直徑2.5微米或更小的顆粒物（PM2.5）是一種重要的空氣污染物。由于其微小的尺寸，這些顆粒物可以輕易進入呼吸系統，導致各種健康問題，包括呼吸系統疾病（Bhattarai等，2024年）、心血管疾病（Li等，2023年）、早死（Yang等，2024年）、癌癥（Gao等，2023年）、生殖健康問題（Odo等，2023年）以及神經系統影響（Cristaldi等，2022年）。PM2.5的來源包括自然事件（火山爆發（Kim等，2016年）、海鹽氣溶膠（Zhang等，2021年）以及人類活動（家庭燃燒（Qi等，2019年）、工業設施（Huang等，2014年）、農業活動（Cheng等，2021年）、建筑活動（Cheriyan等，2020年）、鋪砌道路的灰塵（Amato等，2010年）和交通流量（Lin等，2022年）。因此，城市地區的行人由于靠近車輛排放源而面臨更高的暴露風險（Patra和Vanajakshi，2021年；Qiu等，2019年）。

作為城市綠化的重要組成部分，行道樹既可以增加也可以減少PM2.5的濃度（Nowak等，2013a；Wu等，2021；Yang等，2023）。首先，行道樹的葉子通過干沉降作用能夠有效捕獲PM2.5（Wu等，2021；Zhang等，2020）。其次，行道樹可以通過作為屏障來重新分配局部PM2.5濃度，從而減少與交通相關的排放物擴散（Diener和Mudu，2021；Tong等，2015）。第三，某些樹種會釋放生物揮發性有機化合物（BVOCs）和花粉，這些物質會促進PM2.5的形成（Setyan等，2012）。

干沉降是指大氣顆粒物直接沉積在植物表面。與建筑物或鋪砌表面相比，樹木的沉降率顯著更高（Pugh等，2012）。一棵平均大小的都市樹木每年可以去除大約3.5公斤的PM2.5（Nowak等，2013a），這帶來了巨大的經濟和健康效益——據估計，美國各城市的年效益在110萬美元到6010萬美元之間（Nowak等，2013b）。沉降率取決于當地環境因素，如PM2.5濃度、交通流量和氣象條件（Wu等，2021）。葉片表面特性也會影響顆粒物的捕獲效率，通常蠟質或毛茸茸的葉片具有更高的捕獲能力（Gaglio等，2022）。例如，銀樺、紫杉和接骨木的捕獲效率分別為79%、71%和70.5%（Wang等，2019）。

行道樹還可以通過影響交通產生的PM2.5的擴散來減輕道路附近的污染（Chen等，2016；Viippola等，2018）。這種能力取決于街道布局和樹木特征，如位置、高度、樹種、樹冠厚度和葉片密度（Abhijith和Kumar，2019）。研究表明，在開闊的道路條件下，樹籬比單獨的樹木效果更好，兩者結合使用最為有效（Abhijith和Kumar，2019）。高大的樹木可能會提高街道峽谷中的PM2.5濃度，而低矮的植被則可能產生相反的效果。樹木對PM2.5濃度的影響還與距離道路的距離有關（Abhijith和Kumar，2019）。

此外，某些樹種會釋放BVOCs，這些物質會顯著影響大氣化學成分和PM2.5的形成（Wu等，2020）。BVOC的排放量取決于樹種、溫度和光照強度（Calfapietra等，2013），而花粉顆粒可能會破碎成細小顆粒或發生化學反應形成額外的氣溶膠（Ortega-Rosas等，2021；Yee等，2018）。

已經有多種方法用于量化樹木對PM2.5濃度和分布的影響。現場研究通常通過統計方法根據葉面積來量化葉片上的PM2.5積累量（Gaglio等，2022；Richmond-Bryant和Reff，2012）。其中一種方法是使用高精度技術，如移動激光掃描（MLS），來估計樹木特征和PM2.5的去除效率（Zhao等，2018）。雖然這種方法可以獲得準確的結果，但其成本限制了大規模應用，并且忽略了PM2.5的時空動態。模擬方法，如風洞實驗和計算流體動力學（CFD）模型，可以在受控環境中提供詳細分析，有助于理解特定因素（Carpentieri等，2012；Jeanjean等，2016）。然而，這些方法難以反映現實世界的復雜性，且難以應用于城市區域。

因此，評估行道樹對PM2.5及其他污染物濃度的影響需要能夠低成本、低勞動強度和短時間投入來測量單個樹種和特征的工具。由植物學家或受過培訓的人員進行的現場審計涉及直接檢查樹木的葉片、樹皮和果實等組成部分（W?ldchen和M?der，2018）。盡管耗時且勞動密集，但這些方法能夠提供可靠和全面的結果（Martin，2011）。算法和計算能力的進步使得使用相機和傳感器（包括LiDAR、高光譜成像和其他遙感技術）進行自動化樹木評估和物種識別變得普遍（Abdollahnejad和Panagiotidis，2020；Bauwens等，2016；Sankey等，2017；Sothe等，2019）。盡管這些方法準確性高，但通常成本較高且數據需求量大。相比之下，傳統的RGB圖像仍然是大規模城市評估的最實用選擇，因為RGB相機的成本較低且普及程度高（Branson等，2018；Culman等，2020）。RGB數據可以通過衛星、航空或地面平臺獲取。衛星圖像可以實現大規模測繪，但受限于較低的空間分辨率和單一視角（Ryherd和Woodcock，1990）。來自無人駕駛飛行器（UAV）的航空數據具有更高的分辨率和靈活性（Colomina和Molina，2014），但部署成本較高。地面圖像，包括來自谷歌和百度等平臺的免費街景圖像（SVI），可以在不增加額外設備或勞動成本的情況下提供高分辨率、人眼水平的視角。基于SVI的樹木審計與現場觀察結果的一致性高達93%（Berland和Lange，2017）。

計算機視覺和機器學習的最新進展使得可以從大規模圖像數據集中（如SVI）自動提取城市植被的種類和特征（Choi等，2022；Liu等，2023）。深度學習模型，如卷積神經網絡和基于變壓器的架構，越來越多地被應用于在SVI或UAV圖像中檢測、分割和分類樹木，提供了經濟高效且細致的城市樹木清單（Fassnacht等，2016；Liu等，2023），實現了對樹木種類組成、樹冠覆蓋率和空間分布的大規模分析，分辨率前所未有，從而彌合了環境監測與城市規模應用之間的差距。然而，這些技術在與空氣質量建模的整合方面仍然有限，特別是在將樹木形態特征與PM2.5的時空變化聯系起來方面。

本研究提出了一種新的方法，用于預測中國濟南市行道樹的PM2.5緩解能力及其時空分布，考慮了特定樹種屬性、空間分布、降雨特征和季節性因素。利用計算機視覺技術和SVI，本研究生成了全市范圍內的樹木清單，有助于研究行道樹的累積PM2.5去除能力、樹種組成和PM2.5水平變化的影響，以及與天氣和樹木物候相關的季節性變化。該研究還探討了城市樹木規劃和管理方面的潛在應用。