用人工智能繪製城市樹木地圖 - 彭博社

蒂姆·華萊士/笛卡爾實驗室你所在城市有多少棵樹？

這似乎是個簡單的問題，但找到答案可能是一項艱鉅的任務。紐約市的2015-2016年樹木普查，例如，花費了近兩年（總共12,000小時）和超過2,200名志願者。西雅圖的樹木清單至少要到2024年才能完成。這些努力並非徒勞；在短期內，它們使城市能夠更好地維護城市樹木。從長遠來看，它們為應對氣候變化到公共健康等各種倡議奠定了基礎。

彭博社城市實驗室芝加哥以冷靜、派對和陽光克服了民主黨全國委員會的懷疑者納粹掩體的綠葉改造將醜陋的過去變成城市的眼球吸引者聖保羅的 cortiços 如何幫助庇護南美洲最大的城市僅使用公共交通的跨洲競賽因此，為了簡化樹木計數的任務，地理空間分析初創公司笛卡爾實驗室的製圖師和應用科學家團隊正在轉向人工智能。在他們不放過任何一棵樹的追求中，他們建立了一個機器學習模型，可以繪製整個城市的樹冠，甚至可以從衞星圖像中減去其他看起來像樹的綠植。最終生成的地圖揭示了每個城市的綠色指紋——就像這個巴爾的摩及其周邊綠樹成蔭的郊區。

巴爾的摩樹冠的地圖。蒂姆·華萊士/笛卡爾實驗室繪製樹木地圖的挑戰來自幾個因素。在地面上，人眼可以輕鬆區分樹木與城市景觀的其他部分。但無法進入私人區域或被高圍欄保護的地方，意味着一些樹木沒有被計算在內。從上方繪製樹木地圖應該能解決這個問題；來自衞星圖像的 歸一化差異植被指數 (NDVI) 長期以來一直是城市綠化的可靠調查。即便如此，仍然存在侷限性。

“通常當[ 紐約時報需要繪製像樹木這樣的東西時，它們會與其他類型的植被如草或農作物混在一起，”前報紙製圖師蒂姆·華萊士説，他現在在笛卡爾實驗室工作。NDVI 檢測 植被，通過測量所有植物反射的不同波長和近紅外光，這意味着它無法區分樹木、草、灌木和其他類型的綠植。

在這些類型的綠植中，顯著不同的是它們的高度；樹木顯然比灌木和草高。這可以通過LIDAR數據來測量——本質上是從無人機或飛機向這些植物發射光線，並且 記錄反彈回來的光的長度。笛卡爾實驗室的應用科學家凱爾·斯托裏表示，這個“第三維度”至關重要。但由於涉及昂貴的設備，為任何城市收集LIDAR數據是昂貴的。幸運的是，對於他的團隊來説，有很多公開可用的數據集可以用來訓練他們的機器學習模型。

波士頓的樹冠。使用機器學習製作的地圖在草地區域消失時變得更輕。蒂姆·華萊士/笛卡爾實驗室“使用NDVI和LIDAR，這兩個數據集可以告訴我們一個地區的樹木在哪裏。如果有衞星圖片，我們可以訓練一個算法來表示，‘好吧，看着那些圖像，我可以學習樹木的樣子，’”斯托裏説。“一旦你訓練了那個算法，你可以在任何有衞星圖像的地方運行它，因為你已經教會你的機器將它們與灌木和草區分開。”

華萊士説，團隊到目前為止已經在超過2000個城市運行了該算法。根據首席營銷官朱莉·克拉比爾的説法，公司希望與城市規劃者以及企業和非營利組織討論在樹木計數和其他項目中實施該技術。

城市的樹木計數不僅僅是一個有趣的瑣事。美國的城市發展意味着越來越多的城市失去樹木覆蓋——通常是在最需要的時候和地方。種植樹木長期以來一直是一種低技術的策略，用於應對氣候變化的影響和城市熱島效應。除此之外，樹木對公共健康有益。它們有助於減輕壓力，與較低的肥胖率有關聯，甚至可能減少行人死亡。

紐約市的樹木覆蓋地圖揭示了“樹木沙漠”的位置。蒂姆·華萊士/笛卡爾實驗室然而，低收入和少數族裔社區最容易受到這種環境和健康壓力的影響，往往樹木覆蓋最少。因此，擁有一張準確的地圖，及時顯示綠樹成蔭和光禿禿的社區，可以幫助地方政府更好地針對植樹計劃。

這並不是貶低研究人員、樹木專家和志願者的工作，他們仍然是描繪城市樹冠準確圖景所必需的。像大多數算法一樣，這個算法並不完美——例如，它將投射在建築物上的陰影誤認為是樹木。它可以提供樹木數量的廣泛概述，但收集更細緻的數據仍然需要更多的工作。

華萊士説：“需要時間和人力去外出根據樹木的高度、直徑、種類以及健康狀況來分類這些樹木。所有這些細節都無法通過這種機器學習技術獲取。”

華萊士表示，它所能做的是讓研究人員和志願者更快地進入更深入的數據收集，通過自動回答最基本的問題：“樹木到底在哪裏？”

您可以在華萊士的 Medium 帖子上查看更多地圖。