Spatial layout optimization of country parks in the second green belt of Beijing municipality area based on the coordinated improvement of carbon sequestration and recreational services
-
摘要:目的 快速的城市化建设导致全球变暖、游憩空间缺失等一系列生态及社会问题，严重影响了城市生态环境及人类健康，制约了社会经济的可持续发展。针对地处城市边缘地区的北京第二道绿化隔离地区进行基于碳汇和游憩服务协同提升的郊野公园环空间布局优化研究具有重要意义。方法 研究基于RS与GIS技术，首先利用CASA模型计算区域提供的植被净初级生产力用以表征区域内生态空间可提供的碳汇量的时空分布趋势；其次，应用核密度分析模型与邻域分析探究区域综合游憩功能的时空分布强弱，利用最小累计阻力模型帮助识别潜在游憩廊道；最后，应用CA-Marcov复合模型预测2023年区域生态空间格局变化趋势，全面支撑北京第二道绿化隔离地区郊野公园环的优化选址。结果 综合不同区域所提供的碳汇服务及游憩潜力的差异，结合北京第二道绿化隔离地区现状生态空间分布情况以及2023年生态空间格局演变模拟结果，共筛选出59处以碳汇和游憩服务协同发展为导向的郊野公园拟建用地范围。结论 协同提升碳汇与游憩两类功能的郊野公园选址方法具有一定的空间定量化研究优势，相关评价结果可为北京第二道绿化隔离地区郊野公园环的空间布局优化和其他生态空间建设提供科学依据。Abstract:Objective The rapid urbanization construction leads to a series of ecological and social problems such as global warming and lack of recreational space, which seriously affects the urban ecological environment and human health, as well as restricts the sustainable development of social economy. For the second green belt in Beijing, which is located in the urban fringe, it is of great significance to study the spatial optimization of country park ring layout based on the coordinated improvement of carbon sequestration and recreational services.Method Based on RS and GIS technology, firstly, the net primary productivity provided by the region was calculated by CASA model to characterize the temporal and spatial distribution trend of carbon sequestration service provided by ecological space. Secondly, the kernel density analysis model and neighborhood analysis were used to explore the temporal and spatial distribution of regional comprehensive recreational function. Minimum cumulative resistance model was used to help identify the potential recreational corridors. Finally, the CA-Marcov composite model was applied to predict the changing trend of the ecological spatial pattern in 2023, so as to comprehensively support the optimal location of country park ring in the second green belt of Beijing municipality area.Result Based on the differences of carbon sequestration services and recreation potential provided by different regions, combined with the current ecological spatial distribution of the second green belt in Beijing and the simulation results of the evolution of ecological spatial pattern in 2023, 59 proposed land areas of country parks guided by the coordinated development of carbon sequestration and recreational services were selected.Conclusion The country park ring site selection method that cooperatively improves the two functions of carbon sequestration and recreation has certain advantages in spatial quantitative research. The relevant evaluation results provide a scientific basis for the layout optimization of country park ring and other ecological space construction in the second green belt of Beijing.
-
近年来，以全球变暖为主要标志的气候变化给生态系统带来了巨大的压力[1-4]，陆地生态系统的生产力以及水分利用也受到了严重的影响[5-7]。而树木水分利用效率（water use efficiency，WUE）可以反映生态系统对全球气候变化的响应和描述不同生态系统的碳水循环关系 [8]。因此研究WUE不仅可以揭示生态系统对气候变化响应机理，还可以为区域气候变化对生态系统碳水耦合关系的影响提供科学的评价依据。
因研究目的、对象不同，WUE一般可分为生态系统、群体、叶片、以及个体4个方面。生态系统WUE是指植物消耗单位质量水分所固定的二氧化碳或生产干物质的量，因研究尺度、研究领域及获取数据手段的差异，不同的研究对生态系统WUE的计算往往存在一定的区别[9]。群体水平WUE是植物累计一段时期的干物质积累量与作物耗水量的比值，在植物群体水平上研究WUE时，其测算需要在大田试验中进行，工作复杂繁琐，计算出来的WUE不够准确[10]。叶片尺度上的WUE定义为单位通过蒸腾作用消耗单位水量时光合作用形成的有机物量[11]，在叶片尺度上研究植物的WUE，只能测得叶片尺度瞬时值，缺乏长时间尺度WUE的研究。而基于树木年轮稳定碳同位素的水分利用效率研究可以反映植物个体的长期WUE[12]，已有研究表明这一方法的可行性 [13-15]，并且该方法采样破坏性小，测定简单且不受时间和季节的限制[16]。目前国内外学者也进行了许多关于树木年轮稳定碳同位素方法研究植物WUE对气候变化响应的工作，如路伟伟等[17]研究北京山区油松（Pinus tabuliformis）WUE发现，区域整体WUE年际变化与温度呈显著负相关关系，与降水量呈正相关关系。Kannenberg等[18]研究美国西部灌木丛和森林的WUE发现，随着气候变得越来越干燥，美国西南部植物的WUE快速增加。Gagen等[19]利用树轮δ13C研究北芬诺斯干地亚植物的WUE发现，樟子松（Pinus sylvestris）WUE随着CO2浓度的升高而升高，但随着CO2浓度逐渐升高，樟子松WUE的升高出现了阈值。由于生态系统植被类型的多样性以及水分利用的有效性，气候因子对不同生态系统WUE的影响存在较大的差距，不同生态系统WUE的变化特征以及对气候变化的响应也不同。为此针对不同区域生态系统树木WUE进行研究是非常有必要的。
日本柳杉（Cryptomeria japonica）是庐山植被类型的重要树种组成部分，主要分布在海拔700 m以上的常绿针叶人工林，在水源涵养、净化大气环境、森林游憩等生态功能上发挥了重要的作用[20]，并且有着较高的生态效益和经济效益。因此本文以庐山日本柳杉作为研究对象，基于树木年轮和稳定碳同位素方法，分析气候变化背景下庐山日本柳杉WUE的变化特征以及庐山日本柳杉WUE与主要气候因子之间的关系，有助于庐山日本柳杉的碳汇能力评估以及提升森林的经营管理水平，对评估庐山日本柳杉的碳水耦合关系提供科学的理论支持。
1. 研究方法与数据来源
1.1 研究区概况
庐山位于江西省九江市（115°51′ ~ 116°07′E，29°30′ ~ 29°41′N），东偎鄱阳湖，海拔25.0 ~ 1 473.8 m，是著名的避暑胜地，气温适度，年平均最高温度32 ℃，最低气温−16.8 ℃，全年平均温11.4 ℃，全年平均降雨量1 917 mm，属湿润气候区（图1）。充足的水热条件及海拔的差异，共同造就了庐山丰富的植被资源[21]。高达40种植物在庐山地区首次被发现或者以庐山（牯岭）来命名。在植被类型区域划分上虽然属于亚热带常绿阔叶林，由于海拔高度具有较大的差异，因此植被类型上又极具多样性。海拔在1 000 m以下多为常绿或者是常绿落叶混交林，海拔在1 000 ~ 1 300 m为落叶阔叶林带[22]。生长在海拔较低处的植被由于受到人为活动的影响，植被破坏较为严重，而海拔较高处植被生长相对较好，对生态系统水源涵养的调节具有一定的作用[23]。
1.2 树木年轮的采集与碳同位素的测定
本研究根据国际树木年轮数据库的采样准则[24]，于2019年7月份在庐山3个不同海拔点取样（采样点1、2、3，见图1），海拔分别为800、950和1 150 m，平均树高为18.6、20.0和19.5 m，平均胸径为29.2、30.5和30.1 cm，林分密度为780 株/hm 2，郁闭度 0.6。每个样点取40个样芯。3个采样点的庐山日本柳杉生长良好，受人类活动以及自然灾害影响较小。
通过对日本柳杉样品进行交叉定年[25]，选取其树轮无生长异常、年轮宽度变化趋势较为一致、早晚材年轮界限明显的树芯用于稳定同位素的δ13C测定。具体步骤：用不锈钢刀由外而内逐年剥取全木，某些极窄年份的剥取在显微镜的辅助下进行精确切割，将不同树芯的相同年份合并在一起，置于80 ℃的烘箱中烘干至恒质量，枝剪剪碎之后的木材碎屑用高通量组织研磨仪研磨粉碎，过100目筛后装于5 mL离心管中，用于碳同位素测定分析，然后将样品粉末置于V（苯）∶V（乙醇） = 2∶1混合溶液中抽提24 h，除去树脂、树蜡及单宁类等有机物[26]。天平（精度0.001 mg）称取（0.20 ± 0.05） mg抽提好的样品包裹于锡杯中，在赛默飞稳定同位素质谱仪（delta v advantange）中将样品高温燃烧转换为气体，测量精度0.01‰，试验误差小于0.2‰[27]，测得稳定碳同位素的比值，即13C丰度（δ13C），每测定10个样品插入1个标样来测定仪器的稳定性（处理的树轮样品在江西农业大学森林培育重点实验室内进行分析测定），根据国际标准进行校正后得到日本柳杉稳定碳同位素δ13C值。
1.3 数据来源及处理
本文所用的气象数据来源于中国气象数据网（http://data.cma.cn/site/index.html）的庐山站日气象数据（庐山站的位置见图1），主要包括1968—2018年的平均气温（T）、最高温度、最低温度、相对湿度、降水量（W）、日照时数、平均风速（Ws）等日值数据。
参考1998年联合国粮农组织推荐的计算公式，利用日照时数数据作为输入参数计算庐山多年的太阳辐射（Rs），详细计算步骤可具体参阅文献[28]。为更准确量化庐山干旱严重程度，使用标准化降水蒸散指数（standardized precipitation evapotranspiration index，SPEI）、标准化降水指数（standardized precipitation index，SPI）以及湿度指数（wet index，WI）来表示庐山地区的干旱情况。SPEI和SPI的计算步骤具体参阅文献[29]，WI的计算计算步骤具体参阅文献[30]。利用树木年轮稳定碳同位素值、大气CO2中碳同位素比值和WUE关系来估算庐山日本柳杉1969—2018年的水分利用效率变化，根据Farquhar[13]推荐的公式计算δ13C。
δ13C=(13C/12C)sample−(13C/12C)PDB(13C/12C)PDB×1000‰ (1) 式中：（13C/12C）sample是测试样品13C/12C的摩尔比率； （13C/12C）PDB是标样13C/12C的摩尔比率，δ13C是树木年轮稳定碳同位素比值。
WUE可通过Δ与Ca值之间的关系计算获得[31]。
Δ=δ13Cp−δ13C1+δ13Cp (2) WUE=Ca×(b−Δ)1.6×(b−a) (3) 式中：δ13Cp是大气CO2碳同位素比值，Δ是指树木叶片和空气在光合作用期间同位素水平的差异δ13C的判别值；a是CO2扩散过程中的同位素分馏，取4.4‰，b为CO2羧化过程中的同位素分馏，取27.4‰，此外，系数1.6表示空气中水蒸气与CO2的扩散率之比。Ca为大气二氧化碳浓度，大气二氧化碳浓度由全球系统研究实验室（https://ngdc.noaa.gov/ftp.html）提供。
1.4 统计方法
本文采用一元线性回归模型分析1969—2018年庐山日本柳杉WUE的动态变化趋势[32-33]。并采用曼−肯德尔（M-K）突变分析方法，研究庐山日本柳杉WUE的突变年份[34]。
为预测庐山日本柳杉水分利用效率未来变化趋势，利用Hurst指数（H）进行计算，H是定量描述时间序列的自相似性以及长程依赖性的方法，常采用R/S分析法[35]。本研究中R表示50年日本柳杉WUE序列的极差，S为该时间段WUE的标准差，R/S为极差与标准差的比值，ln为对数函数，τ为偶数序列。当0.5 < H < 1，表明时间序列变化具有持续性的序列，未来的变量与过去的变量是一致的关系；H = 0.5，说明时间序列为相互独立，不存在相互影响的随机序列；0 < H < 0.5，表明时间序列变化具有反持续性的序列，未来的变量与过去的变量是完全相反的序列。其中R2越接近1，显著性越强。植物在生长过程中，气候因子对其生长通常表现出一定的“滞后效应”[36]，树木生长不仅受当年生长季气候因子的影响，还会受到上一年生长季后期气候因子变化的影响。因此，本研究选取上一年7月至当年12月共18个月份的气象数据进行相关性分析和多元回归分析。
2. 结果与分析
2.1 庐山地区各气候因子动态变化
通过对庐山1968—2018年各月气候因子的统计分析得到如图2的结果。从图2可以看出，干旱指数SPEI、WI以及SPI月变化基本一致。大致从2月到6月表现出下降的趋势，呈干旱趋势发展，SPEI和SPI在7月到10月波动较平缓，WI波动较大；干旱指数SPEI、WI以及SPI在12月呈上升趋势（图2a）。月平均气温从1月到7月呈上升趋势，最高气温出现在7月，为22.5 ℃；从8月到12月呈下降趋势，最低气温出现在1月，为0.3 ℃（图2b）。庐山地区的月平均太阳辐射和月平均风速最高出现在7月，为590.37 MJ/m2和4.94 m/s，月平均太阳辐射最低在1月，为285.72 MJ/m2，月平均风速最低在12月，为 3.53 m/s（图2c）。月平均降水量从1月到6月呈上升趋势，降水量最高出现在6月，为299.54 mm，最低出现在12月，为58.33 mm（图2d）。
![]()
图 2 庐山地区1968—2018 年月均SPI、SPEI、WI、T、Rs、Ws和W的变化及趋势Figure 2. Average changes and trends of SPI, SPEI, WI, T, Rs, Ws and W in Lushan Mountain area from 1968 to 20182.2 庐山日本柳杉年轮稳定碳同位素值以及大气二氧化碳同位素值变化规律
如图3a所示，本研究中树轮δ13C序列没有因幼龄效应而表现出明显的趋势变化。日本柳杉δ13C序列变动范围在−23.09‰ ~ −25.67‰，年平均−24.55‰。这与O’Leary等[37]的研究得出自然条件下生长的陆地C3植物碳稳定同位素变化范围在−22‰ ~ −34‰的结论是相符的。庐山日本柳杉的δ13C总体呈递减趋势，平均每10年下降0.34‰。线性回归方程的相关系数R2 = 0.59，δ13C下降趋势显著。但在2001年后有小幅度上升趋势，最大值达到−24.35‰，在2010年呈下降趋势发展，最小值为−25.67‰。庐山δ13Cp序列（1969—2018）变动范围在−7.29‰ ~ −8.93‰（图3b），在1969—2018年总体上是逐年递减的趋势，线性回归方程的相关系数R2 = 0.98，下降趋势显著，平均每10年下降0.32‰。
![]()
图 3 庐山日本柳杉年轮稳定碳同位素值和大气CO2碳同位素值变化及趋势Figure 3. Changes and trends of stable carbon isotope values (δ13C) and atmospheric CO2 carbon isotope values (δ13Cp) of Cryptomeria japonica2.3 庐山日本柳杉水分利用效率的变化特征
如图4a所示，1969—2018年间，庐山日本柳杉的WUE变动范围在91.06 ~ 118.89 μmol/mol，年平均值102.37 μmol/mol，总体呈现上升趋势，平均每10年上升5.2 μmol/mol，2013年出现最大值，为118.89 μmol/mol，最小值出现在1985年，为91.06 μmol/mol。为明确庐山日本柳杉WUE的年际变化特征，本研究对WUE进行了M-K突变分析和Hurst指数分析。从图4b的M-K突变分析可知：WUE呈低−高的趋势走向。1969—1987年，UF呈下降趋势，表明在这一时期，庐山日本柳杉WUE呈下降趋势，1988—2018年，UF呈上升趋势，表明庐山日本柳杉WUE呈上升趋势。庐山日本柳杉WUE的UF、UB交点出现在2004年（图4b），但庐山日本柳杉的WUE交点并不在±1.96临界线值范围内，没有通过0.05的检验，因此该年份的WUE交点上升不具有突变性。在双对数坐标系可以拟合得到年际庐山日本柳杉WUE的时间序列ln（R/S）与ln（τ/2）线性关系图（图4c）。由图4c可知，R/S趋势预测点之间存在良好的线性关系，R2 = 0.91，接近1，模型可行度高，线性拟合效果好。线性拟合的斜率为0.816 8，即Hurst指数估计值为0.816 8，表明庐山日本柳杉的WUE时间序列具有持续性关系，在未来变化中与过去存在较强的相关性，因此未来庐山日本柳杉的WUE呈现上升趋势。
![]()
图 4 庐山日本柳杉水分利用效率的变化特征及趋势WUE. 水分利用效率； UB.逆序时间序列变化；UF.顺序时间序列变化；R.极差；S.标准差；τ.偶数序列；ln.对数函数。WUE, water use efficiency; UB, inverse-order time series variation; UF, sequential time series variation; R, range; S, standard error; τ, even sequences; ln, logarithmic function.Figure 4. Variation characteristics and trends of water use efficiency of Cryptomeria japonica2.4 庐山日本柳杉水分利用效率与气候变化的相关分析以及多元回归模型解释
从庐山日本柳杉WUE序列与月气候变化的相关性分析（图5）可知：庐山日本柳杉WUE与各月气温大多呈正相关关系，与上年的7月、9—11月和当年的2—6月、9—11月呈显著正相关系，其中与上年的9月和当年的3—5月以及9月温度达到极显著正相关系；庐山日本柳杉WUE与各月太阳辐射大多呈负相关，但相关性不显著；WUE与干旱指数上年7—12月份、当年1—12月份干旱指数SPEI、SPI以及WI均呈负相关，但相关性不显著；庐山日本柳杉WUE与上年7—12月、当年1—12月风速均呈极显著负相关关系；WUE与上年7—12月至当年1—12月降水均无显著关系。在庐山日本柳杉的生长过程中， T和Ws在很大程度上驱动了日本柳杉水分利用效率的变化。通过多元线性回归方法将相关气候因子数值进行标准化来描述庐山日本柳杉水分利用效率与月气候因子之间的关系，回归过程选用逐步回归。得到庐山日本柳杉水分利用效率的回归方程。
![]()
图 5 庐山日本柳杉WUE与月气候变化的相关性P 为上年月份，C 为当年月份。**表示在置信度（双侧）为0.01时相关性显著；*表示在置信度（双侧）为0.05时相关性显著。P represents the month in previous year, C represents the month in current year. ** indicates a significant correlation at a confidence level (bilateral) of 0.01, * indicates that the correlation is significant at a confidence level (bilateral) of 0.05.Figure 5. Correlations between WUE of Cryptomeria japonica and monthly climate change in Lushan MountainWUE=58.349−3.733Ws1+1.487T3+1.690T9+1.667T−9−3.377Ws12(P<0.05，R2=0.65) 式中：WUE表示庐山日本柳杉水分利用效率，庐山日本柳杉水分利用效率主要与Ws1（当年1月风速）、T3（当年3月均温）、T9 （当年9月均温）、T−9（上年9月均温）、Ws12（当年12月风速） 相关。
3. 讨 论
3.1 干旱对日本柳杉水分利用效率的影响
水分利用效率是用来衡量植物个体或生态系统水平上碳水耦合关系的重要指标，能够揭示植物个体或生态系统WUE的变化特征[38]。WUE的影响因子随地区和尺度的不同而变化[39]。在本次研究中，本文选3个干旱指数进行庐山日本柳杉水分利用效率对干旱的响应验证发现，无论是SPEI、SPI还是WI，对庐山日本柳杉长期WUE的影响较小或者没有影响，均呈负相关关系（P > 0.05）。Song等[40]对西南亚热带常绿原生林水分利用效率研究表明亚热带常绿森林在干旱年的WUE呈增加趋势。一般认为，不同的生态系统WUE对干旱的响应是不同的。Liu等[41]对中国陆地生态系统水分利用效率与干旱响应研究发现在中国南方，中度和极端干旱会导致WUE下降，严重干旱往往导致WUE略有上升，而在东北和内蒙古中部地区轻微干旱通常会导致WUE增加。杜晓铮等[7]在研究陆地生态系统水分利用效率对气候变化的响应研究综述表明，在不同的气候区域干旱对WUE的影响有所差异，不同生态系统WUE对干旱的响应不同。有研究表明，干旱对植物的水分利用效率存在一定的滞后影响[42]。在本研究中发现，干旱对庐山日本柳杉WUE没有产生滞后影响。在湿润区，干旱发生的同时由于太阳辐射的射入，可能会加快植物的生长速度，同时蒸腾作用也会损失一部分的水分，造成植物WUE呈现出下降的趋势。在本次研究我们也发现，降水与 WUE呈负相关关系（P > 0.05），但相关性不显著。这可能是由于庐山地处湿润区，降水丰富，导致植物叶片气孔导度增大、蒸腾速率增强，造成了庐山日本柳杉水分利用效率的降低。
3.2 气温对日本柳杉水分利用效率的影响
温度对于植物水分利用的影响较为复杂。我们发现，气温对庐山日本柳杉的水分利用效率存在一定的滞后影响，上年的9月气温与庐山日本柳杉WUE呈显著正相关关系，当年的9月气温与庐山日本柳杉WUE也呈显著正相关关系。可能是由于气温适中，植物酶活性增强，从而影响植物水分利用。周佳等[43]利用树木年轮研究河南民权与陕西白水刺槐（Robinia pseudoacacia）水分利用效率对气候的响应表明，两地刺槐WUE与平均温度存在显著正效应关系。一定范围内，温度升高，叶片的气孔导度增加，植物的净光合速率大于蒸腾速率，造成植物WUE升高。崔茜琳等[44]利用MODIS数据研究青藏高原植被水分利用效率，青藏高原植被的WUE 与气温呈显著正相关关系，WUE的敏感性随气温的升高而增加。仇宽彪等[45]对陕西省各植被类型WUE研究时发现，在温度低于11 ℃的地区WUE和温度呈现显著正相关（P < 0.01），而高于11 ℃的地区两者之间没有显著关系（P > 0.05）。在不同的气候区， WUE对温度的响应存在着较大的差异。
3.3 风速对日本柳杉水分利用效率的影响
风会影响植物周围的环境，如降低空气的相对湿度和温度，并通过植物叶片遮挡影响太阳辐射的射入[46]，同时会加速蒸腾速率而相应地降低植物的温度[47]。在不同的生态系统中，水分利用效率对Ws的响应幅度可能不同，甚至可能有完全不同的方向。王云霓[48]在研究宁夏六盘山典型树种水分利用效率中发现华北落叶松（Larix principis-rupprechtii）个体的WUE与Ws是正相关关系（P > 0.05）。在本次研究中发现，庐山日本柳杉WUE与Ws显著负相关关系，特别是当年的1月份和12月份的风速（P < 0.01），对庐山日本柳杉WUE产生了重要的影响。风速越大，植物的蒸腾作用会越强，植物体周围的空气湿度会降低，促使了植物体内的水分更快散失到大气中，造成植物WUE下降。在不同的地区，风速对于植物的WUE影响是有所差异的。庐山自然保护区风速呈现下降的趋势，平均每10年下降0.37 m/s，是日本柳杉WUE年际变化重要的影响因素之一。
3.4 太阳辐射对日本柳杉水分利用效率的影响
太阳辐射是植物光合作用所必须的重要元素之一，对植物WUE的变化也会产生重要影响。如徐晓桃[49]研究黄河源区植被的水分利用效率时发现，黄河源区的植被WUE与Rs是正相关关系。王云霓[48]研究宁夏六盘山典型树种华北落叶松时也发现WUE与Rs呈正相关关系，并且通过了显著性检验（P < 0.01）。一般认为，光照越强，植物的水分利用越高。但庐山日本柳杉WUE在本研究中与Rs未产生显著影响，这与他们的结果不同。一方面可能是由于太阳辐射增加时，植物的光合速率增大，但同时植物的蒸腾也在增大，WUE的变化难以确定。作为碳水循环的综合衡量指标，无论是植物个体的WUE或者是整个生态系统WUE，WUE的变化都是由多个相互作用的物理和生物过程决定，各个气候因子对WUE的变化具有相互协同作用。在评价树木WUE变化对气候因子的响应时，各个气候因子之间综合协同对WUE产生的影响还需进一步探究。
4. 结 论
本研究表明，1969—2018年期间，庐山日本柳杉树轮δ13C值呈下降趋势，WUE变化呈显著升高趋势。温度和风速是影响庐山日本柳杉WUE变化的主要气候因子，WUE与温度具有显著正相关关系，与风速具有显著负相关关系，并且温度对庐山日本柳杉WUE具有一定的滞后影响。而降水、太阳辐射以及干旱指数（SPI、SPEI、WI）对庐山日本柳杉年际WUE的变化未产生显著影响。本研究结果可为在全球气候变化下对庐山日本柳杉生长产生的影响提供理论依据，并且有助于庐山日本柳杉碳汇能力的评估以及提升杉木林的经营管理水平，同时为该地区杉木林生态系统的维护提供理论指导。
-
![]()
图 3 二道绿隔地区碳汇功能空间分布图
Figure 3. Distribution of carbon sequestration function in the second green belt
![]()
图 4 各项关键游憩源识别影响因子空间分布
Figure 4. Spatial distribution of influencing factors of key recreational source identification
![]()
图 7 二道绿隔地区用地类型模拟转换规则图
Figure 7. Rules for spatial analog conversion of land-use type map in the second green belt
![]()
图 8 2018年二道绿隔地区生态空间格局与2023年模拟结果对比
Figure 8. Comparison between the ecological spatial pattern of the second green belt in 2018 and the simulation results in 2023
![]()
图 9 二道绿隔地区已建和拟建郊野公园分布
Figure 9. Distribution of existing and to be built country parks in the second green belt
表 1 研究数据来源及处理平台
Table 1 Research data source and processing platform
数据类型
Data type数据来源
Data source处理平台
Processing platform卫星遥感影像数据
Satellite remote sensing image data中国科学院计算机网络信息中心地理空间数据云平台
Geospatial data cloud platform, Computer Network Information Center,
Chinese Academy of Sciences (http://www.gscloud.cn/)ENVI 5.3 DEM数据 DEM data ArcGIS10.6 NDVI数据 NDVI data ENVI 5.3 气温气象数据
Temperature meteorological data中国气象数据网
The China Meteorological Data Service Center (http://data.cma.cn)ArcGIS 10.6 降水气象数据
Precipitation meteorological data太阳辐射数据
Solar radiation data基本农田分布数据
Basic farmland distribution data《北京城市总体规划（2016年—2035年）》
Beijing urban master plan (2016−2035)土壤属性数据
Soil attribute data寒区旱区科学数据中心
Cold and arid regions scientific data center
(http://westdc.westgis.ac.cn)城市设施兴趣点数据
Point of interest data (POI)高德地图API系统
Amap API system (https://lbs.amap.com/)API 路网矢量数据
Road network vector dataOpen Street Map (https://www.openstreetmap.org/) ArcGIS10.6 新浪微博签到数据
Sina Weibo check-in data北京城市实验室 The Beijing City Lab (BCL) (https://www.beijingcitylab.com/) DMSP-OLS夜间灯光数据
DMSP-OLS night light datahttps://www.ngdc.noaa.gov/eog/download.html 人口密度数据
Population density data全球居住区域项目 Global Human Settlement (http://ghslsys.jrc.ec.europa.eu/datasets.php) 
下载: 导出CSV
表 3 2018年二道绿隔地区不同用地类型碳汇功能评估
Table 3 Carbon sink function assessment of different land use types in the second green belt in 2018
指标 Index 耕地
Farmland林地
Forestland草地
Grassland湿地及水域
Wetland and water建设用地
Construction land未利用地
Unused land总量
Total总量/（10 10g·m−2·a−1）
Total/（10 10g·m−2·year−1）24.945 13.245 0.697 1.472 23.410 0.174 63.942 单位面积NPP产量/（g·m−2·a−1）
NPP output per unit area/（g·m−2·year−1）252.807 332.943 272.836 251.082 211.688 244.182 247.677 占比 Percentage/% 39.012 20.714 1.089 2.302 36.611 0.272 100.000
下载: 导出CSV
表 4 二道绿隔地区关键游憩源识别影响因子
Table 4 Factors of key recreational source identification in the second green belt
分类
Classification因子类别
Factor category权重
Weight分类说明
Classification description赋值
Evaluation数据来源
Data source关键游憩资源
Key recreational resource历史文化资源
Historical and cultural resource0.1 100 m 历史文化资源缓冲区
100 m buffer zone of historical and cultural resources9 2018年北京市二道绿隔地区POI数据
POI data of the second green belt of Beijing municipality area in 2018300 m 历史文化资源缓冲区
300 m buffer zone of historical and cultural resources5 500 m 历史文化资源缓冲区
500 m buffer zone of historical and cultural resources1 郊野公园
Country park0.3 郊野公园所在区域
Country parks’ location9 北京市二道绿隔地区现状郊野公园分布
Distribution of country parks in the second green belt of Beijing municipality area100 m郊野公园缓冲区
100 m buffer zone of country parks7 300 m郊野公园缓冲区
300 m buffer zone of country parks5 500 m郊野公园缓冲区
500 m buffer zone of country parks3 1 000 m郊野公园缓冲区
1 000 m buffer zone of country parks1 风景名胜资源
Scenic resource0.1 100 m 风景名胜资源缓冲区
100 m buffer zone of scenic resources9 2018年北京市二道绿隔地区POI数据
POI data of the second green belt of Beijing municipality area in 2018300 m 风景名胜资源缓冲区
300 m buffer zone of scenic resources5 500 m 风景名胜资源缓冲区
500 m buffer zone of scenic resources1 游憩资源可达性
Accessibility of recreational resource公交站点
Bus stop0.1 300 m 公交站点分布缓冲区
300 m buffer zone of bus stops5 2018年北京市二道绿隔地区POI数据
POI data of the second green belt of Beijing municipality area in 2018500 m 公交站点分布缓冲区
500 m buffer zone of bus stops3 1 000 m 公交站点分布缓冲区
1 000 m buffer zone of bus stops1 路网密度
Road network density0.1 高路网密度 High road network density 5 北京市二道绿隔地区道路交通数据
Traffic data of the second green belt of Beijing municipality area in 2018中路网密度 Medium road network density 3 低路网密度 Low road network density 1 未来发展潜力
Future development potential人口密度
Population density0.1 高人口密度 High population density 7 Global Human Settlement http://ghslsys.jrc.ec.europa.eu/datasets.php 较高人口密度
Relative high population density5 中人口密度
Medium population density3 低人口密度 Low population density 1 夜间灯光数据
Night-time satellite data0.1 高密度灯光分布
High density light distribution7 https://www.ngdc.noaa.gov/eog/download.html 较高密度灯光分布 Relative high density light distribution 5 中密度灯光分布 Medium density light distribution 3 低密度灯光分布
Low density light distribution1 人群趋向性
Population tendency0.1 高密度人群趋向性分布
Trend distribution of high density population7 新浪微博签到数据
Sina Weibo check-in data较高密度人群趋向性分布
Trend distribution of relative high density population5 中密度人群趋向性分布
Tendency distribution of medium density population3 低密度人群趋向性分布
Trend distribution of low density population1
下载: 导出CSV
表 5 游憩服务影响因子阻力系数
Table 5 Resistance coefficients of recreational service influencing factor
阻力因子
Resistance factor权重
Weight分类 Classification 阻力系数
Resistance coefficient发展潜力
Development potential0.3 高发展潜力区域 High development potential region 20 较高发展潜力区域 Relative high development potential region 30 中发展潜力区域 Medium development potential region 40 较低发展潜力区域 Relative low development potential region 50 低发展潜力区域 Low development potential region 60 景观度
Landscape dominance0.4 耕地 Farmland 30 林地 Forestland 5 草地 Grassland 20 湿地及水域 Wetland and water 5 建设用地 Construction land 500 未利用地 Unused land 100 连通度
Connectivity0.3 高路网密度分布 Distribution of high road network density 5 较高路网密度分布 Distribution of relative high road network density 10 中路网密度分布 Distribution of medium road network density 30 较低路网密度分布 Distribution of relative low road network density 50 低路网密度分布 Distribution of low road network density 100
下载: 导出CSV
-
[1] 刘艳军, 刘静, 何翠, 等. 中国区域开发强度与资源环境水平的耦合关系演化[J]. 地理研究, 2013, 32(3): 507−517. Liu Y J, Liu J, He C, et al. Evolution of the coupling relationship between regional development strength and resource environment level in China[J]. Geographical Research, 2013, 32(3): 507−517.
[2] 陈建成, 关海玲. 碳汇市场对林业经济发展的影响研究[J]. 中国人口·资源与环境, 2014, 24(增刊1): 445−448. Chen J C, Guan H L. The effects of carbon sequestration market on the development of forestry economy[J]. China Population Resources and Environment, 2014, 24(Suppl.1): 445−448.
[3] Zhang Y, Meng W Q, Yun H F, et al. Is urban green space a carbon sink or source? A case study of China based on LCA method[J/OL]. Environmental Impact Assessment Review, 2022, 94: 106766[2022−09−05]. https://doi.org/10.1016/j.eiar.2022.106766. [4] 欧阳志云, 李伟峰, Paulussen J, 等. 大城市绿化控制带的结构与生态功能[J]. 城市规划, 2004, 28(4): 41−45. doi: 10.3321/j.issn:1002-1329.2004.04.010 Ouyang Z Y, Li W F, Paulussen J, et al. The structure and ecological function of greenbelt in mega-city[J]. Urban Planning, 2004, 28(4): 41−45. doi: 10.3321/j.issn:1002-1329.2004.04.010
[5] 殷洁. 绿隔地区游憩资源价值评估与保护利用研究[C]// 中国城市规划学会. 多元与包容: 2012中国城市规划年会论文集(10风景园林规划). 昆明: 云南科技出版社, 2012: 225−231. Yin J. Study on value evaluation, protection and utilization of recreational resources in green isolated area [C]// Diversity and inclusiveness: proceedings of 2012 China urban planning annual conference (10 landscape architecture planning). Kunming: Yunnan Science and Technology Publishing Press, 2012: 225−231.
[6] 陈美兰. 北京郊野公园建设发展研究[D]. 北京: 北京林业大学, 2008. Chen M L. Study on construction and development of country park in Beijing[D]. Beijing: Beijing Forestry University, 2008.
[7] 陈云. 北京市郊野公园空间布局的特性与提升策略[D]. 北京: 北京林业大学, 2014. Chen Y. The spatial layout features and promotion strategies for country parks in Beijing[D]. Beijing: Beijing Forestry University, 2014.
[8] 杨芳. 北京郊野公园空间分布特征及优化策略分析[D]. 北京: 北京林业大学, 2012. Yang F. Study on the spatial distribution characteristic and optimum development strategy of country parks in Beijing[D]. Beijing: Beijing Forestry University, 2012.
[9] 滕金慧. 北京郊野公园服务设施研究[D]. 北京: 中国林业科学研究院, 2016. Teng J H. Study on the service facilities of Beijing country park[D]. Beijing: Chinese Academy of Forestry, 2016.
[10] 王鑫, 李雄. 基于多源大数据的北京大型郊野公园的影响可视化研究[J]. 风景园林, 2016(2): 44−49. Wang X, Li X. The research of the impact of the large-scale country park in Beijing based on multi-source data[J]. Landscape Architecture, 2016(2): 44−49.
[11] 李方正, 李科慧, 李雄. 北京市第二道绿化隔离带郊野公园环情景规划研究[J]. 风景园林, 2021, 28(4): 58−64. Li F Z, Li K H, Li X. Research on scenario planning of Beijing second green belt country park ring[J]. Landscape Architecture, 2021, 28(4): 58−64.
[12] 王瑞琦, 仇渊勋, 李雄. 以生境保护优先的北京市第二道绿化隔离地区郊野公园选址方法[J]. 北京林业大学学报, 2021, 43(2): 127−137. doi: 10.12171/j.1000-1522.2020-0135 Wang R Q, Qiu Y X, Li X. Site selection methods of country park with priority of habitat protection in the second green isolated area of Beijing[J]. Journal of Beijing Forestry University, 2021, 43(2): 127−137. doi: 10.12171/j.1000-1522.2020-0135
[13] 王思杰. 城市游憩视角下北京二道绿隔郊野公园布局优化研究[D]. 北京: 北京林业大学, 2019. Wang S J. Optimization on the layout of country parks in the second green belt of Beijing from perspective of urban recreation[D]. Beijing: Beijing Forestry University, 2019.
[14] 葛韵宇. 基于生态系统服务评估的北京市第二道绿化隔离地区绿色空间格局演变与优化研究[D]. 北京: 北京林业大学, 2020. Ge Y Y. Evolution and optimization of green space pattern in the second green belt of Beijing municipality area based on ecosystem services evaluation[D]. Beijing: Beijing Forestry University, 2020.
[15] 李方正, 董莎莎, 李雄, 等. 北京市中心城绿地使用空间分布研究: 基于大数据的实证分析[J]. 中国园林, 2016, 32(9): 122−128. Li F Z, Dong S S, Li X, et al. Spatial distribution research on the use of green space in the central city of Beijing-based on the empirical analysis of big data[J]. Chinese Landscape Architecture, 2016, 32(9): 122−128.
[16] 甄峰, 王波, 陈映雪. 基于网络社会空间的中国城市网络特征: 以新浪微博为例[J]. 地理学报, 2012, 67(8): 1031−1043. doi: 10.11821/xb201208003 Zhen F, Wang B, Chen Y X. China’s city network characteristics based on social network space: an empirical analysis of Sina micro-blog[J]. Acta Geographica Sinica, 2012, 67(8): 1031−1043. doi: 10.11821/xb201208003
[17] Goodchild M F. Geographic information systems and science: today and tomorrow[J]. Procedia Earth and Planetary Science, 2009, 15(1): 1037−1043.
[18] 王波, 甄峰, 张浩. 基于签到数据的城市活动时空间动态变化及区划研究[J]. 地理科学, 2015, 35(2): 151−160. Wang B, Zhen F, Zhang H. The dynamic changes of urban space-time activity and activity zoning based on check-in data in Sina web[J]. Scientia Geographica Sinica, 2015, 35(2): 151−160.
[19] 王昀, 陶建斌. 基于DMSP/OLS夜光数据的中国省域经济发展时空变化[J]. 地理空间信息, 2019, 17(11): 75−79. doi: 10.3969/j.issn.1672-4623.2019.11.022 Wang Y, Tao J B. Spatio-temporal variation of economic development at provincial level in China based on DMSP/OLS satellite imagery[J]. Geospatial Information, 2019, 17(11): 75−79. doi: 10.3969/j.issn.1672-4623.2019.11.022
[20] 朱文龙, 孙乾翔, 秦萧, 等. 基于夜间灯光数据的淮海城市群空间扩张及驱动力研究[J]. 西北师范大学学报(自然科学版), 2019, 55(5): 106−113. Zhu W L, Sun Q X, Qin X, et al. Spatial expansion and driving force of Huaihai urban agglomeration based on nighttime lighting data[J]. Journal of Northwest Normal University (Natural Science), 2019, 55(5): 106−113.
[21] Monteith J L. Climate and the efficiency of crop production in Britain[J]. Philosophical Transactions of the Royal Society of London B:Biological Sciences, 1977, 281(980): 277−294. doi: 10.1098/rstb.1977.0140
[22] 张继平, 刘春兰, 郝海广, 等. 基于MODIS GPP/NPP数据的三江源地区草地生态系统碳储量及碳汇量时空变化研究[J]. 生态环境学报, 2015, 24(1): 8−13. Zhang J P, Liu C L, Hao H G, et al. Spatial-temporal change of carbon storage and carbon sink of grassland ecosystem in the three-river headwaters region based on MODIS GPP/NPP data[J]. Ecology and Environmental Sciences, 2015, 24(1): 8−13.
[23] 朱文泉, 潘耀忠, 张锦水. 中国陆地植被净初级生产力遥感估算[J]. 植物生态学报, 2007, 31(3): 413−424. doi: 10.3321/j.issn:1005-264X.2007.03.010 Zhu W Q, Pan Y Z, Zhang J S. Estimation of net primary productivity of Chinese terrestrial vegetation based on remote sensing[J]. Journal of Plant Ecology, 2007, 31(3): 413−424. doi: 10.3321/j.issn:1005-264X.2007.03.010
[24] 米晓飞, 余涛, 李慧芳, 等. HJ-1 星北京地区植被净初级生产力估算研究[J]. 微计算机信息, 2012, 28(9): 231−233. Mi X F, Yu T, Li H F, et al. Research on estimation of NPP based on HJ-1 data in Beijing area[J]. Microcomputer Information, 2012, 28(9): 231−233.
[25] 葛韵宇, 李方正. 基于主导生态系统服务功能识别的北京市乡村景观提升策略研究[J]. 中国园林, 2020, 36(1): 25−30. Ge Y Y, Li F Z. Research on the promotion strategy of rural landscape in Beijing based on the identification of dominant ecosystem service[J]. Chinese Landscape Architecture, 2020, 36(1): 25−30.
[26] Zhang L, Peng J, Liu Y, et al. Coupling ecosystem services supply and human ecological demand to identify landscape ecological security pattern: a case study in Beijing-Tianjin-Hebei region, China[J]. Urban Ecosystems, 2017, 20(3): 1−14.
[27] 许文雯, 孙翔, 朱晓东, 等. 基于生态网络分析的南京主城区重要生态斑块识别[J]. 生态学报, 2012, 32(4): 1264−1272. doi: 10.5846/stxb201012241838 Xu W W, Sun X, Zhu X D, et al. Recognition of important ecological nodes based on ecological networks analysis: a case study of urban district of Nanjing[J]. Acta Ecologica Sinica, 2012, 32(4): 1264−1272. doi: 10.5846/stxb201012241838
[28] 易丹, 赵小敏, 郭熙, 等. 基于生态敏感性评价和CA-Markov模拟的平原型城市开发边界划定: 以南昌市为例[J]. 应用生态学报, 2020, 31(1): 208−218. Yi D, Zhao X M, Guo X, et al. Delimitation of urban development boundary based on ecological sensitivity evaluation and CA-Markov simulation in plain city: a case of Nanchang, Jiangxi, China[J]. Chinese Journal of Applied Ecology, 2020, 31(1): 208−218.
[29] 邵明, 李雄, 刘志成, 等. 基于LUCC 的承德市域生态系统服务价值演变分析与优化研究[J]. 北京林业大学学报, 2021, 43(3): 106−116. doi: 10.12171/j.1000-1522.20190480 Shao M, Li X, Liu Z C, et al. Evolution analysis and optimization research of ecosystem service value in Chengde City, Hebei Province of northern China based on land use/land cover change (LUCC)[J]. Journal of Beijing Forestry University, 2021, 43(3): 106−116. doi: 10.12171/j.1000-1522.20190480
[30] 王志芳, 王思睿, 徐敏. 县域景观游憩服务评价: 以四川省武胜县为例[J]. 南方建筑, 2020(3): 27−33. doi: 10.3969/j.issn.1000-0232.2020.03.027 Wang Z F, Wang S R, Xu M. Assessment of recreation services at the county-level: a case study based on Wusheng City, Sichuan Province[J]. South Architecture, 2020(3): 27−33. doi: 10.3969/j.issn.1000-0232.2020.03.027
[31] 李方正. 基于多源数据分析的北京市中心城绿色空间格局演变和优化研究[D]. 北京: 北京林业大学, 2018. Li F Z. Evolution and optimization of green space pattern in central Beijing based on multi-source data[D]. Beijing: Beijing Forestry University, 2018.
-
期刊类型引用(3)
1. 陈彩云. 天然染料在鲜茧丝染色中的应用. 轻纺工业与技术. 2023(02): 145-147 . 
百度学术
2. 杨雨桐，张卿硕，符韵林，孙静. 巴里黄檀心材色素的提取及其抑菌活性. 东北林业大学学报. 2020(10): 100-103+119 . 百度学术
3. 王敬贤. 木材染色技术研究进展. 林业科技. 2020(06): 42-47 . 百度学术
其他类型引用(4)
计量
- 文章访问数: 768
- HTML全文浏览量: 246
- PDF下载量: 134
- 被引次数: 7
