Ny LiDAR-teknik möjliggör "enskild-träd-nivå" 3D-modellering, vilket gör det möjligt att tränga igenom skogskronor och utföra automatisk segmentering av enskilda träd (noggrannhet >95 %) samtidigt som trädhöjd, stamomfång (DBH) och volym extraheras med hög precision, vilket avsevärt ökar effektiviteten i skogsinventeringar. Denna utveckling är dock resultatet av en synergetisk utveckling över flera plattformar (flygburen/bärbar/handhållen) och AI-algoritmer, snarare än en isolerad teknologisk genombrott som endast avslöjats i maj 2026.

Genomträngningsförmåga och segmentering av enskilda träd:

Nuvarande flereko-LiDAR system (t.ex. DJI Zenmuse L3, CHCNAV RS30), kombinerade med klassificeringsalgoritmer för punktmoln (baserade på antal ekon, intensitet och rumslig klusterbildning), skiljer effektivt mellan krona, stam och markpunkter. AI-drivna instanssegmenteringsmodeller (t.ex. PointNet++, 3D-CNN:er eller de senaste Transformer-arkitekturen) har uppnått en F1-poäng över 0,95 ​ (motsvarande en noggrannhet >95 %) för individuell trädidentifiering i sluten skogstak i forskning från 2025–2026.

Automatisk parameterextraktion:

Trädhöjd (fel <5 %) och stamomkrets på brösthöjd (DBH, fel ±3–5 %) erhålls genom cylindrisk anpassning av punktmoln från stammen eller minsta-kvadratmetoder . Volymen uppskattas med hjälp av allometriska ekvationer ​ (t.ex. DBH² × höjd) integrerade med artbibliotek, vilket ger totala regionala fel på <3%​ (som verifierats av CHCNAV:s ForestPoint-programvara).

Utveckling av tekniska plattformar:

Branschen har gått förbi statisk markbaserad LiDAR och integrerar nu UAV-baserad LiDAR (för täckning på stor skala), ryggsäck-/handhållen LiDAR (för att komplettera information om undervegetationen), och SLAM i realtid för positionering , vilket möjliggör samarbetsbaserad "luft-till-mark"-insamling av punktmoln. I början av 2026 verifierade team från Nordöstra skogshögskolan och GreenValley International systemets tekniska kapacitet på nivån för enskilda träd (<10 cm positionsfel).

Nyckelgenombrott:

Utvecklingen härrör inte från "ny fysisk genomträngning", utan snarare från sammansmältningen av ökad punktmolnstäthet (>20 punkter/m² i undervegetationen) + flereko-bearbetning + segmentering med djupinlärning (t.ex. Mask3D) + gemensam modellering av terräng och vegetation . Dessutom har den "kanter på lövverk som är medvetna klippningsalgoritm" som Kinesiska skogsakademien föreslog 2025 avsevärt förbättrat integriteten i separationen av enskilda träd i täta bestånd.

Praktiska tillämpningar:

Pilotprogram i skogarna i Nordost- och Sydvästkina har visat effektivitetsvinster på över 10 gånger jämfört med traditionella provytaundersökningar, med fel som uppfyller kraven på noggrannhetsklass III för nationell skogsinventering (LY/T 1953–2021). Denna teknik driver skogsbruket från "uppskattning baserad på provytor" mot "exakt trädbaserad inventering och kartläggning."