JP4219819B2 - リモートセンシング高解像度データによる森林・樹木のバイオマス推定方法 - Google Patents

Description

技 術 分 野
本発明はリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法に関し、詳しくは稚樹や若齢木のため樹冠が閉塞していない場合や、成熟木となっても樹冠が閉塞しないような場合における森林・樹木のバイオマスを推定するのに好適なリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法に関するものである。
背 景 技 術
地球温暖化による各種の弊害が全世界的な規模で問題視されている。一方、森林・樹木による炭酸ガスの同化作用によって、地球温暖化の防止効果も言われている。
そこで、森林・樹木による炭酸ガス同化作用の算定の基礎となるバイオマスを増加させるために、植林事業の必要性が叫ばれ、植林事業が盛んに行なわれている。同時に、森林・樹木によるバイオマスの推定が行なわれているが、森林・樹木におけるバイオマスは、森林・樹木の種類、樹冠サイズ（面積、長径、短径）およびその分光特性によって左右される。
発明が解決しようとする課題
そこで、森林・樹木の樹種や、樹冠サイズ（面積、長径、短径）および分光特性を測定するために、衛星写真や航空写真を利用するリモートセンシングが実施されている。
森林分野において、これまでに実施されてきたランドサット衛星データ解析は、画素単位の解析、すなわち、ＲＡＮＤＳＡＴ／ＴＭの場合では、例えば、３０ｍ四方を一つのまとまりとして解析してきた。この方法によって、広領域における概要的な調査には十分な精度が得られ、また、樹冠が閉塞し、樹種が限られた森林では、自然林でも高い精度で解析が可能であることが分かり、生態学においてリモートセンシングの手法の有用性は、確立されている。
一方、全ての森林・樹木がこの方法で同様の調査が行なえるとは限らない。それは、森林・樹木の樹冠が、その森林・樹木のタイプによって閉塞する場合と、そうでない場合とがあるためである。
すなわち、図７（ａ）に示すように、一般に、樹木は、実生の段階から、稚樹→若齢木→成熟木のように、成長していき、これに伴って、図７（ｂ）に示すように、樹冠サイズ（面積、長径、短径）、樹冠厚さとＬＡＩ（Ｌｅａｆ Ａｒｅａ Ｉｎｄｅｘ＝葉面積指数）も次第に大きくなっていき、図７（ｃ）に示すように、樹冠率もＡ→Ｂ→Ｃ→Ｄ（＝Ｃ）のように次第に大きくなっていく。なお、図７（ｃ）において、Ｐは画素、Ｊは樹冠、Ｅは土壌その他の樹冠以外の部分である。
したがって、成熟木となって、図７（ｃ）のＣやＤのように、樹冠が閉塞した森林・樹木では、従来のリモートセンシングによる方法を採用することができるが、図７（ｃ）のＡの実生段階からＢの若齢木段階の間は、樹冠Ｊが小さくて閉塞していないので、樹冠Ｊと樹冠Ｊとの間に存在する土壌その他の樹冠以外の部分Ｅ、すなわち、地面や道、他の樹種の樹木、草木などとの区別が付き難く、植林された特定樹木以外の樹種の樹木や、地面や道、草木などがノイズとなるため、精度の高い特定樹種の樹冠サイズ（面積、長径、短径）およびその分光特性の測定ができなかった。
また、樹種によっては、成熟木であっても、樹冠が閉塞されないものもある。例えば、オーストラリアのユーカリ植林の場合には、成熟木となっても樹冠が閉塞しないことが多く、特に、マリーユーカリでは、植樹林間に麦などの農作物が栽培されることが多い。
このような森林・樹木の場合は、これまで行なわれていた画素単位の方法では、植林樹木と地面や道，下草や他の栽培植物などが入り混じった値を解析することになり、植樹された特定の樹種についての精度の高い樹冠面積や分光特性の測定、したがって、高精度のバイオマスの推定ができなかった。
しかも、一度合成された情報を後から分離することはほとんど不可能であるため、データ取得の段階から手法を工夫する必要に迫られていた。
したがって、本発明は、植林後、比較的経過年数が短い稚樹や若齢木のために樹冠が閉塞されていない場合や、成熟木であっても樹冠が閉塞しないような樹種の場合においても、樹冠のサイズ（面積、長径、短径）やその分光特性を高精度で測定することが可能で、これらの結果から高精度でバイオマスを推定できるリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法を提供することを目的とするものである。
発 明 の 開 示
本発明の請求項１に記載されたリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法は、上記課題を解決するために、高所から森林・樹木の写真を撮像し、その写真に基づいて所定面積内の特定樹木の樹冠部分以外をマスキングして、前記所定面積内に占める樹冠サイズおよび分光特性から特定樹木のバイオマスを推定することを特徴とするものである。
ここで、上記の「高解像度データ」の用語は、高解像度衛星による高解像度写真や、航空機や無線ヘリコプター等による超高解像度写真の解析によって得られるデータを総称するものである。
また、上記の「樹冠サイズ」の用語は、樹冠部分の面積、長径、短径を含むものであり、以下、樹冠サイズ（面積、長径、短径）と表記する。ただし、面積、長径および短径の全てを必ずしも含む必要はなく、面積のみでもよいが、長径や短径をも測定することによって、より高精度のバイオマスを推定することが可能になる。
さらに、上記の「所定面積内の特定樹木の樹冠部分以外をマスキングして」の用語の意味するところは、所定面積内（写真上ではある画像内）の植林した特定樹木以外の部分、すなわち、特定樹種以外の樹木、地面や道、草木や農作物などを画像データとして消去することを言い、コンピュータに取り込んだ写真データ上で、特定の樹種の樹冠部分を樹冠の縁に沿って切り出して、それ以外の部分をコンピュータ上でデータを消去することを言う。
この樹冠部分以外の部分をコンピュータ上で消去する作業は、作業者が実際に撮影した写真を見ながら、モニタ上の写真画像における特定樹種の樹冠を切り出して、それ以外の部分を消去してもよいし、予め、特定の樹種に応じた分光特性などを把握しておいて、それ以外の分光特性部分を、コンピュータ処理によって、自動的に消去するようにしてもよい。
前者の場合、マスキング作業に比較的長時間を要するが、実際に撮影した写真で特定樹種を確認しながら切り出しができるので、高い精度で特定樹種の樹冠の切り出しができるという利点がある。一方、後者の場合は、特定樹種の切り出しの精度は必ずしも高くはないが、切り出し作業が短時間で行なえるという利点がある。したがって、この推定方法の採用時にあっては、前者の作業者による高精度の切り出しを行い、ある程度切り出しデータが蓄積されて特定樹種の諸データが得られてからは、その蓄積データに基づいて、コンピュータによる自動処理を行なうようにすれば、比較的短時間で、高精度の切り出しが行なえるようになる。
以上のような、森林・樹木のバイオマス推定方法によれば、樹冠が閉塞していない場合、すなわち、現地における特定面積内、換言すれば、写真上の画像内に、植林した特定樹種の樹木の他に、地面や道、草木や農作物が存在する場合は元より、特定樹種以外の異種の樹木が存在する場合であっても、特定樹種の樹木における樹冠サイズ（面積、長径、短径）を高精度で測定することができ、その樹冠の分光特性の測定と相俟って、特定の樹種のバイオマスを高精度で推定できるようになる。
したがって、例えば、投資家が植林の投資を行い、その森林・樹木の管理を委託するような場合は、管理者が、植林後の経過年にしたがって毎年、または所定経過年ごとに、樹冠サイズ（面積、長径、短径）の変化および／または樹冠の分光特性の変化から、その区域におけるバイオマスの増加の度合いや年間バイオマス蓄積量を推定して、投資家に結果データを報告することができる。投資家は、その報告データによって、自己の植樹による地球温暖化防止効果や、伐採時期の予想および伐採時における材木の予想売却価格などの投資効果を確認することができる。
また、成熟しても樹冠が閉塞しないようなユーカリ林のような樹種地域においても、上記と同様に、高精度の樹冠サイズ（面積、長径、短径）の測定および／または分光特性の測定による、高精度のバイオマスや年間バイオマス蓄積量の推定を行うことができる。
本発明の請求項２に記載されたリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法は、前記写真が、特定の波長帯域による撮像写真であることを特徴とするものである。
このような森林・樹木のバイオマス推定方法によると、特定の樹種の分光特性に基づいて、その分光特性に一致ないし近似する樹種の樹木を強調した写真撮影が可能になり、特定樹種の樹冠部分だけを残して、他の分光特性部分を不鮮明化したり、容易にマスキングしたりすることができ、マスキング精度が向上するのみならず、マスキング作業が迅速、かつ、低コストで実施できる。
本発明の請求項３に記載されたリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法は、前記写真が、１画素内に複数の樹冠が含まれていることを特徴とするものである。
このような森林・樹木のバイオマス推定方法によると、樹冠と樹冠との間に間隔があり樹冠が閉塞していない状態であっても、分光特性の測定をすることができ、その結果と適切な推定式の利用により、バイオマスや年間バイオマス蓄積量を高精度で推定することができる。
本発明の請求項４に記載されたリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法は、前記写真が超高解像度写真であり、一つの樹冠が複数の画素にまたがっていることを特徴とするものである。
このような森林・樹木のバイオマス推定方法によると、一つの樹冠が複数の画素にまたがっていることによって、樹冠が閉塞している画素の数が多くなればなるほど、樹冠サイズ（面積、長径、短径）の測定精度を向上させることができ、バイオマスや年間バイオマス蓄積量高精度で推定することができる。ただし、画素数が多くなればなるほどデータ数が増加し、それに伴って画像処理工数が大きくなるので、樹冠サイズ（面積、長径、短径）に応じて、画素薮を適宜設定すればよい。
発明の実施をするための最良の形態
以下、本発明のリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法に係る実施の形態について、図面を参照して説明する。
図１は、本発明の第１の実施形態に係るリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法１０に係る全体の概略フロー図である。図１において、まず、ランドサット衛星や高解像度衛星（ＩＫＯＮＯＳ）、または航空機や無線ヘリコプター等による高所から森林・樹木の高所写真を撮影する（１１）。ランドサット衛星の場合は、例えば、１辺が３０ｍ四方の解像度の写真が撮影できる。また、高解像度衛星（ＩＫＯＮＯＳ）の場合は、１辺が４ｍ程度の高解像度の写真が撮影できる。さらに、航空機や無線ヘリコプターの場合は１辺が数ｃｍ〜２０ｃｍ程度の超高解像度の写真が撮影できる。
この写真撮影において、スキャナー型光学センサー等の観測装置を用いるか、特定の波長帯域に感光するフィルムを用いて撮影を行なうと、植林に係る特定の樹種以外の樹木や、地面や道、草木や農作物などを、その分光特性によりコンピュータ処理によって取り除くことができ、後のマスキング工程において、特定の樹種における樹冠の切り出し作業が容易に行なえる。
なお、この写真撮影は、長波長が多い朝方や夕方を避けて、例えば、午前１０時から午後２時までの間に行なうことが望ましい。そのようにすれば、波長の偏りが少ない光線下で樹種に応じた樹像が明確になって、後の切り出し作業が容易、かつ、高精度で行なえる。また、朝日や夕日が斜めに射し込むことに起因して、樹冠に影が生じることがないので、後の切り出し作業が高精度で行なえる利点がある。
次に、上記の高所写真をコンピュータに取り込み（１２）、モニタ上に映し出す。このとき、撮影した写真がデジタル写真であれば、そのままコンピュータに取り込むことができる。また、フィルムによるアナログ写真であれば、スキャナなどを利用してデジタル化した上でコンピュータに取り込む。
次に、モニタ上に映し出された高所写真を元に、特定の樹種以外の部分、すなわち、特定樹種以外の樹木や、地面や道、草木や農作物などをマスキングする（１３）。この切り出し作業は、前述のように、このバイオマス推定方法の採用時や採用後間もない時は、ベテラン作業者によって実際に撮影した写真を見ながら実施することが望ましい。また、ある程度データが蓄積された後は、その蓄積データに基づいて、コンピュータによる自動処理をすることが望ましい。
次に、マスキングによって得られた特定の樹種の樹冠サイズ（面積、長径、短径）を測定する（１４）。なお、樹冠サイズの測定では、樹冠の面積のみを測定してもよいが、樹冠の長径や短径も測定することによって、より高精度の解析を行うことができる。
次に、上記のようにして切り出された特定の樹種における樹冠の分光特性を測定する（１５）。この分光特性の測定は、例えば、Ｒ，Ｇ，ＢやＩＲごとに行う。この分光特性に基づいて、周知のＮＶＤＩ（Ｎｏｒｍａｌｉｚｅｄ Ｄｉｆｆｅｒｅｎｃｅ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ）などの植生指数を算出する。このＮＶＤＩは、森林樹木における活力度の評価指数の一つで、「正規化差植生指数」と呼ばれ、基準データおよびリモートセンシングデータが、赤外域（Ｒ）および近赤外域（ＮＩＲ）の２バンドの分光特性データに基づいて、ＮＩＲとＲとの比である初期の植生指数ＲＶＩ（＝ＮＩＲ／Ｒ）を正規化したもので、ＮＤＶＩ＝（ＮＩＲ−Ｒ）／（ＮＩＲ＋Ｒ）で算出されるものである。
なお、樹木の活力度の評価指数は、上記のＮＤＶＩの他に、前述のＲＶＩや、上記のＮＤＶＩにおける土壌の影響を軽減した植生指数である、ＰＶＩ（Ｐｅｒｐｅｎｄｉｃｕｌａｒ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ）＝（ＮＩＲ−α×Ｒ−β）／（１＋α^２）^１／２を使用することができる。ただし、αおよびβはソイルラインの傾きおよび切片である。
また、土壌背景を軽減したＳＡＶＩを基に改良した指数である、ＭＳＡＶＩ（Ｍｏｄｉｆｉｅｄ Ｓｏｉｌ−Ａｄｊｕｓｔｅｄ Ｖｅｇｅｔａｔｉｏｎ Ｉｎｄｅｘ）＝（１＋Ｌ）×（ＮＩＲ−Ｒ）／（ＮＩＲ＋Ｒ＋Ｌ）で算出される植生指数を使用することができる。ただし、Ｌ＝１−２α×ＮＤＶＩ×（ＮＩＲ−α×Ｒ）である。
さらにまた、土壌背景および大気高価の影響を軽減する指数である、ＧＥＭＩ（Ｇｌｏｂａｌ Ｅｎｖｉｒｏｎｍｅｎｔ Ｍｏｎｉｔｏｒｉｎｇ Ｉｎｄｅｘ）＝η（１−０．２５η）−（Ｒ−０．１２５）／（１−Ｒ）で算出される植生指数を使用することができる。ただし、η＝［２（ＮＩＲ^２−Ｒ^２）＋１．５ＮＩＲ＋０．５Ｒ］／（ＮＩＲ＋Ｒ＋０．５）である。
次に、上記の樹冠サイズ（面積、長径、短径）および分光特性（植生指数）の測定結果から、その特定樹種のバイオマスを算出する（１６）。この「バイオマス」とは、樹幹，枝および葉の乾燥重量をいい、樹冠サイズ（面積、長径、短径）が大きくなればなるほど大きくなり、成熟木になるほど大きくなる。
次に、上記のバイオマスに基づいて、特定樹種の年間バイオマス蓄積量を算出する（１７）。これは、異なる年に測定されたバイオマスの差を取り、両者の期間で割ったものである。
次に、上記の算出結果を、プリントアウトする（１８）。このプリントアウトした結果に基づいて、森林・樹木のバイオマスや年間バイオマス蓄積量を把握して、今後の植林管理に利用したり、伐採計画の参考にしたり、投資家へ情報提供したりする。
図２は、本発明によるリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法における各工程の概略図を示している。すなわち、図２（ａ）は航空機２０などによる樹木２１の高解像度カラー赤外線写真（例えば、縮尺１／７，０００）の撮影時の状況を示す。（ｂ）は撮影写真のコンピュータへの取り込みを示し、図示例はフィルム撮影によるアナログ写真２２を、スキャナ２３によって読み取ってデジタル化（例えば、１，２００ｄｐｉ）した上で、コンピュータ２４に取り込む場合を示している。（ｃ）は幾何補正等解析前処理工程で、観測時における航空機等の姿勢の傾きによって生じる画像の歪みを補正するものである。（ｄ）は樹冠情報の取り出しで、例えば、コンピュータ上で特定樹木の樹冠２５以外の部分２６を黒化することによって、特定樹木の樹冠２５のみが画像として残る。この樹冠情報に基づいて、樹冠部分のサイズ（面積、長径、短径）およびその分光特性を測定する。（ｅ）は上記のようにして得られた樹冠情報と、現地データに基づくモデル式作成工程で、横軸に植生指数等を取り、縦軸にバイオマスを取る。これらの処理が終わると、（ｆ）に示すように、解析結果が出力され、面積当りのバイオマスや年間バイオマス蓄積量が分かる。
図３は樹冠の大きさによる樹冠率の違いを示し、図３（ａ）は画素３０内を樹冠２５が閉塞している成熟林の状態を示し、このような場合は、従来方法でもその分光特性の測定が可能である。図３（ｂ）は植林後の経過年が短くて稚樹や若齢木のため、あるいは成熟木であっても樹冠が閉塞しない植樹林のため、画素３０内を樹冠２５が閉塞しておらず、地面や草木などの部分２６が含まれている状態を示し、低解像度のデータでは樹冠部分のサイズ（面積、長径、短径）およびその分光特性の測定が不可能であったが、本発明による超高解像度データの利用｛図３（ｃ）｝によって地面や草木などの影響を受けることなく、樹冠部分のサイズ（面積、長径、短径）およびその分光特性を高精度で測定することが可能である。
実 施 例
上記のリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法におけるバイオマス推定精度を、実際に現地における地上毎木調査および空撮画像に基づく解析処理を行って検証した結果を、以下に説明する。
事例１ 解像度２．５ｃｍでの解析［超高解像度データ］
１．調査対象地域
沖縄県西表島浦内川河口域のマングローブ（ヤエヤマヒルギ）林
２．調査方法
２．１現地調査
（１）方形区（５０ｍ×５０ｍ）の設置
（２）毎木調査（ＤＢＨ＝胸高直径、樹高、樹冠の長径および短径、樹冠厚さ）
（３）測量（個々の樹木の方形区内での座標情報を得る）
（４）空撮（小型無線ヘリを利用したカラー赤外フィルム撮影）
２．２データ解析
（１）地上調査結果の集約
（２）空撮写真の画像処理と解析
（３）バイオマス推定精度の検証
バイオマス推定式の作成
現地調査におけるバイオマス測定値と、空撮画像に基づく樹冠情報から、バイオマス推定式を作成した。ここで、「現地調査におけるバイオマス測定値」とは、現地で全対象樹木のＤＢＨ（胸高直径）を測定した後、この値から個々に相対成長式を利用してバイオマスを計算した値をいう。
樹木サンプル数ｎ：７２本
推定式作成用樹木におけるバイオマスの合計：７９９．６ｋｇ
図４（ａ）〜（ｄ）は、現地調査による毎木調査の結果とバイオマスとの関係を示す。図４（ａ）は樹高とバイオマスとの関係を示す特性図である。図４（ｂ）は樹冠厚さとバイオマスとの関係を示す特性図である。図４（ｃ）は平均樹冠径とバイオマスとの関係を示す特性図であり、平均樹冠径は、図４（ａ）の樹高や図４（ｂ）の樹冠厚さよりもバイオマスと高い相関を有することが分かる。図４（ｄ）は樹冠面積とバイオマスとの関係を示す特性図であり、同様に高い相関を有することが分かる。
空撮画像に基づく解析の結果
図５（ａ）（ｂ）は毎木調査において相関が高かった平均樹冠径と樹冠面積に着目して、同一の方形域における空撮画像に基づく解析結果を示す。図５（ａ）は平均樹冠径とバイオマスとの関係を示す特性図であり、前述の毎木調査による、図４（ｃ）の平均樹冠径とバイオマスとの特性図と良く一致している。また、図５（ｂ）は樹冠面積とバイオマスとの関係を示す特性図であり、やはり、図４（ｄ）に示す樹冠面積とバイオマスとの特性図と良く一致している。そこで、バイオマスとの相関が高い平均樹冠径および樹冠面積から、バイオマスを求める式を作成した。
バイオマス推定式の精度の検証
次に、現地調査によるバイオマス測定値と、上記推定式により得られたバイオマスとを比較して、バイオマス推定式の精度を検証した。なお、検証は、推定式作成で利用した樹木とは異なる樹木を用いて実施した。
樹木サンプル数ｎ：７２本
検証用樹木におけるバイオマスの合計：１，０６１．９ｋｇ
平均樹冠径を利用したバイオマスの推定結果と現地調査による実測値との差の分布は、図５（ｃ）に示すように、誤差の小さい部分に集中しており、高い相関を示している。
また、樹冠面積を利用したバイオマスの推定結果と現地調査による実測値との差の分布は、図５（ｄ）に示すように、誤差の小さい部分に集中しており、同様に高い相関を示している。
前述のように、検証用樹木におけるバイオマスの合計は１，０６１．９ｋｇであるのに対して、平均樹冠径を利用した推定式から求めたバイオマスは１，０３６．８ｋｇであり、平均樹冠径に基づく推定精度は９７．６％である。また、樹冠面積を利用した推定式から求めたバイオマスは１，００５．３ｋｇであり、樹冠面積に基づく推定精度は９４．７％である。このように、平均樹冠径、樹冠面積のいずれも高い推定精度を有することが分かった。したがって、本発明のリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法は、十分実用性を有するものであり、今後の森林・樹木の成長段階でのバイオマス推定精度向上により、地球環境改善に大きな効果を発揮することが期待できる。
事例２ 解像度４ｍでの解析［樹冠の切り出しを行わない場合］
１．調査対象地域
タイ国トラット（Ｔｒａｔ）のリゾフォーラアピキュラータ林
２．調査方法
２．１現地調査
（１）方形区（２０ｍ×２０ｍ）を７つ（樹齢１年，３年，５年，７年，９年，１１年，１３年）設置
（２）毎木調査（ＤＢＨ＝胸高直径、樹高、樹冠の長径および短径、樹冠厚さ）
（３）空撮（大型無線ヘリを利用したカラー赤外フィルム撮影）
（４）分光特性の測定
２．２データ解析
（１）地上調査結果の集約
（２）空撮写真の画像処理と解析
（３）バイオマス推定精度の検証
なお、東南アジアのように、乾季と雨季がはっきりしている地域で、乾季と雨季でバイオマス推定精凌の違いの有無を見るために、季節と分光特性（ＮＤＶＩ）との関係を調査したところ、表１のような結果が得られた。

表１において、トラット（Ｔｒａｔ）はタイ湾の北部地域、チュンポン（Ｃｈｕｍｐｈｏｎ）は中部地域、カノン（Ｋｈａｎｏｍ）は南部地域である。この表１の結果から、ＮＤＶＩとＬＡＩの関係は、雨季の方が高い相関を有することが分かった。
また、マングローブの樹齢とバイオマスとの関係を調査したところ、表２の結果が得られた。

この表２の結果から、マングローブの樹齢が高くなり、樹木が成長するのに従い、バイオマスが大きくなることが分かる。
また、各種評価指数におけるバイオマスとの相関係数を調査したところ、表３のような結果が得られた。

この表３から、ＮＤＶＩ（ＩＲ．Ｒ＝０．８１８）、ＧＲ（＝０．８９２），ＩＲ＊Ｇ（＝０．８８９）、ＩＲ（＝０．９５１）、ＩＲ＊Ｇ／Ｒ（＝０．９５５）などの評価指数が高い相関性を有することが分かり、特に、ＩＲ＊Ｇ／Ｒ（＝０．９５５）が最も高い相関性を有することが分かった。
図６は、上記表３において最高の相関値を示す評価指数ＩＲ＊Ｇ／Ｒ（ｒ^２＝０．９５５）とバイオマスとの関係の推定式の特性図である。
樹齢が１から１３年のマングローブ林について、それぞれの樹齢ごとに空撮画像を得、新たにそれらの画像に基づいた３種類のシミュレーション画像を作成した。樹齢１〜１３年の全ての樹齢の林で構成された画像をＡクラスとし、樹齢１〜５年の若齢の林で構成された画像をＢクラス、さらに樹齢７〜１３年の高齢の林で構成された画像をＣクラスとした。なお、各クラスを構成する個々の樹齢の林は、画像内にそれぞれ同一の割合で含まれている。
表４は、これらのクラスＡ〜Ｃを対象に、バイオマスを推定した結果である。

この表４から、樹齢１〜５年の若齢の林のみで構成されたクラスＢにおいて、精度が５３．１％になり、３クラスで最も低い値を示した。逆に、樹齢７〜１３年の高齢の林のみで構成されたクラスＣでは、最高の８７．６％という値を示し、また、全ての樹齢を含む樹齢１〜１３年のクラスＡでは、両者の中間的な精度を示した。
この例で分かるように、樹冠が閉塞していない若齢の林を、解像度４ｍで解析を行うと、推定の精度が低い。一方、解像度４ｍでも、樹冠が閉塞していれば、適切な推定式を利用することにより、高精度で推定できる可能性が示された。
換言すれば、マスキングを行わずに高精度で推定するには、まず、樹冠が閉塞していることが重要条件であり、同時に適切な推定式を利用することが要求される。
発 明 の 効 果
以上説明してきたように、本発明は、高所から森林・樹木の写真を撮像し、その写真に基づいて所定面積内の特定樹木の樹冠部分以外をマスキングして、前記所定面積内に占める樹冠部分のサイズ（面積、長径、短径）および分光特性から特定樹木のバイオマスを推定することを特徴とするものであるから、植林後間もなく樹冠が閉塞していないような場合や、成熟木であっても樹冠が閉塞しないような植樹林の場合においても、樹冠と樹冠との間のノイズ情報をマスキングすることによって、植林された特定樹木の樹冠サイズ（面積、長径、短径）およびその分光特性を高精度で測定可能になり、高精度のバイオマスの推定が可能になって、年間バイオマス蓄積量も高精度で算出することができる。
【図面の簡単な説明】
図１は、本発明の実施形態に係るリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法における概略フロー図である。
図２は、本発明の実施形態に係るリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法における各工程の概略説明図である。
図３（ａ）から図３（ｃ）は、樹冠と画素との大きさの関係について説明するもので、図３（ａ）は樹冠率が１００％の場合における画素樹冠図、図３（ｂ）は樹冠率が１００％未満の場合における画素樹冠図、図３（ｃ）は樹冠率が１００％未満の場合における高解像度写真による画素樹冠図である。
図４（ａ）から図４（ｄ）は、現地の地上毎木調査による各種樹木要因とバイオマスとの関係を示すもので、図４（ａ）は樹高とバイオマスとの関係を示す特性図、図４（ｂ）は樹冠厚さとバイオマスとの関係を示す特性図、図４（ｃ）は平均樹冠率とバイオマスとの関係を示す特性図、図４（ｄ）は樹冠面積とバイオマスとの関係を示す特性図である。
図５（ａ）から図５（ｄ）は、現地の空撮画像による各種樹木要因とバイオマスとの関係を示すもので、図５（ａ）は平均樹冠径とバイオマスとの関係を示す特性図、図５（ｂ）は樹冠面積とバイオマスとの関係を示す特性図、図５（ｃ）は平均樹冠径を利用したバイオマスの推定結果と現地調査による実測値との差の分布図、図５（ｄ）は樹冠面積を利用したバイオマスの推定結果と現地調査による実測値との差の分布図である。
図６は、評価指数ＩＲ＊Ｇ／Ｒとバイオマスとの相関推定特性図である。
図７（ａ）から図７（ｃ）は植林後の樹木の成長段階を示すもので、図７（ａ）は植林後の樹木の成長段階を示す樹木の側面図、図７（ｂ）は植林後の樹木の成長段階における樹木の樹冠図、図７（ｃ）は植林後の樹木の成長段階に伴う樹冠率の変化を示す画素樹冠図である。

Claims (4)

1. 高所から森林・樹木の写真を撮像し、その写真に基づいて所定面積内の特定樹木の樹冠部分以外をマスキングして、前記所定面積内に占める樹冠サイズおよび分光特性から特定樹木のバイオマスを推定することを特徴とするリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法。
2. 前記写真が、特定の波長帯域による撮像写真であることを特徴とする請求項１に記載のリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法。
3. 前記写真が、１画素内に複数の樹冠が含まれていることを特徴とする請求項１または２に記載のリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法。
4. 前記写真が超高解像度写真であり、一つの樹冠が複数の画素にまたがっていることを特徴とする請求項１または２に記載のリモートセンシング高解像度データによる森林・樹木のバイオマス推定方法。

Images