下载:
-
洋白蜡Fraxinus pennsylvanica是中国重要的造林绿化树种，也是北京市使用频度最高的行道树种之一，其形体端正，枝叶繁茂而鲜绿，秋叶橙黄，不仅美观性强，还能捕获大量空气中的颗粒物，降低风速，改善城市空气质量[1]。行道树是城市绿地系统的骨干，以“线”的形式联系着城市中分散的“点”和“面”的绿化，构成完整的城市森林生态系统[2]。行道树在缓解城市热岛效应[3]、净化空气[4]、改善城市环境及维护城市内部生物多样性[5]等方面均能起到显著作用，其健康状况不仅反映了城市绿化质量高低，同时也是景观效果及生态效益得以发挥的重要基础。行道树易受人为活动的干扰，生长空间受限及后期疏于管护，易出现树势衰弱、腐烂空洞及病虫害频发等问题，存在较高的安全隐患，限制其景观和生态效益的发挥[6]。
近年来，层次分析法[7-9]、主成分分析[10-11]、综合打分法[12]、树木活力度分级[13]等方法广泛应用于树木健康评价中。不同评价方法各有优劣，评价结果精度也不尽相同，整体呈现出多方法相结合的发展趋势[14-16]。针对行道树开展健康评价研究，尚未形成实用性强的评价体系。基于此，本研究在北京市核心区11条街道洋白蜡行道树调查结果基础上，结合行道树生境、管护措施等多方面因素，运用主成分分析及聚类分析建立洋白蜡行道树健康评价体系，采用判别分析进行结果验证，并基于验证结果建立BP神经网络预测模型，以期了解北京市核心区洋白蜡行道树健康状况，为行道树快速、准确的健康评价提供技术支撑。
-
调查于2018年夏季进行。选取分布于北京市核心区多个方位、包含多种道路类型的11条行道树为洋白蜡的街道。随机选取每条街道2侧各至少20株样树，对其生长状况、环境条件等指标进行每木调查，共计调查870株洋白蜡。道路概况见表1。
表 1 研究区域道路概况
Table 1. Roads’ profile in study area
道路名称 单向车道数 道路走向 道路类型 行政区划 道路名称 单向车道数 道路走向 道路类型 行政区划 南礼士路二条 1 东西 支路 西城 青年沟路 1 东西 次干路 东城 南纬路 2 东西 次干路 西城 先农坛西路 1 南北 支路 西城 燕京北街 1 东西 支路 西城 二七剧场路 1 南北 支路 西城 史家胡同 1 东西 支路 东城 南花市大街 2 南北 次干路 东城 西兴隆街 1 东西 支路 东城 德胜门内大街 2 南北 次干路 西城 崇文门西大街 3 东西 主干道 东城 -
将指标中定性数据量化后，与定量数据相结合，共同构建洋白蜡行道树健康评价指标体系。本研究参考汪瑛[2]、邵鹏[6]、余韵[18]以及DB 11/T1692—2019《城市树木健康诊断技术规程》[19]的指标选择和赋值原则，从行道树树冠、树干、根部的生长状况及病虫害、环境条件及管护等多个角度建立指标体系，共选取12个评价指标。所选指标及赋值原则如下：①长势与枯枝(x1)：冠形饱满、长势良好无枯枝，赋值为4；树冠缺损和枯枝率≤10%，为轻度，赋值为3；树冠缺损和枯枝率为10%~≤30%，为中度，赋值为2；树冠缺损严重和枯枝率＞30 %，为重度，赋值为1。②枝叶茂密程度(x2)：非常茂密赋值为3；茂密赋值为2；不茂密赋值为1。③树干异常音(x3)：木槌敲击树干，无异常音，赋值为3；轻微异常音，赋值为2；异常音较大，赋值为1。④树干完整度(x4)：树干表皮无腐朽损伤，赋值为4；损伤度≤1/3，赋值为3；腐朽损伤度为1/3~≤1/2时，赋值为2；损伤度＞1/2，赋值为1。其中，损伤度=树干表皮最大损伤宽度/树干周长。⑤基部空洞程度(x5)：树干基部空洞深度占树干基部直径的比例，用钢钎测量。目测无空洞，赋值为4；存在空洞情况，空洞程度≤1/3，赋值为3；空洞程度为1/3~≤1/2时，赋值为2，损伤度＞1/2，赋值为1。⑥根部腐朽程度(x6)：用钢钎测量。如钢钎无法插入，则无腐朽，赋值为4；插入深度≤5 cm，为轻度，赋值为3；插入深度为5~≤20 cm时，则为中度，赋值为2；深度＞20 cm，则为重度腐朽，赋值为1。⑦修枝愈合率(x7)：伤口愈合良好的修枝数量占修枝总量的比例。⑧修枝留茬(x8)：无修枝留茬，赋值为4；留茬数为1 个即为轻度，赋值为3；留茬数为2~3个即为中度，赋值为2；留茬数为3个以上即为重度，赋值为1。⑨病虫害情况(x9)：该指标结合叶片病虫害受害率、树干部病虫害受害率、异色叶比例3个方面进行考量。叶片病虫害受害率=受害叶片数量/叶总量；树干部病虫害受害率=受害宽度/周长；异色叶比例=异常叶色数量/叶总量，其中受害宽度指寄生物危害、病害及虫害等致树干部位受到损伤的最大宽度，周长指受害部位所在位置的枝干周长。无病虫害、无叶色异常、无羽化孔和排粪孔，赋值为4；存在排粪孔或1个羽化孔，叶色异常≤30%，叶片或树干部受害率≤1/3，满足其中任意1项为轻度，赋值为3；存在2~5个羽化孔、叶色异常为30%~≤50%、叶片或树干部受害率为1/3~≤1/2时，满足其中任意1项为中度，赋值为2；存在5个及以上羽化孔，叶色异常比例＞50%，叶片或树干部受害率＞1/2，满足其中任意1项为重度，赋值为1。⑩环境影响(x10)：生长空间充足无遮荫，有防踩铺装且透水性良好，无根系裸露，赋值为4；生长空间稍狭，有防踩铺装但透水性差或存在轻微根系裸露现象，赋值为3；阻碍交通、生长空间受限、无防踩铺装或存在1/3~≤1/2根系裸露，赋值为2；生长空间严重受限(距离建筑物≤1 m)、基部晃动或＞1/2根系裸露，赋值为1。⑪冠穴比(x11)：
$\mathrm{冠}\mathrm{穴}\mathrm{比}={\mathrm{{\text{π}} }\;{\left(\dfrac{1}{4}\displaystyle \sum\limits _{i=1}^{4}{{W_{{\rm{C}}_i}}}\right)}^{2}}/{A_{{\rm{TP}}}}$ 。⑫冠高比(x12)：$\mathrm{冠}\mathrm{高}\mathrm{比}= {\dfrac{1}{2}\displaystyle \sum\limits _{i=1}^{4}{W_{{\rm{C}}_i}}}/{H}$ ，其中：${W_{{\rm{C}}_i}} $ 表示东、西、南、北4个方向的冠幅之和，ATP表示树池面积，H表示树高。 -
本研究所选取的评价指标均为正向指标。将12个指标数据进行归一化处理[20]；采用主成分分析法计算相关系数矩阵、特征值和方差贡献率，得到因子载荷矩阵，提取特征值大于1且累计方差贡献率70%以上n个主成分F，得出主成分的表达式yi；再根据主成分的方差贡献率计算权重，从而得到主成分综合健康得分表达式Z；对健康综合得分进行K-means聚类分析，评定树木健康等级，结果共分为健康、亚健康、不健康及濒死4个层次；然后采用判别分析对评价结果进行验证。
-
BP神经网络是基于误差反向传播算法的多层前馈式神经网络(multiple-layer feedforward network)，由输入层、隐藏层和输出层构成，其基本思想是学习过程由信号的正向传播与误差的反向传播2个过程组成，不断调整各层神经元的权值及阈值，进行误差校正，使训练的网络达到最优[21]，具有较强的非线性适应性和多维函数映射能力[20,22]。
基于MATLAB R2019b工具箱nftool环境设计了1个3层BP神经网络，将归一化后的指标数据及评价结果类别分别作为输入层及输出层。根据经验公式[20]，计算隐含层单元数，后通过试错法[21]对比，确定最终隐含层数量。采用均方误差(EMS)与相关系数(R)对模型性能进行评估[23]。
-
采用SPSS 26和MATLAB R2019b分别进行数据统计分析及构建神经网络模型，利用单因素方差分析(one-way ANOVA)和DUNCAN进行多重比较。
-
样本数据通过KMO (K＞0.5)和Bartlett (P＜0.05)球形检验，对数据进行主成分分析，选择特征根值＞1的前6个主成分作为洋白蜡行道树健康评价的综合指标。结果如表2。
表 2 主成分特征根及方差贡献率
Table 2. Principal component characteristic root and variance contribution rates
主成分 特征根 方差贡献率(wi)/% 累计方差贡献率(W)/% 主成分 特征根 方差贡献率(wi)/% 累计方差贡献率(W)/% F1 1.952 16.264 16.264 F4 1.137 9.477 52.449 F2 1.712 14.267 30.531 F5 1.102 9.179 61.629 F3 1.493 12.441 42.972 F6 1.008 8.396 70.025 说明：F1~F6为前6个主成分。i=1, 2, 3 -
根据表3，构建前6个主成分与洋白蜡行道树综合指标之间的线性关系yi。
表 3 因子载荷矩阵
Table 3. Factor load matrix
指标 主成分 指标 主成分 F1 F2 F3 F4 F5 F6 F1 F2 F3 F4 F5 F6 x1 0.492 −0.312 0.211 −0.168 0.351 0.291 x7 0.781 −0.156 −0.398 0.091 −0.180 0.019 x2 0.409 0.109 0.047 −0.325 0.636 0.148 x8 0.722 −0.280 −0.370 0.169 −0.260 0.045 x3 0.328 0.533 0.369 −0.206 −0.300 0.031 x9 0.272 0.319 0.110 −0.320 0.222 −0.401 x4 0.294 0.534 0.234 −0.174 −0.426 0.002 x10 −0.116 0.066 0.263 0.062 −0.104 0.816 x5 0.161 0.060 0.337 0.696 0.258 −0.164 x11 −0.041 0.675 −0.473 0.043 0.219 0.111 x6 0.290 0.364 0.357 0.518 0.108 −0.012 x12 −0.136 0.482 −0.644 0.177 0.125 0.177 $$ {y}_{1} = 0.352{x}_{1} + 0.293{x}_{2} + 0.235{x}_{3} + 0.210{x}_{4} + 0.115{x}_{5} + 0.208{x}_{6} + 0.559{x}_{7} + 0.517{x}_{8}+0.195{x}_{9}-0.083{x}_{10}-0.029{x}_{11}-0.097{x}_{12} ；$$ $$ {y}_{2} = -0.238{x}_{1} + 0.083{x}_{2} + 0.407{x}_{3} + 0.408{x}_{4} + 0.046{x}_{5} + 0.278{x}_{6} - 0.119{x}_{7} - 0.214{x0}_{8} + 0.244{x}_{9} + 0.050{x}_{10} + 0.516{x}_{11} + 0.368{x}_{12} ；$$ $$ {y}_{3}=0.173{x}_{1} + 0.038{x}_{2} + 0.302{x}_{3} + 0.192{x}_{4} + 0.276{x}_{5} + 0.292{x}_{6} - 0.326{x}_{7} - 0.303{x}_{8}+0.090{x}_{9}+0.215{x}_{10}-0.387{x}_{11}-0.527{x}_{12} ；$$ $$ {y}_{4} = -0.158{x}_{1} - 0.305{x}_{2} - 0.193{x}_{3} - 0.163{x}_{4} + 0.653{x}_{5} + 0.486{x}_{6} + 0.085{x}_{7} + 0.158{x}_{8} - 0.300{x}_{9} + 0.058{x}_{10}+0.040{x}_{11}+0.166{x}_{12}； $$ $$ {y}_{5}=0.334{x}_{1} + 0.606{x}_{2} - 0.286{x}_{3} - 0.406{x}_{4} + 0.246{x}_{5} + 0.103{x}_{6} - 0.171{x}_{7} - 0.248{x}_{8} + 0.211{x}_{9} - 0.099{x}_{10}+0.209{x}_{11}+0.119{x}_{12}； $$ $$ {y}_{6}=0.290{x}_{1} + 0.147{x}_{2} + 0.031{x}_{3} + 0.002{x}_{4} - 0.163{x}_{5} - 0.012{x}_{6} + 0.019{x}_{7} + 0.045{x}_{8} - 0.399{x}_{9} + 0.813{x}_{10}+0.111{x}_{11}+0.176{x}_{12}。 $$ 基于以上，按照公式
$ Z=({w}_{1}{y}_{1}+{w}_{2}{y}_{2}+{w}_{3}{y}_{3}+\dots +{w}_{n}{y}_{n})/W $ ，可得最终模型为：$ Z=(16.264{y}_{1}+ 14.267{y}_{2}+ 12.441{y}_{3}+9.477{y}_{4}+9.179{y}_{5}+8.396{y}_{6})/70.025 $ 。 -
采用K-means聚类和判别分析分别进行分类和准确性检验，由表4可见：研究区域有洋白蜡健康树341株；亚健康树359株；不健康树146株；濒死树24株。线性判别结果可知：K-means分类结果不存在任何分类争议，正确率达100%。
表 4 基于K-means聚类分析的健康判别结果
Table 4. Health discrimination results based on K-means clustering analysis
健康等级 线性判别分析 健康/株 亚健康/株 不健康/株 濒死/株 总计/株 健康 341 0 0 0 341 亚健康 0 359 0 0 359 不健康 0 0 146 0 146 濒死 0 0 0 24 24 总计 341 359 146 24 870 -
结果表明：健康的洋白蜡有341株，占比39.20%，平均得分为1.0222；亚健康的洋白蜡有359株，占比41.26%，平均得分为0.9374；不健康的洋白蜡有146株，占比16.78%，平均得分为0.8377；濒死的洋白蜡有24株，占比2.76%，平均得分为0.6064。每条道路的洋白蜡健康状况见表5。洋白蜡行道树总体平均得分为0.9448，在该评价系统中属于亚健康等级，核心区洋白蜡行道树健康状况整体呈中上等水平，约19%的树木健康状况较差，亟需进一步加强管理。
表 5 11条道路洋白蜡的健康状况
Table 5. Health condition of F. pennsylvanica in 11 roads
道路名称 健康树 亚健康树 不健康树 濒死树 总数/株 数量/株 比例/% 数量/株 比例/% 数量/株 比例/% 数量/株 比例/% 南礼士路二条 3 5.40 22 39.30 19 33.90 12 21.40 56 南纬路 21 47.70 18 40.90 5 11.40 0 0.00 44 燕京北街 51 63.00 26 32.10 4 4.90 0 0.00 81 史家胡同 10 16.70 34 56.70 13 21.70 3 5.00 60 西兴隆街 38 52.80 29 40.30 4 5.60 1 1.40 72 崇文门西大街 20 30.30 41 62.10 4 6.10 1 1.50 66 青年沟路 69 32.40 79 37.10 60 28.20 5 2.30 213 先农坛西路 18 41.90 22 51.20 3 7.00 0 0.00 43 二七剧场路 24 40.00 22 36.70 13 21.70 1 1.70 60 南花市大街 46 69.70 17 25.80 3 4.50 0 0.00 66 德胜门内大街 41 37.60 49 45.00 18 16.50 1 0.90 109 总数 341 39.20 359 41.26 146 16.78 24 2.76 870 -
将归一化后的12个指标数据作为输入层；将4个评价结果，即健康、亚健康、不健康和濒死，分别与(1，0，0，0) (0，1，0，0) (0，0，1，0) (0，0，0，1)一一对应，作为期望输出。隐含层通过试错法最终确定为10个。确定的网络拓扑结构为“12-10-4”(图1)。
图 1 BP神经网络模型的拓扑结构
Figure 1. Topological structure of BP neural network model
训练及验证样本从样本数据中随机选取，且无交集。用于训练、验证及测试的样本数分别为608、131及131个。图2为神经网络EMS的曲线图。由图2可知：当训练步数增加时，模型误差曲线逐渐逼近误差的最优值。当模型迭代18次时，验证误差达到0.0104，网络训练稳定且迅速收敛，说明该模型能够满足需求。
图 2 BP神经网络模型的误差下降曲线图
Figure 2. Error decline curve of BP neural network model
图3表示4个数据集的期望值及预测值之间的比较情况。当验证误差为0.0104时，建立的神经网络模型中的训练集、验证集、测试集与总体数据的相关系数分别为0.9997、0.9720、0.9976及0.9953，均大于0.9500，表明建立的BP神经网络模型对于训练集、验证集、测试集和总体样本都有很好的逼近能力，能较好地反映洋白蜡行道树12个评价指标与健康评价等级之间关系，故BP神经网络预测模型在洋白蜡健康状况评价中有较好的适用性。
图 3 期望值和预测值的相关系数
Figure 3. Correlation coefficient between measured and predicted values
-
研究区域洋白蜡行道树胸径平均值为31.88 cm，约68.20%的洋白蜡树胸径集中分布在20~40 cm，总体呈现左偏正态分布的趋势。单因素方差分析(表6)可知：胸径对洋白蜡行道树的健康状况影响达显著水平(P＜0.05)。当胸径≥10~＜60 cm时，呈现随着胸径增加，综合健康评分随之下降的趋势，但在胸径≥60~＜70 cm时，健康综合得分达最大值，且显著高于胸径≥30~＜60 cm区间内的3个水平(P＜0.05)。
表 6 胸径对洋白蜡健康状况的影响
Table 6. Effects of DBH on the health status of F. pennsylvanica
胸径/cm 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥10~＜20 82 0.96±0.07 ab 0.71 1.15 0.01 ≥20~＜30 354 0.96±0.08 ab 0.39 1.15 0.00 ≥30~＜40 241 0.93±0.11 a 0.45 1.10 0.01 ≥40~＜50 132 0.93±0.09 a 0.45 1.07 0.01 ≥50~＜60 54 0.92±0.10 a 0.47 1.08 0.01 ≥60~＜70 7 0.99±0.06 b 0.88 1.06 0.02 说明：不同字母表示不同胸径间差异显著(P＜0.05) 调查区域内树高平均值为11.78 m。由表7可知：洋白蜡树高大多数≥6~＜18 m，占比95.75%，其他范围分布较少；洋白蜡健康综合得分与树高间的关系整体呈正相关，但并未达到显著水平。
表 7 树高对洋白蜡健康状况的影响
Table 7. Effects of tree height on the health status of F. pennsylvanica
树高/m 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜6 8 0.89±0.12 a 0.64 1.00 0.04 ≥6~＜12 494 0.94±0.10 a 0.45 1.15 0.00 ≥12~＜18 339 0.95±0.09 a 0.39 1.15 0.00 ≥18~＜24 29 0.95±0.05 a 0.84 1.05 0.01 说明：不同字母表示不同树高间差异显著(P＜0.05) -
不规范的修枝方法会导致树体留茬，而留茬处往往易腐烂进而导致分枝处更大面积腐烂等，如不及时清除，腐烂可蔓延至主干木质部，威胁行道树的健康。由表8可知：存在修枝留茬的洋白蜡行道树占比56.90%，留茬数多为1~3个，3个以上的相对较少。修枝留茬现象对于健康综合得分影响显著(P＜0.05)，无留茬的洋白蜡健康得分显著高于存在留茬的得分，但留茬数量对行道树健康综合得分无显著影响。
表 8 修枝留茬对洋白蜡健康状况的影响
Table 8. Effects of pruning stubble on the health status of F. pennsylvanica
修枝留茬/个 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 0 375 0.97±0.08 b 0.58 1.15 0.00 1 215 0.94±0.10 a 0.39 1.08 0.01 2~3 180 0.92±0.11 a 0.45 1.10 0.01 ＞3 100 0.92±0.08 a 0.56 1.06 0.01 说明：不同字母表示不同修枝留茬数间差异显著(P＜0.05) 调查区域内，88.16%的树池有防踩实措施，主要包括毛毡子、梅花砖、塑料篦子+塑料+石子等模式。不同铺装材料的透水性差异较大，影响土壤的水分、养分循环及树体的吸收，从而影响树木健康状况。由表9可知：防踩铺装的铺设及材料透水性显著影响洋白蜡健康状况(P＜0.05)，采用透水性强的铺装材料的洋白蜡行道树的健康综合得分最高，显著高于无铺装和透水性差的铺装。
表 9 树池防踩铺装情况对洋白蜡健康状况的影响
Table 9. Effects of anti-stepping paving condition on the health status of F. pennsylvanica
防踩铺装 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 无铺装 103 0.88±0.12 a 0.45 1.05 0.01 透水性强铺装 748 0.95±0.09 b 0.39 1.15 0.00 透水性差铺装 19 0.91±0.10 a 0.62 1.03 0.02 说明：不同字母表示不同防踩铺装间差异显著(P＜0.05) -
株距限制着行道树生长范围，过小会导致树木地上和地下生长空间压缩，限制树木树冠及根系伸展，加剧土壤营养资源的争夺，进而导致生长所需矿质养分不足。调查区域内，株距平均值为5.38 m，最大值25.00 m，最小值1.50 m。株距对洋白蜡的健康状况存在显著影响(P＜0.05)，株距≥0~＜5 m时，洋白蜡健康得分为最低，显著低于其他株距范围；当株距≥5 m时，洋白蜡健康得分并不会随着株距增加而产生显著的变化(表10)。
表 10 株距对洋白蜡健康状况的影响
Table 10. Effects of plant spacing on the health status of F. pennsylvanica
株距/m 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜5 68 0.90±0.11 a 0.45 1.09 0.01 ≥5~＜10 750 0.95±0.09 b 0.39 1.15 0.00 ≥10 52 0.94±0.09 b 0.66 1.05 0.01 说明：不同字母表示不同株距间差异显著(P＜0.05) 行道树树池是城市道路绿化景观的节点。树池面积过小会导致土壤透水透气不良，树木根系伸展和生长状况不佳；过大的树池又会占用过多城市道路硬质地面，对行人行车造成妨碍。表11可知：调查区域内树池面积大多为≥1~＜2 m2，占比88.74%，且在此树池面积下生长的洋白蜡行道树具有最高的健康综合得分，与其余树池面积下的洋白蜡健康得分差异显著(P＜0.05)。
表 11 树池面积对洋白蜡健康状况的影响
Table 11. Effects of tree pool area on the health status of F. pennsylvanica
树池面积/m2 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜1 9 0.90±0.10 a 0.64 0.99 0.03 ≥1~＜2 772 0.95±0.09 b 0.39 1.15 0.00 ≥2 89 0.90±0.11 a 0.45 1.04 0.01 说明：不同字母表示不同树池面积间差异显著(P＜0.05) 车道数以及车道走向对于洋白蜡健康状况均有显著的影响(P＜0.05)。表12可知：洋白蜡健康得分随车道数的增加呈先上升后下降的趋势，当车道数为2条时，洋白蜡的健康状况最佳，显著高于车道数为1条时的健康得分，而与车道数为3条时差异不大；车道走向决定了行道树接受日照的情况，车道为南北走向时，洋白蜡健康状况显著优于东西走向(P＜0.05)(表13)。
表 12 单向车道数对洋白蜡健康状况的影响
Table 12. Effects of the number of unidirectional traffic lanes on the health status of F. pennsylvanica
单向车
道数/条样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 1 585 0.93±0.10 a 0.39 1.12 0.00 2 219 0.97±0.07 b 0.64 1.15 0.00 3 66 0.95±0.06 ab 0.70 1.07 0.01 说明：不同字母表示不同单向车道数间差异显著(P＜0.05) 表 13 车道走向对洋白蜡健康状况的影响
Table 13. Effects of directions of traffic lanes on the health status of F. pennsylvanica
车道走向 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 东西 592 0.94±0.10 a 0.39 1.15 0.00 南北 278 0.96±0.07 b 0.64 1.15 0.00 说明：不同字母表示不同车道走向间差异显著(P＜0.05) -
本研究采用主成分分析计算北京市核心区洋白蜡行道树的健康综合得分，采用聚类分析进行结果分类，采用判别分析法进行结果验证，分类结果与实际生长状况基本一致。将行道树健康状况评价指标和分类结果构建的拓扑结构为“12-10-4”的BP神经网络预测模型，结果表明：训练集和测试集均方误差均小于0.0104，且训练集、测试集及总集相关系数均＞0.990 0，说明BP神经网络模型能准确地反映洋白蜡行道树12个评价指标与健康评价类别的关系。与传统树木健康评价方法相比，该方法避免了庞杂的计算，从而实现对同一地区洋白蜡行道树健康状况的快速、准确评价。
本研究所选指标覆盖了行道树的树冠、树干及根部的健康状况以及行道树的生长环境条件及管护情况等因素，并引入“冠穴比”及“冠高比”2个指标，将各定性指标进行分级、量化分析，研究结果表明：在所调查的870株洋白蜡中，健康、亚健康、不健康及濒死单株分别占39.20%、41.26%、16.78%及2.76%。可以看出：多数洋白蜡生长状况良好，极少部分洋白蜡生长状况堪忧，处于濒死状态，亟需处理。这一结果与邵鹏[6]、余韵[18]的研究结果基本一致。同时，本研究得到的健康评价结果与洋白蜡实际生长状况一致，表明本研究建立的健康评价模型在北京市核心区洋白蜡行道树健康评价中有很好的适用性。
-
树木的健康状况与年龄紧密相关[10]。本研究结果表明：洋白蜡胸径为60~＜70 cm时，健康状况最好。这可能是由于胸径在此范围的洋白蜡树龄较大，栽植时间长，生长状况稳定的缘故；当胸径为10~＜60 cm，呈现随胸径增加，洋白蜡健康得分随之下降的趋势，这与李佳慧等[10]对北京市核心区国槐Sophora japonica行道树的评价结果基本一致。城市行道树受人为活动影响较大。调查发现：约87%的洋白蜡存在不同程度的枯枝状况，约27%的洋白蜡存在由车辆剐蹭、修枝等造成的树皮损伤，约57%的洋白蜡存在由修枝不当造成的不同程度的修枝留茬。建议规范行道树修枝技术，及时去除枯枝并合理处理受损部位。行道树树池防踩铺装材料的不同影响着植物吸收水分及养分的过程。北京核心区树池铺装材料多采用透水砖、石子、毛毡子、铁篦子等。研究结果表明：在铺装材料透水性强树池中生长的洋白蜡，健康状况显著优于不铺装及铺装透水性差条件下的洋白蜡。这一结果与赵丹等[24]、李佳慧等[10]的研究结果基本一致。
行道树位于道路两侧。城市下垫面性质的改变，压缩了行道树生长的环境空间，阻碍了土壤水分的移动与循环，限制了行道树的生长[25]。株距、树池面积一定程度上决定了行道树的生长及管护空间，而车道数及车道走向决定着道路宽度及树体生长位置，影响着树体接受日照情况[6, 18]。本研究发现：株距、树池面积、车道数及走向都显著影响着行道树的健康状况，当保持洋白蜡行道树株距≥5 m、树池面积≥1~＜2 m2、车道数为2条且车道为南北走向时，洋白蜡健康状况较为理想。当株距≥5 m时，随着距离继续增大，洋白蜡的健康状况不再发生显著的变化。随着树池面积和车道数增加，洋白蜡健康得分均呈现先上升后下降的趋势。这可能是随着生长范围及道路宽度的增加，生长空间及光照情况已不再是限制行道树健康的主要因素，而人为踩踏、车辆剐蹭等其他因素影响逐渐占据主导地位。当树池面积＜2 m2时，树池的防踩铺装率为91.29%，树池面积≥2 m2时，防踩铺装率仅为60.67%。树池的防踩铺装率下降往往会导致人为踩踏的增加，导致土壤板结，影响行道树生长。这可能是导致树池面积增大但洋白蜡健康状况却显著下降的原因之一。本研究发现：车道走向对行道树健康状况影响显著，南北走向车道上的洋白蜡健康状况显著优于东西走向的洋白蜡。这是由于车道走向决定着树体的生长方位和接受日照情况。车道为东西走向时，南侧及北侧行道树受日照时间差异较大，北侧行道树接受日照时间相比南侧更长，而车道为南北走向时，东西两侧行道树接受日照角度及日照时间基本相同[18, 26]，因此整体生长状况更好。道路状况往往还受到周边建筑物密度及高度、道路硬质铺装、车流量等多方面影响，因此仍需进一步探究。
Health assessment and influencing factors of Fraxinus pennsylvanica in Beijing core area
-
摘要:
目的 针对城市树木健康评价的快速化、准确化及生产化，调查并分析北京市首都功能核心区主要绿化树种洋白蜡Fraxinus pennsylvanica的生长、健康及管护现状，为构建精炼、全面的洋白蜡行道树健康评价体系及管护技术措施提供科学依据。 方法 以北京市核心区11条主要街道的洋白蜡行道树为研究对象，采用主成分分析、K-means聚类构建健康评价模型，采用判别分析进行结果验证，将评价结果与评价指标结合建立洋白蜡BP神经网络健康预测模型；同时从生长状况、管护措施以及环境因子3个方面，分析胸径、树高、修枝留茬数量、防踩铺装等因素对洋白蜡行道树健康状况的影响。 结果 研究区域中，健康、亚健康、不健康及濒死单株分别占总数的39.20%、41.26%、16.78%和2.76%；建立的BP神经网络健康预测模型中，训练集、验证集、测试集与总集的期望值与预测值之间的相关系数分别为0.999 7、0.972 0、0.997 6及0.995 3，均大于0.950 0，表明此模型能准确地反映洋白蜡行道树12个评价指标与健康评价类别的关系，可用于对同一地区其他白蜡行道树健康状况预测；方差分析和多重比较表明：胸径、修枝留茬、防踩铺装、株距、树池面积、车道数及车道走向均对洋白蜡行道树的健康状况存在显著影响(P＜0.05)，树高影响较小。当洋白蜡胸径为60~70 cm、树体无修枝留茬、树池铺装透水性好、株距为5~10 m、树池面积为1~2 m2、道路宽度适宜且为南北走向时，洋白蜡健康状况最好。 结论 研究区域内，洋白蜡行道树整体呈亚健康状态，具有良好的保育保养潜力，部分受害严重，亟需处理。在洋白蜡行道树栽植及后期管护中，确保其修剪规范、铺装材料透水强、株距5~10 m、树池面积1~2 m2以及适宜的道路情况，是保证洋白蜡行道树健康状况良好的重要措施。图3表13参26 Abstract:Objective For the rapid, accurate, and productive assessment of urban tree health, this study aims to investigate and analyze the growth, health, and management status of Fraxinus pennsylvanica in Beijing core functional area, so as to provide a scientific basis for comprehensive health assessment and technical measures for management and protection. Method Taking street trees of 11 main streets in the core area of Beijing as the research object, the health assessment model of F. pennsylvanica was constructed by principal component analysis and K-means clustering. The results were verified by discriminant analysis, and the BP neural network health prediction model was established by combining the assessment results with the assessment indexes. Meanwhile, the effects of DBH, tree height, the number of pruning stubble, anti-trampling pavement etc. on the health status of F. pennsylvanica were analyzed. Result The results indicated that healthy, sub-healthy, unhealthy, and dying plants accounted for 39.20%, 41.26%, 16.78%, and 2.76%, respectively. In the BP neural network health prediction model, the correlation coefficients between expected value and predicted value of the training set, verification set, test set, and total set were 0.9997, 0.9720, 0.9976 and 0.9953 respectively, all greater than 0.9500, indicating that the model could accurately reflect the relationship between 12 evaluation indexes and health assessment categories of F. pennsylvanica and could be used to predict the health status of other F. pennsylvanica in the same area. Variance analysis and multiple comparisons showed that DBH, pruning stubble, anti-trampling pavement, plant spacing, tree pool area, number of lanes and lane direction all had significant effects on the health status of F. pennsylvanica (P＜0.05), but tree height had little effect. The health condition of F. pennsylvanica was the best under the following conditions: 60−70 cm DBH, tree body without pruning stubble, tree pool pavement with good water permeability, 5−10 m tree spacing, 1−2 m2 tree pool area, suitable road width, and north-south direction. Conclusion F. pennsylvanica street trees in the study area are in a sub-health state on the whole, with good conservation and maintenance potential. However, some of them are seriously damaged and need to be dealt with urgently. In planting and management process, important measures should be taken to ensure the good status of F. pennsylvanica, such as standard pruning, strong water permeability of pavement materials, 5−10 m plant spacing, 1−2 m2 tree pool area, and suitable road conditions . [Ch, 3 fig. 13 tab. 26 ref.] -
近年来，国内绿道建设发展迅猛。目前，已有广东、浙江、河北、江苏、四川、福建、安徽、新疆等省(自治区)的众多城市开展了绿道网规划和建设工作。绿道网的规划建设行动源于对日趋严峻的城乡环境问题和对传统生态绿色空间保护政策实效的主动反思和应对，然而，在部分地区绿道建设的快速推进中也出现了绿道生态性不足，存在功能单一、基础设施缺乏、绿道特色欠缺等问题[1]。当前，亟需对已建成的绿道价值进行评价与分析，以便清晰地呈现绿道建设的综合效益，为科学规划和建设绿道提供参考和依据。国内对于绿道评价体系的研究已有一定积累，但多为对绿道某一方面的性质或功能评价，对于绿道服务价值全面系统的评价较少。研究主要集中在2个方面：一为景观资源评价，包括植物景观评价[2]和景观视觉评价等[3]；二是功能评价，包括生态效益评价[4-5]、休闲游憩功能评价[6]、生态系统服务功能评价[7]、使用后评价(POE)[8-9]和社会绩效评价[10]。此外，也有学者提出了以“使用者(人)—绿道(环境)”关系为中心的区域绿道网评价体系研究假设以及研究思路，但未进行实证研究[11]。“景观绩效”是“衡量景观解决方案在实现其预设目标的同时满足可持续性方面效率的指标”[12]，即基于可持续发展目标，从环境、经济、社会等3个方面对景观进行全面的绩效评价。其评价以生态系统服务为基础，补充适合景观研究内容的评价指标[13]，因此更具有针对性。美国景观设计基金会(Landscape Architecture Foundation，简称 LAF)于 2010 年提出“景观绩效系列”(Landscape Performance Series，简称 LPS)研究计划，针对已建成的景观项目，形成一套依托案例调查研究(case study investigation, CSI)的开放性评价体系。当前，景观绩效研究呈现迅速增长的发展态势[13]，其研究主要集中于评价指标的选取[14]、评价体系的构建[15-16]和评估方法的应用[17]等方面。国内景观绩效的研究多集中于较小尺度风景园林的建成项目[18-19]，或景观绩效中某些可持续特征的部分[13,20]，缺少对大尺度区域景观的研究，对建成项目从环境、经济、社会等3个方面进行全面评价的研究也较少。为此，笔者依托案例研究，尝试对浙江青山湖国家森林公园环湖绿道1期的景观绩效进行评价，以期全面评估绿道的综合价值，为绿道的设计与建设提供参考，并向社会传播绿道的综合价值。
1. 研究地概况与研究方法
1.1 研究地概况
浙江省杭州市临安区青山湖国家森林公园环湖绿道(简称“青山湖绿道”)1期，曾入选2017年“浙江省十大经典绿道”，并获2018年浙江建设工程“钱江杯”一等奖，2019年度中国风景园林学会科学技术奖一等奖。青山湖绿道位于杭州市临安区锦城镇东郊。青山湖为大型人工湖，水域开阔，湖山一体，环湖森林覆盖率79%，自然景色优美，生态环境优越。青山湖绿道沿湖而建，连接城、村、湖、山，全长42.195 km，分3期建设，于2019年7月全线贯通。本研究区段为青山湖绿道1期，长10 km，于2017年1月建成开放。
1.2 评价方法
根据中国住房与城乡建设部2016年9月编制的《绿道规划设计导则》(简称《导则》)，郊野型绿道的功能包括生态环保、休闲健身、社会与文化、旅游与经济[21]。其中，生态环保作为其核心价值，体现在绿道有助于固土保水、净化空气、缓解热岛等，并为生物提供栖息地及迁徙廊道。以上功能与LPS中游径(trail，包含绿道类项目)[22]、滨水景观再开发(waterfront redevelopment)[23]等相关案例中所采用的评价指标(表1)高度吻合。另外，LPS基于可持续的发展目标，其经济评价指标还加入了节约建设成本。基于以上分析，结合青山湖绿道的实际情况，确定了本研究采用的景观绩效指标体系，包含环境、经济、社会等3个方面的17项指标(表2)。收集分析以上绩效数据，结合统计学、生态学、经济学、使用后评价等方法，进行景观绩效评价。
表 1 郊野型绿道的功能与LPS相关案例评价指标的对照表Table 1 Comparison between the function of country greenways and the evaluation indexes of LPS-related cases《绿道规划设计导则》中的郊野绿道功能 LPS相关案例采用的评价指标 生态环保 固土保水、净化空气、缓解热岛、生物提供栖息地及
迁徙廊道环境 土壤保护、水岸线保护、涵养水源、固碳释氧、空
气质量、调节气温和城市热岛效应、栖息地改善/
保护/创建/恢复旅游与经济 整合旅游资源，促进相关产业发展，提升沿线土地价值 经济 地产价值、工作岗位、旅游业收入、节约建设成本 休闲健身 提供亲近自然、游憩健身的场所和途径，倡导健康的生
活方式社会 娱乐及社会价值、文化保护、健康、教育、可达
性、景观质量社会与文化 连接城乡居民点、公共空间以及历史文化节点，保护和
利用文化遗产，促进人际交往、社会和谐与文化传承表 2 郊野型滨水绿道景观绩效指标体系Table 2 Country waterfront greenway landscape performance indicators system环境绩效 经济绩效 社会绩效 土壤保护 房产价值 文化保护 水岸线保护 工作岗位 健康 涵养水源 旅游业收入 教育价值 固碳释氧 节约建设成本 可达性 调节气温 娱乐及社会价值 景观质量 净化空气 增加物种多样性、
提高生态完整性等1.2.1 环境绩效评价方法
在LPS的案例中，环境绩效的评价多通过相应的绩效评估工具集进行计算，但由于本研究场地尺度较大，利用工具集评估所需的部分数据获取较为困难，故本研究的环境绩效评价，主要参考了欧阳志云等[24]对中国陆地生态系统服务功能进行评估时所综合运用的生态学及经济学方法。吴隽宇[8]曾采用此方法对珠江三角洲区域绿道1号线进行评估。首先确定绿道线路、类型和控制范围，再对其相应的生态系统面积进行计算。研究采用的绿道图纸由绿道的设计单位提供。《浙江省绿道规划设计技术导则》[25]规定，根据绿道所处区域和功能要求，分为城镇型绿道、乡野型绿道、山地型绿道3种类型。其中，乡野型绿道是指城镇规划建设用地范围外，依托林地、园地、湿地、水体、农田，连接风景名胜区、旅游度假区、历史文化名镇名村、农业观光区、特色乡村、农家乐等的绿道。乡野型绿道的总宽度一般不小于100 m。青山湖绿道依托青山湖国家森林公园，一面临水，一面靠山，属于该导则中的乡野型绿道。本研究将100 m作为其控制范围的宽度。以青山湖绿道1期的总体平面图为基本研究范围，将卫星图片导入Auto CAD软件，依据其控制范围的宽度，描绘其具体范围。再根据卫星图片及实地踏勘，确定绿道沿线生态系统的类型，主要包括林地、耕地、草地、湿地、水域等5种类型。根据设计单位提供的信息，在Auto CAD软件中分层描绘，并统计新增及因绿道建设而被保护的各类型生态系统的面积。在此基础上，分别计算其保持土壤、涵养水源、固碳释氧、调节气温、净化空气等方面的环境绩效。
1.2.2 经济绩效评价方法
经济绩效的评估采用市场价值法。工作岗位数据源自现场调研，旅游业收入的数据来自于对绿道周边乡村村委会的调研，节约建设成本的数据由绿道设计单位提供。
1.2.3 社会绩效评价方法
社会绩效的评估主要采用使用后评价、问卷调查等方法。在2017年3−5月、11月、2018年4月，本研究对583位场地使用者进行了现场问卷调查，其中有效问卷531份，问卷有效率91%。问卷内容根据社会绩效的相应指标设置，包括受访者对绿道的娱乐价值、文化保护、教育价值、景观质量评价，以及绿道对受访者健康的影响。
2. 结果与分析
2.1 环境绩效评价
根据彭建等[26]的经验，生态系统面积为有效林地、草地、湿地沼泽和水域面积的和，其中有效林地面积=林地面积+耕地面积×0.2(表3)。
表 3 青山湖绿道1期生态系统面积Table 3 Ecosystem area of Qingshan Lake Greenway Phase I有效林地/hm2 草地/hm2 湿地沼泽/hm2 水域/hm2 生态系统面积/hm2 针叶林 阔叶林 耕地(按0.2系数折算成林地) 1.670 13.692 0.896 7.198 17.250 0.134 40.840 2.1.1 保持土壤效益
保持土壤带来的经济价值，以林地、草地每年减少土壤侵蚀的总量为基础，计算林地、草地对表土损失、肥力损失和减轻泥沙淤积灾害3个方面的价值。(1)林地、草地每年减少的土壤侵蚀总量。潜在土壤侵蚀量是指无任何植被覆盖的情况下，土壤的最大侵蚀量。而不同植被覆盖下的土壤侵蚀量有很大差别。林地、草地减少的土壤侵蚀量=潜在土壤侵蚀量−林地、草地覆盖区土壤侵蚀量。本研究参考欧阳志云等[24]统计的侵蚀模数进行计算(表4~6)。(2)效益估算。①每年减少的土地损失面积及间接价值。根据土壤侵蚀量和土壤耕作层的平均厚度来推算土地损失面积。每年减少的土壤损失量按表5的平均值计，土壤密度以1.3 g·cm−3计，先算出每年减少的土壤损失量对应的体积。将中国耕作土壤的平均厚度0.5 m作为林地、草地的土层厚度[16]，进而算出每年林地、草地减少的土地损失面积分别为0.798、0.353 hm2·a−1。单位面积的生产收益根据2014年浙江省林业、牧业生产的平均收益2 224.8和1 489.7元·hm−2·a−1计算，则每年减少的林地、草地损失的经济价值分别为1 094、2 620元·a−1。②减少土壤肥力损失的间接效益。土壤侵蚀带走了大量的土壤营养物质，主要是土壤有机质、氮、磷、钾。根据实地调查，绿道所在区域土壤主要为红黄泥土，按照临安农林信息网[27]中红黄泥土的有机质、氮、磷、钾质量分数为标准，结合每年林地、草地分别减少的土壤损失平均值，估算林地、草地每年减少的有机质、氮、磷、钾元素的损失量分别为195.10 t·a−1、9.21 t·a−1、51.51 kg·a−1、1 075.05 kg·a−1。根据浙江价格网的公示，2018年第3季度浙江省化肥市场价格的平均值约2.52元·kg−1，据此可以估算林地、草地每年减少的土壤氮、磷、钾损失的经济价值为26 044元·a−1。③减少泥沙淤积的经济效益。根据中国主要流域的泥沙运动规律，一般土壤侵蚀流失的泥沙有24%淤积于水库、江河、湖泊，另有33%滞留，37%入海[28]。本研究仅考虑淤积于水库、江河、湖泊的24%，这部分泥沙直接造成蓄水量的下降。按林地、草地每年减少的土壤损失量平均值计算蓄水损失量，再根据蓄水成本计算其价值。按水库建设需投入成本5.714元·m−3计[29]，减少泥沙淤积的经济价值为7 897元·a−1。
表 4 每年林地草地的潜在土壤侵蚀量Table 4 Annual potential soil erosion of woodland and grassland侵蚀模数/(t·hm−2·a−1) 林地 草地 总潜在侵蚀量/(t·a−1) 面积/hm2 潜在侵蚀量/
(t·a−1)面积/hm2 潜在侵蚀量/
(t·hm−2·a−1)最低值 192.0 16.258 3 121.536 7.198 1 382.016 4 503.552 最高值 447.7 7 278.707 3 222.545 10 501.251 平均值 319.8 5 199.308 2 301.920 7 501.229 表 5 每年林地草地覆盖区的土壤侵蚀量Table 5 Annual soil erosion of woodland and grassland林地 草地 总侵蚀量/(t·a−1) 侵蚀模数/(t·hm−2·a−1) 面积/hm2 侵蚀量/(t·a−1) 侵蚀模数/(t·hm−2·a−1) 面积/hm2 侵蚀量/(t·a−1) 0.630 16.258 10.243 0.500 7.198 4.535 14.777 表 6 每年林地草地减少的土壤损失量Table 6 Annual reduction in soil loss of woodland and grassland林地减少的土壤损失量/(t·a−1) 草地减少的土壤损失量/(t·a−1) 总减少土壤损失量/(t·a−1) 最低值 3 111.293 最低值 1 377.481 4 488.775 最高值 7 268.464 最高值 3 218.010 10 486.474 平均值 5 189.066 平均值 2 297.386 7 486.452 综合以上，青山湖绿道1期每年保持土壤的总经济价值包括减少土壤损失面积的经济价值3 714元·a−1，减少土壤氮磷钾损失的经济价值26 044元·a−1，减少泥沙淤积的经济价值为7 897元·a−1，合计37 655元·a−1。
2.1.2 涵养水源效益
本研究采用替代工程法评估涵养水源的价值。根据浙江省杭州市临安区气象局的数据，临安多年年均降水量为1 506.0 mm。参考陈波等[30]对杭州西湖风景区绿地储水保土研究，假设降水的蒸散量为65%，则青山湖绿道1期每年截留水量为1 506.0 mm×35%×23.45 hm2=123 636.58 m3。单位库容的水库工程费用仍以5.714元·m−3计，则每年涵养水源价值为70.65万元·a−1。
2.1.3 固碳释氧效益
参考孙燕飞[31]在临安的研究，杉木Cunninghamia Lanceolata林的固碳量为2.44 t·hm−2·a−1，释氧量为6.52 t·hm−2·a−1；针阔混交林的固碳量为2.16 t·hm−2·a−1，释氧量为5.76 t·hm−2·a−1。根据温家石[32]对城市建成区所做研究，考虑到绿道的草坪修剪次数远低于城市内部，假设绿道的草坪修剪次数是后者的1/4，得出绿道草地固碳量6.68 t·hm−2·a−1，草地释氧量为11.55 t·hm−2·a−1。对于生态系统二氧化碳吸收功能经济价值的评估多采用碳税法和造林成本法[33]，并取两者的平均值。国际上通常采用瑞典碳税，折合人民币1 010元·t−1，中国造林成本折合为255元·t−1[34]。对于释放氧气的价值采用工业制氧法进行评估，中国工业制氧的平均成本为400元·t−1。经计算可得青山湖绿道1期每年固碳价值为5.17万元·a−1元，释放氧气价值为6.92万元·a−1。
2.1.4 调节气温效益
根据已有研究测定[35]，夏季绿地可从环境中吸收81.8 MJ·hm−2·d−1的热量，相当于189台空调机全天工作的制冷效果。室内空调机耗电0.86 kWh·h−1·台−1，电费按浙江省电费价格0.538元·kWh−1计，则绿地节约电费为2 098.7元·hm−2·d−1。按每年使用空调60 d计，则青山湖绿道1期每年调节气温所创造的价值为295.29万元·a−1。
2.1.5 净化空气效益
(1)吸收二氧化硫的价值。阔叶林对二氧化硫的吸收能力为88.65 kg·hm−2·a−1，针叶林对二氧化硫的平均吸收能力值为215.60 kg·hm−2·a−1，两者对二氧化硫的平均吸收能力为152.13 kg·hm−2·a−1，二氧化硫的治理代价为3 000元·t−1，得到吸收二氧化硫价值为0.74万元·a−1。(2)吸收氮氧化物的价值。目前，汽车尾气脱氮治理的代价是1.6万元·t−1。林地可吸收氮氧化物380 kg·hm−2·a−1，得到吸收氮氧化物价值为9.88万元·a−1。(3)滞尘价值。针叶林的滞尘能力为33.20 t·hm−2·a−1，阔叶林的滞尘能力为10.11 t·hm−2·a−1，平均为21.67 t·hm−2·a−1。削减粉尘价格为170元·t−1，则其滞尘价值为5.99万元·a−1。因此，绿道净化空气的总价值为16.61万元·a−1。
2.2 经济绩效评估
2.2.1 房产价值
绿道的建设，极大地改善了周边居民的生活环境。根据安居客网站的数据，绿道建设前的2015年11月与竣工投入使用后的2018年12月相比，紧邻绿道的房产单价增幅约27.76%，可见绿道对于房产价值提升有积极影响。
2.2.2 工作岗位和旅游业收入
绿道建成后为管理维护提供了20个就业岗位，为带动旅游业发展而提供了37个就业岗位。绿道建成后对周边如泥山湾村等乡村的农家乐、民宿等有显著促进作用。据不完全统计，该区域旅游产值增幅超过20.00%。
2.2.3 节约建设成本
回收利用场地遗留的废旧材料，如红砖、青砖、石等，节约了废旧材料外运与处理费用，以及购买等量新材料的材料费和运输费用，节约成本为23.33万元(表7)。利用原有水利废弃设施等构筑物而产生的节约费用，包括拆除、清运、处理费用，及新建相应设施的费用，合计66.75万元(表8)。
表 7 利用废旧建材产生的节约建设成本Table 7 Construction costs savings from the use of waste building materials废旧材料 工程量/ m3 外运处理总价/元 新材料单价(含材料费、运费)/元 新材料总价/元 合计节约建设成本/元 砖 4.4 132 730 3 212 3 344 卵石 16.3 489 330 5 379 5 868 景观石 233.4 2 334 810 189 054 191 388 老石板 54.0 162 603 32 562 32 724 合计 233 324 表 8 利用原有构筑物产生的节约建设成本Table 8 Construction costs savings from the use of existing structures构筑物名称 工程量/ m3 拆除、清运、处理费用/元 新建栈道基础费用/元 合计节约建设成本/元 钓鱼台 63 15 750 31 500 47 250 观星台 675 168 750 337 500 506 250 “鱼头”小品 51 12 750 25 500 38 250 青风徐来亭 101 25 250 50 500 75 750 合计 667 500 2.3 社会绩效评价
根据问卷调查统计结果，青山湖绿道在1期自开放以来，已吸引大量长期使用者，首次来绿道的人群比例较低；绿道的使用者主要来自临安本地，尽管绿道距离杭州主城区有36 km，依然吸引了不少来自杭州的游人。表9记述了社会绩效调查的结果。多数使用者认为绿道建设提升了城市形象，绿道设计体现了临安的历史文化。82.7%的受访者对绿道的骑行或步行体验表示满意。多数受访者认为绿道提升了其户外活动的参与度，近半数使用者表示绿道改变了其生活方式。在可达性方面，公共交通的可达性较差，间接导致了选择私家车出行的游人增多，在节假日游客高峰时期，交通及停车问题较为突出。10.0%的受访者表示绿道当前最突出的问题即到达绿道的路线不畅通。增设绿道附近的公交站点，是增强其可达性及缓解交通与停车压力的有效方式。作为郊野型绿道，青山湖绿道吸引游客的主要因素是其自然环境优美，而绿道设计中对于乡土材料的应用也受到了使用者的关注，57.0%的受访者表示对于可持续设计有了更深的了解。
表 9 青山湖绿道1期的景观绩效评价结果Table 9 Landscape performance evaluation results of Qingshan Lake Greenway Phase I类别 项目 指标 评价结果 环境
绩效土地 土壤保护 经济价值为3.8万元 水岸线保护 未进行评估 水 涵养水源 经济价值为70.65万元 碳及空
气质量固碳释氧 固碳价值为5.17万元，释氧价值为6.92万元 调节气温 经济价值为295.29万元 净化空气 经济价值为16.61万元 栖息地 增加物种多样性、提高
生态完整性等未进行评估 经济
绩效房产价值 绿道建设后，紧邻绿道的房产单价增幅约27.76% 工作岗位 绿道建成后管理维护提供了57个就业岗位 旅游业收入 绿道拉动了地方旅游业的发展，旅游产值增幅超过20.00% 节约建设成本 利用废旧建材节约23.33万元，利用原有构筑物设节约66.75万元 社会
绩效娱乐及社会价值 531名受访者中有82.7%对绿道骑行或步行的体验是满意的，67.0%的受访者认为绿道建设提升了城市形象，有组织的大型徒步、毅行、马拉松活动达到近1.5万余人次 文化保护 73.4%的受访者表示绿道设计体现了临安的历史文化 健康 65%的受访者表示绿道提升了其户外活动的参与度，68%的受访者来绿道活动的目的是散 步，25%选择了旅游观光，17%选择了骑行，10%选择聚会；43%的受访者表示绿道改变 了其生活方式，骑行、散步、聚会、摄影、钓鱼等活动对其生活产生了积极影响； 82%的受访者表示愿意居住在步行可达的范围内 教育价值 9%的受访者表示来此地是为了研究学习，57%的受访者表示对于可持续设计有了更深 的了解 可达性 38%的受访者开私家车到达绿道，其次为步行占30%，骑自行车或电动自行车前来的 占20%，采用公交交通者仅占11% 景观质量 82%的受访者表示由于绿道自然环境优美而选择来此 3. 结论
在环境绩效评价中，青山湖绿道1期的相应经济价值约398.44万元·a−1，其中调节气温价值为295.29万元·a−1，占总价值的74%，其次为涵养水源价值为70.65万元·a−1，占总价值的18%，净化空气价值为16.61万元·a−1，固碳释氧价值为12.09万元·a−1，保持土壤的经济价值较低，为3.80万元·a−1。
在经济绩效评价中，青山湖绿道1期充分利用废旧建材与原有构筑物，节约建设成本约90.08万元；绿道建成后提供了新的工作岗位，拉动了当地旅游业发展。
在社会绩效评价中，绿道的建设提升了城市形象，体现了临安的历史文化，提升了人们的户外活动参与度，在一定程度上改变了人们的生活方式，大多数人因自然环境优美而来到绿道，超半数受访者表示对可持续设计有了更深的了解。
本研究的郊野型滨水绿道景观绩效进行了较为全面的评价，客观、清晰地呈现了绿道建设的综合效益。青山湖绿道1期的建设投入约7 200万元，仅以环境绩效价值398.44万元·a−1计算，约18 a可获得与建设投入相当的经济价值，而其对于地区发展和市民健康的促进也将产生更大的价值。对于场地中废旧建材与原有构筑物进行充分利用，能够创造较大的经济价值。
景观绩效评价可以更全面地考察、直观地展现绿道建成的综合价值，但因绿道的规模尺度较大，沿线的自然、人文资源类型丰富，需要在绿道建设前，即结合评价指标体系进行全面的数据收集，且此过程需要延续至项目建成后的数年，才能够得到更客观且全面的评价结果。本研究也存在一定局限，其中水岸线保护、栖息地恢复等指标由于原始数据缺失而无法获取；经济绩效中，房产价值的增长未排除绿道之外的其他要素影响比例；针对健康等方面的评价可在对使用者进行问卷调查的基础上，采用更完善的研究方法，以获得更客观、准确的结果。
4. 致谢
浙江农林大学风景园林与建筑学院史琰副教授对本文写作提供帮助，谨致谢意。
-
图 3 期望值和预测值的相关系数
Figure 3 Correlation coefficient between measured and predicted values
表 1 研究区域道路概况
Table 1. Roads’ profile in study area
道路名称 单向车道数 道路走向 道路类型 行政区划 道路名称 单向车道数 道路走向 道路类型 行政区划 南礼士路二条 1 东西 支路 西城 青年沟路 1 东西 次干路 东城 南纬路 2 东西 次干路 西城 先农坛西路 1 南北 支路 西城 燕京北街 1 东西 支路 西城 二七剧场路 1 南北 支路 西城 史家胡同 1 东西 支路 东城 南花市大街 2 南北 次干路 东城 西兴隆街 1 东西 支路 东城 德胜门内大街 2 南北 次干路 西城 崇文门西大街 3 东西 主干道 东城 
下载: 导出CSV
表 2 主成分特征根及方差贡献率
Table 2. Principal component characteristic root and variance contribution rates
主成分 特征根 方差贡献率(wi)/% 累计方差贡献率(W)/% 主成分 特征根 方差贡献率(wi)/% 累计方差贡献率(W)/% F1 1.952 16.264 16.264 F4 1.137 9.477 52.449 F2 1.712 14.267 30.531 F5 1.102 9.179 61.629 F3 1.493 12.441 42.972 F6 1.008 8.396 70.025 说明：F1~F6为前6个主成分。i=1, 2, 3
下载: 导出CSV
表 3 因子载荷矩阵
Table 3. Factor load matrix
指标 主成分 指标 主成分 F1 F2 F3 F4 F5 F6 F1 F2 F3 F4 F5 F6 x1 0.492 −0.312 0.211 −0.168 0.351 0.291 x7 0.781 −0.156 −0.398 0.091 −0.180 0.019 x2 0.409 0.109 0.047 −0.325 0.636 0.148 x8 0.722 −0.280 −0.370 0.169 −0.260 0.045 x3 0.328 0.533 0.369 −0.206 −0.300 0.031 x9 0.272 0.319 0.110 −0.320 0.222 −0.401 x4 0.294 0.534 0.234 −0.174 −0.426 0.002 x10 −0.116 0.066 0.263 0.062 −0.104 0.816 x5 0.161 0.060 0.337 0.696 0.258 −0.164 x11 −0.041 0.675 −0.473 0.043 0.219 0.111 x6 0.290 0.364 0.357 0.518 0.108 −0.012 x12 −0.136 0.482 −0.644 0.177 0.125 0.177
下载: 导出CSV
表 4 基于K-means聚类分析的健康判别结果
Table 4. Health discrimination results based on K-means clustering analysis
健康等级 线性判别分析 健康/株 亚健康/株 不健康/株 濒死/株 总计/株 健康 341 0 0 0 341 亚健康 0 359 0 0 359 不健康 0 0 146 0 146 濒死 0 0 0 24 24 总计 341 359 146 24 870
下载: 导出CSV
表 5 11条道路洋白蜡的健康状况
Table 5. Health condition of F. pennsylvanica in 11 roads
道路名称 健康树 亚健康树 不健康树 濒死树 总数/株 数量/株 比例/% 数量/株 比例/% 数量/株 比例/% 数量/株 比例/% 南礼士路二条 3 5.40 22 39.30 19 33.90 12 21.40 56 南纬路 21 47.70 18 40.90 5 11.40 0 0.00 44 燕京北街 51 63.00 26 32.10 4 4.90 0 0.00 81 史家胡同 10 16.70 34 56.70 13 21.70 3 5.00 60 西兴隆街 38 52.80 29 40.30 4 5.60 1 1.40 72 崇文门西大街 20 30.30 41 62.10 4 6.10 1 1.50 66 青年沟路 69 32.40 79 37.10 60 28.20 5 2.30 213 先农坛西路 18 41.90 22 51.20 3 7.00 0 0.00 43 二七剧场路 24 40.00 22 36.70 13 21.70 1 1.70 60 南花市大街 46 69.70 17 25.80 3 4.50 0 0.00 66 德胜门内大街 41 37.60 49 45.00 18 16.50 1 0.90 109 总数 341 39.20 359 41.26 146 16.78 24 2.76 870
下载: 导出CSV
表 6 胸径对洋白蜡健康状况的影响
Table 6. Effects of DBH on the health status of F. pennsylvanica
胸径/cm 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥10~＜20 82 0.96±0.07 ab 0.71 1.15 0.01 ≥20~＜30 354 0.96±0.08 ab 0.39 1.15 0.00 ≥30~＜40 241 0.93±0.11 a 0.45 1.10 0.01 ≥40~＜50 132 0.93±0.09 a 0.45 1.07 0.01 ≥50~＜60 54 0.92±0.10 a 0.47 1.08 0.01 ≥60~＜70 7 0.99±0.06 b 0.88 1.06 0.02 说明：不同字母表示不同胸径间差异显著(P＜0.05)
下载: 导出CSV
表 7 树高对洋白蜡健康状况的影响
Table 7. Effects of tree height on the health status of F. pennsylvanica
树高/m 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜6 8 0.89±0.12 a 0.64 1.00 0.04 ≥6~＜12 494 0.94±0.10 a 0.45 1.15 0.00 ≥12~＜18 339 0.95±0.09 a 0.39 1.15 0.00 ≥18~＜24 29 0.95±0.05 a 0.84 1.05 0.01 说明：不同字母表示不同树高间差异显著(P＜0.05)
下载: 导出CSV
表 8 修枝留茬对洋白蜡健康状况的影响
Table 8. Effects of pruning stubble on the health status of F. pennsylvanica
修枝留茬/个 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 0 375 0.97±0.08 b 0.58 1.15 0.00 1 215 0.94±0.10 a 0.39 1.08 0.01 2~3 180 0.92±0.11 a 0.45 1.10 0.01 ＞3 100 0.92±0.08 a 0.56 1.06 0.01 说明：不同字母表示不同修枝留茬数间差异显著(P＜0.05)
下载: 导出CSV
表 9 树池防踩铺装情况对洋白蜡健康状况的影响
Table 9. Effects of anti-stepping paving condition on the health status of F. pennsylvanica
防踩铺装 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 无铺装 103 0.88±0.12 a 0.45 1.05 0.01 透水性强铺装 748 0.95±0.09 b 0.39 1.15 0.00 透水性差铺装 19 0.91±0.10 a 0.62 1.03 0.02 说明：不同字母表示不同防踩铺装间差异显著(P＜0.05)
下载: 导出CSV
表 10 株距对洋白蜡健康状况的影响
Table 10. Effects of plant spacing on the health status of F. pennsylvanica
株距/m 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜5 68 0.90±0.11 a 0.45 1.09 0.01 ≥5~＜10 750 0.95±0.09 b 0.39 1.15 0.00 ≥10 52 0.94±0.09 b 0.66 1.05 0.01 说明：不同字母表示不同株距间差异显著(P＜0.05)
下载: 导出CSV
表 11 树池面积对洋白蜡健康状况的影响
Table 11. Effects of tree pool area on the health status of F. pennsylvanica
树池面积/m2 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 ≥0~＜1 9 0.90±0.10 a 0.64 0.99 0.03 ≥1~＜2 772 0.95±0.09 b 0.39 1.15 0.00 ≥2 89 0.90±0.11 a 0.45 1.04 0.01 说明：不同字母表示不同树池面积间差异显著(P＜0.05)
下载: 导出CSV
表 12 单向车道数对洋白蜡健康状况的影响
Table 12. Effects of the number of unidirectional traffic lanes on the health status of F. pennsylvanica
单向车
道数/条样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 1 585 0.93±0.10 a 0.39 1.12 0.00 2 219 0.97±0.07 b 0.64 1.15 0.00 3 66 0.95±0.06 ab 0.70 1.07 0.01 说明：不同字母表示不同单向车道数间差异显著(P＜0.05)
下载: 导出CSV
表 13 车道走向对洋白蜡健康状况的影响
Table 13. Effects of directions of traffic lanes on the health status of F. pennsylvanica
车道走向 样本量 健康综合得分 平均值±标准差 极小值 极大值 标准误 东西 592 0.94±0.10 a 0.39 1.15 0.00 南北 278 0.96±0.07 b 0.64 1.15 0.00 说明：不同字母表示不同车道走向间差异显著(P＜0.05)
下载: 导出CSV
-
[1] 周姝雯, 高菲, 马克明. 基于ENVI-met模型的北京市典型道路行道树树种优化研究[J]. 中国园林, 2020, 36(6): 141 − 144. ZHOU Shuwen, GAO Fei, MA Keming. Research on species optimization of typical road trees in Beijing based on ENVI-met [J]. Chin Landscape Archit, 2020, 36(6): 141 − 144. [2] 汪瑛. 北京市行道树结构分析与健康评价[D]. 北京: 中国林业科学研究院, 2011. WANG Ying. The Structural Analysis and Health Assessment of Roadside Trees in Beijing [D]. Beijing: Chinese Academy of Forestry, 2011. [3] CHOW W T L, ROTH M. Temporal dynamics of the urban heat island of Singapore [J]. Int J Climatol, 2006, 26(15): 2243 − 2260. [4] 潘辉, 刘晓华, 黄石德, 等. 城市行道树对道路空间CO浓度的影响[J]. 福建林学院学报, 2008, 28(4): 356 − 360. PAN Hui, LIU Xiaohua, HUANG Shide, et al. Effects of urban forest trees on CO concentration in street space [J]. J Fujian Coll For, 2008, 28(4): 356 − 360. [5] FERNÁNDEZ-JURICIC E. Avifaunal use of wooded streets in an urban landscape [J]. Conserv Biol, 2000, 14(2): 513 − 521. [6] 邵鹏. 北京城市核心区国槐行道树健康评价研究[D]. 北京: 北京林业大学, 2020. SHAO Peng. A Study on Health Assessment of Sophora japonica Street Trees in Beijing Urban Core Area [D]. Beijing: Beijing Forestry University, 2020. [7] 翁殊斐, 黎彩敏, 庞瑞君. 用层次分析法构建园林树木健康评价体系[J]. 西北林学院学报, 2009, 24(1): 177 − 181. WENG Shufei, LI Caimin, PANG Ruijun. Establishment of landscaping tree health assessment model using analytic hierarchy process [J]. J Northwest For Univ, 2009, 24(1): 177 − 181. [8] 游惠明, 游秀花, 陈笑玲, 等. 福州市行道树种综合评价与分级选择[J]. 中国城市林业, 2009, 7(1): 15 − 17. YOU Huiming, YOU Xiuhua, CHEN Xiaoling, et al. Integrated evaluation and selection of street trees species in Fuzhou City [J]. J Chin Urban For, 2009, 7(1): 15 − 17. [9] 罗贵斌. 汉中市中心城区常绿行道树综合评价[J]. 西北林学院学报, 2016, 31(2): 302 − 308. LUO Guibin. Comprehensive evaluation of the evergreen streettrees planted in the downtown of Hanzhong city [J]. J Northwest For Univ, 2016, 31(2): 302 − 308. [10] 李佳慧, 彭祚登, 刘勇, 等. 北京市首都功能核心区国槐健康评价及其影响因素研究[J]. 西北农林科技大学学报(自然科学版), 2021, 49(1): 64 − 73. LI Jiahui, PENG Zuodeng, LIU Yong, et al. Health evaluation and influencing factors of Sophora japonica in the capital functional core area of Beijing [J]. J Northwest A&F Univ Nat Sci Ed, 2021, 49(1): 64 − 73. [11] 杜甲宝, 潘盼, 杨芳绒. 主成分分析法在郑州市行道树综合性能评价研究中的应用[J]. 西北林学院学报, 2009, 24(3): 190 − 193. DU Jiabao, PAN Pan, YANG Fangrong. Application of principal component analysis method in the comprehensive function assessment of the street trees in Zhengzhou [J]. J Northwest For Univ, 2009, 24(3): 190 − 193. [12] 郄光发, 彭镇华, 王成. 北京城区银杏行道树生长现状与健康状况研究[J]. 林业科学研究, 2013, 26(4): 511 − 515. QIE Guangfa, PENG Zhenhua, WANG Cheng. Growth and health status of Ginkgo biloba in Beijing urban street area [J]. Res For, 2013, 26(4): 511 − 515. [13] 莫训强, 闫维, 陈小奎, 等. 活力度分级法在天津空港经济区行道树健康评价中的应用[J]. 国土与自然资源研究, 2012(1): 88 − 90. MO Xunqiang, YAN Wei, CHEN Xiaokui, et al. Application of street trees’ vigorous degree in greening management: a case of Tianjin airport economic area [J]. Territ Nat Resour Study, 2012(1): 88 − 90. [14] 马志林, 陈丽华, 于显威, 等. 北京西山地区不同林分健康状况比较研究[J]. 生态环境学报, 2010, 19(3): 646 − 651. MA Zhilin, CHEN Lihua, YU Xianwei, et al. Study on health assessment and comparison of different tree species in the west-mountains area, Beijing [J]. Ecol Environ Sci, 2010, 19(3): 646 − 651. [15] 姬文元, 邢韶华, 郭宁, 等. 川西米亚罗林区云冷杉林健康状况评价[J]. 林业科学, 2009, 45(3): 13 − 18. JI Wenyuan, XING Shaohua, GUO Ning, et al. Health evaluation on spruce and fir forests in Miyaluo of the western Sichuan [J]. Sci Silv Sin, 2009, 45(3): 13 − 18. [16] 朱宇, 刘兆刚, 金光泽. 大兴安岭天然落叶松林单木健康评价[J]. 应用生态学报, 2013, 24(5): 1320 − 1328. ZHU Yu, LIU Zhaogang, JIN Guangze. Health assessment of individual trees in natural Larix gmelinii forest in Great Xing’ an mountains of China [J]. Chin J Appl Ecol, 2013, 24(5): 1320 − 1328. [17] 张楠, 董丽, 郝培尧, 等. 北京市中心城区行道树结构的研究[J]. 中南林业科技大学学报, 2014, 34(5): 101 − 106. ZHANG Nan, DONG Li, HAO Peiyao, et al. Study on structure of street trees in central districts of Beijing [J]. J Cent South Univ For Technol, 2014, 34(5): 101 − 106. [18] 余韵. 北京城市核心区白蜡行道树健康评价研究[D]. 北京: 北京林业大学, 2020. YU Yun. A Study on Health Assessment of Roadside Trees Fraxinus ssp. in Core Area of Beijing [D]. Beijing: Beijing Forestry University, 2020. [19] 北京市市场监督管理局. 城市树木健康诊断技术规程: DB11/T 1692—2019 [S]. 北京: 中国标准出版社, 2019. Beijing Municipal Bureau of Market Supervision and Administration. Technical Regulations for Health Diagnosis of Urban Trees: DB11/T 1692−2019 [S]. Beijing: China Quality and Standards Publishing & Media Co. , Ltd. [20] HAN Xin, WEI Zheng, ZHANG Baozhong, et al. Crop evapotranspiration prediction by considering dynamic change of crop coefficient and the precipitation effect in back-propagation neural network model[J/OL]. J Hydrol, 2021, 596(3/4): 126104[2021-12-10]. doi: 10.1016/j.jhydrol.2021.126104. [21] 雷廷, 贾军元, 田福金, 等. 基于BP神经网络预测岩石导热系数[J]. 世界地质, 2021, 40(1): 131 − 139. LEI Ting, JIA Junyuan, TIAN Fujin, et al. Prediction of rock thermal conductivity based on BP neural network [J]. Glob Geol, 2021, 40(1): 131 − 139. [22] KUMAR M, RAGHUWANSHI N S, SINGH R. Artificial neural networks approach in evapotranspiration modeling: a review [J]. Irrig Sci, 2011, 29(1): 11 − 25. [23] HUANG Xiaoqiao, LI Qiong, TAI Yonghang, et al. Hybrid deep neural model for hourly solar irradiance forecasting [J]. Renewable Energy, 2021, 171: 1041 − 1060. [24] 赵丹, 李锋, 王如松. 城市地表硬化对植物生理生态的影响研究进展[J]. 生态学报, 2010, 30(14): 3923 − 3932. ZHAO Dan, LI Feng, WANG Rusong. Effects of ground surface hardening on plant eco-physiological progress inurban landscape [J]. Acta Ecol Sin, 2010, 30(14): 3923 − 3932. [25] 李科科, 李延明, 丛日晨, 等. 模拟道路种植环境对银杏生长的影响[J]. 中国园林, 2020, 36(7): 117 − 122. LI Keke, LI Yanming, CONG Richen, et al. Simulating the influence of road planting environment on the growth of Ginkgo biloba [J]. Chin Landscape Archit, 2020, 36(7): 117 − 122. [26] 吴迪. 基于日照分析的郑州市行道树配置模式研究[D]. 郑州: 河南农业大学, 2018. WU Di. Configuration Models Research of Avenue Trees Based on Sunlight Analysis in Zhengzhou City[D]. Zhengzhou: Henan Agricultural University, 2018. 期刊类型引用(4)
1. 李凡. 基于环境成本视角的流域生态补偿核算研究. 财会通讯. 2024(19): 100-103+165 . 
百度学术2. 吕跃东，朱万才，张妍妍. 基于WebGIS的林区森林资源地理信息系统设计. 现代电子技术. 2023(19): 171-174 . 百度学术3. 张心语，郭诗韵，王亚萍，刘宪钊，贺丹，徐恩凯，曹洋，雷雅凯. 雄安新区森林生态系统服务功能价值评估及其空间分析研究. 河南农业大学学报. 2022(04): 661-673+684 . 百度学术4. 郑文松. 对森林资源价值绿色核算的思考. 中南林业调查规划. 2022(04): 5-8+23 . 百度学术其他类型引用(1)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20220109
点击查看大图
计量
- 文章访问数: 597
- HTML全文浏览量: 114
- PDF下载量: 13
- 被引次数: 5
