使用考虑空间信息的视觉聚类进行城市树种多样性的无监督制图

为什么城市树木与智能地图重要

城市的宜居性在很大程度上依赖树木。路边树能为炎热街区降温、净化空气，并为居民提供日常的自然接触。然而，大多数城市政府对自己拥有多少种类的树木或这些树木如何聚集只有粗略估计。传统的树木普查需要专家挨个街区实地查看，成本高且耗时。本研究提出了一种方法，利用普通的街道级照片和人工智能来测量城市树木的多样性，无需事先为树木标注品种。

通过日常影像观察城市

研究人员基于一个简单想法：如果我们能在来自诸如谷歌街景之类服务的图片中识别出树木，就能开始从城市尺度理解城市森林。他们使用了一个现有数据集，其中八个北美城市的树木已被自动检测并与位置关联。新方法并不要求算法为每棵树命名物种，而是寻找树木外观和植栽位置的模式。它将这些模式转化为数值“指纹”，为每棵树捕捉视觉特征以及沿街道和社区的空间位置。

在不知名称的情况下将相似树木分组

有了这些指纹，系统将树木分为一些可作为真实生物组代表的簇。属于同一簇的树在图像中外观相似，且往往具有相似的栽植背景。该过程分若干阶段展开。首先，一个空间模型组织出那些按可识别模式栽植的树木，例如沿林荫大道成排种植的树。接着方法在每个组内剔除视觉异常值，仅保留与邻近树木高度相似的样本。被丢弃的树木会被重新审视，当它们彼此相似时，会被形成新的组或重新分配到更合适的簇中。最后，几乎相同的簇会合并，以避免系统被微小而无意义的差异误导。

将簇转化为多样性地图

一旦所有树木被分配到这些伪群组，城市被划分为每格约500米的本地网格，代表社区尺度的树群。在每个网格单元中，研究人员统计出现了多少个簇以及树木在各簇之间分布的均匀程度。基于这些计数，他们计算生态学常用的多样性指标，既描述丰富度（有多少类树）也描述均衡度（是否由某一类主导）。随后他们将这些分数与记录实际树木属的详尽地面调查结果进行比较。在多座城市中，这种无监督系统在很大程度上再现了现实世界的多样性格局，尤其是在强调常见树种而非稀有种的指标上表现更好。它还保留了多样性在空间上的分布，既能捕捉单一植栽的大片区域，也能反映较混合的街区。

优点、局限与下一步

该方法在树群不被少数树种主导且影像质量较高的城市中表现最佳。对于稀有属、严重的隐私模糊以及街景照片稀疏或过时的地区，方法的效果较差。由于此法侧重于街道可见部分，后院或内园内被遮蔽的树木会被低估。作者建议未来改进方向，例如将街景影像与卫星图像和激光雷达数据相结合，或采用能更好区分相似外观树种的语言—视觉模型。

对更绿色、更公平城市的意义

对非专业读者来说，关键信息是：城市不再需要仅依赖慢且昂贵的实地调查来了解其树木情况。通过挖掘已有的大量街道级影像，这种方法可以低成本生成详尽的、社区尺度的树种多样性地图，并随着新影像出现定期更新。城市规划者可利用这些地图发现被单一、易受侵害树种主导的区域、识别缺乏绿化多样性的社区，并设计提高对害虫、疾病和气候压力抵御能力的植树方案。简言之，研究展示了如何将日常摄影与巧妙的聚类方法结合，使城市本身成为一个不断更新的城市自然地图。

引用: Abuhani, D.A., Seccaroni, M., Mazzarello, M. et al. Unsupervised mapping of urban tree diversity using spatially-aware visual clustering. Sci Rep 16, 10440 (2026). https://doi.org/10.1038/s41598-026-37043-7

关键词: 城市树木多样性, 街景影像, 无监督聚类, 生物多样性制图, 城市韧性