Uusi LiDAR-teknologia mahdollistaa "yksittäisen puun tasolla" tehdyn kolmiulotteisen mallinnuksen, joka kykenee tunkeutumaan metsän latvustoille ja suorittamaan automaattisen yksittäisten puiden segmentoinnin (tarkkuus > 95 %) sekä poimimaan puun korkeuden, rintakorkeuden ympärysmitan (DBH) ja tilavuuden erinomaisella tarkkuudella, mikä merkittävästi parantaa metsävaraston inventointitehokkuutta. Tämä edistys on kuitenkin tulosta monialustaisesta (ilma-alus-/selkäkannettava-/käsikäyttöinen) ja tekoälyalgoritmien yhteisestä kehityksestä, ei yksittäisestä teknologisesta läpimurrosta, joka olisi julkaistu ainoastaan toukokuussa 2026.

Tunkeutumiskyky ja yksittäisten puiden segmentointi:

Nykyinen monieko-LiDAR -järjestelmät (esim. DJI Zenmuse L3, CHCNAV RS30), yhdistettynä pistepilven luokittelualgoritmeihin (perustuen ekojen lukumäärään, intensiteettiin ja avaruudelliseen ryhmittelyyn), erottavat tehokkaasti latvusto-, runko- ja maapisteet toisistaan. Tekoälyllä ohjatut instanssi-segmentointimallit (kuten PointNet++, 3D-CNN:t tai uusimmat Transformer-arkkitehtuurit) ovat saavuttaneet F1-mittarin yli 0,95 ​ (vastaava tarkkuus > 95 %) yksittäisten puiden tunnistamiseen suljetuissa kantoissa vuosien 2025–2026 tutkimuksessa.

Automaattinen parametrien erottaminen:

Puun korkeus (virhe < 5 %) ja rintakorkeuden halkaisija (DBH, virhe ±3–5 %) johdetaan sylinterimäisellä rungon pistepilven sovituksella tai pienimmän neliösumman menetelmillä . Tilavuus arvioidaan käyttäen allometrisiä yhtälöitä ​ (esim. DBH² × korkeus) yhdessä lajikirjastojen kanssa, mikä johtaa alueelliseen kokonaisvirheeseen <3%​ (kuten CHCNAV:n ForestPoint-ohjelmiston vahvistama).

Teknisten alustojen kehitys:

Teollisuus on siirtynyt staattisesta maanpäällisestä LiDAR:sta kohti integrointia UAV-kantoinen LiDAR (laajakattaisen alueen kattamiseen), selkärepussa tai käsikäyttöinen LiDAR (aluskasvillisuuden yksityiskohtien täydentämiseen) ja SLAM:n reaaliaikainen paikannus , mikä mahdollistaa yhteistyöllisen "ilma–maa"-pistepilven keruu. Alkuvuodesta 2026 Itä-Pohjois-Metsätieteellisen yliopiston ja GreenValley International -yrityksen tiimit vahvistivat tämän järjestelmän insinöörimäisen toimintakyvyn yksittäisen puun tarkkuustasolla (<10 cm:n paikannusvirhe).

Tärkeimmät läpimurrot:

Edistys ei perustu "uuteen fysikaaliseen läpäisyyn", vaan pikemminkin seuraavien tekijöiden yhdistymiseen: korkeampi pistepilven tiukkuus (>20 pistettä/m² aluskasvillisuudessa) + moniekojen käsittely + syväoppimiseen perustuva segmentointi (esim. Mask3D) + yhteinen maaston ja kasvillisuuden mallinnus . Lisäksi Kiinan metsätieteellisen akatemian vuonna 2025 esittelemä "latvustoalueen reunaa tietävä leikkausalgoritmi" on merkittävästi parantanut yksittäisten puiden erottelun eheyttä tiukkoissa kasvustoissa.

Käytännöllisiä sovelluksia:

Kokeiluohjelmat Kiinan itä-pohjois- ja etelä-länsi-osien metsissä ovat osoittaneet tehokkuustulokset yli 10-kertaisesti verrattuna perinteisiin koealatutkimuksiin, ja virheet täyttävät kansallisen metsävaraston inventointiin (LY/T 1953–2021) asetetut luokan III tarkkuusvaatimukset. Tämä teknologia siirtää metsätaloutta "koeala-perusteisesta arvioinnista" kohti "tarkkaa puu kerrallaan -tutkimusta ja kartoitusta."