解密低碳城市︱紧凑or开放？美国三城告诉你城市布局竟是“碳中和”关键一环！

关于城市形态与CO2排放之间的关系，现有文献中已经有多样的证据。有研究表明，通过紧凑的城市形态提高土地利用效率和缩短通勤距离，有利于减少城市CO2排放。具体来说，居住密度每增加10%，CO2排放量能够减少1.08%-3.28%。相比之下，较低的居住密度通常与更高的家庭燃料消耗和更长的出行距离相关，进而导致更高的CO2排放。一项针对美国大城市地区的研究表明，城市蔓延的城市形态会排放更多的CO2。在中国的研究也表明，高度碎片化的土地利用导致经济活动分散，增加了交通活动，从而导致更高的CO2排放。类似地，对欧洲城市的研究显示，密集的城市区域与较低的CO2排放量相关。人口密集的城市能源消耗较低，因为更多的人居住在小型高层公寓中，而不是大型、分散的郊区住宅。例如，挪威的一项研究显示，居住在紧凑区域的家庭能源消耗比低密度郊区家庭低50%。同样，来自美国的证据显示，蔓延型社区的平均家庭能源消耗比紧凑型社区高20%。

紧凑的城市形态还有利于保护绿色和开放空间，促进更可持续的交通，并减少私家车的使用，从而降低燃料消耗。研究表明，土地混合利用可能不会直接减少CO2排放，但可以通过降低汽车保有量和缩短出行距离及时间，对减少CO2排放产生积极的间接影响。土地混合利用还可以增加绿色空间和水体，进而减少CO2排放。足够的绿色空间和水体，即使是碎片化的，也可以减少CO2排放。一些研究表明，城市公园可以抵消城市年排放量的2.3%-3.6%。在赫尔辛基的一项研究显示，交通是CO2排放的主要来源，但在夏季，植被部分抵消了交通相关的排放。另一项在赫尔辛基的研究显示，2015年至2019年间，城市植被和绿色空间每年平均吸收36.3千吨碳，抵消了该市约7%的人为排放。类似地，新加坡的一项研究表明，住宅区内的植被吸收了总CO2排放的8%。另一方面，树木和植被的固碳能力在不同季节和气候条件下会发生显著变化。研究表明，与冬季干燥的地区相比，湿润气候和温暖夏季的地区，树木的碳储量更高。一般来说，缺乏绿色空间和水体的紧凑城市会增加家庭能源消耗及相关的CO2排放。因此，增加城市绿化，如公园、绿色空间和城市花园是至关重要的。

然而，一些研究人员认为城市形态对能源消耗和CO2排放的影响是很小的。例如，一些研究得出结论，人口密度与CO2排放之间没有直接关系。值得注意的是，需要最佳的密度水平才能最大限度地发挥紧凑城市的优势。超过某一阈值，高人口密度可能导致资源需求增加和CO2排放水平提高。例如，英格兰和威尔士的一项研究测算了611座办公楼的能源消耗与建筑高度之间的关系后发现，当建筑高度从5层或以下增加到21层或以上时，电力和化石燃料的平均消耗强度分别增加了137%和42%，并且CO2的排放量平均增加一倍翻倍。该研究认为，较高的建筑物可以接收更多的阳光，从而减少对人工照明的需求，但同时也增加了过热的风险。此外，较高的建筑物由于电梯运行而增加了能源消耗，不可避免地导致更多的CO2排放。因此，将建筑物高度控制在合理水平可以显著影响CO2排放和能源消耗。此外，高密度区域的不当设计可能会减少空气流动、降低光照和影响通风，并增加城市热岛效应（UHI）。在这种情况下，建筑物可能会消耗更多的电力用于照明和空调设施，从而增加CO2的排放。当建筑密度很高时，即使有植被和水体，城市热岛效应也可能很严重。

调查微观层面的CO2排放模式是一项具有挑战性的任务，需要把握城市形态的复杂性。使用指标或类型学是衡量和定义城市形态的两种常见方法。前者主要使用住宅密度、人口密度、土地利用组合、FAR、道路密度和街道连通性等指标，这些指标主要采用区间和比率尺度。在统计分析中使用这些指标的一个关键问题是指标之间存在相关性和共线性。而且，有时研究人员必须对数据进行缩放（如使用最大最小归一化），这不适合报告指标的绝对性，只能显示相对值。此外，要利用数据和指标制定规划政策，还需要进行复杂的分析。同时，在许多基于指标的框架中使用粗略的空间尺度可能会限制进行城市内比较和识别地方空间差异的能力。这可能会妨碍人们了解城市形态在不同街区和城区的具体特征和影响。

此外，城市形态指标、目标和数据收集方法的多样性会导致结果不一致和缺乏可比性。这些局限性使我们只能反映某些要素，难以全面考察复杂城市形态的各个方面，从而可能影响研究结果的科学性。使用更复杂的指标可能会增强研究的科学稳健性，但将其纳入政策和城市规划可能会带来重大挑战。

还有一些研究采用类型学方法研究城市形态。这种方法不使用具体指标，而是根据城市形态和结构将城市地区分为不同类型，通常依靠定性评估和分类（名义和序数标度）。类型学方法通常基于形态类型学，即侧重于城市地区的物理布局和结构，包括建筑密度、街道模式和土地利用等因素。功能类型学指的是城市地区的功能和用途，并研究其CO2排放强度。此外，社会经济类型学考虑了人口密度和经济结构。

与基于指标的方法不同，类型学方法将城市形态视为一组简单的指标和一个具有多样化互动的复杂系统。这种方法试图了解每个城市的普遍性和独特性，从而对城市形态和结构进行更好、更深入的诊断。现有研究中使用的类型学尽管潜力巨大，但也存在很大的局限性。其中一些方法对于大都市地区复杂的城市形态而言过于笼统，或者只关注有限的城市形态特征。还有一些方法往往只关注数量有限的城市区域，缺乏对更广泛区域或整个城市进行分类的标准。这就削弱了它们进行全面比较的适宜性。选择能够描述城市环境多面性及其与CO2排放复杂关系的城市环境形态类型，对于在决策过程中为城市规划者提供有价值的见解至关重要。

景观指标已被广泛应用于分类和描述土地利用模式及城市形态。LCZs由Stewart 和 Oke 于2012年提出，作为描述城市景观和揭示城市形态复杂性的新标准（第五部分图二）。LCZ分类基于微观尺度上的城市结构、土地覆盖和建筑材料特性，提供了一种全面的分析方法。作为标准化框架，LCZ能够为研究城市形态与CO2排放的关系提供工具。除了二维结构，LCZ还可以展示城市形态的三维特征。LCZ将城市区域划分为17类，其中10类与城市形态和功能相关（如“建筑高度、覆盖率、透水和不透水地面覆盖率及长宽比”），7类与无人工结构的自然景观相关。

尽管LCZ具有潜在的应用价值，但仅有少数研究探讨了不同LCZ类型对城市CO2排放的影响。泰国的一项研究表明，密集区域的LCZ 1在全天CO2排放量最高。该研究还表明，主要由轻工业和仓库建筑组成的LCZ 10在工作时间内电力消耗更多，因此其CO2排放量仅次于LCZ 1。此外，主要由办公、商业和教育建筑组成的LCZ 2、3和5在工作时间内的CO2排放也较高。研究还发现，研究表明，从 LCZ 4到 LCZ 6，住宅建筑每平方公里的ACCE有所下降；具体来说，高层建筑区域更有可能排放更多的CO2。在上海，LCZ 1每平方公里的平均CO2排放量高于其他LCZ。此外，LCZ 9的CO2排放波动性比其他LCZ更大。相比之下，针对中国超大城市区域的LCZ与景观指标关系的研究表明，密集的城市区域（LCZ 1-3）是减少CO2排放最具影响力的城市形态之一。该研究指出，紧凑且集中化的城市规划能够通过减少出行距离来降低交通部门的CO2排放。研究还发现，开放低层建筑的集中分布（LCZ 6）可以减少碳排放，而低层建筑的分散布局则增加CO2排放。另一项研究同样指出，作为不同形式的城市结构，LCZ对建筑能源消耗有显著影响。

尽管现有研究做出了贡献，但关于LCZ的研究尚未全面探讨不同城市形态与CO2排放之间的关系。其研究重点局限于单一案例，这不利于分析不同城市及情境下城市形态与CO2排放动态之间的关联。此外，现有研究未充分利用细化到建筑和街道层面的数据，而这对进行更精确的分析至关重要。现有研究也忽视了CO2排放的小时和季节性时间变化。为了解决这些问题，本研究利用LCZ框架，探讨美国三座城市（巴尔的摩、印第安纳波利斯和洛杉矶）中CO2排放与城市形态的关系。研究旨在理解城市形态及建筑特征如何影响全年、不同季节及昼夜不同时间段的CO2排放量。首先，创建了三座城市的LCZ地图，用于定义城市形态。接下来，使用Hestia项目的数据计算不同LCZ中的ACCE以及年度和季节CO2排放强度。此外，计算LCZ的人均排放量，以更好地了解与人口特征相关的CO2排放情况。

美国是仅次于中国的第二大CO2排放国，占全球排放量的12.61%。2020年美国总的FFCO2­排放量约为450亿吨。在前六大排放国中（其他国家分别是中国、印度、俄罗斯、日本、欧盟27国），美国人均CO2排放量最高（13.7吨CO2­/人/年）。在这项研究中，我们研究了美国巴尔的摩、印第安纳波利斯和洛杉矶三个城市的城市形态与FFCO2­排放之间的关联（见图一）。我们试图选择位于不同地理和气候区域的城市。这种多样性让我们可以比较不同气候区域的CO2排放量。巴尔的摩位于混合湿润气候区，洛杉矶位于温暖干燥气候区以及印第安纳波利斯位于凉爽湿润气候区。这些气候差异导致洛杉矶经历温和、干燥的夏季和漫长、凉爽或潮湿的冬季（年温差在9至29摄氏度之间），季节性温度波动很小。相比之下，巴尔的摩经历炎热多雨的夏季和寒冷多雪的冬季（年温差在-1至30摄氏度之间）。同时，印第安纳波利斯的特点是漫长、炎热且潮湿的夏季和非常寒冷、多雪且大风的冬季（年温差在-6至30摄氏度之间）。附录中的图表S1（参考文献1附录）展示了这三个城市2015年的月平均气温趋势。

除了气候差异外，这三个城市的城市结构和人口密度也是它们被选中的关键因素。巴尔的摩的人口密度为每平方英里7689人，被认为是一个人口密度较高的城市。印第安纳波利斯的人口密度为每平方英里2359人，拥有人口相对密集的城市中心。相比之下，洛杉矶的人口密度为每平方英里2464人，是一个人口密度分散的、向外扩张的多中心城市。这种人口密度和城市结构的差异使我们可以在不同的条件下研究城市形态对CO2排放的影响。此外，这三个城市之间CO2排放的显著差异使我们可以比较不同LCZ之间的排放模式。最后，在这三个城市地区拥有高分辨率的CO2排放数据也是选择它们的另一个重要原因。

LCZ：我们使用LCZ框架对选定城市的城市形态进行分类。这是由Stewart等人引入的LCZ框架，提供了一个标准化的方法，根据城市的物质结构和功能对全球城市进行分类。因此，它非常适合表达城市形态并分析建成环境。它将建成环境分为十种不同的建筑类型（LCZ 1-10）和七种自然类型（LCZ A-G）。图二提供了每种建筑类型（LCZ 1-10）的特征概述。

图二、LCZ分类（LCZ 1-10类）的建筑类型类别总结

LCZ制图方法大致可分为四类：手动、基于遥感的、基于GIS的和混合方法。基于遥感的方法涉及将监督分类技术应用于遥感数据。另一方面，基于GIS的方法通过分析物理参数来确定LCZ类别。混合方法则是试图结合基于遥感的方法、基于GIS的方法和手动方法的优势。

GIS方法所需的数据通常不完全可用，这使得分类变得困难。因为卫星图像数据广泛可用，基于遥感的方法已被用来解决这个问题。在这项研究中，我们使用基于遥感的方法计算了2015年三个城市的LCZ。不同城市的初步实验表明，100-150米的像素提供了合适的准确性。因此，这项研究以100×100米的分辨率计算LCZ。计算LCZ需要两套训练文件数据和卫星数据。在这项分析中，我们使用了Landsat 8数据作为卫星数据。2015年每个城市使用了四张Landsat 8图像，在不同时间，云覆盖率小于10%。同时，我们使用Google Earth作为预训练文件。训练样本选择的不同是分类过程中误差的主要来源。因此，我们使用了LiDAR数据、土地利用和Google街景来提高预训练文件（抽样）的准确性。LCZ的计算和算法的实现是使用SAGA GIS软件完成的。我们使用混淆矩阵来评估LCZ分类的准确性。另一组独立的验证样本最初是通过Google Earth手动选择的。随后，我们对每个城市的预测LCZ地图与ENVI 6软件中的验证样本进行比较，以创建一个混淆矩阵。表一总结了本研究使用的数据。

表一、数据使用和数据来源

城市级别碳排放数据与100x100m分辨率下排放估算：FFCO2排放数据来自Hestia项目，这是一个为城市地区提供了高空间/时间分辨率的FFCO2排放估算的研究工作。该项目为特定城市提供了自下而上的细粒度FFCO2排放数据，分辨率为建筑物/街道，用于一天中的不同小时。Hestia项目大约20年前启动，已经为洛杉矶、印第安纳波利斯、盐湖城和巴尔的摩产生了高分辨率的FFCO2估算。在这项研究中，我们使用了2015年巴尔的摩、印第安纳波利斯和洛杉矶三个城市的数据，以调查和分析城市形态与CO2排放之间的关系。

鉴于初始数据集的庞大体量和复杂性，以及在ArcGIS Pro中处理和准备这些数据的固有复杂性，因此在此过程中使用了Python编程语言。最初，将原始数据（NetCDF格式）添加到Python环境中。随后，分别计算并处理了每个城市的年度、每月和小时时间间隔的CO2排放。最后，将结果保存为点shapefile格式的单独图层。

洛杉矶的原始FFCO2排放数据为1 km×1 km分辨率，印第安纳波利斯和巴尔的摩为200 m×200 m。为了更准确地检查微观尺度的CO2排放模式，并与LCZ地图对齐，这些数据被重新采样为100 m×100 m分辨率。首先从美国人口普查局获得了人口普查区级别的人口数据，以在这个分辨率下估算CO2排放。然后，通过将人口除以面积（公顷）来计算每个区块的人口密度。接下来，创建了与原始数据分辨率相匹配的栅格网格（洛杉矶为1公里×1公里，印第安纳波利斯和巴尔的摩为200 m×200 m）。使用ArcGIS Pro中的“制表交集”工具，计算了这些网格中每个单元格的人口密度和总人口。为了将排放数据转移到这些网格中，使用了“空间连接”工具，将相应的排放分配给相应栅格层的每个单元格。每个单元格的人均排放量是通过将其相应的人口除以排放值来计算的。

随后，创建了一个新的100 m×100 m分辨率的栅格网格，并计算了每个单元格内的人口。通过将原始栅格网格与新创建的100 m×100 m网格重叠，估算了每个100 m×100 m单元格的排放量。这个过程分别对每个城市以及年度、季节性、月度和小时排放量进行了重复。例如，一个200 m×200 m的单元格包含四个100 m×100 m的单元格。假设这四个单元格的人均排放量等于较大的200 m×200 m单元格的人均排放量，通过将较大单元格的人均排放量乘以每个较小单元格的人口来计算100 m×100 m单元格的排放量。在原始单元格中的人口为零的情况下，排放量在100 m×100 m单元格中平均分配。

这个过程分别对每个城市以及年度、季节性、月度和小时排放量进行了重复。虽然这种方法仅依赖于人口数据来重新采样CO2排放数据，可能会引入某些局限性，但它可以提供对微观尺度CO2排放模式的有价值的见解。另外，建议考虑更多额外的因素以获得更精确的100 m分辨率的估算。

接下来，为了量化每个LCZ内的CO2排放量，将CO2排放网格（100 m×100 m）与LCZ网格（100 m×100 m）进行了叠加。这种空间叠加使得将每个网格单元的CO2排放分配给其相应的LCZ单元成为可能。这种方法有助于将CO2排放分配给特定的本地气候区域，允许详细检查本地气候条件对CO2排放的不同影响。图三显示了与这一步相关的研究过程的总结。

图三、研究方法的流程图

图四显示了巴尔的摩、印第安纳波利斯和洛杉矶的LCZ分类情况。如前所述，仅考虑了建筑类型（LCZ 1-10）中的FFCO2。由于LCZ 7（轻型低层建筑）仅在洛杉矶有，为更好地比较三个城市的情况，未对其进行验证。

在巴尔的摩，LCZ 3（紧凑型低层建筑）是最大的类别，覆盖了城市面积的28.62%（8772公顷）。LCZ 6（开放式低层建筑）排名第二，占比15.33%。LCZ 10（重工业建筑）和LCZ 5（开放式中层建筑）分别位居第三（占比12.42%）和第四（占比10.99%）。在印第安纳波利斯，LCZ 6 排名第一，占比28.23%（31,105公顷）；LCZ D（低矮植被）和LCZ 10 分别位居第二（占比13.74%）和第三（占比12.63%）。在洛杉矶，LCZ F（裸露土壤或沙地）、LCZ C（灌木丛、矮树丛）和LCZ D分别排名第一至第三位，占比分别为27.47%（281,192公顷）、20.1%和15.46%。LCZ 6 则位居第四，覆盖了城市面积的13.41%。精度评估显示，巴尔的摩的整体精度为61%，印第安纳波利斯为70%，洛杉矶为65%，这表明其质量是可以接受的。表S1（参考文献1附录）总结了巴尔的摩、印第安纳波利斯和洛杉矶各类LCZ的特征。

图四、2015年巴尔的摩、印第安纳波利斯和洛杉矶的LCZ分类和CO2排放量：A) LCZ分类地图，B) 城市间LCZ对比，C) 各LCZ ACCE的分布。

年度与季度整体FFCO2：巴尔的摩、印第安纳波利斯和洛杉矶在2015年的全年碳排放量分别为149万吨、403万吨及2640万吨。由于两个城市有着相似的气候条件，巴提摩尔和印第安纳波利斯在不同季度的碳排放量变化模式趋近一致。巴提摩尔和印第安纳波利斯在冬季（12月、1月、2月）碳排放量最高，分别为52.2万吨和115.3万吨，同样的，在夏季（6月、7月、8月）以30.1万吨和91.9万吨达到排放值的最低点。而洛杉矶的情况却是大有不同，夏季排放量最高，为673万吨，春季（3月、4月、5月）最低，为636.4万吨。显然，季度碳排放量的增长来源于冬季供暖需求和夏季供冷需求的增长。欲了解更多信息，请参见参考文献1附录中的图S2。

在巴尔的摩，1月是碳排放强度最高的月份，而9月则是强度最低的月份。相似的，印第安纳波利斯排放量高峰也是1月，最低的月份是8月，这再次体现了两个城市间的气候相似性。与之相反的是，洛杉矶碳排放强度前两名是12月和1月，紧接着2月则成为全年排放最低的月份。

图五显示了这三个城市全年碳排放的空间分布情况。由于交通运输的直接影响，通常最高碳排放强度都分布在城市的主要街道和公路上。特别的是，城市活动密集区域和交通繁忙区域通常有着更高的排放强度。在巴提摩尔和印第安纳波利斯，碳排放强度从城市中心到郊区逐步下降。这可能是因为那些具有高能耗或产生更多CO2的商业机构、酒店和办公室通常位于市中心区域，而这些地方往往有更多的汽车交通。洛杉矶则展示了截然不同的模式，其碳排放强度在城市中呈分散式分布，而非集中在城市中心区域。这可能归因于城市自然蔓延以及多活动中心分布。洛杉矶低排放强度区域在高排放强度区域间的稀疏分布体现了城市景观在居住、商业办公和工业用地方面的多样性。

图五、巴尔的摩（200m×200m）、印第安纳波利斯（200m×200m）和洛杉矶（1km×1km）城市年均FFCO2分布图

碳排放的空间分布显示，在冬季，巴尔的摩和印第安纳波利斯的市中心有着最高季度碳排放量。同时，碳排放强度从市中心至低密度郊区呈显著降低趋势。而在洛杉矶，无论季节更替，碳排放均衡地分布在城市的各个区域，排放强度最高值集中在主要街道和市中心。洛杉矶有着截然不同的碳排放分布规律，夏季排放强度最高，这可能源自其由于城市气候温度更高而带来的海量空调需求以及夏季出游所造成的更多交通活动。

FFCO2 每小时的排放总量（年度&季度）：图六显示了年度和季度CO2排放量在一天中不同时段的表现情况。巴尔的摩的全年FFCO2峰值出现在上午8:00，这一时段的ACCE是为9.07万吨FF CO2。印第安纳波利斯的ACCE峰值在18:00，洛杉矶在17:00，分别为25.79万吨FFCO2和145.8万吨FFCO2。这三个城市通常在上午6:00至9:00和下午至傍晚（15:00 至 18:00）时段有着较高的碳排放。在这些时间段的高排放量可能是由通勤或下班后活动带来的，尤其是在交通高峰时段。清晨时段的排放量始终最低，这可能是由于活动和能源消耗不多所致。

从季节变化上看，在巴尔的摩和印第安纳波利斯，冬季全天24小时的FFCO2一般高于其他季节。在洛杉矶，与其他季节相比，夏季上午11点至夜幕降临时的总排放量较高。在洛杉矶，冬季凌晨2点至11点的每小时排放水平高于其他季节的同一时间，这一趋势与其他两个城市相似。巴尔的摩不同季节每小时排放量的标准偏差表明FFCO2排放水平在冬季有着最大变化。而在洛杉矶和印第安纳波利斯，每小时FFCO2排放量在夏季的波动最大。总体而言，碳排放水平的变化受到人类活动和天气条件等因素的影响。

参考文献1附录的图S4展示了三个城市每天24小时的累计月排放量。此外，参考文献1附录的图 S5-S7 展示了三个城市 ACCE 的更多细节。

图六、年度FFCO2排放和季度FFCO2排放平均值的24小时分布情况

LCZ尺度FFCO2年度排放情况：对每个城市进行LCZ识别后，我们计算了每个LCZ不同时间段的年度和季节性CO2排放量。图四（C）展示了三个城市不同LCZ的ACCE。巴尔的摩、印第安纳波利斯和洛杉矶的LCZs 1-10的CO2排放量分别约占总排放量的88%（1320万吨FFCO2）、82%（3320万吨FFCO2）和81%（2131万吨FFCO2）。

尽管ACCE值展示了排放的空间格局，但由于LCZ面积的显著差异，尚且无法提供一个清晰的城市形态与CO2排放关系图。因此，为了更好地找到不同LCZ的CO2排放模式，在每个LCZ中计算其CEI。此处每个LCZ的CEI通过将该类型的CO2排放总量除以该类城市面积（每公顷）来计算。CEI这个参数代表每类LCZ的单位面积CO2排放量。在巴尔的摩，LCZ 2的CEI最高，其次是LCZ 1。在印第安纳波利斯，全年LCZ 10的CEI最高，其次是LCZ 1和LCZ 2（图九）。中国的研究也发现，LCZ 1-3这些高密度城区碳强度最高。在洛杉矶，LCZ 10的CEI最高，其次是LCZ 4和LCZ 3。在三个城市中，LCZ 9和LCZ 6的ACEI最低。在巴尔的摩，LCZ 6约74%为居住用地，8%为商业用地。在印第安纳波利斯和洛杉矶，超过80% LCZ 6用于低密度住宅开发。此外，在所有三个城市中，LCZ 9的居住用地占50%至58%，开放空间、绿地和农业用地占20%至20%。详细的资料请参见参考文献1附录中的图S8。

总体而言，在巴尔的摩和印第安纳波利斯，紧凑型高层城区（LCZ 1）每年CO2排放是开放型高层城区的两倍多（LCZ 4）。然而，在洛杉矶，LCZ 1的ACEI几乎是LCZ 4 的一半。此外，紧凑型中层城区（LCZ 2） ACEI与开放型中层城区（LCZ 5）的比值，巴尔的摩为3.5，印第安纳波利斯为1.9，洛杉矶为1.4。巴尔的摩的紧凑型低层城区 （LCZ 3）ACEI 高出开放低层区域高（LCZ 6）的1.7 倍。印第安纳波利斯和洛杉矶的LCZ 5的ACEI也高于LCZ 3（分别为 1.6 倍和 2.4 倍）。这些发现是与曼谷的研究一致的，研究表明紧凑和高密度（LCZ 1-3）、大型低层（LCZ 8）和重工业（LCZ 10）区域的CO2排放强度高于其他类型的 LCZ。

研究结果表明，平均来说，没有乔木或乔木极少主要为行道树同时布局紧凑而密集的城区的CO2 排放是开阔布局、多处乔木且植被丰富城区的的两倍（图七）。这些发现强调了适度增加开敞空间及绿化对减少CO2排放的重要性。在文献综述部分阐述中也支持这一结论，城市绿化是通过微气候进行减碳的重要措施。为了更全面地评估这些地区碳排放较低的原因，必须考虑更广泛的因素，如能源消耗、交通、土地使用变化、居民的社会经济概况以及其他与每个城市土地类型（LCZ）相关的变量。一些研究还认为，紧凑型城区可以通过减少土地消耗、鼓励资源共享、缩短城市通勤距离以及减少私家车依赖来减少CO2排放。然而，设计不理想的紧凑型城市会阻碍空气流动、太阳辐射和自然通风，可能导致热岛效应，因而需要更多能源消耗用于供冷，并最终导致更多的CO2排放。洛杉矶10层及以上高层建筑的高层区域显示出了与其它地区相反的结果。研究发现，有多处植被的高层城区，其CO2排放量比那些更为密集和紧凑、植被较少的城区还要高。这是与以前的研究一致的，研究表明即使在有植被和水的情况下，高建筑密度也会显著增强城市热岛效应，并增加能源需求。

图七、不同植被覆盖密度下的ACEI

在比较 LCZ 1-3 的CO2排放量时，并未观察到建筑密度与CO2排放之间的一致性模式。洛杉矶的LCZ 1-3建筑密度增加与CO2排放降低相关，相反的是，在印第安纳波利斯，建筑密度的降低导致CO2排放量减少，而巴尔的摩建筑密度与CO2排放之间呈倒 U 形变化。以上研究结果与 Ewing 和 Rong 的一项研究形成鲜明对比，后者研究显示紧凑发展与能源消耗之间呈U型关系。开展更多关于不同类型城区的城市密度与二氧化碳排放关系与影响因素的研究是必要的。比较确信的是，在空间更开阔的区域（LCZ4-6），城区密度的增加导致了CO2排放的增加。已经有研究将城市中建筑高度的增加与CO2排放的增加联系起来，与以上观察结果是一致的。

图八展示了各种建筑类型中ACEI每小时的变化。我们观察到，在几乎所有的建筑类型中，早上二氧化碳排放量上升并在大约8:00达到峰值，这与人们工作时间同步。8:00后排放量逐渐减少，直到下午显著增加，这可能对应下班高峰期。在巴尔的摩和印第安波利斯，LCZ 1和LCZ 2在早上7:00到晚上6:00之间显示的CO2排放强度波动明显高于其他LCZ类型。这些城区的碳排放波动可能是由于通勤高峰时段道路上的大交通流量所致。这些区域的土地利用方式也可能是另一个原因。这两种类型的城区主要包括办公、商业和酒店用地，碳排放的变化对应活动的高峰时间，其中商业和办公用地占大约55%（在巴尔的摩的LCZ 2中为38%）。这种频繁的商业和办公活动吸引了大量的日常出行，特别是在高峰工作时段，办公活动也导致CO2排放的增加。这些结果与之前的研究一致，这些研究也印证了市中心CO2排放量很高的结论。荷兰的一项研究表明，商业和公共服务用地为主的地区可能会因高通勤密度和交通需求而导致二氧化碳排放增加。参考文献1附录的附录图S9支持了这一发现，它展示了每个城市中LCZ 1和LCZ 2型城区的分布，并叠加了2015年的平均年交通量。可以看出，这些城区大部分位于交通量大的地区。此外，如图S5和S6所示，在白天，特别是在高峰工作时段，可明显观察到CO2排放沿交通网络分布。洛杉矶展现出的模式与其他两个城市不同。洛杉矶的二氧化碳排放强度在非高峰时段并没有减少，而是全天相对较高。这可能是由于这个城市较温暖的天气导致用于供冷的能源需求增加。在印第安纳波利斯和洛杉矶，LCZ 10在全天都显示出高水平的CO2排放，这表明工业区的碳排放不论在白天还是夜晚都相对较高。

图八、不同LCZ每天 24 小时的ACCEI：a) 巴尔的摩，b) 印第安纳波利斯，c) 洛杉矶

LCZ层级的季节性FFCO2排放：图九所示结果揭示了各LCZ在不同季节的CCEI。结果表明，LCZ的CEI受季节变化的影响。在巴尔的摩和印第安纳波利斯，每个LCZ的季节性CO2排放模式几乎是相同的。所有LZC的CO2排放量都在冬季达到峰值，在夏季最低。这个问题可能与阳光和植被的数量有关。巴尔的摩市各类建成区的平均NDVI在夏季为0.163，在冬季为0.093，而印第安纳波利斯的相关数值在夏季和冬季分别为0.215和0.108（见参考文献1附录图S10）。此外，巴尔的摩和印第安纳波利斯的总水平辐射在夏季为183和180kWh/m2，在春季为155和148kWh/m2，在秋季为104和108kWh/m2，在冬季为65和61kWh/m2（欧盟委员会）（见参考文献1附录图S11）。因此，冬季植被覆盖减少和阳光减量增加了对供暖的需求，进而提高了CO2排放量。不过，仍需要更全面的研究来更为准确地确定每个LCZ的阳光和植被对CO2排放量的影响。各LCZ CO2排放强度在春季和秋季的变化幅度小于其他两个季节。在巴尔的摩和印第安纳波利斯，LCZ 1和LCZ 2的冬季累积CO2排放强度几乎是其他季节的两倍。这些区域春夏季的NDVI几乎是冬季的1.5倍。此外，冬季日照不足（巴尔的摩为65kWh/m2，印第安纳波利斯为61kWh/m2）和高层建筑遮蔽也增加了对供暖的需求，造成更多的CO2排放。通常，高层建筑和紧凑布局会降低日照效率，增加遮蔽，导致这些区域更高的CO2排放量。

图九、各LZC平均季节性CCEI（t FFCO2/ha）

在洛杉矶，季节对各LCZ CO2排放的影响总体上是有限的。有趣的是，不同季节的NDVI差异也不大（秋季NDVI最低为0.092，春季NDVI最高为0.099）。然而，观测结果表明，在LCZ 3和LCZ 4，夏季CO2排放较其他季节显著增加。这可能表明，即使有植被覆盖，开放的城市区域，也会在炎热和干燥气候下，尤其是夏季，形成更多的CO2排放。这种增加可能是由于这些区域阳光充足，且由于过热而更广泛地使用空调和冷却系统。事实上，在洛杉矶，夏季太阳辐射会达到230kWh/m2，是所有季节中最高的，而在春季、秋季和冬季分别为182、138和98kWh/m2。

在巴尔的摩和印第安纳波利斯，冬季平均小时CEI，尤其是LCZ 1和LCZ 2，与其他季节相比波动明显。这些波动主要发生在早晚高峰时段以及这两个时段之间。经过观察，这些模式显示，在早晚工作时间的交通高峰时期，以行政和商业功能为主、植被覆盖程度低的紧凑区域（以高层建筑为主）的CO2排放高于其他区域。此外，局部气候区4-6的低CO2排放量表明，增加空间开放度和植被有助于减少CO2排放（见参考文献1附录的图S12）。

洛杉矶不同季节的昼夜CO2排放量波动较为有限。不过，可以注意到，在冬季早晚高峰时段， LCZ 1和LCZ 2的波动较大。同时，在夏季，特别是12:00-22:00之间，LCZ 3和LCZ 4的CO2排放量变化比其他季节更大。应调查研究其他因素的影响，包括社会经济特征及其他物理因素，以获得更为准确的结果。首尔的一项研究表明，社会经济特征在空间上是异质的，可能与城市形态有关，并影响CO2排放。

LCZ级别的年度人均FFCO2排放：2015年，巴尔的摩的每公顷人均年FFCO2排放量为2吨。印第安纳波利斯和洛杉矶则为5吨FFCO2。图十显示了不同LCZ（LCZ 8和LCZ 10除外）的每公顷人均年CO2排放量。一般来说，高层建筑集中的高密度地区和多为低层建筑的低密度地区的人均CO2排放量较高。在巴尔的摩，LCZ 1的CO2排放量最高，该地区每公顷人均每年排放4.6吨FFCO2。人均年CO2排放量最低的是LCZ 4，其排放量为每公顷排放1.32 吨FFCO2。

印第安纳波利斯的人均最高排放量出现在LCZ 1，该地区每公顷人均每年排放11.73吨FFCO2。LCZ 2区位居第二，排放量为每公顷5.23吨FFCO2。人均CO2排放量最低的是LCZ 3，其中每公顷人均年排放1.89吨FFCO2。洛杉矶的最高人均CO2排放量在LCZ 3出现，该地区每公顷人均年排放6.47吨FFCO2。人均CO2排放量最低的是LCZ 2，为每公顷1.67吨FFCO2。

图十、各城市的LCZ的年度人均FFCO2排放量（吨/公顷）。LCZ 8和LCZ 10的人均碳排放量未纳入计算，因为它们主要为工业用地。

图十一展示了LCZ每天 24 小时每公顷人均年CO2排放量。巴尔的摩的LCZ中人均CO2排放量的昼夜变化最大，尤其是7:00至19:00的变化。在LCZ 1和LCZ 2中，8:00时的人均CO2排放量要高得多。然而，在其他LCZ中，碳排放量随昼夜时间的变化相对较小。这可能表明 LCZ 1 和 LCZ 2 的商业行政活动或密集交通模式更加集中。印第安纳波利斯在高峰时段的CO2排放量增长较为平缓。尽管洛杉矶因交通拥堵而闻名，但其LCZ内的CO2排放量分布相对平缓，仅在交通高峰时段略有增加。这一发现表明，城市形态以外的因素也会影响洛杉矶的人均CO2排放量。

在巴尔的摩，8:00是CO2排放的高峰期，每公顷每人平均排放3.5吨FFCO2；LCZ 1的人均年CO2排放量是LCZ 4的20倍，LCZ 4是所有LCZ中人均CO2排放量最低的。同样，LCZ 2的人均CO2排放量是 LCZ 5的3.9倍，LCZ 3的人均CO2排放量是LCZ 6的1.3倍。在巴尔的摩，高峰时段时LCZ 1和LCZ 2的人均CO2排放量最高。8:00时的最低人均CO2排放量出现在LCZ 4，即每公顷每人每年平均排放0.173吨FFCO2。

在印第安纳波利斯，LCZ 1在CO2排放高峰时段（9:00）的CO2排放量最高，即每公顷每人每年平均排放2.5吨FF CO2。LCZ 2排名第二，其次是LCZ 4。在LCZ 1，人均年CO2排放量是LCZ 4人均年CO2排放量的2.8倍。此外，在LCZ 2，人均排放CO2量是LCZ 5的3.73倍，早高峰时段的年均排放量为每公顷2.1吨FF CO2。同样，在LCZ 3，早高峰时段的人均CO2排放量是LCZ 6的1.75倍。

在洛杉矶，每小时的人均年CO2排放量变化相对稳定，并且在整个 24 小时周期内均匀分布。可能是因为城市经济活力高，在全天能保持恒定的能源消耗。然而， LCZ 1-4内白天的人均CO2排放量高于其他LCZ。全市人均CO2排放高峰时段为16:00，此时每公顷年人均CO2排放量为1.3吨FFCO2。

图十一、LCZ每天24小时的人均年度CO2排放量。a) 巴尔的摩 b) 印第安纳波利斯 C) 洛杉矶。

虽然本研究的结果在微观尺度上为城市形态与CO2排放之间的关联提供了新的见解，但也应指出其局限性。首先，在本研究中，我们以100 m×100 m的分辨率估算了CO2排放量，未来应该考虑更高的分辨率。此外，为了以100 m×100 m的分辨率估算和重采样2015年的CO2排放量，使用了2010年的人口数据。这是本研究的另一个局限性。其次，本研究在建筑和街道的总尺度上研究了FFCO2排放。未来的研究建议调查具体部门，如与交通、住宅和商业部门相关的FFCO2排放。未来的研究还应分别考察住宅、商业和办公建筑的建筑密度与高度对每个LCZ CO2排放量的影响。第三，由于社会经济特征显著影响城市形态与CO2排放之间的相互作用，因此建议研究每个LCZ的社会经济因素及其对CO2排放的影响。此外，未来的研究应采用空间回归模型，如地理加权回归模型、基于机器学习的模型和时间序列等，对这些关系进行量化。第四，这项研究表明，不同LCZ的行为对FFCO2排放有不同的影响。因此，建议未来的研究对更多不同气候条件的城市进行调查和分析。

2014-2024 © 转载请注明：

转载自公众号“一览众山小-可持续城市与交通”