《Forests》：Fine-Scale Assessment of Urban Canopy and Green-Cover Composition Across Functional–Morphological Scene Types Using UAV Orthophotos and SAM3
编辑推荐：
粗尺度城市绿地评估常将树冠、低矮植被与不透水面合并于较大空间单元内，难以解析异质性建成环境中的精细绿化组成。为弥补该缺口，研究人员评估了厘米级无人机（UAV）影像结合SAM3概念分割（SAM3 concept segmentation）能否在华东一个具有山谷地
粗尺度城市绿地评估常将树冠、低矮植被与不透水面合并于较大空间单元内，难以解析异质性建成环境中的精细绿化组成。为弥补该缺口，研究人员评估了厘米级无人机（UAV）影像结合SAM3概念分割（SAM3 concept segmentation）能否在华东一个具有山谷地理约束、紧凑建成空间特征的代表性山地生态中型城市中，量化跨功能—形态场景类型（functional–morphological scene types）的亚公顷城市绿地结构。研究人员使用746个亚公顷分析单元，提取冠层、可见非冠层绿被与冠层占比指标，并应用源固定效应模型（source-fixed-effects models）与源聚类推断（source-clustered inference）比较场景类型。由城市形态驱动的主要场景类型解释了总绿被覆盖率（total green cover）35.6%与树冠覆盖率（tree canopy）17.5%的显著变异；规划住宅区的总绿被覆盖率超过紧凑住宅区的两倍，工业/紧凑住宅场景覆盖率最低。结果表明，在紧凑、山谷约束型生态城市中，精细尺度绿化高度异质并受形态布局强烈支配，说明超高分辨率影像与视觉基础模型结合可为识别微观绿化赤字并指导此类城市语境下的情境敏感型城市更新提供可扩展工具。
论文主体解读：城市植被在热调节、雨洪管理与生物多样性维持中具有重要生态服务功能，但其效益不仅取决于总绿量，也取决于树冠与低矮非冠层植被的垂直结构组成。现有城市绿地研究多基于较粗行政单元、土地利用分类或宏观绿地评价，常将树冠、草坪与不透水面合并，掩盖同一地类内部的结构差异；传统卫星影像在异质城市肌理中易发生像元混合，而亚公顷尺度UAV分析又面临人工标注瓶颈。为此，研究人员建立亚公顷UAV—SAM3评估框架，以华东丽水市中心城区为研究区，在功能—形态场景类型（functional–morphological scene types，按城市功能与建成形态划分的分析单元类型）下量化精细城市绿地结构，并回答树冠、非冠层绿被与总绿被如何随场景变化，差异主要由树冠还是非冠层绿化驱动，以及次级界面标签是否提供补充解释力。
关键技术方法（不超过250字）：研究采用2022年9月DJI Matrice 30采集的RGB UAV正射影像，中位地面采样距离（GSD）约4.51 cm东西向、5.10 cm南北向；由15个源正射影像划分10×10网格并筛选746个亚公顷分析单元，中位面积0.848 ha，来源为丽水市中心城区/莲都区城市核心。专家标注主、次功能—形态场景；SAM3（Segment Anything Model 3，可提示视觉基础模型）进行多尺度概念提示提取树冠与总绿被，结合阴影受限CLAHE（Contrast-Limited Adaptive Histogram Equalization）增强及形态后处理；以60个分层验证单元人工掩膜评估，并采用源固定效应模型、源聚类自助法、Holm–Bonferroni校正和留一源正射影像交叉验证（LOSMO）。
3.1 数据集组成与提取性能：通过质量与功能筛选获得746个单元、15个航测源；单标签单元仅39.9%，混合界面占60.1%。总体冠层覆盖率（C）均值16.3%、总绿被覆盖率（V）均值28.4%、可见非冠层绿被均值12.2%。子块局部提示较整幅提示平均增加C 2.08个百分点、V 5.32个百分点；阴影受限增强平均增加C 0.45个百分点、V 0.38个百分点，且冠层增量与阴影比例相关。
3.2 分割精度与覆盖一致性：基于60个分层验证单元与人工参考掩膜比较，树冠提取精确率0.912、召回率0.885、F1为0.898、交并比（IoU）0.815；总绿被提取精确率0.941、召回率0.923、F1为0.932、IoU为0.872。覆盖比例平均绝对误差（MAE）分别为C 1.15个百分点、V 1.48个百分点，说明自动提取可为下游场景比较提供可靠空间输入。
3.3 主要场景类型间冠层与总绿被差异：描述统计显示管理公园/绿地（G）C均值27.2%、V均值47.3%最高，规划住宅（R2）C均值21.0%、V均值36.8%次之；紧凑住宅（R1）与工业（I）总绿被均值相近（16.8%与17.1%）。控制源固定效应与阴影比例后，主场景类型对C、V和非冠层绿被均显著，partial R
2分别为0.175、0.356和0.182；R2相对R1的C高7.9个百分点、V高16.5个百分点、非冠层绿被高8.6个百分点，公共/机构（P）与交通主导（T）亦显著高于R1；调整后I的C较R1高6.8个百分点。
3.4 非冠层绿被与冠层占比：非冠层绿被均值在R1为5.8%、I为7.1%，低于R2的15.7%、P的15.5%、T的12.4%和G的20.1%；R2、P、G较高的V并非仅由C驱动，而包含较多地面绿化。冠层占比（S）在主分类下经Holm校正后不显著，且对样本规格敏感；未考虑源聚类的Kruskal–Wallis检验会给出误导性低p值，故S被解释为描述性结构属性而非稳健功能类型指标。
3.5 次级场景标签提供的信息增益：在控制主场景、源影像和阴影比例后，次级标签对C、V、非冠层绿被和S均提供显著增量方差；LOSMO交叉验证中，加入次级类别使总体MAE分别降低C 2.4%、V 3.0%、非冠层绿被4.3%、S 6.1%，并在15个留出源中的10、11、13和12个源上改善。R1混合界面较纯R1的C高6.1个百分点、V高8.5个百分点；I混合界面C高3.1、V高5.0个百分点；P混合界面C高5.6个百分点；R2无显著类内差异。次级T与C高5.3个百分点、非冠层低1.6个百分点、S高10.5个百分点相关；次级G使V高12.2个百分点，次级自然植被使V高24.3个百分点；排除G和边界标签后，V与C的次级效应不再显著，而非冠层与S仍显著。
3.6 敏感性分析与代表性形态审计：C、V和非冠层绿被的主效应在五种敏感性设定下保持稳定；S是唯一对规格敏感指标，校正p值在0.013至0.070间波动。代表性审计按类中位邻近单元选取，仅用于定性说明C与非冠层绿被边界及暗树冠、建筑阴影、狭窄透水路径和孤立微斑块等提取难点，不据此推断亚单元空间格局。
讨论部分总结：方法上，亚分米UAV影像将10 m卫星像元细化为约4万个UAV像元，使线性种植带、破碎院落及C与非冠层绿被边界成为可独立解析对象；SAM3概念提示可重复提取，但分割质量受场景复杂度、辐射条件与提示设计影响，验证样本仍限于同一研究区且规模有限。形态上，R2与R1差异反映建筑退界、院落间距和透水面条件，R1虽V低但冠层占比高，需结合绝对覆盖与相对组成解释；I与R1虽V相近但干预策略不同；G不宜作为建成区无批判基准，且纯G样本少。界面异质性方面，双标签捕捉了60.1%混合单元，次级标签预测增益虽有限但跨源稳定；次级T反映线性行道树缓冲，边界溢出可解释V，微功能界面更多影响S与非冠层分布。规划启示包括R1保护成熟树并试点树池、口袋绿化，R2维持高基线并多样化，I实施周界缓冲、遮阴停车和去硬化，P构建网络化实施节点，T建设连续线性生态基础设施，并对混合界面定制设计；同时提出“just green enough”式情境匹配框架。局限包括单城15航次、横断面设计、9月叶期影像、15个源聚类偏少、标注需多标注者检验，以及RGB影像缺乏近红外与LiDAR导致难以区分深阴影合成绿色表面和冠层下植被、未区分树种与健康状态。
研究结论翻译：本研究建立了可扩展的亚公顷分析框架，将亚分米（约5 cm）UAV正射影像与零样本SAM3推断配对，在莲都区746个单元中量化精细城市绿地结构。实证结果表明，主要功能—形态分类主要支配绝对绿化量，场景类型对总绿地影响最强，其次为可见非冠层绿化和树冠覆盖。形态差异在规划住宅与紧凑住宅之间最显著，规划小区总绿被为紧凑住宅的两倍以上。相反，相对冠层占比仅在主分类下统计不稳定，表明广泛土地利用类别并不完全支配垂直植被组成。引入次级界面注释捕捉了普遍的空间混合，在交叉验证中提供一致的源外预测增益，并使冠层占比恢复高统计显著性。这一转变表明，相对垂直分配主要受微观功能边界（如交通廊道）介导，而非仅由广泛主要土地利用决定。方法上，在亚分米分辨率下独立解析树冠与可见非冠层绿化，可防止结构不同的绿化组分坍缩为单一覆盖分数。通过透明的主—次场景分类并以人工参考检验提取掩膜，该分析框架为目标城市绿化提供了实用且可重复的基线。
