論文の概要: A Framework for Individual Tree Growth Reconstruction Using Multi-Platform Laser Scanning

• arxiv url: http://arxiv.org/abs/2607.22129v1
• Date: Fri, 24 Jul 2026 09:23:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.091687
• Title: A Framework for Individual Tree Growth Reconstruction Using Multi-Platform Laser Scanning
• Title（参考訳）: マルチプラットフォームレーザースキャナーによる木成長の個別再構築のためのフレームワーク
• Abstract要約: 実生林における樹木の生長の復元は, 歴史的幹レベルのデータが不足しているため, 困難である。 本研究では,136点の雲を用いて,乳房高さ(DBH)と茎の体積成長を推定する枠組みについて検討した。
• 参考スコア（独自算出の注目度）: 1.6607717011624847
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate tree-level forest monitoring using laser scanning data requires reliable tree delineation, consistent tree correspondence across multitemporal point clouds, and accurate estimation of tree attributes and their change. Reconstructing tree growth in boreal forests is challenging due to the scarcity of historical stem-level data, propagation of errors from older sensors into change estimation, and growth rates with a magnitude of measurement uncertainty. This study investigates a framework for estimating individual tree diameter at breast height (DBH) and stem volume growth using 136 point clouds acquired between 2014--2025 with 11 scanners on airborne (ALS), mobile (MLS), and terrestrial laser scanning (TLS) platforms across boreal forest test sites. Trees were delineated from an MLS point cloud using deep learning-based segmentation which was transferred to the remaining point clouds, resulting in reliable multitemporal tree correspondence. Stem curves were derived from MLS/TLS data, with ALS data used for height estimation, enabling DBH and volume estimation and time series. A height growth-based scaling model was used to reconstruct stem attributes across time and estimate growth. Results showed that modeled growth achieved higher agreement with manual growth estimates than differencing independently estimated attributes from point clouds. The modeled-manual 5- and 10-year growth RMSEs were 55--111\% and 26--67\% for DBH, and 31--87\% and 21--67\% for volume, respectively, depending on plot difficulty. The scaling model was temporally robust, with errors remaining stable or stabilizing after 5--6 years, reaching maximum RMSEs of 8--12\% for DBH and 12--23\% for volume after 12 years. Combining MLS/TLS-derived stem measurements with multitemporal ALS-derived heights provided a robust framework for individual tree growth estimation without requiring multiple under-canopy scans.
• Abstract（参考訳）: レーザスキャニングデータを用いた正確な森林モニタリングには,信頼性の高い樹木の起伏,多点雲を横断する一貫した樹木対応,樹木属性とその変化の正確な推定が必要である。 実生林における樹木の生長の復元は, 過去の幹レベルのデータ不足, 古いセンサからの誤差の伝播による変化推定, 測定の不確かさの程度による成長速度の増大などにより困難である。 本研究では,2014～2025年の間に取得した136点の雲と,航空機(ALS),移動機(MLS),地上レーザースキャン(TLS)プラットフォームを用いて,乳房高さ(DBH)と茎体積成長を推定する枠組みについて検討した。 木は深層学習に基づくセグメンテーションを用いてMLS点群から切り離され、残りの点群に移動され、信頼性の高い多時木対応が得られた。 ステム曲線はMLS/TLSデータから導出され、高度推定にALSデータを使用し、DBHとボリューム推定と時系列が可能である。 高度成長に基づくスケーリングモデルを用いて,茎特性を時間的に再構築し,成長を推定した。 その結果, モデル成長は, 点雲と独立に推定される属性を区別するよりも, 手動成長推定値と高い一致を示した。 DBHは55--111\%, DBHは26--67\%, 体積は31--87\%, 21--67\%であった。 スケーリングモデルは時間的に堅牢で,5～6年後にはエラーが安定あるいは安定化し,DBHは8～12倍,12年後には12～23倍の最大RMSEに達した。 MLS/TLS由来の茎測定と多時期ALS由来の高度測定を組み合わせることで、複数のアンダーキャノピースキャンを必要とせず、個々の木の成長を推定できるロバストな枠組みが得られた。

関連論文リスト

• Forecasting the Number of Harvest-ready Fruits of Sweet Peppers Using Multimodal Time-Series Data [22.381746023690173]
  そこで本研究では,2つの生育期に観察された691種のサツマイモのイメージ時系列データセットについて紹介する。 本稿では,DinoV3エンコーダを用いて抽出した高次元画像特徴を融合した多モード深層学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-22T09:58:03Z)
• Self-Supervised Pretraining Improves Cross-Site and Cross-Scale Robustness of Point Cloud Leaf-Wood Segmentation [8.00670349722864]
  ポイントクラウド用に広く使用されているSSLアーキテクチャであるPoint-M2AEを,2400個のツリーポイントクラウドで拡張したShapeNet-55上で事前訓練した。 プレトレーニングのないモデルと比較して、プレトレーニングされたモデルでは、IoUが60.5%から70.0%に改善され、広葉樹では69.7%から76.3%に改善された。 プロットレベルのセグメンテーションは個々の木のパフォーマンスに匹敵する精度を維持し、mIoUはワイドリーフが84.7%、ニードルリーフプロットが77.7%であった。
  論文  参考訳（メタデータ） (2026-07-08T03:17:06Z)
• Fast Inference of Visual Autoregressive Model with Adjacency-Adaptive Dynamical Draft Trees [50.230925890958936]
  本稿では,隣接するトークン状態と先行受入率を活用することで,ドラフトツリーの深さと幅を調整できる適応型動的ドラフトツリーを提案する。 ADT-Treeは、それぞれ3.13xと3.05xのスピードアップを実現し、LANTERNのような緩やかなサンプリング手法とシームレスに統合する。
  論文  参考訳（メタデータ） (2025-12-26T04:45:49Z)
• Comparative Analysis of Deep Learning Models for Olive Tree Crown and Shadow Segmentation Towards Biovolume Estimation [0.11545092788508222]
  オリーブ樹のバイオボリューム推定は精密農業において重要な課題であり、収量予測と資源管理を支援している。 本研究では,オリーブ樹冠とその影を超高解像度UAV画像に分割するための3種類のディープラーニングモデルU-Net,YOLOv11m-seg,Mask RCNNの比較分析を行った。
  論文  参考訳（メタデータ） (2025-10-30T15:00:50Z)
• A Unified Graph-based Framework for Scalable 3D Tree Reconstruction and Non-Destructive Biomass Estimation from Point Clouds [8.821870725779071]
  森林バイオマス (AGB) の推定は, 炭素貯蔵量の評価と持続可能な森林管理支援に不可欠である。 定量的構造モデル(QSM)は3次元木構造再構成によるAGB推定に対する非破壊的アプローチを提供する。 本研究では,大規模クラウドのエンドツーエンド処理を可能にする新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-18T15:55:47Z)
• Learning Decision Trees as Amortized Structure Inference [59.65621207449269]
  本稿では,予測決定木アンサンブルを学習するためのハイブリッドアモータイズされた構造推論手法を提案する。 提案手法であるDT-GFNは,標準分類ベンチマークにおける最先端決定木やディープラーニング手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-03-10T07:05:07Z)
• Unsupervised deep learning for semantic segmentation of multispectral LiDAR forest point clouds [1.6633665061166945]
  本研究では,高密度レーザー走査点雲の葉木分離のための教師なし深層学習手法を提案する。 GrowSP-ForMS の平均精度は84.3%、mIoU平均交点は69.6%であった。
  論文  参考訳（メタデータ） (2025-02-10T07:58:49Z)
• Forecasting with Hyper-Trees [50.72190208487953]
  Hyper-Treesは時系列モデルのパラメータを学習するために設計されている。 対象とする時系列モデルのパラメータを特徴に関連付けることで、Hyper-Treesはパラメータ非定常性の問題にも対処する。 この新しいアプローチでは、木はまず入力特徴から情報表現を生成し、浅いネットワークはターゲットモデルパラメータにマップする。
  論文  参考訳（メタデータ） (2024-05-13T15:22:15Z)
• Tree-Planner: Efficient Close-loop Task Planning with Large Language Models [63.06270302774049]
  Tree-Plannerは、大きな言語モデルでタスクプランニングを3つの異なるフェーズに再構成する。 Tree-Plannerは高い効率を維持しながら最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-10-12T17:59:50Z)
• Vision Transformers, a new approach for high-resolution and large-scale mapping of canopy heights [50.52704854147297]
  分類(離散化)と連続損失関数を最適化した新しい視覚変換器(ViT)モデルを提案する。 このモデルは、従来使用されていた畳み込みベースのアプローチ(ConvNet)よりも、連続損失関数のみで最適化された精度が向上する。
  論文  参考訳（メタデータ） (2023-04-22T22:39:03Z)
• Country-wide Retrieval of Forest Structure From Optical and SAR Satellite Imagery With Bayesian Deep Learning [74.94436509364554]
  本研究では,10mの解像度で森林構造変数を高密度に推定するベイズ深層学習手法を提案する。 本手法は,Sentinel-2光画像とSentinel-1合成開口レーダ画像を5種類の森林構造変数のマップに変換する。 ノルウェーを横断する41の空中レーザー走査ミッションの基準データに基づいて、我々のモデルを訓練し、テストする。
  論文  参考訳（メタデータ） (2021-11-25T16:21:28Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。