《Frontiers in Forests and Global Change》:Auditing visible and structural vegetation signals for urban forest monitoring using street-view imagery and airborne LiDAR
编辑推荐:
摘要
引言: 街景影像(street-view imagery)可捕获可见绿化度,而机载LiDAR(airborne LiDAR)可测量植被结构。研究人员在波兰克拉科夫卡齐米日(Kazimierz, Krakow)评估了二者的一致性与不匹配情况。
方法: 研究
摘要
引言: 街景影像(street-view imagery)可捕获可见绿化度,而机载LiDAR(airborne LiDAR)可测量植被结构。研究人员在波兰克拉科夫卡齐米日(Kazimierz, Krakow)评估了二者的一致性与不匹配情况。
方法: 研究人员将语义分割(semantic segmentation)后的谷歌街景(Google Street View)影像与分类后的机载LiDAR指标在30 m空间支撑(spatial support)下进行配对,共获得2,376个有效配对记录。研究人员考察了相关性、审计类别(audit classes)、时间滞后(temporal lag)、回波过滤(return filtering)及影像质量。
结果: 可见植被与结构植被呈显著相关(Pearson r = 0.694;Spearman rho = 0.750)。影像上半部植被/高LiDAR植被配对的相关性为r = 0.717。审计识别出281个“可辨绿色结构”(legible-green-structure)、27个“潜在结构绿化”(latent-structural-greenness)、59个“影像可见绿”(image-visible-green)、711个“低绿硬质景观”(low-green-hardscape)以及1,298个“混合/中等”(mixed/moderate)记录。在不同时间滞后及排除噪声和重叠回波后,相关性仍保持正向。在独立复核的影像中,重大植被误差出现在3.3%–8.3%的影像中。
讨论: 两种传感方法提供了互补性证据。不匹配情况可识别出在采取管理行动前需进行场地、树木状况或权属核查的位置;该审计并不确立生态状况。
城市森林监测的多模态审计:街景影像与机载LiDAR的可见与结构植被信号协同分析
一、研究背景与问题提出
城市森林由空间上分散的植被资源构成,分布于公共街道、庭院、机构用地、公园等多种权属环境中。遥感技术虽极大扩展了这些资源的制图尺度,但不同传感系统观测的是植被的不同侧面。街景影像(street-view imagery, SVI)提供行人视角的可见绿化信息,而机载LiDAR则刻画植被的三维结构特征。然而,单一传感器均无法完整表征城市森林资源:SVI的可见绿化比例仅是影像平面条件,不能确立植被高度、木质结构、永久性、健康状态、权属或生态功能;机载LiDAR虽能表征植被高度与垂直排列,但分类回波可能混合乔木、灌木等不同植被类型,结构存在亦不等同于生态状况良好。此外,SVI覆盖存在空间偏差,影像获取日期、视角和时间连续性各异;跨传感器融合还受时间滞后和空间支撑不匹配的影响。因此,城市森林监测既需要覆盖审计(coverage audit),也需要构念审计(construct audit),即观测是否存在以及观测是否支持所赋予的解释。本研究以克拉科夫卡齐米日历史城区为案例,因其狭窄街道、庭院、受保护建筑肌理及公私边界使可见与结构植被的关系尤为复杂,旨在回答四个问题:可见与结构植被指标的对齐程度如何;街面可见性与结构绿化在何处不一致;第二传感模态如何改变单一来源筛查;所得类别对数据过滤、空间聚合、依赖性和分类规则的敏感性如何。
二、研究内容与主要结论
研究人员开发了一种多模态审计工作流,将街景语义指标与机载LiDAR形态指标在共同空间支撑下对齐。在2,376个有效配对记录中,语义植被与LiDAR植被显著相关(Pearson r = 0.694;Spearman ρ = 0.750),冠层导向的影像上半部植被与LiDAR高植被配对相关性更强(r = 0.717;ρ = 0.770)。绿色审计识别出281个可辨绿色结构(11.8%)、27个潜在结构绿化(1.1%)、59个影像可见绿(2.5%)、711个低绿硬质景观(29.9%)及1,298个混合/中等(54.6%)记录。开放度审计亦产生类似类别分布。单源筛查的条件性重分类显示,低可见绿筛查(n = 974)中包含711个联合低绿、18个潜在结构绿化和245个混合/中等记录,说明并非所有视觉低绿位置都缺乏结构植被。时间滞后分层显示各滞后组相关性均保持正向,但最长滞后组(>5年)的衰减提示获取时间对齐的重要性。排除噪声和重叠回波后相关系数升至r = 0.720。空间块自助法(block bootstrap)给出潜在结构绿化为1.14%(95%区间0.64%–1.67%)、影像可见绿为2.48%(1.59%–3.55%)的比例估计。人工语义QA显示重大植被误差仅出现在3.3%–8.3%的影像中。该研究的重要意义在于将城市森林监测重构为可见与结构植被信号的多模态审计,提供可复现的配对工作流、可解释的验证类别和明确的的不确定性报告,而非将任一传感器视为普适真值。
三、关键技术与方法
研究采用以下主要技术方法:其一,街景影像获取与语义分割,沿OpenStreetMap街道几何以40 m间隔生成候选点,检索谷歌街景全景影像,每个点位获取0°、90°、180°、270°四个方向的640 × 640像素影像,使用nvidia/segformer-b0-finetuned-cityscapes-1024-1024模型进行语义分割,计算植被比、自然比、立面比、天空比等指标;其二,机载LiDAR处理与形态指标提取,29个LAZ文件共717,503,084个点,在20 m、30 m、50 m圆形缓冲区内提取植被比、高植被比、低开放比、高障碍比、垂直熵等指标;其三,空间配对与指标协调,将SVI自然比与LiDAR植被比在2,376个有效配对记录内标准化为z分数,按明确阈值规则分配互斥审计类别;其四,稳健性与不确定性评估,采用Pearson和Spearman相关系数、全景唯一记录、位移过滤、时间子集、街道聚类自助法、100 m空间块自助法、多种替代分类规则及人工语义QA。
四、研究结果
4.1 覆盖与配对:元数据查询从2,478个候选点中获得2,424个成功样本点,54个失败点在空间上有结构分布,其50 m内中位街道长度较短(316 m vs. 596 m)、距遗产边界中位距离较远(300 m vs. 209 m)。四个方向共产生9,696张方向影像,关联1,713个唯一全景。2,376个记录具有有效30 m SVI-LiDAR配对,48个街景点在30 m内缺乏LiDAR支撑,这些点更靠近样本边缘且语义植被均值更高(0.311 vs. 0.148),提示排除可能低估更绿边缘和居住区背景。查询到全景的中位位移为5.86 m,95百分位为37.43 m。主要LiDAR分配将1,610个配对记录置于源组83,134,766个置于75,174。
4.2 跨模态对齐:语义植被与LiDAR植被在30 m支撑下Pearson r = 0.694、Spearman ρ = 0.750。影像上半部植被与LiDAR高植被配对r = 0.717、ρ = 0.770,配对街道聚类自助法显示Δr = 0.023(95%区间0.014–0.032),该适度增强与两种测量均强调垂直植被时对齐度提高一致,但不构成因果隔离或树冠验证。天空比与LiDAR高障碍r = ?0.747,与LiDAR低开放比r = 0.637。立面比与LiDAR建筑比r = 0.610。位移过滤至50 m保留2,321条记录(r = 0.715),2022年及以后子集r = 0.699,2024年及以后子集r = 0.711。时间滞后分层中,≤1年组r = 0.709,>5年组r = 0.659,正相关持续但最长滞后组衰减。
4.3 审计类别:绿色审计在2,376个配对记录中包含281个可辨绿色结构(11.8%)、27个潜在结构绿化(1.1%)、59个影像可见绿(2.5%)、711个低绿硬质景观(29.9%)和1,298个混合/中等(54.6%)。开放度审计包含337个可辨开放(14.2%)、21个潜在开放(0.9%)、88个影像可见天空(3.7%)、547个高围合条件(23.0%)和1,383个混合/中等(58.2%)。这些类别为互斥的筛选标签,而非生态类型。
4.4 重分类输出:低可见绿筛查(z < ?0.50)含974个点,重分类为711个低绿硬质景观、18个潜在结构绿化和245个混合/中等。高可见绿筛查(z ≥ 0.75)含548个点,含281个可辨绿色结构、59个影像可见绿和208个混合/中等。低LiDAR植被筛查含969个点,含41个影像可见绿。低可见天空筛查含839个点,含547个高围合条件。低结构开放筛查含829个点,含72个影像可见天空。重分类表明单源筛查不能自动等同于跨模态结论。
4.5 敏感性、空间稳健性与语义QA:不同阈值规则下,潜在结构绿化从12到38个点、影像可见绿从28到67个点变化;残差规则分别返回159和198个点。与主要标签的一致性ARI = 0.845(更严格z)、0.445(四分位)、0.472(三分位)、0.295(高斯混合)。100 m空间块自助法给出潜在结构绿化1.14%(95%区间0.64%–1.67%)、影像可见绿2.48%(1.59%–3.55%)。源组75,174平均点密度53.66点/m2、重叠占比42.29%,源组83,134分别为25.03点/m2和14.24%,但源特异性植被相关相似(r = 0.731和0.702)。排除噪声和重叠回波后r升至0.720。街道聚类自助法95%区间为0.666–0.721(Pearson r)。200影像人工QA的序贯植被、天空、立面等评分精确一致率71.5%–83.0%,二次加权kappa 0.727–0.929;目标60影像审计中,重大植被误差率3.3%–8.3%,多数影像整体评分≥3(83.3%和93.3%)。
五、讨论与结论
讨论部分指出,街景语义与机载LiDAR形态共享大量植被信号但不可互换。高可见绿比识别行人可见植被但不证明冠层等效结构;高LiDAR植被比识别分类结构回波但不证明树木身份、健康、权属或效益。跨模态类别保留传感器特定含义,不将其转化为生态类型。时间分层显示正相关持续,但超过5年的衰减及2009至2026年的影像跨度提示获取时间对齐的重要性。点、街道、网格系数的方向一致但量级变化,符合可修改面积单元问题(modifiable areal unit problem, MAUP)。阈值和分母敏感性对稀有类别成员的影响大于对连续相关性的影响,高斯混合分区未复现规则审计类别。研究存在六项主要局限:单一历史城区、异步获取、通用Cityscapes类别误差、LiDAR比值的处理敏感性、GSV检索失败和LiDAR缺失的空间结构、以及两种模态均不观测单树身份、物种、健康、热性能、生物多样性、可达性、权属或居民价值。
研究结论为:本研究将城市森林监测重构为可见与结构植被信号的多模态审计。在2,376个有效街景-LiDAR配对中,影像派生可见指标与LiDAR派生结构指标相关但不等价。其不一致性将单源绿化筛查分解为具有不同证据需求的验证类别。管理贡献在于可复现序列:保留传感器来源、对齐空间与时间支撑、比较观测构念而非宣布普适真值传感器、暴露跨模态不一致、报告分类不确定性、并将每个类别连接到特定现场验证需求。该工作流可支持树木清查复核和巡检规划,同时避免自动种植或移除处方。其可迁移性仍是后续多城市、多季节研究结合同步获取与独立城市森林实地数据的假设。