基于语义分割的精细城市绿化评估:树木—草地—植物识别与绿色景观指数估算

《Current Oncology》:Fine-Grained Urban Greenery Assessment for Sustainable Urban Planning Using Semantic Segmentation: Tree–Grass–Plant Recognition and Green View Index Estimation

【字体: 大 中 小 】 时间:2026年10月21日 来源:Current Oncology 3.6

编辑推荐:

  城市绿化是可持续城市环境的重要组成部分,然而传统的绿色景观指数(Green View Index, GVI)评估仅汇总可见植被,未能区分绿化结构。本研究开发了一个整合语义分割与结构特定及总体GVI估算的精细评估框架。研究将ADE20K中与植被相关的标注重新映射

  
城市绿化是可持续城市环境的重要组成部分,然而传统的绿色景观指数(Green View Index, GVI)评估仅汇总可见植被,未能区分绿化结构。本研究开发了一个整合语义分割与结构特定及总体GVI估算的精细评估框架。研究将ADE20K中与植被相关的标注重新映射为背景、树木、草地和植物类别,并在统一协议下评估了SegNet、金字塔场景解析网络(Pyramid Scene Parsing Network, PSPNet)、DeepLabV3+和SegFormer-B0四种模型。在种子42的代表性运行中,DeepLabV3+取得了数值上最高的平均交并比(mean Intersection over Union, mIoU)(66.564%)和绿色mIoU(57.938%)。在三个随机种子中,SegFormer-B0取得了最高的平均mIoU(67.120±0.721%)和绿色mIoU(58.583±0.967%),表明多次重复运行中分割性能总体一致。树木的识别准确度高于草地,而植物的IoU最低。在主要仅植被定义下,对Cityscapes数据集进行无需微调的直接评估显示,SegNet取得了73.826%的绿色IoU和0.897的GVI R2。敏感性分析进一步纳入Cityscapes地形类别后,SegNet仍为最佳模型,绿色IoU为75.267%,GVI R2为0.920。此外,研究还利用杭州市500个四方向采样点的2000张街景图像进行了补充性的应用导向案例研究。完整杭州数据集用于检验与自动化参考估算的一致性,另外80张人工标注图像子集提供了绿色/非绿色分割的独立像素级验证。这些结果提供了一种结构感知的可见绿化度量,可补充总GVI在街道级绿化监测中的应用,并为可持续城市规划中需详细评估的位置识别提供支持。
论文解读:基于语义分割的精细城市绿化评估框架
一、研究背景与问题
城市绿化是可持续城市环境的重要组成部分,对生态环境质量、景观美学、热舒适性和人类福祉均有显著贡献。传统基于航空或卫星影像的绿化指标主要从俯视角度描述植被,难以反映行人尺度上的街道绿化感知。为弥补这一不足,绿色景观指数(Green View Index, GVI)被引入以量化地面图像中可见绿化的比例,并成为评估街道级城市绿化的重要指标。随着街景影像的普及,基于深度学习的语义分割技术已能实现像素级植被识别,为GVI估算提供了自动化基础。
然而,现有基于图像的绿化评估方法大多聚焦于场景中植被或树木覆盖的总比例,这种聚合表征虽能描述整体视觉绿度,却无法提供城市绿化内部组成的信息。在实际城市环境中,树木、草地和其他植物具有不同的空间结构、垂直分布和视觉特征,两个总GVI相近的街景可能包含截然不同的绿化组成。区分这些植被组分可提供超越单一聚合绿化比例的额外信息,对生态系统评估和空间规划具有重要意义。尽管自动化图像方法已广泛用于估算整体可见绿化,但个体绿化结构的识别精度及其对GVI估算的贡献受到的关注相对有限,这正是本研究针对的具体科学空白。
二、研究内容与结论
本研究开发了一个整合语义分割、植被结构识别和GVI估算的精细城市绿化评估框架。该框架不将所有可见植被视为单一类别,而是区分树木、草地和植物组分,并评估其分割性能和图像级绿化度量的贡献。研究在统一实验协议下评估了SegNet、PSPNet、DeepLabV3+和SegFormer-B0四种代表性语义分割模型,并从两个不同证据层面检验了外部适用性:Cityscapes像素级跨数据集泛化评估,以及杭州四方向街景影像的应用导向案例研究。
研究得出以下主要结论:在ADE20K验证集上,DeepLabV3+在代表性运行中取得数值最高的整体mIoU(66.564%)和绿色mIoU(57.938%);跨三个随机种子,SegFormer-B0取得最高平均mIoU(67.120±0.721%)和绿色mIoU(58.583±0.967%)。树木识别准确度普遍高于草地,植物IoU最低。像素级分割精度与图像级GVI估算精度密切相关但非完全等价,模型排名在两种评估层面存在细微差异。在Cityscapes直接评估中,SegNet在主要植被定义下取得73.826%的绿色IoU和0.897的GVI R2,纳入地形类别后提升至75.267%和0.920。杭州案例研究中,SegNet在采样点级别取得最低MAE(2.861个百分点)和最高R2(0.920)。研究还发现,预测总GVI相近的采样点可能具有显著不同的模型预测植被组成,说明聚合GVI值可能掩盖绿化组分的差异。
三、关键技术方法
研究人员使用ADE20K作为主要训练和验证数据集,将原始150类标注中与植被相关的类别重新映射为背景(0)、树木(1)、草地(2)、植物(3)和忽略(255)四类可训练语义标签。经植被存在性筛选后,保留9024张训练图像和877张验证图像。四种模型均在统一协议下训练50个epoch,批大小为8,使用AdamW优化器和ReduceLROnPlateau学习率调度,以验证mIoU为模型选择标准。Cityscapes数据集(3475张图像)用于跨数据集泛化评估,杭州案例研究包含500个四方向采样点的2000张街景图像(来源:百度地图),另有80张人工标注图像用于像素级验证。评估指标包括类别IoU、mIoU、绿色mIoU、平均像素精度(mPA)、像素精度、精确率、召回率、F1分数,以及GVI估算的MAE、RMSE和R2,并辅以Bland–Altman分析检验误差的幅度依赖性。
四、研究结果
数据集统计:ADE20K子集中树木占有效标注像素的11.16%,草地占4.25%,植物占2.41%,三者合计17.82%,植物类别存在显著类别不平衡。
整体语义分割性能:种子42代表性运行中,DeepLabV3+取得最高mIoU(66.564%)和绿色mIoU(57.938%),SegFormer-B0以66.304%和57.494%紧随其后,SegNet和PSPNet分别取得65.300%和63.421%的mIoU。
精细绿化分割性能:树木分割最准确,DeepLabV3+取得最高树木IoU(71.770%);草地方面SegFormer-B0最优(63.080%);植物在所有模型中均表现最差,最高仅为DeepLabV3+的40.558%。类别层面呈现树木>草地>植物的一致性能排序。
运行稳定性分析:跨三个随机种子,SegFormer-B0取得最高平均mIoU(67.120±0.721%)和平均绿色mIoU(58.583±0.967%),表明主要分割结果在多次独立运行中总体一致。
GVI估算精度:四种模型的总GVI估算R2介于0.826至0.850之间。SegFormer-B0取得最低MAE(4.212个百分点),SegNet取得最低RMSE(9.482个百分点)和最高R2(0.850)。结构特定估算中,DeepLabV3+在树木比例估算上最优,SegFormer-B0在草地绝对误差上最低,SegNet在植物比例估算上表现最强。
GVI一致性分析:散点分布显示预测与参考GVI呈正相关,高绿化图像中偏差较大。Bland–Altman分析显示所有模型均存在轻微负向总体偏差,比例偏差斜率均为负且统计显著,确认模型倾向于低估高可见绿化比例图像。
定性比较:各模型均能识别主要绿化区域和整体空间分布,差异主要出现在语义边界和小型植被结构附近,植物区域更易出现碎片化、遗漏或与相邻绿化类别混淆。
跨数据集泛化:在Cityscapes上,SegNet取得最高二元mIoU(84.549%)和绿色IoU(73.826%)。敏感性分析纳入地形类别后,所有模型绿色IoU提升1.032–1.482个百分点,但模型相对排序保持稳定。
杭州GVI一致性案例研究:采样点级别所有模型R2介于0.903至0.920,SegNet取得最低MAE(2.861个百分点)和最高R2(0.920)。80张人工标注子集上,绿色IoU介于76.770%至78.710%,SegFormer-B0取得最高绿色IoU(78.710%)和F1分数(88.087%)。组成分析显示,预测总GVI相近的采样点可能具有显著不同的树木、草地和植物组成。
五、讨论与结论
讨论部分指出,像素级分割精度与图像级GVI估算精度密切相关但非完全等价。语义分割指标评估像素级空间对应关系,而GVI主要取决于被识别为绿化的像素总比例,因此空间错位的预测可能降低IoU但保持总绿化面积接近参考值。树木、草地和植物间的混淆会降低四类分割性能,但只要相关像素仍被分类为三种绿化类别之一,总预测GVI不受影响。研究还指出,仅依据传统像素级指标评估分割模型可能无法完全表征其在下游绿化量化中的适用性,将分割指标与直接GVI误差度量相结合可提供更完整的评估。
植物识别难度最高可能与类别不平衡(仅占2.41%有效像素)、视觉异质性、碎片化空间分布和与树木草地的语义重叠有关,但研究仅将其视为可能因素而非已证实的因果关系。跨数据集结果证明,从ADE20K学习到的绿化表征在无需微调的情况下对独立街景数据集保持了实质性可迁移性。
研究结论表明,该框架提供了一种结构感知的可见绿化度量,可补充总GVI在街道级绿化监测中的应用,并为可持续城市规划中需详细评估的位置识别提供支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号