整合LiDAR与NAIP：面向全州城市树冠制图的可扩展深度学习框架

《Urban Forestry & Urban Greening》：Bridging LiDAR and NAIP: A scalable deep learning framework for statewide urban tree canopy mapping

　　

• •
  利用LiDAR数据生成了超过320万个深度学习训练样本。
• •
  使用NAIP影像对德克萨斯州295个城市的树冠进行了测绘。
• •
  模型在全州范围内达到了高准确率（94.5%）。
• •
  该框架在不同生态区和城市规模中表现出良好的泛化能力。

引言

城市树冠覆盖（UTC）提供了可量化的环境、公共健康和经济效益，直接影响城市宜居性和韧性。树木通过遮荫和蒸腾作用缓解城市热岛效应，树冠覆盖率接近40%时，与白天夏季气温的显著降低相关（Ziter等，2019）。树木还能截留雨水、减少径流量、通过污染物去除改善空气质量，并降低建筑物能耗（Nowak等，2014；Pataki等，2021）。越来越多的证据表明，树木接触与人类健康结果的改善相关，包括减轻压力、改善心血管和呼吸系统健康、增加体力活动、降低肥胖率以及改善心理健康指标（德克萨斯农工林务局，2020；Ulmer等，2016；Wolf等，2020）。城市森林还产生了可观的生态系统服务价值，在考虑避免的医疗成本、节能和雨水缓解等因素时，效益与成本比经常超过2:1（Song等，2018）。然而，树冠分布往往在空间上存在不平等，低收入和历史上被边缘化的社区往往面临较低的树冠覆盖率和更高的环境压力暴露（Schwarz等，2015；Locke等，2021）。这些环境、健康、经济和公平维度凸显了对树冠范围进行一致、高分辨率监测的必要性，以支持公平的城市规划和气候适应战略。

遥感长期以来被视为量化和测绘UTC的一种经济高效的方法。Landsat影像以其30米的空间分辨率被广泛用于区域尺度的树冠覆盖估计，仍然适用于较大城市的广泛评估（Corro等，2025）。欧洲航天局Sentinel-2卫星的引入带来了10米分辨率，提供了改进的土地覆盖测绘能力；然而，在该分辨率下，单株树木仍然无法分辨，且社区层面的模式无法可靠评估（Recanatesi等，2025）。城市需要高分辨率、最新的UTC地图以支持规划、公平评估和气候韧性举措。国家农业影像计划（NAIP）影像在美国本土48个州提供0.6米、叶季覆盖的双年影像，能够以一致的方式在树冠和地块尺度上进行测绘。然而，高分辨率的NAIP数据存在显著的同异光谱变异，使稳健的树冠分类变得复杂（Weng，2012）。激光雷达（LiDAR）能够提供亚米级的树冠界定且准确度高，但其空间和时序覆盖的一致性不如NAIP影像（Zhou & Troy，2008）。因此，这些数据集起到互补作用：机载LiDAR为监督模型训练提供高置信度的树冠标签，而NAIP则为大面积推理提供空间一致的四波段影像。通过利用有限LiDAR覆盖范围中精确的树冠标签，我们提出了一个从广泛可用的NAIP影像生成高分辨率树冠地图的框架，而无需耗竭性的LiDAR覆盖。

因此，本研究的目标是确定是否可以使用有限数量城市的LiDAR数据训练模型，从而准确利用NAIP影像在全州范围内测绘城市树冠覆盖。人工智能的进展为高分辨率UTC测绘开辟了新机遇。传统的机器学习方法，如支持向量机（SVM）和随机森林（RF），在高分辨率影像中已显示出有效性，树冠分类准确率通常达到约70–80%（Maxwell等，2018）。然而，在复杂城市环境中，其效果往往受限，因为高光谱变异和异质树冠结构会降低性能。尽管这些方法仅需中等量的标注训练数据和计算资源，但它们缺乏深度学习模型通常所具备的可扩展性和边界精度。德克萨斯州横跨695,000平方公里以上的土地，涵盖12个截然不同且多样化的生态区，为评估模型的鲁棒性和泛化能力提供了强有力的测试平台。

深度学习方法，特别是卷积神经网络（CNN），为提高准确度和更精确的树冠界定提供了潜力（Velasquez-Camacho等，2023）。然而，它们需要非常庞大且多样化的训练数据集，这构成了采纳的主要障碍。训练数据通常通过手工数字化生成，费时、主观，且可能无法捕捉到具有不同树冠结构、城市形态和物种组成的城市之间的变异性。这限制了泛化能力，即在一个环境中训练的模型在新地理或生态设置中应用时保持准确率的能力（Cui等，2025）。泛化能力已被公认为城市遥感中的主要挑战，因为在一个城市训练的模型在其他地方应用时往往会退化，原因在于树冠结构、光谱变异和城市形态的差异（Martins等，2021）。最近的LiDAR分类研究也强调了模型对地点和供应商特定特征的敏感性，限制了在缺乏泛化方法时的更广泛适用性（Jones等，2023）。尽管传统机器学习和深度学习方法在单独的城市树冠测绘案例研究中已被证明有效，但能够在异质城市环境中可靠表现、利用公开可用影像的可扩展模型仍然基本未得到开发。

以往的研究已经应用基于对象图像分析、传统机器学习以及最近深度卷积神经网络，使用高分辨率光学影像和在某些情况下LiDAR衍生结构特征来测绘城市树冠（MacFaden等，2012；Martins等，2021；Alonzo等，2014）。尽管这些研究证明了LiDAR-光学集成和深度学习在城市植被测绘中的有效性，但许多研究在地理上受到限制或依赖大量本地训练数据。因此，一个核心未解决问题是：从有限LiDAR覆盖范围中导出的训练标签能否支持高分辨率光学模型，在无需本地重新训练的情况下转移到地理和生态上截然不同的城市时仍能保持准确率。本研究通过德克萨斯州全州范围的评估来回答这一问题。

本研究的中心贡献是对高分辨率城市树冠测绘中的地理泛化进行了大规模实证评估。一个基于NAIP、使用四个市政当局LiDAR衍生标签训练的模型，在无需本地重新训练的情况下，应用于横跨11个EPA三级生态区和多个人口类别的295个市政当局，性能使用73,750个人工解释的参考点进行独立评估。此外，本研究表明，有限地理覆盖范围的机载LiDAR分类数据可以转化为大量可分割的树冠标签，减少了模型开发中对手工数字化的依赖。总之，这些发现表明，有限的LiDAR覆盖范围可以为多样生态和城市环境中的准确树冠测绘提供足够的监督。

本文的其余部分组织如下。"材料与方法"描述了研究区域、数据来源、预处理工作流、LiDAR衍生树冠标签生成、NAIP影像准备、深度学习模型训练与推理以及准确率评估程序。"结果"呈现了模型在不同市政当局、生态区和人口类别中的性能。"讨论"从可扩展性、泛化能力和实际应用意义角度解释这些发现，并突出了局限性和未来研究方向。最后，"结论"综合了主要贡献和运营城市树冠监测的意义。

章节摘要

方法概述

本研究开发并评估了一个可扩展的深度学习工作流，用于从0.6米国家农业影像计划（NAIP）影像进行全州UTC测绘。该工作流包括四个主要组成部分：（1）研究区域定义和采样设计，涵盖德克萨斯州295个市政当局的生态和城市多样性；（2）LiDAR处理与训练数据生成，其中树冠多边形从德克萨斯州战略测绘计划提供

结果

使用四个城市的LiDAR衍生标签训练的DeepLabV3+模型，在全州295个市政当局中达到了94.5%的平均总体准确率（OA）。模型性能使用73,750个人工解释的验证点进行评估，每个市政当局生成250个分层参考点。类别特定结果同样强劲：树冠的生产者准确率平均为92.0%，树冠的用户准确率平均为96.6%（图4）。准确率的变异性

讨论

本研究通过将四个城市的LiDAR衍生训练标签与全州NAIP影像相结合，对高分辨率城市树冠测绘进行了大规模实证评估。在无本地重新训练的情况下，所获得的模型在横跨11个生态区的295个市政当局中保持了高准确率，直接证明了地理可转移性。尽管性能在不同生态设置中存在差异，但全州范围内准确率仍然很高，支持了该框架的可扩展性

结论

本研究证明，LiDAR衍生的植被分层可以用于训练高精度、可迁移的深度学习模型，使用NAIP影像进行全州UTC测绘。通过从有限数量的LiDAR覆盖城市中生成超过327万个训练样本，我们解决了大规模城市林业应用中的一个主要约束：标注训练数据的稀缺性。所获得的模型在横跨11个生态区的295个德克萨斯州城市中达到了94.5%的平均总体准确率

CRediT作者贡献声明

Joe Gorman：概念化、方法论、软件、形式分析、调查、数据整理、可视化、写作——原稿及写作——审阅与编辑。

资助

本工作部分由美国农业部林业局的州、私有及部落林业计划资助。

利益冲突声明

作者声明，他们没有任何已知的可能影响本文所述工作的竞争性财务利益或个人关系。

术语表

城市树冠覆盖（UTC）

从上方俯瞰时覆盖地面的树木叶、枝和茎层。

LiDAR（激光雷达）

一种使用激光脉冲测量距离以生成表面特征三维信息的遥感技术。

NAIP（国家农业影像计划）

一个美国航空影像计划，以双年为周期提供1米分辨率、叶季、四波段影像。

DeepLabV3+

一种卷积神经网络