城市行道树是绿色基础设施的重要组成部分,具有调节气候、净化空气、降低噪音、提升生物多样性以及改善公众健康等生态功能(Kan, 2020; Leung et al., 2011)。然而,随着高密度城市发展的加剧,行道树因生长空间受限以及人为破坏而逐渐失去活力与抵抗力,出现树干空洞和腐朽等健康问题(Egerer et al., 2024; Jim, 1998; Liu et al., 2017; Wang, 2020)。树干空洞和腐朽会严重削弱树木的结构稳定性,可能引发树枝断裂甚至树木倒塌等安全隐患(Benítez et al., 2021; Chen et al., 2022; Wei et al., 2022)。
先前的研究表明,导致行道树(如悬铃木)倒伏的主要风险因素包括根系分布不均以及树干内部腐朽,尤其是由腐朽引发的树干结构损伤,这对城市安全构成了重大威胁(He et al., 2024; SOGE, 2020)。树干腐朽主要由病虫害侵害、自然生长缺陷以及外部损伤引起(Hui et al., 2022; Portoghesi et al., 2023)。病原体和昆虫会直接破坏树皮和木质部(Yamamoto et al., 2022),而真菌感染则会分泌酶类分解木材组织,从而导致树干腐朽(Hanum et al., 2020; Lundell et al., 2010)。某些钻树皮和食木的昆虫则是重要的机械传播媒介,它们通过穿透树皮,将寄生在木材中的真菌孢子直接传播到树体内部组织,从而加速内部木材的菌群滋生及后续结构腐朽。此外,不当修剪或车辆撞击等人为因素造成的机械损伤也会提高树木组织感染病原体的风险(Suchocka et al., 2021)。由于表面积更大且养分输送需求更高,胸径较大的树木在环境压力下更容易出现内部腐朽(Eleuterio et al., 2020; Qian et al., 2023; Salmona et al., 2018)。
自20世纪80年代以来,用于检测树干内部腐朽的技术不断进步,超声波(Alani et al., 2020)、应力波(Wang & Allison, 2008)以及雷达波(Mertens & Lambot, 2014)等无损检测方法已被广泛应用(Goh et al., 2018; Proto et al., 2020; Zhang and Khoshelham, 2020)。PiCUS-3声波断层扫描技术在检测白橡树、悬铃木以及樟树的树干内部腐朽方面表现优异(Tarmu et al., 2022)。不过,这类方法通常成本高昂、操作复杂且耗时较长,难以在大规模范围内应用(He et al., 2024; Taskhiri et al., 2019)。对于像上海这样目前管理着超过173万株行道树的大都市而言,全面应用此类复杂的无损检测技术在经济和物流层面都存在较大困难。因此,开发高效、快速且准确的腐朽预测方法,对于大规模城市树木的健康管理与安全保障至关重要。
传统的视觉树况评估方法是通过观察树木的外部特征并测量相关结构指标来评估树木缺陷及内部腐朽程度。研究表明,树木缺陷与树高、树冠宽度等结构指标之间存在显著相关性(Chau et al., 2020),而外部特征与内部腐朽之间的关联则提升了视觉评估的可靠性(Kennard et al., 1996)。经验丰富的树木专家能够通过观察树木的外部特征有效识别潜在风险(Okun et al., 2023; Rooney et al., 2005)。例如,大多数患有树干腐朽的椴树和桦树,都会通过裂纹、机械损伤以及真菌子实体等外部特征表现出来(Terho, 2009)。在美国佛罗里达州进行的一项研究(Koeser et al., 2016)发现,当橡树腐朽面积超过树干直径的30%时,会有90%的树木出现外部异常迹象。这些研究都表明,作为一种直观简单的方法,外部特征检测具有预测内部腐朽的潜力。
近年来,人工智能与计算机视觉技术的融合为城市森林健康监测的数字化转型带来了革命性变革。各种标准算法和深度学习架构被越来越多地用于无创评估树冠衰退、结构缺陷以及生物胁迫状况。例如,最近的研究创新性地采用了多尺度注意力增强型深度学习方法,成功自动检测并分类了上海城市悬铃木中的七种主要树干害虫和真菌病害(Song et al., 2025)。尽管这些专门的深度学习模型在检测活跃的生物侵害方面具有无可比拟的优势,但目前仍存在一个关键的操作缺口,即如何将复杂的机器学习框架与城市工作人员能够在现场快速使用的视觉评分指标相结合。
尽管视觉评估方法具有很大潜力,但如何将定性的外部特征转化为量化的、针对特定物种的概率模型,仍是大规模城市林业领域尚未解决的难题。为填补这一关键空白,本研究提出了一种基于数据的、分阶段的城市行道树筛查策略。具体目标包括:(1)运用熵权法建立客观的内部腐朽指数(E值),并根据数据分布的自然斜率变化对腐朽严重程度进行分级(I级至V级);(2)构建平衡训练数据集以解决类别不平衡问题,并利用随机森林算法筛选出判断内部腐朽的最关键视觉指标;(3)在规模较大且独立的时空数据集上验证该预测模型的诊断性能。最终,我们希望提出一种成本效益高的“两阶段”城市树木结构筛查策略,从而优化无损检测资源的分配。