Automating urban forest inventories and ecosystem service assessments of street trees based on remote sensing data and artificial intelligence

Abstract

Actualment, el 52% de la població resideix en àrees urbanes, i s'estima que per l'any 2050, aquesta proporció augmentarà al 68%, essent una tendència especialment significativa a Europa, on s'espera que més del 72% de les persones visquin a les ciutats. Aquesta situació ha posat els boscos urbans i els arbres al centre de l'atenció dels governs, investigadors i la població en general. Els boscos urbans i els arbres juguen un paper crucial en la provisió de serveis ecosistèmics (SE). Regulen i mitiguen canvis extrems de temperatura, absorbeixen i segresten carboni, milloren la qualitat de l'aire i contribueixen significativament a la preservació de la biodiversitat proporcionant hàbitat per a nombroses espècies d'aus i rèptils, actuant com a corredors de connexió. A més, milloren la salut mental de la població al promoure l'activitat física, entre molts altres serveis. No obstant això, fins i tot en l'era actual del "big data", persisteixen grans mancances de coneixement en aquesta àrea. La complexa distribució i la composició sempre canviant dels boscos urbans a causa del disseny sovint no planificat de les ciutats ha dificultat el seu estudi. A més, encara hi ha molt pocs inventaris forestals urbans, i quan existeixen, cadascun té un format diferent, cosa que fa gairebé impossible realitzar estudis a gran escala a nivell nacional, regional o continental. Aquesta tesi aborda de manera integral aquests reptes. He analitzat les tècniques per caracteritzar arbres i boscos urbans, les fonts de dades utilitzades i l'estat general de la recerca mitjançant un estudi d'estat de l'art (Capítol 1). En aquest capítol, he examinat 48 articles científics publicats entre 2016 i 2021, explorant les principals avantatges i limitacions de cada metodologia proposada. He proporcionat recomanacions mitjançant discussions crítiques sobre com abordar un repte clau en la gestió dels boscos urbans: la manca d'inventaris forestals. Gràcies a aquesta visió integral de l'estat de l'art, durant la meva investigació he desenvolupat una metodologia (Capítol 2) basada en Xarxes Neuronals Convolucionals (CNN). Aquesta metodologia utilitza dades combinades d'imatges satel·litals/aèries i imatges a nivell del terra per detectar, mapar i comptar arbres urbans en carrers. En provar diverses arquitectures de CNN i ajustar paràmetres com la resolució de la imatge i la distància entre imatges a nivell del terra, s'ha aconseguit una precisió del 79% en la cartografia d'arbres urbans a la ciutat de Lleida, Espanya, amb una precisió de 60 cm des del centre de la capçada. A més, com que s'han utilitzat imatges de Google Street View (GSV), cada arbre tenia almenys una imatge individual que permetia la seva caracterització. Amb l'objectiu de desenvolupar una tècnica escalable i automatitzada per a l'inventari forestal urbà, el Capítol 3 ha abordat la identificació d'arbres a diferents nivells taxonòmics (família, gènere i espècie). S'han provat tres aplicacions comercials (Plant.id, Pl@ntNet, Seek) utilitzant imatges de GSV de cada arbre detectat individualment amb la metodologia descrita al Capítol 2. La millor aplicació va predir correctament el 65% de les famílies, el 42% dels gèneres i només el 33% de les espècies a la zona d'estudi. A més, vaig realitzar una anàlisi de biodiversitat amb els resultats obtinguts d'aquesta predicció, trobant una tendència en identificar automàticament carrers amb nivells més alts i més baixos de diversitat, contribuint a la gestió dels arbres urbans i la creació de ciutats més equitatives pel que fa a l'accés a les àrees verdes. Finalment, al Capítol 4, s'ha estudiat la relació entre els grans arbres de carrer i les dinàmiques socioeconòmiques. La importància dels grans arbres en l'oferta de serveis ecosistèmics està ben documentada per la comunitat científica. Donada la seva importància, la seva presència té un gran impacte en les dinàmiques socials de les ciutats. El Capítol 4 aborda una altra aplicació de la metodologia, analitzant una sèrie temporal de 18 anys (2005-2022) per detectar canvis en els grans arbres a la zona urbana de la Badia de San Francisco. Aquesta aplicació va permetre estudiar la relació entre les dinàmiques socials associades a la urbanització, com la gentrificació, i la presència de grans arbres urbans. Es van trobar nivells moderats de correlació entre els barris amb més ingressos i una major presència de grans arbres, traduint-se en un accés desigual als beneficis que aquests arbres poden oferir. La integració d'aquestes tecnologies permet realitzar inventaris efectius d'arbres, identificació d'espècies i monitorització de la dinàmica dels boscos urbans, obrint el camí per a la presa de decisions informades i promovent l'accés equitatiu a espais verds a les ciutats.

Actualmente, el 52% de la población reside en áreas urbanas, y se estima que para el año 2050, esta proporción aumentará al 68%, siendo una tendencia especialmente significativa en Europa, donde se espera que más del 72% de las personas vivan en ciudades. Esta situación ha puesto a los bosques y árboles urbanos en el centro de atención de gobiernos, investigadores y la población en general. Los bosques urbanos y árboles juegan un papel crucial en la provisión de servicios ecosistémicos (SE). Regulan y mitigan cambios extremos de temperatura, absorben y secuestran carbono, mejoran la calidad del aire y contribuyen significativamente a la preservación de la biodiversidad al proporcionar hábitat para numerosas especies de aves y reptiles, actuando como corredores de conectividad. Además, mejoran la salud mental de la población al promover la actividad física, entre muchos otros servicios. Sin embargo, incluso en la era actual del "big data", persisten brechas significativas de conocimiento en esta área. La compleja distribución y la composición siempre cambiante de los bosques urbanos debido al diseño a menudo no planificado de las ciudades han dificultado su estudio. Además, aún hay muy pocos inventarios forestales urbanos, y cuando existen, cada uno tiene un formato diferente, lo que hace casi imposible realizar estudios a gran escala a nivel nacional, regional o continental. Esta tesis aborda de manera integral estos desafíos. He analizado las técnicas para caracterizar árboles y bosques urbanos, las fuentes de datos utilizadas y el estado general de la investigación a través de un estudio de estado del arte (Capítulo 1). En este capítulo, examiné 48 artículos científicos publicados entre 2016 y 2021, explorando las principales ventajas y limitaciones de cada metodología propuesta. Proporcioné recomendaciones a través de discusiones críticas sobre cómo abordar un desafío clave en la gestión de los bosques urbanos: la falta de inventarios forestales. Gracias a esta visión integral del estado del arte, durante mi investigación desarrollé una metodología (Capítulo 2) basada en Redes Neuronales Convolucionales (CNN). Esta metodología utiliza datos combinados de imágenes satelitales/aéreas e imágenes a nivel del suelo para detectar, mapear y contar árboles urbanos en calles. Al probar diversas arquitecturas de CNN y ajustar parámetros como la resolución de la imagen y la distancia entre imágenes a nivel del suelo, se logró una precisión del 79% en la cartografía de árboles urbanos en la ciudad de Lleida, España, con una precisión de 60 cm desde el centro de la copa. Además, como se utilizaron imágenes de Google Street View (GSV), cada árbol contaba con al menos una imagen individual que permitía su caracterización. Con el objetivo de desarrollar una técnica escalable y automatizada para el inventario forestal urbano, el Capítulo 3 abordó la identificación de árboles a diferentes niveles taxonómicos (familia, género y especie). Se probaron tres aplicaciones comerciales (Plant.id, Pl@ntNet, Seek) utilizando imágenes de GSV de cada árbol detectado individualmente con la metodología descrita en el Capítulo 2. La mejor aplicación predijo correctamente el 65% de las familias, el 42% de los géneros y solo el 33% de las especies en la zona de estudio. Además, realicé un análisis de biodiversidad con los resultados obtenidos de esta predicción, encontrando una tendencia en la identificación automática de calles con niveles más altos y más bajos de diversidad, contribuyendo a la gestión de los árboles urbanos y la creación de ciudades más equitativas en términos de acceso a áreas verdes. Finalmente, en el Capítulo 4, se estudió la relación entre los grandes árboles de calle y las dinámicas socioeconómicas. La importancia de los grandes árboles en la oferta de servicios ecosistémicos está bien documentada por la comunidad científica. Dada su importancia, su presencia tiene un gran impacto en las dinámicas sociales de las ciudades. El Capítulo 4 aborda otra aplicación de la metodología, analizando una serie temporal de 18 años (2005-2022) para detectar cambios en los grandes árboles en el área urbana de la Bahía de San Francisco. Esta aplicación permitió estudiar la relación entre las dinámicas sociales asociadas a la urbanización, como la gentrificación, y la presencia de grandes árboles urbanos. Se encontraron niveles moderados de correlación entre los barrios con mayores ingresos y una mayor presencia de grandes árboles, lo que se traduce en un acceso desigual a los beneficios que estos árboles pueden ofrecer. La integración de estas tecnologías permite realizar inventarios efectivos de árboles, identificación de especies y monitoreo de la dinámica de los bosques urbanos, allanando el camino para la toma de decisiones informadas y promoviendo el acceso equitativo a espacios verdes en las ciudades.

Currently, 52% of the population resides in urban areas, and it is estimated that by the year 2050, this proportion will increase to 68%, a particularly significant trend in Europe, where over 72% of people are expected to live in cities. This situation has brought urban forests and trees into focus for governments, researchers, and the general population. Urban forests and trees play a crucial role in providing ecosystem services (ES). They regulate and mitigate extreme temperature changes, absorb and sequester carbon, improve air quality, and contribute significantly to biodiversity preservation by providing habitat for numerous species of birds and reptiles, acting as connectivity corridors. Additionally, they improve the population's mental health by promoting physical activity, among many other services. However, even in today's "big data" era, significant knowledge gaps persist in this area. The complex distribution and ever-changing composition of urban forests due to the often-unplanned design of cities have made their study challenging. Furthermore, there are still very few urban forest inventories, and when they do exist, each one has a different format, making large-scale studies nearly impossible at the country, regional, or continental level. This thesis comprehensively addresses these challenges. I have analyzed the techniques for characterizing urban trees and forests, the data sources used, and the overall state of research through a state-of-the-art study (Chapter I). In this chapter, I examined 48 scientific articles published between 2016 and 2021, exploring each proposed methodology's main advantages and limitations. I provided recommendations through critical discussions on addressing one key challenge in managing urban forests: the lack of forest inventories. Thanks to this comprehensive overview of the state-of-the-art, I developed a methodology (Chapter II) based on Convolutional Neural Networks (CNN) during my research. This methodology utilizes combined data from satellite/aerial images and ground-level images to detect, map, and count urban street trees. By testing various CNN architectures and adjusting parameters such as image resolution and the distance between ground-level images, a mapping accuracy of 79% of urban trees was achieved with an accuracy of 60 cm from the center of the canopy. Additionally, since Google Street View (GSV) images were used, each tree had at least one individual image that allowed for its characterization. Aiming to develop a scalable and automated technique for urban forest inventory, Chapter III addressed the identification of trees at different taxonomic levels (family, genus, and species). Three commercial applications (Plant.id, Pl@ntNet, Seek) were tested using GSV images of each individually detected tree with the methodology described in Chapter II. The best application predicted 65% of families correctly, 42% of genera, and only 33% of species in the study area. Furthermore, I conducted a biodiversity analysis with the results obtained from this prediction, finding a trend in automatically identifying streets with higher and lower levels of diversity, contributing to managing urban trees and creating more equitable cities regarding access to green areas. Finally, in Chapter IV, the relationship between large street trees and socioeconomic dynamics was studied. The scientific community well documents the importance of large trees in ecosystem services. Given their significance, their presence significantly impacts the social dynamics of cities. Chapter IV addresses another application of the methodology, analyzing an 18-year temporal series (2005-2022) to detect changes in large trees in the San Francisco Bay urban area. This application allowed the study of the relationship between social dynamics associated with urbanization, such as gentrification, and the presence of large urban trees. Moderate levels of correlation were found between neighborhoods with higher incomes and a greater presence of large trees, resulting in inequitable access to the benefits these trees can offer. Integrating these technologies allows for effective tree inventories, species identification, and monitoring of urban forest dynamics, paving the way for informed decision-making and promoting equitable access to city green spaces.