下载文档原格式
结合群落结构的城市森林地上碳储量遥感估算——以长沙市为例杨呵;李小马;刘欢瑶;李毅【期刊名称】《东北林业大学学报》【年(卷),期】2024(52)6【摘要】以传统遥感植被指数模型法为基础,加入群落结构指标以提升城市森林碳储量估算精度。
以长沙市为例,根据90个样地调查数据和Sentinel-2A遥感影像,建立城市森林地上碳储量与归一化植被指数(N DVI)间的指数模型,分析模型残差与城市森林结构间的定量关系,提出结合群落结构的城市森林地上碳储量遥感估算优化模型。
结果表明:归一化植被指数模型估算城市森林地上碳储量的精度,即决定系数(R^(2))较低,为0.35。
归一化植被指数模型残差与城市森林结构,如平均胸径、最大胸径、平均树高、最大树高均呈极显著正相关关系。
结合群落结构指标的归一化植被指数模型能显著提高城市森林地上碳储量估算精度,平均胸径、最大胸径、平均树高、最大树高的R^(2)分别提升至0.70、0.57、0.56、0.57。
根据Sentinel-2A遥感影像和全球森林冠层高度数据估算出长沙市三环内建成区城市森林地上碳储量为599.1 Gg,碳密度为32.03 Mg·hm^(-2)。
【总页数】6页(P92-97)【作者】杨呵;李小马;刘欢瑶;李毅【作者单位】湖南农业大学【正文语种】中文【中图分类】S731.2【相关文献】1.基于KNN方法的大兴安岭地区森林地上碳储量遥感估算2.天堂山林场森林地上生物量及碳储量的遥感估算模型构建3.川西米亚罗自然保护区森林地上碳储量遥感估算4.地理加权回归模型结合卫星遥感的松阳县森林地上碳储量估算因版权原因，仅展示原文概要，查看原文内容请购买。
城市绿地碳储量估算方法分析葛婧1，彭建松2*（1西南林业大学园林园艺学院，云南昆明650224；2西南林业大学森林城市研究院，云南昆明650224）摘要:阐述并总结了森林碳储量估算的主要方法，即生物量法、蓄积量法、涡度相关法、遥感模型模拟法等，根据研究选择适用于城市绿地碳储量估算的方法进行分析。
同时，指出城市绿地碳储量估算的不足，并展望城市绿地碳储量研究发展趋势，加强对城市绿地的监测和管理，采取有效的措施保护城市绿地，提高其碳储量，为缓解气候变化贡献力量。
关键词:城市绿地；碳储量；碳储量估算方法在面对全球气候变化的问题上，我国作为一个发展中国家具有独特的国情和发展需求，自2005年起，我国出台了一系列针对气候治理、城市节能减排的政策和规划，旨在15年内将碳排放量降低40%～45%，这些政策和规划的实施，为我国绿色发展提供了坚实的基础。
中共十九大报告提出实现人与自然和谐共生的现代化建设，这意味着在发展经济的同时，还要注重生态保护和环境治理。
同时，习近平总书记多次强调贯彻“绿水青山就是金山银山”的建设理念，表达对绿色经济发展的支持和鼓励。
2021年3月，在中央财经委员会第九次会议上，习近平总书记指出将“碳达峰”“碳中和”纳入我国生态文明建设总体布局，并提升生态碳汇能力，表明我国的绿色发展已经进入新的阶段，将会更加注重生态保护和环境治理，推动城市绿地系统的建设和绿地经济的发展。
2021年9月22日，中国国务院发布了《关于切实做好2021年应对气候变化工作的意见》，提出全面推进“碳达峰”“碳中和”的目标，力争2030年二氧化碳排放达峰、2060年前实现“碳中和”，碳排放量净值达到0[1]。
由此可见，我国已经明确了“碳达峰”“碳中和”的目标，将采取一系列措施降低碳排放量，推动绿地低碳发展。
因此，城市绿地系统的合理建设，有助于推动我国低碳绿色发展[2]，提高城市生态环境质量，促进经济、社会和生态可持续发展[3]。
第５２卷第６期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ．５２Ｎｏ．６２０２４年６月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＪｕｎ．２０２４１）湖南省自然科学基金项目（２０２１ＪＪ３０３６８）㊂第一作者简介：杨呵，女，１９９８年１月生，湖南农业大学风景园林与艺术设计学院，硕士研究生㊂Ｅ－ｍａｉｌ：ｓｘ２０２１０７０７＠１２６．ｃｏｍ㊂通信作者：李小马，湖南农业大学风景园林与艺术设计学院，副教授㊂Ｅ－ｍａｉｌ：ｌｉｘｉａｏｍａ＠ｈｕｎａｕ．ｅｄｕ．ｃｎ㊂收稿日期：２０２４年１月５日㊂责任编辑：段柯羽㊂结合群落结构的城市森林地上碳储量遥感估算１）以长沙市为例杨呵㊀李小马㊀刘欢瑶㊀李毅（湖南农业大学，长沙，４１０１２８）㊀㊀摘㊀要㊀以传统遥感植被指数模型法为基础，加入群落结构指标以提升城市森林碳储量估算精度㊂以长沙市为例，根据９０个样地调查数据和Ｓｅｎｔｉｎｅｌ－２Ａ遥感影像，建立城市森林地上碳储量与归一化植被指数（ＮＤＶＩ）间的指数模型，分析模型残差与城市森林结构间的定量关系，提出结合群落结构的城市森林地上碳储量遥感估算优化模型㊂结果表明：归一化植被指数模型估算城市森林地上碳储量的精度，即决定系数（Ｒ２）较低，为０．３５㊂归一化植被指数模型残差与城市森林结构，如平均胸径㊁最大胸径㊁平均树高㊁最大树高均呈极显著正相关关系㊂结合群落结构指标的归一化植被指数模型能显著提高城市森林地上碳储量估算精度，平均胸径㊁最大胸径㊁平均树高㊁最大树高的Ｒ２分别提升至０．７０㊁０．５７㊁０．５６㊁０．５７㊂根据Ｓｅｎｔｉｎｅｌ－２Ａ遥感影像和全球森林冠层高度数据估算出长沙市三环内建成区城市森林地上碳储量为５９９．１Ｇｇ，碳密度为３２．０３Ｍｇ㊃ｈｍ－２㊂关键词㊀城市森林；群落结构；指数模型；碳储量；碳汇分类号㊀Ｓ７３１．２ＲｅｍｏｔｅＳｅｎｓｉｎｇＥｓｔｉｍａｔｉｏｎｏｆＡｂｏｖｅｇｒｏｕｎｄＣａｒｂｏｎＳｔｏｒａｇｅｉｎＵｒｂａｎＦｏｒｅｓｔｓＣｏｍｂｉｎｅｄｗｉｔｈＣｏｍｍｕｎｉｔｙＳｔｒｕｃ⁃ｔｕｒｅ：ＡＣａｓｅＳｔｕｄｙｏｆＣｈａｎｇｓｈａＣｉｔｙ／／ＹａｎｇＨｅ，ＬｉＸｉａｏｍａ，ＬｉｕＨｕａｎｙａｏ，ＬｉＹｉ（ＨｕｎａｎＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｃｈａｎｇｓｈａ４１０１２８，Ｐ．Ｒ．Ｃｈｉｎａ）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２４，５２（６）：９２－９７．Ｂａｓｅｄｏｎｔｒａｄｉｔｉｏｎａｌｒｅｍｏｔｅｓｅｎｓｉｎｇｖｅｇｅｔａｔｉｏｎｉｎｄｅｘｍｏｄｅｌｓ，ｃｏｍｍｕｎｉｔｙｓｔｒｕｃｔｕｒｅｉｎｄｉｃａｔｏｒｓａｒｅｉｎｃｏｒｐｏｒａｔｅｄｔｏｅｎ⁃ｈａｎｃｅｔｈｅａｃｃｕｒａｃｙｏｆｕｒｂａｎｆｏｒｅｓｔｃａｒｂｏｎｓｔｏｒａｇｅｅｓｔｉｍａｔｉｏｎ．ＴａｋｉｎｇＣｈａｎｇｓｈａＣｉｔｙａｓａｎｅｘａｍｐｌｅ，ａｎｉｎｄｅｘｍｏｄｅｌｂｅｔｗｅｅｎａｂｏｖｅｇｒｏｕｎｄｃａｒｂｏｎｓｔｏｒａｇｅｉｎｕｒｂａｎｆｏｒｅｓｔｓａｎｄＮｏｒｍａｌｉｚｅｄＤｉｆｆｅｒｅｎｃｅＶｅｇｅｔａｔｉｏｎＩｎｄｅｘ（ＮＤＶＩ）ｉｓｅｓｔａｂｌｉｓｈｅｄｕｓｉｎｇｄａｔａｆｒｏｍ９０ｓａｍｐｌｅｐｌｏｔｓａｎｄＳｅｎｔｉｎｅｌ－２Ａｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓ．Ａｎａｌｙｚｅｔｈｅｑｕａｎｔｉｔａｔｉｖｅｒｅｌａｔｉｏｎｓｈｉｐｂｅｔｗｅｅｎｍｏｄｅｌｒｅｓｉｄｕ⁃ａｌｓａｎｄｕｒｂａｎｆｏｒｅｓｔｓｔｒｕｃｔｕｒｅ，ａｎｄｐｒｏｐｏｓｅａｎｏｐｔｉｍｉｚｅｄｒｅｍｏｔｅｓｅｎｓｉｎｇｅｓｔｉｍａｔｉｏｎｍｏｄｅｌｆｏｒａｂｏｖｅｇｒｏｕｎｄｃａｒｂｏｎｓｔｏｒａｇｅｉｎｕｒｂａｎｆｏｒｅｓｔｓｃｏｎｓｉｄｅｒｉｎｇｃｏｍｍｕｎｉｔｙｓｔｒｕｃｔｕｒｅ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅＮｏｒｍａｌｉｚｅｄＤｉｆｆｅｒｅｎｃｅＶｅｇｅｔａ⁃ｔｉｏｎＩｎｄｅｘｍｏｄｅｌｆｏｒｅｓｔｉｍａｔｉｎｇａｂｏｖｅｇｒｏｕｎｄｃａｒｂｏｎｓｔｏｒａｇｅｉｎｕｒｂａｎｆｏｒｅｓｔｓ，ａｓｄｅｔｅｒｍｉｎｅｄｂｙｔｈｅｃｏｅｆｆｉｃｉｅｎｔｏｆｄｅｔｅｒｍｉｎａ⁃ｔｉｏｎ（Ｒ２），ｉｓｒｅｌａｔｉｖｅｌｙｌｏｗａｔ０．３５．ＴｈｅＮｏｒｍａｌｉｚｅｄＤｉｆｆｅｒｅｎｃｅＶｅｇｅｔａｔｉｏｎＩｎｄｅｘｍｏｄｅｌｒｅｓｉｄｕａｌｉｓｓｉｇｎｉｆｉｃａｎｔｌｙｐｏｓｉｔｉｖｅｌｙｃｏｒｒｅｌａｔｅｄｗｉｔｈｕｒｂａｎｆｏｒｅｓｔｓｔｒｕｃｔｕｒｅｐａｒａｍｅｔｅｒｓｓｕｃｈａｓａｖｅｒａｇｅｄｉａｍｅｔｅｒａｔｂｒｅａｓｔｈｅｉｇｈｔ，ｍａｘｉｍｕｍｄｉａｍｅｔｅｒａｔｂｒｅａｓｔｈｅｉｇｈｔ，ａｖｅｒａｇｅｔｒｅｅｈｅｉｇｈｔ，ａｎｄｍａｘｉｍｕｍｔｒｅｅｈｅｉｇｈｔ．ＴｈｅＮｏｒｍａｌｉｚｅｄＤｉｆｆｅｒｅｎｃｅＶｅｇｅｔａｔｉｏｎＩｎｄｅｘｍｏｄｅｌｉｎｃｏｒｐｏｒａｔｉｎｇｃｏｍｍｕｎｉｔｙｓｔｒｕｃｔｕｒｅｉｎｄｉｃａｔｏｒｓｓｉｇｎｉｆｉｃａｎｔｌｙｉｍｐｒｏｖｅｓｔｈｅａｃｃｕｒａｃｙｏｆａｂｏｖｅｇｒｏｕｎｄｃａｒｂｏｎｓｔｏｒａｇｅｅｓｔｉｍａｔｉｏｎｉｎｕｒｂａｎｆｏｒ⁃ｅｓｔｓ，ｗｉｔｈＲ２ｖａｌｕｅｓｆｏｒａｖｅｒａｇｅｄｉａｍｅｔｅｒａｔｂｒｅａｓｔｈｅｉｇｈｔ，ｍａｘｉｍｕｍｄｉａｍｅｔｅｒａｔｂｒｅａｓｔｈｅｉｇｈｔ，ａｖｅｒａｇｅｔｒｅｅｈｅｉｇｈｔ，ａｎｄｍａｘｉｍｕｍｔｒｅｅｈｅｉｇｈｔｉｍｐｒｏｖｅｄｔｏ０．７０，０．５７，０．５６，ａｎｄ０．５７，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｅｓｔｉｍａｔｉｏｎｏｆａｂｏｖｅｇｒｏｕｎｄｃａｒｂｏｎｓｔｏｒａｇｅｉｎｕｒｂａｎｆｏｒｅｓｔｓｗｉｔｈｉｎｔｈｅｂｕｉｌｔ⁃ｕｐａｒｅａｏｆｔｈｅｔｈｉｒｄｒｉｎｇｏｆＣｈａｎｇｓｈａＣｉｔｙｕｓｉｎｇＳｅｎｔｉｎｅｌ－２Ａｒｅｍｏｔｅｓｅｎｓｉｎｇｉｍａｇｅｓａｎｄｇｌｏｂａｌｆｏｒｅｓｔｃａｎｏｐｙｈｅｉｇｈｔｄａｔａｉｓ５９９．１Ｇｇ，ｗｉｔｈａｃａｒｂｏｎｄｅｎｓｉｔｙｏｆ３２．０３Ｍｇ㊃ｈｍ－２．Ｋｅｙｗｏｒｄｓ㊀Ｕｒｂａｎｆｏｒｅｓｔ；Ｃｏｍｍｕｎｉｔｙｓｔｒｕｃｔｕｒｅ；Ｅｘｐｏｎｅｎｔｉａｌｍｏｄｅｌ；Ｃａｒｂｏｎｓｔｏｒａｇｅ；Ｃａｒｂｏｎｓｉｎｋ㊀㊀提升陆地生态系统碳汇是实现碳中和及缓解全球气候变化的重要途径［１－２］㊂虽然城市会为维持高速社会经济发展排放大量二氧化碳，但城市绿地也通过植物光合作用等途径固定大量二氧化碳，因此，城市绿地是陆地生态系统碳汇的重要组成，对实现碳中和有不可低估的贡献［３－５］㊂精确量化城市森林碳储量是国内外研究热点，也是城市规划与管理决策的基础㊂根据样方调查估算区域碳储量是城市森林碳储量估算的重要途径㊂传统方法常根据不同土地利用类型进行分层抽样，通过树木异速生长方程计算不同土地利用类型的碳密度（即单位面积碳储量），最后乘以各土地利用类型的面积估算区域城市森林总碳储量［６－７］㊂由于需假设不同土地利用类型植被碳密度一致，因此该方法估算误差较大㊂遥感技术的发展可有效反映城市森林结构的空间异质性，已被广泛应用于估算城市森林碳储量㊂常用的方法包括以下两类：植被指数模型法，即通过样方城市森林碳密度与植被指数，如归一化植被指数（ＮＤＶＩ）间的指数关系估算区域城市森林碳储量，该方法被广泛使用但精度较低［３，８－９］；多元统计模型法，即通过样方城市森林碳密度与遥感数据（如植被指数㊁光谱反射率㊁纹理特征㊁地形特征㊁植被丰度等）建立多元统计模型估算区域城市森林碳储量，常用的统计方法包括多元线性回归［１０］㊁随机森林［１１］㊁支持向量机［１２］㊁人工神经网络等［１３］㊂该方法与植被指数模型法相比，估算精度有所提高，但估算模型缺乏理论支撑㊂例如植被指数在某些模型中与城市森林碳储量间呈显著负相关关系，而估算的城市森林碳储量在某些极端情况下呈负值［１４－１６］㊂植被群落结构（胸径㊁树高等）显著影响植被碳储量，植被的胸径和树高通常与其生物量密切相关，较大的胸径和树高意味着更多的生物量积累，进而影响遥感植被指数与碳储量的关系［１７－１８］㊂将植被群落结构信息纳入植被指数模型法是提升城市森林碳储量估算精度的有效途径，但相关研究仍十分缺乏㊂本研究以长沙市为例，在城市森林样方调查基础上量化城市森林结构对植被指数模型法估算城市森林地上碳储量精度的影响，开发融合群落结构的城市森林碳储量估算模型，探究城市森林群落结构对遥感植被指数与城市森林碳储量关系的影响，同时，将群落结构纳入常用植被指数模型以提高城市森林碳储量估算精度㊂研究可为区域城市森林碳储量遥感估算提供方法及参考，为提高长沙市城市森林碳储量提出规划管理依据㊂１㊀研究区概况长沙市位于湖南省东部偏北㊁湘江下游㊁长沙盆地西缘，属亚热带季风气候，年平均气温为１８．２ħ㊂其位于中亚热带常绿阔叶林带，植物种类丰富㊂长沙市占地总面积１１８１９ｋｍ２，建成区面积４３４．８２ｋｍ２㊂市区人口１００．４８万人，城市建成区绿地建设面积达到１７．１７ｋｍ２，绿地率㊁绿化覆盖率㊁城市中心区人均公园绿地面积分别达到３５．９３％㊁４１．５％㊁１１．５８ｍ２㊂深入研究长沙市城市森林碳储量并阐明其影响因素对指导包括长沙在内的长江中下游城市森林建设具有重要意义㊂本研究以长沙三环内区域为研究区域，总面积约为６７９．６５ｋｍ２（图１）㊂２㊀研究方法２．１㊀样方调查与样方城市森林碳储量计算参考城市森林的功能㊁布局㊁种植和管理方式等特点，设置９０个３０ｍˑ３０ｍ的矩形样方（图１），于２０２３年７月完成样方调查㊂由于灌木及草本植物对城市生态系统碳储量的贡献相对较小，本研究主要关注乔木的地上碳储量估算［３］㊂对每个样方进行每木调查，记录乔木的种类㊁胸径㊁树高㊁修剪状况等㊂通过文献收集不同树种异速生长方程估算地上生物量（表１）㊂将地上生物量乘以０．５的碳转化系数计算各样方城市森林地上碳储量及碳密度（即单位面积碳储量）［１９－２６］㊂表１㊀乔木地上生物量估算异速生长方程种㊀类生物量方程香樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ（Ｌ．）Ｐｒｅｓｌ）ＷＳ＝０．０２２１（Ｄ２Ｈ）０．９８８９；ＷＢ＝０．０３５１（Ｄ２Ｈ）０．６８５６；ＷＬ＝０．００１７（Ｄ２Ｈ）１．１３６５马尾松（ＰｉｎｕｓｍａｓｓｏｎｉａｎａＬａｍｂ）ＷＳ＝０．１０２５（Ｄ２Ｈ）０．８１４７；ＷＢ＝０．００００００２（Ｄ２Ｈ）２．０３８４；ＷＬ＝０．０００００６（Ｄ２Ｈ）１．７３６０杉木（Ｃｕｎｎｉｎｇｈａｍｉａｌａｎｃｅｏｌａｔａ（Ｌａｍｂ．）Ｈｏｏｋ．）ＷＳ＝０．００６（Ｄ２Ｈ）１．０７８１；ＷＢ＝０．０１１（Ｄ２Ｈ）０．７２９５；ＷＬ＝０．０３８４（Ｄ２Ｈ）０．７１８０杜英（ＥｌａｅｏｃａｒｐｕｓｄｅｃｉｐｉｅｎｓＨｅｍｓｌ．）ＷＳ＝０．１２６６（Ｄ２Ｈ）０．４９２９；ＷＢ＝０．０３６４（Ｄ２Ｈ）０．５３１７；ＷＬ＝０．０５１９（Ｄ２Ｈ）０．５５５９水杉（ＭｅｔａｓｅｑｕｏｉａｇｌｙｐｔｏｓｔｒｏｂｏｉｄｅｓＨｕ＆Ｗ．Ｃ．Ｃｈｅｎｇ）ＷＳ＝０．０１３１（Ｄ２Ｈ）０．９４３８；ＷＢ＝０．０６２３（Ｄ２Ｈ）０．６７６１；ＷＬ＝０．０１４０（Ｄ２Ｈ）０．６２６４元宝枫（ＡｃｅｒｔｒｕｎｃａｔｕｍＢｕｎｇｅ）ＷＳ＝０．０５０５６（Ｄ２Ｈ）０．８８１２；ＷＢ＝０．０１１５１（Ｄ２Ｈ）０．９７８６；ＷＬ＝０．０１２４８（Ｄ２Ｈ）０．６８６９枫香（ＬｉｑｕｉｄａｍｂａｒｆｏｒｍｏｓａｎａＨａｎｃｅ）Ｗ＝０．０７６１（Ｄ２Ｈ）０．９０７８银杏（Ｇｉｎｋｇｏｂｉｌｏｂａ）ＷＳ＝０．０４４＋０．０４２Ｄ２Ｈ；ＷＢ＝－０．０１１＋０．００５Ｄ２Ｈ；ＷＬ＝－０．８２０＋０．０４０Ｄ２Ｈ紫薇（Ｌａｇｅｒｓｔｒｏｅｍｉａｉｎｄｉｃａ）ＷＳ＝２．０６７＋０．０２０Ｄ２Ｈ；ＷＢ＝１．０３５＋０．００８Ｄ２Ｈ；ＷＬ＝０．３９３＋０．００１Ｄ２Ｈ刺槐（ＲｏｂｉｎｉａｐｓｅｕｄｏａｃａｃｉａＬ．）ＷＳ＝０．３１２＋０．０１６Ｄ２Ｈ；ＷＢ＝０．１６１＋０．００３Ｄ２Ｈ；ＷＬ＝０．０９１＋０．００３Ｄ２Ｈ栾树（ＫｏｅｌｒｅｕｔｅｒｉａｐａｎｉｃｕｌａｔａＬａｘｍ．）ＷＳ＝０．５８７＋０．００６Ｄ２Ｈ；ＷＢ＝０．０５９＋０．００１Ｄ２Ｈ；ＷＬ＝０．０２９＋０．００１Ｄ２Ｈ杜仲（ＥｕｃｏｍｍｉａｕｌｍｏｉｄｅｓＯｌｉｖｅｒ）ＷＳ＝０．９１０＋０．０３０Ｄ２Ｈ；ＷＢ＝０．２０８＋０．００２Ｄ２Ｈ；ＷＬ＝０．０５５＋０．００２Ｄ２Ｈ其它树种Ｗ＝２６４．６６０１（Ｄ２Ｈ）０．８８８５㊀㊀注：ＷＬ为叶生物量；ＷＳ为干生物量；ＷＢ为枝生物量；Ｗ为总地上生物量；Ｄ为胸径；Ｈ为树高㊂图１㊀样方空间分布２．２㊀遥感植被指数与冠层高度利用２０２１年９月４日的Ｓｅｎｔｉｎｅｌ－２Ａ影像（Ｌ２Ａ级别）计算归一化植被指数㊂归一化植被指数是一种用于评估地表植被覆盖程度和健康状况的指标，通过遥感影像红外波段和可见光波段计算㊂植被的生物量和碳储量通常随归一化植被指数的增加呈指数增长，归一化植被指数已被广泛用于估算植被碳储量，公式如下：㊀㊀㊀㊀㊀ＮＤＶＩ＝（ＲＢ８－ＲＢ４）／（ＲＢ８＋ＲＢ４）㊂式中：ＲＢ８㊁ＲＢ４分别对应哨兵２的近红外光谱通道３９第６期㊀㊀㊀㊀㊀㊀㊀㊀杨呵，等：结合群落结构的城市森林地上碳储量遥感估算 以长沙市为例（０．７６０ ０．８９０μｍ）单波反射率㊁红色光谱通道（０．６２５ ０．６９５μｍ）单波反射率㊂研究区归一化植被指数及其空间分布见图２ａ㊂图２㊀归一化植被指数空间分布及植被冠层高度空间分布㊀㊀冠层高度数据源自２０２０年融合了全球生态系统动态调查（ＧＥＤＩ）星载激光雷达（ＬｉＤＡＲ）任务的稀疏高度数据和哨兵－２的密集光学卫星图像通过监督深度学习算法生成的全球森林冠层高度数据［２７］，图２ｂ为长沙市三环建成区的植被冠层高度㊂２．３㊀城市森林碳储量估算归一化植被指数模型与优化首先建立以城市森林样方地上碳密度为因变量，归一化植被指数为自变量的碳储量估算指数，模型如下：㊀㊀㊀㊀㊀㊀ＣＤ＝ａˑｅｘｐ（ｂˑＮＤＶＩ）㊂式中：ＣＤ为城市森林样方地上碳密度；ＮＤＶＩ为样方归一化植被指数，ａ㊁ｂ为拟合参数㊂其次，通过研究城市森林群落结构（平均胸径㊁最大胸径㊁平均树高㊁最大树高）与归一化植被指数模型残差间的关系，发现归一化植被指数模型残差与城市森林群落结构间存在极显著相关关系㊂最后，建立加入群落结构指标的归一化植被指数模型如下：㊀㊀㊀㊀ＣＤ＝ａˑｅｘｐ（ｂˑＮＤＶＩ＋ｃˑＵＦＳ）㊂式中：ＵＦＳ为群落结构指标，分别为城市森林样方平均胸径（Ｄｍｅａｎ）㊁最大胸径（Ｄｍａｘ）㊁平均树高（Ｈｍｅａｎ）㊁最大树高（Ｈｍａｘ）㊂采用留一法评估归一化植被指数模型及加入群落结构指标的归一化植被指数优化模型时城市森林碳储量的估算精度㊂留一法将数据集中的每个样本都单独作为测试集，其余样本作为训练集，重复该过程使得每个样本都作为测试集㊂通过对比观测值与预测值，并利用决定系数（Ｒ２）㊁均方根误差（ＲＭＳＥ）㊁平均绝对误差（ＭＡＥ）为指标评估模型精度［１２］㊂２．４㊀长沙市城市森林地上碳储量估算根据数据可获得性，采用应用冠层高度的植被指数模型估算长沙市建成区城市森林地上碳储量，计算公式如下：㊀㊀㊀㊀ＣＤ＝ａˑｅｘｐ（ｂˑＮＤＶＩ＋ｃˑＨｍｅａｎ）㊂式中：ａ㊁ｂ㊁ｃ为拟合参数，分别为１．６３㊁２．８０㊁０．０７㊂３㊀结果与分析３．１㊀群落结构特征９０个样方共出现乔木６２种，分属３６科５５属㊂其中，有２７种属于常绿阔叶树种，其数量占比为６８．６％；２９种属于落叶阔叶树种，其数量占比为２７．１％；仅有６种为针叶树种，其数量仅占４．３％㊂研究区数量最多的１０个树种分别为香樟（Ｃｉｎｎａｍｏ⁃ｍｕｍｃａｍｐｈｏｒａ（Ｌ．）Ｐｒｅｓｌ）㊁桂花（Ｏｓｍａｎｔｈｕｓｆｒａ⁃ｇｒａｎｓ（Ｔｈｕｎｂ．）Ｌｏｕｒ．）㊁银杏（Ｇｉｎｋｇｏｂｉｌｏｂａ）㊁杜英（ＥｌａｅｏｃａｒｐｕｓｄｅｃｉｐｉｅｎｓＨｅｍｓｌ．）㊁荷花玉兰（ＭａｇｎｏｌｉａｇｒａｎｄｉｆｌｏｒａＬｉｎｎ．）㊁紫薇（Ｌａｇｅｒｓｔｒｏｅｍｉａｉｎｄｉｃａ）㊁日本晚樱（Ｃｅｒａｓｕｓｓｅｒｒｕｌａｔａ（Ｌｉｎｄｌ．）Ｌｏｎｄｏｎｖａｒ．ｌａｎｎｅｓｉ⁃ａｎａ（Ｃａｒｒｉ．）Ｍａｋｉｎｏ）㊁鸡爪槭（ＡｃｅｒｐａｌｍａｔｕｍＴｈｕｎｂ．）㊁栾树（ＫｏｅｌｒｅｕｔｅｒｉａｐａｎｉｃｕｌａｔａＬａｘｍ．）㊁水杉（ＭｅｔａｓｅｑｕｏｉａｇｌｙｐｔｏｓｔｒｏｂｏｉｄｅｓＨｕ＆Ｗ．Ｃ．Ｃｈｅｎｇ）㊂香樟是长沙城市森林主要树种，占样方树木总数的１／４；桂花在研究区广泛分布，占样方树木总数的２０％；银杏数量在研究区排第３位，约占总数的７％㊂所有树木的平均胸径为１９．１８ｃｍ，最大胸径为９８．５ｃｍ，平均树高为８．８８ｍ，最大树高为２５．８９ｍ㊂样方尺度上，平均胸径介于９．６４ ５４．６４ｃｍ，平均树高介于３．３９ ２１．６ｍ㊂样方平均碳密度为１４．５７Ｍｇ㊃ｈｍ－２，最小为０．６２Ｍｇ㊃ｈｍ－２，最大为８５．５１Ｍｇ㊃ｈｍ－２，标准差为１４．０５Ｍｇ㊃ｈｍ－２㊂４９㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷３．２㊀城市森林碳储量估算模型城市森林碳密度（单位面积碳储量）与归一化植被指数呈极显著正相关关系㊂随归一化植被指数增加，城市森林碳密度增加速度加快（图３）㊂归一化植被指数可解释６４％的城市森林碳储量变化㊂图３㊀城市森林碳密度与归一化植被指数的关系回归结果归一化植被指数模型法的城市森林碳储量估算残差与城市森林群落结构（胸径㊁树高）均呈极显著正相关关系㊂平均胸径㊁最大胸径㊁平均树高㊁最大树高分别可贡献２３％㊁１４％㊁２２％㊁１８％的残差变异（图４）㊂随胸径㊁树高增加，归一化植被指数模型残差增加，表明归一化植被指数模型显著高估以小树为主的样方碳储量，低估大树分布较多的样方碳储量㊂城市森林碳储量估算精度评估显示，归一化植被指数模型Ｒ２为０．３５，ＲＭＳＥ和ＭＡＥ分别为１７．３５㊁９．９６Ｍｇ㊃ｈｍ－２㊂考虑平均胸径及平均树高后，Ｒ２分别增加到０．７０㊁０．５６，ＲＭＳＥ降低至１１．７８㊁１４．１９Ｍｇ㊃ｈｍ－２，ＭＡＥ降低至８．２０㊁９．０１Ｍｇ㊃ｈｍ－２㊂考虑最大胸径及最大树高后，Ｒ２分别增加到０．５７㊁０．５７，ＲＭＳＥ降低至１４．１５㊁１４．１９Ｍｇ㊃ｈｍ－２，ＭＡＥ降低至８．９３㊁８．００Ｍｇ㊃ｈｍ－２（表２）㊂观测者与不同模型估算值的散点图也显示，结合城市森林群落结构指标的归一化植被指数模型所估算的碳储量更接近观测值（图５）㊂图４㊀归一化植被指数模型残差与城市森林群落结构的关系回归结果３．３㊀根据归一化植被指数和树高的长沙城市森林地上碳储量估算图６为利用归一化植被指数－平均树高指数模型的同时根据归一化植被指数及植被冠层数据估算的研究区城市森林地上碳储量空间分布㊂长沙城市森林地上碳储量总量为５９９．１Ｇｇ，平均碳密度为３２．０３Ｍｇ㊃ｈｍ－２㊂长沙城市森林地上碳储量高值主要分布于城市公园㊁高校周边㊁湘江沿河绿带等区域㊂城市西部的地上碳储量密度高于东部㊂５９第６期㊀㊀㊀㊀㊀㊀㊀㊀杨呵，等：结合群落结构的城市森林地上碳储量遥感估算 以长沙市为例表２㊀城市森林地上碳储量估算模型参数与精度评估模㊀型ａｂｃＲＭＳＥ／Ｍｇ㊃ｈｍ－２Ｒ２ＭＡＥ／Ｍｇ㊃ｈｍ－２归一化植被指数模型１．９９４．２４－１７．３５０．３５９．９６平均胸径－归一化植被指数模型１．６３２．８４０．０４１１．７８０．７０８．２０最大胸径－归一化植被指数模型１．２９３．５７０．０２１４．１５０．５７８．９３平均树高－归一化植被指数模型１．５７２．７９０．１０１４．１９０．５６９．０１最大树高－归一化植被指数模型０．７５３．３６０．０９１４．１９０．５７８．００㊀㊀注：ａ㊁ｂ㊁ｃ为拟合参数㊂Ә结合群落结构和归一化植被指数的优化模型；ʻ归一化植被指数模型㊂图５㊀城市森林碳储量估算值与观测值散点图图６㊀长沙市建成区城市森林地上碳储量空间分布４ 结论与讨论归一化植被指数与植被碳储量间的指数关系是估算城市森林碳储量的经典模型［３，２８］㊂本研究中，该模型估算城市森林碳储量的精度较低，Ｒ２仅为０．３５㊂有研究表明，利用归一化植被指数与植被碳储量间的指数关系估算城市森林碳储量时，美国纽约［２９］㊁沈阳［１５］㊁北京［３０］㊁马鞍山［３１］的Ｒ２分别为０．２５㊁０．５１㊁０．５１㊁０．６０㊂这主要是因为归一化植被指数是根据被动光学遥感数据计算，主要反映植被覆盖度及生长状况差异，不能有效反映城市森林的三维结构，因此导致对归一化植被指数低值区碳储量高估及归一化植被指数高值区碳储量低估㊂在归一化植被指数模型法中加入城市森林结构信息可显著提高城市森林碳储量估算精度㊂本研究加入平均胸径㊁最大胸径㊁平均树高㊁最大树高后，归一化植被指数模型法的Ｒ２分别提高０．３５㊁０．２２㊁０．２１㊁０．２２，ＲＭＳＥ分别降低５．５７㊁３．２０㊁３．１６㊁３．１６Ｍｇ㊃ｈｍ－２㊂近年来，植被群落结构，如树高等逐渐用于提高城市森林碳储量估算精度㊂有研究显示，结合ＩＣ⁃ＥＳａｔ－２ＬｉＤＡＲ和高分２号多光谱数据能有效提升北京城市森林碳储量估算精度［３２］；根据ＬｉＤＡＲ点云数据发现，相比归一化植被指数，平均及最大树高６９㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷更能准确估算纽约城市森林的碳储量［２９］㊂但前者采用多元统计分析，估算模型缺乏生态学理论支撑，后者证实了群落结构显著影响城市森林碳储量，但未能将其与归一化植被指数模型法整合以提高城市森林碳储量估算精度㊂尽管加入城市森林结构指标可显著提高城市森林地上碳储量估算精度，但本研究最高Ｒ２（０．７）表明模型仍有较大优化空间㊂不同城市功能单元间用地类型㊁建成时间㊁管理水平㊁城市森林结构等不同，这增大了归一化植被指数和群落结构变化对城市森林碳密度影响的复杂性㊂以城市功能单元为样本，进一步阐明城市森林碳储量估算模型参数的异质性与影响因素，是提升城市森林碳储量遥感估算精度的潜在途径㊂本研究在分析城市森林碳密度与遥感归一化植被指数关系的基础上定量评估城市森林结构，如胸径及树高对城市森林碳储量估算精度的影响，提出加入城市森林结构指标的城市森林碳储量遥感估算模型㊂加入群落结构指标能显著提高城市森林碳储量估算精度，其中，平均胸径的估算精度提高０．３５㊁最大胸径提高０．２２㊁平均树高提高０．２１㊁最大树高提高０．２２㊂研究为优化城市森林碳储量遥感估算模型提供了新途径，也为长沙市城市森林规划管理提供参考㊂参㊀考㊀文㊀献［１］㊀王兵，任晓旭，胡文．中国森林生态系统服务功能及其价值评估［Ｊ］．林业科学，２０１１，４７（２）：１４５－１５３．［２］㊀ＣＨＥＮＳＱ，ＣＨＥＮＢ，ＦＥＮＧＫＳ，ｅｔａｌ．Ｐｈｙｓｉｃａｌａｎｄｖｉｒｔｕａｌｃａｒ⁃ｂｏｎｍｅｔａｂｏｌｉｓｍｏｆｇｌｏｂａｌｃｉｔｉｅｓ［Ｊ］．ＮａｔｕｒｅＣｏｍｍｕｎｉｃａｔｉｏｎｓ，２０２０，１１（１）．ｄｏｉ：１０．１０３８／ｓ４１４６７－０１９－１３７５７－３．［３］㊀ＳＵＮＹ，ＸＩＥＳ，ＺＨＡＯＳＱ．Ｖａｌｕｉｎｇｕｒｂａｎｇｒｅｅｎｓｐａｃｅｓｉｎｍｉｔｉｇａ⁃ｔｉｎｇｃｌｉｍａｔｅｃｈａｎｇｅ：ａｃｉｔｙ⁃ｗｉｄｅｅｓｔｉｍａｔｅｏｆａｂｏｖｅｇｒｏｕｎｄｃａｒｂｏｎｓｔｏｒｅｄｉｎｕｒｂａｎｇｒｅｅｎｓｐａｃｅｓｏｆＣｈｉｎａ ｓＣａｐｉｔａｌ［Ｊ］．ＧｌｏｂａｌＣｈａｎｇｅＢｉｏｌｏｇｙ，２０１９，２５（５）：１７１７－１７３２．［４］㊀ＭＩＴＣＨＥＬＬＭＧＥ，ＪＯＨＡＮＳＥＮＫ，ＭＡＲＯＮＭ，ｅｔａｌ．Ｉｄｅｎｔｉｆｉｃａ⁃ｔｉｏｎｏｆｆｉｎｅｓｃａｌｅａｎｄｌａｎｄｓｃａｐｅｓｃａｌｅｄｒｉｖｅｒｓｏｆｕｒｂａｎａｂｏｖｅｇｒｏｕｎｄｃａｒｂｏｎｓｔｏｃｋｓｕｓｉｎｇｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎｍｏｄｅｌｉｎｇａｎｄｍａｐｐｉｎｇ［Ｊ］．ＴｈｅＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔ，２０１８，６２２／６２３：５７－７０．［５］㊀ＭＣＨＡＬＥＭＲ，ＭＣＰＨＥＲＳＯＮＥＧ，ＢＵＲＫＥＩＣ．Ｔｈｅｐｏｔｅｎｔｉａｌｏｆｕｒｂａｎｔｒｅｅｐｌａｎｔｉｎｇｓｔｏｂｅｃｏｓｔｅｆｆｅｃｔｉｖｅｉｎｃａｒｂｏｎｃｒｅｄｉｔｍａｒｋｅｔｓ［Ｊ］．ＵｒｂａｎＦｏｒｅｓｔｒｙ＆ＵｒｂａｎＧｒｅｅｎｉｎｇ，２００７，６（１）：４９－６０．［６］㊀ＬＩＵＣＦ，ＬＩＸＭ．Ｃａｒｂｏｎｓｔｏｒａｇｅａｎｄｓｅｑｕｅｓｔｒａｔｉｏｎｂｙｕｒｂａｎｆｏｒ⁃ｅｓｔｓｉｎＳｈｅｎｙａｎｇ，Ｃｈｉｎａ［Ｊ］．ＵｒｂａｎＦｏｒｅｓｔｒｙａｎｄＵｒｂａｎＧｒｅｅｎｉｎｇ，２０１２，１１（２）：１２１－１２８．［７］㊀ＹＡＮＧＪ，ＭＣＢＲＩＤＥＪ，ＺＨＯＵＪＸ，ｅｔａｌ．ＴｈｅｕｒｂａｎｆｏｒｅｓｔｉｎＢｅｉ⁃ｊｉｎｇａｎｄｉｔｓｒｏｌｅｉｎａｉｒｐｏｌｌｕｔｉｏｎｒｅｄｕｃｔｉｏｎ［Ｊ］．ＵｒｂａｎＦｏｒｅｓｔｒｙ＆ＵｒｂａｎＧｒｅｅｎｉｎｇ，２００５，３（２）：６５－７８．［８］㊀王冬生，况明生，张小军，等．基于ＲＳ的城市绿地及其固碳能力演变研究：以重庆市主城区为例［Ｊ］．西南师范大学学报（自然科学版），２０１２，３７（３）：１０５－１１２．［９］㊀ＧＵＯＹＪ，ＲＥＮＺＢ，ＷＡＮＧＣＣ，ｅｔａｌ．Ｓｐａｔｉｏｔｅｍｐｏｒａｌｐａｔｔｅｒｎｓｏｆｕｒｂａｎｆｏｒｅｓｔｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎｃａｐａｃｉｔｙ：ｉｍｐｌｉｃａｔｉｏｎｓｆｏｒｕｒ⁃ｂａｎＣＯ２ｅｍｉｓｓｉｏｎｍｉｔｉｇａｔｉｏｎｄｕｒｉｎｇＣｈｉｎａ ｓｒａｐｉｄｕｒｂａｎｉｚａｔｉｏｎ［Ｊ］．ＴｈｅＳｃｉｅｎｃｅｏｆｔｈｅＴｏｔａｌＥｎｖｉｒｏｎｍｅｎｔ，２０２４，９１２．ｄｏｉ：１０．１０１６／ｊ．ｓｃｉｔｏｔｅｎｖ．２０２３．１６８７８１．［１０］㊀ＹＵＹ，ＰＡＮＹ，ＹＡＮＧＸＧ，ｅｔａｌ．Ｓｐａｔｉａｌｓｃａｌｅｅｆｆｅｃｔａｎｄｃｏｒ⁃ｒｅｃｔｉｏｎｏｆｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｅｓｔｉｍａｔｉｏｎｕｓｉｎｇｒｅｍｏｔｅｓｅｎｓｉｎｇ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇ，２０２２，１４（１２）．ｄｏｉ：１０．３３９０／ｒｓ１４１２２８２８．［１１］㊀ＺＨＡＮＧＺＨ，ＷＵＳＸ，ＺＨＵＡＮＧＱＷ，ｅｔａｌ．Ｊｏｉｎｔｅｓｔｉｍａｔｉｏｎｏｆａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｕｓｉｎｇ Ｓｐａｃｅ⁃Ａｉｒ⁃Ｇｒｏｕｎｄ ｄａｔａｉｎｔｈｅＱｉｌ⁃ｉａｎＭｏｕｎｔａｉｎｓ，Ｃｈｉｎａ［Ｊ］．ＥｃｏｌｏｇｉｃａｌＩｎｄｉｃａｔｏｒｓ，２０２２，１３８．ｄｏｉ：１０．１０１６／ｊ．ｅｃｏｌｉｎｄ．２０２２．１０８８６６．［１２］㊀ＬＩＹＣ，ＬＩＭＹ，ＬＩＣ，ｅｔａｌ．Ｆｏｒｅｓｔａｂｏｖｅｇｒｏｕｎｄｂｉｏｍａｓｓｅｓｔｉ⁃ｍａｔｉｏｎｕｓｉｎｇＬａｎｄｓａｔ８ａｎｄＳｅｎｔｉｎｅｌ－１Ａｄａｔａｗｉｔｈｍａｃｈｉｎｅｌｅａｒｎ⁃ｉｎｇａｌｇｏｒｉｔｈｍｓ［Ｊ］．ＳｃｉｅｎｔｉｆｉｃＲｅｐｏｒｔｓ，２０２０，１０（１）．ｄｏｉ：１０．１０３８／ｓ４１５９８－０２０－６７０２４－３．［１３］㊀ＤＡＩＳＱ，ＺＨＥＮＧＸＭ，ＧＡＯＬ，ｅｔａｌ．Ｉｍｐｒｏｖｉｎｇｐｌｏｔ⁃ｌｅｖｅｌｍｏｄｅｌｏｆｆｏｒｅｓｔｂｉｏｍａｓｓ：ａｃｏｍｂｉｎｅｄａｐｐｒｏａｃｈｕｓｉｎｇｍａｃｈｉｎｅｌｅａｒｎｉｎｇｗｉｔｈｓｐａｔｉａｌｓｔａｔｉｓｔｉｃｓ［Ｊ］．Ｆｏｒｅｓｔｓ，２０２１，１２（１２）．ｄｏｉ：１０．３３９０／ｆ１２１２１６６３．［１４］㊀邹琪，孙华，王广兴，等．基于Ｌａｎｄｓａｔ８的深圳市森林碳储量遥感反演研究［Ｊ］．西北林学院学报，２０１７，３２（４）：１６４－１７１．［１５］㊀汤煜，石铁矛，卜英杰，等．城市绿地碳储量估算及空间分布特征［Ｊ］．生态学杂志，２０２０，３９（４）：１３８７－１３９８．［１６］㊀ＵＮＩＹＡＬＳ，ＰＵＲＯＨＩＴＳ，ＣＨＡＵＲＡＳＩＡＫ，ｅｔａｌ．ＱｕａｎｔｉｆｉｃａｔｉｏｎｏｆｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎｂｙｕｒｂａｎｆｏｒｅｓｔｕｓｉｎｇＬａｎｄｓａｔ８ＯＬＩａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｓｉｎＪｏｄｈｐｕｒ，Ｉｎｄｉａ［Ｊ］．ＵｒｂａｎＦｏｒｅｓｔ⁃ｒｙ＆ＵｒｂａｎＧｒｅｅｎｉｎｇ，２０２２，６７．ｄｏｉ：１０．１０１６／ｊ．ｕｆｕｇ．２０２１．１２７４４５．［１７］㊀ＴＩＭＩＬＳＩＮＡＮ，ＳＴＡＵＤＨＡＭＭＥＲＣＬ，ＥＳＣＯＢＥＤＯＦＪ，ｅｔａｌ．Ｔｒｅｅｂｉｏｍａｓｓ，ｗｏｏｄｗａｓｔｅｙｉｅｌｄ，ａｎｄｃａｒｂｏｎｓｔｏｒａｇｅｃｈａｎｇｅｓｉｎａｎｕｒｂａｎｆｏｒｅｓｔ［Ｊ］．ＬａｎｄｓｃａｐｅａｎｄＵｒｂａｎＰｌａｎｎｉｎｇ，２０１４，１２７：１８－２７．［１８］㊀ＷＡＮＧＹＮ，ＣＨＡＮＧＱ，ＬＩＸＹ．Ｐｒｏｍｏｔｉｎｇｓｕｓｔａｉｎａｂｌｅｃａｒｂｏｎｓｅｑｕｅｓｔｒａｔｉｏｎｏｆｐｌａｎｔｓｉｎｕｒｂａｎｇｒｅｅｎｓｐａｃｅｂｙｐｌａｎｔｉｎｇｄｅｓｉｇｎ：ａｃａｓｅｓｔｕｄｙｉｎｐａｒｋｓｏｆＢｅｉｊｉｎｇ［Ｊ］．ＵｒｂａｎＦｏｒｅｓｔｒｙ＆ＵｒｂａｎＧｒｅｅｎｉｎｇ，２０２１，６４．ｄｏｉ：１０．１０１６／ｊ．ｕｆｕｇ．２０２１．１２７２９１．［１９］㊀高述超，田大伦，闫文德，等．长沙城市森林生物量的结构特征［Ｊ］．中南林业科技大学学报，２０１０，３０（１２）：５６－６５．［２０］㊀方海波，田大伦，康文星．间伐后杉木人工林生态系统生物产量的动态变化［Ｊ］．中南林学院学报，１９９９（１）：１６－１９．［２１］㊀田大伦，尹刚强，方晰，等．湖南会同不同退耕还林模式初期碳密度㊁碳贮量及其空间分布特征［Ｊ］．生态学报，２０１０，３０（２２）：６２９７－６３０８．［２２］㊀李志辉，何立新，周育平，等．水杉人工林生物产量及生产力的研究［Ｊ］．中南林学院学报，１９９６，１６（２）：４７－５１．［２３］㊀阎海平，李恒，张金生．元宝枫林生物量的研究［Ｊ］．北京林业大学学报，１９９７，１９（Ｓ２）：１０８－１１２．［２４］㊀罗佳，戴成栋，田育新，等．湖南碳汇项目林主要建群种生物量模型构建［Ｊ］．湖南林业科技，２０１６，４３（５）：１２－１６，２１．［２５］㊀贺红早，黄丽华，段旭，等．贵阳二环林带主要树种生物量研究［Ｊ］．贵州科学，２００７，２５（３）：３３－３９．［２６］㊀罗云建，王效科，逯非．中国主要林木生物量模型手册［Ｍ］．北京：中国林业出版社，２０１５．［２７］㊀ＬＡＮＧＮ，ＪＥＴＺＷ，ＳＣＨＩＮＤＬＥＲＫ，ｅｔａｌ．Ａｈｉｇｈ⁃ｒｅｓｏｌｕｔｉｏｎｃａｎｏｐｙｈｅｉｇｈｔｍｏｄｅｌｏｆｔｈｅＥａｒｔｈ［Ｊ］．ＮａｔｕｒｅＥｃｏｌｏｇｙ＆Ｅｖｏｌｕ⁃ｔｉｏｎ，２０２３，７（１１）：１７７８－１７８９．［２８］㊀ＭＹＥＯＮＧＳ，ＮＯＷＡＫＤＪ，ＤＵＧＧＩＮＭＪ．Ａｔｅｍｐｏｒａｌａｎａｌｙｓｉｓｏｆｕｒｂａｎｆｏｒｅｓｔｃａｒｂｏｎｓｔｏｒａｇｅｕｓｉｎｇｒｅｍｏｔｅｓｅｎｓｉｎｇ［Ｊ］．ＲｅｍｏｔｅＳｅｎｓｉｎｇｏｆＥｎｖｉｒｏｎｍｅｎｔ，２００６，１０１（２）：２７７－２８２．［２９］㊀ＬＩＮＪ，ＭＡＱ，ＪＵＹ，ｅｔａｌ．Ｒｅｌａｔｉｏｎｓｈｉｐｓｂｅｔｗｅｅｎｕｒｂａｎｉｚａｔｉｏｎ，ｔｒｅｅｍｏｒｐｈｏｌｏｇｙ，ａｎｄｃａｒｂｏｎｄｅｎｓｉｔｙ：ａｎｉｎｔｅｇｒａｔｉｏｎｏｆｒｅｍｏｔｅｓｅｎｓｉｎｇ，ａｌｌｏｍｅｔｒｉｃｍｏｄｅｌｓ，ａｎｄｆｉｅｌｄｓｕｒｖｅｙ［Ｊ］．ＵｒｂａｎＦｏｒｅｓｔｒｙ＆ＵｒｂａｎＧｒｅｅｎｉｎｇ，２０２２，７６．ｄｏｉ：１０．１０１６／ｊ．ｕｆｕｇ．２０２２．１２７７２５．［３０］㊀殷炜达，苏俊伊，许卓亚，等．基于遥感技术的城市绿地碳储量估算应用［Ｊ］．风景园林，２０２２，２９（５）：２４－３０．［３１］㊀吴飞，吴泽民，吴文友．马鞍山市城市森林碳储量及分布格局研究［Ｊ］．安徽农业大学学报，２０１２，３９（４）：５１９－５２６．［３２］㊀ＱＩＮＨ，ＺＨＯＵＷ，ＱＩＡＮＹ，ｅｔａｌ．Ｅｓｔｉｍａｔｉｎｇａｂｏｖｅｇｒｏｕｎｄｃａｒ⁃ｂｏｎｓｔｏｃｋｓｏｆｕｒｂａｎｔｒｅｅｓｂｙｓｙｎｅｒｇｉｚｉｎｇＩＣＥＳａｔ－２ＬｉＤＡＲｗｉｔｈＧＦ－２ｄａｔａ［Ｊ］．ＵｒｂａｎＦｏｒｅｓｔｒｙ＆ＵｒｂａｎＧｒｅｅｎｉｎｇ，２０２２，７６．ｄｏｉ：１０．１０１６／ｊ．ｕｆｕｇ．２０２２．１２７７２８．７９第６期㊀㊀㊀㊀㊀㊀㊀㊀杨呵，等：结合群落结构的城市森林地上碳储量遥感估算 以长沙市为例。
全国土壤碳储量及各类元素（氧化物）储量实测计算暂行要求全国多目标区域地球化学调查系统取得土壤有机碳、全碳及各类元素（氧化物）等54项指标，对于实测土壤碳储量和元素（氧化物）储量以及研究地球系统物质循环具有重要意义，在土地利用、农业种植和环境评估等经济社会发展各方面发挥现实作用。
在全国多目标区域地球化学调查基础上，分别建立单位土壤碳量、单位土壤元素量及单位土壤氧化物量，进行土壤碳储量及元素（氧化物）储量计算。
以单位土壤碳量为例，采用4km2网格为计算单元，即以多目标区域地球化学调查确定的土壤表层样品分析单元为计算单位，土壤表层样碳含量及其对应的深层样碳含量（分析单元为16km2），分别代表计算单位表层土壤碳含量与深层土壤碳含量，依据其含量分布模式计算得到单位土壤碳量，对单位土壤碳量进行加和计算取得土壤碳储量。
土壤碳及各类元素（氧化物）含量由土壤表层至深层主要存在两类分布模式，即指数分布模式和直线分布模式。
其中有机碳与氮含量分布为指数模式，按照指数公式计算；无机碳及其他元素和氧化物含量分布为直线模式，按照直线公式计算。
土壤有机碳与氮含量水平存在地区性和沉积类型差别，综合各省区有机碳与氮含量分布特征，在全国采用平均指数模式计算单位土壤碳量和氮量，属于区域碳储量和区域氮储量计算。
为规范全国区域土壤碳储量及元素（氧化物）储量计算要求和方法，现作出如下规定。
一、单位土壤碳量计算方法土壤碳储量采用单位土壤碳量为单元进行加和计算。
单位土壤碳量用USCA 表示，要求按照深层（0-1.8m ）、中层（0-1.0m ）和表层（0-0.2m ）三种深度分别计算有机碳（TOC ）、无机碳（TIC ）和全碳（TC ）储量，依次表示为USCA TOC,h 、USCA TIC,h 和USCA TC,h 。
式中h 为深度，如有机碳USCA TOC,0-1.8m 、USCA TOC,0-1.0m 、USCA TOC,0-0.2m 。
第23卷武 夷 科 学V o.l232007年12月WUY I SCIENCE J OURNA L D ec.2007文章编号:1001 4276 (2007)01 0219 08土壤碳储量研究方法及其影响因素刘留辉,邢世和,高承芳(福建农林大学资源与环境学院,福建福州350002)摘要: 近年来,碳储量问题日益成为全球变化与地球科学研究领域的前沿与热点问题。
土壤是陆地生态系统的核心,研究土壤碳储量及其影响因素对正确评价土壤在陆地生态系统碳循环以及全球变化中的作用有重要意义。
文章综述了土壤碳储量研究常用的五种统计方法,总结分析了植被、气候、土壤属性以及土地利用方式等多种自然因素和人文因素对土壤碳储量的影响。
关键词: 土壤碳储量;研究方法;影响因素中图分类号: S153.6 文献标识码: A1 引言碳循环是地球上最为重要的生物地球化学循环过程,它占据着主导地位,并支配着地表系统中其他的物质能量循环过程,深刻影响着人类的生存环境。
陆地生态系统碳循环是全球碳循环的重要组成部分,在全球碳收支中占有十分重要的地位。
而土壤是陆地生态系统的核心,是连接大气圈、水圈、生物圈以及岩石圈的纽带,研究土壤碳循环是研究陆地生态系统碳循环的重要前提。
土壤碳库是陆地生态系统碳库中最大的贮库,而且是其中非常活跃的部分。
全球约有1.4 1018-1.5 1018g碳是以有机质形态储存于地球土壤中,是陆地植被碳库(0.5 1018-0.6 1018g)的2-3倍,是大气碳(0.75 1018g)的2倍[1-3]。
土壤通过呼吸作用向大气释放C O2的年通量约为5.0 1016-7.5 1016g,占陆地生态系统与大气之间碳交换总量的2/ 3[2],是化石燃料燃烧排放量的10倍[4]。
因土壤碳库比大气碳库有较大的贮藏量,在水分、温度和人类活动等条件的综合影响下,土壤碳库既可能成为汇而贮藏碳,也可能成为源而排放碳。
而土壤碳库储量的较小幅度变动,会以温室效应的加强或削弱来强烈地影响地球气候系统。
第３４卷第６期２０１４年１２月水土保持通报Ｂｕｌｌｅｔｉｎ ｏｆ Ｓｏｉｌ ａｎｄ Ｗａｔｅｒ ＣｏｎｓｅｒｖａｔｉｏｎＶｏｌ．３４，Ｎｏ．６Ｄｅｃ．，２０１４ 收稿日期：２０１３－１０－３１ 修回日期：２０１３－１２－１０ 资助项目：国家自然科学基金项目“富铝土—有机污染物相互作用中自由基的产生、稳定及迁移”（４１２７３１３８）；国家自然科学基金优秀青年项目（４１２２２０２５） 作者简介：包承宇（１９８８—），男（汉族），云南省昆明市人，硕士研究生，研究方向为土壤资源和地理信息系统。
Ｅ－ｍａｉｌ：ｖｉｐｂｃｙ１２２６＠ｑｑ．ｃｏｍ。
通信作者：潘波（１９７６—），男（汉族），湖北省枝江市人，博士，教授，主要从事土壤环境中污染物行为研究。
Ｅ－ｍａｉｌ：ｐａｎｂｏｃａｉ＠ｇｍａｉｌ．ｃｏｍ。
云南省土壤有机碳储量估算及空间分布包承宇，曾和平，张梦妍，李浩，潘波（昆明理工大学环境科学与工程学院，云南昆明６５０５００）摘 要：根据云南省第二次土壤普查资料，采用土壤类型法估算了云南省主要土壤类型的有机碳（ＳＯＣ）密度和储量，并对云南省土壤有机碳密度的空间分布差异和影响土壤有机碳储量的主要因子进行了分析。
结果表明，云南省０—２０ｃｍ土层平均ＳＯＣ密度为５９．７７ｔ／ｈｍ２，ＳＯＣ储量为２．３０×１０９ ｔ；０—１００ｃｍ土层平均ＳＯＣ密度为１５９．９５ｔ／ｈｍ２，ＳＯＣ储量为６．１５×１０９ ｔ，占全国储量的７．２８％，占全球陆地生态系统ＳＯＣ储量的０．４１％；其中ＳＯＣ储量占前４位的土壤类型为红壤、黄棕壤、赤红壤、棕壤，不同深度下４者之和约占云南省总储量的６０％。
在土壤有机碳密度空间分布上，ＳＯＣ密度分布最高的区域为云南省西北部和东北部地区，其次是西部的横断山脉和东部的云南高原地区，而以紫色土为主的中北部地区ＳＯＣ密度则最低。
由于降雨量、温度、海拔和土地利用类型的共同影响，导致了区域内的ＳＯＣ密度分布不均，其中降雨量、温度和海拔等自然因素是影响ＳＯＣ密度分布的主要因子。
地球科学与环境工程河南科技Henan Science and Technology总第810期第16期2023年8月陆地生态系统碳汇估算与碳交易：方法与进展杨选琴马明英（安顺学院经济与管理学院，贵州安顺561000）摘要：【目的】通过分析国内外相关研究，为中国陆地生态系统碳汇估算及其经济价值实现提供可行性参考。
【方法】从陆地生态系统碳汇估算研究视角、碳汇估算方法及碳汇量、国内外碳交易发展现状三个方面梳理和评价研究进展。
【结果】研究视角不同碳汇估算方法存在差异；目前研究没有直接估算不同陆地生态系统碳汇的方法，碳汇估算与碳交易两个问题的研究是分离的。
【结论】我国碳交易市场发展不成熟，交易方法有待完善，未来应从多研究视角完善陆地生态系统碳汇库。
关键词：陆地生态系统；碳汇估算；碳交易中图分类号：F326.2文献标志码：A文章编号：1003-5168（2023）16-0097-05DOI ：10.19968/ki.hnkj.1003-5168.2023.16.020Estimation of Terrestrial Ecosystem Carbon Sink and Carbon Trading ：Methods and ProgressYANG Xuanqin MA Mingying(Anshun University,School of Economics and Management,Anshun 561000,China)Abstract:[Purposes ]By analyzing relevant studies at home and abroad,this paper aims to provide feasi⁃bility reference for the estimation of carbon sink and the realization of economic value of terrestrial eco⁃systems in China.[Methods ]The research progress was reviewed and evaluated from three aspects :the perspective of terrestrial ecosystem carbon sink estimation,carbon sink estimation methods and carbon sinks,and the development status of carbon trading at home and abroad.[Findings ]There were differ⁃ences in different carbon sink estimation methods from different research perspectives.At present,there is no direct method to estimate the carbon sink of different terrestrial ecosystems,and the research on carbon sink estimation and carbon trading is separated.[Conclusions ]The research shows that the devel⁃opment of China's carbon trading market is not mature,and the trading methods need to be improved.In the future,we should improve the terrestrial ecosystem carbon sink pool from multiple research perspec⁃tives.Keywords:terrestrial ecosystem;carbon sink estimation;carbon trading0引言陆地生态系统固碳减排是平抑气候变化波动的重要活动。
第11卷 第1期2007年1月遥 感 学 报JOURNAL OF RE MOTE SENSI N GVol .11,No .1Jan .,2007收稿日期:2005210217;修订日期:2006203202基金项目:国家自然科学基金面上项目(编号:40401028,40671173)、国家杰出青年基金项目(编号:40425008)、国家自然科学基金重大项目(编号:30590384)、国家重点基础发展规划研究项目(编号:2006CB400505)作者简介:周 涛(1972— ),男,博士,副教授,毕业于北京师范大学,美国俄克拉荷马大学博士后(2003—2005),主要从事土地利用/土地覆被变化与陆地生态系统碳循环研究,已发表论文10余篇。
E 2mail:tzhou@bnu .edu .cn 。
文章编号:100724619(2007)0120127210基于遥感与碳循环过程模型估算土壤有机碳储量周 涛1,2,史培军1,3,罗巾英4,邵振艳1,2(1.北京师范大学环境演变与自然灾害教育部重点实验室,北京 100875;2.北京师范大学资源学院资源科学研究所,北京 100875;3.北京师范大学资源学院灾害与公共安全研究所,北京 100875;4.北京教育出版社,北京 100011)摘 要: 土壤有机碳含量的估算是当前全球碳循环研究的热点之一,但不同学者之间的估算值差异较大。
从估算方法看,主要有基于土壤剖面的直接估算法和基于生态系统碳循环过程模型的间接估算法,这两种方法各有优缺点。
直接估算法由于只反映了不同土壤或植被类型的土壤有机碳含量平均值的差异,因而空间分辨率较低。
而间接估算法由于参数的简化,影响了土壤有机碳估算的空间精度。
作者将遥感的高时空分辨率特征、反映生态系统碳循环动态变化的过程模型、实际测量的土壤有机碳结合起来,以求提高土壤有机碳估算的空间分辨率。
考虑到受温度、水分的影响,土壤呼吸与土壤有机碳含量的关系并不好,而土壤基础呼吸由于剔除了温度和水分的影响,从而使其与土壤有机碳的关系非常密切,其测定系数R 2可达0178。
城市土壤碳储量估算方法综述作者：王甜甜黄艳萍聂兵来源：《安徽农学通报》2017年第01期摘要：城市作为主要的人类活动集中地，在碳循环中占据着重要地位。
伴随着全球气候变化的加剧，城市土壤碳库研究被赋予了新的内涵，受到了广泛关注。
该文综述了土壤类型法、模型法、生命地带法及GIS估算法等几种主要的城市土壤碳储量估算方法，并分析了其优缺点。
关键词：城市土壤；碳储量；估算方法中图分类号 S153.6 文献标识码 A 文章编号 1007-7731（2017）01-0069-03Abstract：The urban，as the main gathering place for human activities nowadays，takes an important role in carbon cycling.Nowadays，with the exacerbating of global climate change，the urban soil carbon pool is given a new connotation，and was widely concerned.This thesis summarizes several main methods of estimating the carbon storage，such as soil type method，model method，life zone method and GIS estimation method，etc.In addition，the thesis analyzed the merits and demerits of each method in order to reduce or avoid the mistakes caused by the improper research methods in the process of estimating carbon storage of the soil.Key words：Urban soils；Carbon storage；Estimation method1 引言陆地生态系统碳循环及碳平衡对土地利用/覆被变化（LUCC）的响应是当前全球变化和碳平衡研究的重点内容[1-2]。
人口增长压力导致的LUCC正深刻影响着生态系统地上和地下的碳储量[3]，已经成为改变陆地生态系统碳库的主要驱动因素，对人类的生存环境和社会经济的可持续发展产生着重要的影响[4-5]。
由于人口的高度集中和经济活动频繁，快速发展过程中的城市用地在迅速扩张。
城市用地的改变深刻影响着城市土壤的理化性质，使得土壤既可能成为碳汇，也可能成为碳源[6]。
章明奎等的研究表明，城市土壤碳具有明显的积累并具较大的空间变异性，城区土壤的平均有机碳贮量远高于远郊区土壤，且城市土壤有机碳较为稳定[7]。
Pouyat的研究发现随着相邻的土地利用类型的城市化，城市的土壤碳储量将受到强烈影响[8]。
研究表明，大约60%～70%已损耗的碳，可通过采取合理的土地利用和管理方式被重新固定[9]。
因此，精确估算城市生态系统土壤碳储量，准确评价其对土地利用/覆被变化的响应，是制定合理的土地政策，增加陆地碳汇量的基础[10]。
2 城市土壤碳储量估算主要方法目前研究城市土壤碳储量的方法主要有土壤类型法、模型法、生命地带法、GIS估算法等，由于受到资料收集、空间差异、科学技术等差异性因素影响，每种方法各有利弊。
2.1 土壤类型法土壤类型法是通过实验获得土壤剖面数据，从而估算土壤碳含量，再根据区域或国家尺度的土壤图上的各土壤类型面积计算得到土壤碳储量[11]。
学者史利江等采用土壤类型法，根据上海第二次土壤普查资料，研究了上海市土壤有机碳储量、碳密度及其空间分布格局，结果表明，上海地区0～100cm深度的土壤有机碳总储量及平均土壤有机碳密度分别为5.76×107t和10.55kg/m2，相对全国平均水平较高，表现为较强的碳蓄积能力[12]；陈曦以广西第二次土壤普查的土壤剖面数据为基础，结合广西1：50万的土壤图以及行政区划图，计算得到各城市表层土壤有机碳库储量为6.42×1011kg，而有机碳密度均值为3.33kg/m2，低于全国平均值[13]。
实际研究中，根据不同研究区域的地形地貌条件，学者们采用的土地分类方法也不尽相同，如许文强等基于网格的土壤类型法，估算干旱区典型的三工河流域城市土壤碳储量为14.35GT，平均碳密度为6.70kg/m2[14]；刘为华采用扇形网格方法，将城市宏观大尺度和土壤样地小尺度数据加以整合，得到研究区绿地土壤0～30cm土层的碳密度和碳储量分别为25.807kg/m2和3 589 968.57t，30～60cm土层土壤碳密度和碳储量分别为28.129kg/m2和3 106 810.18t[15]。
综合来说，土壤类型法的优点在于：可以利用如世界土壤图、国家土壤图等统一的估算体系，方便各学者将研究结果进行归总和比对，其缺点在于统一的估算系统较于笼统简化，在计算结果的精度上可能存在较大差异。
2.2 模型方法模型方法是根据各种土壤碳循环模型估算土壤碳蓄积量的方法，这种方法可以综合考虑决定进入土壤的碳数量和质量，以及决定土壤碳分解速率的各种因子，从而估算土壤有机碳储量，并能根据大量实测数据和气候变化模拟数据，预测不同情况下的土壤碳蓄积量动态变化趋势，探讨土壤碳蓄积和固定潜力，分析气候变化对土壤碳蓄积的不同综合影响[16]。
1991年Jenkinson使用了Lausanne模型计算了从土壤有机质中释放的二氧化碳排放量，估算出土壤有机质在未来60a将有61×1015G[17]；李克让应用生物地球化学模型及生物物理子模型、植物生长子模型、土壤子模型3个包含关系的子模型，估算出中国陆地生态系统土壤总碳储量为82.65Gt，平均土壤碳密度为9.17kg/m2[18]。
根据不同的研究目的，国内外已经开发了多种土壤碳循环的模型，不仅能够适用于各种要求的研究，也能够解决尺度转换的问题，但是土壤碳循环模型在开发和计算上都较为复杂困难，需要大量的模拟运算，不仅对技术手段有较高要求，而且需要大量的观测数据。
2.3 生命地带法生命地带法是根据生命地带类型的土壤有机碳密度乘以该类型分布面积来计算土壤有机碳蓄积量的方法。
最为经典的是Post基于Holdridge生命带模型，搜集了2 696个土壤土层数据资料，估算出全球1m土层有机碳库为1 395Gt[19]。
该方法不仅能够计算出总的土壤有机碳储量，还能够了解不同生命地带类型的土壤有机碳储量，而且每个生命地带类型还能够包括不同的土壤类型，使得分布范围更加广泛。
该方法的缺点是数据的来源过于广泛，可靠性不足，容易造成计算结果有较大的差异性。
2.4 GIS估算法 GIS估算法是先数字化参加计算的土壤图，确立以土属为单位的空间数据库，然后计算各土壤土属各个土层的有机质质量分数，接着选取该土属内所有土种的典型土壤剖面，按照土壤发生层分别采集土壤有机质质量分数、土层厚度和容重等数据，计算出每个土层的土壤有机质平均质量分数和土层平均深度及其平均容重等，最后建立土壤有机质的属性数据库，再利用GIS的空间分析功能计算出各类土壤的有机碳储量[20]。
已有研究中，吴志峰以广州市为研究区，基于广东省第2次土壤普查数据和2000年ETM+遥感数据，计算出广州市0～20cm和0～100cm土壤有机碳储量分别为2.16×107t，为6.40×107t，土壤有机碳平均密度分别为32.06t·hm-2，94.91t·hm-2[21]。
许乃政基于1∶250000多目标地球化学调查数据，利用RS遥感影像和GIS统计技术，计算出1980—2005年间上海城区表层土壤有机碳密度为（3.926±1.381）kg.m-2，其均值是郊区的1.049倍，是乡村地区的1.255倍，呈现出城市-郊区-乡村空间梯度演替特性[22]。
相对于人工野外调查、数理统计分析的方法，遥感技术支持下的GIS 估算法具有精高度、时相统一、效率高、调查全面等特点，并且能够解决前者因为费时费力调查结果精度不高、不可靠的弊端。
3 结语本文着重介绍了几种国内外通用的城市土壤碳储量估算方法，每种方法都有其优点和局限性。
由于土壤分类系统、采样方法、计算方法、参数估计方法存在一定的差异性，导致目前土壤碳储量的估算值相差较大。
今后还需要学者的继续深入探索，综合各种方法，融合多学科技术，不断提高研究的精准性与科学性。
参考文献[1]SAMPSON R N，APPS M，BROWN S，et al.Terrestrial biosphere carbon fluxes quantification of sinks and sources of CO2[J].Water，Air，and Soil Pollution，1993，70：3-15.[2]王绍强，陈育峰.陆地表层碳循环模型研究及其趋势[J].地理科学进展，1998，17（4）：64-72.[3]Houghton R A.Revised estimates of the annual net flux of carbon to the atmosphere from changes in land use and land management 1850-2000 [J].Tellus Series B-Chemical and Physical Meteorology，2003，55（2）：378-390.[4]Li Z，Zhao anic carbon content and distribution in soil under different land use in tropical and subtropical China[J].Plant Soil，2001，231：175-185.[5]Solomon A M，et al.The interaction of climate and land use in future terrestrial carbon storage and release[J].Water，Air，Soil Pollut，1993，70：595-614.[6]吴建国，张小全，徐德应.土地利用变化对生态系统碳汇功能影响的综合评价[J].中国工程科学，2003，5（9）：65-77.[7]章明奎，周翠.杭州市城市土壤有机碳的积累和特性[J].土壤通报，2006，37（1）：19～21.[8]Pouyat R.，Groffillan P，Yesilonis L，et al.Sole carbon pools and fluxes in urban ecosystem[J].Environment pollution.2002，116：107-118.[9]Lal R.Soil carbon dynamics in cropland and rangeland[J].Environmental Pollution，2002，116：353-362.[0]Robin W，Murray S，Rohweder M.Plot analysis of global ecosystem：grassland ecosystems[J].Washington D.C：World Resource Institute，2000，49-53.[11]Eswaran H，Vander Berg E，Reich anic carbon in soils of the world[J].SoilSci.Soc.Am.J，1993，57 ：192-194 .[2]史利江，郑丽波，罗张卫国，等.上海土壤有机碳储量及其空间分布特征[J].长江流域资源与环境，2010，19（12）：1442-1446.[3]陈曦.广西土壤有机碳储量估算及与全国部分省区的比较研究[J]地理科学，2014，34（10）：1247-1253.[14]许文强，陈曦，罗格平，等.干旱区三工河流域土壤有机碳储量及空间分布特征[J].自然资源学报，2009，24（10）：1740-1747.[5]刘为华.上海城市绿地土壤碳储量格局与理化性质研究[D].华东师范大学，2009.[6]邵月红，潘剑君，许信旺，等.浅谈土壤有机碳密度及储量的估算方法[J].土壤通报，2006，37（5）：1007-1011.[7]Parton WJ，Rasmussen PE.1994.Long-term effects of crop management in wheat/fallowⅡ.Century model simulations.Soil Sci Soc Am J，58：530-536.[8]李克让，王绍强，曹明奎.中国植被和土壤碳贮量[J].中国科学，2003，33（1）：72-80.[9]Postw M，Emanuelw R， Zinke PJ，et al.Soil carbon pools and world life zones[J].Nature，1982，298 （8）：156-159.[20]吴瑾，吴克宁，赵华甫，等.土壤有机碳储量估算方法及土地利用调控措施研究进展[J].中国土地科学，2010，24（10）：18-24.[2]吴志峰，黄银华，姜春.广州市土壤与植被碳蓄积及其空间格局分析[J].广州大学学报（自然科学版），2014，13（3）：73-79.[22]许乃政，张桃林，王兴祥，等.城市化进程中的土壤有机碳库演变趋势分析[J].土壤通报，2011，42（3）：659-663.（责编：徐焕斗）。
