利用深度学习对密集城市核心区的地面碳储量进行冠层层级、仅针对树木的建模

《Urban Forestry & Urban Greening》：Crown-Level, Tree-Only Mapping of Urban Aboveground Carbon Stocks in Dense City Cores Using Deep Learning

　　本文报道了一项关于北京二环路地区城市树木地上碳储量的研究。研究利用YOLOv7-seg深度学习模型和物种特定的一些生长方程，实现了高精度的树木个体地上碳储量（AGCS）估计。该方法有效地考虑了城市环境的复杂性，并通过空间去偏置验证提升了估计的准确性。研究结果为城市森林碳监测和管理提供了可靠的方法论基础。

**摘要：**
城市树木是城市森林碳汇的重要组成部分，准确量化其地上碳储量对于推进碳中和战略和优化城市绿地规划至关重要。尽管基于像素的遥感方法仍然是城市规模生物量估算的主流技术，但在密集的城市中心地区，这些方法受到树木与下层植被混合、物种特定结构差异以及不透水表面产生的光谱干扰等因素的限制。本研究以北京二环路为例，结合YOLOv7-seg深度学习模型和物种特定的冠层-胸径（DBH）生长方程，开发了一种能够单独评估每棵树地上碳储量的方法，有效缓解了混合像素和背景因素的干扰。研究表明，该模型在复杂城市环境中表现出色，识别出了183,144棵树木，整体检测准确率超过69%，其中东方侧柏（Platycladus orientalis）的类别精确度达到85%。

**引言：**
城市树木是城市生态系统的基石，提供了重要的气候、环境和社会效益（Gómez-Baggethun和Barton，2013；Keeler等人，2019；Savo等人，2025）。树木通过蒸腾作用降低温度、减少辐射负荷以及吸收大气中的污染物（Beckett等人，1998；Freer Smith等人，1997），从而改善空气质量。同时，它们通过光合作用固定大气中的二氧化碳并将其储存在木质生物量中（Shadman等人，2022）。城市树木的地上碳储量是城市碳汇的重要组成部分，成熟树木每年可固定数十至数百公斤的二氧化碳。然而，由于物种组成、冠层结构和建成环境背景的差异，这些碳储量在空间上具有高度变异性。因此，可靠、精细且可操作的城市树木碳储量估算对城市规划、热风险缓解以及基于自然的解决方案评估至关重要。

**方法：**
研究采用了基于YOLOv7-seg深度学习模型的方法，结合冠层-DBH生长方程来估计树木的地上碳储量。首先，通过统计设计的采样方案和标准化测量方法收集数据；其次，利用过程模型模拟树木的光合作用、呼吸作用和生长过程，并结合数据同化和物候学约束来改进模型；最后，利用高分辨率多光谱遥感数据提升碳储量估算的准确性和可靠性。

**结果：**
在北京二环路地区，YOLOv7-seg模型识别出了183,144棵树木，整体检测准确率超过69%，其中东方侧柏的类别精确度达到85%。基于冠层-DBH关系的物种特定地上碳储量估算结果显示，该地区的总碳储量为24.14 Gg C，平均碳密度为3.86 Mg C ha?1。与传统基于像素的光谱机器学习方法相比，该方法在不同背景条件和物种组成下都能获得更一致的估计结果，解释能力更强（R2 = 0.909 vs 0.633），且显著降低了估算偏差（P < 0.05）。

**结论：**
本研究提出了一种基于深度学习和冠层-DBH生长方程的方法，用于评估城市树木的地上碳储量。该方法有效解决了城市环境中的复杂问题，提高了估算的准确性和可靠性，为城市森林碳监测和管理提供了可靠的方法论支持。丙强保：撰写——原始草稿；利益冲突声明
作者声明：他们不存在任何已知的可能影响本文所述工作的财务利益冲突或个人关系。

致谢
本研究由中国国家重点研发计划（项目编号：2024YFF1306103 和 2022YFF1301803）资助。