เทคโนโลยี LiDAR ใหม่ทําให้การจําลอง 3 มิติ "ระดับต้นไม้เดียว" สามารถเจาะเข้าไปในต้นไม้และทําการแบ่งแยกต้นไม้แต่ละต้นไม้โดยอัตโนมัติ (ความแม่นยํา > 95%) โดยการสกัดความสูงของต้นไม้, DBH และปริมาณ อย่างไรก็ตาม ความก้าวหน้านี้เป็นผลของการพัฒนาแบบร่วมมือกัน ระหว่างหลายแพลตฟอร์ม (เครื่องบิน/กระเป๋าเป้/เครื่องมือถือ) และอัลการิทึม AI แทนที่จะเป็นความก้าวหน้าทางเทคโนโลยีที่แยกตัวที่เปิดเผยเพียงเดือนพฤษ

ความสามารถในการเจาะเข้าไปและการแบ่งแยกต้นไม้แต่ละต้น

ปัจจุบัน liDAR หลายเสียง ระบบ (ตัวอย่างเช่น DJI Zenmuse L3, CHCNAV RS30) รวมกับ อัลการิทึมการจัดหมวดเมฆจุด (โดยใช้จํานวนเสียงสะท้อน, ความเข้มแข็ง และการจัดกลุ่มทางพื้นที่) สามารถแยกแยกจุดที่อยู่ระหว่างชั้นต้น, ฐาน และพื้นที่ได้อย่างมีประสิทธิภาพ รูปแบบการแบ่งตัวอย่างที่ใช้ AI (เช่น PointNet++, 3D CNNs หรือสถาปัตยกรรม Transformer ล่าสุด) ได้ประสบความสําเร็จ คะแนน F1 มากกว่า 0.95 ​ (สอดคล้องกับความแม่นยำมากกว่า 95%) สำหรับการระบุต้นไม้แต่ละต้นในพื้นที่ป่าที่มีเรือนยอดปิดสนิท ตามงานวิจัยระหว่างปี ค.ศ. 2025–2026

การดึงพารามิเตอร์อัตโนมัติ:

ความสูงของต้นไม้ (ความคลาดเคลื่อน <5%) และเส้นผ่านศูนย์กลางของลำต้นที่ระดับความสูงหน้าอก (DBH, ความคลาดเคลื่อน ±3–5%) ได้มาจากการ การจับรูปร่างทรงกระบอกของจุดข้อมูลลำต้น (trunk point clouds) หรือวิธีการกำลังสองน้อยที่สุด (least squares methods) ปริมาตรถูกประมาณค่าโดยใช้ สมการอัลโลเมตริก (allometric equations) ​ (เช่น DBH² × ความสูง) ที่ผสานเข้ากับห้องสมุดชนิดพันธุ์ต้นไม้ ซึ่งให้ความคลาดเคลื่อนรวมระดับภูมิภาคเท่ากับ <3%​ (ยืนยันแล้วโดยซอฟต์แวร์ ForestPoint ของ CHCNAV)

วิวัฒนาการของแพลตฟอร์มเทคโนโลยี:

อุตสาหกรรมได้ก้าวข้ามระบบ LiDAR ภาคพื้นแบบคงที่ไปสู่การผสานรวม LiDAR ที่ติดตั้งบนอากาศยานไร้คนขับ (UAV-borne LiDAR) (สำหรับการสำรวจพื้นที่ขนาดใหญ่), liDAR แบบสะพายหลังหรือถือด้วยมือ (backpack/handheld LiDAR) (เพื่อเสริมรายละเอียดของชั้นพุ่มไม้ใต้เรือนยอด), และ ระบบกำหนดตำแหน่งแบบเรียลไทม์โดยใช้เทคโนโลยี SLAM ซึ่งทำให้สามารถเก็บรวบรวมคลาวด์จุด (point cloud) ร่วมกันแบบ "จากอากาศสู่พื้นดิน" ได้ ตั้งแต่ต้นปี 2569 ทีมวิจัยจากมหาวิทยาลัยป่าไม้ภาคตะวันออกเฉียงเหนือและบริษัท GreenValley International ได้ตรวจสอบและยืนยันศักยภาพเชิงวิศวกรรมของระบบนี้ในระดับความแม่นยำต่อต้นไม้แต่ละต้น (< 10 เซนติเมตร สำหรับความคลาดเคลื่อนในการกำหนดตำแหน่ง)

จุดก้าวหน้าสำคัญ:

ความก้าวหน้าดังกล่าวไม่ได้เกิดขึ้นจาก "การเจาะผ่านทางกายภาพแบบใหม่" แต่เกิดจากการผสานรวมกันของ ความหนาแน่นของคลาวด์จุดที่เพิ่มขึ้น (> 20 จุด/ตร.ม. ในชั้นพุ่มไม้ใต้เรือนยอด) + การประมวลผลสัญญาณหลายครั้ง (multi-echo processing) + การแบ่งส่วนด้วยการเรียนรู้เชิงลึก (deep learning segmentation) (เช่น Mask3D) + การสร้างแบบจำลองร่วมระหว่างภูมิประเทศกับพืชพรรณ นอกจากนี้ อัลกอริธึมการตัดขอบเรือนยอดอย่างชาญฉลาด (canopy edge-aware clipping algorithm) ที่สถาบันวิจัยป่าไม้แห่งสาธารณรัฐประชาชนจีนเสนอขึ้นในปี 2568 ได้ช่วยปรับปรุงความสมบูรณ์ของการแยกต้นไม้แต่ละต้นในป่าที่มีความหนาแน่นสูงอย่างมีนัยสำคัญ

การใช้งานที่เป็นประโยชน์:

โครงการนำร่องในป่าภาคตะวันออกเฉียงเหนือและภาคตะวันตกเฉียงใต้ของจีนได้แสดงให้เห็นถึง การเพิ่มประสิทธิภาพมากกว่า 10 เท่า เมื่อเปรียบเทียบกับการสำรวจแปลงแบบดั้งเดิม โดยมีความคลาดเคลื่อนสอดคล้องกับข้อกำหนดความแม่นยำระดับ III สำหรับการสำรวจทรัพยากรป่าไม้แห่งชาติ (LY/T 1953–2021) เทคโนโลยีนี้กำลังผลักดันภาคป่าไม้จาก "การประมาณค่าจากแปลง" สู่ "การสำรวจและทำแผนที่ต้นไม้แต่ละต้นอย่างแม่นยำ"