فناوری جدید لیدار امکان مدل‌سازی سه‌بعدی در سطح «تک‌درخت» را فراهم می‌کند که قادر است پوشش تاج درختان جنگلی را نفوذ کرده و بخش‌بندی خودکار درختان به‌صورت جداگانه را انجام دهد (دقت بیش از ۹۵٪) و همزمان ارتفاع درختان، قطر آن‌ها در ارتفاع قفسه‌بندی (DBH) و حجم آن‌ها را با دقت بالا استخراج کند؛ این امر به‌طور چشمگیری کارایی موجودی‌شناسی جنگل‌ها را افزایش می‌دهد. با این حال، این پیشرفت حاصل تکامل هماهنگ‌شده در پلتفرم‌های چندگانه (هوایی/پشت‌سری/دستی) و الگوریتم‌های هوش مصنوعی است و نه نتیجه‌ای از یک پیشرفت فناوری منفرد که صرفاً در ماه مه ۲۰۲۶ افشا شده باشد.

توانایی نفوذ و بخش‌بندی جداگانه درختان:

جریان سیستم‌های لیدار چندپالسی (multi-echo LiDAR) (مانند DJI Zenmuse L3 و CHCNAV RS30)، همراه با الگوریتم‌های طبقه‌بندی ابر نقاط (مبتنی بر تعداد پالس‌های بازتابی، شدت سیگنال و خوشه‌بندی فضایی)، به‌طور مؤثری بین نقاط تاج، تنه و زمین تمایز ایجاد می‌کنند. مدل‌های بخش‌بندی نمونه‌محور مبتنی بر هوش مصنوعی ​ (مانند PointNet++، شبکه‌های کانولوشنی سه‌بعدی یا جدیدترین معماری‌های ترانسفورمر) به دست آورده‌اند نمره F1 بیش از ۰٫۹۵ ​ (معادل دقت بیش از ۹۵٪) برای شناسایی انفرادی درختان در توده‌های پوششی بسته در تحقیقات انجام‌شده در سال‌های ۲۰۲۵–۲۰۲۶.

استخراج خودکار پارامترها:

ارتفاع درخت (خطای کمتر از ۵٪) و قطر در ارتفاع قفسه‌سینه (DBH، خطای ±۳–۵٪) از طریق برازش استوانه‌ای از ابر نقاط تنه یا روش‌های حداقل مربعات تخمین زده می‌شود. حجم با استفاده از معادلات آلومتریک ​ (مانند DBH² × ارتفاع) که با کتابخانه‌های گونه‌ها ادغام شده‌اند، محاسبه می‌شود و خطای کلی منطقه‌ای را به دست می‌آورد <3%​ (همان‌طور که توسط نرم‌افزار ForestPoint شرکت CHCNAV تأیید شده است).

تکامل پلتفرم‌های فنی:

صنعت از لیدار زمینی ایستا فراتر رفته و اکنون لیدار مبتنی بر پهپاد (UAV-borne LiDAR) لیدار مبتنی بر پهپاد (UAV-borne LiDAR) (برای پوشش مقیاس بزرگ)، لیدار قابل حمل با کیف پشتی یا دستی (backpack/handheld LiDAR) (برای تکمیل جزئیات زیردرختی)، و موقعیت‌یابی بلادرنگ SLAM را ادغام کرده است؛ این امر امکان به‌دست‌آوردن ابر نقاط مشترک «هوایی-زمینی» را فراهم می‌کند. در اوایل سال ۲۰۲۶، تیم‌های دانشگاه جنگلداری شمال شرقی و شرکت گرین‌ولی اینترنشنال، قابلیت مهندسی این سیستم را در سطح دقت تک‌درختی (< ۱۰ سانتی‌متر خطای موقعیت‌یابی) اعتبارسنجی کردند.

شکست‌های کلیدی:

این پیشرفت ناشی از «نفوذ فیزیکی جدید» نیست، بلکه نتیجه همگرایی عوامل زیر است: افزایش تراکم ابر نقاط (> ۲۰ نقطه بر متر مربع در زیردرختی) + پردازش چندپالسی + تقسیم‌بندی مبتنی بر یادگیری عمیق (مانند Mask3D) + مدل‌سازی توأم زمین و پوشش گیاهی علاوه بر این، الگوریتم «برش آگاه از لبه تاج درختان» که توسط آکادمی جنگلداری چین در سال ۲۰۲۵ پیشنهاد شده است، صحت و تمامیت جداسازی درختان منفرد در توده‌های متراکم را به‌طور چشمگیری بهبود بخشیده است.

کاربردهای عملی:

برنامه‌های آزمایشی انجام‌شده در جنگل‌های شمال‌شرق و جنوب‌غرب چین نشان داده‌اند که بازدهی بیش از ۱۰ برابر نسبت به بررسی‌های سنتی قطعات نمونه دارد، به‌گونه‌ای که خطاهای حاصل از آن معیارهای دقت رده سوم برای سرشماری ملی جنگل‌ها (LY/T 1953–2021) را برآورده می‌سازد. این فناوری جنگلداری را از «تخمین مبتنی بر قطعات نمونه» به سوی «بررسی و نقشه‌برداری دقیق درخت‌به‌درخت» سوق می‌دهد.