基于街景图像和计算机视觉技术，评估全市街道树木对PM2.5去除的贡献

PM2.5去除能力评估与计算机视觉方法应用研究，通过街景影像分析济南98,009棵树木特征，模拟年均去除1.6吨PM2.5，验证了计算机视觉技术在大规模城市绿化监测中的可行性。

　　

刘东伟|张浩|魏迪|卢毅

香港城市大学建筑与土木工程系，香港

摘要

快速的城市化和工业化给全球许多城市带来了严重的环境挑战，其中直径为2.5微米或更小的颗粒物（尤其是PM2.5）的污染成为一个主要问题。作为城市生态系统的重要组成部分，行道树通过吸收和分散PM2.5的能力具有缓解这一问题的潜力。然而，目前对行道树去除PM2.5能力的评估成本过高，难以大规模应用。本研究介绍并评估了一种新的计算机视觉方法，该方法利用街景图像自动分析行道树的特征，如树高、树冠直径和树干直径以及树种。我们将该方法应用于中国济南市的行道树，共识别出98,009棵行道树，其中90%以上属于八种主要树种。通过利用这些详细的树木信息并结合实际气象数据，我们模拟了行道树对PM2.5的去除过程，发现这些树木每年可以在258.27平方公里的研究区域内去除约1.6吨PM2.5，平均每棵树去除1.63克。研究结果凸显了行道树在减轻空气污染方面的巨大作用。这种提出的研究方法对于全球城市的规划和管理具有重要的参考价值，尤其是在发展中国家。

引言

直径2.5微米或更小的颗粒物（PM2.5）是一种重要的空气污染物。由于其微小的尺寸，这些颗粒物可以轻易进入呼吸系统，导致各种健康问题，包括呼吸系统疾病（Bhattarai等，2024年）、心血管疾病（Li等，2023年）、早死（Yang等，2024年）、癌症（Gao等，2023年）、生殖健康问题（Odo等，2023年）以及神经系统影响（Cristaldi等，2022年）。PM2.5的来源包括自然事件（火山爆发（Kim等，2016年）、海盐气溶胶（Zhang等，2021年）以及人类活动（家庭燃烧（Qi等，2019年）、工业设施（Huang等，2014年）、农业活动（Cheng等，2021年）、建筑活动（Cheriyan等，2020年）、铺砌道路的灰尘（Amato等，2010年）和交通流量（Lin等，2022年）。因此，城市地区的行人由于靠近车辆排放源而面临更高的暴露风险（Patra和Vanajakshi，2021年；Qiu等，2019年）。

作为城市绿化的重要组成部分，行道树既可以增加也可以减少PM2.5的浓度（Nowak等，2013a；Wu等，2021；Yang等，2023）。首先，行道树的叶子通过干沉降作用能够有效捕获PM2.5（Wu等，2021；Zhang等，2020）。其次，行道树可以通过作为屏障来重新分配局部PM2.5浓度，从而减少与交通相关的排放物扩散（Diener和Mudu，2021；Tong等，2015）。第三，某些树种会释放生物挥发性有机化合物（BVOCs）和花粉，这些物质会促进PM2.5的形成（Setyan等，2012）。

干沉降是指大气颗粒物直接沉积在植物表面。与建筑物或铺砌表面相比，树木的沉降率显著更高（Pugh等，2012）。一棵平均大小的都市树木每年可以去除大约3.5公斤的PM2.5（Nowak等，2013a），这带来了巨大的经济和健康效益——据估计，美国各城市的年效益在110万美元到6010万美元之间（Nowak等，2013b）。沉降率取决于当地环境因素，如PM2.5浓度、交通流量和气象条件（Wu等，2021）。叶片表面特性也会影响颗粒物的捕获效率，通常蜡质或毛茸茸的叶片具有更高的捕获能力（Gaglio等，2022）。例如，银桦、紫杉和接骨木的捕获效率分别为79%、71%和70.5%（Wang等，2019）。

行道树还可以通过影响交通产生的PM2.5的扩散来减轻道路附近的污染（Chen等，2016；Viippola等，2018）。这种能力取决于街道布局和树木特征，如位置、高度、树种、树冠厚度和叶片密度（Abhijith和Kumar，2019）。研究表明，在开阔的道路条件下，树篱比单独的树木效果更好，两者结合使用最为有效（Abhijith和Kumar，2019）。高大的树木可能会提高街道峡谷中的PM2.5浓度，而低矮的植被则可能产生相反的效果。树木对PM2.5浓度的影响还与距离道路的距离有关（Abhijith和Kumar，2019）。

此外，某些树种会释放BVOCs，这些物质会显著影响大气化学成分和PM2.5的形成（Wu等，2020）。BVOC的排放量取决于树种、温度和光照强度（Calfapietra等，2013），而花粉颗粒可能会破碎成细小颗粒或发生化学反应形成额外的气溶胶（Ortega-Rosas等，2021；Yee等，2018）。

已经有多种方法用于量化树木对PM2.5浓度和分布的影响。现场研究通常通过统计方法根据叶面积来量化叶片上的PM2.5积累量（Gaglio等，2022；Richmond-Bryant和Reff，2012）。其中一种方法是使用高精度技术，如移动激光扫描（MLS），来估计树木特征和PM2.5的去除效率（Zhao等，2018）。虽然这种方法可以获得准确的结果，但其成本限制了大规模应用，并且忽略了PM2.5的时空动态。模拟方法，如风洞实验和计算流体动力学（CFD）模型，可以在受控环境中提供详细分析，有助于理解特定因素（Carpentieri等，2012；Jeanjean等，2016）。然而，这些方法难以反映现实世界的复杂性，且难以应用于城市区域。

因此，评估行道树对PM2.5及其他污染物浓度的影响需要能够低成本、低劳动强度和短时间投入来测量单个树种和特征的工具。由植物学家或受过培训的人员进行的现场审计涉及直接检查树木的叶片、树皮和果实等组成部分（W?ldchen和M?der，2018）。尽管耗时且劳动密集，但这些方法能够提供可靠和全面的结果（Martin，2011）。算法和计算能力的进步使得使用相机和传感器（包括LiDAR、高光谱成像和其他遥感技术）进行自动化树木评估和物种识别变得普遍（Abdollahnejad和Panagiotidis，2020；Bauwens等，2016；Sankey等，2017；Sothe等，2019）。尽管这些方法准确性高，但通常成本较高且数据需求量大。相比之下，传统的RGB图像仍然是大规模城市评估的最实用选择，因为RGB相机的成本较低且普及程度高（Branson等，2018；Culman等，2020）。RGB数据可以通过卫星、航空或地面平台获取。卫星图像可以实现大规模测绘，但受限于较低的空间分辨率和单一视角（Ryherd和Woodcock，1990）。来自无人驾驶飞行器（UAV）的航空数据具有更高的分辨率和灵活性（Colomina和Molina，2014），但部署成本较高。地面图像，包括来自谷歌和百度等平台的免费街景图像（SVI），可以在不增加额外设备或劳动成本的情况下提供高分辨率、人眼水平的视角。基于SVI的树木审计与现场观察结果的一致性高达93%（Berland和Lange，2017）。

计算机视觉和机器学习的最新进展使得可以从大规模图像数据集中（如SVI）自动提取城市植被的种类和特征（Choi等，2022；Liu等，2023）。深度学习模型，如卷积神经网络和基于变压器的架构，越来越多地被应用于在SVI或UAV图像中检测、分割和分类树木，提供了经济高效且细致的城市树木清单（Fassnacht等，2016；Liu等，2023），实现了对树木种类组成、树冠覆盖率和空间分布的大规模分析，分辨率前所未有，从而弥合了环境监测与城市规模应用之间的差距。然而，这些技术在与空气质量建模的整合方面仍然有限，特别是在将树木形态特征与PM2.5的时空变化联系起来方面。

本研究提出了一种新的方法，用于预测中国济南市行道树的PM2.5缓解能力及其时空分布，考虑了特定树种属性、空间分布、降雨特征和季节性因素。利用计算机视觉技术和SVI，本研究生成了全市范围内的树木清单，有助于研究行道树的累积PM2.5去除能力、树种组成和PM2.5水平变化的影响，以及与天气和树木物候相关的季节性变化。该研究还探讨了城市树木规划和管理方面的潜在应用。

研究设计

本节详细介绍了评估行道树对PM2.5影响的方法流程。该过程包括获取SVI数据，从中检测、测量和分类树木；然后绘制与PM2.5浓度相关的树木功能特征图，从而计算即时去除速度和累积去除量（图1）。

行道树清单的建立

我们的创新方法在IOU阈值为0.5的情况下，准确识别济南市主要树种的平均精度达到了0.587（mAP0.5）。最终，在研究区域内共识别出98,009棵行道树，构成了济南市市中心的行道树清单。该清单包含了每棵树的详细特征，包括树种、高度、树冠直径和精确的地理坐标。

详细和全市范围的行道树清单的潜在应用

本研究利用计算机视觉（CV）技术从街景图像（SVI）中提取树种和树木特征数据。虽然研究人员已经将SVI和CV结合用于城市绿化的定量研究（Li等，2015；Long和Liu，2017；Lu，2019；Yang等，2019），但准确识别主要树种并提供更详细的树木信息为城市环境和生态学研究提供了潜在的进步空间。

结论

总之，我们的研究为使用计算机视觉和街景图像估计PM2.5去除量奠定了方法论基础。我们的研究在三个方面丰富了现有知识：首先，我们对行道树的特征进行了全面的、全市范围的分析，包括高度、树冠直径和物种多样性。这种方法具有广泛的空间覆盖范围和精确的树木信息粒度。其次，通过使用……

作者贡献声明

刘东伟：撰写——初稿、方法论、调查、正式分析、数据管理、概念化。张浩：撰写——审阅与编辑、验证、调查。魏迪：正式分析、数据管理。卢毅：撰写——审阅与编辑、监督、项目管理。

利益冲突声明

作者声明没有已知的财务利益或个人关系可能影响本文的研究结果。