用人工智能绘制城市树木地图 - 彭博社

蒂姆·华莱士/笛卡尔实验室你所在城市有多少棵树？

这似乎是个简单的问题，但找到答案可能是一项艰巨的任务。纽约市的2015-2016年树木普查，例如，花费了近两年（总共12,000小时）和超过2,200名志愿者。西雅图的树木清单至少要到2024年才能完成。这些努力并非徒劳；在短期内，它们使城市能够更好地维护城市树木。从长远来看，它们为应对气候变化到公共健康等各种倡议奠定了基础。

彭博社城市实验室芝加哥以冷静、派对和阳光克服了民主党全国委员会的怀疑者纳粹掩体的绿叶改造将丑陋的过去变成城市的眼球吸引者圣保罗的 cortiços 如何帮助庇护南美洲最大的城市仅使用公共交通的跨洲竞赛因此，为了简化树木计数的任务，地理空间分析初创公司笛卡尔实验室的制图师和应用科学家团队正在转向人工智能。在他们不放过任何一棵树的追求中，他们建立了一个机器学习模型，可以绘制整个城市的树冠，甚至可以从卫星图像中减去其他看起来像树的绿植。最终生成的地图揭示了每个城市的绿色指纹——就像这个巴尔的摩及其周边绿树成荫的郊区。

巴尔的摩树冠的地图。蒂姆·华莱士/笛卡尔实验室绘制树木地图的挑战来自几个因素。在地面上，人眼可以轻松区分树木与城市景观的其他部分。但无法进入私人区域或被高围栏保护的地方，意味着一些树木没有被计算在内。从上方绘制树木地图应该能解决这个问题；来自卫星图像的 归一化差异植被指数 (NDVI) 长期以来一直是城市绿化的可靠调查。即便如此，仍然存在局限性。

“通常当[ 纽约时报需要绘制像树木这样的东西时，它们会与其他类型的植被如草或农作物混在一起，”前报纸制图师蒂姆·华莱士说，他现在在笛卡尔实验室工作。NDVI 检测 植被，通过测量所有植物反射的不同波长和近红外光，这意味着它无法区分树木、草、灌木和其他类型的绿植。

在这些类型的绿植中，显著不同的是它们的高度；树木显然比灌木和草高。这可以通过LIDAR数据来测量——本质上是从无人机或飞机向这些植物发射光线，并且 记录反弹回来的光的长度。笛卡尔实验室的应用科学家凯尔·斯托里表示，这个“第三维度”至关重要。但由于涉及昂贵的设备，为任何城市收集LIDAR数据是昂贵的。幸运的是，对于他的团队来说，有很多公开可用的数据集可以用来训练他们的机器学习模型。

波士顿的树冠。使用机器学习制作的地图在草地区域消失时变得更轻。蒂姆·华莱士/笛卡尔实验室“使用NDVI和LIDAR，这两个数据集可以告诉我们一个地区的树木在哪里。如果有卫星图片，我们可以训练一个算法来表示，‘好吧，看着那些图像，我可以学习树木的样子，’”斯托里说。“一旦你训练了那个算法，你可以在任何有卫星图像的地方运行它，因为你已经教会你的机器将它们与灌木和草区分开。”

华莱士说，团队到目前为止已经在超过2000个城市运行了该算法。根据首席营销官朱莉·克拉比尔的说法，公司希望与城市规划者以及企业和非营利组织讨论在树木计数和其他项目中实施该技术。

城市的树木计数不仅仅是一个有趣的琐事。美国的城市发展意味着越来越多的城市失去树木覆盖——通常是在最需要的时候和地方。种植树木长期以来一直是一种低技术的策略，用于应对气候变化的影响和城市热岛效应。除此之外，树木对公共健康有益。它们有助于减轻压力，与较低的肥胖率有关联，甚至可能减少行人死亡。

纽约市的树木覆盖地图揭示了“树木沙漠”的位置。蒂姆·华莱士/笛卡尔实验室然而，低收入和少数族裔社区最容易受到这种环境和健康压力的影响，往往树木覆盖最少。因此，拥有一张准确的地图，及时显示绿树成荫和光秃秃的社区，可以帮助地方政府更好地针对植树计划。

这并不是贬低研究人员、树木专家和志愿者的工作，他们仍然是描绘城市树冠准确图景所必需的。像大多数算法一样，这个算法并不完美——例如，它将投射在建筑物上的阴影误认为是树木。它可以提供树木数量的广泛概述，但收集更细致的数据仍然需要更多的工作。

华莱士说：“需要时间和人力去外出根据树木的高度、直径、种类以及健康状况来分类这些树木。所有这些细节都无法通过这种机器学习技术获取。”

华莱士表示，它所能做的是让研究人员和志愿者更快地进入更深入的数据收集，通过自动回答最基本的问题：“树木到底在哪里？”

您可以在华莱士的 Medium 帖子上查看更多地图。