研究速递|树种分类改善了城市绿地BVOCs的估算

植物排放的生物源性挥发性有机化合物(BVOCs)可以在很大程度上促进地面臭氧(O3)和二次有机气溶胶(SOA)的形成，特别是在VOC限制条件下形成的O3。由于城市热岛效应引起的温度升高和更强的辐射，这种影响在城市地区可能会加剧。虽然BVOCs的排放量通常低于城市地区人为挥发性有机化合物(AVOCs)，但BVOCs比AVOCs更不稳定，因此会不成比例地影响大气的氧化能力。这些二级污染物O3和SOA也影响人类健康，特别是在环境条件更复杂、污染物浓度更高的城市建成区。

尽管BVOCs对环境和健康的影响已得到越来越多的认识，但大多数研究都集中在天然林的BVOCs排放上，而城市建成区植物的BVOCs排放需要更多的研究。目前大多数研究基于相对粗糙的空间分辨率土地覆盖数据集，无法捕捉城市建成区众多小型绿地斑块。然而，来自城市绿地的BVOCs排放总量并非微不足道。在中国，由于城市扩张和绿化，城市绿地覆盖率增加。全球绿地面积从2000年的15.30 × 10^4 km2显著增加到2020年的31.19 × 10^4 km2，其中城市绿地面积增加10.62 × 10^4 km2。因此，忽视城市绿地BVOCs排放可能会导致区域估算的不确定性增加。这种忽视很大程度上是由于缺乏城市建成区具有精细空间分辨率和专题分辨率的数据，导致城市内部对BVOCs的估计不足。

城市植物BVOCs排放与天然林相比，与人类健康的关系更密切。然而，由于缺乏高空间分辨率的树种分类，城市绿地的BVOCs排放量可能被大大低估。此外，大多数研究基于植物功能类型(PFT)。由于物种间BVOCs排放速率存在较大差异，因此基于PFT进行估算可能会导致BVOCs排放估算存在较大误差。一些研究通过植被调查估算优势种BVOCs排放，只能计算其总量，而不能计算其空间异质性。此外，样地植被调查只能从调查样地获得数据，其他地区的准确性不确定。遥感技术可以利用高分辨率卫星图像快速获取全空间覆盖的植被信息。同时，结合野外调查数据，空间外推可用于填补野外调查具有挑战性的数据空白。因此，高空间分辨率的卫星数据，如Sentinel-2和更高分辨率的数据，可以准确地绘制城市绿地，甚至单个树木。树种的识别有助于利用每个树种的特定排放因子来估算BVOCs排放量，从而减少了相对于单纯基于PFT估算的不确定性，更好地发现树木级BVOCs排放的空间异质性。此外，高空间分辨率信息可能有助于弥补城市建成区叶面积指数(LAI)等数据的不足。

在此，提出了一个高空间分辨率的树种分类，研究了这样的数据集是否能显著提高城市树木BVOCs排放的估计，并进一步研究了它对产生环境臭氧和细颗粒物(PM2.5)的贡献。新的树种分类图绘制了23种优势树种，空间分辨率为10 m。此外，在城市建成区以10 m分辨率的Sentinel-2影像数据代替500 m MODIS LAI计算叶面积指数(LAI)。加强对城市树木BVOCs排放规律及其对二次污染物影响的认识，可以更好地为城市宜居环境的精细树木规划和管理提供支持。

深圳(纬度22◦24′-22◦52′N，经度113◦43′-114◦38′E)位于中国南海沿岸。它与澳门、香港和广东省其他八个大陆城市组成了大湾区。该市属亚热带季风气候，年平均降雨量为1933.3毫米，年平均气温为22.4℃。2020年，深圳市包括农村在内的总面积为1997.47 km2，城市化进程开始以来，公园植物物种多样性显著增加。尽管本地植物的生物多样性总体上有所增加，但由于外来物种的增加更为显著，其相对于所有物种的比例有所下降，并且公园内植物物种的同质化有所增加。

使用Google Earth Engine (GEE)作为分类平台，利用多时相Sentinel数据、DEM、Canopy Height Model (CHM)和Zhuhai-1 Orbita HyperSpectral - Minimum Noise Fraction (OHS-MNF)数据，基于随机森林分类器的图像元分类范式对深圳优势树种进行分类。结合广东省深圳市生态环境监测中心详细的森林调查斑块数据，在深圳市鉴定出23种优势种。然后，提取这些物种的光谱、纹理、结构和物候特征，建立优势种的特征库进行分类。本研究的训练样本来自森林调查。采用分层随机抽样方法，选择70%的样本进行训练，每个类别最少139个样本。另外30%的样品用于验证。总体分类准确率为77.96%，Kappa系数为0.76。

为了与以前的研究进行比较，使用16 m和1 km两个空间分辨率的pft数据估算了BVOCs排放量。16 m空间分辨率数据集来自中国科学院航天信息研究所。然后，通过ArcGIS中的采样工具通过最近邻对这些数据进行重新采样，将空间分辨率从16 m降低到1 km。

为了明确城市建成区极小绿地对BVOCs排放的影响，将土地覆盖类型重新划分为城市(建成区)和非城市(建成区以外的耕地、水域、裸地等)。根据人工不透水区域数据和道路绘制的边界来确定城市建成区。此外，将城市地区植物排放的BVOCs定义为U-BVOCs，非城市地区植物排放的BVOCs定义为N-BVOCs，总BVOCs定义为T-BVOCs。

在本研究中，基于Guenther提出的算法估算了深圳网格化BVOCs排放量。化学物质分为三大类:异戊二烯(ISO)、单萜烯(MTs)和其他挥发性有机化合物(OVOCs)。由于温度和光的依赖性不同，使用不同的算法计算三种挥发性有机化合物的排放量。用式(1)估算异戊二烯的排放率，用式(2)估算单萜烯和挥发性有机化合物的排放率。

式中ε(μC/g(叶干重)⋅h)为标准条件下(叶温为303 K，光合有效辐射(PAR)为1000 μmol/m2⋅s)各树种的基础异戊二烯或单萜烯或OVOCs排放率；D为叶密度(地面叶干物质m-2)；γT、γP和γS是代表温度、光照和季节变化对排放影响的环境系数因子；γC是CO2抑制异戊二烯排放的因素。CCE为冠层环境系数，在标准条件下赋值为1。

使用两个卫星数据集生成了2020年深圳月LAI。为了克服城市建成区MODIS LAI数据的不可用性，利用NDVI-LAI回归模型，基于Sentinel-2数据推导LAI。具体来说，首先从Sentinel-2数据的反射辐射数据中推导出10 m NDVI。随后，使用深圳LAI与NDVI之间的非线性回归模型来计算10 m LAI。非线性回归模型的R2为0.81，表明模型对于深圳具有鲁棒性。

对鉴定出的23种优势种使用了比排放因子。对于混合树种林区，根据各优势树种在植被类型中所占的百分比和排放因子计算加权平均BVOCs排放率。通过实地测量和先前的文献确定了每种树种的BVOCs排放率。

温度和辐射在BVOCs排放中起关键作用。深圳117个气象站2020年全年可观测的逐时气温数据来自深圳市政府数据开放平台。在本研究中，由于缺乏可靠的叶温数据的限制，使用空气温度代替叶温。许多研究得出结论，在没有外部环境胁迫的情况下，针叶树或低密度阔叶植物的冠层叶温通常与环境温度耦合良好。每小时平均光合有效辐射(PAR)利用中国气象辐射国际交换站每日数据集的太阳辐射计算。

使用了一个定量指标：相对百分比差异(RPD)，来比较基于三种类型输入数据的估计。使用式(3)来计算RPD。

其中，R1和R2分别表示基于不同输入数据的排放估计结果。

利用基于树种分类数据的BVOCs估算值，估算了O3和SOA的形成潜力。O3生成势(OFP)代表了最佳反应条件下VOCs对O3生成的最大贡献。应用“最大增量反应性(MIR)”方法粗略估计OFP，“分数气溶胶系数(FAC)”方法被用于估计SOA形成潜力(SOAP)。然后，使用了一个简单的盒子模型基于OFP和SOAP计算BVOCs排放对空气质量的影响。为了评价BVOCs对空气质量的影响，收集了深圳市生态环境局每月O3和PM2.5的浓度。

3.1.1 基于植物功能类型的BVOCs估算

基于1 km空间分辨率PFT数据(LPT)， 2020年深圳市T-BVOCs排放量为4.93 kt，其中异戊二烯占20.01% (0.99 kt)，单萜占62.40% (3.07 kt)， OVOCs占17.59% (0.87 kt)。深圳单位面积BVOCs排放通量(即排放强度)为4.82 t/km2。相比之下，基于16 m空间分辨率PFT数据(HPT)的T-BVOCs估算值为6.37kt，明显高于基于LPT的估计，异戊二烯、单萜烯和挥发性有机化合物的排放量分别为1.31 kt、3.95 kt和1.11 kt。但基于HPT的BVOCs排放强度为6.14 t/km2，与基于LPT的结果的相对百分比差(RPD)达到24.09%。异戊二烯(27.91%)、单萜烯(25.04%)和挥发性有机化合物(24.48%)的RPD相似。

值得注意的是，基于LPT, U-BVOCs贡献约9.94% (0.49 kt)，非城市地区植物排放的BVOCs (N-BVOCs)约90.06% (4.44 kt)。然而，基于HPT估算的U-BVOCs和N-BVOCs分别为0.86 kt和5.51 kt。U-BVOCs的RPD(54.81%)显著高于N-BVOCs(21.51%)。此外，基于HPT的N-BVOCs和U-BVOCs排放强度均高于基于LPT的排放强度(表1)，甚至基于HPT的U-BVOCs排放强度(3.16 t/km2)几乎是基于LPT的排放强度(1.61 t/km2)的两倍。

表1 基于三种输入数据的2020年深圳市不同区域BVOCs排放量(kt)和排放强度(t/km2)

3.1.2 基于树种的BVOCs估算

22种优势种BVOCs排放率大于1 μg·1⋅h·1，其中18种排放异戊二烯，16种排放单萜烯。荔枝(Litchi chinensis)、罗布塔桉(Eucalyptus robusta)、罗吉树(Delonix regia)和芒果(Mangifera indica) 4种树种BVOCs排放量均大于10 μg/(g h)。与之相比，龙柏的异戊二烯排放率较低，仅为0.0048μg/(g·h)，无花果的异戊二烯排放率较低，分别为0.06μg/(g·h)和0.13μg/(g·h)。有趣的是，所有23种优势种都是观赏植物，只有10种是本地植物。此外，8种致敏植物中有6种是外来物种。

利用高空间分辨率树种分类数据估算出2020年深圳市T-BVOCs排放量为8.23 kt，显著高于基于HPT和LPT的估算值。深圳市BVOCs排放强度为7.49 t/ km2，与基于HPT的结果相比，RPD值为19.81%。异戊二烯约占总排放量的31.81% (2.62kt)，单萜约占53.06% (4.37kt)，OVOCs约占15.13% (1.24kt)。与基于HPT的排放估算相比，异戊二烯的RPD最高，为66.91%，而单萜烯的RPD最低，为9.90%。

此外，利用TSC估算的U-BVOCs和N-BVOCs分别为1.65 kt和6.58 kt，均高于基于HPT的估算值。特别是，基于TSC的U-BVOCs排放量(1.65 kt)几乎是基于HPT (0.86 kt)的两倍。U-BVOCs的RPD(62.95%)显著高于N-BVOCs(17.70%)。此外，基于TSC的U-BVOCs和N-BVOCs的排放强度均高于基于hpt的排放强度(表1)。

3.1.2 基于树种的BVOCs估算

图1 23个优势种的BVOCs排放比例。

基于TSC的T-BVOCs排放估算结果显示，23种优势种占87.27%，其中紫合欢、蓝桉和荔枝是贡献最大的3种，分别占28.13%、23.69%和18.17%(图1)。该研究揭示了基于TSC估算的BVOCs排放量的显著季节性变化。夏季(6、7、8月)BVOCs排放量最多，达4.67 kt，占全年总排放量的56.77%，而冬季(1、2、12月)仅占全年总排放量的3.91%。BVOCs排放呈现出明显的峰谷季节分布，7月排放量最大，2月排放量最小。

图2 深圳市BVOCs(A、E、I)、异戊二烯(B、F、J)、单萜烯(C、G、K)和OVOCs(D、H、L)排放通量的空间分布。A-D：基于TSC估计，空间分辨率为10 m；E-H：基于HPT估计，空间分辨率为16 m；I-L：基于LPT估计，空间分辨率为1 km。单位是mg/m2⋅year。A中的小写字母表示尖坑岭(a)、马滦山(b)和大鹏半岛(c)的位置。

此外，BVOCs排放表现出相当大的空间差异(图2)，深圳东部的BVOCs总排放量较高。基于TSC的BVOCs排放通量最高的区域为大鹏半岛(图2A-c)在深圳东南部(图2)。此外，异戊二烯排放通量最高(图2B)位于马滦山(图2 A - b)。基于TSC，单萜排放通量最高的是大鹏半岛(图2C)，而OVOCs排放通量趋势与总BVOCs相似(图2D)。

此外，与HPT和LPT相比，基于TSC的结果更准确地反映了空间异质性。为了更好地体现差异，选择了深圳西北部的尖坑岭随机取样 (表2)。通过比较，发现LPT和基于LPT的估算具有显著的空间同质性，而基于HPT的BVOCs估算与TSC相比，其空间异质性也有所减弱。此外，在一些区域，同一植被类型的多种树种分布。例如，红桉、马相思和刺槐都是阔叶常绿树种，但它们的排放因子不同。

表2 不同数据集的空间异质性及基于不同数据集的深圳随机样本BVOCs排放

根据TSC的数据，2020年深圳的T-BVOCs排放量中，林地贡献了98.12%，其中天然林排放5.92 kt，人工林排放2.16 kt。N-BVOCs排放强度(8.64 t/km2)几乎是U-BVOCs (4.90 t/km2)的两倍。虽然居民BVOCs排放量仅占总排放量的1.59%，但其排放强度(3.90 t/km2)与人工林的排放强度(5.26 t/km2)接近。同时，公园对T-BVOC排放的贡献率为20.03%，排放强度为7.91 t/km2。公园排放的N-BVOCs占公园总排放量的79.85% (1.65 kt)。此外，公园内N-BVOCs的排放强度为8.26 t/km2，高于U-BVOCs的6.76 t/km2。

图3 BVOCs排放对空气质量的影响。(A)监测站O3月浓度和BVOCs排放模拟O3月浓度。(B)监测站PM2.5月浓度和BVOCs排放模拟的SOA月浓度。

植物BVOCs排放的总OFP估计为70.97 kt，其中异戊二烯贡献了75.15%，而桉树是最重要的贡献者。BVOCs排放的年均潜在O3浓度为18.49 μg/m3。马滦山的OFP和SOAP在大鹏半岛最高。BVOCs诱导的O3具有较强的季节变化，夏季(6、7、8月)浓度最高，为44.27 μg/m3。7月份，BVOCs诱导的O3浓度最高，为56.46 μg/m3，当时环境观测浓度为74 μg/m3。

此外，估计由T-BVOCs排放的总SOAP为0.56 kt，其中单萜化合物贡献了85.95%，而金合欢是最大的贡献源。BVOCs排放的年平均潜在SOA浓度为2.32 μg/m3。与归因于O3浓度的BVOCs相似，7月份的潜在SOA浓度也最高(图3 B)，当环境PM2.5浓度为13 μg/m3时，BVOCs对SOA的贡献为6.44 μg/m3。

研究结果表明，树种识别有助于利用各树种的特定排放因子来提高BVOC排放量的估算，从而降低估算结果的不确定性，更好地反映树级BVOC排放的空间异质性。结果表明，在整个城市，基于传统PFTs数据的BVOC排放量与基于树种分类数据的BVOC排放量相比存在显著低估(6.37 kt和8.23 kt，相差22.60%)。低估在城市建成区尤为突出，我们的估计值为1.65 kt，几乎是基于pft数据(0.86 kt)的两倍。建成区的挥发性有机污染物估计约占总量的20.07%，表明忽略可再生有机污染物将导致严重低估。这些结果强调了高空间分辨率树种水平分类对于更准确地估计BVOCs的重要性，特别是在高度发达的城市地区。我们还发现，BVOCs对环境O3的贡献很大，但对环境PM2.5的影响有限。城市公园的BVOCs排放强度与N-BVOCs排放强度相近，这也说明了树种选择的重要性。这项研究可以在几个方面进一步改进。例如，将无人机遥感(UAVRS)与分类模型优化相结合，可以实现大面积更高空间分辨率的树级BVOCs排放估算。此外，这些树级BVOCs排放数据可以整合到空气质量模型中，更准确地模拟和预测城市地区VOCs和二次污染物的分布。树种数据还可以用于开发不同场景的不同树种选择和配置优化，以改善空气质量。加强对城市树木BVOCs排放规律及其对二次污染物影响的认识，可以更好地为城市宜居环境的精细树木规划和管理提供支持。

本文编辑 | 

张仪茗 复旦大学环境科学与工程系 2020级本科生

李红杰 沈阳建筑大学风景园林硕士

本公众号由复旦城市生态与暴露生态学研究组(Urban Ecology and Exposure Ecology Lab, UEEE)运营维护，发布相关研究成果，更传播城市生态与暴露生态学最新研究与实践。欢迎专家学者将研究成果在此发布（发送邮件:zhaowu_yu@fudan.edu.cn），让更多人了解您的研究及工作。