城市绿色空间细尺度碳封存效率：以上海为例的城市化与树种影响研究

《Sustainable Cities and Society》：Fine-scale Carbon Sequestration Efficiency of Urban Green Spaces: Urbanization and Tree Species Effects in Shanghai

　　

# 摘要

城市绿地是重要的天然碳汇，有助于缓解气候变化并实现城市"双碳"目标。然而，城市绿地具有高空间异质性和植被物种特异性，这给细尺度固碳（CS）能力的量化带来了挑战。本研究以中国超大城市上海为研究区域，开发了一个精细化的建模框架，将基于多层随机森林分类得到的树种数据与改进的Biome-BGC生态过程模型耦合，模拟揭示了城市绿地在细尺度上的净初级生产力（NPP）和净生态系统生产力（NEP）的时空格局，以及它们与城乡梯度上树种组成和演替的内在关联。结果表明，上海城市绿地总体上表现为净碳汇，但固碳效率存在显著的空间聚集性和分异性。不同树种之间的固碳效率差异显著：落叶针叶树和落叶阔叶树种，如水杉、重阳木和栾树，具有较高的NPP和NEP值，是驱动高固碳效率的核心树种。沿城乡梯度，NPP和NEP呈非线性U型分布，在城乡过渡区达到最低值，其中NEP对城市化的响应比NPP更为敏感。基于观测到的空间异质性，本研究提出了"保育-修复-提升"的差异化分区策略以及优化树种配置的建议。本研究为超大城市绿地的细尺度固碳模拟提供了一条可行路径，支持基于树种和城乡差异化的规划，助力"双碳"目标的实现。

# 引言

全球气候变化已成为人类社会可持续发展的重大挑战（Yang et al., 2024a）。城市作为主要的碳排放源，在应对气候变化以及区域和全国碳循环失衡中发挥着核心作用（Seto et al., 2014; Mu?oz et al., 2023）。城市绿地作为城市生态系统的关键组成部分，通过光合作用有效吸收大气中的二氧化碳，形成重要的碳汇，并提供缓解城市热岛效应、改善空气质量和维持生物多样性等多种生态系统服务（Wang et al., 2022a）。因此，准确、动态地量化城市绿地生态系统的碳储量和碳通量，不仅是评估基于自然的解决方案对区域碳平衡贡献的必要手段，也是指导城市管理者制定科学绿色基础设施规划、优化物种配置、提升城市生态韧性的关键基础（Carretero et al., 2017; Gulsrud et al., 2018）。在此背景下，中国于2020年明确提出"2030年前碳达峰、2060年前碳中和"的"双碳"目标，将城市碳减排和碳汇增强提升至国家战略层面。作为城市中最主要的天然碳汇载体，城市绿地已成为支撑"双碳"目标实现的关键科学问题之一，其碳汇功能的准确评估与优化至关重要。然而，城市环境固有的高空间异质性、植被结构的复杂性以及集约型人为管理活动（如修剪、灌溉、施肥）的干扰，使得城市尺度固碳能力的细尺度估算成为当前研究中亟待解决的关键问题。

准确量化城市绿地的固碳能力是实现城市"双碳"目标和科学评估基于自然的解决方案的基础。以往研究通过野外样地植被调查结合异速生长方程估算单株树木生物量，进而计算碳储量或碳密度（Nowak & Crane, 2002）。尽管此类方法在局部尺度上的树木固碳估算精度较高，但受限于城市绿地的高度破碎化和大面积覆盖特征，难以在大范围连续时空尺度上准确制图城市绿地的固碳格局（Ma, 2021）。为突破空间尺度瓶颈，基于遥感的估算方法得到了快速发展。回归模型已成为将遥感光谱信息与地面碳储量数据关联的主流手段（Landsberg & Waring, 1997; Watham et al., 2017）。Sun等人（2019）利用野外样地测量数据与6米高分辨率无云SPOT 6卫星影像，建立了北京建成区的生物量模型，从而获得了城市绿地的碳储量和碳密度。Shen等人（2020）基于永久采样样地的树木数据和Landsat ETM+数据，为上海主要树种开发了整树生物量方程，并构建了植被指数（如NDVI、EVI、SR）与实测生物量或碳密度之间的统计或半经验回归模型，用于城市尺度碳储量的制图。然而，此类回归模型本质上以相关性为驱动，缺乏对植被光合作用、呼吸作用和碳分配等生态生理过程的机理解释，且模型参数的区域普适性较弱（Gao et al., 2021）。

除经验统计模型外，光能利用效率模型是遥感城市固碳估算的另一重要分支，代表性模型包括Carnegie-Ames-Stanford方案（CASA）和城市植被光合与呼吸模型（Urban-VPRM）（Potter et al., 1993; King et al., 2019; Winbourne et al., 2022）。这些模型通过从遥感数据中提取光合有效辐射比例（FPAR）并纳入环境胁迫因子来估算净初级生产力（NPP）。然而，在复杂的城市景观格局下，其精度较低，限制了其在细尺度规划中的指导作用（Chen et al., 2017），且其估算结果往往受输入数据的时空分辨率、传感器类型和区域经验参数的强烈影响（Dong et al., 2025）。此外，其对植被生理参数的简化处理（如统一的光能利用效率）在物种组成高度异质的城市环境中仍面临不确定性（Gao et al., 2021）。

与上述模型相比，生态过程模型的引入为城市固碳研究从静态存量向动态通量的转变提供了机理途径。代表性模型如陆地生物地球化学循环模型（Biome-BGC）、综合生物圈模拟器（IBIS）和陆地生态系统模型（TEM），通过显式表征植被光合生产量（总初级生产力，GPP）、自养呼吸（Ra）、净初级生产力（NPP）、异养呼吸（Rh）和净生态系统生产力（NEP），实现了碳、水和氮过程的耦合连续模拟（Running & Hunt, 1993; Zhao et al., 1993）。这些模型能够刻画碳汇对气象条件、土壤性质和物种生理参数的响应，为评估极端气候事件下城市生态系统碳收支的稳定性提供了机理支撑（Chiesi et al., 2024）。不同模型在结构和适用性上存在差异。TEM模型参数简洁，采用月时间步长，适用于模拟区域尺度上与土地利用变化相关的碳收支（Felzer et al., 2023），但缺乏对异质性城市植被的充分参数化。IBIS模型采用小时时间步长，擅长分析大规模城市碳汇对气候变化的长期趋势响应（Wang et al., 2025），但结构复杂、计算成本高，且对土壤碳过程的表征相对粗糙。Biome-BGC模型采用日时间步长，以其对生态生理过程的精细刻画而著称，在光合作用、呼吸作用、碳分配以及土壤碳氮周转方面具有最精细的参数化（Chiesi et al., 2024）。然而，该模型对输入数据要求较高，需要高精度气象数据和植被生理参数的支撑（Feng et al., 2004）。生态过程模型的独特优势在于能够动态评估生长季中不同树种的固碳能力和生态系统的净碳收支，这是清查方法和遥感方法难以实现的。然而，这些模型在城市环境中的应用仍面临一个关键瓶颈——输入数据精度不足，尤其是植被类型分类过于粗糙，无法捕捉城市中高度异质的物种特征。

目前，在遥感数据源方面，关于固碳估算的研究始终发现，树种识别为提高生物量和固碳估算精度提供了关键的数据支撑。Landsat卫星系列因其最长的时间序列、开放数据政策和中等空间分辨率，长期以来一直是遥感城市固碳估算的主要数据源（Dong et al., 2025）。然而，单一来源的Landsat数据在区分树种和捕捉林冠垂直结构及物候差异方面存在局限性。一些研究利用逐步多元回归和随机森林等机器学习方法，结合Landsat波段反射率、纹理特征和野外调查数据，为提高城市森林碳密度估算精度提供了基础支撑（Pu & Landry, 2020）。近期的研究开始整合多时相影像、高分辨率卫星数据（如Sentinel-2、WorldView）和机载LiDAR数据，利用随机森林等高级算法实现城市尺度的树种级植被分类（Jiang et al., 2025; Li et al., 2025）。这一进展对固碳估算具有重要意义：碳转化系数、最大光合速率、叶寿命和碳分配比例等生态生理参数在不同树种间存在显著差异（Fang et al., 2024）。通过准确识别树种，可以为过程模型或回归模型分配物种特异性参数，从而显著提高固碳模拟的精度和机理解释力（Xiao et al., 2024）。

然而，在空间异质性显著和种间变异明显的城市环境中，传统生态过程模型仍面临根本性瓶颈。具体而言，植被输入数据仍然依赖粗糙的生物群或林分类型分类，无法捕捉树种间在生态生理参数（如最大光合速率、叶寿命、碳分配系数）方面的显著差异（Fang et al., 2024）。这些物种特异性参数是影响NPP和NEP季节与空间动态的关键变量，使用统一参数必然会给城市净固碳过程的机理表征引入不确定性。因此，如何将生态过程模型与高精度、细尺度的物种数据进行整合，实现机理性驱动与精确空间格局的耦合，是推动城市固碳量化迈向新阶段的核心科学问题。

解决这一问题的关键在于获取大面积的树种级模型驱动数据。早期研究中使用的粗糙功能型植被类型分类（Bradley & Fleishman, 2008; Yan et al., 2018）已无法满足当前高精度模拟的需求。迫切需要整合地面调查、多时相高分辨率遥感数据和高级分类算法，为细尺度生态过程模型提供高质量的输入数据（Pu & Landry, 2020; Ferreira et al., 2024），这使得在高度复杂的城市环境中实现树木物种或精细植被覆盖类型的高精度提取成为可能（Zhu et al., 2017; Li et al., 2025）。现有研究已证实，多时相Sentinel-2影像能够有效捕捉不同物种在关键物候阶段（如秋季变色期）的光谱差异，显著提高城市树种分类精度（Wang et al., 2021; Jiang et al., 2025）。

这些方法的进步使得原本针对站点尺度应用设计的基于过程的生态模型能够扩展到更广区域范围的模拟中。通过调用每个网格单元中特定物种对应的物种特异性生态生理参数，这些模型能够更明确地从机理上表征城市绿地内部的碳通量。这反过来显著提高了城市尺度NPP和NEP模拟动态的精度和空间粒度。

上海是中西乃至全球最大的超大城市之一，地处亚热带季风气候区，植被生长季较长。然而，快速城市化进程与集约型人为管理的共同作用，使其生态系统高度复杂。为克服传统模型在城市环境应用中的固有精度局限，并实现具有空间显式性和机理基础的城市固碳模拟，本研究将基于过程的生态模型与高分辨率遥感技术和深度学习技术相结合。

本研究以上海城市绿地系统为例，运用改进的Biome-BGC模型，将高分辨率遥感树种数据与过程型生态模型耦合，分析碳汇（CS）的时空动态。具体目标包括：基于多层随机森林分类识别的精细树种数据，运用改进的Biome-BGC模型模拟并分析上海城市绿地生态系统中净初级生产力（NPP）和净生态系统生产力（NEP）的年度精细尺度空间分布格局与时序动态；阐明树种特异性与城市化梯度对碳汇效率空间异质性的影响，在此基础上提出差异化的增强绿地碳汇策略，进而提出空间分异化的增强绿地碳汇策略。最终，本研究为城市尺度碳汇效果的精细评估提供了一种可迁移的技术框架，并为支持超大城市绿地碳汇贡献双碳目标提供了定量科学依据。

## 研究区域

上海位于中国东部沿海地区中部（北纬30°40'–31°53'，东经120°51'–122°12'），地处长江入海口，太平洋西岸，亚欧大陆东缘。上海属北亚热带季风气候，气候温和湿润，降水充沛，日照充足（Song等，2020）。较长的生长季以及适宜各类树种生长的条件，为其提供了……

## NPP空间格局

图4展示了2023年上海绿地年度NPP的空间分布，NPP作为表征绿地碳汇速率的指标。NPP值介于95至1731 gC m?2 year?1之间，均值为507.63 gC m?2 year?1。高值区域（NPP > 950 gC m?2 year?1）主要集中于研究区域西部，沿淀山湖沿岸及黄浦江上游形成连片斑块。这些区域……

## NEP空间格局

NEP的空间格局较NPP更为复杂（图5）。高值区域（NEP > 250 gC m?2 year?1）呈斑块状散布，主要集中在两类位置：研究区域西部的传统高生态价值区域，如佘山国家森林公园、辰山植物园及金山生态保育区，以及沿岸的大型绿地斑块。这些区域通常具有复杂的林分结构和较高的……

## 模型性能评估

为评估Biome-BGC模型在上海地区模拟碳汇效率的可靠性，本研究从三个角度评估了模型性能：空间格局验证、量级合理性评估及不确定性量化。

### （1）空间格局验证

本研究采用国际上公认的对MOD17A3HGF产品进行验证。该产品属于美国国家航空航天局（NASA）的MODIS系列，是一个成熟的全球NPP数据集，空间分辨率为500米。其……

## 结论

本研究将基于深度学习的树种制图与改进的Biome-BGC模型相结合，在10米空间分辨率下模拟了上海城市绿地的碳汇。结果表明，上海城市绿地的碳汇效率呈现出显著的空间异质性，而整体绿地系统表现为碳汇。城市森林的碳汇效率显著高于其他绿地类型。NPP和NEP均表现出显著的正向空间……

## 未引用参考文献

Cai等，2014；Han和Han，2025；Cai等，2023；Li等，2018；Ma等，2021；Machado-Silva等，2021；Rice等，2004；Running和Hunt Jr，1993；White等，2000；Yin等，2022；Yu等，2025；Chen等，2022

## 作者贡献声明

姜云芳：写作—审阅与编辑，写作—原稿撰写，方法论，经费获取，概念构思。彭立贤：写作—审阅与编辑，写作—原稿撰写，可视化，验证，软件，方法论，调查，形式分析。李想华：验证，资源，调查，数据管理。宋涛：资源，形式分析。詹方智：可视化，软件。江瑞雨：可视化，调查。

姜云芳 | 彭立贤 | 李想华 | 宋涛 | 詹方智 | 江瑞雨

华东师范大学地理科学学院，上海 200241，中国