Individual Tree Inventory (ITI) is critical for urban planning, including urban heat mitigation. However, an ITI is usually incomplete and costly due to data collection challenges in the dynamic urban landscape. This research developed a methodical GeoAI framework to build a comprehensive ITI and quantify tree species cooling on rising urban heat.The object detection Faster R-CNN model with Inception ResNet V2 was implemented to detect individual trees canopy and seven tree species (Callery pear, Chinese elm, English elm, Mugga ironbark, Plane tree, Spotted gum and White cedar). The land-surface temperature (LST) was derived from Landsat 8 surface reflectance imagery. Two models for ITI were further developed for spatial and statistical analysis. Firstly, an ‘Individual tree-based model’ stores the attributes of tree species and its vertical configuration obtained from LiDAR, along with its tree canopy area and surface temperature. Secondly, the ‘LST zone-based model’ stores tree canopy cover and building areas in each zone unit. Pearson correlation, global linear regression, and geographically weighted regression (GWR) were applied to establish the relationship between tree attributes, building areas (explanatory variables) with local temperature (dependent variable). Results showed that English elm has the highest cooling and least by Mugga ironbark in the study area. GWR results demonstrate that 94% of the LST was explained by tree height and tree canopy area. The LST zone-based model showed that 85% of the LST was explained by the percentage of tree species and buildings. Maps of the local R² and coefficients of the independent variables provide spatially explicit information on the cooling of different tree species compared to building areas. The implemented GeoAI approach provides important insights to urban planners and government to monitor urban trees with the enhanced Individual Tree Inventory and strategies mitigation plan to reduce the impact of climate change and global warming.

个体树木清单 (ITI) 对城市规划至关重要，包括缓解城市热量。然而，由于动态城市景观中的数据收集挑战，ITI 通常不完整且成本高昂。本研究开发了一个有条不紊的 GeoAI 框架来构建一个综合的 ITI 并量化树种在城市热量上升时的降温。实施了带有 Inception ResNet V2 的对象检测 Faster R-CNN 模型来检测单个树冠和七种树种（Callery pear, Chinese榆树、英国榆树、穆加铁皮、梧桐树、斑点胶和白雪松）。地表温度 (LST) 来自 Landsat 8 表面反射率图像。进一步开发了两个 ITI 模型，用于空间和统计分析。首先，“基于个体树的模型”存储了从 LiDAR 获得的树种属性及其垂直配置，以及树冠面积和地表温度。其次，“基于 LST 区域的模型”存储每个区域单元中的树冠覆盖和建筑面积。应用皮尔逊相关、全局线性回归和地理加权回归 (GWR) 来建立树木属性、建筑面积（​​解释变量）与当地温度（因变量）之间的关系。结果表明，在研究区，英国榆树的冷却度最高，而穆加铁皮的冷却度最低。GWR 结果表明，94% 的 LST 可以用树高和树冠面积来解释。基于 LST 区域的模型显示，85% 的 LST 可以用树种和建筑物的百分比来解释。当地 R 地图 以及它的树冠面积和地表温度。其次，“基于 LST 区域的模型”存储每个区域单元中的树冠覆盖和建筑面积。应用皮尔逊相关、全局线性回归和地理加权回归 (GWR) 来建立树木属性、建筑面积（​​解释变量）与当地温度（因变量）之间的关系。结果表明，在研究区，英国榆树的冷却度最高，而穆加铁皮的冷却度最低。GWR 结果表明，94% 的 LST 可以用树高和树冠面积来解释。基于 LST 区域的模型显示，85% 的 LST 可以用树种和建筑物的百分比来解释。当地 R 地图 以及它的树冠面积和地表温度。其次，“基于 LST 区域的模型”存储每个区域单元中的树冠覆盖和建筑面积。应用皮尔逊相关、全局线性回归和地理加权回归 (GWR) 来建立树木属性、建筑面积（​​解释变量）与当地温度（因变量）之间的关系。结果表明，在研究区，英国榆树的冷却度最高，而穆加铁皮的冷却度最低。GWR 结果表明，94% 的 LST 可以用树高和树冠面积来解释。基于 LST 区域的模型显示，85% 的 LST 可以用树种和建筑物的百分比来解释。当地 R 地图 应用全局线性回归和地理加权回归 (GWR) 来建立树木属性、建筑面积（​​解释变量）与当地温度（因变量）之间的关系。结果表明，在研究区，英国榆树的冷却度最高，而穆加铁皮的冷却度最低。GWR 结果表明，94% 的 LST 可以用树高和树冠面积来解释。基于 LST 区域的模型显示，85% 的 LST 可以用树种和建筑物的百分比来解释。当地 R 地图 应用全局线性回归和地理加权回归 (GWR) 来建立树木属性、建筑面积（​​解释变量）与当地温度（因变量）之间的关系。结果表明，在研究区，英国榆树的冷却度最高，而穆加铁皮的冷却度最低。GWR 结果表明，94% 的 LST 可以用树高和树冠面积来解释。基于 LST 区域的模型显示，85% 的 LST 可以用树种和建筑物的百分比来解释。当地 R 地图 结果表明，在研究区，英国榆树的冷却度最高，而穆加铁皮的冷却度最低。GWR 结果表明，94% 的 LST 可以用树高和树冠面积来解释。基于 LST 区域的模型显示，85% 的 LST 可以用树种和建筑物的百分比来解释。当地 R 地图 结果表明，在研究区，英国榆树的冷却度最高，而穆加铁皮的冷却度最低。GWR 结果表明，94% 的 LST 可以用树高和树冠面积来解释。基于 LST 区域的模型显示，85% 的 LST 可以用树种和建筑物的百分比来解释。当地 R 地图²和自变量的系数提供了与建筑面积相比不同树种冷却的空间明确信息。实施的 GeoAI 方法为城市规划者和政府提供了重要的见解，以通过增强的个体树木清单和战略缓解计划监测城市树木，以减少气候变化和全球变暖的影响。