Ny LiDAR-teknologi gør det muligt at oprette 3D-modeller på "enkelte-træ-niveau", der kan trænge igennem skovens tæthed og udføre automatisk segmentering af enkelte træer (nøjagtighed >95 %), samtidig med at træhøjde, stammediameter (DBH) og volumen udtrækkes med høj præcision, hvilket betydeligt øger effektiviteten af skovinventar. Denne fremskridt er dog resultatet af en synergetisk udvikling på tværs af flere platforme (flybårne/backpack/håndholdte) og AI-algoritmer, snarere end en isoleret teknologisk gennembrud, der udelukkende blev offentliggjort i maj 2026.

Trængningsevne og individuel træsegmentering:

Strøm flerecho-LiDAR systemer (f.eks. DJI Zenmuse L3, CHCNAV RS30), kombineret med punktskyklassificeringsalgoritmer (baseret på antal echo, intensitet og rumlig klyngeanalyse), adskiller effektivt mellem krone, stamme og jordpunkter. AI-drevne instanssegmenteringsmodeller (såsom PointNet++, 3D-CNN’er eller de nyeste Transformer-arkitekturer) har opnået en F1-score over 0,95 ​ (svarende til en nøjagtighed på >95 %) for individuel trægenkendelse i lukkede skovbestande i forskning fra 2025–2026.

Automatisk parameterudtrækning:

Træhøjde (fejl <5 %) og diameter ved brysthøjde (DBH, fejl ±3–5 %) udledes via cylindrisk tilpasning af stamme-punktskyer eller mindste kvadraters metoder . Volumen estimeres ved hjælp af allometriske ligninger ​ (f.eks. DBH² × Højde) integreret med artsbiblioteker, hvilket giver samlede regionale fejl på <3%​ (som verificeret af CHCNAV’s ForestPoint-software).

Udvikling af tekniske platforme:

Branchen er gået videre fra statisk terrestrisk LiDAR og integrerer nu UAV-baseret LiDAR (til dækning af store områder), rygsæk-/håndholdt LiDAR (til supplerende registrering af understory-detaljer), og SLAM realtidspositionering , hvilket muliggør samarbejdsmæssig "luft-til-jord" punktskyoprettelse. I begyndelsen af 2026 validerede hold fra Northeast Forestry University og GreenValley International systemets tekniske kapacitet på enkelthøjdens præcision (<10 cm positionsfejl).

Nøglegennembrud:

Fremdriften stammer ikke fra "ny fysisk gennemtrængning", men snarere fra sammenfaldet af øget punktskytæthed (>20 pkt/m² i understory) + multiecho-behandling + dybt læringssegmentering (f.eks. Mask3D) + fælles terræn-vegetationsmodellering . Desuden har den "kanter-bevidste klippingsalgoritme", som Det Kinesiske Akademi for Skovbrug fremlagde i 2025, betydeligt forbedret integriteten af adskillelse af enkelte træer i tætte bestande.

Praktiske anvendelser:

Pilotprogrammer i skovene i Nordøst- og Sydvestkina har vist effektivitetsforbedringer på over 10 gange i forhold til traditionelle plotundersøgelser, med fejl, der opfylder kravene til nøjagtighedsklasse III for national skovinventering (LY/T 1953–2021). Denne teknologi driver skovbrug fra «estimering baseret på plot» mod «præcis træ-for-træ-undersøgelse og -kortlægning.»