《Journal of Imaging》：From Detection to Maps: A Review of Automated Urban Tree Mapping Using UAV and High-Resolution Satellite Data
城市树木映射对于环境可持续性和气候变化缓解是必要的，并且它严重依赖于个体树木识别和冠层分割来分析城市绿地覆盖。本系统综述讨论了2014–2026年间使用无人机（UAV）和高分辨率卫星影像进行这些树木映射的最新进展。研究人员从初步筛选的4148条记录中，经过系统筛选和综合，缩减至101篇符合条件的出版物，评估了深度学习模型（如卷积神经网络（CNN）和视觉变换器（ViT））在处理各种源图像时的效率。研究人员还比较了对象检测和语义分割，以确定哪种方法更能应对典型的城市挑战，包括重叠冠层和建筑阴影。根据所综述的研究，基于UAV的模型在个体树木检测和树冠勾画方面通常比基于卫星的方法达到更高的空间精度，报告的平均交并比（IoU）值约为70–75%，而卫星影像为大规模城市森林监测提供了优越的空间覆盖。最后，研究人员提出了一个研究路线图，以解决现有弱点（如地理偏差），推动研究方向朝向多模态数据融合和基础模型，以维持一致的大规模城市森林监测。
1. Introduction
1.1. Importance of Urban Trees
城市树木对城市环境健康至关重要，有助于缓解气候变化并提升城市宜居性。它们通过遮荫和蒸发主动降温，对抗城市热岛效应并过滤污染物。研究表明，在密集建筑区增加绿化可使地表温度降低1–3°C。树木根系和冠层覆盖减少雨水径流压力，增强土壤渗透性，并延长道路寿命。这些生态系统服务的经济效益巨大，每年产生数十亿美元。随着城市快速扩张和气候模式不稳定，维护准确、可扩展且最新的城市森林记录变得至关重要。
1.2. Challenges in Automated Tree Mapping
自动化树木映射面临独特的技术挑战。无人机虽能拍摄高分辨率图像，但覆盖范围小且易受天气影响。卫星图像覆盖范围广，但分辨率常不足以识别个体树木。建筑阴影和光谱信息不足会显著影响分析。检测软件在密集城市中难以区分重叠冠层，物种变异和植被与绿色物体的光谱相似性导致误分类和假阳性。AI系统在环境变化时性能下降，模型在新季节、天气模式或地理区域中精度降低。深度学习出现前，这些挑战主要通过传统遥感、摄影测量和图像分析技术解决。
1.3. Evolution of Automated Tree Mapping Before Deep Learning
深度学习普及前，自动化树木映射主要基于传统遥感、摄影测量和图像分析技术。早期树木制图和森林清查依赖实地测量和传统大地测量学技术，如测量胸径（DBH）、树高，并估算树干体积、地上生物量等。随着遥感发展，这些方法逐渐被航空摄影测量、基于无人机的运动恢复结构（SfM）以及激光扫描技术（包括地面激光扫描（TLS）、移动激光扫描（MLS）、机载激光扫描（ALS）和无人机激光扫描（ULS））补充。这些技术实现了森林结构的三维重建，改进了关键清查属性的估算，包括冠幅、树干体积和地上生物量。常见方法包括面向对象图像分析（OBIA）、局部最大值滤波、模板匹配、分水岭分割、区域生长和基于LiDAR的冠层高度模型（CHM）。光谱植被指数如NDVI常用于支持植被判别和树木提取。这些方法构成了多年运营森林清查和早期城市树木映射的方法论基础，但在复杂城市背景下性能受限于手工设计特征和参数调整。
1.4. AI-Based Methods
近年来，深度学习技术，尤其是卷积神经网络（CNN），成为自动化城市树木映射的首选工具。语义分割架构如U-Net和DeepLabv3+能从航空和卫星数据中提取高质量树冠数据，在树冠检测上优于传统算法如OBIA。例如，U-Net的交并比（IoU）达到约0.96，远高于经典方法的0.49。此外，YOLO系列单阶段检测器在高分辨率航空和卫星图像中定位树木效果显著，精度超90%。轻量级YOLOv4-Lite模型在多种环境下检测率达96–98%。两阶段检测器如改进的Faster R-CNN配合Swin Transformer骨干，在街树检测中AP50达到约0.70。然而，城市复杂背景（建筑阴影、树木重叠、相似植被光谱）仍带来挑战。当前网络架构越来越多地融入注意力机制和多尺度上下文模块以增强环境理解。例如，双多尺度网络处理RGB和NDVI数据并加入通道注意力机制，在分割精度上优于传统CNN，但重叠枝干和强阴影仍是问题。通过融合航空/卫星图像与地面图像（如谷歌街景）可定位被建筑遮挡的街树，成功率约79%，平均误差仅0.6米。多光谱数据（含近红外波段和NDVI）或LiDAR的加入提高了区分树冠与其他城市元素的能力。近期研究转向实例分割模型如Mask R-CNN以追踪树冠精确边缘并估算物理尺寸。
1.5. Research Motivation and Contributions
现有自动化城市树木映射系统在扩展、跨城市泛化或融合多种图像类型方面仍存在瓶颈。模型在不同地理背景中性能下降，无人机与卫星数据之间的桥梁缺失，阻碍了同时获取精细空间细节和大面积覆盖。深度学习的不透明性及缺乏公开标注数据集限制了可重复性和实际应用。本综述系统梳理了2014–2026年间自动化城市树木映射的进展，重点聚焦无人机和高分辨率卫星影像，基于101篇出版物分析了深度学习技术、数据集和工作流程，特别关注CNN如U-Net和YOLO的演变，以及跨尺度数据融合策略，并识别关键研究空白，提出未来构建稳健大规模城市树木映射系统的路线图。
2. Materials and Methods
遵循系统综述指南，过程分为四个阶段：文献检索、筛选、数据提取和定性综合。
2.1. Search Strategy
系统扫描主要数字图书馆和书目数据库，检索关于无人机和高分辨率卫星影像的树木映射、检测、分割和监测研究。检索截止于2026年2月12日，链接五个核心概念：目标对象（树木和树冠）、任务（检测、分割、计数、映射/地理参考）、数据源（无人机/高分辨率卫星影像）、AI方法（深度学习及常见模型家族）、扩展监测焦点（如树木健康评估和冠层时序变化）。使用布尔运算符、截词和字段限定，并通过回溯搜索补充相关文献。
2.2. Eligibility Criteria
明确纳入标准：仅包含涉及树木相关映射、检测、分割、计数、地理参考或健康评估，且使用无人机/高分辨率卫星影像结合AI/ML分析的研究。排除标准如表1所示。
2.3. Study Selection
通过系统框架进行筛选。初始检索获得4148条记录，手动筛选标题和摘要后保留904篇进行全文审查。去除134篇重复和76篇无法获取的记录，剩余694篇完整报告。根据纳入标准，最终101篇研究进入最终综合。筛选过程如图1流程图所示。
2.4. Data Extraction
使用标准化提取表格收集信息，包括基本书目信息（标题、发表年份、期刊、DOI）、技术方法论（主要目标、数据源与地理背景、数据集特征）、标注方式（边界框、多边形、点标签）、分析流程（预处理、深度学习架构、后处理）、评估指标（精度、召回率、F1分数、IoU、mAP、RMSE等）以及作者的主要发现和局限性。
2.5. Quality Appraisal
使用自定义检查表评估报告质量和可重复性，检查数据集描述清晰度、标注过程透明度、数据分割严格性、评估指标合理性、基线比较和敏感性分析，以及代码、模型或数据公开情况。
2.6. Data Synthesis and Analysis
由于研究在传感器、空间分辨率、标注格式和评估指标上差异巨大，采用叙述性综合而非定量荟萃分析。按任务类型（检测、分割、大规模映射）、图像类型（无人机、卫星、融合）和AI架构（YOLO、U-Net、Transformer等）分类，评估模型性能，并总结研究空白以提出未来路线图。
3. Results
3.1. Study Characteristics
研究时间跨度为2014–2026年，主要集中于2020年后，2021–2025年达到峰值。发表类型以传统期刊文章为主，如Remote Sensing。地理分布上，中国占主导，德国和美国次之，测试城市包括北京、上海、赫尔辛基、旧金山等。
3.2. Tasks Taxonomy
研究分为五类问题：检测/定位、冠层分割与勾画（语义与实例）、分类（树木健康评估）、计数/密度估计、映射/地理参考/监测，许多论文将多个任务组合在单一流程中。
3.2.1. Detection/Localization
许多研究使用传统方法（如指数/峰值定位）或深度学习目标检测器（YOLO系列、Transformer模型如DETR）来定位个体树木，使用边界框或坐标点。评估指标包括精度、召回率、F1分数和平均精度均值（mAP）。近期研究扩展到DeepForest、Mask R-CNN、DETR、SAM、零样本学习及轻量嵌入式实现等。
3.2.2. Segmentation and Crown Delineation
语义分割（如U-Net）生成像素级掩膜区分树木与背景，实例分割为每个树冠分配独立掩膜。最新工作结合目标检测与提示式分割（如SAM）以高效生成复杂边界。评估指标包括IoU、Dice/F1分数等。
3.2.3. Tree Health Assessment
树木健康评估通常作为多类分类问题，基于光谱和结构信息将检测到的树木分为健康、衰退和死亡类别。例如，使用多光谱特征和随机森林分类器，并结合树干症状（树脂流、树皮损伤、虫孔）进行综合评估。健康与衰退树木的区分最具挑战，而死亡树木识别可靠性更高。
3.2.4. Counting
树木计数采用两种策略：按检测计数（统计预测边界框）和密度图回归（预测连续密度并积分求和）。评估指标包括平均绝对误差（MAE）和均方根误差（RMSE）。
3.2.5. Mapping/Georeferencing/Monitoring
部分研究生成地理参考输出，用于实际监测和清查管理，包括空间分布图、大规模环境变化追踪、树木外树木映射。利用Transformer模型在高分辨率卫星影像上映射散生树木，以及通过空间链接追踪街道树木多年动态。精确地理定位是自主无人机映射系统的关键组成部分，结合了对象检测、导航和任务规划。
3.2.6. Notes on Multi-Task Pipelines and Scope
研究人员常将多个目标整合到单一流程中，例如结合冠层分割与精确树冠级计数。尽管主要关注城市树木，也纳入了少量农业或植被目标研究，因其面临相似挑战并使用相同工具链。
3.3. Methodological Characteristics and Performance
城市树木映射依赖多种深度学习算法，包括CNN和Vision Transformer（ViT）。近期向Transformer架构（如DINO、Swin-T）转变，因其在重叠枝干分离和场景理解方面表现优异。高分辨率数据集和多种数据融合（如ALS、街景全景、OSM）可提高检测率，定位精度约60厘米。表3详细列出了各架构的方法参数、数据集和评估指标。
3.4. Data Sources and Spatial Resolution
数据源分为三类：无人机影像、卫星影像、多源融合（结合顶视图与地面图像或LiDAR）。
3.4.1. UAV and VHR Aerial Imagery
无人机影像提供厘米级地面采样距离（GSD），范围从3 cm到30 cm，多数在4–20 cm之间。高分辨率航空正射影像也用于精细分析。
3.4.2. Satellite Imagery
卫星影像使用WorldView、QuickBird、Sentinel、Landsat等传感器，空间分辨率从VHR的0.3–0.5 m到多光谱产品的2–3 m。多光谱和全色锐化产品（如4 m锐化至1 m）用于增强城市冠层映射。
3.4.3. Mixed/Multi-Source Inputs
部分研究融合历史卫星数据与多光谱无人机数据、航空与地面图像，或结合LiDAR。混合流程面临分辨率差异和视角变化挑战。
3.4.4. Seasonality and Acquisition Timing
少数研究明确提及季节或采集日期。季节性变化（叶落与叶满状态）显著影响模型性能，需开发能跨时间泛化的算法。
3.5. Datasets and Annotation
数据集来源包括无人机影像（19%）、高分辨率卫星影像（16%）、载人航空/正射影像（15%）、地图/GIS图层（14%）、自收集数据集（14%）、LiDAR/ALS点云（13%）、公开基准数据集（6%）、街景影像（1%）、社交媒体/移动感知（1%）、合成数据（1%）。标注方式包括边界框、像素级掩膜、多边形或点标签。
3.6. Computer Vision Models and Architectures
模型分为四类：检测架构（YOLO、Faster R-CNN、Mask R-CNN、DeepForest）、分割架构（U-Net及变体）、分类/特征提取模型（CNN、ResNet、ViT）、经典机器学习方法（随机森林、决策树、K-means）。CNN架构在31项研究中被采用，U-Net出现20次，YOLO出现15次，ResNet和ViT分别出现8次和6次。
3.7. Evaluation Protocols and Metrics
检测任务使用精度、召回率、F1分数、mAP、AP50；分割任务使用IoU、Dice系数、总体精度；计数任务使用MAE、RMSE；地理定位精度使用平均位置误差（米）。
3.8. Comparative Performance Synthesis
无人机影像在个体树木检测和树冠勾画上优于卫星影像，平均IoU约73% vs 67%，mAP超90%。卫星影像在F1分数上竞争性（82–84%），但方差较大，适用于大规模植被映射而非精细树冠勾画。
3.9. Reproducibility and Openness
78%的研究使用封闭/专有数据，19%仅公开数据，仅3%同时公开代码和数据。常见问题包括缺失超参数设置、数据增强细节和训练/测试分割描述，阻碍可重复性。
3.10. Quality Appraisal Summary
质量评估显示：传感器类型和GSD记录良好，但环境上下文（如季节、物候状态）常缺失。训练/测试分割缺乏空间隔离，可能导致数据泄露。基线比较和消融实验普遍，但多在非公开数据上进行，限制外部效度。模型多在便捷城市区域（修剪公园、整齐街道）测试，对不规则冠层泛化能力不足。
4. Discussion
4.1. Automated Individual Tree Detection and Precise Geolocation in Urban Environments
研究趋势从语义分割转向个体树木精确定位。使用置信图回归、Vison Transformer（DINO、Swin-T）等方法，结合多源数据融合（航空影像与地面图像、ALS）可解决城市峡谷遮挡问题。地理偏差和生物代表性不足是主要障碍，现有模型过度拟合中国、德国、美国的数据，且缺乏对多样树种（如针叶林）的评估。未来需建立全球分布、公开的基准数据集，并结合参数高效微调（PEFT）和R树索引等技术。检测结果可转换为Shapefile或GeoJSON等标准地理空间格式，用于GIS平台。
4.2. Automated Vegetation Segmentation in Fragmented Urban Canopies
自动化分割成功应对城市冠层的碎片化和光谱噪声。采用CASNet、DB-MSC Net、aux-HRNet等架构，利用全局上下文注意力和Transformer模块。通过稀疏标注（如OSM、点标签）降低标注成本，结合多时相影像和Sentinel-2光谱波段与OSM图层。评估指标包括总体精度（OA）、IoU和RMSE。输出为GeoTIFF或矢量多边形，用于ArcGIS、QGIS、ENVI等软件，部分工作流使用Google Earth Engine。
4.3. Comparative Analysis: Object Detection vs. Semantic Segmentation
对象检测擅长隔离个体树木并提供精确地理坐标，适用于更新树木清查和健康评估，但无法捕获冠层几何足迹。语义分割适用于测量总绿色覆盖面积，支持生态研究（如城市热岛缓解），但无法可靠计数个体树木，且标注成本高。选择取决于具体管理目标：个体定位 vs 总冠层面积。
4.4. Roadmap for Future Research
提出四阶段路线图：
Phase 1: 多模态融合解决遮挡和下层映射，融合2D实例语义与3D ALS/LiDAR点云。
Phase 2: 缓解域偏移和地理偏差，构建覆盖不同气候区和城市形态的开放基准数据集，包括病态、结构受损等边缘案例，并采用PEFT。
Phase 3: 集成提示引导的基础模型，结合轻量目标检测器生成边界框提示，用于Vision Transformer和基础模型（如SAM、TreePseCo、DINO）实现精确多边形勾画。
Phase 4: 过渡到多任务生态评估，包括物种分类、健康监测和生态胁迫评估。
4.5. Limitations of the Systematic Review
局限性包括：排除非英语文献可能引入语言偏差；研究异质性导致叙述性综合而非定量荟萃分析；地理偏差集中在中国、德国和美国；近78%的研究使用封闭数据，阻碍可重复性。
5. Conclusions
基于101篇研究（2014–2026）的系统分析，得出以下结论：
(1) 自动化城市树木映射已从传统检测方法演变为精确个体树木定位和大规模多边形冠层映射。无人机影像提供更高空间精度，卫星影像适用于城市和区域尺度监测。
(2) 深度学习已成为主导范式，CNN架构（U-Net、YOLO）仍广泛使用，但正转向Vision Transformer、混合架构和基于基础模型的工作流。
(3) 尽管取得进展，仍存在重要限制：多数研究依赖专有数据集和闭源实现，限制可重复性和迁移性，且光学影像的局限性凸显了多模态方法（RGB与LiDAR等融合）的重要性。
(4) 总体而言，技术基础已奠定，未来研究应优先开放科学实践、标准化评估协议、多区域基准数据集和多模态数据融合，以提高鲁棒性、可重复性和可扩展性。
