加拿大城市可扩展的树木冠层建模

《Urban Forestry & Urban Greening》:Scalable urban tree canopy modelling for Canadian cities

【字体: 大 中 小 】 时间:2026年06月30日 来源:Urban Forestry & Urban Greening 8.2

编辑推荐:

  巴扬·沙埃里|陆宇浩|亚历山大·J.F.马丁|卢卡斯·G.奥尔森|拉斐尔·阿扬比雷|托明·埃莫西利亚|露西拉·M.科罗|杰伊·E.迪芬多弗|彼得·C.伊布森 加拿大曼尼托巴大学建筑学院景观建筑系,地址:84 Curry Place,温尼伯,MB R3T 2M6 **摘要

  巴扬·沙埃里|陆宇浩|亚历山大·J.F.马丁|卢卡斯·G.奥尔森|拉斐尔·阿扬比雷|托明·埃莫西利亚|露西拉·M.科罗|杰伊·E.迪芬多弗|彼得·C.伊布森
加拿大曼尼托巴大学建筑学院景观建筑系,地址:84 Curry Place,温尼伯,MB R3T 2M6

**摘要**
城市树木冠层是监测气候适应能力、制定政策目标以及设计公平城市的重要指标。然而,目前可靠的城市树木冠层估算数据仍然有限。本研究提出了一种可迁移的城市树木冠层建模框架,利用全球开源数据来绘制树木冠层占比图。该方法结合卫星光谱产品和高分辨率冠层高度数据,为加拿大19座城市构建了针对性的机器学习模型。通过交叉验证评估模型精度,其R2值在0.67至0.88之间,均方根误差则在5.5%到16.3%之间。在三个城市中,通过机载激光扫描进行独立验证后,结果显示模型与实际数据高度吻合(皮尔逊相关系数为0.82至0.92)。研究结果表明,城市树木冠层分布不均,通常呈右偏态,大型公园和河岸带占据了较大比例的树木冠层资源。绿色度和湿度是最具影响力的预测因子,而模型残差则集中在树木冠层较厚的区域。由此得到的树木冠层分布图及建模框架,可为不同生态区域的树木冠层分布评估、基准对比以及长期城市尺度上的树木冠层变化监测提供一致且可重复的方法。

**引言**
城市树木覆盖度是指城市区域内被树木冠层覆盖的百分比,它是城市森林管理和监测中的关键指标(Konijnendijk, 2023)。各城市政府及城市林业机构会在城市规划文件中设定树木覆盖度目标,从而将这一指标纳入规划之中(Morgenroth等人,2025)。此外,树木覆盖度数据还广泛应用于城市环境研究,涉及城市热岛效应(Lu等人,2022;Ziter等人,2019)、城市绿色空间可达性(Locke等人,2023;Martin和Conway,2025)、雨水管理(Selbig等人,2022)、空气污染控制(Lovasi等人,2013)、野生动物活动规律研究(Brunbjerg等人,2018;Teixeira等人,2013)以及碳储存量核算(Steenberg等人,2023)等多个领域。因此,准确的树木覆盖度数据对于城市森林的基线测绘、存量统计以及未来目标的实现进展监测至关重要。

树木覆盖度数据需要具备一致性、空间明确性以及可比性。具体而言,为全面评估树木覆盖度并为其在城市林业管理、规划及研究中的应用提供基准,树木覆盖度数据及其建模方法应满足以下要求:(一)直观性,以城市土地表面的百分比形式呈现;(二)空间明确性,能够与其他地理空间建模方法兼容;(三)可扩展性,能够在较大范围和较长时间内反复进行树木覆盖度估算;(四)成本效益,充分利用开源且易于获取的数据集。

过去,人们已经开发出多种方法来收集、分析并表示不同尺度下的城市树木状况(Miller等人,2015)。在单个地块或城市街区层面,树木冠层覆盖度数据通常是通过在航拍图像上手工标注冠层范围来获得的(Martin,2023)。在更大的范围内,树木覆盖度则多通过基于i-Tree(Nowak等人,2018)等模型的航拍图像人工解读,或通过半球形摄影结合样地调查来估算(King & Locke,2013),这些方法都需要实地考察并投入大量样本采集工作。Selim等人(2023)建议每公顷设置760个采样点(即10,000平方米),相当于每个城市街区约1,500个采样点。当需要在更大范围(如整个城市)应用这些方法时,工作量会非常大且十分耗时。正因如此,人们越来越需要更为系统、可扩展且可重复的方法(Corro等人,2025;W. Dong等人,2025;Liu, Liu, Chen等人,2024;Liu, Liu, Qi等人,2024)。

近年来,机载激光扫描和地面激光扫描技术以及基于无人机的摄影测量技术的发展,使得人们能够系统地生成各种规模的数据集,从精细到树级的数字克隆模型(Nitoslawski等人,2019;Olson等人,2025),到覆盖整个区域的树木冠层位置图(Erker等人,2019)。这些技术能够生成精确的二维冠层轮廓和三维结构参数,有助于建立基于卫星数据的宏观植被数据库,并通过分析激光扫描得到的冠层参数与中分辨率影像的光谱特征之间的统计关系,对数据库进行验证(Hermosilla等人,2024)。不过,在城市环境中,由于资金限制、扫描频率较低或数据不连续,尤其是在小规模社区中,这类激光扫描数据的获取往往较为困难。

另一种方法是利用中分辨率多光谱影像计算出的光谱指数来估算和绘制树木覆盖度,这类影像包括Landsat系列、Copernicus系列以及美国国家农业影像计划提供的航拍图像。尽管基于卫星的植被指数在技术上已经成熟,但在许多城市的规划实践中应用仍较为有限(Martinez等人,2023)。虽然可以通过Google Earth Engine等平台获取这些指数,如归一化差异植被指数,但它们往往难以解读,决策者也未必能直观理解其含义(Feltynowski等人,2018)。像树木覆盖度这样易于理解的指标,则能为各种城市规划和研究需求提供更准确的树木数量信息,尤其适用于小型社区(Martinez等人,2023)。

为满足对大规模、可扩展且易于理解的树木覆盖度数据的需求,人们已经开发出了全球森林数据集,其中重点发展了冠层高度模型,如Lang等人(2023)和Tolan等人(2024)所建立的模型。尽管这些数据集在大规模森林测绘方面取得了显著进展,但其在城市环境中的应用仍然有限。与基于激光扫描的冠层高度模型类似,这些全球性的冠层高度模型也能提供高分辨率的参考数据,为预测模型训练和交叉验证提供支持,进而提升区域及城市尺度的树木覆盖度建模精度。

从概念上来看,该建模框架处于城市生态学、遥感技术以及城市可持续性与生态系统服务之间的交汇点。城市生态学为这一框架提供了理论基础,将树木覆盖度视为城市中各类生态系统服务供给程度的空间化体现,这些服务包括温度调节(Aminipouri等人,2019)、雨水渗透减缓(Selbig等人,2022)、空气质量改善(Akbari等人,2001)、生物多样性保护(Locke等人,2023)以及人类福祉提升(Lafortezza等人,2009),而这些服务的规模和分布状况在很大程度上取决于树木覆盖度的空间分布和密度。

城市遥感技术则提供了持续量化树木覆盖度所需的数据,而基于实地调查的统计方法无法在城市或多个城市层面实现这一功能(Galle等人,2021;Lu等人,2016;Nielsen等人,2014)。此外,随机森林回归等机器学习方法则为多源光谱、热源及结构数据与城市生态学所需的树木覆盖度估算值之间建立了联系(Fassnacht等人,2023)。

城市可持续性研究则进一步将城市遥感技术与生态学相结合,不仅将树木覆盖度分布视为一种生物物理现象,还将其视为与治理公平性相关的议题(Czekajlo等人,2023;Nesbitt等人,2017;Nesbitt等人,2019)。通过建模发现的树木覆盖度空间分布不均现象,反映了土地利用规划、基础设施投资以及社会经济状况等因素的累积影响,这直接决定了哪些社区能够从树木冠层带来的生态系统服务中受益,而哪些社区则需承受更高的城市热岛效应、洪水风险及空气质量恶化等问题。

这一概念框架为本研究的目的、所使用的数据集与变量以及后续研究方向提供了依据。本研究在当前树木覆盖度建模领域做出了三项重要贡献。首先,通过将多源开放数据整合到120米分辨率的网格上,我们减少了30米像素分类中存在的“斑点状”噪声,同时保持了足够的细节以用于社区层面的规划工作。其次,与通常仅涵盖行道树或公共用地的城市植被调查不同,本方法能够为所有类型的土地提供全面的树木冠层占比数据,从而实现对城市绿色空间的更全面评估。最后,由于采用了全球范围内的开源数据而非本地激光扫描数据,我们建立了一个可在加拿大其他城市应用的通用树木覆盖度建模框架。该方法已在加拿大19座规模、生态类型及建成环境各不相同的城市中得到测试,能够生成连续且易于理解的树木冠层百分比数据。

**方法**
本研究采用的多源遥感数据包括光谱产品、地表温度数据以及建筑形态相关数据。这些数据通过120米分辨率的网格系统进行空间整合。我们选择120米的分析网格,既能捕捉城市内部的空间差异,又能减少传感器差异带来的误差。这一网格面积相当于4×4个30米分辨率的Landsat像素,大致相当于加拿大典型城市街区的大小(100–150米)。通过聚焦模型性能与精度……

在19个研究城市中,模型残差的空间分布显示出一定的城市内部规律性,尽管整体误差幅度存在较大差异(均方根误差为5.5–16.3%,平均绝对误差为2.6–10.8%)。所有城市的残差值大多集中在零附近,表明城市层面不存在明显的系统性偏差。这一结论在残差的直方图中也得到了体现,这些直方图基本呈对称分布。交叉验证的R2平均值约为0.80,具体数值在0.67(不列颠哥伦比亚省基洛纳市)到0.88(普林斯阿尔伯特市)之间。

**树木覆盖度映射模型的性能**
随机森林回归模型的精度与近期区域性的树木冠层占比模型相当。Corro等人(2025)在对美国城市进行的30米空间分辨率的区域性树木覆盖度估算研究中,报告的平均R2值为0.75,均方根误差在24.7%左右。在500米的空间分辨率下,Liu等人(2024)在用2010年左右的美国地质调查局全球土地覆盖参考数据集进行验证时,得到的全球森林覆盖率R2值为0.73。在更高空间分辨率下,Erker等人……

**结论**
本研究提出了一种标准化且可迁移的树木覆盖度建模框架,该框架完全基于开源数据,可用于绘制加拿大城市的树木冠层占比图。通过将全球人类居住区层数据、Meta公司的冠层高度模型以及Landsat光谱指数整合到120米分辨率的网格上,我们弥补了高成本本地激光扫描调查与全球森林数据之间的差距。该方法已在加拿大19座城市中得到应用,取得了……

**未引用文献**
(加拿大植物耐寒区信息网站 | 加拿大自然资源部,无日期;Dong等人,2025;Pesaresi和Politis,2023a;Pesaresi和Politis,2023b;加拿大陆地生态区信息——开放政府门户网站,无日期)

**CRediT作者贡献说明**
彼得·C.伊布森:撰写——审阅与编辑。杰伊·E.迪芬多弗:撰写——审阅与编辑。亚历山大·J.F.马丁:撰写——审阅与编辑、模型验证、概念设计。陆宇浩:撰写——审阅与编辑、初稿撰写、模型验证、项目监督、软件使用、资源协调、项目管理、研究方法设计、数据收集、概念设计。巴扬·沙埃里·富鲁坦:撰写——审阅与编辑、初稿撰写、结果可视化、模型验证。

**利益冲突声明**
作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。

**致谢**
我们感谢曼尼托巴大学的URGP和URA项目为这项研究提供的资金支持。同时,也要感谢曼尼托巴大学Grex高性能计算中心(RRID编号:SCR_026342)在计算支持和云存储方面给予的帮助。此外,我们还要感谢Nicholas Coops博士对本手稿初稿提出的宝贵意见。
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