加拿大安大略省一项新研究提出了一套面向城市环境的树冠级地上生物量（AGB）估算框架，试图弥补城市树木生物量在空间量化上长期落后于人工林监测的短板。该论文以arXiv预印本形式于2026年6月24日提交，第一作者为Jose Bermudez，另有15位合作者，隶属计算机视觉与模式识别（cs.CV）方向，同时涉及机器学习与图像视频处理。研究覆盖安大略省约810平方公里的景观，核心数据来自2018年与2023年两个时相的落叶期机载激光雷达（LiDAR，脉冲密度8至10个每平方米）以及近红外RGB正射影像（分辨率0.16至0.20米），全部为省级标准数据，无需人工标注。
方法上，团队构建了一个双流交叉注意力网络，以基于规则生成的伪标签进行训练，输出建筑、针叶树与阔叶树三类语义标记，从而支持树冠分割与功能型（树种类型）判定。在独立人工标注的留出瓦片上，该网络的全局/平均精确率、召回率与Dice系数分别为0.86、0.83和0.84。随后，在已识别的树木区域内采用多尺度分水岭分割提取单株树冠，并依据树冠面积与高度的幂律代理模型估算AGB，该模型以Lambert等人（2005）的树种特异性异速生长方程、针对21,921株清查树木进行校准。
精度评估显示，在来自90,726株留出测试集的18,713对清查—分割匹配样本中，使用清查树冠几何信息时AGB预测的R²为0.609，而在实际运行的分割条件下R²降至0.570，说明树冠分割仍是剩余不确定性的主要来源。将结果聚合至30米网格后，2018年总AGB储量为1.73太克，2023年为1.81太克（约811至850吉克碳）；沿尼亚加拉断崖一带的局部密度最高可达约每公顷140兆克，五年间净碳增量为39吉克碳。深度集成不确定性图进一步标出了与代表性不足地表覆盖类型相关的高认知不确定性区域，并用于指导将不确定树冠归入合并异速生长方程。
作者强调，该框架完全依赖现成的省级数据、无需人工标注，并生成了面向森林以外树木的公开双时相树冠级AGB数据库，分辨率达到管理可用的水平。这一成果的意义在于，城市与城郊树木往往分散、结构异质，传统清查或粗分辨率产品难以刻画单株树冠及细尺度差异；而树冠级、双时相的碳储量制图可为城市碳核算、绿化规划与气候减缓政策提供更精细的空间依据。同时，研究也坦承分割误差对生物量反演的制约，提示后续工作需在树冠边界识别与代表性不足地类的样本补充上继续改进。