城市環境中利用機載LiDAR和光學觀測的自監督樹木生物量估算

城市樹木的生物量估算對於理解城市碳迴圈和氣候變化緩解至關重要。然而，與管理的森林相比，城市樹木的生物量在空間上往往無法精確量化，因為許多估計依賴於難以解析單個樹冠或精細尺度異質性的清查或粗解析度產品。近日，一項發表在arXiv上的研究提出了一種自監督框架，利用機載LiDAR和光學觀測，在樹冠級別估算城市樹木的地上生物量（AGB）。

該研究以加拿大安大略省一個810平方公里的區域為研究物件，使用了2018年和2023年落葉期採集的機載LiDAR資料（點密度8-10脈衝/平方米）和近紅外RGB正射影像（解析度0.16-0.20米）。研究者設計了一個雙流交叉注意力網路，透過基於規則的偽標籤進行訓練，生成建築物、針葉樹和闊葉樹的語義標記，從而支援樹冠描繪和功能型別分配。在獨立標註的保留瓦片上，全域性/平均精度、召回率和Dice分數分別達到了0.86、0.83和0.84。樹冠透過多尺度分水嶺分割在對映的樹木區域中描繪，AGB則利用校準自Lambert等人（2005）物種特異性異速生長方程的樹冠面積-高度冪律代理進行估算，使用了21,921棵清查樹木。在來自90,726棵保留測試集的18,713個清查-分割匹配對中，AGB預測使用清查樹冠幾何時R²=0.609，使用實際分割時R²=0.570，表明樹冠描繪仍是主要的不確定性來源。

彙總到30米解析度後，估算結果顯示2018年總AGB儲量為1.73 Tg，2023年為1.81 Tg（相當於811-850 Gg碳），尼亞加拉斷崖沿線區域性密度高達約140 Mg/公頃，五年內碳淨增39 Gg。深度整合不確定性圖突出了與代表性不足的土地覆蓋相關的高認知不確定性區域，並指導將不確定的樹冠分配到合併的異速生長方程。該框架使用標準省級資料，無需手動標註，並生成一個面向城市森林外樹木的公開雙時相樹冠級AGB資料庫，具有管理相關的解析度。