你的城市有多少棵树？这是一个简单的问题，但找到答案可能是一项艰巨的任务。例如，纽约市的2015-2016年树木普查耗时近两年（总计12000小时）和2200多名志愿者。西雅图的树木普查至少要到2024年才能完成。这些努力并非徒劳无功，在短期内，它们允许城市更好地维护城市树木。从长远来看，它们为解决从气候变化到公共卫生等各方面的举措奠定了基础。

因此，为了使计算树木的任务更加容易，地理空间分析创业公司Descartes Labs的制图师和应用科学家团队将目光投向AI。为了不漏掉任何一棵树，他们建立了一个机器学习模型，可以绘制整个城市的树冠图，甚至可以减去卫星图像中看起来像树的其他绿色植物。由此产生的地图显示了每个城市的绿色缩略图。

绘制树的地图有诸多挑战。在地面上，人眼可以很容易地将树与其他城市景观区分开来。但是私人区域或被高大栅栏守卫的地方，一些树木无法计算。从卫星图像中获取的归一化差异植被指数（NDVI）长期以来一直是对城市绿化的可靠指数，但即便如此，也存在局限性。

在笛卡尔实验室工作的Tim Wallace表示，“通常，当需要绘制像树木这样的东西时，它们会与其他类型的植物（如草或庄稼）混淆，NDVI通过测量所有植物反射的不同波长和近红外光来探测植被，这意味着它无法区分树木，草地，灌木丛和其他种类的绿地。”

这些绿色植物的显著区别在于它们的高度，树明显比灌木和草高。这可以用激光雷达数据来测量，基本上就是从无人机或飞机上向这些工厂发射光，并记录反射回来的光的长度。

笛卡尔实验室的应用科学家Kyle Story说，第三维度是至关重要的。但是为任何城市收集激光雷达数据都是昂贵的，因为涉及昂贵的设备。幸运的是，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。

“使用NDVI和激光雷达，两个数据集可以告诉我们树木在一个区域中的位置。如果有卫星图片，我们可以训练算法，然后就可以在卫星图像的任何地方运行它，因为你已经教过你的机器将它们与灌木和草丛区分开来。”

Wallace说，到目前为止，该团队已在2000多个城市运行该算法。根据首席营销官Julie Crabill的说法，该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。

种植树木长期以来一直是应对气候变化和城市热岛效应的低技术战略。除此之外，树木是公共健康的福音。它们有助于减轻压力，它们与较低的肥胖率有关，甚至可能减少行人死亡。

然而，最容易遭受这种环境和健康压力的低收入和少数民族社区往往拥有最少的树木覆盖率。因此，通过准确地绘制树木覆盖位置，可以及时地让地方政府更好地实施植树计划。

然而，这并不会使研究人员，树木专家和志愿者的工作贬值，他们最终还是需要绘制一幅城市城市树冠的精确图片。像大多数算法一样，这个算法并不完美，比如它可能将投射到建筑物上的阴影当做树木。它可以提供对树种群的广泛概述，但是收集更精细的数据仍然需要更多的工作。