EN中文

Journal of Geo-information Science >

2022 , Vol. 24 >Issue 8: 1475 - 1487

DOI: https://doi.org/10.12082/dqxxkx.2022.210743

A Measure of Block Scale Urban Green Index in Urban Area based on Grid Method

  • LIAO Zhouwei , 1, 2 ,
  • GUAN Yanning , 1, * ,
  • GUO Shan 1 ,
  • CAI Danlu 1 ,
  • YU Min 3 ,
  • YAO Wutao 1 ,
  • ZHANG Chunyan 1 ,
  • DENG Rui 1, 2
Expand
  • 1. Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100101, China
  • 2. University of Chinese Academy of Sciences, Beijing 100049, China
  • 3. Urban Planning & Design Institude of Shenzhen, Shenzhen 518031, China
*GUAN Yanning, E-mail:

Received date: 2021-11-19

  Revised date: 2022-02-08

  Online published: 2022-10-25

Supported by

The Strategic Priority Research Program of Chinese Academy of Science(XDA23100504)

Fold

Abstract

To quantify urban green space using remote sensing data, this paper proposed a grid-based urban green space measurement method at city block scale. The grid unit of 900 m×900 m was set to represent the block scale formed by the main road of the city. The vegetation coverage and vegetation composition were used together to generate the green index in each unit. Unlike the green index calculated by the traditional grid method based on the proportion of vegetation area, the green index in this paper enhanced urban greenness information particularly in areas with moderate to high vegetation coverage. We applied this method in Beijing city and diagnosed the spatiotemporal differences of local urban green space over years. We used Landsat TM/OLI datasets of 2009, 2015, and 2019 in spring, summer, and autumn, respectively. Results showed that both the quantity and quality of urban green space in Beijing have increased significantly from 2009 to 2019, especially in autumn. The changes of urban green space showed different patterns inside and outside of the Fourth Ring Road. Vegetation coverage showed an increase within the Fourth Ring Road, while outside the Fourth Ring Road, there was a significant increase in both vegetation coverage and quality.

Key words： urban green space; city block scale; grid method; green index; seasonal differentiation; remote sensing; Beijing

Cite this article

LIAO Zhouwei , GUAN Yanning , GUO Shan , CAI Danlu , YU Min , YAO Wutao , ZHANG Chunyan , DENG Rui . A Measure of Block Scale Urban Green Index in Urban Area based on Grid Method[J]. Journal of Geo-information Science, 2022 , 24(8) : 1475 -1487 . DOI: 10.12082/dqxxkx.2022.210743

1 引言

社会经济的高速发展改善了城镇居民的生活环境,但快速的城市化进程及能源消耗的攀升加剧了人与自然的矛盾,引发了一系列城市生态环境问题[1]。如城市气候改变[2]、热岛效应[3-4]和雾霾问题[5-6]等,严重影响了城镇居民的生活质量。城市绿地是城市的基础性要素之一,是指以自然植被和人工植被为主要存在形态的城市用地[7-8]。城市绿地具有吸收有毒气体和杀菌除尘等净化环境的作用,同时还能降温增湿和改善局地小气候等。对于改善城市生态环境质量,优化人居环境具有重要作用[9-10]。合理的规划和增加城市绿地是改善城市和人居环境的有效手段,客观准确地描述城市绿化状况及其时空变化可以为城市生态的规划提供科学依据。
目前基于遥感数据度量城市绿度的方法有面积法、植被指数法、缓冲区法、移动窗口法和网格法等。这些方法从不同尺度反映了城市绿化状况。面积法是通过计算整个城市的绿地面积、绿地率和绿地建筑面积比等来度量城市绿度[11-12]。面积法直观、简单但不能描述城市绿度的空间分布。植被指数法是利用基于遥感数据反演的植被指数,从像元尺度反映城市绿度及其空间分布。归一化差分植被指数(NDVI)能体现地表植被在覆盖度、生物量和叶面积指数等方面的差异[13-14],是衡量植被绿度的重要指标。被广泛运用于相关研究[15-16]。缓冲区法以建筑物为研究对象,通过构建一定半径的缓冲区并计算缓冲区范围内的绿地参量来反映建筑物尺度的城市绿度空间分布特征。刘玉琴等[17]通过计算建筑物缓冲区范围内的绿地面积和建筑物面积百分比等,构建建筑物绿度指数来反映城市绿度分布。移动窗口法通过构建一定大小的窗口并计算窗口内的绿地参量作为窗口中心像元的绿度指数,并通过遍历研究区遥感数据像元的方式来度量。通过设定不同大小的窗口可获取不同尺度的城市绿化信息。吴俊等[18]将25 m×25 m移动窗口内的植被面积占比作为中心像元的绿度指数来反映城市绿度的空间分布特征。网格法是将研究区进行规则网格划分并计算网格单元内的绿地参量来度量城市绿度。通过设定不同大小的网格可反映不同尺度下的城市绿化信息。Schöpfer[19]通过计算100 m×100 m网格单元内的植被面积占比,构建绿度指数来反映城市绿化状况。Kshama等[20]通过将20 m×20 m网格单元内的植被面积占比和建筑物形态参数相结合,构建绿度指数来获取邻域尺度的城市绿化信息。这些指标能从不同空间尺度反映城市绿化状况。但在计算过程中仅通过基本单元内的植被面积占比去评价对应区域的绿化状况,没有考虑到不同植被在城市环境中所起生态作用的差异。也有学者通过面向对象分类的方法将网格内绿地划分为草地、林地等[21]。但这种方法较为复杂,实施效率较低。同时街区作为城市生态、城市规划和城市管理等领域的重要分析尺 度[22⇓-24],街区尺度的城市绿度指标较为少见。
网格规划是城市规划中的常用方法[25]。为了使城市规划者能够更简单、准确的掌握和对比街区尺度的城市绿化状况。本文在传统基于植被面积占比网格法的基础上,以900 m×900 m的网格单元作为街区尺度的表征。通过建立网格内植被覆盖度和植被构成的关系构建街区尺度的绿度指标以反映城市绿化状况及其空间分布。植被群落结构特征和多样性受季节变化影响会令其产生季节性的绿度差异[26],对城市绿化在不同季节中的变化及其季节性差异的变化规律进行分析,有助于更全面的掌握城市绿化现状与变化情况。本文在上述绿度指标基础上利用多时相遥感数据进一步分析城市绿化分布特征的季节性差异和年际变化。

2 研究方法

2.1 植被指数分级

植被指数采用NDVI。NDVI是指多光谱遥感影像中近红外波段与可见光红波段反射率之差与这两个波段反射率之和的比值。NDVI作为重要的遥感生态参数,可以反映城市绿化质量及其变化特征[9]。本文以0.1作为利用NDVI提取植被的阈 值[27⇓-29]。参考Cai等[30⇓-32]的NDVI等级划分方法,将0.1以上的NDVI划分为3级。第一级为高植被指数,取值在0.65~1.00之间,表示植物冠层繁茂,植被情况良好;第二级为中植被指数,取值在0.40~0.65之间,表示植被情况处于中等水平;第三级为低植被指数,取值在0.10~0.40之间,表示植物冠层不繁茂,植被情况相对较差。

2.2 城市绿度指标

街区通常被定义为由城市道路或自然界线围合,建筑物填充其中且形状相对规则的区域[24,33]。有学者从空间、功能维度等角度出发提出街区的划分方法[34⇓⇓-37]。但这些方法较为复杂,且不同方法所划分出来的街区仍存在尺度差异较大、不规则等情况。使这些方法不易应用于城市规划和城市设计中。综合考虑现阶段我国以汽车的无障碍交通作为主要依据进行街区尺度建设从而形成的以城市主干路1000~1200 m间距为单位的大街区土地利用模式[33,38]和本文所使用遥感影像的空间分辨率,本文采用900 m×900 m的网格单元作为以城市主干道划分所形成街区尺度的表征。
在上述基本网格单元基础上构建绿度指标, 图1为总体技术路线。具体步骤如下：① 以0.10为阈值通过NDVI提取网格单元内的植被覆盖区域。计算网格单元的植被覆盖度,该处的植被覆盖度是指植被占网格总面积的覆盖度,并依此将网格划分为：高盖度（60%~100%）、中盖度（30%~60%）、低盖度（0%~30%）和无植被（0%）（图2(a)）;②根据上述NDVI分级标准对网格内植被覆盖区域进行等级划分,并求各等级区域占网格内植被总面积比例。占比最高的设为网格内植被构成主体并依此对网格进一步细分（图2(d)）。总共有10种类型（图2(c)）,分别为低植被覆盖度-低植被指数（低盖低植）、低植被覆盖度-中植被指数（低盖中植）、低植被覆盖度-高植被指数（低盖高植）、中植被覆盖度-低植被指数（中盖低植）、中植被覆盖度-中植被指数（中盖中植）、中植被覆盖度-高植被指数（中盖高植）、高植被覆盖度-低植被指数（高盖低植）、高植被覆盖度-中植被指数（高盖中植）、高植被覆盖度-高植被指数（高盖高植）和无植被。其中高盖高植网格对应区域的绿度最高,低盖低植最低。表1为绿度指标对应的地表绿化概况。
图1 技术路线

Fig. 1 Flow chart of the research method

图2 研究区绿度指标构成示意图（2019年8月17日）

Fig. 2 Schematic diagram of green index composition in study area (August 17, 2019)

表1 不同类型绿度指标对应地表绿化概况

Tab. 1 Different types of green index correspond to the status of surface greening

绿度指标 对应地表绿化特征
低盖低植 单位面积内植被较少,且基本单元内绿化构成主体为冠层繁茂程度和多样性水平较低,总体情况相对较差的植被
低盖中植 单位面积内植被较少,基本单元内绿化构成主体植被情况处于中等水平
低盖高植 单位面积内植被较少,但基本单元内绿化构成主体为冠层繁茂程度、多样性水平较高,总体情况良好的植被
中盖低植 单位面积内植被数量中等,但基本单元内绿化构成主体为冠层繁茂程度和多样性水平较低,总体情况相对较差的植被
中盖中植 单位面积内植被数量中等,基本单元内绿化构成主体植被情况处于中等水平
中盖高植 单位面积内植被数量中等,但基本单元内绿化构成主体为冠层繁茂程度、多样性水平较高,总体情况良好的植被
高盖低植 单位面积内植被较多,但基本单元内绿化构成主体为冠层繁茂程度和多样性水平较低,总体情况相对较差的植被
高盖中植 单位面积内植被较多,但基本单元内绿化构成主体植被情况处于中等水平
高盖高植 单位面积内植被较多,且基本单元内绿化构成主体为冠层繁茂程度、多样性水平较高,总体情况良好的植被

3 研究区概况及数据来源

3.1 研究区概况

本文的实验区为以北京市六环为主体的矩形区域（116°5′E—116°44′E,39°41′N—40°11′N）,总面积为3026.74 km2（图3）。该区域为典型的暖温带半湿润大陆性季风气候,四季分明,常年平均气温 11~14 ℃,年降水量在590~600 mm之间。该区域内植被类型丰富,其中阔叶林通常成片出现,针叶林和混交林则分布零散。山区的植被类型具有较为明显的垂直分布规律[39]。
图3 研究区区位和卫星影像

注：该图基于自然资源部标准地图服务网站下载的审图号为京S(2021)023号的标准地图制作,底图无修改。

Fig. 3 Location and satellite image of the research area

3.2 数据来源与预处理

本文采用的基础遥感数据为美国地质调查局(USGS)网站(https://earthexplorer.usgs.gov/)提供的陆地资源卫星Landsat 5/TM和Landsat8/OLI数据（表2）。多光谱波段空间分辨率为30 m,每间隔 16 d完成一次数据覆盖。预处理包括辐射定标,以克服因传感器增益和偏移带来的误差。道路数据来自OpenStreetMap网站(https://www.openstreetmap.org/)。
表2 数据时相

Tab. 2 Acquisition date

年份 春季 夏季 秋季
2009 20090517/TM 20090720/TM 20090922/TM
2015 20150518/OLI 20150822/OLI 20150923/OLI
2019 20190513/OLI 20190817/OLI 20190918/OLI

4 结果及分析

4.1 2种方法对比结果及分析

将本文的绿度指标和基于传统格网法计算的绿度指数进行比较。具体使用Schöpfer的面积比值法[18]。为了使二者具有可比性,保持输入尺度一致,即在900 m×900 m的网格单元上计算植被面积占比作为格网单元的属性值,最后对其量化结果实施和本文一致的等值划分法。为了验证本文绿度指标对于反映城市绿度空间分布的真实性和适用性,在基于传统格网法绿度指数所划分的低覆盖度、中覆盖度和高覆盖度区间各选取10个网格并分析对应网格在本文绿度指标上的表现。最后根据高分二号影像（2019年8月17日）进行实地验证。
可明显看出,整研究区范围内,2种方法对城市绿度空间分布的度量结果呈现出一致性。即都表现为由城市中心向外,植被覆盖度和植被指数逐渐升高（图4(a)、图4(b)）。通过分析随机选取的30个网格在本文绿度指标上的表现（表3）,并结合高分二号数据做进一步验证发现（图5(b)—图5(f)为部分采样网格对应区域的高分二号影像,采样网格分布见图5(a)）。对于低植被覆盖度网格单元,二者差别不大。但对于中、高植被覆盖度网格单元,本文的绿度指标能够将植被覆盖度近似的网格单元根据其植被构成主体差异进一步区分开。利用高分2号影像对这些植被构成存在差异的网格进行验证,发现这些网格单元内的植被在繁茂程度、绿度上存在明显差异。这说明本文绿度指标能提供更为丰富的城市绿度信息,尤其是在中、高植被覆盖度区域。相比传统基于面积的网格法能更为准确地反映城市绿化状况。
图4 本文绿度指标和基于传统网格法计算的绿度指数对比

Fig. 4 Comparative verification of two methods

图5 基于高分二号影像的本文绿度指标和传统绿度指数实地对比验证

Fig. 5 Comparison and verification of two green indexs based on GF-2 Image

表3 基于网格单元的绿度指标差异对比

Tab. 3 Comparison of green index differences

指标 本文绿度指标
低盖低植/中盖低值/高盖低植 低盖中植/中盖中值/高盖中植 低盖高植/中盖高值/高盖高植
传统网格法计
算的绿度指数		 低覆盖度 10 0 0
中覆盖度 7 3 0
高覆盖度 5 5 0

4.2 各类型区域面积变化

将本文绿度指标应用于北京主城区,发现研究区主要可以划分为5类区域：Ⅰ类（高盖中值区域）;Ⅱ类（高盖低值区域）;Ⅲ类（中盖低值区域）;Ⅳ类（低盖低值区域）;Ⅴ类（其他区域）,其他绿度指标占研究区面积比均小于1%。春季研究区以Ⅱ、Ⅲ、和 Ⅳ类区域为主,且从Ⅰ类到Ⅳ类面积呈递增趋势 （图6）。夏季各类区域的面积差异较小,Ⅰ类到Ⅳ类面积呈“倒U型分布”。秋季以Ⅱ、Ⅲ、和Ⅳ类区域为主,三者面积差异较小。各类区域在不同季节/年际间面积变化显著（图6）,该变化面积（净增长面积）是不同季节/年际间转出面积（向其他类型区域转化面积）和转入面积（由其他类型区域转化至自身面积）共同作用的结果。
图6 各类区域面积占比变化

Fig. 6 Changes in the area of different type regions

4.2.1 年际变化

2009春季至2019春季,Ⅳ类区域的面积占比下降16.53%,其余类型区域面积占比均平稳上升,其中Ⅲ类的增幅最大。2009夏季至2019夏季,Ⅳ类和Ⅱ类区域面积占比逐年下降,其中Ⅱ类的降幅最大为14.07%;Ⅲ类、Ⅰ类区域面积占比分别表现为波动性、平稳上升,其中后者增幅最大为15.18%。2009秋季至2019秋季,Ⅳ类和Ⅱ类区域面积占比逐年下降,前者降幅最大为22.74%;Ⅲ类和Ⅰ类区域面积占比则平稳上升,后者增幅最大为22.69%。可以看出在各季节中,Ⅳ类区域的面积在2009—2019年均表现为稳定减少,Ⅰ类区域面积则平稳增加,呈现明显反比例分布的年际变化特征,且秋季改变幅度明显高于春季和夏季。说明这一期间北京城市绿化的面积和质量都有较大幅度的增长。

4.2.2 季节变化

受植被生长季的影响,春夏间Ⅳ和Ⅲ类区域面积减少,Ⅱ类和Ⅰ类区域面积增加。夏秋间则为Ⅰ类区域面积减少（图6）。通过转移矩阵进一步分析各类区域在不同季节间的转出面积以及具体的转出方向和比例（图7、图8）,所得结论如下：
图7 春夏间各类区域转出面积和方向

Fig. 7 Transformation area and direction of different type regions between spring and summer

图8 夏秋各类区域转出面积和方向

Fig. 8 Transformation area and direction of different type regions between summer and autumn

2009年春夏Ⅳ（Ⅲ、Ⅱ）类区域转出面积为971.19（853.74、250.29）km2,其中有66.89%（64.90%、98.71%）转化至Ⅲ（Ⅱ、Ⅰ）类区域。夏秋间Ⅲ（Ⅱ、Ⅰ）类区域的转出面积为466.56（465.75、630.18） km2,其中有98.44%（94.61%、80.46%）转化至Ⅳ（Ⅲ、Ⅱ）类区域,且在2015年、2019年都表现出相似规律。表明各类区域在不同季节间主要以逐级变化的方式转化为其他类区域。2009年春夏和夏秋各类区域的转出总面积分别2109.24 km2和1634.58 km2,2015年分别为1955.34 km2和1125.9 km2,2019年分别为2076.03 km2和714.42 km2。表明各类区域在春夏的变化相比夏秋更为剧烈。

4.2.3 季节性差异的年际变化

Ⅲ类区域在春夏中越级转化至Ⅰ类区域的面积不断增加。Ⅲ类区域春夏间转出面积在2009—2019年基本持平,分别为853.74、831.06和886.95 km2。同期转化至Ⅰ类区域的面积由267.3 km2上升至340.2 km2、422.01 km2。越级转化面积的增加表明春夏间城市绿化整体质量提升的幅度也在不断上升。
夏秋各类区域转出总面积由2009年的1634.58 km2下降至2015年的1125.9 km2和2019年的714.42 km2。其中Ⅰ、Ⅱ和Ⅲ类区域在夏秋间的转出面积在2009—2019年分别减少33.8%、69.22%和90.71%。这表明夏秋间高覆盖度、植物多样性的植被转化至低覆盖度、植物多样性植被的面积在不断减少,北京城市绿化稳定性在不断提升。

4.3 各类型区域空间分布变化

4.3.1 总体变化

由以上分析可知,研究区绿化的面积和质量在2009—2019年变化显著。这令其空间分布特征同期也发生了较大改变,且该改变还表现出明显的季节性差异（图9）。春季主要表现为Ⅳ类区域覆盖范围大幅缩减,同时分布趋于破碎化,且在研究区北部尤为明显。夏季主要表现为Ⅰ类区域覆盖范围在五环外显著扩张且分布聚合度、连通性大幅提升。秋季同样表现为Ⅰ类区域覆盖范围在五环外大幅扩张,但扩张幅度远小于夏季。同时五环内Ⅳ类区域覆盖范围大幅减小,分布破碎程度进一步提高。
图9 不同季节、年际研究区绿度指标空间分布

Fig. 9 Map of different type green index distribution in different seasons and years

4.3.2 各环带间变化

分别统计不同环带内各类区域的面积占比及其在不同年际、季节间的变化以进一步反映研究区内城市绿化的空间分布变化特点。从图10可明显看出,各季节二环内、二环-三环间、三环-四环间城市绿化的变化表现出相似的模式。即都表现为Ⅳ类区域面积占比在2009—2019年持续下降,Ⅲ类区域的面积占比持续上升。这说明2009—2019年四环内城市绿化的变化主要体现在植被覆盖度上。但在变化幅度上,不同环带以及不同季节间均存在明显差异。从空间上来看：二环-三环和三环-四环间各类区域面积变化幅度近似且远大二环内区域。从季节上来看：秋季四环内各类区域面积占比变化幅度最大,其次为春季,最后为夏季。且对于 3个季节而言,2015—2019年变化的幅度均大于2009—2015年。
图10 不同环带内各类区域面积占比变化

Fig. 10 Changes in the percentage of green index area in each ring zone

同样,各季节四环-五环、五环-六环间城市绿化的变化模式相似：即Ⅳ类、Ⅲ类区域面积占比分别表现为下降和上升、但变化幅度远小于前三个环带。同时Ⅰ类、Ⅱ类区域的变化明显大于前三个环带。这说明2009—2019年四环外绿化不仅在覆盖度上有较大增长,在植被指数上也有较为显著的提升。从空间上来看：四环-五环间尽管Ⅰ类区域面积占比增加,但增幅较少,主要变化依旧发生在Ⅳ类和Ⅲ类区域之间。五环-六环间Ⅰ类区域变化的幅度相对更为明显。从季节上来看：夏季和秋季中Ⅰ类区域的面积增幅近似且均远大于春季。对于Ⅳ类和Ⅲ类区域,按变化幅度对各季节排序为：秋季>夏季>春季。尽管各类区域在不同环带、季节间的变化不尽相同,但总体上在2009—2019年都表现出面积趋于均匀化分布的特点。

5 结论与讨论

5.1 结论

本文在基于多光谱遥感数据获取绿地覆盖信息的基础上,以900 m×900 m的网格单元作为城市主干道划分所形成街区尺度的表征。通过网格单元内植被覆盖度与植被构成之间的关系构建绿度指标以反映街区尺度的城市绿化。传统网格法和移动窗口法能从不同空间尺度反映城市绿化信息及其空间分布。但在计算时仅用植被面积占比评价对应区域的绿化状况,较难准确反映植被覆盖度近似的区域因其内部植被构成主体不同所带来的绿度差异。限制了其在城市管理规划中的应用。通过对比分析发现,本文提出的绿度指标能提供更丰富的城市绿度信息,尤其是在中、高植被覆盖度区域。在客观反映不同区域植被覆盖度差异的基础上,还能根据植被构成差异进一步反映植被覆盖度近似区域的绿度差异。能更为准确地反映城市绿化状况及其空间分布特征。该方法为城市绿度空间的度量提供了一种新的视角。城市绿化作为城市人居环境的重要评价因素,该绿度指标能提供更为准确、丰富的城市绿化信息。对于准确评价、改善城市人居环境和城市精细化管理具有重要应用价值。同时,该绿度指标可在我国城市环境监测和保护、园林绿地规划和质量评价中发挥重要作用。其丰富了城市绿化评价体系,为城市园林规划提供有价值的评价指标,为从宜居角度评价城市绿地布局及其生态功能提供重要依据,助力我国生态城市建设。该方法操作简单,对数据的要求较低,有利于计算机自动化处理,便于推广运用。
基于该绿度指标对研究区绿化在不同季节、年份间的变化的分析发现：
（1）研究区主要可划分为4类区域：Ⅰ类）高植被覆盖度中植被指数区域,Ⅱ类）高植被覆盖度低植被指数区域,Ⅲ类）中植被覆盖度低植被指数区域,Ⅳ类）低植被覆盖度低植被指数区域。
（2）春、夏、秋3个季节,Ⅳ类区域和Ⅰ类区域的面积在2009—2019年分别表现为持续下降和平稳上升,且秋季改变幅度明显高于春季和夏季。说明这一期间北京城市绿化面积和质量有较大幅度提升。
（3） Ⅲ类区域春夏间越级转化为Ⅰ类区域的面积在2009—2019年不断增加;各类区域在夏秋间的转出总面积在2009—2019年下降56.29%。城市绿化质量提高的同时稳定性也在不断提升。
（4）2009—2019年城市绿化在四环内外呈现出不同的变化模式,四环内主要表现为绿化面积的增加,其中二环-四环间增幅最大,且在秋季尤为明显。四环外则在绿化面积和绿化质量上都有明显的增长,其中五环外增幅最大。城市绿化改善过程主要发生在2015—2019年。

5.2 讨论

因为云层遮挡原因,本文所使用的2009年夏季遥感数据时相比2015年和2019年夏季早了一个月。为了验证这是否会对本文结论造成影响,选取landsat7 ETM+传感器在2009年8月13日获取的影像,在对其条带区域进行掩膜处理后计算绿度指标并和本文结果进行对比分析。为了结果具有可比性,对本文所有数据进行相同的掩膜处理。如图11—图12所示,通过对比2个时相中研究区的绿化构成及其变化特征发现该时相差异并未对本文结论造成根本性的影响。
图11 基于不同时相的2009年夏季遥感数据计算的研究区城市绿化构成结果对比

Fig. 11 Comparison of green space composition and area change

图12 基于不同时相的2009年夏季遥感数据计算的研究区绿地季节变化特征对比

Fig. 12 Comparison of seasonal changes of different types of regions

北京城市绿化的总体质量以及稳定性在2009—2019年有较大幅度的提升。究其原因,可能与北京在2009—2019年实施了以百万亩平原造林、城市休闲公园、健康绿道为代表的一系列生态工程密切相关。北京城市绿化数量和质量的提升,大幅扩大了城市环境容量和绿色空间,显著提高了城市的生态承载能力,有效缓解城市生态问题。

References

Publishing order | Descend order by publishing year | Descend order by cited within
[1]
邱国玉, 张晓楠. 21世纪中国的城市化特点及其生态环境挑战[J]. 地球科学进展, 2019, 34(6):640-649.

DOI

[ Qiu G Y, Zhang X N. China's urbanization and its ecological environment challenges in the 21st Century[J]. Advances in Earth Science, 2019, 34(6):640-649. ] DOI: 10.11867/j.issn.1001-8166.2019.06.0640

DOI

[2]
Shepherd J M. Evidence of urban-induced precipitation variability in arid climate regimes[J]. Journal of Arid Environments, 2006, 67(4):607-628. DOI: 10.1016/j.jaridenv.2006.03.022

DOI

[3]
Yang J, Wang Y, Xiu C, et al. Optimizing local climate zones to mitigate urban heat island effect in human settlements[J]. Journal of Cleaner Production, 2020, 275:123767. DOI: 10.1016/j.jclepro.2020.123767

DOI

[4]
熊鹰, 章芳. 基于多源数据的长沙市人居热环境效应及其影响因素分析[J]. 地理学报, 2020, 75(11):2443-2458.

DOI

[ Xiong Y, Zhang F. Thermal environment effects of urban human settlements and influencing factors based on multi-source data: A case study of Changsha city[J]. Acta Geographica Sinica, 2020, 75(11):2443-2458. ] DOI: 10.11821/dlxb202011013

DOI

[5]
邵帅, 李欣, 曹建华. 中国的城市化推进与雾霾治理[J]. 经济研究, 2019, 54(2):148-165.

[ Shao S, Li X, Cao J H. Urbanization promotion and haze pollution governance in China[J]. Economic Research Journal, 2019, 54(2):148-165. ]

[6]
王占山, 李云婷, 陈添, 等. 2013年北京市PM2.5的时空分布[J]. 地理学报, 2015, 70(1):110-120.

DOI

[ Wang Z, Li Y, Chen T, et al. Spatial-temporal characteristics of PM2.5 in Beijing in 2013[J]. Acta Geographica Sinica, 2015, 70(1):110-120. ] DOI: 10.11821/dlxb201501009

DOI

[7]
Taylor L, Hochuli D F. Defining greenspace: Multiple uses across multiple disciplines[J]. Landscape & Urban Planning, 2017, 158:25-38. DOI: 10.1016/j.landurbplan.2016.09.024

DOI

[8]
苏泳娴, 黄光庆, 陈修治, 等. 城市绿地的生态环境效应研究进展[J]. 生态学报, 2011, 31(23):7287-7300.

[ Su Y X, Huang G Q, Chen X Z, et al. Research progress in the eco-environmental effects of urban green spaces[J]. Acta Ecologica Sinica, 2011, 31(23):7287-7300. ]

[9]
胡云锋, 赵冠华, 张云芝. 北京城市绿化的时空动态分析[J]. 地球信息科学学报, 2018, 20(3):332-339.

DOI

[ Hu Y F, Zhao G H, Zhang Y Z. Analysis of spatial and temporal dynamics of green coverage and vegetation greenness in Beijing[J]. Journal of Geo-information Science, 2018, 20(3):332-339. ] DOI: 10.12082/dqxxkx.2018.170080

DOI

[10]
Javadi R. Urban green space and health: the role of thermal comfort on the health benefits from the urban green space; a review study[J]. Building and Environment, 2021, 202(4):108039. DOI: 10.1016/j.buildenv.2021.108039

DOI

[11]
崔佳奇, 刘宏涛, 陈媛媛. 中国城市建成区绿化覆盖率变化特征及影响因素分析[J]. 生态环境学报, 2021, 30(2):331.

[ Cui J Q, Liu H T, Chen Y Y. Changes in green coverage rate of urban built-up areas in china and influencing factors[J]. Ecology and Environment, 2021, 30(2):331. ] DOI: 10.16258/j.cnki.1674-5906.2021.02.012

DOI

[12]
刘晔. 我国城镇化率对建成区绿化覆盖率的影响研究[D]. 苏州: 苏州科技大学, 2017.

[ Liu Y. Research on the relationship between green coverage rate of built district and urbanization rate in China[D]. Suzhou: Suzhou University of Science and Technology. 2017. ]

[13]
易扬, 胡昕利, 史明昌, 等. 基于MODIS NDVI的长江中游区域植被动态及与气候因子的关系[J]. 生态学报, 2021, 41(19):7796-7807.

[ Yi Y, Hu X L, Shi M, et al. Vegetation dynamic and its relationship with climate factors in the middle reaches of the Yangtze River based on MODIS NDVI[J]. Acta Ecologica Sinica, 2021, 41(19):7796-7807. ] DOI: 10.5846/stxb202007251953

DOI

[14]
谢舒笛, 莫兴国, 胡实, 等. 三北防护林工程区植被绿度对温度和降水的响应[J]. 地理研究, 2020, 39(1):152-165.

DOI

[ Xie S D, Mo X G, Hu S, et al. Responses of vegetation greenness to temperature and precipitation in the Three- North Shelter Forest Program[J]. Geographical Research, 2020, 39:152-165. ] DOI: 10.11821/dlyj020181071

DOI

[15]
Ghosh P, Singh K K. Spatiotemporal dynamics of urban green and blue spaces using geospatial techniques in Chandannagar city, India[J]. GeoJournal, 2021, 86(5):1-18

[16]
马默衡, 薛飞, 党安荣, 等. 基于动态遥感数据的北京主城区环带间植被覆盖变化[J]. 环境工程技术学报, 2019, 9(4):404-143.

[ Ma M H, Xue F, Dang A R, et al. Study on the spatial-temporal change of vegetation coverage between the belts of Beijing's main urban area based on dynamic remote sensing data[J]. Journal of Environmental Engineering Technology, 2019, 9(4):404-143. ] DOI: 10.12153/j.issn.1674-991X.2019.05.141

DOI

[17]
刘玉琴. 基于建筑物尺度的城市绿度空间遥感建模研究[D]. 福州: 福州师范大学, 2014.

[ Liu Y Q. Study on urban green space based on built up scale using high resolution satellite data[D]. Fuzhou: Fujian Normal University. 2014. ]

[18]
吴俊, 孟庆岩, 占玉林, 等. 一种基于移动窗口的城市绿度遥感度量方法[J]. 地球信息科学学报, 2016, 18(4):544-552.

DOI

[ Wu J, Meng Q Y, Zhan Y L, et al. A measure of urban green index in urban areas based on moving window method[J]. Journal of Geo-information Science, 2016, 18(4):544-552. ] DOI: 10.3724/SP.J.1047.2016.00544

DOI

[19]
Schöpfer E, Lang S, Blaschke T. A "Green Index" incorporating remote sensing and citizen's perception of green space[J]. International Archives of Photogramm, Remote Sensing and Spatial Information Sciences, 2005, 27(6):1-6.

[20]
Gupta K, Kumar P, Pathan S K, et al. Urban neighborhood green index-a measure of green spaces in urban areas[J]. Landscape and Urban Planning, 2012, 105(3):325-335. DOI: 10.1016/j.landurbplan.2012.01.003

DOI

[21]
Hofmann P, Strobl J, Nazarkulova. A mapping green spaces in Bishkek—how reliable can spatial analysis be?[J]. Remote Sensing, 2011, 3(6):1088-1103. DOI: 10.3390/rs3061088

DOI

[22]
Jin L, Pan X, Liu L, et al. Block-based local climate zone approach to urban climate maps using the UDC model[J]. Building and Environment, 2020, 186:107334. DOI: 10.1016/j.buildenv.2020.107334

DOI

[23]
Long Y, Shen Y, Jin X. Mapping block-level urban areas for all chinese cities[J]. Annals of the American Association of Geographers, 2015, 106(1):1-18. DOI: 10.1080/00045608.2015.1095062

DOI

[24]
李志强, 周伟奇. 街区尺度城市内部动态度的量化——以深圳市为例[J]. 生态学报, 2021, 41(6):2180-2189.

[ Li Z Q, Zhou W Q. Quantifying within-city landscape dynamics at the block level: A case study of Shenzhen[J]. Acta Ecologica Sinica, 2021, 41(6):2180-2189. ] DOI: 10.5846/stxb202006051463

DOI

[25]
赵格. 城市网格形态研究[D]. 天津: 天津大学, 2008.

[ Zhao G. Research on city grid form. Tianjin: Tianjin University, 2008. ] DOI: 10.7666/d.y1517730

DOI

[26]
于立忠, 于水强, 史建伟, 等. 不同类型人工阔叶红松林高等植物物种多样性[J]. 生态学杂志, 2005, 24(11):1253-1257.

[ Yu L Z, Yu S Q, Shi J W, et al. Higher plants species diversity in different types of artificial broad- leaved Korean pine forests[J]. Chinese Journal of Ecology, 2005, 24(11):1253-1257. ] DOI: 10.3321/j.issn:1000-4890.2005.11.001

DOI

[27]
Gandhi G M, Parthiban S, Thummalu N, et al. NDVI: Vegetation change detection using remote sensing and gis: A case study of Vellore District[J]. Procedia computer science, 2015, 57:1199-1210. DOI: 10.1016/j.procs.2015.07.415

DOI

[28]
Bhandari A K, Kumar A, Singh G K. Feature extraction using Normalized Difference Vegetation Index (NDVI): Acase study of Jabalpur city[J]. Procedia Technology, 2012, 6:612-621. DOI: 10.1016/j.protcy.2012.10.074

DOI

[29]
Liu Y, Li Z, Chen Y, et al. Evaluation of consistency among three NDVI products applied to High Mountain Asia in 2000-2015[J]. Remote Sensing of Environment, 2022, 269:112821. DOI: 10.1016/j.rse.2021.112821

DOI

[30]
Cai D, Fraedrich K, Sielmann F, et al. Climate and vegetation: An ERA-Interim and GIMMS NDVI analysis[J]. Journal of Climate, 2014, 27(13):5111-5118. DOI: 10.1175/jcli-d-13-00674.1

DOI

[31]
Cai D, Fraedrich K, Sielmann F, et al. Vegetation dynamics on the Tibetan Plateau (1982-2006): an attribution by ecohydrological diagnostics[J]. Journal of Climate, 2015, 28(11):4576-4584. DOI: 10.1175/jcli-d-14-00692.1

DOI

[32]
姚武韬, 关燕宁, 郭杉, 等. 三亚热带雨林环境植被和地表能量空间分布特征[J]. 地球信息科学学报, 2017, 19(7):950-961.

DOI

[ Yao W T, Guan Y N, Guo S, et al. Spatial distribution of land surface vegetation-energy relationship in Sanya tropical rain forest regions[J]. Journal of Geo-information Science, 2017, 19(7):950-961. ] DOI: 10.3724/SP.J.1047.2017.00950

DOI

[33]
王昭. 城市小尺度街区研究[D]. 合肥: 合肥工业大学, 2013.

[ Wang Z. The study on the planning of urban blocks in the small-scale[D]. Heifei: Hefei University of Technology, 2013. ]

[34]
Yao L, Li T, Xu M, et al. How the landscape features of urban green space impact seasonal land surface temperatures at a city-block-scale: An urban heat island study in Beijing, China[J]. Urban Forestry & Urban Greening, 2020, 52:126704. DOI: 10.1016/j.ufug.2020.126704

DOI

[35]
Wang H, Hu Y, Tang L, et al. Distribution of urban blue and green space in beijing and its influence factors[J]. Sustainability, 2020, 12(6):2252. DOI: 10.3390/su12062252

DOI

[36]
Xia C, Yeh A G O, Zhang A. Analyzing spatial relationships between urban land use intensity and urban vitality at street block level: A case study of five Chinese megacities[J]. Landscape and Urban Planning, 2020, 193:103669. DOI: 10.1016/j.landurbplan.2019.103669

DOI

[37]
Liu X, Long Y. Automated identification and characterization of parcels with OpenStreetMap and points of interest[J]. Environment and Planning B: Planning and Design, 2016, 43(2):341-360. DOI: 10.1177/0265813515604767

DOI

[38]
肖彦, 绿色尺度下的城市街区规划初探[D]. 武汉: 华中科技大学, 2011.

[ Xiao Y. The study on the planning of urban blocks in the green-scale[D]. Wuhan: Huazhong University of Science and Technology, 2011. ] DOI: 10.7666/d.d188551

DOI

[39]
严亚瓴. 20世纪80年代至今北京城市绿色空间演变及机制研究[D]. 北京: 北京林业大学, 2017.

[ Yan Y L. Evolvement and mechanism of urban green space in Beijing since the 1980s[D]. Beijing: Beijing Forestry University, 2017. ]

Options
Outlines

/

〈 〉