JP2022020396A - 森林資源解析装置、森林資源解析方法および森林資源解析プログラム - Google Patents

Abstract

【課題】森林の点群データに基づいて、樹種や価格などの森林資源を解析する森林資源解析装置の提供。【解決手段】森林資源解析装置は、点群データに基づいて、地形を特定する地形特定手段１０２と、特定された地形を平面化する地形平面化手段１０３と、点群データのうち縦および横方向の座標値に基づいて平面化された地形に植生する樹木の頂点を物体検出モデルにより推定する頂点推定手段１０４と、推定された樹木の頂点を起点としてセグメンテーション手法によりそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の点群データを作成する樹木切出手段１０６と、作成された樹木毎の点群データに基づいて分類モデルにより樹種を推定する樹種推定手段１０７と、推定された樹種に基づいて樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する樹木評価手段１１３とを含む。【選択図】図１

Description

本発明は、森林の三次元点群データに基づいて、樹木の本数や直径、材積、胸高、樹種、幹形状、価格などの森林資源を解析する森林資源解析装置、森林資源解析方法および森林資源解析プログラムに関するものである。

近年、光を用いたリモートセンシング技術の一つであるＬｉＤＡＲ（Ｌｉｇｈｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｒａｎｇｉｎｇ）を利用して、縦、横、高さ方向の三次元空間のデータである点群データの取得が行われている。そして、取得された点群データは、森林や建築物など取得対象物の解析に用いられる。例えば、特許文献１には、森林の三次元の点群データを用いて樹木の位置を検出する樹木位置検出装置であって、点群データが表す高さを地表からの実質高さに換算して正規化点群データを生成する正規化手段と、森林の樹冠領域とその下の枝下領域とでの正規化点群データの分布の違いに基づいて、森林内で一定した高さ範囲を枝下層として設定する枝下層設定手段と、枝下層に属する正規化点群データを抽出し、地表に沿った平面に投影して二次元頻度分布を求める平面投影手段と、所定基準に基づいて、二次元頻度分布にて正規化点群データが集まる箇所を検出して樹木位置とする位置検出手段とを有する樹木位置検出装置が開示されている。

また、特許文献２には、森林を含む対象地域をスキャンして取得した航空レーザ計測データに基づき、予め定められた１又は複数種類の特徴量を各計測地点について求め、当該特徴量を画素値とする前記対象地域の特徴量画像を生成する特徴量画像生成手段と、特徴量の類似性に基づいて特徴量画像上にて対象地域を複数領域に分割して林相区間を生成する林相区間生成手段とを有する林相解析装置が開示されている。ここで、１又は複数種類の特徴量は、レーザの照射パルスに対する反射パルスの個数に応じて定まる各計測地点での反射パルス指標を含む。

また、特許文献３には、点群データを解析して、一つの樹木について点群データの中の標高値の最も高い高位点と最も低い低位点の一方を樹木の始点とし、他方を樹木の終点とし、樹木の全点群を複数の単位サイズの箱により囲み分けし、樹木の始点と終点を結ぶ直線に対して最短距離にある各箱を選択し、選択した各箱を順につないだものを樹木の樹幹と判別する三次元測定対象物の形態調査方法が開示されている。

特開２０１２－９８２４７号公報 特開２０１５－１０９０６４号公報 特開２０１４－２３２１１１号公報

このように、特許文献１～３には、取得された森林の点群データに基づき、森林に関する情報を解析する技術が開示されている。しかし、これらの技術により得られる森林に関する情報は、森林に関する全ての情報のうちの一部であり、取得された森林の点群データに基づき、さらに新たな手法により様々な情報を得る高度な解析技術も求められている。よって、本発明は、新たな手法により、取得された森林の点群データに基づいて、樹木の本数や樹種、樹高、胸高直径、材積、幹形状、曲がり度、価格などの森林資源を解析する森林資源解析装置、森林資源解析方法および森林資源解析プログラムを提供する。

本発明の森林資源解析装置は、森林の縦、横、高さ方向の座標値を含む点群データに基づいて森林資源を評価する森林資源解析装置であり、点群データに基づいて、点群データフィルタリング手法により樹木が植生している地形を特定する地形特定手段と、特定された地形を、点群データに基づいて、不整三角形網を作成することにより平面化する地形平面化手段と、点群データのうち縦および横方向の座標値に基づいて、平面化された地形に植生するそれぞれの樹木の各頂点を、深層学習を用いて生成した物体検出モデルにより推定する頂点推定手段と、推定されたそれぞれの樹木の各頂点を起点として、セグメンテーション手法により点群データ内においてそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の点群データを作成する樹木切出手段と、作成された樹木毎の点群データに基づいて、深層学習を用いて生成した分類モデルにより樹種を推定する樹種推定手段と、推定された樹種に基づいて、樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する樹木評価手段とを含む。

また、本発明の森林資源解析方法は、森林の縦、横、高さ方向の座標値を含む点群データに基づいて、点群データのフィルタリング手法により樹木が植生している地形を特定する地形特定工程と、特定された地形を、点群データに基づいて、不整三角形網を作成することにより地形を平面化する地形平面化工程と、点群データのうち縦および横方向の座標値に基づいて、平面化された地形に植生するそれぞれの樹木の各頂点を深層学習を用いて生成した物体検出モデルにより推定する頂点推定工程と、推定されたそれぞれの樹木の各頂点を起点として、セグメンテーション手法により点群データ内においてそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の点群データを作成する樹木切出工程と、作成された樹木毎の点群データに基づいて、深層学習を用いて生成した分類モデルにより樹種を推定する樹種推定工程と、推定された樹種に基づいて、樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する樹木評価工程とを含む。

これらの発明によれば、森林の縦、横、高さ方向の座標値を含む点群データに含まれる樹木毎の点群データを抽出し、当該樹木毎の点群データに基づいて、樹種を推定し、樹種に応じた価格を推定することができる。

また、森林資源解析装置は、作成された樹木毎の点群データに基づいて、それぞれの樹木の樹高を推定する樹高推定手段を含み、樹木評価手段は、推定された樹高および樹種に基づいて、樹高および樹種に応じた価格が示された変換テーブルにより樹木の価格を推定することが望ましい。これにより、点群データから推定された樹高からも価格を推定することができる。

また、森林資源解析装置は、推定された樹高Ｈと、推定された樹種および前記点群データが取得された地域に応じて定義される定数パラメータａ，ｂに基づいて、以下の樹高曲線式（１）により樹木の胸高直径Ｄを推定する胸高直径推定手段と、当該推定された樹木の胸高直径Ｄを材積に変換する、前記点群データが取得された地域で定められる変換関数により樹木の材積を推定する材積推定手段とを含み、樹木評価手段は、推定された樹木の材積、胸高直径、樹高および樹種に基づいて、材積、胸高直径、樹高および樹種に応じた価格が示された変換テーブルにより樹木の価格を推定することが望ましい。

これにより、森林資源の評価対象として、点群データから推定された胸高直径に基づいて推定された材積を含めることができる。

また、森林資源解析装置は、作成された樹木毎の点群データのうち高さが一定の幅で区切られた樹木の幹部分において、当該区切られたそれぞれの高さの幅の幹の形状を最小二乗法により楕円で近似し、楕円で近似されたそれぞれの高さの幅の幹の形状から求められるそれぞれの高さの幅の直径に基づいて、最小二乗法により樹木の胸高直径を推定する胸高直径推定手段と、当該推定された樹木の胸高直径を材積に変換する、点群データが取得された地域で定められる変換関数により樹木の材積を推定する材積推定手段とを含み、樹木評価手段は、推定された樹木、樹高および樹種に基づいて、材積、樹高および樹種に応じた価格が示された変換テーブルにより樹木の価格を推定することが望ましい。最小二乗法を用いることで、胸高直径の推定精度を向上することができる。そして、森林資源の評価対象として、点群データから推定されたより精度の高い胸高直径に基づいて推定された材積を含めることができる。

また、胸高直径推定手段は、楕円で近似された樹木のそれぞれの高さの幅の幹の形状のうち、楕円の扁平率が０．５以下と近似された高さの幅の幹の形状に基づいて、樹木の胸高直径を推定することが望ましい。
さらに、胸高直径推定手段は、楕円で近似された樹木のそれぞれの高さの幅の幹の形状のうち、楕円の長径が全ての高さ幅のにおける直径の中央値の０．８倍以上、または楕円の短径が全ての高さ幅のにおける短径の中央値の１．２倍以下と近似された高さの幅の幹の形状に基づいて、樹木の胸高直径を推定することが望ましい。これらにより、楕円で近似された樹木の形状の中から外れ値を除外することができ、より胸高直径の推定精度を向上することができる。

また、森林資源解析装置は、近似された樹木のそれぞれの高さの幅の幹の形状を積み重ねて、樹木の幹全体の形状を推定する幹推定手段と、推定された樹木の幹全体の形状に基づいて、樹木の幹がどれだけ曲がっているかを示す曲がり度を推定する湾曲推定手段とを含み、樹木評価手段は、推定された樹木の曲がり度、材積、胸高直径、高さおよび種類に基づいて、樹木の曲がり度、材積、胸高直径、高さおよび種類に応じた価格が示された変換テーブルにより樹木の価格を推定することが望ましい。
さらに、曲がり度は、推定された樹木の幹全体の最高点の高さから、最低点の高さまで鉛直方向に測定された距離Ｘと、最高点における楕円で近似された幹の形状の中心位置から、最低点における楕円で近似された幹の形状の中心位置まで水平方向に測定された距離Ｙとに基づいて、曲がり度Ｃとして以下の式（２）により推定されることが望ましい。
Ｃ＝Ｙ／Ｘ ・・・（２）
これらにより、点群データから推定された胸高直径や曲がり度からも価格を推定することができる。

樹種推定手段は、作成された樹木毎の点群データにおいて、推定された樹木の樹高の最高点から２０％以内の範囲を占める点群データおよび当該２０％以内の範囲を占める点群データを多方向から画像化したデータに基づいて樹種を推定することが望ましい。これにより、様々な種類の樹木の特徴量を正確に抽出することができ、樹種の推定精度を向上することができる。

本発明によれば、新たな手法により、取得された森林の点群データに基づいて、樹木の本数や樹種、樹高、胸高直径、材積、幹形状、曲がり度、価格などの森林資源を解析することができる。

本発明の実施の形態に係る森林資源解析装置の概略構成図である。 本発明の実施の形態に係る森林資源解析方法のフローチャートである。 （Ａ）は森林の三次元点群データの斜視図、（Ｂ）は森林の三次元点群データの平面図である。 樹高、胸高直径、および樹冠幅を示す説明図である。 （Ａ）は地形特定された三次元点群データを示す説明図、（Ｂ）は地形平面化された三次元点群データを示す説明図である。 （Ａ）教師データの例を示す説明図である。（Ｂ）はＥＤＬ適用前の三次元点群データを示す説明図、（Ｃ）はＥＤＬ適用後の三次元点群データを示す説明図である。（Ｄ）は物体検出モデルによる推定結果の例を示す説明図である。 （Ａ）は、各頂点を起点としてボロノイ分割が行われるイメージ図であり、（Ｂ）はボロノイ分割により分割された三次元点群データの各樹木のイメージ図である。 切り出された樹木１本の三次元点群データを示す説明図である。 （Ａ）は教師データで用いる部分を説明する説明図、（Ｂ）は教師データで用いる樹冠画像の方向を説明する説明図である。 ある高さの三次元点群データを一つにまとめて、楕円で近似したデータを示す説明図である。 （Ａ）は楕円で近似される樹木の幹部分を示す説明図である。（Ｂ）は外れ値除去前のそれぞれの高さの胸高直径に基づく最小二乗法による胸高直径の推定結果であり、（Ｃ）は外れ値除去後のそれぞれの高さの胸高直径に基づく最小二乗法による胸高直径の推定結果である。 （Ａ）は楕円で近似された樹木のそれぞれの高さの幹の形状を垂直に積み重ねたイメージ図である。（Ｂ）は曲がり度の算出方法を示す説明図である。 （Ａ）は細り表の例、（Ｂ）は出来値（市況）表の例である。 実施例において推定された樹木の各種情報および価格を示す説明図である。

［森林資源解析装置］
図１は、本発明の実施の形態に係る森林資源解析装置の概略構成図である。森林資源解析装置１は、入出力手段１０１、地形特定手段１０２、地形平面化手段１０３、頂点推定手段１０４、本数推定手段１０５、樹木切出手段１０６、樹種推定手段１０７、樹高推定手段１０８、胸高直径推定手段１０９、材積推定手段１１０、幹推定手段１１１、湾曲推定手段１１２、樹木評価手段１１３、記憶手段１１４、表示手段１１５を含む。

入出力手段１０１は、三次元点群データの入力を受け付けたり、当該入力された三次元点群データに基づいて解析された結果を出力する。記憶手段１１４は、当該入力された三次元点群データや、森林資源解析装置１で解析途中のデータ、変換テーブル、その他必要な情報を記憶する。ここで、三次元点群データとは例えば、Ｘ（縦）座標，Ｙ（横）座標，Ｚ（高さ）座標の３つの座標値を持つ点の集合体で構成される三次元イメージ画像である。森林の三次元点群データの例を、図３（Ａ），（Ｂ）に示す。図３（Ａ）は森林の三次元点群データの斜視図である。一方、図３（Ｂ）は平面図である。

地形特定手段１０２は、入力された三次元点群データに基づいて、点群データフィルタリング手法により樹木が植生している地形を特定する。また、地形平面化手段１０３は、入力された三次元点群データに基づいて、不整三角形網を作成することにより地形を平面化する。

頂点推定手段１０４は、入力された三次元点群データのうち縦および横方向の座標値を含む森林の二次元データに基づいて、地形特定手段１０２および地形平面化手段１０３により特定および平面化された地形に植生するそれぞれの樹木の各頂点を深層学習を用いた物体検出手法により推定する。

本数推定手段１０５は、頂点推定手段１０４により推定された樹木の各頂点に基づいて、入力された三次元点群データに含まれる樹木の本数を推定する。また、樹木切出手段１０６は、頂点推定手段１０４により推定されたそれぞれの樹木の各頂点を起点として、セグメンテーション手法により前記森林の三次元点群データ内においてそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の三次元点群データを作成する。

樹種推定手段１０７は、樹木切出手段１０６により作成された樹木毎の三次元点群データに基づいて、深層学習を用いて生成した学習済みモデルにより樹木の種類（樹種）を推定する。

樹高推定手段１０８は、樹木切出手段１０６により作成された樹木毎の三次元点群データに基づいて、それぞれの樹木の高さを推定する。

胸高直径推定手段１０９は、樹高曲線式により樹木の胸高直径を推定する。また、胸高直径推定手段１０９は、樹木切出手段１０６により作成された樹木毎の三次元点群データのうち高さが一定の幅で区切られた樹木の幹部分において、当該区切られたそれぞれの高さの幅の幹の形状を楕円で近似し、楕円で近似されたそれぞれの高さの幅の幹の形状から求められるそれぞれの高さの幅の胸高直径に基づいて、最小二乗法により樹木の胸高直径を推定する。

材積推定手段１１０は、胸高直径推定手段１０９により推定された樹木の胸高直径に基づいて、樹木の材積を推定する。
なお、樹高とは、図４に示すように、樹木の根本から樹木のてっぺんまでの距離である。また、胸高直径とは、樹木の根本から約１．２ｍの高さにある樹木の幹の直径である（林野庁ＨＰより）。ヨーロッパや北海道は約１．３ｍなど、地域によって胸高直径の定義は異なる。そして、樹木の上部で葉が茂っている部分を樹冠といい、樹木の上部で葉が茂っている中で最大の横幅を樹冠幅という。

幹推定手段１１１は、胸高直径推定手段１０９により楕円で近似された樹木のそれぞれの高さの幅の幹の形状を積み重ねて、樹木の幹全体の形状を推定する。湾曲推定手段１１２は、幹推定手段１１１により推定された樹木の幹全体の形状に基づいて、樹木の幹がどれだけ曲がっているかを示す曲がり度を推定する。

樹木評価手段１１３は、樹種推定手段１０７により推定された樹種、樹高推定手段１０８により推定された樹高、胸高直径推定手段１０９により推定された胸高直径、材積推定手段１１０により推定された材積、湾曲推定手段１１２により推定された曲がり度などに基づいて、樹種、樹高、胸高直径、材積、曲がり度などに応じた価格が示された変換テーブルにより樹木の価格を推定することで森林資源を評価する。評価結果は、ディスプレイなどの表示手段１１５に表示されたり、報告書形式で作成されて出力される。

［実施例］
図２は、本発明の実施の形態に係る森林資源解析方法のフローチャートである。以下、各図面を参照しつつ、当該フローチャートに沿って森林の三次元点群データの解析方法を説明する。

［地形特定工程、地形平面化工程］
森林の三次元点群データが森林資源解析装置１に入力されると、当該三次元点群データに基づいて、点群データのフィルタリング手法により樹木が植生している地形を特定する（ステップＳ１０２）。点群データのフィルタリング手法とは例えば、ＣＳＦ（Ｃｌｏｔｈ Ｓｉｍｕｌａｔｉｏｎ Ｆｉｌｔｅｒｉｎｇ）である（参考文献「An Easy-to-Use Airborne LiDAR Data Filtering Method Based on Cloth Simulation」）。そして、三次元点群データに基づいて、不整三角形網を作成することにより地形を平面化する（ステップＳ１０３）。不整三角形網（Ｔｒｉａｎｇｕｌａｔｅｄ ｉｒｒｅｇｕｌａｒ ｎｅｔｗоｒｋ）とは、地表面を三角形の集合で表現するデジタルデータ構造である。図５（Ａ）は、森林の三次元点群データに対してＣＳＦにより地形特定したデータである。また、図５（Ｂ）は、さらにその後、不整三角形網を作成することにより地形を平面化したデータである。
これにより、隆起や沈降を含む地形であっても、各樹木の根本部分の高さが全て０に正規化される。

［頂点推定工程］
次に、三次元点群データうちＸ（縦）座標およびＹ（横）座標の座標値を含む森林の二次元データ（つまり、上空図）に基づいて、ステップ１０２，１０３で特定および平面化された地形に植生するそれぞれの樹木の各頂点を、深層学習を用いて生成した物体検出モデルにより推定する（ステップＳ１０４）。深層学習を用いた物体検出モデルとは例えば、ＹＯＬＯｖ３（参考文献「Redmon, Joseph, et al. "You only look once: Unified, real-time object detection."」）やＳＳＤ（参考文献「Wei Liu, et al. "SSD: Single Shot MultiBox Detector"」）などである。ＹＯＬＯｖ３の場合、樹冠の大きさ毎にラベル付けされた教師データを用意し、複数のクラスで学習させて学習済みモデルを生成する。

例えば図６（Ａ）は、「大きな樹木Ｃ１」と「小さな樹木Ｃ２」の２種類のクラスで分類された教師データを示す説明図である。ここで、当該森林の二次元データは、ＥＤＬ（Ｅｙｅ－Ｄｏｍｅ Ｌｉｇｈｔｉｎｇ）を適用することが望ましい。ＥＤＬ適用前（図６（Ｂ）参照）およびＥＤＬ適用後（図６（Ｃ）参照）からも分かるように、点群データの深度情報を可視化することができるためである。また、ＥＤＬを適用すると、オルソ画像と比べて樹木の葉の色や影の影響を受けない深層学習に適した均一な画像が得られるため、より頂点推定の精度を向上させることができる。

［本数推定工程］
頂点が推定された後、推定された頂点に基づいて、三次元点群データに含まれる樹木の本数を推定する（ステップＳ１０５）。図６（Ｄ）は、上空図において頂点Ｖが推定された後の説明図である。図６（Ｄ）に示すように、樹木と推定された部分がバウンディングボックス内に収められている。当該バウンディングボックスの数、つまり推定された頂点Ｖの数をカウントすることで、三次元点群データに含まれる樹木の本数が求められる。

［樹木切出工程］
三次元点群データに含まれる樹木の頂点（本数）が推定された後、推定されたそれぞれの樹木の各頂点を起点として、セグメンテーション手法により三次元点群データ内においてそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の三次元点群データを作成する（ステップＳ１０６）。セグメンテーション手法は例えば、ボロノイ分割である。ボロノイ分割とは、各母点（この場合は頂点Ｖ）に最も近くなる点を集合させて形成された領域分割図（ボロノイ図）により、各領域を分割する手法である。図７（Ａ）は、各頂点Ｖを起点としてボロノイ分割が行われるイメージ図である。図７（Ｂ）は、ボロノイ分割により分割（セグメンテーション）された三次元点群データの各樹木のイメージ図である。また、図８は、分割された樹木１本の三次元点群データを切り出したものである。このように、推定された頂点に基づいて、三次元点群データ内に含まれる樹木が１本ずつ切り出される。

［樹種推定工程］
１本ずつ切り出された三次元点群データが作成されると、当該三次元点群データに基づいて、深層学習を用いて生成した分類モデルにより樹種を１本ずつ推定する。分類モデルは例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）である。さらに具体的には、ＶＧＧ１６やＶＧＧ１９、ＲｅｓＮｅｔ５０などである。

ここで、学習する際の教師データや推定する際の対象データは、樹冠の上部２０％程度を占める部分であることが望ましい（図９（Ａ）参照）。三次元点群データの濃淡の差や、隣木の写り込みによる影響を抑えることができ、推定精度を向上させることができるためである。
また、当該データは、樹冠を多方面から画像化したデータであることが望ましい。具体的には、水平方向に４５°ずつ回転させた方向から見たもの（つまり、８方向から見たもの）であることが望ましい（図９（Ｂ）参照）。点群データは縦、横、高さ方向の座標値を含んでいるため、多方向から画像化したデータを取得することが可能である。そして、多方向から画像化したデータを学習や推論に用いることで、様々な種類の樹木の特徴量を正確に抽出することができ、推定精度を向上させることができる。

［樹高推定工程］
また、１本ずつ切り出された三次元点群データに基づいて、それぞれの樹木の高さ（樹高）を推定する（ステップＳ１０８）。三次元点群データは、地形の特定・平面化により各樹木の根本部分の高さが全て０に正規化されているため、推定された樹木の頂点の座標値から樹木の樹高が容易に求められる。

［胸高直径推定工程Ａ］
また、１本ずつ切り出された三次元点群データに基づいて、それぞれの樹木の胸高直径を推定する（ステップＳ１０９Ａ，Ｓ１０９Ｂ）。ステップＳ１０９Ａの胸高直径推定工程Ａにおいては、以下の樹高曲線式（１）により樹木の胸高直径Ｄを推定する。

ここで、Ｈは推定された樹木の高さである。また、ａ，ｂは推定された樹種および点群データが取得された地域（つまり、樹木の植生地域）に応じて定義される定数パラメータである。

［胸高直径推定工程Ｂ］
一方、ステップＳ１０９Ｂの胸高直径推定工程Ｂにおいては、樹木毎の三次元点群データのうち高さが一定の幅で区切られた樹木の幹部分において、当該区切られたそれぞれの高さの幹の幅の形状を楕円で最小二乗法により近似し、楕円で近似されたそれぞれの高さの幅の幹の形状から求められるそれぞれの高さの幅の胸高直径に基づいて、最小二乗法により樹木の胸高直径を推定する。図１０は、ある高さの幅（１０ｃｍ）にある複数（例えば、図１０においては８６個）の三次元点群データを一つにまとめて、楕円で近似したものである。真円ではなく楕円で近似することで、一般的に楕円に近いスギやヒノキなど樹木の幹の形状を、より正確に（真円よりも精度よく）近似することができる。

ここで、それぞれの樹木の高さの幅における幹の形状を楕円で近似した後、楕円以外で近似された高さの幅の胸高直径は除外することが望ましい。当該高さの幅の部分は樹木の葉や枝を含んでいるために、楕円で近似されなかった可能性が高いためである。つまり、いわゆる外れ値を含んでいる可能性が高いためである。
具体的には、近似された楕円の扁平率が０．５を超えるものや、近似された楕円の長径が全ての高さにおける直径の中央値の０．８倍未満、または楕円の短径が全ての高さにおける短径の中央値の１．２倍を超えるものについては除外することが望ましい。

図１１（Ａ）は、楕円で近似される樹木の幹部分を示す説明図である。図１１（Ａ）に示すように、当該近似は、樹木の幹部分の６ｍ～１７．５ｍの高さにおいて行うことが望ましい。三次元点群データに胸高付近まで生い茂った雑草Ｂのデータまで含まれているため、推定時に外れ値が混じることを防ぐためである。
また、楕円近似の際に樹木の幹部分は、１ｃｍ～１００ｃｍの幅で区切られることが望ましく、本実施の形態においては５０ｃｍの高さ毎に区切っている。樹木の幹部分の高さを一定の幅で区切り、当該区切られた高さの幅に含まれる三次元点群データを用いて楕円近似を行うことで、十分なデータ量を確保することができ、近似精度を向上させることができる。
図１１（Ｂ）は外れ値除去前、図１１（Ｃ）は外れ値除去後のそれぞれの高さの幅の胸高直径に基づく、最小二乗法による胸高直径の推定結果である。このように外れ値を除外することで、胸高直径の推定精度が向上していることが分かる。

［材積推定工程］
胸高直径推定工程Ａまたは胸高直径推定工程Ｂにおいて推定された胸高直径と、各地域により定義される胸高直径から単材積を算出する変換関数（計算式）により、樹木の材積を推定する（ステップＳ１１０）。変換関数とは例えば、森林総合研究所が提供する幹材積計算プログラムであり、地域や樹種、胸高直径や樹高から幹材積を計算することができる。

［幹推定工程］
また、胸高直径推定工程Ｂにおいて幹の形状が楕円で近似された後、当該近似されたそれぞれの高さの幅の幹の形状に基づいて、樹木の幹全体の形状を推定する（ステップＳ１１１）。図１２（Ａ）は、三次元点群データに基づいて、楕円で近似された樹木のそれぞれの高さの幅の幹の形状を、当該高さの幅の平均の形状として垂直に積み重ねたイメージ図である。図１２（Ａ）に示すように幹の形状が形成され、凹凸があることや、左側に傾いていることが目視でも確認できる。

［湾曲推定工程］
樹木の幹全体の形状が推定された後、樹木の幹がどれだけ曲がっているかを示す曲がり度を推定する（ステップＳ１１２）。曲がり度は、幹推定工程において推定された樹木の幹全体の最高点の高さから、最低点の高さまで鉛直方向に測定された距離Ｘと、最高点における楕円で近似された幹の形状の中心位置から、最低点における楕円で近似された幹の形状の中心位置まで水平方向に測定された距離Ｙとに基づいて、曲がり度Ｃとして以下の式（２）により推定される。
Ｃ＝Ｙ／Ｘ ・・・（２）
例えば、距離Ｘが１．８ｍ、距離Ｙが１８．９８ｃｍである場合、曲がり度Ｃは１０．５４となる（図１２（Ｂ）参照）。この曲がり度Ｃが１．０以内であれば、比較的まっすぐな樹木であると判断できる。

［樹木評価工程］
最後に、前述した工程により推定された樹種、樹高、胸高直径、曲がり度や材積などにより、三次元点群データに含まれるそれぞれの樹木の評価を行う（ステップＳ１１３）。具体的には、樹種、樹高、胸高直径や曲がり度に応じた価格が示された変換テーブルにより、樹木の価格を推定する。樹種、樹高、胸高直径や曲がり度に応じた価格が示された変換テーブルは例えば、細り表（図１３（Ａ）参照）や原木市場の実績に基づく出来値（市況）表（図１３（Ｂ）参照）などに示されるように、樹種や樹高などの情報に基づいて価格を算出する算出式を含むテーブルである。

以上のように、森林の三次元点群データに含まれる樹木の各種情報が推定され、当該各種情報に基づいて価格が推定されることで森林資源が評価される（図１４参照）。以上のように説明した本発明の実施の形態は一例（代表例）であり、本発明はその要旨を変更しない限り、適宜変更が可能である。例えば、森林資源の評価は、スギが６０％、ヒノキが４０％を占めている、曲がり度が１．０以下の樹木が８０％を占めているなど、推定された各種情報を評価値として含んで出力してもよい。また、三次元点群データに含まれる全ての樹木を１つの森林資源として森林資源全体を評価してもよく、樹木１本毎に評価してもよく、樹種毎に評価してもよい。

本発明は、取得された森林の三次元データに基づいて、樹木の本数や樹種、樹高、胸高直径、材積、幹形状、曲がり度、価格など様々な情報を得て森林資源を解析する森林資源解析装置、森林資源解析方法および森林資源解析プログラムとして有用であり、特に、新しい手法により分析精度の向上や分析内容の充実が図られたものであるため、産業上有用である。

１ 森林資源解析装置
１０１ 入出力手段
１０２ 地形特定手段
１０３ 地形平面化手段
１０４ 頂点推定手段
１０５ 本数推定手段
１０６ 樹木切出手段
１０７ 樹種推定手段
１０８ 樹高推定手段
１０９ 胸高直径推定手段
１１０ 材積推定手段
１１１ 幹推定手段
１１２ 湾曲推定手段
１１３ 樹木評価手段
１１４ 記憶手段
１１５ 表示手段
Ｃ１ 大きな樹木クラス
Ｃ２ 小さな樹木クラス
Ｖ 推定された頂点
Ｂ 雑草

Claims (11)

1. 森林の縦、横、高さ方向の座標値を含む点群データに基づいて森林資源を評価する森林資源解析装置であり、
   前記点群データに基づいて、点群データフィルタリング手法により樹木が植生している地形を特定する地形特定手段と、
   前記特定された地形を、前記点群データに基づいて、不整三角形網を作成することにより平面化する地形平面化手段と、
   前記点群データのうち縦および横方向の座標値に基づいて、前記平面化された地形に植生するそれぞれの樹木の各頂点を、深層学習を用いて生成した物体検出モデルにより推定する頂点推定手段と、
   前記推定されたそれぞれの樹木の各頂点を起点として、セグメンテーション手法により前記点群データ内においてそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の点群データを作成する樹木切出手段と、
   前記作成された樹木毎の点群データに基づいて、深層学習を用いて生成した分類モデルにより樹種を推定する樹種推定手段と、
   前記推定された樹種に基づいて、樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する樹木評価手段と、
   を含む森林資源解析装置。
2. 前記作成された樹木毎の点群データに基づいて、それぞれの樹木の樹高を推定する樹高推定手段を含み、
   前記樹木評価手段は、前記推定された樹高および樹種に基づいて、樹高および樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する請求項１に記載の森林資源解析装置。
3. 前記推定された樹高Ｈと、前記推定された樹種および前記点群データが取得された地域に応じて定義される定数パラメータａ，ｂに基づいて、以下の樹高曲線式（１）により樹木の胸高直径Ｄを推定する胸高直径推定手段と、
   当該推定された樹木の胸高直径Ｄを材積に変換する、前記点群データが取得された地域で定められる変換関数により樹木の材積を推定する材積推定手段とを含み、
   前記樹木評価手段は、前記推定された樹木の材積、樹高および樹種に基づいて、材積、樹高および樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する請求項２に記載の森林資源解析装置。
   

   
4. 前記作成された樹木毎の点群データのうち高さが一定の幅で区切られた樹木の幹部分において、当該区切られたそれぞれの高さの幅の幹の形状を最小二乗法により楕円で近似し、前記楕円で近似されたそれぞれの高さの幅の幹の形状から求められるそれぞれの高さの幅の直径に基づいて、最小二乗法により樹木の胸高直径を推定する胸高直径推定手段と、
   当該推定された樹木の胸高直径を材積に変換する、前記点群データが取得された地域で定められる変換関数により樹木の材積を推定する材積推定手段とを含み、
   前記樹木評価手段は、前記推定された樹木の材積、胸高直径、樹高および樹種に基づいて、材積、胸高直径、樹高および樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する請求項２に記載の森林資源解析装置。
5. 前記胸高直径推定手段は、前記楕円で近似された樹木のそれぞれの高さの幅の幹の形状のうち、前記楕円の扁平率が０．５以下と近似された高さの幅の幹の形状に基づいて、樹木の胸高直径を推定する請求項４に記載の森林資源解析装置。
6. 前記胸高直径推定手段は、前記楕円で近似された樹木のそれぞれの高さの幅の幹の形状のうち、前記楕円の長径が全ての高さの幅における直径の中央値の０．８倍以上、または前記楕円の短径が全ての高さの幅における短径の中央値の１．２倍以下と近似された高さの幅の幹の形状に基づいて、樹木の胸高直径を推定する請求項４または５に記載の森林資源解析装置。
7. 前記近似された樹木のそれぞれの高さの幅の幹の形状を積み重ねて、樹木の幹全体の形状を推定する幹推定手段と、
   前記推定された樹木の幹全体の形状に基づいて、樹木の幹がどれだけ曲がっているかを示す曲がり度を推定する湾曲推定手段とを含み、
   前記樹木評価手段は、前記推定された樹木の曲がり度、材積、胸高直径、樹高および樹種に基づいて、樹木の曲がり度、材積、胸高直径、樹高および樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する請求項４～６のいずれか１項に記載の森林資源解析装置。
8. 前記曲がり度は、前記推定された樹木の幹全体の最高点の高さから、最低点の高さまで鉛直方向に測定された距離Ｘと、前記最高点における楕円で近似された幹の形状の中心位置から、前記最低点における楕円で近似された幹の形状の中心位置まで水平方向に測定された距離Ｙとに基づいて、曲がり度Ｃとして以下の式（２）により推定される請求項７に記載の森林資源解析装置。
   Ｃ＝Ｙ／Ｘ ・・・（２）
9. 前記樹種推定手段は、前記作成された樹木毎の点群データにおいて、前記推定された樹木の樹高の最高点から２０％以内の範囲を占める点群データおよび当該２０％以内の範囲を占める点群データを多方向から画像化したデータに基づいて樹種を推定する請求項１～８のいずれか１項に記載の森林資源解析装置。
10. 森林の縦、横、高さ方向の座標値を含む点群データに基づいて、点群データのフィルタリング手法により樹木が植生している地形を特定する地形特定工程と、
    前記特定された地形を、前記点群データに基づいて、不整三角形網を作成することにより地形を平面化する地形平面化工程と、
    前記点群データのうち縦および横方向の座標値に基づいて、前記平面化された地形に植生するそれぞれの樹木の各頂点を深層学習を用いて生成した物体検出モデルにより推定する頂点推定工程と、
    前記推定されたそれぞれの樹木の各頂点を起点として、セグメンテーション手法により前記点群データ内においてそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の点群データを作成する樹木切出工程と、
    前記作成された樹木毎の点群データに基づいて、深層学習を用いて生成した分類モデルにより樹種を推定する樹種推定工程と、
    前記推定された樹種に基づいて、樹種に応じた価格が示された変換テーブルにより樹木の価格を推定する樹木評価工程と、
    を含む森林資源解析方法。
11. 森林の縦、横、高さ方向の座標値を含む、点群データのフィルタリング手法により樹木が植生している地形を特定する地形特定手段と、
    前記点群データに基づいて、不整三角形網を作成することにより地形を平面化する地形平面化手段と、
    前記点群データのうち縦および横方向の座標値に基づいて、前記平面化された地形に植生するそれぞれの樹木の各頂点を、深層学習を用いて生成した物体検出モデルにより推定する頂点推定手段と、
    前記推定されたそれぞれの樹木の各頂点を起点として、セグメンテーション手法により前記点群データ内においてそれぞれの樹木が占めるデータ範囲を切り出して樹木毎の点群データを作成する樹木切出手段と、
    前記作成された樹木毎の点群データに基づいて、深層学習を用いて生成した分類モデルにより樹種を推定する樹種推定手段と、
    前記推定された樹種に基づいて、樹種に応じた価格が示された変換テーブルにより樹木の価格を推定することで森林資源を評価する樹木評価手段
    としてコンピュータを機能させる森林資源解析プログラム。

Images