基于人工智能的树干敲击声分析用于城市树木腐朽筛查——以台湾枫香（Liquidambar formosana）为例的初步研究

《Forests》：AI-Based Analysis of Trunk Tapping Sounds for Urban Tree Decay Screening: A Pilot Study on Liquidambar formosana in Taiwan

　　

在树木风险评估中，视觉树木评估（Visual Tree Assessment, VTA）通常涉及敲击树干或树枝以检测异常声音，作为进一步评估的基础。然而，解读敲击声通常需要丰富的专业经验，且可能受主观判断影响。因此，针对敲击声分类的研究可为评估树木局部腐朽提供有价值的补充信息。树干敲击声可提供局部内部状况的线索，但其分类性能必须在训练中未见的树木上进行评估。本研究调查了台北郊区一处私人苗圃中的30棵枫香（Liquidambar formosana）树，使用智能手机记录木槌敲击声，参考标签通过在采样后直接锯开树干横截面确定。每个敲击点被分配为三个原始标签之一——健康（L₀）、轻度腐朽（L₁）和腐朽（L₂）；二分类将L₁和L₂合并为“受影响”（affected）类，与健康类（L₀）进行比较，涵盖全部966个录音（449个健康，517个受影响），未排除任何测量位置。模型比较包括使用611维声学特征向量的支持向量机（support vector machine, SVM）、随机森林（random forest, RF）和极限梯度提升（extreme gradient boosting, XGBoost），以及使用对数梅尔声谱图（log-mel spectrogram）的卷积神经网络（convolutional neural network, CNN），并以更深的分类头和特征融合作为鲁棒性检查；所有每折训练轮数（epoch）预算和决策阈值均通过嵌套交叉验证（nested cross-validation，即在每个外部训练折内进行树分组内部验证）选择，评估采用按树分组的五折交叉验证。四个主要模型性能相当，五折平均宏F1分数（macro-F1）介于0.6288至0.6548之间（XGBoost最高，CNN最低），受试者工作特征曲线下面积（receiver operating characteristic area under the curve, ROC-AUC）最高约0.73；没有模型具有决定性优势，深度CNN未优于传统基于特征的分类器，更深的分类头或特征融合也未产生稳定改进。每个模型的折间变异超过其种子间变异，且所有模型在同一折上表现最低，表明跨树泛化是变异的主要来源。尽管24棵混合标签树上的合并曲线下面积（area under the curve, AUC）与全数据集相当，但树内ROC-AUC中位数（RF模型）仅为0.511，接近随机水平，表明合并指标主要反映树间差异而非树内局部腐朽的判别能力；因此，该方法无法可靠地定位单棵树内的腐朽。探索性阈值分析表明，由于受影响类为多数类且默认阈值已接近最优，阈值调整的收益有限。总体而言，研究结果为使用树干敲击声作为群体水平腐朽筛查辅助信息的可行性提供了初步支持；该方法尚无法识别单棵树内的腐朽位置，仍需使用更多独立树木和外部场地进行验证。

城市树木提供重要的生态、社会与美学效益，但内部腐朽与空洞可能危及结构完整性和公共安全。视觉树木评估（Visual Tree Assessment, VTA）虽为现场评估的重要基础，但外部症状难以完全反映内部腐朽的实际分布，且评估结果易受评估者经验与专业背景影响。应力波测试、声学断层成像、钻阻测试、磁共振成像（MRI）和X射线成像等仪器方法各有局限，部分需要昂贵设备与专业人员，现场应用受限。木槌敲击作为一种非侵入性、低成本且便携的方法，其录音可重复分析，因而具有潜在价值。然而，敲击声的解读传统上依赖经验且带主观性，其客观分类性能必须在训练中未见过的树木上检验。研究人员因此建立了木槌敲击+智能手机录音的简易采集流程，以台湾台北郊区私人苗圃的30棵枫香（Liquidambar formosana）树为对象，通过锯开树干横截面获取参考标签，评估敲击声对局部腐朽状态的分辨能力，并重点考察模型在独立树木上的泛化性能以及单棵树内局部腐朽的定位潜力。

研究人员采用树分组五折交叉验证（即每次验证整棵树的录音均不出现在训练集中），比较了基于611维声学特征向量的支持向量机（SVM）、随机森林（RF）、极限梯度提升（XGBoost）与基于对数梅尔声谱图的卷积神经网络（CNN）。四个主要模型的五折平均宏F1分数（macro-F1）介于0.6288至0.6548之间（XGBoost最高，CNN最低），受试者工作特征曲线下面积（ROC-AUC）最高约0.73。模型间无决定性优劣，深度CNN未优于传统特征分类器，更深的分类头或特征融合也未产生稳定改进。所有模型的折间变异（标准差约0.09~0.11）显著大于种子间变异（≤0.024），且全部在第3折表现最低，说明跨树泛化是当前性能变异的主要来源。在包含健康与受影响两类录音的24棵混合标签树（870个录音）中，合并ROC-AUC达到0.715，与全数据集相当，但RF的树内ROC-AUC中位数仅0.511，接近随机水平，且24棵树中11棵低于0.5，表明合并指标主要反映树间总体评分差异而非树内局部腐朽判别能力。探索性阈值分析显示，由于受影响类为多数类，默认0.50阈值已接近宏F1最优和0.75召回率水平，阈值调优收益有限；将受影响类召回率提高至0.85时，健康类召回率从0.597急剧降至0.312，代价显著。结果表明，敲击声包含与腐朽状态相关的声学信息，可用于群体水平的初步筛查，但尚不能可靠定位单棵树内的腐朽位置。

在方法上，研究人员使用4.5 cm直径木槌敲击树干，以iPhone 15智能手机内置麦克风在50 cm水平距离处录音，采样率48 kHz；采样后直接锯开树干横截面，由两名资深树艺师评估各敲击点对应八分之一扇区的腐朽面积比例，经第三人仲裁确定参考标签。信号经重采样至32 kHz、峰值归一化后，分割出包含3次敲击的1.8 s片段。分类特征包括由40维梅尔频率倒谱系数（MFCC）及其一阶/二阶导数的时间统计量组成的600个特征，加上11个手工声学描述符，构成611维特征向量；CNN输入为64维对数梅尔声谱图。所有模型的超参数均预先固定，CNN每折训练轮数由嵌套交叉验证确定，评估采用按树分组五折交叉验证。

3.1 敲击声的时频特征：典型敲击声呈现脉冲式宽带能量爆发后随时间衰减的结构，同一片段内3次敲击在时间轴上清晰可辨且间隔稳定；但录音间变异性大，研究未对健康与腐朽组的时频参数进行全数据集统计比较。

3.2 模型比较与折间变异：四模型性能相近，宏F1差异仅约0.03；折间标准差（0.0875~0.1079）远大于种子间标准差（0.0000~0.0236），且所有模型在同一折（第3折，7棵树184个录音）上表现最低，表明不同树组构成是性能变异的主导因素。

3.3 鲁棒性分析——分类头深度与特征融合：两层分类头CNN及四种CNN+手工特征融合配置（联合训练与冻结训练×单层/两层头）均未显著优于单层头CNN基线（宏F1约0.63），最高者（冻结编码器两层头融合模型）宏F1为0.6438，但差异落在折间变异范围内，模型复杂度增加不能突破跨树泛化限制。

3.4 受影响录音的误分类与混合标签树分析：RF在0.50阈值下的折外（OOF）误差分析显示，449个健康录音中181个被误判为受影响，517个受影响录音中131个漏检，健康类与受影响类召回率分别为0.597和0.747；混合标签树分析表明，树内ROC-AUC中位数仅0.511，接近随机，说明合并指标高估了模型在单棵树内的实际判别能力。

3.5 探索性阈值分析：以宏F1最大化为准则选择的平均阈值为0.526，宏F1（0.671）与固定0.50阈值（0.672）几乎相同；目标召回率0.75时受影响召回率仅从0.747升至0.758，漏检数减少仅6个（约5%）；目标0.85时健康类召回率骤降至0.312，说明默认阈值已接近最优，阈值调整收益有限。

讨论部分指出，模型性能瓶颈主要在于独立树木数量有限导致的跨树泛化限制，而非模型选择或架构复杂度；标签合并策略（将轻度腐朽L₁并入受影响类）保留了全部数据，避免仅用极端类别造成可分性高估，但未能单独评价L₁的声学特征，主成分分析（PCA）和t-SNE投影显示三类标签在特征空间中重叠严重（轮廓系数约0.001），L₁位于L₀与L₂之间且略偏向L₂，支持将L₁并入受影响类。研究还强调，敲击声分类仅作为VTA中标记需进一步检查位置的辅助信息，受影响标签不等同于整树倒伏或断裂风险。研究结论可翻译为：本研究旨在开发从树干敲击声预测内部腐朽状态的人工智能模型。在树分组五折交叉验证下，区分健康（L₀）与受影响（L₁+L₂）的二分类器在四个模型上性能相当，五折平均宏F1为0.6288~0.6548，ROC-AUC最高约0.73；深度CNN未优于传统特征分类器，加深分类头或特征融合均无稳定改进。RF在默认0.50阈值下受影响类召回率为0.747。这些结果表明敲击声确实携带与腐朽状态相关的声学信息，可用于群体水平的初步筛查，但不能支持识别单棵树内的腐朽位置。研究坦诚指出，在混合标签树上RF的树内ROC-AUC中位数仅0.511，合并数据所得的判别性能大部分来自树间差异，跨树泛化是当前性能上限，这与为确保标签正确性而采用破坏性取样所限制的独立树木数量密切相关。总体而言，本研究通过严格的树分组验证和高质量标签，初步证实了基于敲击声进行群体水平腐朽筛查的可行性，为实际应用提供了第一阶段成果；未来需扩展独立树木数量，覆盖多种场地、季节和设备，保留轻度腐朽状态（采用三分类或有序分类），并结合迁移学习，以进一步提升跨树泛化与树内判别能力。