编辑推荐：
为解决城市树木监测资源匮乏、现有数据集分辨率低等问题，研究人员开展奥兰多 2013 - 2021 年两年一次亚米级树木覆盖数据集研究。结果是开发出高分辨率地图，精度达 78% - 89% 。该研究支持城市森林管理，意义重大。
在城市快速发展的浪潮中，城市植被却面临着严峻的挑战。城市树木的大量减少，不仅破坏了城市的生态平衡，还对城市居民的生活产生了诸多不利影响。城市树木在缓解城市热岛效应、净化空气、截留雨水等方面发挥着重要作用，是城市生态系统的关键一环。然而，许多城市在努力平衡城市发展与环境保护时，却面临着城市树木覆盖时空变化监测资源不足的困境。现有的树木覆盖数据集，要么分辨率低，无法精准捕捉城市树木的细微变化；要么更新不及时，难以反映城市快速发展过程中树木覆盖的动态变化。比如美国农业部森林服务局的树木覆盖（Tree Canopy Cover，TCC）地图，其 30 米的分辨率对于城市景观来说过于粗糙；而像 Global Forest Watch 和 Google 的 Dynamic World 等自动化全球产品，也因像素级的模糊性难以准确分辨城市树冠。商业平台虽能提供高分辨率数据，但高昂的成本让许多城市望而却步。
为了填补这一空白，来自美国阿拉巴马大学亨茨维尔分校（University of Alabama in Huntsville）大气与地球科学系的研究人员 Danlu Cai、Leiqiu Hu 和 Janak Parajuli 开展了一项关于奥兰多 2013 - 2021 年两年一次亚米级树木覆盖数据集的研究。他们的研究成果发表在《Scientific Data》上，为城市森林管理提供了关键支持，对城市规划、环境和公共卫生监测以及教育项目都有着重要意义。
研究人员在开展研究时，主要运用了以下关键技术方法：
- 利用 NAIP 影像：使用美国国家农业影像计划（National Agriculture Imagery Program，NAIP）获取的 1 米至 0.6 米分辨率的航拍影像，这些影像包含红、绿、蓝和近红外（NIR）四个光谱带，能有效增强植被识别。
- 构建分类框架：开发了一个分层分类框架，通过数据预处理、两阶段分类以及结果评估与优化，从 NAIP 影像中准确检测树木。在分类过程中，计算归一化植被指数（NDVI）、归一化水体指数（NDWI）、纹理和亮度等关键指标辅助分类。
- 数据验证：采用直接验证和与其他数据源对比两种策略。手动收集约 3600 个多边形的地面真值数据，通过分层抽样确保样本代表性，以此验证分类准确性；同时与奥兰多市数据以及 PlanIT Geo 等数据进行对比，评估研究结果的可靠性。
下面来看看具体的研究结果：
- 城市树木覆盖动态变化：研究人员通过对 2013 - 2021 年的数据分析，详细记录了奥兰多都会区和奥兰多市树木覆盖的动态变化情况。例如，2013 - 2015 年由于城市快速发展，树木覆盖有所减少，之后随着城市的恢复性种植，树木覆盖又逐渐增加。
- 分类准确性验证：通过直接验证，在植被与非植被分类中，总体准确率达到 97% 以上；在树木与非树木分类中，准确率为 78% - 89%。与其他数据对比发现，研究结果在趋势上与 Global Forest Watch 等相符，在部分区域与 PlanIT Geo 的估算结果相近，但在植被复杂区域因分类方案差异存在一定不同。
- 不同分辨率影像的影响：从 1 米分辨率到 0.6 米分辨率的 NAIP 影像转变，对广泛的植被 / 非植被分类精度提升不明显（约 99% 的准确率），但显著提高了树木和草地分类的特征提取能力，模拟结果显示准确率从约 80% 提高到 90%。这使得算法能够提取更精确的特征，提升分类性能。不过，研究也指出，最终产品更适用于区域或社区层面的应用，而非单个树冠的分析。
- 潜在问题分析：研究还讨论了一些潜在问题。如城市建设过程中树木的变化，新种植树木往往难以恢复到原有状态；树与灌木分类可能存在混淆，导致树冠覆盖估计偏高；高分辨率影像中的阴影问题，虽对树木分类影响较小，但会影响低矮物体分类和部分树冠覆盖计算；此外，由于 NAIP 影像采集策略，未明确考虑季节性变化，奥兰多湿地在影像采集期间的水文波动会影响植被健康和辐射一致性。
在研究结论和讨论部分，该研究开发的高分辨率两年一次树木覆盖数据集，为城市森林管理提供了重要的数据支持。通过精确监测树木覆盖动态变化，城市管理者可以更好地制定植树计划、评估城市绿化效果，以实现城市的可持续发展目标。尽管研究存在一些局限性，但采用的简单决策树方法具有稳健性、高效性和可重复性，为未来城市树木覆盖研究提供了可借鉴的思路。随着技术的发展和更多数据的获取，未来研究可进一步优化树与灌木的分类，提高树冠覆盖监测的准确性，更好地服务于城市生态建设。
