基于無損檢測技術(shù)的行道樹風(fēng)險評估體系構(gòu)建及實證分析
背景：傳統(tǒng)的可視化樹木評估方法在評估樹木風(fēng)險時是主觀的，因此在準確檢測樹干和根系內(nèi)部腐朽方面并不有效。為了提高行道樹風(fēng)險評估的準確性，提出了一種新的無損檢測方法。這種新的樹木風(fēng)險評估方法結(jié)合了不同的無損檢測技術(shù)，如聲波斷層掃描和探地雷達，可以顯著提高樹干和樹根風(fēng)險評估的準確性。應(yīng)用該方法對上海歷史風(fēng)貌保護區(qū)1001棵行道樹進行了風(fēng)險評價。結(jié)果顯示，盡管大多數(shù)行道樹的枝條和樹干風(fēng)險水平較低，但超過三分之一的行道樹根系風(fēng)險水平較高。行道樹的風(fēng)險因素主要在樹干和根系，行道樹風(fēng)險水平與樹腔、病蟲害以及根系分布、傾斜和樹干內(nèi)部腐爛的深度和范圍有顯著相關(guān)性。在無損檢測和風(fēng)險評估分析以及有針對性的預(yù)防措施的幫助下，街道風(fēng)險損害的可能性大大降低，包括行道樹在臺風(fēng)期間傾斜和倒塌等。
材料和方法：
研究區(qū)域：上海市最大的歷史文化風(fēng)貌保護區(qū)，衡山路-復(fù)興東路，該地區(qū)行道樹市歷史文化保護戰(zhàn)略的重要組成部分。2020年9月至2021年3月，對橫山路-復(fù)興東路歷史風(fēng)貌保護區(qū)14條主要道路上1001株胸徑大于40厘米的行道樹進行了風(fēng)險評估（圖1）。研究區(qū)內(nèi)有各種各樣的樹木，如Platanus orientalis L.、Pterocarya striptera（C.DC）、Sophora japonica L.、Quercus acuissima Carruth和Sapium sebiferum（L.）Roxb。其中，P. orientalis數(shù)量最多，共有884只（88.31%），P. stenoptera次之，共有109只（10.89%）。Platanus orientalis是上海市種植最多的行道樹，約占行道樹總數(shù)的65%。
圖1 研究區(qū)域及樣品點的分布
研究方法：
可視化樹木評估（VTA）：對獲取的風(fēng)險評估數(shù)據(jù)進行分析，并使用ArcGIS 10.8軟件生成圖表。數(shù)據(jù)包括樹種、坐標、樹高、胸徑、樹干傾斜度和樹木的潛在生長指標。
選擇DBH大于40cm的行道樹進行VTA。評估涵蓋樹枝、樹干、根系及其周圍環(huán)境。為了檢測行道樹的主要風(fēng)險點，參考了先前的研究結(jié)果和ISA建議（Matheni和Clark，1994；He等，2021）。枝條評估的重點是大冠偏移、真菌果體的存在、病蟲害、大枯枝和頂端枯死。樹干評估包括樹木傾斜、樹干空洞和機械損傷。根系評估的重點是交織根系和地下管廊建設(shè)。周圍環(huán)境評估包括可能的墜落地點、道路等級和周圍建筑物的密度。
無損檢測（NDT）：
采用無損檢測技術(shù)對行道樹樹干內(nèi)部腐朽和根系分布進行了無損檢測。其中，聲波斷層掃描（PiCUS-3，Argus，Germany）用于檢測行道樹樹干的內(nèi)部腐爛。該方法利用高精度的樹木幾何信息軟件計算聲速，繪制樹木聲波傳輸速率或密度圖像，從而準確描述樹木的內(nèi)部結(jié)構(gòu)。根據(jù)制造商的說明，從每棵樹中選擇三個橫截面進行檢測。理想情況下，三個橫截面位于1）根系附近，2）DBH的測量點處，以及3）樹的第一個分叉點下方。為了方便起見，本研究中選擇的三個橫截面為：1）地面以上0.3 m，2）地面以上1.6 m（DBH點以上0.3 m），以及3）分支高度以下2.1 m（圖2）。所有數(shù)據(jù)都被導(dǎo)入連接到傳感器和主控制單元的計算機中，然后使用PiCUS-3軟件進行數(shù)據(jù)分析和可視化。
樹木雷達裝置（TRU?，美國TreeRadar）用于探測行道樹的根系分布，而不影響其生長。該方法利用探地雷達技術(shù)從垂直和水平方向?qū)Ω颠M行無損掃描。在垂直方向上，根系分布分為三個區(qū)域：地面以下0–20 cm、21–40 cm和41–100 cm。使用同心圓方法檢測水平分布，其中樹干被視為圓的中心。掃描過程包括人行道側(cè)的三個半圓截面和車行道側(cè)的兩個半圓截面，半徑分別設(shè)定為1.0 m、1.5 m和2.0 m。這是因為上海的行道樹池都在1.6 m的邊長范圍內(nèi)，樹池外的區(qū)域是人行道或車行道，而地下部分是混凝土結(jié)構(gòu)。根系很少能夠延伸到樹干周圍半徑為2.0 m的圓形區(qū)域之外（圖2）。使用Tree WinTM PRO軟件（TreeRear，US）對獲得的掃描數(shù)據(jù)進行分析，以生成水平和垂直方向的根系密度圖和樹根的三維虛擬模型。
圖2 行道樹樹干和根系檢測方法
建立考核指標體系:
風(fēng)險矩陣法可用于風(fēng)險排序、風(fēng)險源識別和風(fēng)險應(yīng)對。由于操作簡單直觀，它被廣泛應(yīng)用于風(fēng)險管理的各個領(lǐng)域。風(fēng)險矩陣法結(jié)合了定性和定量分析，對風(fēng)險后果的影響和風(fēng)險發(fā)生的可能性進行了分類（Dunster et al.，2017）。
風(fēng)險評估的計算公式為：風(fēng)險等級（R）=風(fēng)險發(fā)生可能性（P）×風(fēng)險后果嚴重程度等級（S）
風(fēng)險矩陣法用于評估風(fēng)險后果的影響和可能性，并確定行道樹的風(fēng)險水平。行道樹風(fēng)險評估中使用的參數(shù)如表1-4所示。表1表示風(fēng)險發(fā)生的可能性（P），從i到iv的值表示低風(fēng)險到極高風(fēng)險的可能性。表2描述了后果的嚴重性（S），其中a到d表示可忽略到極端嚴重性。表3顯示了樹木風(fēng)險等級（R）的比較值，X軸表示風(fēng)險嚴重程度，Y軸表示風(fēng)險可能性。表4列出了風(fēng)險矩陣中的風(fēng)險分類標準。
先前的研究表明，根/樹干腐爛導(dǎo)致的樹木倒塌和樹干/樹枝腐爛導(dǎo)致的樹枝斷裂（Roson-Szeryńska et al.，2014）可能會損壞車輛和建筑物，并傷害行人（Lazim和Misni，2016）。本研究采用了最新的研究結(jié)果和無損檢測技術(shù)，以確保評估項目和指標是最新和準確的（Dunster等人，2017；He等人，2021）。評估項目集中在行道樹的枝條、樹干和根部，評估指標包括樹干內(nèi)部腐爛、根系分布的深度和范圍，以及前面提到的VTA指數(shù)?；谶@些因素，我們構(gòu)建了一個全面準確的行道樹風(fēng)險評估系統(tǒng)，包括風(fēng)險發(fā)生的可能性（P）和風(fēng)險后果的嚴重程度（S）（表5）。
表1 行道樹風(fēng)險發(fā)生可能性水平等級
風(fēng)險發(fā)生可能性P | 等級 | 風(fēng)險發(fā)生可能性的描述 |
i（1） | Low | Low possibility, risks can occur if the weather is bad |
ii （2） | Medium | Medium possibility, the occurrence of risks is reasonably predictable |
iii （3） | High | High possibility, risks occur easily due to poor growth |
iv （4） | Extremely high | Highly likely, risks will likely occur |
表2 行道樹風(fēng)險后果的嚴重程度
風(fēng)險后果的嚴重程度S | 等級 | 風(fēng)險后果嚴重程度的描述 |
a（1） | Negligible | Almost no harm |
b （2） | Mild | Minor injuries to people, vehicles, buildings etc. |
c （3） | Serious | Serious injury to people, vehicles, buildings etc. |
d （4） | Extreme | Trees pose a serious threat to human life and public property and can cause major accidents |
表3 風(fēng)險值比較表
可能性 | 后果嚴重程度 | |||
a | b | c | d | |
i | 1 | 2 | 3 | 4 |
ii | 2 | 4 | 6 | 8 |
iii | 3 | 6 | 9 | 12 |
iv | 4 | 8 | 12 | 16 |
表4 風(fēng)險水平比較
風(fēng)險評分（R） | 風(fēng)險水平 | 解釋性陳述 |
I (<3) | Negligible risk | Negligible risk (This risk factor is basically safe, but it does not rule out that there are certain potential safety hazards, so this risk factor should continue to be monitored) |
II (3–6) | Acceptable risk | Acceptable risk (This risk factor is relatively safe, but there are potential risks, which should receive attention) |
III (8–9) | Medium risk | Medium risk (This risk factor is unsafe and it is very likely that trees will collapse or break, so measures should be taken immediately to control this risk factor) |
IV (12–16) | Significant risk | Significant risk (This risk factor is very unsafe and will cause serious consequences) |
風(fēng)險發(fā)生可能性（P）評估主要考慮樹木的結(jié)構(gòu)失效問題。對B1-B4的13個指標（C1-C13）進行評分，然后將總分轉(zhuǎn)換為表1中的可能性水平，計算方法如下：將5-15分、16-18分、19-22分、23-45分分別轉(zhuǎn)換為i（低）、ii（中等）、iii（高）或iv（極高）。風(fēng)險后果的嚴重性（S）主要考慮增長沖突。對B5-B6的三個指標（C14-C16）進行評分，然后將總分轉(zhuǎn)換為表2中的嚴重程度（S）水平，a（2<S≤4）、b（4<S≤6分）、c（6<S≤8分）、d（8<S≤10分）。
通過查閱風(fēng)險矩陣（表3）和獲得的結(jié)果P和S水平，可以獲得單個樹的風(fēng)險水平R（表4），其中I（<3）、II（3-6）、III（8-9）和IV（12-16）分別對應(yīng)于“可忽略風(fēng)險”、“可接受風(fēng)險”、中風(fēng)險和“重大風(fēng)險”。
數(shù)據(jù)統(tǒng)計分析
使用ArcGIS10.7軟件對行道樹風(fēng)險的空間分布進行可視化。使用R 4.1.0檢查行道樹風(fēng)險水平與每個指標之間的相關(guān)性。使用stats（v.4.1.2）和corrplot（v.0.84）軟件包計算Kendall相關(guān)系數(shù)，以評估有序數(shù)據(jù)的關(guān)系（代碼可在補充材料中獲得）。統(tǒng)計數(shù)據(jù)包用于計算kendall相關(guān)系數(shù)和顯著性檢驗，corrplot包用于繪制相關(guān)熱圖。氣泡的大小和顏色表示Kendall相關(guān)系數(shù)值。星號的數(shù)量表示變量之間相關(guān)性的顯著性水平，其中*p值<0.05，**p值=0.01，***p數(shù)值<0.001。
結(jié)果
行道樹風(fēng)險評估和分析
行道樹風(fēng)險的準確診斷。如圖3所示，研究區(qū)域93%以上的行道樹的樹枝風(fēng)險發(fā)生可能性（P）為II級或以下。只有5.99%和0.60%的樹木分別具有III級和IV級分支風(fēng)險。具體而言，50株P(guān).orientalis的分支風(fēng)險為III級，3株分支風(fēng)險為IV級，而9株狹翅目P.orientalia的分支風(fēng)險是III級，2株分支風(fēng)險是IV級。只有一株S.sebiferum具有IV級分支風(fēng)險。因此，定期檢測樹木風(fēng)險是必要的。
85%以上的行道樹樹干風(fēng)險發(fā)生可能性（P）被評為II級或以下（圖3），12.59%和1.80%的樹木分別被評為III級和IV級。85%以上的行道樹樹干風(fēng)險發(fā)生可能性（P）被評為II級或以下（圖3），12.59%和1.80%的樹木分別被評為III級和IV級。大約89%的側(cè)柏的樹干風(fēng)險等級為II級或以下，而47%的P. stenoptera的軀干風(fēng)險等級為III級或以上。
超過62%的行道樹的根系風(fēng)險發(fā)生可能性（P）等級為II級或以下，而37%的樹木的根系風(fēng)險等級為III級或以上（圖3）。大多數(shù)行道樹根系分布在0–50 cm的深度范圍內(nèi)，樹冠和根系之間存在嚴重的不平衡。高比例的行道樹根系受損的風(fēng)險很高。在側(cè)柏中，288株具有III級根系風(fēng)險P值，51株具有IV級根系風(fēng)險P值。在P. stenoptera中，27個具有III級根系風(fēng)險P值，3個具有IV級根系風(fēng)險P值。因此，需要密切監(jiān)測行道樹根系的健康狀況。
行道樹的總體風(fēng)險評估
圖4顯示，超過74%的行道樹的風(fēng)險發(fā)生可能性（P）水平為II級或以下，但大多數(shù)行道樹風(fēng)險后果嚴重程度（S）水平為Ⅱ級和Ⅲ級，分別占25.17%和63.14%。超過76%的樹木的風(fēng)險后果等級（R）為II級或以下；194棵樹的風(fēng)險后果等級（R）為III，42棵樹的危險后果等級（R）為IV。這些樹木需要密切監(jiān)測，并采取適當?shù)墓芾泶胧┐_保其安全。
如圖5所示，P.orientalis的風(fēng)險發(fā)生可能性水平為中等，78%的風(fēng)險發(fā)生概率水平為II或以下。超過56%的P. stenoptera表現(xiàn)出III或更高的風(fēng)險發(fā)生可能性水平，表明風(fēng)險很高。經(jīng)鑒定，S. sebiferum和S. japonica的危險發(fā)生可能性等級（P）為IV。結(jié)果表明，83%的脫落/斷裂部位在P. orientalis的枝條上，91%在P. stenoptera的樹干上。
行道樹風(fēng)險的總體空間格局
圖6顯示，東平路和汾陽路的平均支路（B1）風(fēng)險發(fā)生可能性水平最高，寶慶路和桃江路的風(fēng)險發(fā)生可能性最低（圖6A）。枝條的高風(fēng)險是由于嚴重的疾病、害蟲、上部的枯死和大的樹冠偏移。此外，東平路和武康路的平均主干（B2）風(fēng)險發(fā)生可能性水平最高，而高安路和高郵路的平均干線（B2）危險發(fā)生可能性水平最低（圖6B）。樹干空洞和內(nèi)部腐朽是樹干（B2）風(fēng)險發(fā)生可能性水平p值高的主要原因，而樹木傾斜是次要原因。此外，高安路和高郵路的平均根系（B3）風(fēng)險發(fā)生可能性水平p值最高，而寶慶路和岳陽路的平均根部（B3）危險發(fā)生可能性水平p值最低（圖6C）。根系（B3）風(fēng)險發(fā)生可能性水平p值高主要是由于地下管廊施工破壞了高速公路一側(cè)的根系，導(dǎo)致根系的范圍和深度分布不均。
根據(jù)圖7A，東平路和武康路的平均總體風(fēng)險發(fā)生可能性水平（P）值最高，而寶慶路和高安路的平均整體風(fēng)險發(fā)生可能性值最低。圖7B顯示，太原路和天平路的風(fēng)險后果嚴重程度（S）值最高，東湖路和桃江路最低。廣元路和天平路的平均風(fēng)險等級（R）值最高，東湖路和桃江路的平均危險等級最低（圖7C）。天平路具有最高的風(fēng)險后果嚴重程度（S）和風(fēng)險等級（R）值，這是由于其道路等級高、建筑密度高、地下管道施工對根系造成的破壞、樹枝上有病蟲害以及樹干內(nèi)有蛀洞和腐爛。
為了減少傳統(tǒng)的可視化樹木評估帶來的主觀性，提高行道樹風(fēng)險評估的準確性，開發(fā)了一種基于無損檢測的評估方法。采用定性和定量相結(jié)合的方法，建立了樹木風(fēng)險評估的綜合指標體系。無損檢測技術(shù)能夠在考慮內(nèi)部樹干衰減以及根系的分布深度和范圍的情況下獲取信息。這些信息無法從傳統(tǒng)的視覺評估中獲得，可以為行道樹風(fēng)險評估提供更精確的定量指標。
為了減少傳統(tǒng)的可視化樹木評估帶來的主觀性，提高行道樹風(fēng)險評估的準確性，開發(fā)了一種基于無損檢測的評估方法。采用定性和定量相結(jié)合的方法，建立了樹木風(fēng)險評估的綜合指標體系。無損檢測技術(shù)能夠在考慮內(nèi)部樹干衰減以及根系的分布深度和范圍的情況下獲取信息。這些信息無法從傳統(tǒng)的視覺評估中獲得，可以為行道樹風(fēng)險評估提供更精確的定量指標。雖然大多數(shù)行道樹的風(fēng)險發(fā)生可能性和風(fēng)險水平較低，但由于周圍環(huán)境的影響，其中很大一部分行道樹具有高風(fēng)險后果嚴重程度。行道樹的主要風(fēng)險點包括根系的分布深度和范圍、地下管道建設(shè)以及樹干和樹腔的內(nèi)部腐爛。
來源：He K, Wei L and Wang B (2024), Construction of street tree risk assessment system and empirical analysis based on non-destructive testing technologies. Front. Earth Sci. 12:1338316. doi: 10.3389/feart.2024.1338316.
