شهرها به عنوان بازیگران سیاست اجرای اهداف توسعه پایدار (SDGs) ظاهر شده اند، که طرحی را برای دستیابی به پایداری جهانی ارائه می دهند ^{1 ، 2 ، 3} . ^{سیاره ما با تغییر چشمگیر اکوسیستم جهانی از طریق تبدیل زمین های طبیعی به سطوح} مصنوعی، که پوشش گیاهی مناطق شهری را به دو روش مستقیم و غیر مستقیم شکل می دهد، ^{به سرعت در حال شهرنشینی است} . از سال 2000، گسترش گسترده منطقه شهری در چین شناسایی شده است که با رشد اقتصادی قوی و افزایش جمعیت زیاد همراه است ^.. گسترش و متراکم شدن شهرها مسائل متعدد زیست محیطی مانند جزایر گرمایی شهری، از بین رفتن زیستگاه و کمبود آب را به همراه ^دارد . توسعه پایدار بدون دگرگونی قابل توجهی در نحوه ساخت و مدیریت فضاهای شهری به دست نمی آید ^9 و 10 .

پوشش گیاهی به عنوان یک تامین کننده عمده خدمات اکوسیستم، نقشی ضروری در عملکرد اکوسیستم ایفا می کند و مزایای روانی و اجتماعی-اقتصادی را برای ساکنان شهری محلی فراهم می کند ^{5 ، 11 ، 12 ، 13} . سبزسازی شهری به شکل درختکاری، بام سبز یا دیوارهای سبز به طور بالقوه می تواند به کاهش مرگ و میر ناشی از گرما، کاهش انتشار گازهای گلخانه ای و آلودگی هوا و بهبود کیفیت زندگی در شهرها کمک ^کند . بسیاری از مطالعات نشان می‌دهند که شهرهایی با رشد گسترده پوشش گیاهی در حال تبدیل شدن به “سبزتر” هستند ^15 ، 16 . شهرهای بزرگ چین از سال 1990 تا 2010 میانگین افزایش سالانه 1.51 درصدی در پوشش فضای سبز خود را تجربه کرده اند ^.. افزایش سبزی منطقه ای در گوانگدونگ، هنگ کنگ، و ماکائو، منطقه عمدتا توسعه یافته چین مشاهده شد ¹³ . منطقه شهری در کشور شاهد افزایش خالص زیست توده بالای زمین از سال 2000 تا 2019 بوده ^است . در همین حال، تغییر مثبتی در میانگین پوشش درختی در هسته شهری و مناطق حاشیه‌نشینی کشور طی دو دهه گذشته رخ داده ^است .

^{به دلیل عواملی مانند تغییر کاربری زمین، توسعه زیرساخت ها و معرفی گونه های غیر بومی، شهرنشینی به طور} کلی با کاهش پوشش درختی و افزایش پوشش گیاهی غیردرختی مانند چمن و درختچه همراه ^است . درختان شهری طیف وسیعی از خدمات اکوسیستم را ارائه می دهند ^20 ، 21 . از طریق شبیه سازی مدل رشد مبتنی بر فرآیند تحت شرایط آب و هوایی فعلی و سناریوهای آب و هوایی آینده، درختان شهری به طور قابل ملاحظه ای ریزاقلیم شهری را بهبود می بخشند و تأثیر تغییرات آب و هوا را کاهش می دهند ^.. درختان شهری می توانند شدت جزیره گرمایی شهری را کاهش دهند و اثر خنک کنندگی ناشی از درختان شهری تقریباً 2-4 برابر بیشتر از فضای سبز شهری بدون درخت در شهرهای اروپایی است ²³ . نسبت به پوشش گیاهی علفی، گیاهان چوبی می توانند حداکثر دمای سطح را تا 5.7 درجه سانتی گراد در تابستان ²⁴ کاهش دهند . قابلیت حفظ آب و خنک‌سازی زیرساخت‌های سبز با خاک‌ها و سیستم‌های ریشه‌ای نازک‌تر ممکن است به دلیل پویایی بالای بارش در شرایط تغییرات آب و هوایی جهانی کاهش یابد ^. علاوه بر این، مطالعات اخیر نشان می دهد که سطوح آلاینده ذرات در مناطق سبز شهری باز بدون درخت نسبت به مناطق پوشیده از درخت مجاور به طور قابل توجهی بالاتر ^بود .

While there is limited research on the ecosystem services of treeless urban green space relative to urban trees, grass can provide a range of environmental, social, and aesthetic benefits in urban environments^26,27. Compared with tree or concrete-only environments, urban environments with grass show a significantly stronger effect on supporting physiological and psychological well-being²⁸. Although ‘greener’ cities have been widely observed from space^13,15,16,29, the greenness-based vegetation indices cannot characterize how urban tree and treeless vegetation vary under prevalent vegetation growth. Considering that different vegetation types differ in ecological functioning, accurately identifying the spatiotemporal variability of the urban tree and nontree vegetation will potentially provide a first-order quantitative guide for urban development, renewal, and tailored adaptation planning against pressing social and environmental challenges.

As current urban-greening programs are often based on limited data, urban greening needs better data that are validated against comparative studies capturing spatial and temporal variability in and among cities³⁰. Satellite-based approaches offer opportunities for mapping the urban greenspace coverage and characterizing the spatial and temporal dynamics of vegetation, which are especially valuable for a large-scale long-term analysis with limited ground-based observations^31,32. Previous studies have demonstrated that reflectance-based vegetation greenness, such as the normalized difference vegetation index (NDVI) and enhanced vegetation index (EVI), can be an effective indicator of capturing the spatiotemporal variability of urban vegetation and evaluating the impacts of urbanization on vegetation growth^{12,33,34,35,36}. While current assessments of urban vegetation are largely relied on a sole indicator of greenness, such as annual mean EVI and maximum EVI, which may introduce potential biases and limitations when vegetation activity was not thoroughly examined.

Given the above context, we undertook a large-scale comprehensive analysis of spatial patterns and multi-year variations in the urban tree and nontree vegetation during 2000-2020 in China using multi-source satellite-based observations. Specifically, we aim to: (1) investigate the spatiotemporal patterns of urban vegetation in terms of tree and nontree vegetation under rapid urban expansion; (2) examine the trends of the urban tree and nontree coverages across cities, urban core, and urbanization; (3) assess the impacts of changes in urban tree and nontree vegetation on vegetation greenness, growth, and productivity.

Temporal changes in urban vegetation cover

From 2000 to 2020, the region-wide mean of the urban tree and nontree vegetation among the five sub-regions in China is presented in Fig. 1. During the past 20 years, the mean percent tree cover in the urban core, peri-urban core, and suburban was around 6%-8%, as compared with 8%-9% in the peri-suburban and 8%-10% in the rural area (Fig. 1a). We observed a notable decreasing trend in the urban tree cover during 2000-2011 and then a rapidly increasing trend over both the urban core and peri-urban core (Fig. 1a). By contrast, the region-wide averaged tree cover in the peri-suburban and rural area had an upward trend at the early 2000s prior to the following 5-year decline. Except for rural areas, there was a slightly increasing trend since 2011 over the urban core, peri-urban core, suburban, and peri-suburban (Fig. 1a). For the nontree vegetation, we saw a V-shape temporal series in the urban core, peri-urban core, and suburban with a rapid decline from 2000 to 2012, followed by a gradual recovery (Fig. 1b). The temporal variation of nontree vegetation was much mild in the peri-suburban and rural area than in the urban core (Fig. 1b).

Region-wide means of the annual (a) tree cover, (b) nontree vegetation, (c) urban green space (UGS), and (d) ratio of tree and nontree vegetation (RTN) within five major urban regions in China from 2000 to 2020. Piece-wise linear regression was used for fitting time series. Red dashed lines refer to a decreasing trend, and blue dashed lines refer to an increasing trend. k refers to the slope of segmented linear regression (positive in blue, and negative in red). The shaded area around the fitted line represents ±1 standard deviation. A two-tailed t test was used to examine the statistically significant level (p-value), ***p < 0.001, **p < 0.01, and *p < 0.05.

Full size image

The region-wide mean time series of urban green space (UGS) was generally similar to the temporal pattern of nontree vegetation across the five sub-regions (Fig. 1c). In the urban core, UGS declined from nearly 48% in 2000 to 32% in 2011, followed by a 10-year growth to approximately 40% in 2020. Likewise, the magnitude of UGS variations decreased from the urban core to the rural areas, and UGS remained around 40–45% during the past 20 years (Fig. 1c). The ratio of tree and nontree vegetation (RTN) in the urban core and the peri-urban core slightly declined until 2010 (Fig. 1d) but increased in the peri-suburban and rural areas since 2000 due to the increase in tree cover and the reduction in nontree vegetation. Besides a fluctuating series during 2007–2015, an insignificant trend in RTN was observed in the suburban.

Spatial patterns of trends in urban tree and non-tree vegetation

Figure 2 shows the spatial distributions of the fraction of upward versus downward trends in urban tree cover and urban nontree vegetation over 577 selected cities. Overall, 274 (or 67.5%) of the 406 cities showed an increase in urban tree cover with more ascending trends of pixels relative to the descending trends of pixels (Fig. 2a). Approximately 11% of the cities with predominantly decreasing trends in the urban tree cover (fraction less than 50%) were primarily distributed in southern China, especially over the Yangtze River Economic Belt. Relative to the spatial pattern of urban tree cover, 41.3% of the cities exhibited a larger fraction (more than 100%) of downward trends in urban nontree vegetation, which were located in northern and northeast China (Fig. 2b, c).

Spatial patterns of the fraction of upward versus downward trends in (a) urban tree cover, and (b) urban nontree vegetation over selected cities in China. The legend for the maps is included in (a). c Scatterplot of percentages of downward and upward trends among each selected city. The blue and red curves refer to the LOESS regression for urban tree and nontree vegetation respectively. Note that the climate zones are shown. HD2: Plateau climate, IIC5: North temperate zone, IIID11: South temperate zone – inland, IIID12: South temperate zone, IVA2: North subtropical zone, VA2: Middle latitude subtropical zone, and VIA1: South subtropical zone.

Full size image

The nationwide mean trends in the urban tree and nontree vegetation coverage were 0.073 ± 0.511% per year (mean ± 1 standard deviation) and −0.584 ± 1.022% per year, respectively. Region-wide means of the slopes of trends in tree cover, and nontree vegetation among the urban core, urbanization, and different climate zones are presented in Fig. 3. In the north temperate zone (IIC5), both TC and NTV had positive slopes over the urban core and the urbanization alike. Nontree vegetation with negative slopes was observed among the South temperate zone (III12), North subtropical zone (IVA2), Plateau climate zone (HD2), Middle latitude subtropical zone (VA2), and South subtropical zone (VIA2), of which those in the peri-urban core and the suburban had the greatest negative slopes (Fig. 3b). در مقابل، شیب های پوشش درختان شهری به طور کلی در میان اکثر مناطق آب و هوایی مثبت بود، به ویژه در هسته شهری (شکل 3a ).

میانگین سطح منطقه ای شیب روندها در ( الف ) پوشش درختی، و ( ب ) پوشش گیاهی غیردرختی در میان هسته شهری و شهرنشینی در سراسر هفت منطقه آب و هوایی در طول 2000-2020. پانل های برتر به منطقه شهری هر دسته اشاره دارد. HD2: آب و هوای فلات، IIC5: منطقه معتدل شمالی، IIID11: منطقه معتدل جنوبی – داخل، IIID12: منطقه معتدل جنوبی، IVA2: منطقه نیمه گرمسیری شمالی، VA2: منطقه نیمه گرمسیری عرض جغرافیایی میانی، و VIA1: منطقه نیمه گرمسیری جنوبی. واحد شیب (Pct. d ^-1 ) درصد در روز است. نوارهای خطا به 1± انحراف استاندارد اشاره دارد.

تصویر در اندازه کامل

روندهای جفت پوشش گیاهی شهری

ما چهار دسته روند را در پوشش گیاهی درختی/غیردرخت شهری در میان مناطق مختلف آب و هوایی (شکل 4a ) و در محدوده هسته شهری و شهرنشینی (شکل 4b ) به همراه شش گروه طبقه بندی شده با اندازه شهر در نظر گرفتیم (شکل 4c) . ). درصد دو صعودی (AA) از 43.7 درصد در هسته شهری به 21.4 درصد در شهرنشینی کاهش یافته است. در مقابل، نسبت سه نوع روند باقی مانده (DD، DA، و AD) به ترتیب 3.5، 11.6 و 7.3 درصد از هسته شهری تا شهرنشینی افزایش یافته است (شکل 4b ) . بیست کلان شهر با مساحت بیش از 2000 کیلومتر ^مربعنزدیک به نیمی از مساحت شهری در چین را به خود اختصاص داده است و بیشترین کسر (32٪) از دو نزولی (DD) و همچنین کمترین کسری (21٪) از دو صعودی (AA) را در بین شش گروه شهرها به نمایش گذاشته است. اندازه (شکل 4c ).

خلاصه‌های آماری و توزیع‌های فضایی چهار دسته روند (DD، AA، DA، و AD) برای شهرهای بزرگ و بزرگ. یک توزیع فضایی از چهار دسته روند برای شهرهای بزرگ و بزرگ (با مناطق بزرگتر از 1000 کیلومتر ^مربع ) بر اساس روندهای جفت در پوشش درختی و پوشش گیاهی غیردرختی. درصد از چهار دسته روند برای هسته شهری و شهرنشینی درج شده است. b هیستوگرام چهار دسته روند در بین هر سطح شهر (طبقه بندی بر اساس وسعت ناحیه شهری). AA به روند صعودی دوگانه در هر دو پوشش گیاهی درختی / غیر درختی اشاره دارد. DD به روندهای دو نزولی اشاره دارد. پس از میلاد به روند صعودی پوشش درختی همراه با روند نزولی در پوشش گیاهی غیردرختی اشاره دارد. و بالعکس برای DA.

تصویر در اندازه کامل

The spatial patterns of the four categories in megacity and large-city with areas greater than 1000 km² are displayed in Fig. 4d. Cities with a high percentage of double-ascending (AA) were mainly distributed in northern and northeast China, as compared to cities with less than 20% of AA located in southwest China. The double-descending (DD) trend showed an opposite spatial pattern in which cities with a high DD proportion were distributed in southwestern and the coast of southeastern China. A total of 35 among 39 mega- or large-cities exhibited less than 30% of DA, while China’s largest megapolitan area in the Yangtze Delta had 31.6% of DA. Cities with a proportion of AD greater than 30% accounted for almost half of the mega- or large-cities mainly from the Pearl River delta (49.4%) and the Beijing-Tianjin-Hebei region (40.6%) with a small proportion (15.5%) in the Yangtze Delta.

A spatially-explicit map of the four trend categories in urban tree/nontree vegetation at the city scale is shown in Fig. 5. We summarized the four major types of spatial patterns based on 39 major megapolitan regions and cities. The Pearl River delta megapolitan region was the representative of Type-1 mainly with increasing tree cover (AA and AD) over the urban core or the urbanization (Fig. 5a). Although the percentage of double-ascending (AA) declined from 46.6% in the urban core to 21.4% in the urbanization over the Pearl River delta, the dramatic AD increase compensated for the AA decrease, leading to the proportion of an ascending trend in tree cover greater than 70% in the urbanization. Likewise, the sum of AA and AD accounted for more than 90% of Beijing’s urban core and urbanization alike (Supplementary Figure 1).

Spatial distributions of four trend categories in urban tree/nontree vegetation over some major megapolitan regions and cities in China. A conceptual diagram of spatial patterns is shown at the top of each panel. The density of four categories along with the latitude and longitude of each city is included. TC: tree cover; NTV: nontree vegetation coverage. AA refers to double-ascending trends in both tree/nontree vegetation; DD refers to double-descending trends; AD refers to an ascending trend in tree cover accompanied by a descending trend in nontree vegetation; and vice versa for DA.

Full size image

Most of the mega- and large-cities in China, such as the Yangtze Delta megapolitan region, Chengdu, Chongqing, Wuhan, and Changsha, belonged to Type-2, in which the urban core and urbanization were predominantly covered by AA and DD, respectively (Fig. 5b, Supplementary Fig. 1). Taking Chengdu as an example, the fraction of double-ascending (AA) declined from 77.4% in the urban core to 4.6% in the urbanization but the fraction of double-descending (DD) increased from 18.2% to 63.5% (Supplementary Figure 1). The Yangtze Delta megapolitan region with an urban area of 44243 km² in 2020 (nearly 5-times larger than the urban area in 2000) was the fastest growing region in China during the past two decades and includes a variety of city types, such as megacity (Shanghai), large-city (Suzhou, Nanjing), and small city (Jiashan). In this region, the fraction of double-ascending (AA) declined from 43.4% in the urban core to 7.1% in the urbanization.

The other two types of spatial patterns were associated with only a small number among 39 mega- and large-cities in China. Figure 5c shows the map of Chaoshan’s megapolitan area located in eastern Guangdong province, where the fraction of downward trends in tree cover (DD and DA) exceeded 70% within the urban core or the urbanization. Shenyang, located in northeastern China, was the representative city of Type-4, where the urban core was predominantly covered by AA and AD and the urbanization with 69.8% of DA (Fig. 5d).

Relationship between urban vegetation cover and growth

To investigate the impact of the tree/nontree vegetation changes on urban vegetation greenness, growth, and productivity, we examined Pearson’s correlations between the slopes of trends in UGS, TC, and NTV and EVI_min, EVI_amp, EVI_max, _iEVI, and NPP across China’s urban areas (Fig. 6). Overall, we observed significant positive correlations between the UGS and the vegetation variables (p < 0.01, R ranging from 0.41 to 0.68, Fig. 6a). The correlation coefficients with the urban tree cover ranged from 0.51 to 0.67 (Fig. 6b). Nationwide, the trend of nontree vegetation was negatively correlated with EVI_min, but positively associated with EVI_amp, EVI_max, _iEVI, and NPP with R ranging from –0.32 to 0.48 (Fig. 6c). The slopes of the linear regression between the urban tree cover and the vegetation variables were generally greater than the slopes between the nontree vegetation and the variables.

Relationships of the trends between (a) urban green space (UGS), (b) urban tree cover (TC), (c) urban nontree vegetation (NTV), and vegetation greenness (EVI_min, EVI_max), growth (EVI_amp), and productivity (_iEVI, NPP) across China’s urban areas. The orange lines in (a), (b), and (c) refer to the best fitting straight lines of linear regression. d Pearson’s correlations of the trends in urban vegetation composition and vegetation greenness, growth, and productivity within seven climate zones. HD2: Plateau climate, IIC5: North temperate zone, IIID11: South temperate zone – inland, IIID12: South temperate zone, IVA2: North subtropical zone, VA2: Middle latitude subtropical zone, and VIA1: South subtropical zone. A two-tailed t test was used to examine the statistically significant level (p-value), and * refers to an insignificant correlation (p > 0.01). The exact sample size (n) for each group is given in parentheses.

Full size image

We further examined the relationship between urban vegetation composition and greenness within seven climate zones (Fig. 6d). Similarly, there were strong correlations between UGS, TC, and vegetation variables with R ranging from 0.25 to 0.87 across most climate zones, except for the north temperate zone (IIC5). The negative correlation between NTV and EVI_min was also found in Plateau climate zone, North temperate zone, South temperate zone-inland, Middle latitude subtropical zone, and South subtropical zone (HD2, IIC5, IIID11, VA2, and VIA1) with R ranging from -0.46 to 0.1. Apart from NTV exhibiting a comparable strength of relationship with vegetation variables in South temperate zone (IIID12) and North subtropical zone (IVA2), it invariably showed a weaker correlation as compared to the relationship between UGS, TC and vegetation variables. In addition, UGS was strongly correlated with vegetation greenness (EVI_max) and vegetation activity (_iEVI, EVI_amp) across most regions except plateau climate (HD2).

در طول دو دهه گذشته، چین گسترش سریع شهری را تجربه کرد، که به طور چشمگیری محیط ساخته شده را تغییر داد ^{8 ، 37 ، 38} . فقدان بررسی‌های منسجم و محدودیت مشاهدات میدانی در مقیاس بزرگ، توسعه یک درک جامع از پویایی مکانی و زمانی و تأثیرات شهرنشینی بر سبزی، رشد و بهره‌وری پوشش گیاهی را دشوار ^{می‌سازد} . در این مطالعه، ما الگوهای فضایی و تغییرات زمانی روندها در پوشش گیاهی درختی/غیردرخت شهری را در اکثر شهرهای چین با استفاده از مجموعه داده‌های ماهواره‌ای چند منبع مشخص کردیم.

با جداسازی پوشش گیاهی درختی و غیردرختی در فضای سبز شهری، نتایج ما نشان می‌دهد که پوشش درختی شهری با ضریب تغییرات بیشتر در طول سال‌های 2000-2020 بسیار پویا بوده است، اگرچه مسیرهای چندساله UGS در سراسر کشور عمدتاً شبیه به پوشش گیاهی غیردرختی بوده است (شکل 1). 1 ). در دهه اول این قرن، جهت‌گیری‌های مختلف روند پوشش درختی در هسته شهری، حومه شهر و مناطق روستایی، درک ما را از تأثیرات مستقیم شهرنشینی سریع بر پوشش گیاهی روشن کرده است. یافته های ما با مطالعه قبلی ^{39 مطابقت دارد}نشان دهنده کاهش مداوم پوشش فضای سبز شهری بیش از 80 درصد از شهرهای پرجمعیت چین از سال 2000 تا 2014 است. با این حال، در این مطالعه ما بهبود قابل توجهی از پوشش گیاهی درختی و غیردرختی را از سال 2012 در میان هسته شهری، هسته حومه شهری مشاهده کردیم. ، و حومه شهر (شکل 1 ). علاوه بر این، روند صعودی در RTN نشان می‌دهد که سرعت افزایش پوشش درختان شهری سریع‌تر از پوشش گیاهی غیردرختی در هسته شهری و هسته حومه شهری بود.

چین مجموعه ای از سیاست ها را برای ترویج سبز شدن شهری و بهبود کیفیت محیط شهری خود اجرا کرده است. برای ترویج توسعه شهرهای جنگلی و افزایش پوشش سبز شهری، برنامه ملی شهر جنگلی که توسط اداره جنگلداری دولتی چین راه اندازی شده است، مشوق های مالی برای شهرهایی که اهداف پوشش سبز خاصی را برآورده می کنند و استفاده از زیرساخت های سبز را برای بهبود کیفیت شهرها ترویج می کند، فراهم می کند. محیط ها ⁴⁰ . ^{در سال 2015، برنامه شهر اسفنجی برای بهبود مدیریت} آب و کاهش اثرات سیل با توسعه استفاده از روسازی‌های نفوذپذیر، بام‌های سبز و سایر زیرساخت‌های سبز اجرا ^شد .. علاوه بر این، برنامه منطقه آزمایشی تمدن زیست محیطی ملی برای ترویج توسعه پایدار و حفاظت از محیط زیست در مناطق آزمایشی تعیین شده در سراسر چین در سال 2016 راه اندازی شد ^43 ، 44 . این برنامه توسعه زیرساخت‌های سبز، از جمله جنگل‌های شهری، پارک‌ها و تالاب‌ها را برای بهبود کیفیت زیست‌محیطی و ارتقای توسعه شهری پایدار پیش می‌برد. این سیاست ها که به سبز شدن شهری شهرهای چین کمک کرد، نشان دهنده شناخت دولت از اهمیت زیرساخت های سبز در ترویج توسعه پایدار و بهبود سلامت و رفاه ساکنان شهری است.

به‌جای میانگین‌گیری مشاهدات ماهواره‌ای در محدوده هر شهر، ما تنوع چند ساله پوشش گیاهی شهری را از نظر پیکسلی بررسی کردیم و کسر سطح شهر از روندهای صعودی یا نزولی را با اهمیت آماری در نظر گرفتیم. در سرتاسر کشور، شهرهای بیشتری با روند صعودی پوشش درختی نسبت به UGS و NTV وجود داشت (شکل 2 )، که نشان دهنده بهبود عمده در پوشش درختی شهری در برابر پوشش گیاهی غیردرختی است. در شمال شرقی چین، شهرها عمدتاً روندهای صعودی را در UGS و پوشش درختی نشان دادند که با الگوهای فضایی تغییرات فضای سبز شهری با وجود شاخص‌های مختلف پوشش گیاهی و پوشش زمانی متناقض مطابقت داشت ^. در مقایسه با اکثر شهرهای پرجمعیت چین با از دست دادن فضای سبز شهری بزرگ ³⁹، ما شهرهایی را در جنوب چین به ویژه در استان گوانگدونگ با افزایش غالب در پوشش گیاهی درختی/غیردرخت شهری در طی 20 سال گذشته یافتیم که توسط چندین مطالعه دیگر نیز گزارش شده است ^{13 ، 16 ، 17 ، 45 ، 46} .

Major cities with areas larger than 1000 km², accounting for nearly 60% of urban areas nationwide, exhibited a variety of spatial patterns of trends in the urban tree and nontree vegetation due to different stages of development (Fig. 5). The Beijing-Tianjin region and the Pearl River delta megapolitan area as one of the most developed regions in China showed predominantly ascending trends in the urban vegetation within- and peri-urban core. By contrast, the“second-tier cities such as Chengdu, Chongqing, and Wuhan with heterogeneous urban-rural spatial patterns of trends in the urban vegetation were an overwhelming majority and dominated the magnitude of urban expansion during the past two decades in China (Supplementary Figure 1). The significantly ascending trends in both the urban tree and nontree vegetation (category: AA) in the urban core mean that residents could enjoy more green space due to improving urban green^15,38.

Nonetheless, we found these cities with rapid urbanization exhibited prevailingly double-descending trends in the urban vegetation (category: DD) across the peri-urban core, probably due to the substantial conversion from non-urban land cover to impervious surfaces. Thus, our findings highlight comprehensive schemes with reasonable and sustainable urban greenspace construction are needed to achieve a balance between greenspace supply and demand during the process of urbanization^37,38,47.

Previous studies on urbanization impacts upon vegetation growth are usually based on a single indicator, such as the annual mean/maximum vegetation index, or leaf area index^5,6,16,47,48. However, even if the fraction of vegetation coverage remains unchanged at a subpixel scale, the variation in the proportion of tree/nontree could lead to the alteration of vegetation greenness, growth, and productivity, as observed with satellite imagery (Fig. 6). Overall, UGS as the total of tree/nontree coverage could explain the most variability of vegetation variables across different climate zones, suggesting that both vegetation types should be considered for future studies of urban greening^8,29. Particularly, we found the opposite relationships between the trends in EVI_min and tree/nontree vegetation, which in turn could be beneficial for the accurate classification of urban vegetation.

Aside from the composition of tree/nontree cover, urban vegetation growth was also associated with climatic conditions, vegetation species, and human management^5,29,49,50. Relationships among urban vegetation composition and vegetation variables varied across climate zones, in which there were stronger correlations over the subtropical regions (IVA2, VA2). Conversely, the weaker correspondence in IIC5 spanning from northern Xinjiang and the Loess Plateau to northeastern China was partially caused by the diverse vegetation types and the uneven development of cities within the sub-regions. An in-depth study could be further conducted to investigate the dominant factor controlling the urban vegetation growth at a city scale within each climate zone.

Exploring the spatiotemporal dynamics of the urban tree and nontree coverages is vital because it can provide insights into the environmental, social, economic, planning, and policy implications of urbanization, and can help inform decisions about urban greening and climate change mitigation and adaptation. Firstly, this study provides scientific evidence of the specific contribution of urban trees and nontree vegetation under the prevalent urban greening in China. We saw a superior growth of urban trees relative to nontree vegetation, especially over the Northeast and North China. There was a considerable enhancement in both urban tree and nontree coverage in the urban core of numerous mega- and large cities in China (such as Beijing, Shanghai, Shenzhen, and Chengdu), illustrating that these economically-developed metropolises achieved a better outcome of urban greening.

Secondly, understanding the differences in the trends of urban tree and nontree coverages can help city planners and managers target their interventions more effectively. Given that tree and nontree vegetation differ in ecological functioning, this study helps identify areas where additional urban greening efforts may be needed. For example, Guangdong, which is the most populous province in China, suffers from intense urban heat islands⁵¹. Along with a decreasing trend in urban tree cover in the east of Guangdong (Fig. 5c), it is projected to be exposed to increasing heat-related risks under global warming. As the cooling effect induced by urban trees is significantly higher than that by treeless urban green spaces, our results highlight that more targeted and informed strategies for urban heat mitigation, such as tree planting, are needed in the specific metropolitan region.

ثالثاً، این مطالعه با ردیابی پویایی پوشش‌های درختی و غیردرختی شهری در طول زمان، مرجعی را فراهم می‌کند که فرمانداران بتوانند اثربخشی سیاست‌ها و برنامه‌های با هدف ترویج سبز شدن شهری را ارزیابی کنند. از سال 2012، رشد پوشش گیاهی شهری در سراسر کشور، از نظر پوشش درختی و غیردرختی، ممکن است به طیفی از سیاست ها و برنامه های موثر اجرا شده توسط دولت چین نسبت داده شود. به عنوان مثال، افزایش قابل توجه پوشش درختان شهری که از سال 2015 در نینگبو مشاهده شد، احتمالاً به این دلیل بود که این شهر آزمایشی برنامه شهر اسفنجی بود که استفاده از پیاده‌روهای نفوذپذیر، بام‌های سبز و سایر زیرساخت‌های سبز را ترویج می‌کرد (شکل تکمیلی 2) .). در مقابل، در طول دوره مطالعه، هیچ تغییر قابل توجهی در فضای سبز شهری در چینگدائو که توسط برنامه ملی شهر جنگلی اعطا شده بود، وجود نداشت. بنابراین، مهم است که عملکرد مدیریت زیرساخت سبز شهری را در نظر بگیرید تا اطمینان حاصل شود که حداکثر منافع را ارائه می دهد.

از آنجایی که اکثر شهرهای چین در طی ^{سال‌های 2000-2020} سریع‌ترین نرخ گسترش شهری را تجربه کردند، این مطالعه همچنین مرجعی از تنوع مکانی و زمانی پوشش گیاهی شهری شهرهای در حال تشدید و در حال رشد را ارائه می‌دهد که احتمالاً برای سایر کشورهای در حال توسعه مفید است ^. از کره زمین در همین حال، تغییرات پوشش گیاهی شهری در شهرهای بالغ یا پایدار اکثر کشورهای توسعه یافته را می توان بیشتر مورد بررسی و مقایسه در مقیاس جهانی قرار داد.

شایان ذکر است که برخی عدم قطعیت ها و محدودیت های احتمالی در این مطالعه وجود دارد. دقت مزارع پیوسته پوشش گیاهی MODIS به طور کلی در مناطق شهری به دلیل چشم‌انداز بسیار ناهمگون در مقایسه با مناطق غیر شهری کمتر است. این مبادله ای بین کیفیت داده ها و نمونه کافی از مشاهدات در هر شهر بود که احتمالاً منجر به نوسانات سالانه در درصد پوشش گیاهی درختی/غیردرخت شهری می شود (شکل 1، شکل تکمیلی 2 ) .). آستانه ارتفاع مجموعه داده MODIS VCF به این دلیل انتخاب شد که منعکس کننده تعریف عمومی پذیرفته شده درخت به عنوان یک گیاه چوبی است که دارای یک ساقه یا تنه است و معمولاً تا ارتفاع حداقل 5 متر رشد می کند. در حالی که ارتفاع متوسط ​​درختان شهری در شهرهای مختلف از 7.8 متر تا 14 متر متغیر است، مطالعات نشان داده اند که نسبتی از درختان شهری کوتاهتر از 5 متر هستند و بنابراین می تواند نتایج مغرضانه ای را به همراه داشته باشد ^53 و 54. برای مثال، یک روند صعودی در پوشش گیاهی غیردرختی شهری ممکن است به افزایش رشد درختان کوتاه‌تر نسبت به درختچه‌ها یا علف‌ها نسبت داده شود. علاوه بر این، یک روند صعودی در پوشش درختی همراه با روند نزولی در پوشش گیاهی غیردرختی در یک مکان خاص احتمالاً به دلیل رشد درختان کوتاه در طول دهه‌ها است. به طور کلی، استفاده از این آستانه امکان طبقه‌بندی مداوم پوشش درختی و غیردرختی را در مناطق و اکوسیستم‌های مختلف فراهم می‌کند و محققان را قادر می‌سازد تا تغییرات پوشش گیاهی شهری را در طول زمان در مقیاس زیر قاره‌ای یا جهانی تجزیه و تحلیل کنند. محصول پیشرفته دنیای دینامیک با وضوح 10 متری طبقه بندی چمن درختی بر اساس Sentinel-2 به طور بالقوه به بهبود درک ما از تنوع مکانی و زمانی پوشش گیاهی شهری کمک می کند. علاوه بر این،2 ). برای مرحله بعدی، یک الگوریتم پیشرفته برای گرفتن خودکار تعداد و موقعیت نقاط عطف در سطح پیکسل، مرتبط با تاریخ انتقال شهرنشینی در مناطق پیرامون شهری مورد نیاز است.

این مطالعه تغییرات مکانی و زمانی پوشش درختی شهری و غیردرختی را در طول شهرنشینی سریع اخیر چین بررسی کرد. ما روشی را برای جداسازی پوشش گیاهی درختی و غیردرختی از پوشش فضای سبز شهری ارائه کردیم. نتایج ما نشان داد که تعداد شهرهایی که اکثریت روندهای صعودی در پوشش درختی داشتند، با اکثریت روندهای صعودی در پوشش گیاهی غیردرختی شهری، به طور قابل توجهی از شهرها بهتر عمل کردند، که نشان می‌دهد که افزایش پوشش درختی به طور قابل‌توجهی به سبز شدن شهری در سراسر کشور کمک می‌کند. بسیاری از شهرهای بزرگ الگوی متضاد روندهای شهری و روستایی را در پوشش گیاهی شهری به نمایش گذاشتند و بر بزرگی گسترش شهری در دو دهه گذشته در چین تسلط داشتند. به طور کلی، روند در فضاهای سبز شهری بیشترین ارتباط را با تنوع فعالیت و بهره وری پوشش گیاهی داشت.

Vegetation continuous fields

The Moderate Resolution Imaging Spectroradiometer (MODIS) Vegetation Continuous Fields (VCF) product (MOD44B, Version 6) provides a continuous quantitative portrayal of land surface cover at the 250-meter spatial resolution and is a global representation of surface vegetation cover. This yearly dataset depicts a sub-pixel fraction of three ground cover components, i.e., percent tree cover (TC), percent nontree vegetation (NTV), and percent non-vegetated area, using daily surface reflectance and land surface temperature data from the MODIS instrument aboard NASA’s Terra satellite based on a fully-automated machine learning algorithm⁵⁵. The tree cover layers contain estimates of the percentage of horizontal ground in each pixel covered by woody vegetation greater than 5 meters in height^55,56. 21-year records (2000-2020) of VCF were obtained and processed on Google Earth Engine (GEE) cloud computing platform. The start date of the annual period for this product begins with the day of year 65. The quality and cloud layers were used to select the pixels with at least 2 (of 8) clear periods (bit field value equals 0) throughout the year.

Vegetation growth variables

EVI as an optimized version of vegetation index effectively reducing soil background influences has been widely used as a proxy of canopy greenness⁵⁷. The equation of EVI is

where ρ_blue, ρ_red, and ρ_NIR are the reflectance in the blue, red, and near-infrared bands, respectively. For a thorough depiction of vegetation activity, we selected several vegetation metrics based on the MODIS land cover dynamics product (MCD12Q2, Version 6). This dataset at yearly intervals combined from Terra and Aqua provides a global estimate of phenological metrics retrieved from the seasonal time series of MODIS-derived 2-band Enhanced Vegetation Index. We used 19-year (2001–2019) records of EVI_Minimum (EVI_min), EVI_Amplitude (EVI_amp), and EVI_Area (iEVI, the sum of daily interpolated EVI from green-up to dormancy). Annual integrated EVI (iEVI) has been widely used as a remote sensing measure of the annual vegetation productivity. Besides, annual EVI_Maximum (EVI_max) was computed based on the sum of EVI_Minimum and EVI_Amplitude at the pixel level. The pixels with cloud contamination or poor quality were removed on the basis of the quality assessment layer. Given the mismatch in temporal coverages, we alternatively examined the variations of VCF during 2001–2019 when inter-comparing with greenness-based vegetation indices.

The MOD17A3H Version 6 product, which provides information about annual Net Primary Production (NPP), was also used in this study for representing vegetation productivity. The annual NPP with 500 m pixel resolution was based on a light-use-efficiency model. All variables with reference to the vegetation greenness, growth, and productivity were downscaled to a 250-m grid, consistent with the spatial resolution of the MODIS VCF product.

Urbanization dataset

The dataset of the morphological evolution of China’s cities from 2000 to 2020 was used to delineate the urban boundary and urban expansion⁵². Relative to an administrative boundary, this product provides a natural boundary for each city based on harmonized nighttime satellite data, representing the urban extent of a nature city. It is a valuable reference to long-term variations of the global core cities and is critical for formulating effective policies to achieve urban sustainability⁵². To ensure a sufficient number of available remote sensing pixels, we selected the growing cities during the past two decades with areas larger than 100 km^2 6, based on the urban boundary in 2020. Therefore, there are 577 megapolitan cities in China for further analysis. To differentiate the effect of urbanization levels, the urban regions in this study were divided into five types of urbanization, inducing the urban core (the extent of urban boundary in 2000, urbanization phase-0), peri-urban core (2000–2005, urbanization phase-I), suburban (2005-2010, urbanization phase-II), peri-suburban (2010-2015, urbanization phase-III), and rural (2015–2020, urbanization phase-IV), respectively.

مجموعه داده پوشش زمین MODIS (MCD12Q1، نسخه 6) در فواصل سالانه (2001-2020) با طرح طبقه‌بندی برنامه بین‌المللی ژئوسفر-زیست کره برای حذف پیکسل‌هایی که توسط بدنه‌های آبی یا گیاهان پوشش داده شده‌اند (https://lpdaac) استفاده شد . .usgs.gov/products/mcd12q1v006/ ). در این مطالعه، ما بر روی پوشش گیاهی طبیعی شهری متمرکز شدیم و زمین‌های زراعی را حذف کردیم، زیرا به طور قابل‌توجهی تحت تأثیر مدیریت انسانی قرار دارند ^. نقشه منطقه ای شدن اقلیم در چین به دست آمده از ( https://www.resdc.cn/data.aspx?DATAID=243) برای بررسی بیشتر روابط بین تغییرات پوشش گیاهی شهری و رشد تحت سناریوهای مختلف آب و هوایی مورد استفاده قرار گرفت. سیستم منطقه‌بندی شامل 8 منطقه و 32 منطقه فرعی است. برای ساده سازی سیستم، هفت منطقه بر اساس 8 منطقه، یعنی HD2 (اقلیم فلات)، IIC5 (منطقه معتدل شمال)، IIID11 (منطقه معتدل جنوبی – داخل)، IIID12 (منطقه معتدل جنوبی)، IVA2 (منطقه نیمه گرمسیری شمال) تجمیع شدند. VA2 (منطقه نیمه گرمسیری عرض جغرافیایی میانی) و VIA1 (منطقه نیمه گرمسیری جنوبی) ⁵⁸ .

تحلیل و بررسی

فضای سبز شهری (UGS) به عنوان مجموع پوشش درختی و پوشش گیاهی غیردرختی تعریف شد که بخش زیر پیکسلی پوشش گیاهی را به تصویر می‌کشد. معادله فضای سبز شهری است

که در آن UGS _i درصد پوشش گیاهی شهری در هر پیکسل در یک سال معین از i است . برای تضاد بیشتر تغییرات در پوشش گیاهی درختی و غیردرختی، یک شاخص ترکیبی از ترکیب پوشش گیاهی زیرپیکسلی بر اساس نسبت درصد پوشش درختی و درصد پوشش گیاهی غیردرختی معرفی شد که به عنوان نسبت پوشش گیاهی درختی و غیردرختی (RTN) تعریف شد. معادله RTN است

جایی که i پوشش زمانی سالانه از 2000 تا 2020 است. میانگین کل منطقه پوشش درختی سالانه، پوشش گیاهی غیردرختی، UGS و RTN در منطقه‌بندی شهری از سال 2000 تا 2020 مورد بررسی قرار گرفت. از رگرسیون خطی قطعه‌ای با روش حداقل مربعات معمولی برای تخمین جهت و سرعت تغییر در پوشش گیاهی درختی و غیردرختی شهری استفاده شد.

ما یک آزمون ناپارامتریک برای روندهای یکنواخت، روش Mann-Kendall، برای بررسی روند فضای سبز شهری، پوشش درختی، و پوشش گیاهی غیردرختی از سال 2000 تا 2020 در سراسر چین اتخاذ کردیم. برای تخمین شیب روند من-کندال از روش Theil-Sen استفاده شد. سطح قابل توجهی از تجزیه و تحلیل روند مورد آزمایش قرار گرفت، و پیکسل ها ( P  <0.05) برای تجزیه و تحلیل بیشتر حفظ شدند. در سطح شهر، کسری از روند صعودی به روند نزولی مورد بررسی قرار گرفت. ما از اهمیت آماری و نقشه برداری پوشش گیاهی شهری استفاده کردیم، بنابراین شهرهایی که کمتر از 200 پیکسل با روندهای قابل توجه در UGS، پوشش درختی، یا پوشش گیاهی غیردرختی داشتند، حذف شدند.

Pixels with a significant tendency (p < 0.05) in both urban tree cover and nontree vegetation were divided into four groups: AA refers to double-ascending trends in both tree/nontree vegetation; DD refers to double-descending trends; AD refers to an ascending trend in tree cover accompanied by a descending trend in nontree vegetation, and vice versa for DA. Spatial patterns of the four categories of urban vegetation trends were examined and inter- and intra- compared between urban core and urbanization among megacities and large cities (with areas greater than 1000 km²). To assess how the change in vegetation composition affects the vegetation greenness, growth, and productivity, we examined the correlation of coefficients (R) between the slopes of the trends among tree cover, nontree vegetation, and a series of vegetation indicators (EVI_min, EVI_max, EVI_ave, EVI_amp, iEVI, and NPP). A t-test was used to examine the statistically significant level of the relationships (p-value). Further, Pearson’s correlations among these variables were also computed within the six climatic zones.

In this study, all satellite-based data (MOD44B, MOD13Q1, MCD12Q1, MCD12Q2, and MOD17A3H) acquisition, processing, analysis, and visualization were conducted in Google Earth Engine (https://explorer.earthengine.google.com).