城市树木碳储量的高精度三维空间评估：基于RGB卫星影像与叠栈随机森林回归的创新方法

本综述系统阐述了利用RGB卫星影像与叠栈随机森林回归（S-RFR）算法，通过构建城市树冠指数（UTCI）和定量结构模型（QSM），实现城市树木三维参数（树高、胸径DBH、体积）精准提取与碳储量（Carbon Stock）计算的方法体系，为城市绿地规划与气候韧性建设提供科学支撑。

　　

Highlight

UTP提取精度

在验证区域内，模型提取的城市树木斑块（UTP）总面积为18,751.63 m²。与人工标注结果对比显示（图7），人工标注UTP面积为18,565.01 m²，其中真阳性区域为16,652.25 m²，假阴性和假阳性区域分别为1,912.76 m²和2,099.38 m²。各验证区UTP提取结果及对应精度指标见表2。总体召回率、精确率和F1分数分别达到0.90、0.89和0.89，表明该方法在复杂城市环境中具有卓越的树木识别能力。

方法精度与对比

本研究提出了一套系统性方法，用于提取都柏林市中心城市树木的三维信息并计算其碳储量，进而推广至全市范围。叠栈机器学习技术（Stacked Machine Learning）在处理大规模高维数据时表现出高精度与强解释力（Liu et al., 2021）。然而，S-RFR中的迭代次数相对于集成规模仍需优化（Prasad et al., 2019, Jiang et al., 2022）。

结论

本研究开发并验证了一种改进方法，利用高分辨率RGB卫星影像首次对爱尔兰都柏林市的城市树木进行三维信息提取和碳储量计算。我们定义了新型城市树冠指数（UTCI）以识别影像中的树冠斑块，进而应用S-RFR模型提取关键树木参数（总数、体积、高度、胸径DBH）用于碳储量测算。结果表明该方法兼具高精度与强泛化能力，为城市生态资源管理提供了可靠的技术路径。

作者贡献

概念提出： Y.C., X.D., K.C.; 方法设计： K.C., X.D., Y.J., Y.C.; 形式分析： K.C., C.Z., Z.S., Y.C.; 调研： X.Z., C.Z.; 初稿撰写： K.C., Y.C.; 修订与编辑： 全体作者参与并同意稿件最终版本。

利益冲突声明

作者声明不存在任何财务、个人或专业利益冲突，所有作者均认可本论文投稿至《Sustainable Cities and Society》。

致谢

本研究受国家自然科学基金（42071415）、河南省研究生优质教材项目（YIS2023JC22）、教育部产学合作协同育人项目、河南省高校科技创新团队（25IRTSTHN004）、中原青年拔尖人才项目等资助。