编辑推荐：
为解决传统绿化评价指标（如 FVC、GVI）的局限性，研究人员开展基于多源遥感数据的三维绿量（3DGV）反演及城市绿化评价研究。构建了结合 CHM、LAI、FVC 的 3DGV 模型，发现 2018-2022 年滇中 3DGV 呈东低西高分布且整体增长，为城市生态管理提供新方法。
城市绿化作为城市生态系统的重要组成部分，在改善空气质量、调节气候、提升居民健康水平等方面发挥着关键作用。传统的绿化评价指标如植被覆盖度（FVC）仅能反映地表二维信息，无法体现植被垂直结构；绿视率（GVI）虽能反映视觉感知，但受限于街景图像数据获取的难度和规模，难以进行大规模应用。三维绿量（Three-Dimensional Green Volume, 3DGV）作为一种能够综合植被体积和空间结构特征的指标，可更全面地评估城市绿化的生态效益，然而其大规模应用一直面临技术瓶颈。为突破这一局限，来自中国的研究人员开展了基于多源遥感数据的 3DGV 反演方法研究，并将其应用于中国滇中地区的城市绿化评价，相关成果发表在《Ecological Indicators》。
研究人员主要采用了以下关键技术方法：利用无人机（UAV）获取高分辨率 RGB 影像，结合实地测量数据构建 UAV 尺度的 3DGV 反演模型，提取冠层高度模型（CHM）、叶面积指数（LAI）和植被覆盖度（FVC）等参数；借助 Google Earth Engine（GEE）平台获取 Sentinel-1 和 Sentinel-2 卫星影像，通过随机森林（RF）回归等算法反演卫星尺度的 CHM、LAI 和 FVC；运用空间自相关分析（如 Moran’s I 指数）揭示 3DGV 的空间分布特征及动态变化；结合街景图像计算绿视率（GVI），分析其与 3DGV 的相关性。
3.1 三维绿量反演模型评估
通过对比不同数学模型，发现包含 CHM、LAI、FVC 的幂函数模型表现最优。在无人机尺度，该模型的决定系数（R2）为 0.83，均方根误差（RMSE）为 108.78 m3/pixel，平均误差（AE）为 91.89 m3/pixel，平均绝对百分误差（MPE）为 8.01%。在卫星尺度，模型的 R2 为 0.72，RMSE 为 139.71 m3/pixel，AE 为 120.69 m3/pixel，MPE 为 10.54%，表明卫星影像可实现大规模 3DGV 的准确反演。
3.2 三维绿量与绿视率的相关性分析
GVI 与 3DGV 存在显著正相关（相关系数为 0.48），且两者在空间分布趋势上高度相似。尽管 GVI 主要反映行人视角的绿化感知，但研究表明 3DGV 可作为其替代指标，用于评估建成区的绿化效益，为无法获取大规模街景数据的区域提供了新的评价途径。
3.3 滇中地区三维绿量空间分布特征
2018-2022 年滇中地区 3DGV 呈现 “西高东低” 的空间格局，西南部山区因植被高大茂密，3DGV 值最高。整体上，滇中地区和建成区的 3DGV 均呈增长趋势，分别从 1.32×1011 m3 和 3.82×10? m3 增至 1.55×1011 m3 和 5.18×10? m3，表明区域绿化建设成效显著。空间自相关分析显示，3DGV 存在强正相关性（Moran’s I 指数为 0.772），高值集聚区主要分布在西南部，低值集聚区则集中在东部和中部。
3.4 绿化效益评估
人均 3DGV 和 GVI 分析表明，楚雄、昆明、曲靖、玉溪四市的人均 3DGV 分别为 257.14 m3/100 m2、221.41 m3/100 m2、170.08 m3/100 m2 和 210.94 m3/100 m2，GVI 分别为 16.47%、18.15%、11.77% 和 14.39%。昆明虽总 3DGV 最高，但因人口密度大，人均值低于楚雄；曲靖和玉溪的两项指标均低于平均水平，需加强绿化建设。建成区 3DGV 呈现 “核心区低、周边高” 的分布，反映出城市化对中心区绿化的挤压效应。
研究构建了基于多源遥感数据的 3DGV 反演模型，首次在滇中地区实现了大规模 3DGV 的精准 mapping，并揭示了其空间分布与动态变化规律。结果表明，3DGV 能有效克服传统指标的不足，为城市绿化评价提供了更全面、客观的工具。研究发现的滇中地区绿化增长趋势，印证了区域生态保护与建设政策的有效性，同时也为城市化进程中的绿地规划提供了科学依据。未来若结合社会经济数据，进一步探究 3DGV 动态变化的驱动因素，将更有助于优化城市生态管理策略，推动可持续城市发展。
