《Urban Forestry & Urban Greening》：A UAV-based spatial monitoring framework integrating seasonal NDVI dynamics for adaptive management of urban forests
编辑推荐：
Hideyuki Niwa
日本京都高等科学大学生物环境科学学院
摘要
城市森林日益被视为城市生物多样性保护和气候适应性的关键基础设施，然而其空间异质性和季节性变化动态仍然难以监测。本研究提出了一个基于无人机的分析框架，该框架将季节性NDVI指标与空间自相关分析相结合，以评估
Hideyuki Niwa
日本京都高等科学大学生物环境科学学院
摘要
城市森林日益被视为城市生物多样性保护和气候适应性的关键基础设施，然而其空间异质性和季节性变化动态仍然难以监测。本研究提出了一个基于无人机的分析框架，该框架将季节性NDVI指标与空间自相关分析相结合，以评估城市森林中植被变化发生的时间、地点和空间尺度。利用2020年至2025年间每年夏季和冬季在日本大阪的一片25公顷城市森林中获取的高分辨率多光谱无人机图像，我们计算了夏季ΔNDVI、冬季ΔNDVI以及季节性幅度Δ(S?W)的年际差异。通过Global Moran’s I、Local Moran’s I (LISA)和Getis–Ord Gi等方法评估了空间模式。所有指标均显示出显著的正空间自相关性（p < 0.001），表明植被变化具有空间结构。不同指标之间的季节性和年际模式存在差异。夏季ΔNDVI反映了树冠扰动和植被响应，而冬季ΔNDVI主要反映了常绿树冠的动态。多年间（2025–2021年），季节性幅度Δ(S?W)表现出最强的空间聚集性，这表明在更长的时间尺度上可以更明显地检测到组成变化。空间连续的强烈变化比孤立的变化更为普遍，表明植被动态主要由区域范围内的过程驱动。所提出的框架能够区分空间聚集的变化和局部变化，并改进了对城市森林动态的解释。这种方法为适应性城市森林管理提供了实用且可扩展的工具，同时强调了谨慎解释和进一步验证的必要性。
引言
城市森林因其在改善城市环境质量方面的作用，以及作为多种生物栖息地的森林生态系统而受到关注（Krtali?等人，2021年；Xu等人，2025年；Yang等人，2025年）。然而，由于人类活动和自然灾害的影响，全球范围内的城市森林正面临严重退化，使其衰退成为紧迫的环境挑战（Javed等人，2023年）。因此，监测城市森林的结构和状况并分析其驱动因素对于其可持续管理至关重要（Li等人，2019年；Krtali?等人，2021年；Qiu等人，2025年）。
由于生态过程、管理方式以及周围土地利用的差异，城市森林通常具有空间异质性（Templeton等人，2019年；Baker等人，2025年）。此外，城市森林中经常包含多种树种，导致植被演替阶段在局部有所不同（Jimenez等人，2022年）。因此，城市森林的结构和状况在空间和时间上都是异质的（Bergeron等人，2019年；Trammell等人，2020年）。为了可持续管理具有这些特征的城市森林，需要一个能够识别变化是否发生、发生年份、地点以及变化空间尺度的监测框架。
在城市森林管理中，快速且可重复地监测森林结构和状况非常重要（Baker等人，2025年）。对于植被监测，遥感技术有助于反复捕捉植被的定量变化和季节性模式（Rullan-Silva等人，2013年；Magstadt等人，2021年）。传感器和数据处理方法的进步使遥感成为植被监测的主要工具（Li等人，2019年）。遥感也成为监测城市森林的有效方法（Velasquez-Camacho等人，2025年），其快速绘制监测结果的能力有助于管理决策（Krtali?等人，2021年）。
植被指数在遥感植被监测中得到广泛应用。其中，NDVI被广泛用作与植被光合作用活动和生物量相关的代表性指标（Green等人，1997年；Myneni等人，1998年；Beck等人，2011年；Eastman等人，2013年）。此外，使用时间序列植被指数进行的物候和生态系统功能评估已被证明对于监测包括城市区域在内的多种生态系统变化有效（Dronova和Taddeo，2022年；Gong等人，2024年）。然而，使用时间序列NDVI的研究报告称，在同一年度内不同季节NDVI的变化幅度和方向可能存在差异（Liu & Lei，2015年）。此外，影响植被变化的因素（如气候）对NDVI的影响也具有季节性。同一年度内的气候事件可能会增加夏季NDVI，同时降低早春或晚秋的NDVI，反之亦然（Pei等人，2019年；Eisfelder等人，2025年；Liu和Lei，2015年）。这些NDVI变化的季节性差异在不同地区也有差异（Eisfelder等人，2023年；Eisfelder等人，2025年）。因此，在给定年度内平均NDVI值可能会掩盖季节性变化（Eastman等人，2013年）。此外，时间序列NDVI监测强调了评估年际变化的重要性（de Jong等人，2011年；Yin等人，2012年；Liu等人，2021年）。因此，使用NDVI监测城市森林变化需要一个结合季节性和年际变异性的框架。此外，大多数现有的基于NDVI的监测研究要么关注时间趋势，要么仅进行单季节分析，很少将空间配置明确纳入植被动态的解释中（Eisfelder等人，2023年）。无人机为植被监测提供了一个有前景的平台，能够提供相对低成本、高空间分辨率的数据，并允许灵活控制重访间隔（Anderson和Gaston，2013年；Berra等人，2019年）。
此外，本研究侧重于使用空间自相关作为分析方法来解决城市森林的空间异质性问题。空间自相关用于评估地理位置相近的位置是否具有相似的属性值（正自相关）或不同的值（负自相关）。Global Moran’s I是最常用的统计方法，用于评估整个研究区域内的值是聚集的、分散的还是随机分布的（Cliff & Ord，1981年）。Local Moran’s I (LISA)用于识别局部聚类或空间异常值（Anselin，1995年）。Getis–Ord Gi统计量通过Z分数评估邻域内值的总和偏差，从而识别高值或低值强烈聚集的区域（热点或冷点）（Getis和Ord，1992年）。
尽管基于NDVI的监测技术有所进步，但大多数研究要么仅关注单季节指标，要么没有将空间配置明确纳入植被动态的解释中。此外，很少有研究结合季节性NDVI指标和高分辨率无人机数据的空间自相关分析来评估森林变化的幅度和空间结构。
在本研究中，我们提出了一个基于无人机的分析框架，该框架将季节性NDVI差异与空间自相关统计相结合，以检测城市森林中变化发生的时间、地点和空间尺度。虽然这些分析组件本身已经建立，但将它们整合到一个统一的监测框架中代表了新的贡献。
本研究的目标是：
- (1)
使用基于无人机的多光谱图像量化年际和季节性NDVI动态，
- (2)
使用Global Moran’s I、LISA和Getis–Ord Gi来描述这些动态的空间结构，
- (3)
评估将季节性指标与空间统计相结合如何改进对城市森林变化的解释。
章节摘录
分析框架概述
图1展示了所提出的基于无人机的监测框架的整体工作流程。高分辨率无人机图像被处理成正射影像和NDVI层，从中提取了季节性指标。随后使用空间自相关统计分析了这些指标，以确定植被变化的幅度和空间配置。
研究地点
研究地点位于大阪Suita市的Expo Memorial Park西侧，面积约为25公顷的森林
结果
所有年份中，夏季的平均NDVI始终高于冬季（表2）。冬季NDVI在某些年份表现出更大的空间变异性（标准差更高），这与休眠季节条件的更强异质性一致。
表3显示了三个指标在连续年度差异和长期差异下的Global Moran’s I值。它们的时间趋势如图5所示。所有Global Moran’s I值在统计上均具有显著性
对城市森林监测和管理的启示
本研究表明，将季节性NDVI差异与空间自相关分析相结合，可以检测城市森林变化的幅度和空间配置。该框架不仅关注平均NDVI趋势，还识别变化是作为空间连续的斑块还是局部变异发生的。
作者贡献
所有作者都参与了研究的构思和设计。数据收集由Hideyuki Niwa和Daisuke Iwai完成。材料准备和分析由Hideyuki Niwa完成。手稿的第一稿由Hideyuki Niwa撰写，所有作者都对之前的手稿版本提出了意见。所有作者都阅读并批准了最终稿件。
CRediT作者贡献声明
Hideyuki Niwa：写作 – 审稿与编辑，写作 – 原稿撰写，可视化，验证，监督，软件，资源，项目管理，方法论，调查，资金获取，正式分析，数据管理，概念化。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
本研究受到了“Katsura河流域生态系统网络委员会：通过鸣虫建立联系”活动的启发。
