《Urban Forestry & Urban Greening》：Towards “Right Tree, Right Place” in urban environments: A systematic review of decision-support methods and tools for urban tree planting
编辑推荐：
这篇系统综述聚焦城市树木种植的决策支持方法，全面梳理了39篇文献在树种选择、可行种植区识别、种植区位优先排序及布局优化四个关键环节的方法学进展。文章指出当前研究多依赖树木相关数据、规则过滤法和环境效益最大化目标，但缺乏针对具体场地的动态决策框架，未来需整合场地特异性分析与长期树木生长模型以提升实践应用价值。
城市树木种植决策支持方法的系统综述
引言
随着城市化进程加速和气候变化加剧，城市树木作为基于自然的解决方案（NbS），在促进可持续城市发展和提升人类福祉方面发挥着关键作用。然而，城市树木种植决策面临多重挑战，包括空间限制、成本约束以及树种与立地条件的匹配复杂性。尽管许多城市设定了雄心勃勃的树木覆盖率目标，但如何科学地实现“适地适树”（Right Tree, Right Place）仍是城市设计者和政策制定者面临的核心难题。现有研究对决策支持方法的差异、适用性及数据需求缺乏系统梳理，限制了其在实际应用中的指导作用。
方法学框架
本研究遵循PRISMA 2020指南，对Web of Science和Scopus数据库中截至2025年2月的文献进行系统检索，最终纳入39篇符合标准的研究。分析框架从三个层面展开：研究背景（时间趋势、地理分布）、树木种植焦点与范围（树木类别、决策环节、应用尺度）以及决策支持实施（输入数据、核心方法、决策目标）。通过弦图和桑基图等可视化工具，揭示了方法、目标与数据之间的关联模式。
研究概况与地理分布
时间上，相关研究自2017年起显著增长，2020年和2023年出现发表高峰。地理上，美国占主导地位（31%），其次为韩国（10%）、加拿大（8%）和澳大利亚（8%）。研究多集中于城市或区域尺度，仅两项研究涉及国家或多国尺度。气候类型以湿润亚热带（Cfa）、温带海洋性（Cfb）和半干旱气候（BSh）为主，反映了数据可获取性与地区政策对研究分布的影响。
决策支持的关键维度
- 1.
树木类别与决策环节
多数研究（26篇）关注“一般城市树木”，而特定类别如行道树（8篇）研究较少。决策环节中，种植区位优先排序（13篇）和树种选择（11篇）最为常见，布局优化（7篇）和可行种植区识别（5篇）次之。应用尺度以城市/区域层面（20篇）为主，局部尺度（8篇）的研究较为缺乏。
- 2.
树种选择方法
输入数据高度依赖树木形态生理性状和生态系统服务能力数据，场地环境数据使用较少。决策方法以规则过滤法和定量矩阵框架（如层次分析法AHP）为主，优化模型和机器学习应用有限。目标多聚焦环境效益最大化，成本最小化考虑不足，且多数研究采用多目标决策框架。
- 3.
可行种植区识别
该方法高度依赖土地覆盖图、遥感影像和树冠尺寸数据，通过GIS多标准过滤界定种植可行性。目标集中于土地适宜性和空间可行性评估，但规则常基于现状土地类型（如草地、裸土），可能低估建成区潜力。需结合城市更新、道路空间改造等动态视角，突破保守的种植基线。
- 4.
种植区位优先排序
美国研究多基于人口普查区单元，整合环境数据（地表温度、空气污染）、树木数据（现有冠层覆盖）和社会经济数据（收入、种族），采用规则排序、模拟优化或多标准决策分析（MCDA）。目标以热缓解（60%）和公平性提升为主，但单元定义与树木管理需求脱节，可能影响实施可行性。
- 5.
种植布局优化
该环节强调三维环境数据（数字高程模型DEM、气候数据）与树木几何模型结合，通过模拟优化（如遗传算法、爬山算法）最大化遮荫效益或热舒适度。然而，方法多限于单一目标（如辐射调控），且简化模型难以反映真实城市形态。未来需拓展视觉质量、生物多样性等多目标优化，并探索机器学习加速仿真流程。
局限与展望
当前研究存在三方面局限：一是空间单元多依赖行政边界（如人口普查区），缺乏与树木生态功能匹配的可操作单元；二是局部尺度决策支持不足，忽略树木长期动态（如冠层生长、死亡率）；三是成本效益分析和公众参与整合度低。未来应发展场地特异性成本效益模型，结合树木生长模拟、高精度环境监测与数字孪生技术，构建贯穿树木全生命周期的决策框架。
结论
城市树木种植决策支持方法正从单一目标优化向多维度、动态化框架演进。未来研究需突破静态数据约束，融入时空动态与实施成本，通过跨学科合作推动“适地适树”从理论模型走向落地实践，最终支撑气候适应性城市的建设。
