全 文 ：上海市近地面 ＣＯ２浓度及其与下垫面特征
的定量关系∗
潘　 晨１，２　 朱希扬１，３　 贾文晓１，３　 杨　 芳１，３　 刘　 敏１，３∗∗　 象伟宁１，３
（ １华东师范大学上海市城市化生态过程与生态恢复重点实验室， 上海 ２００２４１； ２华东师范大学地理科学学院， 上海 ２００２４１；
３华东师范大学生态与环境科学学院， 上海 ２００２４１）
摘　 要　 城市化所带来的土地利用变化和化石燃料燃烧对全球碳循环和气候变化产生了深
远影响．明确城市区域 ＣＯ２浓度的空间变化特征，对于认识和控制温室气体排放、减少人类活
动对全球气候变化的影响具有重要意义．本研究以高强度人类扰动和快速城市化背景下的上
海市为研究对象，于 ２０１４年春季利用近红外气体分析仪 Ｌｉ⁃８４０Ａ开展近地面 ＣＯ２浓度样带监
测，结合遥感数据获取的城市下垫面特征信息，在明确上海市近地面 ＣＯ２浓度空间分布格局
的基础上，进一步定量分析其对城市下垫面特征的响应机制．结果表明： 上海市近地面 ＣＯ２浓
度为（４４３．４±２２．０） μｍｏｌ·ｍｏｌ－１，城市中心 ＣＯ２浓度比郊区平均高 １２．５％（５２．５ μｍｏｌ·ｍｏｌ
－１） ．
近地面 ＣＯ２浓度空间异质性显著，呈现西北高、西南次之、东南低的趋势，总体表现为随着下
垫面城市化水平的降低而降低． 城市下垫面植被覆盖率（ＣＶｅｇ）是城市近地面 ＣＯ２浓度的重要
指示因子，两者呈现负相关；不透水层覆盖率（ＣＩＳＡ）次之，两者呈正相关． ＣＯ２浓度（ＣＣＯ２）与
ＣＩＳＡ及 ＣＶｅｇ的相关性（Ｒ２）在缓冲距离为 ５ ｋｍ时同时达到峰值，三者之间的定量关系可通过建
立逐步回归方程表征：ＣＣＯ２ ＝ ０．３２ＣＩＳＡ－０．８９ＣＶｅｇ＋４４５．１３ （Ｒ
２ ＝ ０．６６， Ｐ＜０．０１） ．
关键词　 近地面 ＣＯ２浓度； 下垫面特征； 样带监测； 城市化； 上海市
∗国家自然科学基金项目（４１２０１０９２，４１４７１０７６）和华东师范大学创新基金项目（７８２１０２７０）资助．
∗∗通讯作者． Ｅ⁃ｍａｉｌ： ｍｌｉｕ＠ ｒｅ．ｅｃｎｕ．ｅｄｕ．ｃｎ
２０１４⁃０７⁃３１收稿，２０１５⁃０３⁃０５接受．
文章编号　 １００１－９３３２（２０１５）０７－２１２３－０８　 中图分类号　 Ｘ８３１　 文献标识码　 Ａ
Ｎｅａｒ ｓｕｒｆａｃｅ ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ ａｎｄ ｉｔｓ ｑｕａｎｔｉｔａｔｉｖｅ ｒｅｌａｔｉｏｎｓｈｉｐ ｗｉｔｈ ｃｈａｒａｃｔｅｒ ｏｆ ｕｎｄｅｒｌｙｉｎｇ
ｓｕｒｆａｃｅ ｉｎ Ｓｈａｎｇｈａｉ Ｃｉｔｙ， Ｃｈｉｎａ． ＰＡＮ Ｃｈｅｎ１，２， ＺＨＵ Ｘｉ⁃ｙａｎｇ１，３， ＪＩＡ Ｗｅｎ⁃ｘｉａｏ１，３， ＹＡＮＧ
Ｆａｎｇ１，３， ＬＩＵ Ｍｉｎ１，３， ＸＩＡＮＧ Ｗｅｉ⁃ｎｉｎｇ１，３ （ １Ｓｈａｎｇｈａｉ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｆｏｒ Ｕｒｂａｎ Ｅｃｏｌｏｇｉｃａｌ Ｐｒｏｃｅｓ⁃
ｓｅｓ ａｎｄ Ｅｃｏ⁃Ｒｅｓｔｏｒａｔｉｏｎ， Ｅａｓｔ Ｃｈｉｎａ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈａｎｇｈａｉ ２００２４１， Ｃｈｉｎａ； ２Ｓｃｈｏｏｌ ｏｆ Ｇｅｏ⁃
ｇｒａｐｈｙ Ｓｃｉｅｎｃｅｓ， Ｅａｓｔ Ｃｈｉｎａ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈａｎｇｈａｉ ２００２４１， Ｃｈｉｎａ； ３Ｓｃｈｏｏｌ ｏｆ Ｅｃｏｌｏｇｉｃａｌ
ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｓｃｉｅｎｃｅｓ， Ｅａｓｔ Ｃｈｉｎａ Ｎｏｒｍａｌ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈａｎｇｈａｉ ２００２４１， Ｃｈｉｎａ） ． ⁃Ｃｈｉｎ． Ｊ．
Ａｐｐｌ． Ｅｃｏｌ．， ２０１５， ２６（７）： ２１２３－２１３０．
Ａｂｓｔｒａｃｔ： Ｌａｎｄ ｕｓｅ ｃｈａｎｇｅ ａｎｄ ｆｏｓｓｉｌ ｆｕｅｌ ｃｏｍｂｕｓｔｉｏｎ ｄｕｅ ｔｏ ｕｒｂａｎｉｚａｔｉｏｎ ｈａｖｅ ａ ｓｉｇｎｉｆｉｃａｎｔ ｅｆｆｅｃｔ
ｏｎ ｇｌｏｂａｌ ｃａｒｂｏｎ ｃｙｃｌｅ ａｎｄ ｃｌｉｍａｔｅ ｃｈａｎｇｅ． Ｉｔ’ｓ ｉｍｐｏｒｔａｎｔ ｔｏ ｈａｖｅ ａｎ ｅｘｐｌｉｃｉｔ ｕｎｄｅｒｓｔａｎｄｉｎｇ ｏｆ ｔｈｅ
ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ＣＯ２ ｔｏ ｒｅｃｏｇｎｉｚｅ ａｎｄ ｃｏｎｔｒｏｌ ＧＨＧ ｅｍｉｓｓｉｏｎ， ｗｈｉｃｈ ｉｓ ｈｅｌｐｆｕｌ ｔｏ ｒｅｄｕｃｅ
ｈｕｍａｎ⁃ｉｎｄｕｃｅｄ ｃｏｎｔｒｉｂｕｔｉｏｎ ｔｏ ｇｌｏｂａｌ ｃｌｉｍａｔｅ ｃｈａｎｇｅ． Ｔｈｅ ｓｔｕｄｙ ａｒｅａ ｏｆ ｔｈｉｓ ｐｒｏｊｅｃｔ ｗａｓ ｓｅｔ ｉｎ ｔｈｅ
ｃｉｔｙ ｏｆ Ｓｈａｎｇｈａｉ ｗｉｔｈ ｉｎｔｅｎｓｉｖｅ ｈｕｍａｎ ａｃｔｉｖｉｔｙ ａｎｄ ｒａｐｉｄ ｕｒｂａｎｉｚａｔｉｏｎ． Ｔｈｅ ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｎｅａｒ ｓｕｒｆａｃｅ
ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ ａｌｏｎｇ ３ ｔｒａｎｓｅｃｔｓ ｗａｓ ｃｏｎｄｕｃｔｅｄ ａｃｒｏｓｓ ａｎ ｕｒｂａｎ⁃ｒｕｒａｌ ｇｒａｄｉｅｎｔ ｂｙ ｍｅａｎｓ ｏｆ ｎｅａｒ
ｉｎｆｒａｒｅｄ ｇａｓ ａｎａｌｙｚｅｒ Ｌｉ⁃８４０Ａ ｉｎ ｓｐｒｉｎｇ， ２０１４． Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｄａｔａ ｗｅｒｅ ａｌｓｏ ｕｓｅｄ ｔｏ ｄｅｒｉｖｅ ｕｎｄｅｒ⁃
ｌｙｉｎｇ ｓｕｒｆａｃｅ ｉｎｆｏｒｍａｔｉｏｎ． Ｆｕｒｔｈｅｒ ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｏｆ ｔｈｅ ｍｅｃｈａｎｉｓｍ ｏｆ ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ’ ｓ
ｒｅｓｐｏｎｓｅ ｔｏ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ｕｎｄｅｒｌｙｉｎｇ ｓｕｒｆａｃｅ ｗａｓ ｐｒｅｓｅｎｔｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ． Ｔｈｅ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ
ｔｈａｔ ｔｈｅ ａｖｅｒａｇｅ ｎｅａｒ ｓｕｒｆａｃｅ ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｗａｓ （４４３．４±２２．０） μｍｏｌ·ｍｏｌ
－１ ． ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ
ｉｎ ｃｉｔｙ ｃｅｎｔｅｒ ｗａｓ ｉｎ ａｖｅｒａｇｅ １２．５％ （５２．５ μｍｏｌ·ｍｏｌ－１） ｈｉｇｈｅｒ ｔｈａｎ ｔｈａｔ ｉｎ ｔｈｅ ｓｕｂｕｒｂａｎ ａｒｅａ． Ａｌ⁃
ｓｏ， ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｓｈｏｗｅｄ ａ ｓｉｇｎｉｆｉｃａｎｔ ｓｐａｔｉａｌ ｄｉｆｆｅｒｅｎｔｉａｔｉｏｎ， ｗｉｔｈ ｔｈｅ ｈｉｇｈｅｓｔ ＣＯ２ ｃｏｎｃｅｎｔｒａ⁃
ｔｉｏｎ ｉｎ ｔｈｅ ｎｏｒｔｈｗｅｓｔ， ｔｈｅ ｓｅｃｏｎｄ ｈｉｇｈｅｓｔ ｉｎ ｔｈｅ ｓｏｕｔｈｗｅｓｔ， ａｎｄ ｔｈｅ ｌｏｗｅｓｔ ｉｎ ｔｈｅ ｓｏｕｔｈｅａｓｔ， ｗｈｉｃｈ
ｗａｓ ｉｎ ａｃｃｏｒｄａｎｃｅ ｗｉｔｈ ｔｈｅ ｕｒｂａｎｉｚａｔｉｏｎ ｌｅｖｅｌ ｏｆ ｔｈｅ ｕｎｄｅｒｌｙｉｎｇ ｓｕｒｆａｃｅ． Ｔｈｅ ｒｅｓｕｌｔｓ ｒｅｖｅａｌｅｄ ｔｈａｔ ｔｈｅ
应 用 生 态 学 报　 ２０１５年 ７月　 第 ２６卷　 第 ７期　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　
Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｅｃｏｌｏｇｙ， Ｊｕｌ． ２０１５， ２６（７）： ２１２３－２１３０
ｖｅｇｅｔａｔｉｏｎ ｃｏｖｅｒａｇｅ ｒａｔｅ （ＣＶｅｇ） ｗａｓ ａｎ ｉｍｐｏｒｔａｎｔ ｉｎｄｉｃａｔｏｒ ｔｏ ｄｅｓｃｒｉｂｅ ｎｅａｒ ｓｕｒｆａｃｅ ＣＯ２ ｃｏｎｃｅｎｔｒａ⁃
ｔｉｏｎ ｗｉｔｈ ａ ｎｅｇａｔｉｖｅ ｃｏｒｒｅｌａｔｉｏｎ， ａｎｄ ｔｈｅ ｉｍｐｅｒｖｉｏｕｓ ｓｕｒｆａｃｅ ａｒｅａ ｃｏｖｅｒａｇｅ ｒａｔｅ （ＣＩＳＡ） ｈａｄ ｌｏｗｅｒ ｅｘ⁃
ｐｌａｎａｔｏｒｙ ｐｏｗｅｒ ｗｉｔｈ ａ ｐｏｓｉｔｉｖｅ ｃｏｒｒｅｌａｔｉｏｎ． Ｔｈｅ ｓｔｕｄｙ ａｌｓｏ ｆｏｕｎｄ ｔｈａｔ ｔｈｅ ｄｅｔｅｒｍｉｎａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ
（Ｒ２） ｂｅｔｗｅｅｎ ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ （ＣＣＯ２） ａｎｄ ＣＩＳＡ ｏｒ ＣＶｅｇ ａｃｈｉｅｖｅｄ ｉｔｓ ｈｉｇｈｅｓｔ ｖａｌｕｅ ｗｈｅｎ ｔｈｅ ｂｕｆｆｅｒ
ｄｉｓｔａｎｃｅ ｗａｓ ５ ｋｍ， ａｎｄ ｔｈｅｉｒ ｑｕａｎｔｉｔａｔｉｖｅ ｒｅｌａｔｉｏｎｓｈｉｐｓ ｂｅ ｄｅｓｃｒｉｂｅｄ ｂｙ ａ ｓｔｅｐｗｉｓｅ ｒｅｇｒｅｓｓｉｏｎ ｅｑｕａ⁃
ｔｉｏｎ： ＣＣＯ２ ＝ ０．３２ＣＩＳＡ－０．８９ＣＶｅｇ＋４４５．１３ （Ｒ
２ ＝ ０．６６， Ｐ＜０．０１）．
Ｋｅｙ ｗｏｒｄｓ： ｎｅａｒ ｓｕｒｆａｃｅ ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ； ｃｈａｒａｃｔｅｒ ｏｆ ｕｎｄｅｒｌｙｉｎｇ ｓｕｒｆａｃｅ； ｍｏｎｉｔｏｒｉｎｇ ａｌｏｎｇ ｔｈｅ
ｔｒａｎｓｅｃｔｓ； ｕｒｂａｎｉｚａｔｉｏｎ； Ｓｈａｎｇｈａｉ Ｃｉｔｙ．
　 　 全球大气 ＣＯ２浓度已从工业革命之前的 ２８０
μｍｏｌ·ｍｏｌ－１［１］迅速增长到超过 ４００ μｍｏｌ·ｍｏｌ－１［２］
（２０１３年）．ＣＯ２浓度的显著增加引发了全球变暖、海
平面上升等一系列重大环境问题，严重威胁着各国
经济的可持续发展和国家安全［３］ ．已有研究表明，化
石燃料燃烧和土地利用变化是引起 ＣＯ２浓度显著增
加的两大主要原因［４－５］ ．长期以来作为碳源存在的城
市区域［６］，虽然仅占据全球陆地面积的 ２．４％，却产
生了全球 ８０％以上的 ＣＯ２排放量［７］ ．并且由于城市
下垫面与碳源汇分布的高度异质性，其碳循环过程
及内部机制显得尤为复杂［６］ ．近地面 ＣＯ２浓度是全
球碳循环及气候变化的重要指示因子，掌握城市区
域 ＣＯ２浓度的时空变化特征，对认识和控制温室气
体排放、减少人类活动对全球气候变化的负面影响
具有重要参考意义［８－９］ ．
目前，世界气象组织（Ｗｏｒｌｄ Ｍｅｔｅｏｒｏｌｏｇｉｃａｌ Ｏｒ⁃
ｇａｎｉｚａｔｉｏｎ，ＷＭＯ）已经在世界各地建立了 ２００ 多个
大气 ＣＯ２监测本底站，用于监测与研究全球 ＣＯ２本
底浓度的长期变化趋势和演变规律［１０－１１］ ．但大多数
ＣＯ２监测本底站建立在较少受人类活动干扰的自然
生态系统区域，空间代表性有限，难以反映化石燃料
燃烧和土地利用变化所引起的全球 ＣＯ２浓度空间异
质性．另一方面，遥感技术的发展为获得统一、连续
及大范围大气 ＣＯ２浓度提供了可能［１２
－１４］，但其仅能
够监测对流层中层以上的 ＣＯ２信息，数据空间分辨
率较低且其数据准确性还需地面监测数据的验证．
鉴于上述原因，有必要开展城市区域近地面 ＣＯ２浓
度的监测研究．目前城市地区的 ＣＯ２浓度监测研究
还比较有限，大多基于若干定点监测数据开展长时
间序列比较分析、若干城乡站点对比分析及其与某
些气候因子关系的研究［８，１５－１６］ ．据已发表文献统计，
德国埃森［９］、美国菲尼克斯［１７］、巴尔的摩［１８］、中国
北京［１５］、南京［１６］已在城市区域开展了定点连续监
测或样带监测研究．也有研究基于城市多点监测数
据与热红外影像反演得到的温度分布特征来模拟城
市 ＣＯ２浓度的空间分布特征［１９］ ．已有研究表明，ＣＯ２
浓度受多重因素的影响，除能源消耗、气候条件和人
口因素外，城市下垫面特征也是影响 ＣＯ２浓度的重
要因素［２０－２１］，特别是下垫面特征对人们出行方式、
车辆行驶公里数以及尾气排放的影响［２２－２３］ ．然而现
有研究虽描述了不同城市化水平区域 ＣＯ２浓度的差
异，并对造成这些差异的原因进行了阐述［２４－２５］，但
针对近地面 ＣＯ２浓度与区域下垫面特征定量关系的
研究还比较缺乏．
鉴于此，本研究以高强度人类干扰和快速城市
化背景下的上海市为研究对象，采用近红外气体分
析仪 Ｌｉ⁃８４０Ａ进行样带监测，结合 Ｌａｎｄｓａｔ ８ 陆地成
像仪（Ｏｐｅｒａｔｉｏｎａｌ Ｌａｎｄ Ｉｍａｇｅｒ，ＯＬＩ）遥感数据作为主
要数据源提取城市下垫面信息，开展不同城市化水
平下近地面 ＣＯ２浓度监测和研究，明确上海市近地
面 ＣＯ２浓度的空间分布格局，并探讨其空间影响范
围及其对城市下垫面特征的响应机制，以加深对城
市碳循环的认识，为模拟和预测城市碳循环对人类
活动的响应机制提供理论依据．
１　 研究区域与研究方法
１􀆰 １　 研究区域概况
上海市（３０°４０′—３１°５３′ Ｎ，１２０° ５２′—１２２° １２′
Ｅ）位于长江入海口，毗邻江苏和浙江两省，盛行亚
热带季风气候，地形平坦，平均海拔为 ４ ｍ．现辖普
陀、闸北等 １７ 区县，全市总面积为 ６３４０．５ ｋｍ２（其
中，建成区面积为 １５１４．５ ｋｍ２） ［２６］，２０１２年末常住人
口 ２３８２．４３万［２７］ ．上海市是中国的经济与金融中心，
随着经济的飞速发展，上海市生产总值从 １９９０ 年的
７８１．６６亿元增长到 ２０１２ 年的 ２０１８１．７２ 亿元［２７］；能
源消耗量逐年递增，从 １９８５ 年的 ２５５３．２１ 万 ｔ 标准
煤增加至 ２０１２年的 １１３６２．１５万 ｔ标准煤［２７］；ＣＯ２排
放量从 ２０００ 年的 １４６５０ 万 ｔ 增加到 ２０１０ 年的
４２０８４万 ｔ ［２８］ ．
１􀆰 ２　 ＣＯ２采样方案及数据分析
结合上海市下垫面特征，本研究以上海市中心
（人民广场）为起点分别选取沿西北、西南和东南走
４２１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
图 １　 上海市 ＣＯ２浓度监测的 ３条样带空间分布
Ｆｉｇ．１　 Ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｔｈｒｅｅ ｔｒａｎｓｅｃｔｓ ｗｉｔｈ ＣＯ２ ｃｏｎｃｅｎ⁃
ｔｒａｔｉｏｎ ｍｏｎｉｔｏｒｉｎｇ ｉｎ Ｓｈａｎｇｈａｉ Ｃｉｔｙ．
向 ３条样带开展 ＣＯ２浓度监测（图 １），每条样带全
长均为 ４０ ｋｍ，覆盖不同城市化水平的区域．其中，样
带 １（ＮＷＴ）为西北走向，从人民广场至嘉定区朱家
桥镇，途经黄浦、静安、闸北、普陀和嘉定 ５ 个市辖
区；样带 ２（ＳＥＴ）为东南走向，从人民广场至浦东新
区大团镇，途经黄浦和浦东新区；样带 ３（ＳＷＴ）为西
南走向，从人民广场至松江区大港镇，途径黄浦、静
安、徐汇、闵行和松江 ５个市辖区．
　 　 ３ 条样带 ＣＯ２浓度监测时间为 ２０１４ 年 ３ 月 ２６
日至 ２０１４年 ４月 １４日中天气状况较好（非雨天）的
工作日（表 １）．为减少早高峰交通拥堵时段汽车尾
气对 ＣＯ２浓度监测的影响，采样时间为 ９： ００—
１１：００．同时为降低各监测点时间不一致可能造成的
误差，每条样带均采取往返测量的方法，并在不同工
作日重复监测 ３ 次，以最大限度地减少外在环境条
件对研究结果产生的不利影响．本研究采样时将硬
质塑料管置于汽车上部约 ０． ７ ｍ 处（距地面高约
２ ｍ，ＣＯ２浓度受海拔影响较小［２９］ ），数据采集时间
间隔为 １０ ｓ，并同步利用 ＧＰＳ 设备记录采样点坐标
信息，每次约采集 ６５０个 ＣＯ２浓度数据．为了减少异
常值对监测结果的影响，将所有监测数据中大于前
后 ３０个数据 ３倍标准差的值作为异常值剔除．采样
仪器为美国 Ｌｉ⁃Ｃｏｒ 公司生产的便携式 ＣＯ２ ／ Ｈ２Ｏ 红
外气体分析仪 Ｌｉ⁃８４０Ａ，该仪器内置可互换光路的
双波长红外检测系统，具有自动温度和压力补偿功
能，能够依靠光路中 ＩＲ 能量的吸收来测量 ＣＯ２和
Ｈ２Ｏ含量，误差范围为读数的±１％．
表 １　 上海市 ３条样带 ＣＯ２浓度监测时间
Ｔａｂｌｅ １　 Ｔｉｍｅ ｏｆ ｍｏｎｉｔｏｒｉｎｇ ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ ａｌｏｎｇ ｔｈｒｅｅ
ｔｒａｎｓｅｃｔｓ ｉｎ Ｓｈａｎｇｈａｉ Ｃｉｔｙ
样带
Ｔｒａｎｓｅｃｔ
监测日期
Ｍｏｎｉｔｏｒｉｎｇ ｄａｔｅ
ＮＷＴ ０４⁃０９（周三 Ｗｅｄｎｅｓｄａｙ）、０４⁃１１（周五 Ｆｒｉｄａｙ）、０４⁃１４
（周一 Ｍｏｎｄａｙ）
ＳＥＴ ０３⁃２６日（周三 Ｗｅｄｎｅｓｄａｙ）、０３⁃３１（周一 Ｍｏｎｄａｙ）、
０４⁃０１（周二 Ｔｕｅｓｄａｙ）
ＳＷＴ ０４⁃０２（周三 Ｗｅｄｎｅｓｄａｙ）、０４⁃０４（周五 Ｆｒｉｄａｙ）、０４⁃０８
（周二 Ｔｕｅｓｄａｙ）
１􀆰 ３　 下垫面特征信息提取
本研究基于 Ｖ⁃Ｉ⁃Ｓ （ ｖｅｇｅｔａｔｉｏｎ⁃ｉｍｐｅｒｖｉｏｕｓ ｓｕｒ⁃
ｆａｃｅ⁃ｓｏｉｌ）模型理论［３０］提取城市面下垫面特征信息，
该模型认为高度异质化的城市下垫面特征可简化为
除水体外的不透水层、植被以及裸土的线性组合，这
样可尽量避免以往城市研究中过于重视城市土地利
用 ／土地覆盖的分类而忽视城市生态系统中最基本
的相互关系的情况［３１］ ．由于上海裸土所占比例极
小，本研究重点考虑城市不透水层、植被和水体信息
的提取．由于 ２０１４ 年 ４ 月 １０ 日及其邻近时间的遥
感影像云量较高，空气中水汽含量大，对影像的分类
精度产生较大影响，而其他卫星传感器几乎不能同
时满足本文对于光谱分辨率及空间分辨率的要求．
因此，本文以 ２０１３年 ８月 ２９日（无云，质量较好）的
Ｌａｎｄｓａｔ ８ ＯＬＩ 遥感数据（空间分辨率为 ３０ ｍ）作为
主要数据源，首先对影像进行镶嵌、大气辐射校正，
并以 Ｇｏｏｇｌｅ Ｅａｒｔｈ中的高分辨率影像为基准采用三
次多项式进行几何精校正，校正后误差控制在 ０．５
个像元内．在此基础上，采用决策树分类方法提取不
透水层、植被和水体信息．其中，不透水层信息采用
归一化差值不透水层指数［３２］ （ ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ
ｉｍｐｅｒｖｉｏｕｓ ｓｕｒｆａｃｅ ｉｎｄｅｘ，ＮＤＩＳＩ）提取，植被信息采用
归一化差值植被指数［３３］（ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｖｅｇｅ⁃
ｔａｔｉｏｎ ｉｎｄｅｘ，ＮＤＶＩ）进行提取，水体信息采用改进的
归一化差值水体指数［３４］（ｍｏｄｉｆｉｅｄ ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒ⁃
ｅｎｃｅ ｗａｔｅｒ ｉｎｄｅｘ，ＭＮＤＷＩ）提取．具体计算公式如下：
ＮＤＩＳＩ＝［ＴＩＲ－（ＭＮＤＷＩ＋ＮＩＲ＋ＭＩＲ１） ／ ３］ ／
［ＴＩＲ＋（ＭＮＤＷＩ＋ＮＩＲ＋ＭＩＲ１） ／ ３］ （１）
ＮＤＶＩ＝（ＮＩＲ－Ｒ） ／ （ＮＩＲ＋Ｒ） （２）
ＭＮＤＷＩ＝（ＧＲＥＥＮ－ＭＩＲ１） ／ （ＧＲＥＥＮ＋ＭＩＲ１）
（３）
式中：ＮＩＲ、Ｒ、ＧＲＥＥＮ、ＭＩＲ１ 和 ＴＩＲ 分别代表近红
外、红、绿、中红外 １和热红外波段的反射率．
遥感影像采用决策树方法分类，分别利用ＮＤＩＳＩ＞
０．７７、ＮＤＶＩ＞０．４５及 ＭＮＤＷＩ＞－０．５５ ３个临界值提取
５２１２７期　 　 　 　 　 　 　 　 　 　 　 潘　 晨等： 上海市近地面 ＣＯ２浓度及其与下垫面特征的定量关系　 　 　 　 　 　
不透水层、植被与水体，并进行部分人工修正，整个
分类过程在 ＥＮＶＩ ５． ０ 平台上完成．通过与 Ｇｏｏｇｌｅ
Ｅａｒｔｈ中 ２０１４年 ４月 １５ 日（与采样时间接近）的高
分辨率影像对比，运用混淆矩阵法随机选取若干样
本进行评价．结果表明，影像分类总体精度达到
８１％，Ｋａｐｐａ系数为 ０．８０，符合分类精度要求．
２　 结果与讨论
２􀆰 １　 上海市近地面 ＣＯ２浓度的空间特征
２０１４年春季上海市近地面 ＣＯ２浓度为（４４３．４±
２２．０） μｍｏｌ·ｍｏｌ－１，其中，人民广场、陆家嘴、徐家汇、
莘庄、松江与嘉定附近 ＣＯ２浓度分别为 ４７１．８、４５５．３、
４５４．６、４３７．７、４２８．５、４３７．２ μｍｏｌ·ｍｏｌ－１（图 ２），市中心
比郊区高 １２．５％（５２．５ μｍｏｌ·ｍｏｌ－１）．这一差值与巴
尔的摩［１８］的研究结果（１５􀆰 ６％，６６ μｍｏｌ·ｍｏｌ－１）较
接近，但远低于菲尼克斯［１７］近地面 ＣＯ２浓度的城郊
差异（５０％，１８５ μｍｏｌ·ｍｏｌ－１），其原因可能与上海
市郊区城镇的快速发展有关．受化石燃料燃烧及土
地利用变化的影响，上海市近地面 ＣＯ２浓度明显高
于同期莫纳罗亚和瓦里关全球本底浓度（表 ２），也高
于代表长江三角洲地区大气本底值的临安本底
站［１０，３５］浓度．同时，上海 ＣＯ２浓度也比南京［１９］高，其
一方面可能是因为南京城市森林覆盖率（＞３５％） ［３６］
比上海（１２．６％） ［２７］高；另一方面可能是由于南京采
样时间为夏季，植被光合作用对 ＣＯ２吸收强烈，且夏
季较强的大气湍流也有利于 ＣＯ２的稀释扩散． 沈
阳［１８］、埃森［９］属于重工业城市，化石燃料消耗巨大，
ＣＯ２浓度处于较高水平；而北京［３７］和菲尼克斯［１７］则
是由于人口密度高且植被覆盖率低，ＣＯ２浓度总体
与上海相当．由于各地监测时间上不完全匹配，不同
图 ２　 上海市 ３条样带 ＣＯ２浓度空间分布及变化特征
Ｆｉｇ．２　 Ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ａｎｄ ｖａｒｉａｔｉｏｎ ｏｆ ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ ａｔ
ｔｈｒｅｅ ｔｒａｎｓｅｃｔｓ ｉｎ Ｓｈａｎｇｈａｉ Ｃｉｔｙ．
城市 ＣＯ２浓度的比较可能会受到一定影响．
受城市用地水平的影响，上海市近地面 ＣＯ２浓
度总体呈现西北高、西南次之、东南低的特征．
ＮＷＴ、ＳＥＴ、ＳＷＴ 等 ３ 条样带 ＣＯ２浓度均值分别为
（４５８．１ ± ２５． ７）、 （ ４２８． ７ ± ３０． ０）和 （ ４４０． ８ ± ２２􀆰 ０）
μｍｏｌ·ｍｏｌ－１ ．同时，３ 条样带 ＣＯ２浓度城郊差异显
著， 其 中， ＳＥＴ 城 郊 差 异 最 大， 差 值 为 ７２􀆰 １
μｍｏｌ·ｍｏｌ－１，ＮＷＴ次之，为 ４９．２ μｍｏｌ·ｍｏｌ－１，ＳＷＴ
差异最小，为 ３６􀆰 ３ μｍｏｌ·ｍｏｌ－１ ．上海市近地面 ＣＯ２
浓度与距市中心距离呈显著负相关（Ｐ＜０．０１），距离
市中心距离每增加 １ ｋｍ， ＣＯ２ 浓度降低 １􀆰 ５６
μｍｏｌ·ｍｏｌ－１（图 ３）．同时，由于城区交通流量变异性
较郊区突出，距离市中心越远，ＣＯ２浓度变化也越趋
于稳定．ＣＯ２浓度均值在距市中心１５～２０ ｋｍ内下降
表 ２　 世界本底监测站及城市地区监测点 ＣＯ２浓度
Ｔａｂｌｅ ２　 ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｏｆ ｔｈｅ ｗｏｒｌｄ ｂａｃｋｇｒｏｕｎｄ ｍｏｎｉｔｏｒｉｎｇ ｓｔａｔｉｏｎｓ ａｎｄ ｕｒｂａｎ ｍｏｎｉｔｏｒｉｎｇ ｓｔａｔｉｏｎｓ
站点
Ｓｔａｔｉｏｎ
站点类型
Ｔｙｐｅ ｏｆ ｓｔａｔｉｏｎ
ＣＯ２浓度
ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ
（μｍｏｌ·ｍｏｌ－１）
年份
Ｙｅａｒ
２０１４年推算 ＣＯ２浓度ａ
Ｅｓｔｉｍａｔｉｏｎ ｏｆ ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ
ｉｎ ２０１４ （μｍｏｌ·ｍｏｌ－１）
美国莫纳罗亚 Ｍａｕｎａ Ｌｏａ， ＵＳＡ Ⅰ ４０２ ２０１４ ／
中国瓦里关 Ｗａｌｉｇｕａｎ， Ｃｈｉｎａ Ⅰ ３８７ ２００９ ３９７
中国临安 Ｌｉｎ’ａｎ， Ｃｈｉｎａ［３５］ Ⅰ ４１１ ２０１０ ４１９
中国北京 Ｂｅｉｊｉｎｇ， Ｃｈｉｎａ［３７］ Ⅱ ４２０ ２００２ ４４４
中国南京 Ｎａｎｊｉｎｇ， Ｃｈｉｎａ［１９］ Ⅱ ４１１ ２００８（夏季 ｓｕｍｍｅｒ） ４２３
中国沈阳 Ｓｈｅｎｙａｎｇ， Ｃｈｉｎａ［１８］ Ⅱ ４３０ ２０１０（４月 ２２日 Ａｐｒｉｌ ２２ｎｄ） ４３８
德国埃森 Ｅｓｓｅｎ， Ｇｅｒｍａｎｙ［９］ Ⅱ ４１５ ２００２ ４３９
美国菲尼克斯 Ｐｈｏｅｎｉｘ， ＵＳＡ［１７］ Ⅱ ４１４ １９９８（１月 Ｊａｎｕａｒｙ） ４４６
Ⅰ： 本底监测站 Ｂａｃｋｇｒｏｕｎｄ ｍｏｎｉｔｏｒｉｎｇ ｓｔａｔｉｏｎ； Ⅱ： 城市监测站 Ｕｒｂａｎ ｍｏｎｉｔｏｒｉｎｇ ｓｔａｔｉｏｎ． ａ）依据全球 ＣＯ２本底浓度每年上升约 ２ μｍｏｌ·ｍｏｌ－１推
算［３８］ Ｅｓｔｉｍａｔｉｏｎ ｂａｓｅｄ ｏｎ ＣＯ２ ｂａｃｋｇｒｏｕｎｄ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｉｎｃｒｅａｓｅｄ ２ μｍｏｌ·ｍｏｌ－１ ｅｖｅｒｙ ｙｅａｒ［３８］ ．
６２１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
图 ３　 ＮＷＴ、ＳＥＴ、ＳＷＴ等 ３条样带及其均值的 ＣＯ２浓度在距
市中心不同距离时的变化
Ｆｉｇ． ３ 　 Ｖａｒｉａｔｉｏｎ ｏｆ ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ ａｌｏｎｇ ｔｈｒｅｅ ｔｒａｎｓｅｃｔｓ
（ＮＷＴ， ＳＥＴ， ＳＷＴ） ａｎｄ ｔｈｅ ａｖｅｒａｇｅ ｖａｌｕｅ ａｌｏｎｇ ｗｉｔｈ ｔｈｅ ｄｉｓ⁃
ｔａｎｃｅ ｆｒｏｍ ｕｒｂａｎ ｃｅｎｔｅｒ （ｍｅａｎ±ＳＤ）．
幅度较大，为 １３．４ μｍｏｌ·ｍｏｌ－１，其余距离内下降幅
度较小，为 ６．０ μｍｏｌ·ｍｏｌ－１左右，其原因可能是 １５～
２０ ｋｍ段与位于上海城郊结合部的外环线相交，沿
外环线向内５ ｋｍ范围所在辖区的人口密度（１９５１２．２
人·ｋｍ－２）明显高于沿外环线向外 ５ ｋｍ范围所在辖
区的人口密度（５４２０．５人·ｋｍ－２） ［２７］ ．
２􀆰 ２　 上海市下垫面特征对 ＣＯ２浓度的影响
由图 ４ 可知，上海市下垫面特征总体表现为离
市中心越远，不透水层覆盖率越低、植被覆盖率越
高．３条样带不透水层、植被和水体的覆盖率均值分
别为 ６５．５％、２４．８％与 ５．２％，其中，ＮＷＴ 三者的覆盖
率为 ６８． ９％、２２． ６％、４． ４％，ＳＥＴ 为 ５９． ５％、３１􀆰 ９％、
５􀆰 ０％，ＳＷＴ为 ６８．５％、２０．８％、６．１％．ＮＷＴ 除了在距
市中心 ３５～４０ ｋｍ 内不透水层的覆盖率较低外，其
他几乎都在 ６０％以上，样带两侧分布有大片的城市
建筑景观；ＳＥＴ在穿过陆家嘴之后，植被覆盖率大幅
上升至 ２６．２％，而 ＮＷＴ和 ＳＥＴ在距离市中心等距离
范围时植被覆盖率分别只有 １０．５％和 １０．２％；ＳＷＴ
则是经过了 ３个不同级别的中心城区，整条样带不
透水层覆盖率较高，整体与 ＮＷＴ 相似．３ 条样带不
透水层、植被和水体的覆盖率可在一定程度上解释
上海市 ＣＯ２浓度在 ３条样带上的空间异质性．
　 　 为定量分析近地面 ＣＯ２浓度与下垫面特征的关
系，本研究以市中心为原点，１ ｋｍ 为间距对所有监
测数据进行分段统计（３ 条样带总计 １２０ 个样点），
研究近地面 ＣＯ２浓度对下垫面特征的响应机制．结
果表明，上海市近地面 ＣＯ２浓度与不透水层覆盖率
呈显著正相关（Ｐ＜０．０１），与植被覆盖率呈显著负相
关（Ｐ＜０．０１），而与水体覆盖率相关性不显著．这与
加拿大蒙特利尔市［３９］的研究结果相似，其城区监测
站（不透水层与植被的覆盖率分别为 ７１％与 ２９％，
下同）和郊区监测站（４９％与 ５０％）的 ＣＯ２排放量分
别比农田（０与 １００％）背景值（－０．２ ｋｇ ＣＯ２·ｍ
－２·
ａ－１）高 ２０．６和 ５．４ ｋｇ ＣＯ２·ｍ
－２·ａ－１ ．
图 ４　 ＮＷＴ、ＳＥＴ、ＳＷＴ ３条样带及其均值在距市中心不同距离时下垫面特征变化
Ｆｉｇ．４　 Ｖａｒｉａｔｉｏｎ ｏｆ ｃｈａｒａｃｔｅｒｓ ｏｆ ｕｎｄｅｒｌｙｉｎｇ ｓｕｒｆａｃｅ ａｌｏｎｇ ｔｈｒｅｅ ｔｒａｎｓｅｃｔｓ （ＮＷＴ， ＳＥＴ， ＳＷＴ） ａｎｄ ｔｈｅ ａｖｅｒａｇｅ ｖａｌｕｅ ａｌｏｎｇ ｗｉｔｈ ｔｈｅ
ｄｉｓｔａｎｃｅ ｆｒｏｍ ｕｒｂａｎ ｃｅｎｔｅｒ．
７２１２７期　 　 　 　 　 　 　 　 　 　 　 潘　 晨等： 上海市近地面 ＣＯ２浓度及其与下垫面特征的定量关系　 　 　 　 　 　
图 ５　 不同缓冲距离 ＣＯ２浓度与不透水层、植被覆盖率的相
关性
Ｆｉｇ．５　 Ｃｏｒｒｅｌａｔｉｏｎｓ ｂｅｔｗｅｅｎ ＣＣＯ２ ａｎｄ ＣＩＳＡ， ＣＶｅｇ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ
ｂｕｆｆｅｒ ｄｉｓｔａｎｃｅｓ．
　 　 在此基础上，根据散点图的分布情况先后利用
多种函数（线性、指数、对数、幂等）开展近地面 ＣＯ２
浓度与不同缓冲距离范围内的不透水层及植被覆盖
率的回归拟合．结果表明，线性函数拟合 ＣＯ２浓度与
不透水层和植被覆盖率关系效果最佳．由于样点的
ＣＯ２浓度仅能代表其周围一定范围，为了更好地反
映样点周围下垫面特征对其 ＣＯ２浓度的影响，本研
究将基于 ＣＯ２浓度与样点周围不同缓冲距离下垫面
特征的最佳相关关系确定 ＣＯ２浓度的主要空间影响
范围．关于样点缓冲距离的选取，本研究以每个样点
为中心，在其周围 ７ ｋｍ 范围内每隔 １ ｋｍ 计算一次
ＣＯ２浓度与不透水层、植被覆盖率的相关性．由图 ５
可以看出，ＣＯ２浓度与不透水层及植被覆盖率相关
性（Ｒ２）随缓冲距离的增加，都呈先增加后减小的趋
势，在缓冲距离为 ５ ｋｍ处达到峰值．因此，本研究选
择样点周围 ５ ｋｍ范围来探究不透水层及植被覆盖
率对 ＣＯ２浓度的影响．
　 　 在分析 ＣＯ２浓度分别与不透水层和植被覆盖率
相关性的基础上，本研究利用三维特征空间散点图
来综合表征 ＣＯ２浓度（ＣＣＯ２）与不透水层（ＣＩＳＡ）、植
被覆盖率（ＣＶｅｇ）三者之间的内在关系．散点图（图 ６）
的顶端以 ＣＯ２浓度较高的不透水层区域为主，而底
端则是 ＣＯ２浓度较低的植被与不透水层混合区域．
将 ＣＯ２浓度作为因变量、不透水层与植被覆盖率作
为自变量，逐步回归分析后获得以下拟合方程：
ＣＣＯ２ ＝ ０．３２ＣＩＳＡ－０．８９ＣＶｅｇ＋４４５．１３
（Ｒ２ ＝ ０．６６，Ｐ＜０．０１）
从回归方程可以发现，不透水层覆盖率每增加
１％，ＣＯ２浓度增加 ０．３２ μｍｏｌ·ｍｏｌ
－１；植被覆盖率每
增加 １％，ＣＯ２浓度下降 ０．８９ μｍｏｌ·ｍｏｌ
－１，说明植被
对近地面ＣＯ２浓度的影响明显高于不透水层 ．这一
图 ６　 缓冲距离为 ５ ｋｍ时 ＣＯ２浓度与不透水层及植被覆盖
率之间关系的三维空间散点分布
Ｆｉｇ．６ 　 Ｓｃａｔｔｅｒ ｄｉｓｔｒｉｂｕｔｉｏｎ ｉｎ ｔｈｒｅｅ⁃ｄｉｍｅｎｓｉｏｎａｌ ｓｐａｃｅ ａｍｏｎｇ
ＣＣＯ２， ＣＩＳＡ ａｎｄ ＣＶｅｇ ｗｈｅｎ ｂｕｆｆｅｒ ｄｉｓｔａｎｃｅ ｗａｓ ５ ｋｍ．
结论与 Ｎｏｒｄｂｏ 等［４０］基于 １４ 个城市涡度相关技术
监测以及 ５６个城市碳排放核算得出的关于自然植
被覆盖率是碳收支最重要的指示因子相似，即当一
个城市的自然植被覆盖率达到 ８０％时，该城市就处
于碳收支平衡状态．王黎雯等［１９］模拟沈阳市 ＣＯ２浓
度空间分布得到的结果也表明，自然植被区域 ＣＯ２
受到植被光合作用的削弱，林业区与草地区的 ＣＯ２
浓度分别比交通用地低 ２９ 和 ２４ μｍｏｌ·ｍｏｌ－１ ．美国
巴尔的摩［４１］ Ｃｕｂ Ｈｉｌｌ 监测站点（２００２—２００６ 年）下
垫面由于植被覆盖率较高 （６７． ４％），其碳排放量
（１􀆰 ３２ ｋｇ ＣＯ２·ｍ
－２·ａ－１）为目前已发表城市生态
系统文献中的最低值．日本东京住宅区 ＣＯ２排放量
是同纬度温带阔叶林的 ６倍［４２］，这也在一定程度上
佐证了植被对于降低 ＣＯ２浓度的重要性．因此，适当
降低不透水层覆盖率的同时增加植被覆盖率，可一
定程度上降低城市 ＣＯ２浓度．
３　 结　 　 论
本研究通过开展上海市近地面 ＣＯ２浓度样带监
测，结合基于遥感数据获得的下垫面特征信息，在明
确上海市近地面 ＣＯ２浓度空间分布格局的基础上，
定量分析了近地面 ＣＯ２浓度对下垫面特征的响应特
征．结果表明，２０１４年春季上海市近地面 ＣＯ２浓度为
（４４３．４ ± ２２． ０） μｍｏｌ·ｍｏｌ－１，市中心比郊区高出
１２􀆰 ５％（５２．５ μｍｏｌ·ｍｏｌ－１）．受城市用地水平的影
８２１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷
响，上海市近地面 ＣＯ２浓度总体呈现西北高、西南次
之、东南低的趋势．ＣＯ２浓度随距市中心距离的增加
而降低，距市中心距离每增加 １ ｋｍ，ＣＯ２浓度降低
１􀆰 ５６ μｍｏｌ·ｍｏｌ－１ ．植被覆盖率是影响城市近地面
ＣＯ２浓度的重要因子，两者呈显著负相关，不透水层
覆盖率次之，两者呈显著正相关．ＣＯ２浓度与不透水
层及植被覆盖率的线性相关性（Ｒ２）分别在缓冲距
离达到５ ｋｍ时达到峰值．缓冲距离为 ５ ｋｍ 时，近地
面 ＣＯ２浓度与下垫面植被覆盖率和不透水层覆盖率
可通过建立逐步回归方程来表征：ＣＣＯ２ ＝ ０．３２ＣＩＳＡ －
０􀆰 ８９ＣＶｅｇ＋４４５．１３ （Ｒ２ ＝ ０．６６， Ｐ＜０．０１）．
参考文献
［１］　 Ｌｅｕｅｎｂｅｒｇｅｒ Ｍ， Ｓｉｅｇｅｎｔｈａｌｅｒ Ｕ， Ｌａｎｇｗａｙ Ｃ． Ｃａｒｂｏｎ
ｉｓｏｔｏｐｅ ｃｏｍｐｏｓｉｔｉｏｎ ｏｆ ａｔｍｏｓｐｈｅｒｉｃ ＣＯ２ ｄｕｒｉｎｇ ｔｈｅ ｌａｓｔ
ｉｃｅ ａｇｅ ｆｒｏｍ Ａｎｔａｒｃｔｉｃ ｉｃｅ ｃｏｒｅ． Ｎａｔｕｒｅ， １９９２， ３５７：
４８８－４９０
［２］　 Ｂａｌａ Ｇ． Ｄｉｇｅｓｔｉｎｇ ４００ ｐｐｍ ｆｏｒ ｇｌｏｂａｌ ｍｅａｎ ＣＯ２ ｃｏｎｃｅｎ⁃
ｔｒａｔｉｏｎ． Ｃｕｒｒｅｎｔ Ｓｃｉｅｎｃｅ， ２０１３， １０４： １７４１－１７４２
［３］　 ＩＰＣＣ． Ｓｕｍｍａｒｙ ｆｏｒ Ｐｏｌｉｃｙｍａｋｅｒｓ ｏｆ Ｃｌｉｍａｔｅ Ｃｈａｎｇｅ
２００７： Ｔｈｅ Ｐｈｙｓｉｃａｌ Ｓｃｉｅｎｃｅ Ｂａｓｉｓ． Ｃｏｎｔｒｉｂｕｔｉｏｎ ｏｆ
Ｗｏｒｋｉｎｇ Ｇｒｏｕｐ ｔｏ ｔｈｅ Ｆｏｕｒｔｈ Ａｓｓｅｓｓｍｅｎｔ Ｒｅｐｏｒｔ ｏｆ ｔｈｅ
Ｉｎｔｅｒｇｏｖｅｒｎｍｅｎｔａｌ Ｐａｎｅｌ ｏｎ Ｃｌｉｍａｔｅ Ｃｈａｎｇｅ． Ｃａｍｂｒｉｄｇｅ：
Ｃａｍｂｒｉｄｇｅ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ， ２００７
［４］　 Ｈｏｕｇｈｔｏｎ Ｊ． Ｇｌｏｂａｌ Ｗａｒｍｉｎｇ． Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ Ｍｅｔｅｏｒｏ⁃
ｌｏｇｉｃａｌ Ｐｒｅｓｓ， １９９８ （ｉｎ Ｃｈｉｎｅｓｅ）
［５］　 Ｇｕｎｔｅｒ Ｗ， Ｗｏｎｇ Ｓ， Ｃｈｅｅｌ Ｄ， ｅｔ ａｌ． Ｌａｒｇｅ ＣＯ２ ｓｉｎｋｓ：
Ｔｈｅｉｒ ｒｏｌｅ ｉｎ ｔｈｅ ｍｉｔｉｇａｔｉｏｎ ｏｆ ｇｒｅｅｎｈｏｕｓｅ ｇａｓｅｓ． Ａｐｐｌｉｅｄ
Ｅｎｅｒｇｙ， １９９８， ６１： ２０９－２２７
［６］　 Ｖｅｌａｓｃｏ Ｅ， Ｒｏｔｈ Ｍ． Ｃｉｔｉｅｓ ａｓ ｎｅｔ ｓｏｕｒｃｅｓ ｏｆ ＣＯ２： Ｒｅ⁃
ｖｉｅｗ ｏｆ ａｔｍｏｓｐｈｅｒｉｃ ＣＯ２ ｅｘｃｈａｎｇｅ ｉｎ ｕｒｂａｎ ｅｎｖｉｒｏｎｍｅｎｔｓ
ｍｅａｓｕｒｅｄ ｂｙ ｅｄｄｙ ｃｏｖａｒｉａｎｃｅ ｔｅｃｈｎｉｑｕｅ． Ｇｅｏｇｒａｐｈｙ
Ｃｏｍｐａｓｓ， ２０１０， ４： １２３８－１２５９
［７］　 Ｃｈｕｒｋｉｎａ Ｇ． Ｍｏｄｅｌｉｎｇ ｔｈｅ ｃａｒｂｏｎ ｃｙｃｌｅ ｏｆ ｕｒｂａｎ ｓｙｓ⁃
ｔｅｍｓ． Ｅｃｏｌｏｇｉｃａｌ Ｍｏｄｅｌｌｉｎｇ， ２００８， ２１６： １０７－１１３
［８］　 Ｂüｎｓ Ｃ， Ｋｕｔｔｌｅｒ Ｗ． Ｐａｔｈ⁃ｉｎｔｅｇｒａｔｅｄ ｍｅａｓｕｒｅｍｅｎｔｓ ｏｆ
ｃａｒｂｏｎ ｄｉｏｘｉｄｅ ｉｎ ｔｈｅ ｕｒｂａｎ ｃａｎｏｐｙ ｌａｙｅｒ． Ａｔｍｏｓｐｈｅｒｉｃ
Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１２， ４６： ２３７－２４７
［９］　 Ｈｅｎｎｉｎｇｅｒ Ｓ， Ｋｕｔｔｌｅｒ Ｗ． Ｎｅａｒ ｓｕｒｆａｃｅ ｃａｒｂｏｎ ｄｉｏｘｉｄｅ
ｗｉｔｈｉｎ ｔｈｅ ｕｒｂａｎ ａｒｅａ ｏｆ Ｅｓｓｅｎ， Ｇｅｒｍａｎｙ． Ｐｈｙｓｉｃｓ ａｎｄ
Ｃｈｅｍｉｓｔｒｙ ｏｆ ｔｈｅ Ｅａｒｔｈ， ２０１０， ３５： ７６－８４
［１０］　 Ｌｉｕ Ｌ⁃Ｘ （刘立新）， Ｚｈｏｕ Ｌ⁃Ｘ （周凌晞）， Ｚｈａｎｇ Ｘ⁃Ｃ
（张晓春）， ｅｔ ａｌ． Ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ａｔｍｏｓｐｈｅｒｉｃ
ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｖａｒｉａｔｉｏｎ ｏｆ ｆｏｕｒ ｎａｔｉｏｎａｌ ｂａｃｋｇｒｏｕｎｄ
ｓｔａｔｉｏｎｓ ｉｎ Ｃｈｉｎａ． Ｓｃｉｅｎｃｅ ｉｎ Ｃｈｉｎａ （Ｓｅｒｉｅｓ Ｄ） （中国科
学 Ｄ辑）， ２００９， ３９（２）： １８５７－１８６３ （ｉｎ Ｃｈｉｎｅｓｅ）
［１１］　 Ｓｔｅｐｈｅｎｓ ＢＢ， Ｂｒａｉｌｓｆｏｒｄ ＧＷ， Ｇｏｍｅｚ ＡＪ， ｅｔ ａｌ． Ａｎａｌｙｓｉｓ
ｏｆ ａ ３９⁃ｙｅａｒ ｃｏｎｔｉｎｕｏｕｓ ａｔｍｏｓｐｈｅｒｉｃ ＣＯ２ ｒｅｃｏｒｄ ｆｒｏｍ
Ｂａｒｉｎｇ Ｈｅａｄ， Ｎｅｗ Ｚｅａｌａｎｄ． Ｂｉｏｇｅｏｓｃｉｅｎｃｅｓ， ２０１３， １０：
２６８３－２６９７
［１２］　 Ｃｈｅｎ Ｈ⁃Ｙ （陈海颖）， Ｘｕ Ｓ⁃Ｑ （许苏清）， Ｓｕｎ Ｑ （孙
强）， ｅｔ ａｌ． Ｒｅｔｒｉｅｖｉｎｇ ａｔｍｏｓｐｈｅｒｉｃ ＣＯ２ ｐｒｏｆｉｌｅ ｏｖｅｒ
Ｓｏｕｔｈｅｒｎ Ｏｃｅａｎ ｆｒｏｍ ｕｎｄｅｒ ｗａｙ ａｎｄ ＡＩＲＳ ｄａｔａ． Ｊｏｕｒｎａｌ
ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ （遥感学报）， ２０１３， １７（２）： ３８８－
３９８ （ｉｎ Ｃｈｉｎｅｓｅ）
［１３］　 Ｎａｋａｚａｗａ Ｔ， Ｍｉｙａｓｈｉｔａ Ｋ， Ａｏｋｉ Ｓ， ｅｔ ａｌ． Ｔｅｍｐｏｒａｌ ａｎｄ
ｓｐａｔｉａｌ ｖａｒｉａｔｉｏｎｓ ｏｆ ｕｐｐｅｒ ｔｒｏｐｏｓｐｈｅｒｉｃ ａｎｄ ｌｏｗｅｒ ｓｔｒａｔｏ⁃
ｓｐｈｅｒｉｃ ｃａｒｂｏｎ ｄｉｏｘｉｄｅ． Ｔｅｌｌｕｓ Ｂ： Ｃｈｅｍｉｃａｌ ａｎｄ Ｐｈｙｓｉｃａｌ
Ｍｅｔｅｏｒｏｌｏｇｙ， ２０１１， ４３： １０６－１１７
［１４］　 Ｚｏｕ Ｍ⁃Ｍ （邹铭敏）， Ｃｈｅｎ Ｌ⁃Ｆ （陈良富）， Ｔａｏ Ｊ⁃Ｈ
（陶金花）， ｅｔ ａｌ． Ｔｅｍｐｅｒａｔｕｒｅ ｓｅｎｓｉｔｉｖｉｔｙ ａｎａｌｙｓｉｓ ｏｆ
ｃａｒｂｏｎ ｄｉｏｘｉｄｅ ｍｅａｓｕｒｅｍｅｎｔ ｉｎ ＳＷＩＲ ｂａｎｄ． Ｊｏｕｒｎａｌ ｏｆ
Ｉｎｆｒａｒｅｄ ａｎｄ Ｍｉｌｌｉｍｅｔｅｒ Ｗａｖｅｓ （红外与毫米波学报），
２０１２（５）： ４５５－４６４ （ｉｎ Ｃｈｉｎｅｓｅ）
［１５］　 Ｗａｎｇ Ｃ⁃Ｋ （王长科）， Ｗａｎｇ Ｙ⁃Ｓ （王跃思）， Ｌｉｕ Ｇ⁃Ｒ
（刘广仁）． Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｏｆ ａｔｍｏｓｐｈｅｒｉｃ ＣＯ２ ｖａｒｉａｔｉｏｎｓ
ａｎｄ ｓｏｍｅ ａｆｆｅｃｔｉｎｇ ｆａｃｔｏｒｓ ｉｎ ｕｒｂａｎ ａｒｅａ ｏｆ Ｂｅｉｊｉｎｇ． Ｅｎｖｉ⁃
ｒｏｎｍｅｎｔａｌ Ｓｃｉｅｎｃｅ （环境科学）， ２００３， ７（４）： １３－１７
（ｉｎ Ｃｈｉｎｅｓｅ）
［１６］　 Ｚｈａｏ Ｄ⁃Ｈ （赵德华）， Ｏｕｙａｎｇ Ｙ （欧阳琰）， Ｑｉ Ｊ⁃Ｇ
（齐家国）， ｅｔ ａｌ． Ｎｅａｒ⁃ｓｕｒｆａｃｅ ａｔｍｏｓｐｈｅｒｉｃ ｐｒｏｐｅｒｔｉｅｓ
ａｌｏｎｇ ａｎ ｕｒｂａｎ ｃｅｎｔｅｒ⁃ｓｕｂｕｒｂａｎ⁃ｕｒｂａｎ ｆｏｒｅｓｔ ｇｒａｄｉｅｎｔ ｉｎ
ｓｕｍｍｅｒ ｉｎ Ｎａｎｊｉｎｇ Ｃｉｔｙ． Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （生态学
报）， ２００９， ２９（１２）： ６６５４－６６６３ （ｉｎ Ｃｈｉｎｅｓｅ）
［１７］ 　 Ｉｄｓｏ ＣＤ， Ｉｄｓｏ ＳＢ， Ｂａｌｌｉｎｇ ＲＣ． Ａｎ ｉｎｔｅｎｓｉｖｅ ｔｗｏ⁃ｗｅｅｋ
ｓｔｕｄｙ ｏｆ ａｎ ｕｒｂａｎ ＣＯ２ ｄｏｍｅ ｉｎ Ｐｈｏｅｎｉｘ， Ａｒｉｚｏｎａ， ＵＳＡ．
Ａｔｍｏｓｐｈｅｒｉｃ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００１， ３５： ９９５－１０００
［１８］　 Ｇｅｏｒｇｅ Ｋ， Ｚｉｓｋａ ＬＨ， Ｂｕｎｃｅ ＪＡ， ｅｔ ａｌ． Ｅｌｅｖａｔｅｄ ａｔｍｏｓ⁃
ｐｈｅｒｉｃ ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ ａｎｄ ｔｅｍｐｅｒａｔｕｒｅ ａｃｒｏｓｓ ａｎ ｕｒ⁃
ｂａｎ⁃ｒｕｒａｌ ｔｒａｎｓｅｃｔ． Ａｔｍｏｓｐｈｅｒｉｃ Ｅｎｖｉｒｏｎｍｅｎｔ， ２００７， ４１：
７６５４－７６６５
［１９］　 Ｗａｎｇ Ｌ⁃Ｗ （王莉雯）， Ｗｅｉ Ｙ⁃Ｘ （卫亚星）． Ｓｉｍｕｌａｔｉｏｎ
ｏｆ ｓｐａｔｉａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｃａｒｂｏｎ ｅｍｉｓｓｉｏｎｓ ｉｎ Ｓｈｅｎｙａｎｇ
Ｃｉｔｙ ｂａｓｅｄ ｏｎ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ａｎｄ ＧＩＳ． Ｒｅｓｏｕｒｃｅｓ Ｓｃｉｅｎｃｅ
（资源科学）， ２０１２， ３４（２）： ３２８－３３６ （ｉｎ Ｃｈｉｎｅｓｅ）
［２０］ 　 Ｏｕ ＪＰ， Ｌｉｕ ＸＰ， Ｌｉ Ｘ， ｅｔ ａｌ． Ｑｕａｎｔｉｆｙｉｎｇ ｔｈｅ ｒｅｌａｔｉｏｎ⁃
ｓｈｉｐ ｂｅｔｗｅｅｎ ｕｒｂａｎ ｆｏｒｍｓ ａｎｄ ｃａｒｂｏｎ ｅｍｉｓｓｉｏｎｓ ｕｓｉｎｇ
ｐａｎｅｌ ｄａｔａ ａｎａｌｙｓｉｓ． Ｌａｎｄｓｃａｐｅ Ｅｃｏｌｏｇｙ， ２０１３， ２８：
１８８９－１９０７
［２１］　 Ｙａｓｕｙｏ Ｍ， Ｄｈａｋａｌ Ｓ， Ｙａｍａｇａｔａ Ｙ． Ｒｅｌａｔｉｏｎｓｈｉｐ ｂｅ⁃
ｔｗｅｅｎ ｕｒｂａｎ ｆｏｒｍ ａｎｄ ＣＯ２ ｅｍｉｓｓｉｏｎｓ： Ｅｖｉｄｅｎｃｅ ｆｒｏｍ ｆｉｆ⁃
ｔｙ Ｊａｐａｎｅｓｅ ｃｉｔｉｅｓ． Ｕｒｂａｎ Ｃｌｉｍａｔｅ， ２０１２， ２： ５５－６７
［２２］　 Ｅｗｉｎｇ Ｒ， Ｐｅｎｄａｌｌ Ｒ， Ｃｈｅｎ Ｄ． Ｍｅａｓｕｒｉｎｇ ｓｐｒａｗｌ ａｎｄ ｉｔｓ
ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｉｍｐａｃｔｓ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｒｅｓｅａｒｃｈ Ｒｅｃｏｒｄ，
２００３， １８３１： １７５－１８３
［２３］　 Ｆｒａｎｋ ＬＤ， Ｓｔｏｎｅ Ｂ， Ｂａｃｈｍａｎ Ｗ． Ｌｉｎｋｉｎｇ ｌａｎｄ ｕｓｅ ｗｉｔｈ
ｈｏｕｓｅｈｏｌｄ ｖｅｈｉｃｌｅ ｅｍｉｓｓｉｏｎｓ ｉｎ ｔｈｅ ｃｅｎｔｒａｌ Ｐｕｇｅｔ Ｓｏｕｎｄ：
Ｍｅｔｈｏｄｏｌｏｇｉｃａｌ ｆｒａｍｅｗｏｒｋ ａｎｄ ｆｉｎｄｉｎｇｓ． Ｔｒａｎｓｐｏｒｔａｔｉｏｎ
Ｒｅｓｅａｒｃｈ Ｐａｒｔ Ｄ： Ｔｒａｎｓｐｏｒｔ ａｎｄ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０００， ５：
１７３－１９６
［２４］　 Ｆｒａｎｋ ＬＤ， Ｓａｌｌｉｓ ＪＦ， Ｃｏｎｗａｙ ＴＬ， ｅｔ ａｌ． Ｍａｎｙ ｐａｔｈｗａｙｓ
ｆｒｏｍ ｌａｎｄ ｕｓｅ ｔｏ ｈｅａｌｔｈ： Ａｓｓｏｃｉａｔｉｏｎｓ ｂｅｔｗｅｅｎ ｎｅｉｇｈｂｏｒ⁃
ｈｏｏｄ ｗａｌｋａｂｉｌｉｔｙ ａｎｄ ａｃｔｉｖｅ ｔｒａｎｓｐｏｒｔａｔｉｏｎ， ｂｏｄｙ ｍａｓｓ ｉｎ⁃
ｄｅｘ， ａｎｄ ａｉｒ ｑｕａｌｉｔｙ． Ｊｏｕｒｎａｌ ｏｆ ｔｈｅ Ａｍｅｒｉｃａｎ Ｐｌａｎｎｉｎｇ
Ａｓｓｏｃｉａｔｉｏｎ， ２００６， ７２： ７５－８７
［２５］　 Ｂｏｒｒｅｇｏ Ｃ， Ｍａｒｔｉｎｓ Ｈ， Ｔｃｈｅｐｅｌ Ｏ， ｅｔ ａｌ． Ｈｏｗ ｕｒｂａｎ
ｓｔｒｕｃｔｕｒｅ ｃａｎ ａｆｆｅｃｔ ｃｉｔｙ ｓｕｓｔａｉｎａｂｉｌｉｔｙ ｆｒｏｍ ａｎ ａｉｒ ｑｕａｌｉｔｙ
ｐｅｒｓｐｅｃｔｉｖｅ． Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｍｏｄｅｌｌｉｎｇ ａｎｄ Ｓｏｆｔｗａｒｅ，
２００６， ２１： ４６１－４６７
［２６］　 Ｗａｎｇ Ｌ （王　 雷）， Ｌｉ Ｃ⁃Ｃ （李丛丛）， Ｙｉｎｇ Ｑ （应　
９２１２７期　 　 　 　 　 　 　 　 　 　 　 潘　 晨等： 上海市近地面 ＣＯ２浓度及其与下垫面特征的定量关系　 　 　 　 　 　
清）， ｅｔ ａｌ． Ｃｈｉｎａ’ｓ ｕｒｂａｎ ｅｘｐａｎｓｉｏｎ ｆｒｏｍ １９９０ ｔｏ ２０１０
ｄｅｔｅｒｍｉｎｅｄ ｗｉｔｈ ｓａｔｅｌｌｉｔｅ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ． Ｃｈｉｎａ Ｓｃｉｅｎｃｅ
Ｂｕｌｌｅｔｉｎ （科学通报）， ２０１２， ５７（１６）： １３８８－１４０３ （ ｉｎ
Ｃｈｉｎｅｓｅ）
［２７］　 Ｓｈａｎｇｈａｉ Ｍｕｎｉｃｉｐａｌ Ｓｔａｔｉｓｔｉｃｓ Ｂｕｒｅａｕ （上海市统计局）．
Ｓｈａｎｇｈａｉ Ｓｔａｔｉｓｔｉｃａｌ Ｙｅａｒｂｏｏｋ ２０１３． Ｂｅｉｊｉｎｇ： Ｃｈｉｎａ Ｓｔａ⁃
ｔｉｓｔｉｃｓ Ｐｒｅｓｓ， ２０１３ （ｉｎ Ｃｈｉｎｅｓｅ）
［２８］　 Ｏｌｉｖｉｅｒ Ｊ， Ｊａｎｓｓｅｎｓ ＭＧ． Ｐａｒｔ ＩＩＩ： Ｇｒｅｅｎｈｏｕｓｅ⁃Ｇａｓ Ｅｍｉｓ⁃
ｓｉｏｎｓ ／ ／ Ｏｒｇａｎｉｚａｔｉｏｎ ｆｏｒ Ｅｃｏｎｏｍｉｃ Ｃｏ⁃ｏｐｅｒａｔｉｏｎ ａｎｄ Ｄｅ⁃
ｖｅｌｏｐｍｅｎｔ， ｅｄ． ＣＯ２ Ｅｍｉｓｓｉｏｎｓ ｆｒｏｍ Ｆｕｅｌ Ｃｏｍｂｕｓｔｉｏｎ．
Ｐａｒｉｓ， Ｆｒａｎｃｅ： Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｅｎｅｒｇｙ Ａｇｅｎｃｙ， ２０１１： ８９－
１２０
［２９］　 Ｂａｌｌｉｎｇ ＲＣ， Ｃｅｒｖｅｎｙ ＲＳ， Ｉｄｓｏ ＣＤ． Ｄｏｅｓ ｔｈｅ ｕｒｂａｎ ＣＯ２
ｄｏｍｅ ｏｆ Ｐｈｏｅｎｉｘ， Ａｒｉｚｏｎａ ｃｏｎｔｒｉｂｕｔｅ ｔｏ ｉｔｓ ｈｅａｔ ｉｓｌａｎｄ？
Ｇｅｏｐｈｙｓｉｃａｌ Ｒｅｓｅａｒｃｈ Ｌｅｔｔｅｒｓ， ２００１， ２８： ４５９９－４６０１
［３０］　 Ｒｉｄｄ ＭＫ． Ｅｘｐｌｏｒｉｎｇ ａ Ｖ⁃Ｉ⁃Ｓ （ｖｅｇｅｔａｔｉｏｎ⁃ｉｍｐｅｒｖｉｏｕｓ ｓｕｒ⁃
ｆａｃｅ⁃ｓｏｉｌ） ｍｏｄｅｌ ｆｏｒ ｕｒｂａｎ ｅｃｏｓｙｓｔｅｍ ａｎａｌｙｓｉｓ ｔｈｒｏｕｇｈ
ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ： Ｃｏｍｐａｒａｔｉｖｅ ａｎａｔｏｍｙ ｆｏｒ ｃｉｔｉｅｓ． Ｉｎｔｅｒｎａ⁃
ｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ， １９９５， １６： ２１６５ －
２１８５
［３１］　 Ｄｅｎｇ Ｙ⁃Ｊ （邓玉娇）， Ｋｕａｎｇ Ｙ⁃Ｑ （匡耀求）， Ｈｕａｎｇ
Ｎ⁃Ｓ （黄宁生）， ｅｔ ａｌ． Ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ａｎａｌｙｓｉｓ ｏｆ ｕｒｂａｎ
ｔｈｅｒｍａｌ ｅｎｖｉｒｏｎｍｅｎｔ ｃｈａｎｇｅｓ ｕｎｄｅｒ ｂａｃｋｇｒｏｕｎｄ ｏｆ ｅｎ⁃
ｈａｎｃｅｄ ｇｒｅｅｎｈｏｕｓｅ ｅｆｆｅｃｔ： Ａｎ ｅｘａｍｐｌｅ ｏｆ Ｄｏｎｇｇｕａｎ，
Ｇｕａｎｇｄｏｎｇ． Ｓｃｉｅｎｔｉａ Ｇｅｏｇｒａｐｈｉｃａ Ｓｉｎｉｃａ （地理科学），
２００８， ２８（６）： ８１４－８１９ （ｉｎ Ｃｈｉｎｅｓｅ）
［３２］　 Ｌｉ Ｘ⁃Ｙ （李昕瑜）， Ｄｕ Ｐ⁃Ｊ （杜培军）， Ａｌｉ Ｍ⁃Ｓ （阿里
木 赛买提）． Ｓｐａｔｉａｌ⁃ｔｅｍｐｏｒａｌ ａｎａｌｙｓｉｓ ｏｆ ｕｒｂａｎ ｈｅａｔ ｉｓ⁃
ｌａｎｄ ｅｆｆｅｃｔ ａｎｄ ｓｕｒｆａｃｅ ｐａｒａｍｅｔｅｒｓ ｖａｒｉａｔｉｏｎ ｉｎ Ｎａｎｊｉｎｇ
Ｃｉｔｙ． Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ ｆｏｒ Ｌａｎｄ ａｎｄ Ｒｅｓｏｕｒｃｅｓ （国土资源
遥感）， ２０１４， ２６（２）： １７７－１８３ （ｉｎ Ｃｈｉｎｅｓｅ）
［３３］　 Ｘｕ Ｈ⁃Ｑ （徐涵秋）． Ｑｕａｎｔｉｔａｔｉｖｅ ａｎａｌｙｓｉｓ ｏｎ ｔｈｅ ｒｅｌａ⁃
ｔｉｏｎｓｈｉｐ ｏｆ ｕｒｂａｎ ｉｍｐｅｒｖｉｏｕｓ ｓｕｒｆａｃｅ ｗｉｔｈ ｏｔｈｅｒ ｃｏｍｐｏ⁃
ｎｅｎｔｓ ｏｆ ｔｈｅ ｕｒｂａｎ ｅｃｏｓｙｓｔｅｍ． Ａｃｔａ Ｅｃｏｌｏｇｉｃａ Ｓｉｎｉｃａ （生
态学报）， ２００９， ２９（５）： ２４５６－２４６２ （ｉｎ Ｃｈｉｎｅｓｅ）
［３４］ 　 Ｘｕ ＨＱ． Ｍｏｄｉｆｉｃａｔｉｏｎ ｏｆ ｔｈｅ ｎｏｒｍａｌｉｚｅｄ ｄｉｆｆｅｒｅｎｃｅ ｗａｔｅｒ
ｉｎｄｅｘ （ＮＤＷＩ） ｔｏ ｅｎｈａｎｃｅ ｏｐｅｎ ｗａｔｅｒ ｆｅａｔｕｒｅｓ ｉｎ ｒｅ⁃
ｍｏｔｅｌｙ ｓｅｎｓｅｄ ｉｍａｇｅｒｙ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｒｅｍｏｔｅ
Ｓｅｎｓｉｎｇ， ２００６， ２７： ３０２５－３０３３
［３５］　 Ｐｕ Ｊ⁃Ｊ （浦静姣）， Ｘｕ Ｈ⁃Ｈ （徐宏辉）， Ｇｕ Ｊ⁃Ｑ （顾俊
强）， ｅｔ ａｌ． Ｓｔｕｄｙ ｏｎ ｔｈｅ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｖａｒｉａｔｉｏｎ ｏｆ ＣＯ２
ｉｎ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ ａｒｅａ ｏｆ Ｙａｎｇｔｚｅ Ｒｉｖｅｒ Ｄｅｌｔａ． Ｃｈｉｎａ
Ｅｎｖｉｒｏｎｍｅｎｔａｌ Ｓｃｉｅｎｃｅ （中国环境科学）， ２０１２， ３２
（６）： ９７３－９７９ （ｉｎ Ｃｈｉｎｅｓｅ）
［３６］　 Ｗｅｉ Ｍ （韦 　 铭）． Ｔｈｅ ｆｏｒｅｓｔ ｃｏｖｅｒａｇｅ ｒａｔｅ ｏｆ Ｎａｎｊｉｎｇ
ｏｖｅｒ ３５％ ｂｅｃａｕｓｅ ｏｆ ｔｈｅ ｓｔｒａｔｅｇｙ ｎａｍｅｄ ｇｒｅｅｎ Ｎａｎｊｉｎｇ
ｃａｒｒｉｅｄ ｏｕｔ ｆｏｒ １２ ｙｅａｒｓ． Ｄａｉｌｙ Ｎａｎｊｉｎｇ， ２０１４⁃０１⁃３１ （ｉｎ
Ｃｈｉｎｅｓｅ）
［３７］　 Ｌｉｕ Ｑ （刘 　 强）， Ｗａｎｇ Ｙ⁃Ｓ （王跃思）， Ｗａｎｇ Ｍ⁃Ｘ
（王明星）， ｅｔ ａｌ． Ｔｒｅｎｄｓ ｏｆ ｇｒｅｅｎｈｏｕｓｅ ｇａｓｅｓ ｉｎ ｒｅｃｅｎｔ
１０ ｙｅａｒｓ ｉｎ Ｂｅｉｊｉｎｇ． Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ａｔｍｏｓｐｈｅｒｉｃ Ｓｃｉ⁃
ｅｎｃｅｓ （大气科学）， ２００５， ２９（２）： ２６７－２７０ （ ｉｎ Ｃｈｉ⁃
ｎｅｓｅ）
［３８］　 Ｗａｎｇ Ｙ⁃Ｓ （王跃思）， Ｗａｎｇ Ｃ⁃Ｋ （王长科）， Ｇｕｏ Ｘ⁃Ｑ
（郭雪清）， ｅｔ ａｌ． Ｄｉｕｒｎａｌ ｖａｒｉａｔｉｏｎ， ｓｅａｓｏｎａｌ ｖａｒｉａｔｉｏｎ
ａｎｄ ｌｏｎｇ⁃ｔｅｒｍ ｔｒｅｎｄｓ ｏｆ ａｔｍｏｓｐｈｅｒｉｃ ＣＯ２ ｃｏｎｃｅｎｔｒａｔｉｏｎ ｉｎ
Ｂｅｉｊｉｎｇ． Ｃｈｉｎｅｓｅ Ｓｃｉｅｎｃｅ Ｂｕｌｌｅｔｉｎ （科学通报）， ２００２，
４７（１４）： １１０８－１１１２ （ｉｎ Ｃｈｉｎｅｓｅ）
［３９］　 Ｂｅｒｇｅｒｏｎ Ｏ， Ｓｔｒａｃｈａｎ ＩＢ． ＣＯ２ ｓｏｕｒｃｅｓ ａｎｄ ｓｉｎｋｓ ｉｎ ｕｒ⁃
ｂａｎ ａｎｄ ｓｕｂｕｒｂａｎ ａｒｅａｓ ｏｆ ａ ｎｏｒｔｈｅｒｎ ｍｉｄ⁃ｌａｔｉｔｕｄｅ ｃｉｔｙ．
Ａｔｍｏｓｐｈｅｒｉｃ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１１， ４５： １５６４－１５７３
［４０］　 Ｎｏｒｄｂｏ Ａ， Ｊａｒｖｉ Ｌ， Ｈａａｐａｎａｌａ Ｓ， ｅｔ ａｌ． Ｆｒａｃｔｉｏｎ ｏｆ ｎａ⁃
ｔｕｒａｌ ａｒｅａ ａｓ ｍａｉｎ ｐｒｅｄｉｃｔｏｒ ｏｆ ｎｅｔ ＣＯ２ ． Ｇｅｏｐｈｙｓｉｃａｌ Ｒｅ⁃
ｓｅａｒｃｈ Ｌｅｔｔｅｒｓ， ２０１２， ３９： Ｌ２０８０２． ｄｏｉ： １０． １０２９ ／
２０１２ｇｌ０５３０８７
［４１］　 Ｃｒａｗｆｏｒｄ Ｂ， Ｇｒｉｍｍｏｎｄ ＣＳＢ， Ｃｈｒｉｓｔｅｎ Ａ． Ｆｉｖｅ ｙｅａｒｓ ｏｆ
ｃａｒｂｏｎ ｄｉｏｘｉｄｅ ｆｌｕｘｅｓ ｍｅａｓｕｒｅｍｅｎｔｓ ｉｎ ａ ｈｉｇｈｌｙ ｖｅｇｅｔａｔｅｄ
ｓｕｂｕｒｂａｎ ａｒｅａ． Ａｔｍｏｓｐｈｅｒｉｃ Ｅｎｖｉｒｏｎｍｅｎｔ， ２０１１， ４５：
８９６－９０５
［４２］　 Ｍｏｒｉｗａｋｉ Ｒ， Ｋａｎｄａ Ｍ． Ｓｅａｓｏｎａｌ ａｎｄ ｄｉｕｒｎａｌ ｆｌｕｘｅｓ ｏｆ
ｒａｄｉａｔｉｏｎ， ｈｅａｔ， ｗａｔｅｒ ｖａｐｏｒ， ａｎｄ ｃａｒｂｏｎ ｄｉｏｘｉｄｅ ｏｖｅｒ ａ
ｓｕｂｕｒｂａｎ ａｒｅａ． Ｊｏｕｒｎａｌ ｏｆ Ａｐｐｌｉｅｄ Ｍｅｔｅｏｒｏｌｏｇｙ， ２００４，
４３： １７００－１７１０
作者简介　 潘　 晨，男，１９９０年生，硕士研究生． 主要从事城
市生态环境遥感研究． Ｅ⁃ｍａｉｌ： ｐｃｐｃ１９９０１１１６＠ ｇｍａｉｌ．ｃｏｍ
责任编辑　 杨　 弘
０３１２ 应　 用　 生　 态　 学　 报　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 　 ２６卷