Новата LiDAR технология осигурява тримерно моделиране на ниво „отделно дърво“, способно да прониква през горските крони и да извършва автоматично сегментиране на отделни дървета (точност >95 %), като едновременно извлича височината на дърветата, диаметъра им на височина на гърдите (DBH) и обема им с висока точност, което значително повишава ефективността на горската инвентаризация. Този напредък обаче е резултат от синергична еволюция в рамките на множество платформи (въздушни/наплещни/ръчни) и алгоритми на изкуствения интелект, а не от изолиран технологичен пробив, обявен единствено през май 2026 г.

Способност за проникване и сегментиране на отделни дървета:

Текущи liDAR системи с многократно ехо (напр. DJI Zenmuse L3, CHCNAV RS30), комбинирани с алгоритми за класификация на точкови облаци (въз основа на броя на ехата, интензитета и пространственото кластериране), ефективно различават точки от крона, ствол и земя. AI-управлявани модели за инстанцово сегментиране (като PointNet++, 3D CNN или най-новите архитектури на Transformer) постигнаха F1-резултат над 0,95 ​ (съответстващо на точност >95 %) за разпознаване на отделни дървета в затворени горски насаждения в изследванията от 2025–2026 г.

Автоматично извличане на параметри:

Височината на дървото (грешка <5 %) и диаметърът на ствола на височина на гърдите (DBH, грешка ±3–5 %) се определят чрез цилиндрично прилагане към облаци точки от ствола или методи на най-малките квадрати . Обемът се оценява чрез алометрични уравнения ​ (напр. DBH² × височина), интегрирани с библиотеки на видове, като общите регионални грешки са <3%​ (както е потвърдено от софтуера ForestPoint на CHCNAV).

Еволюция на техническите платформи:

Индустрията е напреднала от статичния наземен LiDAR към интеграция на LiDAR, монтиран на БПЛА (за обхващане в мащабен мащаб), liDAR за носене на гръб/ръчно управление (за допълване на детайли от подлеса), и Реалновременно позициониране чрез SLAM , което осигурява съвместно „въздушно-наземно“ събиране на облаци от точки. През началото на 2026 г. екипи от Университета по горско стопанство на Североизточния Китай и GreenValley International потвърдиха инженерната способност на тази система на ниво отделно дърво (<10 см грешка в позиционирането).

Ключови пробиви:

Това подобрение не произлиза от „ново физическо проникване“, а по-скоро от конвергенцията на увеличена плътност на облака от точки (>20 точки/м² в подлеса) + обработка на многократни отражения + сегментация чрез дълбоко обучение (напр. Mask3D) + съвместно моделиране на релефа и растителността . Освен това „алгоритъмът за отсичане с внимание към ръба на кроната“, предложен от Китайската академия по горско стопанство през 2025 г., значително подобри цялостността на отделянето на отделни дървета в гъсти насаждения.

Практични приложения:

Пилотните програми в горите на Североизточен и Югозападен Китай демонстрираха повишена ефективност над 10 пъти в сравнение с традиционните пробни площи, като грешките отговарят на изискванията за точност от клас III за Национална горска инвентаризация (LY/T 1953–2021). Тази технология премества горското стопанство от „оценка въз основа на пробни площи“ към „точно проучване и картографиране на всяко отделно дърво.“