《Urban Forestry & Urban Greening》：Integrated Deep Learning Framework for Automating Tree Health Assessment Using Ground-Based Images
编辑推荐：
为解决传统城市树木健康监测方法耗时费力、可扩展性低的问题，研究人员开展了一项集成深度学习框架用于自动化树木健康评估的研究。他们利用卷积神经网络CNN进行多类语义分割，从地面RGB图像中提取树木健康指标THIs，并构建了树木风险指数TRI。该框架实现了对梣树健康状态的量化评估，精度可靠，为规模化、非侵入性的城市树木风险监测与管理提供了有效工具。
城市树木是城市生态系统不可或缺的组成部分，它们在调节温度、改善空气质量、固碳减洪以及缓解城市热岛效应等方面发挥着关键作用。然而，这些“绿色卫士”正日益受到病虫害、病原体以及气候变化的威胁，其健康与恢复能力面临严峻挑战。有效的健康监测对于及早发现压力、进行主动管理至关重要。传统上，树木健康评估依赖于专业人员的目视检查，或使用电阻仪等侵入性工具，这些方法不仅耗时费力、成本高昂，而且难以大规模应用。遥感技术（如卫星和无人机影像）提供了俯瞰视角，但难以捕捉树叶状况、树干裂缝等精细尺度的水平向健康指标。地面传感器，特别是普通数码单反相机或智能手机拍摄的RGB（红绿蓝）图像，提供了一个实用、经济且能获取水平视角的替代方案。但是，如何从这些海量的图像中自动、可靠地提取出反映树木健康状况的关键信息，成为了一个亟待解决的科学问题。这项题为“Integrated Deep Learning Framework for Automating Tree Health Assessment Using Ground-Based Images”的研究，正是为了回答这一问题而展开，并发表于《Urban Forestry 》杂志。
为了构建这一自动化评估框架，研究人员采用了几个关键的技术方法。首先，他们收集了来自英国诺福克和纽卡斯尔城市环境中453张梣树的RGB图像作为数据集，并利用对象基图像分析OBIA进行了精细的像素级人工标注，生成了包含树叶、木材、常春藤和背景四类的语义分割标签。其次，在深度学习建模方面，研究采用了UNet架构，并分别测试了其独立版本以及结合了预训练ResNet34和ResNet50作为编码器（即骨干网络）的版本，以进行多类语义分割。模型在调整类别不平衡、进行数据增强后，使用不同的学习率、批次大小和输入图像分辨率（128×128与256×256像素）进行了训练和比较。最后，基于最佳分割模型的输出，研究团队开发了自动化的Python工作流程，从分割结果中提取出六项关键的树木健康指标THIs，包括：落叶率、树高、冠长树高比ClThR、常春藤指数IvyI、树木倾斜度和树冠对称性，并进一步通过加权求和构建了一个综合性的树木风险指数TRI，用于量化评估树木的整体健康状况。
研究结果部分展示了该集成框架的效能：
3.1. 深度学习模型
在训练的十个模型中，结合了ResNet50骨干网络并使用256×256像素输入图像的M10模型表现最佳。在剪裁后的图像测试集上，该模型的总体准确率达到84.3%，其中对落叶类别的F1分数为0.81，展现出优越的语义分割性能。视觉对比显示，M10模型比未使用预训练骨干的M9模型能更清晰地区分木材和常春藤等细微结构，证明了迁移学习和更高分辨率输入在提升特征识别精度方面的价值。
3.2. 树木健康指标
从最佳模型的分割结果中提取的各项指标呈现出有意义的分布。模型预测的落叶率与观察者评分具有强相关性（R2= 0.83），验证了其可靠性。树高预测与实地测量值中度相关（R2= 0.69），但对较高树木存在轻微低估。大多数树木的冠长树高比ClThR值较高（均值0.87），常春藤指数IvyI普遍较低（均值0.07）。树木倾斜度呈双峰分布，树冠对称性则呈现多峰分布，反映了树木结构的多样性。
3.3. 树木健康评估
通过加权综合落叶率（权重0.5）、常春藤指数（0.3）、树冠对称性（0.1）、树木倾斜度（0.05）和冠长树高比（0.05）等归一化后的指标，计算出了树木风险指数TRI。案例分析显示，TRI值低的树木（如Tree A）各项指标健康，而TRI值高的树木（如Tree D）则表现出落叶严重、常春藤覆盖密集、结构不对称等多重压力迹象。对整个评估集树木的分类表明，约50%为健康，44.2%为中度不健康，仅7.0%为严重不健康。
在结论与讨论部分，该研究总结其开发了一套经济有效的自动化深度学习框架，用于基于地面RGB图像评估城市树木健康。该框架的核心在于将UNet与ResNet骨干网络结合，成功实现了对树木关键部位（树叶、木材、常春藤）的语义分割，并由此自动化导出了多项定量化的树木健康指标THIs。其中，落叶率指标经过验证具有高可靠性，而其他结构指标则为评估提供了有价值的探索性维度。最终集成的树木风险指数TRI，将多维度健康信息融合为一个简洁的评分，为城市树木的风险分级和管理优先级排序提供了数据驱动的决策依据。
这项研究的重要意义在于，它首次将深度学习驱动的树木图像分割、健康指标提取以及综合性健康评估整合进一个完整的自动化流程中。相较于传统方法，该框架提供了一种可扩展、非侵入性且成本更低的监测方案，能够实现大规模、系统性的树木健康筛查。尽管该研究目前仅以梣树为概念验证，且模型在复杂类别（如木材）分割和某些几何指标验证方面仍有提升空间，但它为应对气候变化和生态压力下的城市森林智慧化管理奠定了坚实的技术基础。未来，通过扩展数据集至更多树种、优化模型架构（如注意力机制）以及加强地面实测验证，这一框架有望发展成为支撑城市林业可持续发展的有力工具。
