遥感数据不确定性下的城市树木生长建模：对两个欧洲城市的研究

《Urban Forestry & Urban Greening》：Modelling urban tree growth under the uncertainty of remote-sensing data: A study across two European cities

　　

•城市环境中的树木生长受区域气候和局部生长条件的共同影响。
•利用遥感树木属性和公共树木登记数据开发了一种机器学习模型。
•局部生长条件源自高分辨率地理空间数据。
•整合多源数据有助于基于局部条件提高对单株树木生长的预测能力，同时减少实地观测的需求。

**引言**
近年来，城市植树造林的动因正在发生变化。快速城市化和城市扩张，以及极端事件频率的增加，使绿色空间从主要被视为城市景观的美学元素（Forrest and Konijnendijk, 2005）转变为解决社会环境挑战的多学科解决方案（Pamukcu-Albers et al., 2021）。绿化实践，通常被称为基于自然的解决方案（NbS），提供了广泛的环境和社会效益。这些服务包括城市降温、雨水管理以及改善健康和促进生物多样性（Veerkamp et al., 2021）。树木作为 NbS 的关键组成部分，在其生命周期内提供不同程度的这些服务。城市树木提供的环境服务取决于其生长速率和整体活力，这些因物种、局部生长条件和维护干预措施而异（Vogt et al., 2015）。

了解城市树木生长对于评估树木生态系统服务并指导城市规划决策至关重要。在环境评估模型中，单株树木通过高度、树冠直径和叶面积指数来表征（Amani-Beni et al., 2023, Sharma et al., 2024）。这些属性还指导种植和维护策略，特别是在道路安全、公园设计和地下基础设施方面。鉴于土地获取、种植和长期维护的高成本，对生长模式和树木尺寸发展的可靠估计对于可持续景观管理和城市林业规划至关重要（Zhang and Ludwig, 2026）。

异速生长方程通常用于通过将胸径（dbh）与高度、树冠直径和生物量等关键属性联系起来来模拟树木结构生长（von Bertalanffy, 1951, McPherson and Peper, 2012, R?tzer et al., 2020, Shoda et al., 2020, Yazdi et al., 2024）。这些关系通常是通过随时间对同一树木进行重复测量或单次横断面抽样得出的。尽管 dbh 是主要预测变量，但一些研究另选树木年龄（种植后的年数）作为估算树木生长的参考（Peper et al., 2001, Stoffberg et al., 2008）。这些模型已针对不同地区开发，研究涵盖了中欧（R?tzer et al., 2019）、北美（McPherson and Peper, 2012, Nowak, 1996）和南非（Stoffberg et al., 2008）等地的城市森林，以捕捉树木生长速率的区域差异。i-Tree（Nowak, 2007, Nowak et al., 2008）等框架试图通过纳入源自全球多个城市观测的区域特定校正因子来标准化这些差异。

尽管异速生长模型是理解物种特异性差异和生长区域变化的基础，但在考虑单株树木之间的局部生长条件方面存在不足（Lin et al., 2019, Ruiz-Valero et al., 2025, Reitberger et al., 2025）。城市环境中的树木生长受多种相互作用因素的影响，例如局部干扰、光照竞争（Moser et al., 2015, Lin et al., 2019, R?tzer et al., 2020）、水和氧气供应受限，以及由压实和地下基础设施引起的土壤退化（Beatty and Heckman, 1981）。另一种考虑这些因素的替代方法是过程模拟模型，该模型使用详细的时序输入（如土壤水分、温度和降水）来模拟单株树木生长和生态系统服务（R?tzer et al., 2019），但可能无法扩展到城市规模的应用。

此外，大多数城市树木生长模型依赖于 dbh 作为主要预测变量，这限制了其在决策支持和监测应用中的适用性。dbh 需要实地测量，无论是通过现场检查还是自动扫描，这都需要广泛的实地调查。此外，它为未来预测和时间依赖的决策支持提供的直接信息有限。

随着遥感和数据驱动方法的进步，大规模树木识别和特征提取已成为可能。近期研究将分割技术应用于超高分辨率（VHR）影像、LiDAR 和正射照片，以在森林和城市环境中推导树木属性（Wagner et al., 2024, Tolan et al., 2024, Baines et al., 2020, Xu et al., 2025）。遥感数据在监测树木几何形态（Song et al., 2016, Kohek et al., 2022, Ventura et al., 2024）和使用高分辨率植被指数评估树木健康状况方面显示出巨大潜力（Fang et al., 2020）。这些发展反映了遥感数据提供高质量、可扩展且易于获取的数据集以分析城市树木的能力日益增强。此外，这些数据集允许捕捉树木的局部周围环境，并使得能够比较树木在空间背景下的生长速率。

然而，尽管该领域取得了最新进展，大多数应用仍与地面树木清单脱节，因此也与生长模型框架脱节。特别是，虽然遥感能够实现城市树木的详细空间表征，但仍然很少在统一的建模方法中与树木清单结合使用。因此，树木结构属性与显式生长动态（例如 dbh 和年龄）之间的联系尚未完全建立。

在此我们主张，整合遥感衍生的树木数据集、3D 城市模型和公共树木登记册，通过减少对大量实地测量的依赖并通过表示局部生长条件来改善单株树木生长建模，为城市树木生长评估提供了可扩展的基础。我们提出了一种建模框架，用于估计不同空间和环境条件下的城市树木生长，旨在支持种植策略和决策制定。该框架整合了包括遥感衍生的树木属性、公民科学记录、气象变量以及高分辨率地表和地形数据在内的数据源。树木物种和种植年份是预测局部环境条件下树木生长的主要生物输入。我们通过阴影分析、距建筑物距离指标以及从高分辨率土地覆盖数据获取局部地表硬化来呈现局部生长条件。然后我们针对多种多样的城市环境中的实地测量评估模型性能，以评估准确性、稳健性和跨城市的可转移性。

总体而言，本研究旨在通过整合多源地理空间数据减少对实地测量的依赖，并支持自动化的城市树木监测。它评估了遥感在不同支持数据集的城市中表示城市树木生长动态的潜力和局限性。具体而言，我们的研究旨在回答以下问题：
•如何在城市树木生长建模的数据融合框架中整合多源遥感数据？
•局部生长条件（例如遮阴、地表硬化和建筑物邻近性）在多大程度上决定了单株树木生长预测，以及遥感数据在多大程度上支持这些条件的表征？
•遥感数据在不同区域和数据源中实现城市树木生长可扩展监测的潜力和局限性是什么？

**研究区域与数据**
我们的研究涵盖两个城市的树木仓库：丹麦哥本哈根和保加利亚索非亚（图 1）。选择这些城市是受树木仓库和遥感数据集可用性的差异驱动的。哥本哈根维护着一个长期建立的树木登记数据集，包含有关树木种植、维护、物种特征和位置的详细信息。此外，该市受益于访问公共遥感产品，使其成为一个数据丰富的案例研究。

**案例研究中的模型评估**
表 3 概述了基于哥本哈根、索非亚和合并数据集原始数据 10% 的预测 h 和 cd 参数的模型指标。不同模型的 h 的模型性能 R2 分数在 0.79 到 0.81 之间变化，平均绝对误差范围为 1.76 米（ANN – 索非亚）到 1.35 米（HGBR – 合并）。对于 cd，模型结果显示 R2 值在 0.71 到 0.80 之间，平均绝对误差为 1.26 米（ANN – 哥本哈根）到 0.73 米（ANN – 索非亚）。

**讨论**
我们提出的跨哥本哈根和索非亚的建模框架，以遥感数据作为树木属性的主要来源，展示了更好地表征城市环境中树木对年龄反应的大小预测的潜力。将局部生长条件和气象变量纳入我们的模型被证明是有效的，相比传统的异速生长模型改进了预测性能（表 2，表 4）。使用这些数据源，我们的框架

**结论**
城市环境中的树木尺寸发展因阳光照射、地表硬化和局部管理实践的差异而存在较大差异。因此，评估城市树木生长需要超越以树木为中心的方法，将其视为城市景观的组成部分，与其周围环境相互作用。遥感和多源树木数据集提供了有关生长条件的有价值信息，并实现了城市树木发展跨越

**CRediT 作者身份贡献声明**
Ali Eslami：原创草案撰写、可视化、方法学、正式分析、数据管理、概念化。
Nora Van Cauwenbergh：审阅与编辑、监督、资源、项目管理、方法学、资金获取、概念化。
Boud Verbeiren：审阅与编辑、监督、方法学、概念化。
Ann van Griensven：审阅与编辑、监督、概念化。

**关于稿件准备过程中生成式 AI 和 AI 辅助技术的声明**
在本工作准备期间，作者使用了 OpenAI ChatGPT 4.1 以完善文章中的句子结构。使用该工具后，作者按需审阅和编辑了内容，并对已发表文章的内容承担全部责任。

**利益冲突声明**
作者声明他们没有任何已知的财务利益或个人关系可能影响到本论文报告的工作。

**致谢**
本工作是 100KTrees 项目的一部分。该项目由欧盟地平线欧洲计划共同资助，资助协议编号为 101082551。我们感谢我们的项目合作伙伴，特别是来自比利时的 EUROSENSE，提供了基于遥感数据的树木仓库；来自保加利亚的 One Tree Foundation (OTF)，开发了树木登记的公民科学应用程序和索非亚的树木属性仓库；以及来自丹麦的 DHI Group，提供了高分辨率卫星数据；以及

Ali Eslami|Nora Van Cauwenbergh|Boud Verbeiren|Ann van Griensven