通过整合高分辨率土地覆盖数据和物种特异性排放因子提高亚热带城市生物源挥发性有机化合物（BVOC）估算精度

《Journal of Hazardous Materials》：Improved BVOC Estimation Accuracy by Integrating High-resolution Land Cover and Species-specific Emission Factor in a Subtropical City

　　

## 摘要

生物源挥发性有机化合物（BVOCs）是近地面臭氧（O?）的关键前体物，但由于粗分辨率的土地利用数据和基于植物功能类型（PFT）的排放因子（EFs）无法捕捉碎片化的植被和种间变异，其不确定性仍然很高。本文通过整合卫星数据与地面植物调查数据，开发了适用于中国厦门的10 m物种特异性BVOC排放框架。利用14个优势物种的现场测量和文献数据，建立了涵盖115个树种的本地化BVOC排放因子数据库。高分辨率制图更好地分辨了碎片化的城市植被，将城市贡献从500 m分辨率的1.71%提高到10 m分辨率的5.58%。物种特异性框架估计的年BVOC排放量（35.03 Gg）高于基于PFT的500 m（23.96 Gg）和10 m（31.29 Gg）方法，同时纠正了松林在统一PFT排放因子下单萜排放被低估的问题。Monte Carlo模拟显示不确定性显著降低，变异系数降至1.69。O?生成潜力集中在山区森林，其中马尾松占总排放量的28.26%–34.59%。本研究强调了整合高分辨率和物种级别数据对改善BVOC估计和支持有针对性的O?缓解策略的重要性。

## 1. 引言

挥发性有机化合物（VOCs）是近地面臭氧（O?）形成的关键前体物[1], [2]。在全球陆地生态系统中，生物源VOCs（BVOCs）约占非甲烷VOCs总排放量的75%–90%，在调节大气氧化能力和O?产生方面发挥着重要作用[3], [4]。近年来，随着造林、生态恢复和城市绿化的持续扩展，以及气候变暖驱动的全球绿化趋势，BVOCs排放呈现出持续增长的趋势[5], [6], [7], [8]。与此同时，随着减排措施的实施，许多地区的人为VOCs排放显著下降，导致BVOCs对O?形成的相对贡献日益增大[9], [10], [11]。在夏季，甚至在春季和秋季的部分时段，BVOCs已成为近地面O?形成的重要天然前体物[12]。鉴于BVOCs的排放速率比人为VOCs更大、化学活性更高，系统研究BVOCs排放的时空格局及其对O?生成的贡献至关重要，以便实现对人为和生物源VOCs来源的协同管理，有效缓解近地面O?污染。

许多研究在区域、国家乃至全球尺度上采用空间分辨率为500 m或更粗的土地利用产品进行BVOC排放建模[13], [14]。然而，如此粗糙的空间分辨率不足以捕捉小型和碎片化的植被斑块，导致BVOCs排放被低估甚至被遗漏，特别是在城市绿地中[15]。近期一项使用GEE-MEGAN框架的研究发现，基于10–30 m土地利用数据的夏季BVOCs排放估计值比使用MEGAN2.1默认500 m土地利用输入的估计值高出1.6–25倍，涉及伦敦、洛杉矶、巴黎和北京等城市[16]。尽管一些研究人员尝试通过聚合高分辨率土地利用数据集（如30 m或10 m）到500 m网格来改善输入数据[17], [18]，但这种方法仍然平滑了细尺度的空间异质性，掩盖了城市环境中BVOCs排放的真实分布。近年来，快速的城市扩展和加强的绿化工作大幅增加城市植被，2000至2020年间全球城市绿地面积扩大了10.62×10? km2[19]。在中国，城市绿地的面积和覆盖率分别增长了302.30%和50.35%[20]。城市绿地为公共健康和生态系统服务提供了多重效益，但也将BVOCs直接注入富含NO?的城市大气中，可能促进高效的O?生成，是城市O?水平调控的重要来源[5], [21], [22]。迄今为止，已有几种高分辨率土地利用产品能够在街区尺度识别城市绿地，例如Dynamic World、FROM-GLC10（更高分辨率全球土地利用观测与监测）、中国土地利用数据集（CLCD30）以及欧洲航天局（ESA）WorldCover[23], [24]。与常用的500 m土地利用产品相比，采用10 m分辨率的土地利用数据集可以更准确地估计城市尺度的BVOCs排放，并更好地捕捉细尺度的空间异质性[25]。

然而，仅依靠遥感获取的土地利用数据缺乏树种组成和分布信息[26], [27]。以往的BVOCs排放估计通常将陆地生态系统分类为有限数量的PFT，通常从4到16个类别不等[28], [29], [30]，这不足以表征亚热带城市植被组成的复杂性。此外，由于物种特异性BVOC排放因子测量数据的稀缺，大多数研究依赖于分配给每个PFT的全球平均排放因子，从而忽视了BVOCs排放中显著的种间变异，并在BVOCs排放的强度和空间分布方面引入了不确定性[31], [32], [33]。近期开发的针对中国本地化植物物种特异性BVOC排放因子库使全国BVOCs排放估计值比使用全球排放因子数据库的结果高出18%[34]。尽管如此，这些改进主要通过细化排放因子实现，而植被分布的空间表征仍然主要依赖于遥感土地利用产品或PFT分类。因此，将高分辨率卫星遥感数据与地面森林调查数据整合以构建树种级别的植被分布数据集，并配合本地化物种特异性排放因子，可能为降低BVOCs排放估计的不确定性、改善其空间格局表征提供了一种有效途径，特别是在异质性强的亚热带城市景观中。

本研究在中国高度城市化的亚热带沿海城市厦门进行。我们整合了卫星遥感数据与厦门森林、草原、湿地及荒漠化调查数据和城市景观植物调查数据，构建了树种级别的高分辨率植被分布数据集。同时，使用动态闭室系统结合热脱附-气相色谱-质谱联用技术，对释放的主要BVOCs——异戊二烯和单萜——的排放速率进行了14个优势树种的现场测量。这些测量数据与文献数据结合，建立了本地化物种特异性BVOC排放因子数据库。基于BVOC排放因子和排放活性因子，我们在不同空间分辨率（500 m和10 m）和植被分类方案（PFT和树种）下量化了BVOCs排放的时空分布。随后，使用最大增量反应性（MIR）法评估了BVOCs排放的O?生成潜力。通过整合高分辨率土地利用数据和物种特异性排放因子，本研究旨在提高BVOCs估计精度，实现对O?生成潜力（OFP）热点和关键贡献树种的正确识别，从而为优化城市树种组成和改善近地面O?污染缓解策略提供科学指导。

## 2. 材料与方法

### 2.1 BVOC排放估算与数据来源

#### 2.1.1 土地利用和LAI数据集

本研究使用两种不同空间分辨率的土地利用数据集来估算厦门的BVOCs排放，均从Google Earth Engine平台获取。这些包括分辨率为500 m的MODIS数据产品MCD12Q1和分辨率更高的10 m Dynamic World数据集[35]。

为弥补遥感数据缺乏树种信息的局限性，我们使用ArcGIS 10.8（Esri，美国加利福尼亚州雷德兰兹）将Dynamic World数据集与多个实地调查数据集进行整合，包括厦门森林、草原、湿地及荒漠化调查数据集和城市景观植物调查数据集，构建了厦门树种分布矢量数据集。该数据集包含植被覆盖类型、小班面积、树种名称及其比例等属性，以及基于表S1中的物种特异性比叶面积（SLA）值和BVOC排放因子按比例计算得出的小班级别的SLA值及异戊二烯、单萜、倍半萜和其他BVOC的排放因子。此外，基于10 m Dynamic World数据集识别的植被区域，我们生成了10 m分辨率的物种特异性BVOC排放因子和SLA数据。

500 m分辨率的月尺度叶面积指数（LAI）数据取自MODIS产品MCD15A3H。10 m分辨率的月尺度LAI数据由地理遥感生态网络云平台（www.gisrs.cn）提供，基于PROSAIL辐射传输模型从Sentinel-2A/B MSI L2A地表反射率数据反演获得。在聚合到500 m分辨率后，Sentinel反演的LAI与MODIS MCD15A3H产品呈显著相关性（图S1，R = 0.709，p < 0.001），表明两种数据集之间具有良好的一致性。两种LAI产品均表现出相似的季相动态，冬季LAI值较低，夏季达到峰值。

#### 2.1.2 基于PFT的BVOC排放因子

基于PFT的方案使用相同的PFT和BVOC排放因子。对于MCD12Q1土地利用数据集，PFT基于LC_Type5分类定义，厦门地区包括常绿阔叶林、常绿针叶林、灌木、草地、谷物作物和阔叶作物。这些被重新分类为五个类别：阔叶树、针叶树、灌木、草地和作物。对于Dynamic World土地利用数据集，原始PFT类别包括树木、灌木和灌丛、洪泛植被、草地和作物。为与基于MCD12Q1的分类保持一致，树木类别按照MCD12Q1分类进一步分为阔叶树和针叶树。洪泛植被主要由红树林组成，被重新分类为灌木。每个PFT的异戊二烯、单萜、倍半萜和其他BVOC的排放因子取自MEGAN3.1排放因子库。

#### 2.1.3 气象数据

BVOC排放活性因子是驱动BVOC排放速率变化的因素，主要包括温度、光照、土壤水分和CO?浓度[36]。在估算BVOC排放时未考虑土壤水分，因为研究期间厦门的日土壤水分（2024年为0.21–0.30 m3 m?3）始终高于MEGAN算法中定义的土壤水分胁迫阈值[37]。

我们利用厦门36个气象站的月气温数据，使用ANUSPLIN插值方法[38]生成了500 m和10 m分辨率的月平均气温图。如图S2所示，气象站遍布整个研究区。插值前，数据经过标准化处理，包括去除异常值和填充缺失值。随后，利用来自地理遥感生态网络云平台（www.gisrs.cn）的500 m和10 m分辨率数字高程模型（DEM）数据，将气象站观测值共同插值，生成月平均温度的空间分布图[39], [40]。

500 m空间分辨率的月平均光合有效辐射（PAR）通过降尺度太阳辐射数据使用光合光子通量密度的标准转换系数推导得出。基础太阳辐射数据取自欧洲中期天气预报中心第五次再分析（ERA5）数据集，分辨率约为0.1°，随后使用Delta方法[42]降尺度到500 m。然后，将500 m分辨率的月PAR数据通过最近邻法重采样到10 m，并按每个500 m像元内对应10 m像元的标准化LAI进行空间再分配，从而在保持每个500 m像元内PAR总量不变的前提下生成10 m分辨率的月PAR数据。

### 2.2 基于野外实测的物种特异性BVOC排放因子

#### 2.2.1 BVOC采集

根据地面森林调查数据，厦门共有115种常见树种。我们选择了14个优势物种进行野外BVOC排放测量，包括相思树、南洋杉、木麻黄、樟树、火焰木、龙眼、桉树、黄葛树、垂叶榕、圆柏、栾树、枫香、马尾松和海芒果，这些物种合计占树木总数量的60%以上。每个物种选取3株健康成熟的个体，于2024年7月至8月的晴天在8:00–10:00、12:00–14:00和16:00–18:00三个时段进行BVOC排放采样。共采集了126个样本（14个物种×3株个体×3个时段）。此外，每个物种每个时段采集1个空白样本（通过空旁路线采集的环境空气），共42个空白样本，用于扣除背景VOC浓度。使用动态闭室系统进行采集，该系统由空气采样泵、干燥管、O?洗涤器、特氟龙袋和含有Tenax GR与Carbopack B的吸附管依次通过特氟龙管连接组成。

系统流速设定为200 mL min?1，采样时间为30 min [43]。在BVOC采样过程中，使用COS-03传感器和LI-6400 XT仪器（LI-COR公司，美国内布拉斯加州林肯市）分别同步测量空气温度和光合有效辐射。采样完成后，收集采样袋内的叶片以测量叶面积和干重 [43]。

2.2.2. BVOC分析

使用热脱附（TD）装置和配备DB-624毛细管的顶空进样器的气相色谱-质谱联用仪（GC-MS）对采样管进行分析。热脱附时，BVOC在280°C下从吸附管中脱附10 min，随后被吸附在维持在?30°C的冷阱中，然后以40°C s?1的速率快速升温至280°C。气相色谱柱温初始保持40°C，然后以5°C min?1升至95°C，再以20°C min?1升至165°C并保温1 min，最后以12°C min?1升至220°C并保温3 min。质谱离子源温度设定为200°C，质谱扫描范围为40–210 m/z。采用外标法鉴定和定量8种BVOC，包括异戊二烯（78-79-5）、α-蒎烯（80-56-8）、沙宾烯（3387-41-5）、β-蒎烯（127-91-3）、α-松油烯（99-86-5）、D-柠檬烯（5989-27-5）、γ-松油烯（99-85-4）和α-松油醇（586-62-9）[43]。每种BVOC的标准曲线建立了6个浓度水平，所有相关系数均高于0.995。

BVOC排放速率（Ef）按式（1）计算。

(1) Ef = M/(m×t)

其中，M（μg）为采样期间植物排放的BVOC质量，m（g）为采样袋内叶片的干重，t（h）为采样时长。

2.2.3. 种特异性排放因子的确定

基于G93经验模型，利用式（2）和式（3）计算了优势14种树种的异戊二烯和单萜烯的EF值，即环境条件为环境温度303 K和光合有效辐射1000 μmol m?2 s?1时的BVOC排放速率。

(2) Es(iso) = Ef(iso) × [0.0027 × 1.066 × P / √(1 + (0.0027)2P2)] × {exp[95000 × (T ? 303) / (8.314 × 303 × T)]} × {1 / [1 + exp(230000 × (T ? 314) / (8.314 × 303 × T))]}

(3) Es(ter) = Ef(ter) × exp[0.1 × (T ? 303)]

全部115个物种的二萜烯和其他BVOC的EF值，以及未纳入实地测量的其余101种植物的异戊二烯和单萜烯的EF值，均从已发表文献中汇编。优先选用报告同一物种EF值的研究；当缺乏此类数据时，按照分类学层级从最近的同属或同科物种中分配数值。为确保代表性，优先选用在亚热带地区开展且环境条件与厦门相近的研究。若报告了基于自然或近自然野外条件下成熟健康树木的研究，则优先选用这些研究。当同一物种存在多个文献值时，选择中位数以减少离群值的影响。尽管仅实地测量了14个物种，但所有基于文献的其他物种赋值均依据系统发育亲缘关系和当地生长条件进行了仔细交叉验证，以确保整体可靠性。最终，我们构建了涵盖115种亚热带物种的BVOC EF数据集，包含实测和文献推导的异戊二烯、单萜烯、二萜烯、其他BVOC及SLA的EF值，所有来源和赋值详见附表S1和S2。

2.3. BVOC排放建模算法

BVOC排放估计采用基于MEGAN框架的简化排放模型。异戊二烯排放受光照和温度共同驱动，而单萜烯、二萜烯和其他BVOC的排放主要取决于温度。异戊二烯排放（Eiso）按式（4）、（5）、（6）计算 [44]、[45]、[46]。

(4) Eiso = D × Es(iso) × rT × rP

(5) rT = 1.9 × exp[0.125 × (Td ? 301)] × {230 × exp[95 × (T ? 312.5 ? 0.5 × (Td ? 301)) / (R × T)]} / {312.5 + 0.5 × (Td ? 301)} ? 95 × {1 ? exp[230 × (T ? 312.5 ? 0.5 × (Td ? 301)) / (R × T)]}

(6) rP = 1.42 × exp[?0.3 × LAI] × {(0.001 + 0.00085 × LAI) × P} / √{1 + (0.001 + 0.00085 × LAI)2P2}

其中，D（g）为叶片干重；Es(iso)（μg g?1 h?1）为异戊二烯EF；rT和rP分别代表与植物异戊二烯排放相关的温度因子和光照因子；T（K）为空气温度；Td（K）为模拟期间的平均空气温度；P（μmol m?2 s?1）为光合有效辐射。

单萜烯、二萜烯和其他BVOC的排放（Eter）按式（7）和（8）量化。

(7) Eter = D × Es(ter) × RT

(8) RT = exp[0.1 × (T ? 303)]

其中，Es(ter)（μg g?1 h?1）表示植物单萜烯、二萜烯和其他BVOC的EF值；RT为与植物单萜烯、二萜烯和其他BVOC排放相关的温度因子。

为评估空间分辨率和物种级信息对BVOC排放估计的影响，我们使用Python 2.7和ArcGIS 10.8在三种情景下模拟了异戊二烯、单萜烯、二萜烯和其他BVOC的月度排放：（1）使用MCD12Q1土地覆盖产品以及500 m分辨率的LAI、T和PAR数据集，结合PFT的EF值（500 m基于PFT的BVOC）；（2）使用Dynamic World土地覆盖产品以及10 m分辨率的LAI、T和PAR数据集，结合PFT的EF值（10 m基于PFT的BVOC）；（3）使用与情景（2）相同的10 m LAI、T和PAR数据集，结合基于Dynamic World土地覆盖、树种分布数据和当地物种EF清单导出的10 m物种级EF值（10 m基于物种的BVOC）（图1）。

图1. 模拟BVOC排放的三种情景。

2.4. BVOC排放的臭氧生成潜势

为比较不同区域或树种的相对O?生成潜力，评估了BVOC排放的OFP（臭氧生成潜势）。OFP（g O? m?2 yr?1）通过最大增量反应性法按式（9）计算，该指标代表理想化化学条件下的理论最大O?生成潜力，而非大气中的实际O?产生量 [47]、[48]。

(9) OFP = Σ(Ek × MIRk)

其中，Ek（g BVOC m?2 yr?1）代表BVOC物种k的排放量，MIRk为该BVOC物种k的最大增量反应系数，异戊二烯、单萜烯、二萜烯和其他BVOC的MIR值分别为10.61、4.18、1.71和3.78（g O? g?1 BVOC）[20]、[48]。

2.5. 基于Monte Carlo模拟的不确定性评估

为定量表征BVOC排放估计中的不确定性，采用Monte Carlo模拟方法进行了10,000次迭代，纳入多种不确定性来源，包括模型参数、BVOC EF值、植被结构参数（LAI、SLA）和环境驱动因子（T、PAR）[49]。输入参数的不确定性分布见附表S3。分别使用500 m和10 m基于PFT的数据集进行模拟，以评估输入数据分辨率对估计不确定性的影响。此外，还针对10 m树种数据集进行了模拟，以进一步评估植被分类精细度对不确定性的影响。

3. 结果与讨论

3.1. BVOC排放对空间分辨率的敏感性

2024年厦门的BVOC总排放量基于500 m和10 m空间分辨率数据集分别为23.96 Gg yr?1和31.29 Gg yr?1（图2A、B）。500 m分辨率下较低的BVOC总排放量主要由MODIS衍生的较低LAI值导致（图3A、B）。500 m分辨率存在严重的混合像元效应，植被信号被单个像元内的建成区、不透水面、水体和裸地稀释，这在厦门等高度城市化地区尤为突出 [50]、[51]、[52]。相比之下，基于Sentinel-2获取的10 m LAI能够更准确地捕捉纯植被像元和碎片化城市绿地，从而真实反映冠层密度并支持更高的BVOC排放估计 [53]、[54]。本研究中观测到的BVOC组成与以往研究结果一致 [55]、[56]、[57]，异戊二烯（500 m和10 m分辨率下分别为35.06%和26.82%）和单萜烯（23.86%和26.98%）为主要BVOC类别（图2A、B）。

图2. 基于PFT估计的500 m和10 m分辨率下BVOC排放总量和组成（A、B）以及空间分布（C、D）。

图3. 基于PFT估计的500 m（A、C）和10 m（B、D）分辨率下BVOC排放组成的月际变化，以及城市BVOC排放比例与温度（T）和叶面积指数（LAI）的关系。

空间上，两个数据集的BVOC排放分布相似，高排放区域集中在北部山区（图2C、D）。然而，500 m数据集中城市BVOC排放的贡献比例明显低于10 m数据集。城市区域在500 m分辨率下仅占总排放量的1.71%，而在10 m分辨率下这一比例显著上升至5.58%（图2A、B）。这一差异主要源于粗分辨率产品固有的土地覆盖分类偏差。具体而言，在城市边界内，MCD12Q1产品映射的树木（?21.88 km2）、灌木（?1.97 km2）和作物（?3.22 km2）面积明显小于10 m Dynamic World数据集（图S3A）。这一差异可能归因于混合像元效应，即小型碎片化城市植被斑块（如行道树、口袋公园）在粗分辨率（500 m）像元中被不透水面掩盖，导致其被系统性漏检 [58]、[59]、[60]。因此，粗空间分辨率限制了细尺度植被特征的探测，使土地覆盖输入端的误差传播至BVOC通量计算。相反，在非城市区域，MCD12Q1报告的树木和草地面积大于Dynamic World，分别超出101.03 km2和20.93 km2（图S3A）。在城市中心以外的高植被覆盖区域，粗分辨率像元即使含有较大比例的非植被成分也可能被分类为植被，导致树木覆盖面积估计虚高 [35]、[61]、[62]。因此，500 m数据集在非城市区域的异戊二烯排放估计高于高分辨率数据集（图S3B）。

时间上，500 m和10 m数据集均表现出显著的BVOC排放季节动态，冬季为最低值（1月分别为0.40 Gg和0.51 Gg，2月分别为0.51 Gg和0.60 Gg），春季快速上升，7月达到峰值（500 m为4.65 Gg，10 m为5.77 Gg），8月次之（500 m为4.18 Gg，10 m为5.09 Gg），秋季逐渐下降（图3A、B）。这种季节模式与以往亚热带森林的野外观测和区域模拟研究一致，这些研究普遍报告因气象条件和植被活动的季节变化而导致BVOC排放夏季最高、冬季最低 [63]。BVOC排放的时间变化紧密跟随月均气温（T）（图3A、B），证实了温度是关键驱动因子 [64]、[65]。夏季峰值与最高温度同步出现，与BVOC排放的已知温度依赖性一致 [49]、[66]。异戊二烯全年均为优势组分并主导BVOC总量的季节动态，其在夏季的显著增强是BVOC总量观测峰值的主要驱动力（图3A、B）。

除500 m分辨率下城市BVOC贡献的整体低估外，两种空间分辨率之间城市BVOC排放的季节动态还存在显著差异，这体现在月际城市贡献模式中（图3C、D）。城市BVOC贡献受温度和LAI共同调控，但其在不同空间分辨率下的数值和季节振幅差异显著。在500 m分辨率下，城市贡献全年相对较低且稳定，在1.11%至1.99%之间波动，7月和9月贡献较高（图3C）。7月的最大值可归因于城市热岛效应驱动的城市与总量温度比值升高 [67]，而9月的峰值可能源于城市LAI维持较高水平与非城市区域开始出现衰老同时发生。在10 m分辨率下，城市贡献显著更高（4.48%–6.19%），且表现出更明显的季节变率（图3D）。由于碎片化城市植被探测的改善，城市贡献受LAI动态强烈影响 [68]、[69]。主要峰值前移至3月，反映了碎片化城市植被早期快速展叶，尽管非城市LAI（1.98）在绝对值上高于城市LAI（1.26）。这种物候异步性在城市与总量LAI比值中产生了一个瞬态峰值，而在500 m分辨率下被掩盖。6月和7月贡献较高则源于UHI驱动的温度增强作用在这一较大植被面积上的叠加效应。总体而言，高分辨率数据集（10 m）能够更准确地捕捉城市区域内植被结构动态及其季节变率，导致更大的季节振幅和显著更高的城市BVOC贡献估计值。

3.2. 基于PFT与基于物种的BVOC排放估计对比

利用我们构建的当地BVOC EF数据集，对厦门115种树种的异戊二烯和单萜烯EF值进行对数变换后，基于欧氏距离进行k-means聚类分析，以阐明不同树种间排放模式的差异。

聚类分析将物种划分为四个显著不同的组别（图S5），反映了截然不同的BVOC排放特征。第1组由高异戊二烯和高单萜排放物种组成，主要包括亚热带城市绿化中广泛使用的阔叶树种，如龙眼、蒲桃、九里香和驱蚊树。第2组由高单萜排放但相对低异戊二烯排放的物种组成，如马尾松、火炬松、落叶松、侧柏、水杉、日本柳杉和千头柏。第3组以高异戊二烯但相对较低的单萜排放为特征，包括合欢、芒果、法国梧桐、凤凰木和木麻黄。第4组包含异戊二烯和单萜排放普遍较低的物种，如香樟、桂圆、无患子、白兰和紫薇。各组之间的清晰分离表明了BVOC排放潜力在种间存在显著变异[70]。与前人观测一致[34]，同一PFT内的异戊二烯和单萜排放因子跨度超过一个数量级，凸显了统一参数化的局限性。在调查的115种树种中，阔叶树占88.89%，异戊二烯排放因子范围为0至8761.58 μg m?2 leaf h?1，单萜排放因子范围为0至3776.14 μg m?2 leaf h?1（表S1）。针叶树占11.11%，异戊二烯排放因子范围为0至98.09 μg m?2 leaf h?1，单萜排放因子范围为0至2471.71 μg m?2 leaf h?1（表S1）。然而，传统的基于PFT的BVOC排放估算方法对阔叶树统一分配异戊二烯排放因子2942.72 μg m?2 leaf h?1和单萜排放因子587.09 μg m?2 leaf h?1，对针叶树则分配异戊二烯排放因子98.09 μg m?2 leaf h?1和单萜排放因子977.28 μg m?2 leaf h?1，这引入了显著的结构不确定性[71]，[72]。基于10 m分辨率的物种特异性BVOC排放因子，厦门市BVOC总排放量估算为35.03 Gg yr?1。相比之下，10 m PFT方法得出的BVOC总排放量比物种特异性方法估算值低10.68%（图4）。具体而言，10 m PFT方法产生的异戊二烯排放估算值高出4.75 Gg yr?1，而单萜排放估算值低5.84 Gg yr?1，构成了总差异的主要部分。这种偏差在厦门尤为显著，高单萜排放物种占树木总量的72.65%（图S5）。并且，广泛分布的物种如马尾松（2471.71 μg m?2 leaf h?1）和龙眼（3776.14 μg m?2 leaf h?1）的单萜排放因子远远超过标准PFT值。因此，在厦门依赖统一的PFT因子会导致单萜排放估算值低于物种特异性方法。在北部山区观察到明显差异（图4A、B），该区域实际分布着松阔混交林，而在500 m和10 m土地利用数据集中，这些区域均被划分为阔叶树（图S4）。因此，PFT方法产生了较高的异戊二烯排放估算值（主要由阔叶树排放）和较低的单萜排放估算值（主要由针叶树排放）[43]，[73]。此外，PFT方法产生的倍半萜排放估算值高出0.89 Gg yr?1（图4C），其他BVOC排放估算值低2.74 Gg yr?1（图4D）。差异也主要集中在北部山区（图4D），该区域马尾松和火炬松广泛分布。这些物种的其他BVOC排放因子相对较高，分别为2471.71 μg m?2 leaf h?1和2637.76 μg m?2 leaf h?1（表S1），远远超过PFT框架中针叶树的默认值890.27 μg m?2 leaf h?1[14]。下载：下载高清图片（1MB）下载：下载全尺寸图片 图4. 10 m分辨率下PFT方法与物种特异性估算之间在异戊二烯（A）、单萜（B）、倍半萜（C）和其他BVOC（D）排放上的差异。重要的是，基于物种的BVOC分布揭示了不同的排放热点，准确反映了景观真实的生物源排放潜力（图5A）。相比之下，基于PFT的地图显示出平滑的空间模式，由于统一排放因子的分配，峰值排放被衰减（图2B）。这种均质化在BVOC排放的强度和空间分布上都引入了结构偏差。因此，纳入物种特异性排放参数对于捕捉空间异质性、大幅降低不确定性和提高区域BVOC排放评估的可靠性至关重要，尤其是在物种丰富的亚热带景观中。下载：下载高清图片（923KB）下载：下载全尺寸图片 图5. 10 m分辨率下基于物种特异性估算的BVOC排放（A）及相应臭氧生成潜力（OFP）（B）的空间分布。BVOC排放和OFP的月际变化（C），以及优势物种对OFP的月度贡献（D）。为进一步评估模拟BVOC排放的空间真实性，将月度异戊二烯排放量与2024年厦门植被像元上Sentinel-5P Offline HCHO产品获取的独立TROPOMI HCHO柱浓度进行了对比（图S6）。三种估算情景均观察到显著的正相关关系（p < 0.001）。相对较低的相关系数可能反映了HCHO柱浓度代表的是生物源和人为VOCs在整个大气柱中氧化产物的积分，而非地表异戊二烯排放的直接观测[74]。此外，HCHO柱浓度的空间分辨率（1113.2 m）远粗于我们的10 m数据集，因此无法完全解析模型捕捉的精细尺度异质性。尽管如此，显著的正相关关系表明模拟的BVOC分布与卫星观测基本一致，支持了排放清单整体空间真实性的结论。3.3 BVOC排放对O3形成的影响 基于物种特异性BVOC排放，2024年厦门BVOC排放产生的总OFP约为158.81 Gg，其中异戊二烯、单萜、倍半萜和其他BVOC分别占24.36%、37.58%、2.18%和35.88%。与BVOC排放的空间模式相似，高OFP区域主要集中在北部山区（图5A、B）。城市区域OFP强度显著较低，平均为11.37 g O3 m?2 yr?1，而非城市区域峰值高达610.22 g O3 m?2 yr?1（图5B）。城市区域相对较低的OFP主要归因于较低的植被覆盖率和以排放能力相对较低的树种为主导，如香樟，导致生物源O3前体物供应有限。时间上，OFP呈现清晰的季节趋势（图5C），由温度和植被物候的协同效应驱动。6月至9月OFP升高（图5C），与前人研究确认的BVOC是夏季对流层O3浓度的关键贡献者一致。7月温度和LAI的年度最大值共同驱动了OFP的显著峰值（图5C）。这是因为高温呈指数级促进BVOC产生和挥发背后的酶促过程，而最大LAI反映了更大的叶片生物量，共同增强了生物源前体物排放[75]，[76]，[77]。全年来看，马尾松始终是总OFP的主要贡献者，占28.26%–34.59%，其次是火炬松，占7.15%–8.73%，香樟占2.26%–2.73%，橡胶树占1.33%–1.67%，侧柏占1.35%–1.52%，凤凰木占1.00%–1.52%（图5D）。然而，基于我们的物种特异性BVOC排放估算，马尾松和火炬松的相对OFP贡献在6月至9月呈现下降趋势，而橡胶树的贡献则显著增加（图5D）。这种季节转变可归因于物种特异性BVOC排放特征及其对环境因子（尤其是温度和光照）的差异响应[78]，[79]。马尾松和火炬松的BVOC排放以单萜为主（图S5）。尽管夏季高温增强了单萜排放速率，但增幅遵循相对温和的指数曲线。相比之下，橡胶树主要以异戊二烯排放为主，该化合物的生物合成和排放对光照和温度高度敏感。在夏季强太阳辐射和温度经常超过30°C的条件下，异戊二烯排放速率急剧增加，通常呈超指数响应[49]，[80]，[81]。此外，异戊二烯的大气反应活性（MIR = 10.61 g O3 g?1 BVOC）显著高于单萜（MIR = 4.18 g O3 g?1 BVOC），使其在单位质量排放下的O3形成效率不成比例地高。此外，物候特征进一步强化了这一季节模式。马尾松和火炬松的常绿特性使其全年叶生物量和排放能力相对稳定，而橡胶树作为阔叶树种，在夏季完成完全展叶。这种LAI的季节性增加放大了冠层级别的异戊二烯总排放，进一步增强了该时期橡胶树的OFP贡献。综合而言，物种特异性排放化学性质、差异环境敏感性和物候时机的共同效应驱动了所观察到的物种级别OFP贡献的转变。我们的结果进一步强调了O3管理策略中应考虑树种选择的重要性[82]，[83]。在北部山区的高OFP区域，特别是松材线虫病造成大量树木损失的地方，用BVOC排放速率较低的树种替代马尾松，如火炬松、落叶松和辐射松，可以在维持植被覆盖的同时有效减少生物源前体物来源。在郊区，龙眼等低排放经济树种提供了实用替代方案，既支持空气质量管控又促进地方经济发展。对于城市绿地，应优先选择低BVOC排放树种，包括香樟和无患子，同时应限制温度敏感的高异戊二烯排放树种如橡胶树在城市绿化中的应用。但需要注意的是，实际O3形成不仅取决于BVOC排放，还取决于NOx浓度、VOC/NOx敏感性区域、气象条件、大气传输和复杂的光化学反应过程。未来研究整合大气化学模型（如WRF-Chem或CMAQ）将能够更全面地评估BVOC排放对O3污染的影响。3.4 BVOC排放估算的不确定性 根据蒙特卡洛模拟，500 m和10 m分辨率的PFT方法以及物种方案得出的BVOC排放估算值落在模拟分布的中位数和均值之间（图6A），表明与概率结果吻合良好。500 m PFT方法的BVOC排放估算值不确定性最高，变异系数（CV）为4.56，相对于23.96 Gg yr?1的BVOC排放计算值，95%置信区间范围为?45%至+265%（图6B）。10 m PFT方法的BVOC排放估算值略有改善但仍存在显著不确定性，CV为3.66，相对于31.29 Gg yr?1的BVOC排放计算值，95%置信区间范围为?39%至+260%（图6B）。这表明仅提高空间分辨率（从500 m到10 m）在采用相同PFT参数化方案时仅能边际性降低不确定性。下载：下载高清图片（127KB）下载：下载全尺寸图片 图6. 基于蒙特卡洛模拟的BVOC排放不确定性评估：（A）小提琴图显示模拟BVOC排放的分布，菱形表示蒙特卡洛模拟得出的均值；（B）三种估算情景的计算BVOC排放及蒙特卡洛95%置信区间和百分比不确定性：500 m PFT方法、10 m PFT方法和10 m物种特异性方法。相比之下，10 m物种特异性方法提供了最可靠和最一致的估算值，CV显著降低至1.69，95%置信区间大幅收窄至?34%至+162%（图6）。这一显著改善主要源于用物种特异性数值替代了粗略的PFT级别排放因子、分布区域和叶片性状参数，从而减少了结构偏差，特别是Pinus主导森林中单萜排放的低估问题。尽管物种特异性框架大幅降低了不确定性，但仍存在若干不确定性来源，包括物种特异性排放因子、模型参数化和气象输入[3]，[84]，[85]。对于实地测量的树种，单萜排放因子由本研究量化的七种主要单萜的排放总和推导得出。尽管这些化合物代表了所调查亚热带树种排放的主要单萜组分，但额外的微量单萜未被包含，可能会导致估算的单萜总排放存在一定的不确定性。此外，ANUSPLIN插值气温与2024年全部12个月的ERA5-Land再分析数据表现出良好的整体一致性（图S7），支持了BVOC建模中所用空间温度场的可靠性。5月至11月观察到相对较大的偏差，这可能反映了粗分辨率ERA5-Land数据（约11 km）与10 m ANUSPLIN估计值之间的固有空间尺度不匹配。

高分辨率插值能够捕捉到局地地形效应和城市热岛信号，而再分析数据中对这些信号进行了大幅平滑处理。这些系统性偏差并未改变不同情景下 BVOC 估算值的相对比较，因为我们的建模框架在整个过程中应用了一致的温度输入。然而，由于气象站数量有限以及插值算法固有的简化，温度场可能无法完全分辨与特定下垫面（如城市冠层和森林内部）相关的微气候变异性。未来研究可以通过整合大气再分析产品、城市气候模型或卫星衍生陆地表面温度数据，进一步提高温度表征的准确性，以更好地约束精细尺度温度异质性及其对 BVOC 排放的影响。基于 LAI 的 10 米 PAR 空间再分配可能会引入额外的不确定性，因为它假设 PAR 的子像元变化主要由植被结构控制。未来纳入地面辐射测量或更高分辨率辐射产品的研究将有助于进一步评估月度 10 米 PAR 数据集的可靠性。尽管如此，这些不确定性不太可能改变本研究展示的物种特异性方法的比较优势。总体而言，对于异质性亚热带景观而言，纳入物种级别信息比单纯提高空间分辨率更有效，能够改善 BVOC 排放估算并识别潜在的 BVOC 排放热点，从而为植被管理和未来臭氧形成潜力评估提供更坚实的科学基础。

4. 结论
本研究通过整合 10 米高分辨率土地利用覆盖遥感数据、森林资源清查、局地野外测量和物种特异性 EF 数据，建立了亚热带城市高精度 BVOC 估算的通用研究框架，解决了以往方法大多针对均匀植被森林生态系统而非异质性城市景观开发的这一关键缺口。使用 10 米物种特异性方法估算的 BVOC 总排放量为 35.03 Gg yr?1，远高于基于 500 米 PFT（23.96 Gg yr?1）和 10 米 PFT（31.29 Gg yr?1）方法的估算值。粗分辨率 MODIS 数据由于未能捕捉破碎的植被斑块，低估了城市 BVOC 排放，而基于 PFT 的方法由于统一分配 EF 而引入了显著偏差。蒙特卡洛不确定性分析证实，与基于 PFT 的方案（CV > 3）相比，物种特异性方法显著降低了估算不确定性（CV = 1.69），强调了在异质性亚热带景观中进行可靠 BVOC 评估时物种级别信息的必要性。
我们的框架准确识别了 BVOC 排放和 OFP 的空间热点，这些热点集中在亚热带城市的山区森林区域，以及被粗分辨率数据系统性低估的破碎城市绿地的重要贡献。它为大气化学模型（例如 WRF-Chem）提供了高质量、局部化的 BVOC 排放输入，有效缓解了由粗尺度 BVOC 数据集引起的 O3 模拟偏差。此外，它为当地树种配置和精细化 O3 缓解策略提供了实用指导。

CRediT 作者贡献声明
段晨松：撰写 – 初稿，方法论，数据管理。尹山：资源，方法论，概念化。许晟：撰写 – 审阅与编辑，监督，调查。邱悦：可视化，资源，形式分析。郭恕亚：验证，数据管理。廖虎：撰写 – 审阅与编辑，软件，资源，概念化。任音：撰写 – 审阅与编辑，监督，资金获取。

段晨松 | 尹山 | 许晟 | 邱悦 | 郭恕亚 | 廖虎 | 任音
中国科学院城市环境研究所 区域与城市生态重点实验室 中国 厦门 361021