明，冠层结构对双重功能表现的影响受整体林分背景的调节 [24,25]。增加结构多样性可能会改善高大茂密林分中的资源利用效率，但可能会加剧竞争或在低矮稀疏林分中降低功能 [26]。因此，全球平均效应为结构干预提供的指导有限。关键空白仍然存在：城市森林是否包含具有不同功能基准的明显冠层结构组合模式（CSCPs），以及这些 CSCPs 是否系统地改变 CSD 指标调节碳固存和降温的方式。

这个问题很少受到直接关注。大多数研究使用结构方程模型来估计从单个结构变量到生态系统功能的路径 [27]。它们很少测试相同的结构变量在不同冠层背景下是否改变效应方向。聚类提供了一种解决此问题的方法，因为它在测试功能之前按结构相似性对林分进行分组。层次聚类可以通过树状图揭示嵌套关系，但计算代价昂贵且对异常值敏感。K 均值聚类更适合高维连续冠层数据，因为它通过迭代质心更新将观测值划分为固定数量的可重复聚类 [28]。然而，其使用取决于识别代表性结构维度。无人机激光雷达（UAV-LiDAR），结合基于区域的方法，可以量化各种冠层属性，包括平均外层冠层高度（MOCH）、空隙比例（GFP）、起伏度和植被面积指数（VAI） [[29], [30], [31]]。由于描述三维冠层结构没有一致的标准，这些指标很难直接比较。主成分分析（PCA）提供了一个实用的解决方案。PCA 从高维结构变量中提取正交轴，允许识别独立结构维度并选择代表性指标 [32,33]。

机器学习现在广泛用于建模生态系统结构与功能关系。它可以捕捉非线性响应，并通常提高预测准确性 [17,34]。然而，过拟合和模型不透明度限制了生态解释 [35,36]。特别是，机器学习模型不容易将结构变量的影响与群落背景、林分类型或空间异质性分离。线性混合效应模型（LMMs）提供了一种更具可解释性的替代方案。它们估计固定结构效应，同时考虑样地、结构背景或空间单位之间的随机变异，并已被广泛应用于森林结构与功能的全球分析 [[37], [38], [39]]。然后可以从 LMMs 中推导出估算边际均值（EMMs），以在随机效应和协变量保持不变的情况下比较功能基准 [40]。这为比较 CSCPs 之间的双重功能基准提供了可辩护的基础。

在此，我们开发了一个基于 CSCPs 的框架，以检查城市森林中冠层结构的功能响应如何在不同结构背景中变化。我们首先使用 PCA 来识别描述三维冠层生态位的主要结构维度和代表性 CSD 指标。然后应用 K 均值聚类来定义典型 CSCPs。我们使用 LMMs 量化了每个 CSCP 内每个 CSD 指标与碳固存和降温之间的关系，并确定这两个功能是否显示出协调或发散模式。三个问题指导了分析。第一，城市森林是否包含统计上明显且生态上可解释的 CSCPs，以及什么结构组合定义了它们？第二，这些 CSCPs 在其碳固存和降温的功能基准上是否有差异？第三，CSD 指标与这些功能之间的关联在不同 CSCPs 中是否在效应方向或强度上发生转变，从而修改观察到的双重功能关系？

本研究测试冠层结构与生态系统功能之间的生态关系是否取决于结构背景。通过超越全球平均响应，它提供了一个数据驱动的基础，用于识别针对不同城市森林类型和双重功能目标定制的潜在冠层管理方向。

图 1。

章节片段

研究区域

本研究在中国黑龙江省省会哈尔滨进行（图 2）。哈尔滨在东北省府中森林覆盖率最高之一。其气候季节性强烈，冬长夏短，最高热暴露集中在七月和八月。该地区森林生长期一般从四月持续到十月 [41]。这一有限的生长期要求城市森林在...内实现相对高效的碳吸收

城市森林 CSCPs 的识别

CSD 指标的主成分分析显示，前三个主成分（PC1-PC3）解释了总方差的 85.7%，捕捉了城市森林三维冠层结构的主要维度（图 5A）。PC1 解释了 51.1% 的方差，并由冠层高度变量主导（图 5B），其中 MOCH 显示出最高的绝对载荷（载荷 = 0.41）。PC2 解释了 26.0% 的方差，主要与 GFP 相关（载荷 = 0.56，p < 0.05），而 VAI（-0.44）和 CF（-0.35）

CSCP 框架的可靠性

聚类可用于识别具有相似结构属性的森林属性、协同效益和响应关系 [62,63]。使用聚类来识别 CSCPs 与 Valbuena 等人 [64] 提出的框架一致，他们认为三维信息可以标准化生态系统形态特征并整合原本碎片化的结构描述符。重要的是，CSCP 识别程序结合了 PCA 和无监督聚类，并进行了

结论

本研究超越了城市森林结构的静态和一刀切评估，通过证明冠层对碳固存和降温的影响不是单个指标固定属性，而是嵌入在多维冠层结构组合模式（CSCP）中的状态依赖响应。通过整合无人机激光雷达衍生的冠层结构、基于 CASA 的 NPP_d、Landsat 衍生的地表温度和公园内森林降温指数（CI_f），我们确定了三个

CRediT 作者贡献声明

Yalin Zhai： 写作 – 审阅与编辑，写作 – 原始草稿，软件，方法学，数据整理。Lei Wang： 监督，资源，项目管理。Mohammad A Rahman： 写作 – 审阅与编辑，验证，监督。Yunlong Yao： 监督，项目管理。Jia Jia： 软件，方法学。Siqi Hao： 调查。Ruonan Li： 调查。Xinyu Zhang： 调查。Yuanyuan Chen： 调查。Baoliang Chang： 验证。Di Li： 资源。

Yalin Zhai|Lei Wang|Mohammad A Rahman|Yunlong Yao|Jia Jia|Siqi Hao|Ruonan Li|Xinyu Zhang|Yuanyuan Chen|Baoliang Chang|Di Li