การเข้าชม: 0 ผู้แต่ง: บรรณาธิการเว็บไซต์ เวลาเผยแพร่: 26-05-2569 ที่มา: เว็บไซต์
เทคโนโลยี LiDAR ใหม่ช่วยให้สามารถสร้างแบบจำลอง 3 มิติ 'ระดับต้นไม้เดี่ยว' ซึ่งสามารถเจาะทะลุทรงพุ่มของป่าและดำเนินการแบ่งต้นไม้แต่ละต้นโดยอัตโนมัติ (ความแม่นยำ >95%) ในขณะที่ดึงความสูงของต้นไม้, DBH และปริมาตรด้วยความแม่นยำสูง ซึ่งช่วยเพิ่มประสิทธิภาพสินค้าคงคลังของป่าได้อย่างมาก อย่างไรก็ตาม ความคืบหน้านี้เป็นผลมาจากวิวัฒนาการการทำงานร่วมกันระหว่างหลายแพลตฟอร์ม (ทางอากาศ/กระเป๋าเป้สะพายหลัง/มือถือ) และอัลกอริธึม AI แทนที่จะเป็นความก้าวหน้าทางเทคโนโลยีแบบแยกเดี่ยวที่เปิดเผยในเดือนพฤษภาคม 2569 แต่เพียงผู้เดียว
ความสามารถในการเจาะและการแบ่งส่วนต้นไม้ส่วนบุคคล:
ระบบ ในปัจจุบัน LiDAR แบบหลายเสียงก้อง (เช่น DJI Zenmuse L3, CHCNAV RS30) รวมกับอั ลก อริธึมการจำแนกประเภทพอยต์คลาวด์ (ขึ้นอยู่กับจำนวนเสียงสะท้อน ความเข้ม และการจัดกลุ่มเชิงพื้นที่) สามารถแยกแยะระหว่างจุดกระโจม ลำตัว และจุดกราวด์ได้อย่างมีประสิทธิภาพ โมเดลการแบ่งส่วนอินสแตนซ์ที่ขับเคลื่อนด้วย AI (เช่น PointNet++, 3D CNN หรือสถาปัตยกรรม Transformer ล่าสุด) ได้ คะแนน F1 ที่สูงกว่า 0.95 (ซึ่งสอดคล้องกับความแม่นยำ >95%) สำหรับการจดจำทรีแต่ละรายการในแผงหลังคาปิดในการวิจัยตั้งแต่ปี 2568-2569
การแยกพารามิเตอร์อัตโนมัติ:
ความสูงของต้นไม้ (ข้อผิดพลาด <5%) และเส้นผ่านศูนย์กลางที่ความสูงเต้านม (DBH ข้อผิดพลาด ± 3–5%) ได้มาจาก การปรับรูปทรงกระบอกของเมฆจุดลำต้นหรือวิธีกำลังสองน้อย ที่สุด ปริมาตรถูกประมาณโดยใช้ สมการอัลโลเมตริก (เช่น DBH⊃2; × ความสูง) รวมกับไลบรารีสปีชีส์ ทำให้เกิดข้อผิดพลาดในระดับภูมิภาคโดยรวมที่ <3% (ตามที่ตรวจสอบโดยซอฟต์แวร์ ForestPoint ของ CHCNAV)
วิวัฒนาการของแพลตฟอร์มทางเทคนิค:
อุตสาหกรรมได้ก้าวไปไกลกว่า LiDAR บนพื้นดินแบบคงที่เพื่อผสานรวม LiDAR ที่เกิดจาก UAV (สำหรับการครอบคลุมในวงกว้าง), กระเป๋าเป้สะพายหลัง/ LiDAR แบบมือถือ (เพื่อเสริมรายละเอียดด้านล่าง) และ การกำหนดตำแหน่งแบบเรียลไทม์ของ SLAM ช่วยให้สามารถรับข้อมูลคลาวด์แบบจุด 'อากาศสู่พื้นดิน' ที่ทำงานร่วมกันได้ ในช่วงต้นปี 2026 ทีมงานจาก Northeast Forestry University และ GreenValley International ได้ตรวจสอบความสามารถทางวิศวกรรมของระบบนี้ที่ระดับความแม่นยำของต้นไม้เดี่ยว (ข้อผิดพลาดในการวางตำแหน่ง <10 ซม.)
ความก้าวหน้าที่สำคัญ:
ความก้าวหน้าไม่ได้เกิดจากการ 'การเจาะทางกายภาพแบบใหม่' แต่มาจากการบรรจบกันของ ความหนาแน่นของพอยต์คลาวด์ที่เพิ่มขึ้น (>20 pts/m² ในระดับล่าง) + การประมวลผลแบบหลายเสียงสะท้อน + การแบ่งส่วนการเรียนรู้เชิงลึก (เช่น Mask3D) + การสร้างแบบจำลองภูมิประเทศ-พืชพรรณ ร่วม นอกจากนี้ 'อัลกอริธึมการตัดแบบรับรู้ขอบร่มไม้' ที่เสนอโดย Chinese Academy of Forestry ในปี 2025 ได้ปรับปรุงความสมบูรณ์ของการแยกต้นไม้แต่ละต้นในพื้นที่หนาแน่นอย่างมีนัยสำคัญ
การใช้งานจริง:
โครงการนำร่องในป่าทางตะวันออกเฉียงเหนือและตะวันตกเฉียงใต้ของจีนได้แสดงให้เห็น ประสิทธิภาพที่เพิ่มขึ้นมากกว่า 10 เท่า เมื่อเทียบกับการสำรวจแปลงแบบดั้งเดิม โดยมีข้อผิดพลาดที่ตรงตามข้อกำหนดความแม่นยำระดับ III สำหรับสินค้าคงคลังป่าสงวนแห่งชาติ (LY/T 1953–2021) เทคโนโลยีนี้ผลักดันการทำป่าไม้จาก 'การประมาณค่าตามแปลง' ไปสู่ 'การสำรวจและการทำแผนที่ต่อต้นไม้ที่แม่นยำ'
