Abstract Future cities are set to face ever increasing population and climate pressures, ecosystem services offered by urban forests have been recognised as providing significant mitigation for these pressures. Therefore, the ability to accurately quantify the extent and structure of urban forests, across large and highly dynamic cities, is vital for determining the value of services provided and to assess the effectiveness of policy to promote these important assets. Current inventory methods used in urban forestry are mostly reliant on plot networks measuring a range of structural and demographic metrics; however, limited sampling (spatially and temporally) cannot fully capture the dynamics and spatial heterogeneity of the urban matrix. The rapid increase in the availability of open-access remote sensing data and processing tools offers an opportunity for monitoring and assessment of urban forest structure that is synoptic and at high spatial and temporal resolutions. Here we present a framework to estimate urban forest structure that uses open-access data and software, is robust to differences in data sources, is reproducible and is transferable between cities. The workflow is demonstrated by estimating three metrics of 3D forest structure (canopy cover, canopy height and tree density) across the Greater London area (1577 km2). Random Forest was trained with open-access airborne LiDAR or iTree Eco inventory data, with predictor variables derived from Sentinel 2, climatic and topography data sets. Output were maps of forest structure at 100 m and 20 m resolution. Results indicate that forest structure can be accurately estimated across large urban areas; Greater London has a mean canopy cover of ∼16.5% (RMSE 11-17%), mean canopy height of 8.1–15.0 m (RMSE 4.9–6.2 m) m and is home to ∼4.6 M large trees (projected crown area >10 m2). Transferability to other cities is demonstrated using the UK city of Southampton, where estimates were generated from local and Greater London training data sets indicating application beyond geographic domains is feasible. The methods presented here can augment existing inventory practices and give city planners, urban forest managers and greenspace advocates across the globe tools to generate consistent and timely information to help assess and value urban forests.

中文翻译：

---

使用开放式遥感数据集量化城市森林结构

摘要 未来的城市将面临不断增加的人口和气候压力，城市森林提供的生态系统服务已被公认为可以显着缓解这些压力。因此，准确量化大型和高度动态城市中城市森林的范围和结构的能力对于确定所提供服务的价值以及评估促进这些重要资产的政策的有效性至关重要。当前城市林业中使用的清单方法主要依赖于测量一系列结构和人口统计指标的地块网络；然而，有限的抽样（空间和时间）不能完全捕捉城市矩阵的动态和空间异质性。开放获取遥感数据和处理工具的可用性迅速增加，为监测和评估城市森林结构的天气和高空间和时间分辨率提供了机会。在这里，我们提出了一个估计城市森林结构的框架，该框架使用开放获取的数据和软件，对数据源的差异具有鲁棒性，可重复且可在城市之间转移。该工作流程通过估计大伦敦地区（1577 平方公里）的三个 3D 森林结构指标（冠层覆盖、冠层高度和树木密度）来演示。Random Forest 使用开放式机载 LiDAR 或 iTree Eco 库存数据进行训练，预测变量来自 Sentinel 2、气候和地形数据集。输出是 100 m 和 20 m 分辨率的森林结构图。结果表明，可以准确估计大城市地区的森林结构；大伦敦的平均树冠覆盖率约为 16.5% (RMSE 11-17%)，平均树冠高度为 8.1-15.0 m (RMSE 4.9-6.2 m) m，并且拥有 ∼4.6 M 大树（预计树冠面积 >10平方米）。使用英国南安普敦市证明了向其他城市的可转移性，其中估计值是从本地和大伦敦训练数据集生成的，表明地理域之外的应用是可行的。这里介绍的方法可以增强现有的清单做法，并为全球的城市规划者、城市森林管理者和绿色空间倡导者提供工具，以生成一致和及时的信息，以帮助评估和评估城市森林的价值。大伦敦的平均树冠覆盖率约为 16.5% (RMSE 11-17%)，平均树冠高度为 8.1-15.0 m (RMSE 4.9-6.2 m) m，并且拥有 ∼4.6 M 大树（预计树冠面积 >10平方米）。使用英国南安普敦市证明了向其他城市的可转移性，其中估计值是从本地和大伦敦训练数据集生成的，表明地理域之外的应用是可行的。这里介绍的方法可以增强现有的清单做法，并为全球的城市规划者、城市森林管理者和绿色空间倡导者提供工具，以生成一致和及时的信息，以帮助评估和评估城市森林的价值。大伦敦的平均树冠覆盖率约为 16.5% (RMSE 11-17%)，平均树冠高度为 8.1-15.0 m (RMSE 4.9-6.2 m) m，并且拥有 ∼4.6 M 大树（预计树冠面积 >10平方米）。使用英国南安普敦市证明了向其他城市的可转移性，其中估计值是从本地和大伦敦训练数据集生成的，表明地理域之外的应用是可行的。这里介绍的方法可以增强现有的清单做法，并为全球的城市规划者、城市森林管理者和绿色空间倡导者提供工具，以生成一致和及时的信息，以帮助评估和评估城市森林的价值。使用英国南安普敦市证明了向其他城市的可转移性，其中估计值是从本地和大伦敦训练数据集生成的，表明地理域之外的应用是可行的。这里介绍的方法可以增强现有的清单做法，并为全球的城市规划者、城市森林管理者和绿色空间倡导者提供工具，以生成一致和及时的信息，以帮助评估和评估城市森林的价值。使用英国南安普敦市证明了向其他城市的可转移性，其中估计值是从本地和大伦敦训练数据集生成的，表明地理域之外的应用是可行的。这里介绍的方法可以增强现有的清单做法，并为全球的城市规划者、城市森林管理者和绿色空间倡导者提供工具，以生成一致和及时的信息，以帮助评估和评估城市森林的价值。