ホーム > 特許ランキング > 国立大学法人信州大学
知財求人 - 知財ポータルサイト「IP Force」
▶ 国立大学法人信州大学の特許一覧 ▶ 精密林業計測株式会社の特許一覧
特開2024-129504林相区分図作成装置、林相区分図作成方法及びプログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024129504
(43)【公開日】2024-09-27
(54)【発明の名称】林相区分図作成装置、林相区分図作成方法及びプログラム
(51)【国際特許分類】
G06T 7/00 20170101AFI20240919BHJP
G06V 10/774 20220101ALI20240919BHJP
G06T 11/60 20060101ALI20240919BHJP
G09B 29/00 20060101ALI20240919BHJP
【ＦＩ】
G06T7/00 640
G06V10/774
G06T7/00 350B
G06T11/60 300
G09B29/00 Z
【審査請求】未請求
【請求項の数】7
【出願形態】ＯＬ
(21)【出願番号】P 2023038748
(22)【出願日】2023-03-13
(71)【出願人】
【識別番号】504180239
【氏名又は名称】国立大学法人信州大学
(71)【出願人】
【識別番号】517220036
【氏名又は名称】精密林業計測株式会社
(74)【代理人】
【識別番号】100099759
【弁理士】
【氏名又は名称】青木 篤
(74)【代理人】
【識別番号】100123582
【弁理士】
【氏名又は名称】三橋 真二
(74)【代理人】
【識別番号】100092624
【弁理士】
【氏名又は名称】鶴田 準一
(74)【代理人】
【識別番号】100114018
【弁理士】
【氏名又は名称】南山 知広
(74)【代理人】
【識別番号】100153729
【弁理士】
【氏名又は名称】森本 有一
(72)【発明者】
【氏名】加藤 正人
(72)【発明者】
【氏名】トウ ソウキュウ
(72)【発明者】
【氏名】竹中 悠輝
【テーマコード（参考）】
2C032
5B050
5L096
【Ｆターム（参考）】
2C032HA02
2C032HC21
5B050AA07
5B050BA02
5B050BA04
5B050BA17
5B050DA01
5B050EA06
5B050EA07
5L096AA09
5L096CA02
5L096FA66
5L096GA10
5L096GA34
5L096GA51
5L096KA04
(57)【要約】
【課題】森林域に含まれる単木の樹種分類及び林相区分を自動で行う。
【解決手段】林相区分図作成装置は、取得した所定森林域点群データを用いた単木の樹冠精密解析の結果に対する調査員の樹種分類の結果と調査員の所定の森林域の現地調査の結果に基づいて作成された所定の森林域内の単木の樹種データを取得し、所定森林域点群データから抽出した単木点群データに樹種情報を加えるラベリング処理を樹種データに基づき実行してＡＩモデルの学習用データセットを作成し、学習用データセットをＡＩモデルの訓練用データセットと検証用データセットに振り分け、訓練及び評価が実行された後のＡＩモデルを用い調査対象森林域の３次元点群データに基づき調査対象森林域に含まれる単木をスギ、ヒノキ、カラマツ、アカマツ、広葉樹に樹種分類し、その結果に基づきレーザ林相図を作成し、レーザ林相図に含まれる複数の林相の境界を作成する。
【選択図】図２４
【解決手段】林相区分図作成装置は、取得した所定森林域点群データを用いた単木の樹冠精密解析の結果に対する調査員の樹種分類の結果と調査員の所定の森林域の現地調査の結果に基づいて作成された所定の森林域内の単木の樹種データを取得し、所定森林域点群データから抽出した単木点群データに樹種情報を加えるラベリング処理を樹種データに基づき実行してＡＩモデルの学習用データセットを作成し、学習用データセットをＡＩモデルの訓練用データセットと検証用データセットに振り分け、訓練及び評価が実行された後のＡＩモデルを用い調査対象森林域の３次元点群データに基づき調査対象森林域に含まれる単木をスギ、ヒノキ、カラマツ、アカマツ、広葉樹に樹種分類し、その結果に基づきレーザ林相図を作成し、レーザ林相図に含まれる複数の林相の境界を作成する。
【選択図】図２４
【特許請求の範囲】
【請求項1】
所定の森林域に対してレーザ光を照射することによって得られた３次元の点群データである所定森林域点群データを取得すると共に、前記所定森林域点群データを用いて行われた前記所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析の結果である精密単木樹冠解析結果に対する調査員による樹種分類の結果と、調査員による前記所定の森林域の現地調査の結果とに基づいて作成された前記所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データを取得するデータ取得部と、
前記データ取得部によって取得された前記所定森林域点群データから、前記所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出すると共に、抽出された前記単木点群データに対して樹種を示す情報を加えるラベリング処理を、前記データ取得部によって取得された前記樹種データに基づいて実行することによって、ＡＩモデルの学習に用いられる学習用データセットを作成するラベリング処理部と、
前記ラベリング処理部によって作成された前記学習用データセットを、少なくとも、前記ＡＩモデルの訓練に用いられる訓練用データセットと、前記ＡＩモデルの評価に用いられる検証用データセットとに振り分けるデータセット作成部と、
前記データセット作成部によって作成された前記訓練用データセットを用いて前記ＡＩモデルの訓練を実行すると共に、前記データセット作成部によって作成された前記検証用データセットを用いて前記ＡＩモデルの評価を実行する訓練実行部と、
訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた３次元の点群データである調査対象森林域点群データに基づいて、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて前記調査対象森林域のレーザ林相図を作成するレーザ林相図作成部と、
前記レーザ林相図作成部によって作成された前記レーザ林相図に含まれる複数の林相の境界を作成する林相境界作成部とを備え、
前記レーザ林相図作成部は、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、前記調査対象森林域に含まれる複数の単木のそれぞれを、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類する、
林相区分図作成装置。
前記データ取得部によって取得された前記所定森林域点群データから、前記所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出すると共に、抽出された前記単木点群データに対して樹種を示す情報を加えるラベリング処理を、前記データ取得部によって取得された前記樹種データに基づいて実行することによって、ＡＩモデルの学習に用いられる学習用データセットを作成するラベリング処理部と、
前記ラベリング処理部によって作成された前記学習用データセットを、少なくとも、前記ＡＩモデルの訓練に用いられる訓練用データセットと、前記ＡＩモデルの評価に用いられる検証用データセットとに振り分けるデータセット作成部と、
前記データセット作成部によって作成された前記訓練用データセットを用いて前記ＡＩモデルの訓練を実行すると共に、前記データセット作成部によって作成された前記検証用データセットを用いて前記ＡＩモデルの評価を実行する訓練実行部と、
訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた３次元の点群データである調査対象森林域点群データに基づいて、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて前記調査対象森林域のレーザ林相図を作成するレーザ林相図作成部と、
前記レーザ林相図作成部によって作成された前記レーザ林相図に含まれる複数の林相の境界を作成する林相境界作成部とを備え、
前記レーザ林相図作成部は、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、前記調査対象森林域に含まれる複数の単木のそれぞれを、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類する、
林相区分図作成装置。
【請求項2】
前記レーザ林相図作成部は、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行した後に、前記調査対象森林域に含まれる孤立木を削除するマスク処理を実行して前記レーザ林相図を作成し、
前記孤立木とは、前記孤立木から所定距離の範囲内に前記孤立木と同一の樹種の単木が存在しない単木である、
請求項１に記載の林相区分図作成装置。
前記孤立木とは、前記孤立木から所定距離の範囲内に前記孤立木と同一の樹種の単木が存在しない単木である、
請求項１に記載の林相区分図作成装置。
【請求項3】
前記ラベリング処理では、抽出された前記単木点群データのファイル名に樹種名が含められる、
請求項１に記載の林相区分図作成装置。
請求項１に記載の林相区分図作成装置。
【請求項4】
前記訓練実行部によって実行される前記ＡＩモデルの訓練では、樹種ごとの前記単木点群データの樹冠形状を前記ＡＩモデルに学習させる、
請求項１に記載の林相区分図作成装置。
請求項１に記載の林相区分図作成装置。
【請求項5】
前記データセット作成部は、前記ラベリング処理部によって作成された前記学習用データセットを、前記訓練用データセットと、前記検証用データセットと、前記ＡＩモデルを前記調査対象森林域に適用できるか否かの判断に用いられるテスト用データセットとに振り分ける、
請求項１に記載の林相区分図作成装置。
請求項１に記載の林相区分図作成装置。
【請求項6】
林相区分図作成装置が、所定の森林域に対してレーザ光を照射することによって得られた３次元の点群データである所定森林域点群データを取得すると共に、前記林相区分図作成装置が、前記所定森林域点群データを用いて行われた前記所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析の結果である精密単木樹冠解析結果に対する調査員による樹種分類の結果と、調査員による前記所定の森林域の現地調査の結果とに基づいて作成された前記所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データを取得するデータ取得ステップと、
前記林相区分図作成装置が、前記データ取得ステップにおいて取得された前記所定森林域点群データから、前記所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出すると共に、抽出された前記単木点群データに対して樹種を示す情報を加えるラベリング処理を、前記データ取得ステップにおいて取得された前記樹種データに基づいて実行することによって、ＡＩモデルの学習に用いられる学習用データセットを作成するラベリング処理ステップと、
前記林相区分図作成装置が、前記ラベリング処理ステップにおいて作成された前記学習用データセットを、少なくとも、前記ＡＩモデルの訓練に用いられる訓練用データセットと、前記ＡＩモデルの評価に用いられる検証用データセットとに振り分けるデータセット作成ステップと、
前記林相区分図作成装置が、前記データセット作成ステップにおいて作成された前記訓練用データセットを用いて前記ＡＩモデルの訓練を実行すると共に、前記データセット作成ステップにおいて作成された前記検証用データセットを用いて前記ＡＩモデルの評価を実行する訓練実行ステップと、
前記林相区分図作成装置が、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた３次元の点群データである調査対象森林域点群データに基づいて、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて前記調査対象森林域のレーザ林相図を作成するレーザ林相図作成ステップと、
前記林相区分図作成装置が、前記レーザ林相図作成ステップにおいて作成された前記レーザ林相図に含まれる複数の林相の境界を作成する林相境界作成ステップとを備え、
前記レーザ林相図作成ステップでは、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、前記調査対象森林域に含まれる複数の単木のそれぞれが、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類される、
林相区分図作成方法。
前記林相区分図作成装置が、前記データ取得ステップにおいて取得された前記所定森林域点群データから、前記所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出すると共に、抽出された前記単木点群データに対して樹種を示す情報を加えるラベリング処理を、前記データ取得ステップにおいて取得された前記樹種データに基づいて実行することによって、ＡＩモデルの学習に用いられる学習用データセットを作成するラベリング処理ステップと、
前記林相区分図作成装置が、前記ラベリング処理ステップにおいて作成された前記学習用データセットを、少なくとも、前記ＡＩモデルの訓練に用いられる訓練用データセットと、前記ＡＩモデルの評価に用いられる検証用データセットとに振り分けるデータセット作成ステップと、
前記林相区分図作成装置が、前記データセット作成ステップにおいて作成された前記訓練用データセットを用いて前記ＡＩモデルの訓練を実行すると共に、前記データセット作成ステップにおいて作成された前記検証用データセットを用いて前記ＡＩモデルの評価を実行する訓練実行ステップと、
前記林相区分図作成装置が、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた３次元の点群データである調査対象森林域点群データに基づいて、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて前記調査対象森林域のレーザ林相図を作成するレーザ林相図作成ステップと、
前記林相区分図作成装置が、前記レーザ林相図作成ステップにおいて作成された前記レーザ林相図に含まれる複数の林相の境界を作成する林相境界作成ステップとを備え、
前記レーザ林相図作成ステップでは、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、前記調査対象森林域に含まれる複数の単木のそれぞれが、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類される、
林相区分図作成方法。
【請求項7】
コンピュータに、
所定の森林域に対してレーザ光を照射することによって得られた３次元の点群データである所定森林域点群データを取得すると共に、前記所定森林域点群データを用いて行われた前記所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析の結果である精密単木樹冠解析結果に対する調査員による樹種分類の結果と、調査員による前記所定の森林域の現地調査の結果とに基づいて作成された前記所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データを取得するデータ取得ステップと、
前記データ取得ステップにおいて取得された前記所定森林域点群データから、前記所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出すると共に、抽出された前記単木点群データに対して樹種を示す情報を加えるラベリング処理を、前記データ取得ステップにおいて取得された前記樹種データに基づいて実行することによって、ＡＩモデルの学習に用いられる学習用データセットを作成するラベリング処理ステップと、
前記ラベリング処理ステップにおいて作成された前記学習用データセットを、少なくとも、前記ＡＩモデルの訓練に用いられる訓練用データセットと、前記ＡＩモデルの評価に用いられる検証用データセットとに振り分けるデータセット作成ステップと、
前記データセット作成ステップにおいて作成された前記訓練用データセットを用いて前記ＡＩモデルの訓練を実行すると共に、前記データセット作成ステップにおいて作成された前記検証用データセットを用いて前記ＡＩモデルの評価を実行する訓練実行ステップと、
訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた３次元の点群データである調査対象森林域点群データに基づいて、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて前記調査対象森林域のレーザ林相図を作成するレーザ林相図作成ステップと、
前記レーザ林相図作成ステップにおいて作成された前記レーザ林相図に含まれる複数の林相の境界を作成する林相境界作成ステップとを実行させるためのプログラムであって、
前記レーザ林相図作成ステップでは、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、前記調査対象森林域に含まれる複数の単木のそれぞれが、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類される、
プログラム。
所定の森林域に対してレーザ光を照射することによって得られた３次元の点群データである所定森林域点群データを取得すると共に、前記所定森林域点群データを用いて行われた前記所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析の結果である精密単木樹冠解析結果に対する調査員による樹種分類の結果と、調査員による前記所定の森林域の現地調査の結果とに基づいて作成された前記所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データを取得するデータ取得ステップと、
前記データ取得ステップにおいて取得された前記所定森林域点群データから、前記所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出すると共に、抽出された前記単木点群データに対して樹種を示す情報を加えるラベリング処理を、前記データ取得ステップにおいて取得された前記樹種データに基づいて実行することによって、ＡＩモデルの学習に用いられる学習用データセットを作成するラベリング処理ステップと、
前記ラベリング処理ステップにおいて作成された前記学習用データセットを、少なくとも、前記ＡＩモデルの訓練に用いられる訓練用データセットと、前記ＡＩモデルの評価に用いられる検証用データセットとに振り分けるデータセット作成ステップと、
前記データセット作成ステップにおいて作成された前記訓練用データセットを用いて前記ＡＩモデルの訓練を実行すると共に、前記データセット作成ステップにおいて作成された前記検証用データセットを用いて前記ＡＩモデルの評価を実行する訓練実行ステップと、
訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた３次元の点群データである調査対象森林域点群データに基づいて、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて前記調査対象森林域のレーザ林相図を作成するレーザ林相図作成ステップと、
前記レーザ林相図作成ステップにおいて作成された前記レーザ林相図に含まれる複数の林相の境界を作成する林相境界作成ステップとを実行させるためのプログラムであって、
前記レーザ林相図作成ステップでは、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、前記調査対象森林域に含まれる複数の単木のそれぞれが、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類される、
プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、林相区分図作成装置、林相区分図作成方法及びプログラムに関する。
【背景技術】
【0002】
森林は、温室効果ガスの吸収源として、２０５０年カーボンニュートラルの実現に向けて不可欠な役割を担っており、ＥＳＧ（環境・社会・ガバナンス）投資の流れが加速する中で、投資の関心が高まっている。一方、国内の森林は、所有者、境界の不明確な森林が多く、国土調査法に基づき自治体が行う地籍調査の進捗率は３０％と低い。森林境界が不明確で、資源内容（樹種や本数、蓄積）の情報整備も遅れており、森林管理と林業生産を行う上で大きな課題である。
【0003】
特許文献１には、航空レーザ測量データのみから樹木の分布を把握できる植生図を作成する技術について記載されている。特許文献１に記載された技術では、樹木の分布を把握できる植生図を作成するために用いられる航空レーザ測量データに、航空機から地上までの距離を示すデータと、地上からのレーザ反射パルスの強度を示すデータとが含まれる。
特許文献１に記載された技術では、樹木の分布を把握できる植生図を作成するために地上からのレーザ反射パルスの強度を示すデータが用いられるが、地上からのレーザ反射パルスの強度を示すデータを用いる必要なく、森林域に含まれる複数の単木のそれぞれの樹種分類を自動で行い、林相区分を自動で行うことができる技術が望まれる。
特許文献１に記載された技術では、樹木の分布を把握できる植生図を作成するために地上からのレーザ反射パルスの強度を示すデータが用いられるが、地上からのレーザ反射パルスの強度を示すデータを用いる必要なく、森林域に含まれる複数の単木のそれぞれの樹種分類を自動で行い、林相区分を自動で行うことができる技術が望まれる。
【0004】
特許文献２には、航空レーザ計測データを用いて林相解析を行う技術について記載されている。特許文献２に記載された技術では、航空レーザ計測データから森林の林相の違いをカラー画像で可視化することによって、林相解析が行われる。
ところで、特許文献２に記載された技術では、林相解析を行うために、航空レーザ計測データから反射パルス指標、反射強度等の特徴量が抽出される。反射パルス指標、反射強度等の特徴量を用いる必要なく、森林域に含まれる複数の単木のそれぞれの樹種分類を自動で行い、林相区分を自動で行うことができる技術が望まれる。
ところで、特許文献２に記載された技術では、林相解析を行うために、航空レーザ計測データから反射パルス指標、反射強度等の特徴量が抽出される。反射パルス指標、反射強度等の特徴量を用いる必要なく、森林域に含まれる複数の単木のそれぞれの樹種分類を自動で行い、林相区分を自動で行うことができる技術が望まれる。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特許第５５９２８５５号公報
【特許文献2】特許第６２０７９６８号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
上述した点に鑑み、本発明は、森林域に含まれる複数の単木のそれぞれの樹種分類を自動で行い、林相区分を自動で行うことができる林相区分図作成装置、林相区分図作成方法及びプログラムを提供することを目的とする。
詳細には、本発明は、地上からのレーザ反射パルスの強度を示すデータを用いたり、反射パルス指標、反射強度等の特徴量を用いたりする必要なく、森林域に含まれる複数の単木のそれぞれの樹種分類を自動で行い、林相区分を自動で行うことができる林相区分図作成装置、林相区分図作成方法及びプログラムを提供することを目的とする。
詳細には、本発明は、地上からのレーザ反射パルスの強度を示すデータを用いたり、反射パルス指標、反射強度等の特徴量を用いたりする必要なく、森林域に含まれる複数の単木のそれぞれの樹種分類を自動で行い、林相区分を自動で行うことができる林相区分図作成装置、林相区分図作成方法及びプログラムを提供することを目的とする。
【課題を解決するための手段】
【0007】
本発明の一態様は、所定の森林域に対してレーザ光を照射することによって得られた３次元の点群データである所定森林域点群データを取得すると共に、前記所定森林域点群データを用いて行われた前記所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析の結果である精密単木樹冠解析結果に対する調査員による樹種分類の結果と、調査員による前記所定の森林域の現地調査の結果とに基づいて作成された前記所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データを取得するデータ取得部と、前記データ取得部によって取得された前記所定森林域点群データから、前記所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出すると共に、抽出された前記単木点群データに対して樹種を示す情報を加えるラベリング処理を、前記データ取得部によって取得された前記樹種データに基づいて実行することによって、ＡＩモデルの学習に用いられる学習用データセットを作成するラベリング処理部と、前記ラベリング処理部によって作成された前記学習用データセットを、少なくとも、前記ＡＩモデルの訓練に用いられる訓練用データセットと、前記ＡＩモデルの評価に用いられる検証用データセットとに振り分けるデータセット作成部と、前記データセット作成部によって作成された前記訓練用データセットを用いて前記ＡＩモデルの訓練を実行すると共に、前記データセット作成部によって作成された前記検証用データセットを用いて前記ＡＩモデルの評価を実行する訓練実行部と、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた３次元の点群データである調査対象森林域点群データに基づいて、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて前記調査対象森林域のレーザ林相図を作成するレーザ林相図作成部と、前記レーザ林相図作成部によって作成された前記レーザ林相図に含まれる複数の林相の境界を作成する林相境界作成部とを備え、前記レーザ林相図作成部は、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、前記調査対象森林域に含まれる複数の単木のそれぞれを、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類する、林相区分図作成装置である。
【0008】
本発明の一態様の林相区分図作成装置では、前記レーザ林相図作成部は、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行した後に、前記調査対象森林域に含まれる孤立木を削除するマスク処理を実行して前記レーザ林相図を作成し、前記孤立木とは、前記孤立木から所定距離の範囲内に前記孤立木と同一の樹種の単木が存在しない単木であってもよい。
【0009】
本発明の一態様の林相区分図作成装置では、前記ラベリング処理では、抽出された前記単木点群データのファイル名に樹種名が含められてもよい。
【0010】
本発明の一態様の林相区分図作成装置では、前記訓練実行部によって実行される前記ＡＩモデルの訓練では、樹種ごとの前記単木点群データの樹冠形状を前記ＡＩモデルに学習させてもよい。
【0011】
本発明の一態様の林相区分図作成装置では、前記データセット作成部は、前記ラベリング処理部によって作成された前記学習用データセットを、前記訓練用データセットと、前記検証用データセットと、前記ＡＩモデルを前記調査対象森林域に適用できるか否かの判断に用いられるテスト用データセットとに振り分けてもよい。
【0012】
本発明の一態様は、林相区分図作成装置が、所定の森林域に対してレーザ光を照射することによって得られた３次元の点群データである所定森林域点群データを取得すると共に、前記林相区分図作成装置が、前記所定森林域点群データを用いて行われた前記所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析の結果である精密単木樹冠解析結果に対する調査員による樹種分類の結果と、調査員による前記所定の森林域の現地調査の結果とに基づいて作成された前記所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データを取得するデータ取得ステップと、前記林相区分図作成装置が、前記データ取得ステップにおいて取得された前記所定森林域点群データから、前記所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出すると共に、抽出された前記単木点群データに対して樹種を示す情報を加えるラベリング処理を、前記データ取得ステップにおいて取得された前記樹種データに基づいて実行することによって、ＡＩモデルの学習に用いられる学習用データセットを作成するラベリング処理ステップと、前記林相区分図作成装置が、前記ラベリング処理ステップにおいて作成された前記学習用データセットを、少なくとも、前記ＡＩモデルの訓練に用いられる訓練用データセットと、前記ＡＩモデルの評価に用いられる検証用データセットとに振り分けるデータセット作成ステップと、前記林相区分図作成装置が、前記データセット作成ステップにおいて作成された前記訓練用データセットを用いて前記ＡＩモデルの訓練を実行すると共に、前記データセット作成ステップにおいて作成された前記検証用データセットを用いて前記ＡＩモデルの評価を実行する訓練実行ステップと、前記林相区分図作成装置が、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた３次元の点群データである調査対象森林域点群データに基づいて、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて前記調査対象森林域のレーザ林相図を作成するレーザ林相図作成ステップと、前記林相区分図作成装置が、前記レーザ林相図作成ステップにおいて作成された前記レーザ林相図に含まれる複数の林相の境界を作成する林相境界作成ステップとを備え、前記レーザ林相図作成ステップでは、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、前記調査対象森林域に含まれる複数の単木のそれぞれが、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類される、林相区分図作成方法である。
【0013】
本発明の一態様は、コンピュータに、所定の森林域に対してレーザ光を照射することによって得られた３次元の点群データである所定森林域点群データを取得すると共に、前記所定森林域点群データを用いて行われた前記所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析の結果である精密単木樹冠解析結果に対する調査員による樹種分類の結果と、調査員による前記所定の森林域の現地調査の結果とに基づいて作成された前記所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データを取得するデータ取得ステップと、前記データ取得ステップにおいて取得された前記所定森林域点群データから、前記所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出すると共に、抽出された前記単木点群データに対して樹種を示す情報を加えるラベリング処理を、前記データ取得ステップにおいて取得された前記樹種データに基づいて実行することによって、ＡＩモデルの学習に用いられる学習用データセットを作成するラベリング処理ステップと、前記ラベリング処理ステップにおいて作成された前記学習用データセットを、少なくとも、前記ＡＩモデルの訓練に用いられる訓練用データセットと、前記ＡＩモデルの評価に用いられる検証用データセットとに振り分けるデータセット作成ステップと、前記データセット作成ステップにおいて作成された前記訓練用データセットを用いて前記ＡＩモデルの訓練を実行すると共に、前記データセット作成ステップにおいて作成された前記検証用データセットを用いて前記ＡＩモデルの評価を実行する訓練実行ステップと、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた３次元の点群データである調査対象森林域点群データに基づいて、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、前記調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて前記調査対象森林域のレーザ林相図を作成するレーザ林相図作成ステップと、前記レーザ林相図作成ステップにおいて作成された前記レーザ林相図に含まれる複数の林相の境界を作成する林相境界作成ステップとを実行させるためのプログラムであって、前記レーザ林相図作成ステップでは、訓練及び評価が実行された後の前記ＡＩモデルを用いることにより、前記調査対象森林域に含まれる複数の単木のそれぞれが、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類される、プログラムである。
【発明の効果】
【0014】
本発明によれば、森林域に含まれる複数の単木のそれぞれの樹種分類を自動で行い、林相区分を自動で行うことができる。
【図面の簡単な説明】
【0015】
【図1】第１実施形態の林相区分図作成装置１が適用された林相区分図作成システムＳＭの一例を示す図である。
【図2】本発明者等が所定の森林域として用いた１６箇所の調査地の概要を示す図である。
【図3】１６箇所の調査地を日本地図上に示した図である。
【図4】１６箇所の調査地のうちの北信の７箇所（木島平１、木島平２、木島平３、高標山、向原、牛首山、山ノ内）を地図上に示すと共に、調査地の高標山を地図上に拡大して示した図である。
【図7】例えば図５に示すような３次元点群データを処理することによって得られる表層モデルＤＳＭ（Digital Surface Model）、地形モデルＤＥＭ（Digital Elevation Model）及び樹高モデルＣＨＭ（Canopy Height Model）を説明するための図である。
【図8】精密単木樹冠解析部２２によって行われる複数の単木のそれぞれの樹冠の精密な解析の一例を説明するための図である。
【図10】調査員としての本発明者等によって行われた現地調査時に撮影された写真の一例を示す図である。
【図11】調査員としての本発明者等によって行われた現地調査時に撮影された写真の一例を示す図である。
【図12】調査員としての本発明者等によって行われた現地調査時に撮影された写真の一例を示す図である。
【図13】ラベリング処理部１２による処理の一例を概念的に説明するための図である。
【図16】学習後のＡＩモデルに入力可能な単木の全体の点群データと、学習後のＡＩモデルが樹種分類を行うために必要な単木の樹冠の点群データとの関係を説明するための図である。
【図17】データセット作成部１３によって作成された訓練用データセット、検証用データセット及びテスト用データセットの一例を示す図である。
【図18】ラベリング処理部１２によって作成された学習用データセットを訓練用データセットと検証用データセットとテスト用データセットとに振り分ける（分割する）ためのデータセット作成部１３による処理の一例を概念的に説明するための図である。
【図19】１本の単木に対応するＣＳＶファイルに含まれる点群データの一例を示す図である。
【図22】レーザ林相図作成部１５によってＡＩモデルを用いて実行される複数の単木のそれぞれの樹種分類の結果等の一例を示す図である。
【図23】レーザ林相図作成部１５によって作成されたレーザ林相図から、レーザ林相図に含まれる複数の林相の境界が林相境界作成部１６によって作成される処理の一例を示している。
【図24】第１実施形態の林相区分図作成装置１によって実行される処理の一例を説明するためのフローチャートである。
【図25】第２実施形態の林相区分図作成装置１の一例を示す図である。
【図26】第１及び第２実施形態の林相区分図作成装置１の適用例を示す図である。
【発明を実施するための形態】
【0016】
以下、図面を参照し、本発明の林相区分図作成装置、林相区分図作成方法及びプログラムの実施形態について説明する。
【0017】
＜第１実施形態＞
図１は第１実施形態の林相区分図作成装置１が適用された林相区分図作成システムＳＭの一例を示す図である。
図１に示す例では、林相区分図作成システムＳＭにデータ作成装置２と林相区分図作成装置１とが含まれる。
データ作成装置２は、例えば通信インターフェースとメモリとプロセッサとを備えるコンピュータによって構成されている。通信インターフェースとメモリとプロセッサとは、信号線を介して接続されている。通信インターフェースは、データ作成装置２を林相区分図作成装置１等に例えばネットワーク等を介して接続するためのインターフェース回路を有する。メモリは、例えば揮発性の半導体メモリ及び不揮発性の半導体メモリを有する。メモリは、プロセッサにより実行される処理において使用されるプログラム及び各種のデータを記憶する。プロセッサは、点群データ取得部２１としての機能と、精密単木樹冠解析部２２としての機能と、樹種分類結果取得部２３としての機能と、現地調査結果取得部２４としての機能と、データ作成部２５としての機能とを有する。
図１は第１実施形態の林相区分図作成装置１が適用された林相区分図作成システムＳＭの一例を示す図である。
図１に示す例では、林相区分図作成システムＳＭにデータ作成装置２と林相区分図作成装置１とが含まれる。
データ作成装置２は、例えば通信インターフェースとメモリとプロセッサとを備えるコンピュータによって構成されている。通信インターフェースとメモリとプロセッサとは、信号線を介して接続されている。通信インターフェースは、データ作成装置２を林相区分図作成装置１等に例えばネットワーク等を介して接続するためのインターフェース回路を有する。メモリは、例えば揮発性の半導体メモリ及び不揮発性の半導体メモリを有する。メモリは、プロセッサにより実行される処理において使用されるプログラム及び各種のデータを記憶する。プロセッサは、点群データ取得部２１としての機能と、精密単木樹冠解析部２２としての機能と、樹種分類結果取得部２３としての機能と、現地調査結果取得部２４としての機能と、データ作成部２５としての機能とを有する。
【0018】
点群データ取得部２１は、例えば航空機、ドローン等を用いて行われた航空レーザ空撮により得られた点群データを取得する。点群データ取得部２１によって取得される点群データは、所定の森林域（後述するＡＩモデルの学習用データの作成に用いられる森林域）に対してレーザ光を照射することによって得られた３次元の点群データ（所定森林域点群データ）である。
【0019】
図２～図４は上述した所定の森林域の一例を説明するための図である。詳細には、図２は上述した所定の森林域として本発明者等が用いた１６箇所の調査地の概要を示しており、図３は１６箇所の調査地を日本地図上に示しており、図４（Ａ）は１６箇所の調査地のうちの北信の７箇所（木島平１、木島平２、木島平３、高標山、向原、牛首山、山ノ内）を地図上に示しており、図４（Ｂ）は調査地の高標山を地図上に拡大して示している。
図２～図４に示す例では、点群データ取得部２１が、所定の森林域としての１６箇所の調査地に対してレーザ光を照射することによって得られた３次元の点群データを取得するが、他の例では、所定の森林域として、図２～図４に示す１６箇所の調査地以外の調査地が用いられてもよい。つまり、点群データ取得部２１が、図２～図４に示す１６箇所の調査地以外の調査地に対してレーザ光を照射することによって得られた３次元の点群データを取得してもよい。
また、図２～図４に示す例では、点群データ取得部２１によって取得される点群データを得るためにドローン機体（ＵＡＶ（ＤＪＩ社製Ｍ６００Ｐｒｏ））及びレーザセンサ（Ｙｅｌｌｏｗｓｃａｎ社製Ｓｕｒｖｅｙｏｒ Ｕｌｔｒａ）が用いられるが、他の例では、点群データ取得部２１によって取得される点群データを得るために航空機を用いたり、上述したレーザセンサとは異なるレーザセンサを用いたりしてもよい。
図２～図４に示す例では、点群データ取得部２１が、所定の森林域としての１６箇所の調査地に対してレーザ光を照射することによって得られた３次元の点群データを取得するが、他の例では、所定の森林域として、図２～図４に示す１６箇所の調査地以外の調査地が用いられてもよい。つまり、点群データ取得部２１が、図２～図４に示す１６箇所の調査地以外の調査地に対してレーザ光を照射することによって得られた３次元の点群データを取得してもよい。
また、図２～図４に示す例では、点群データ取得部２１によって取得される点群データを得るためにドローン機体（ＵＡＶ（ＤＪＩ社製Ｍ６００Ｐｒｏ））及びレーザセンサ（Ｙｅｌｌｏｗｓｃａｎ社製Ｓｕｒｖｅｙｏｒ Ｕｌｔｒａ）が用いられるが、他の例では、点群データ取得部２１によって取得される点群データを得るために航空機を用いたり、上述したレーザセンサとは異なるレーザセンサを用いたりしてもよい。
【0020】
図１に示す例では、点群データ取得部２１が、取得された所定森林域点群データに対してストリップ調整及びノイズフィルタリングの後処理を実行する。
他の例では、点群データ取得部２１が、上述した後処理を実行しなくてもよく（例えば点群データ取得部２１が後処理済の所定森林域点群データを取得してもよく）、ストリップ調整及びノイズフィルタリングとは異なる後処理を実行してもよい。
他の例では、点群データ取得部２１が、上述した後処理を実行しなくてもよく（例えば点群データ取得部２１が後処理済の所定森林域点群データを取得してもよく）、ストリップ調整及びノイズフィルタリングとは異なる後処理を実行してもよい。
【0021】
図５は図４（Ｂ）に示す調査地の高標山に対してレーザ光を照射することによって得られた３次元点群画像（詳細には、上述した後処理が実行された後の３次元点群データ）を示す図である。図６は図５に示す調査地の高標山の森林のＣＴスキャン画像を示す図（垂直断面図）である。図７は例えば図５に示すような３次元点群データを処理することによって得られる表層モデルＤＳＭ（Digital Surface Model）、地形モデルＤＥＭ（Digital Elevation Model）及び樹高モデルＣＨＭ（Canopy Height Model）を説明するための図である。
点群データ取得部２１によって取得された３次元の点群データ（詳細には、上述した後処理が実行された後の３次元の点群データ）から表層モデルＤＳＭ、地形モデルＤＥＭ及び樹高モデルＣＨＭを得るための手法としては、例えば下記のＵＲＬが示すＷＥＢサイトに記載された公知の手法を用いることができる。具体的には、表層モデルＤＳＭは、レーザセンサによって検出されたファーストパルスを用いることによって算出可能であり、地形モデルＤＥＭは、レーザセンサによって検出されたラストパルスを用いることによって算出可能である。地形モデルＤＥＭとして、ＷＥＢサイト等から入手可能なデータを用いてもよい。
https://www.gsi.go.jp/chirijoho/chirijoho40069.html
https://www.rinya.maff.go.jp/j/gyoumu/gijutu/kenkyu_happyo/attach/pdf/H30_happyo-8.pdf
点群データ取得部２１によって取得された３次元の点群データ（詳細には、上述した後処理が実行された後の３次元の点群データ）から表層モデルＤＳＭ、地形モデルＤＥＭ及び樹高モデルＣＨＭを得るための手法としては、例えば下記のＵＲＬが示すＷＥＢサイトに記載された公知の手法を用いることができる。具体的には、表層モデルＤＳＭは、レーザセンサによって検出されたファーストパルスを用いることによって算出可能であり、地形モデルＤＥＭは、レーザセンサによって検出されたラストパルスを用いることによって算出可能である。地形モデルＤＥＭとして、ＷＥＢサイト等から入手可能なデータを用いてもよい。
https://www.gsi.go.jp/chirijoho/chirijoho40069.html
https://www.rinya.maff.go.jp/j/gyoumu/gijutu/kenkyu_happyo/attach/pdf/H30_happyo-8.pdf
【0022】
図１に示す例では、精密単木樹冠解析部２２が、特許第６５７００３９号公報に記載された技術を用いることにより、上述した所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析を行う。詳細には、精密単木樹冠解析部２２は、点群データ取得部２１によって取得されて後処理が実行された所定森林域点群データ（詳細には、所定森林域点群データから得られる樹高モデルＣＨＭ）を用いることにより、上述した所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析を行い、その解析の結果である精密単木樹冠解析結果を出力する。
【0023】
図８は精密単木樹冠解析部２２によって行われる複数の単木のそれぞれの樹冠の精密な解析の一例を説明するための図である。詳細には、図８（Ａ）は図４（Ｂ）に示す調査地の高標山の樹高モデルＣＨＭを示しており、図８（Ｂ）は図８（Ａ）に示す樹高モデルＣＨＭに対して特許第６５７００３９号公報に記載された技術を適用することにより得られた精密単木樹冠解析結果を示している。
図８（Ｂ）に示す例では、調査地の高標山に含まれる複数の単木のそれぞれの樹冠が閉曲線によって囲まれて示されている。
図８（Ｂ）に示す例では、調査地の高標山に含まれる複数の単木のそれぞれの樹冠が閉曲線によって囲まれて示されている。
【0024】
図１に示す例では、樹種分類結果取得部２３が、点群データ取得部２１によって取得された所定森林域点群データを用いて精密単木樹冠解析部２２により行われた所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析の結果である精密単木樹冠解析結果（図８（Ｂ）参照）に対する調査員による樹種分類の結果を取得する。
【0025】
図９は図８（Ｂ）に示す精密単木樹冠解析結果に対して調査員によって行われる目視による樹種分類の一例を説明するための図である。詳細には、図９（Ａ）は図８（Ｂ）に示す精密単木樹冠解析結果を示しており、図９（Ｂ）は図９（Ａ）に示す精密単木樹冠解析結果に対して調査員としての本発明者等によって行われた目視による樹種分類の結果を示している。
図９に示す例では、図９（Ｂ）に示す調査員による目視樹種分類の結果が、図９（Ａ）及び図９（Ｂ）に示す森林域内にカラマツと広葉樹とが含まれることを示している。
図９に示す例では、図９（Ｂ）に示す調査員による目視樹種分類の結果が、図９（Ａ）及び図９（Ｂ）に示す森林域内にカラマツと広葉樹とが含まれることを示している。
【0026】
図１に示す例では、上述したように樹種分類結果取得部２３が、精密単木樹冠解析結果に対する調査員による目視樹種分類の結果を取得するのみならず、現地調査結果取得部２４が、調査員による上述した所定の森林域の現地調査の結果を取得する。
【0027】
図１０～図１２は調査員としての本発明者等によって行われた現地調査時に撮影された写真の一例を示す図である。詳細には、図１０（Ａ）はヒノキ林の現地写真を示しており、図１０（Ｂ）はスギ林の現地写真を示しており、図１１（Ａ）はカラマツ林の現地写真を示しており、図１１（Ｂ）はアカマツ林の現地写真を示しており、図１２は広葉樹林の現地写真を示している。
図８（Ｂ）に示す精密単木樹冠解析結果に対する調査員による目視樹種分類では樹種分類を十分に正確に行うことができない場合であっても、図１０～図１２に示すような現地写真及び現地の位置情報を用いることにより、上述した所定の森林域に含まれるすべての単木の樹種分類を十分に正確に行うことができる。
図８（Ｂ）に示す精密単木樹冠解析結果に対する調査員による目視樹種分類では樹種分類を十分に正確に行うことができない場合であっても、図１０～図１２に示すような現地写真及び現地の位置情報を用いることにより、上述した所定の森林域に含まれるすべての単木の樹種分類を十分に正確に行うことができる。
【0028】
図１に示す例では、データ作成部２５が、樹種分類結果取得部２３によって取得された精密単木樹冠解析結果（図８（Ｂ）参照）に対する調査員による樹種分類の結果と、現地調査結果取得部２４によって取得された調査員による上述した所定の森林域の現地調査の結果とに基づいて、上述した所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データを作成する。更に、データ作成部２５は、上述した所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データと、点群データ取得部２１によって取得された所定森林域点群データとを対応づけたデータ（つまり、所定森林域点群データと、所定森林域点群データに対応する樹種データとの組）を作成する。
【0029】
林相区分図作成装置１は、例えばネットワーク等を介してデータ作成装置２に接続されている。林相区分図作成装置１は、例えば通信インターフェースとメモリとプロセッサとを備えるコンピュータによって構成されている。林相区分図作成装置１の通信インターフェースとメモリとプロセッサとは、林相区分図作成装置１内の信号線を介して接続されている。林相区分図作成装置１の通信インターフェースは、林相区分図作成装置１をデータ作成装置２等に接続するためのインターフェース回路を有する。林相区分図作成装置１のメモリは、例えば揮発性の半導体メモリ及び不揮発性の半導体メモリを有する。林相区分図作成装置１のメモリは、林相区分図作成装置１のプロセッサにより実行される処理において使用されるプログラム及び各種のデータを記憶する。林相区分図作成装置１のプロセッサは、データ取得部１１としての機能と、ラベリング処理部１２としての機能と、データセット作成部１３としての機能と、訓練実行部１４としての機能と、レーザ林相図作成部１５としての機能と、林相境界作成部１６としての機能とを有する。
【0030】
データ取得部１１は、データ作成装置２のデータ作成部２５によって作成された所定森林域点群データと樹種データとの組を取得する。つまり、データ取得部１１は、上述した所定の森林域に対してレーザ光を照射することによって得られた所定森林域点群データと、上述した所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データとの組を取得する。
ラベリング処理部１２は、例えば下記のＵＲＬが示すＷＥＢサイトに記載された技術等を用いることによって、データ取得部１１によって取得された所定森林域点群データから、上述した所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出する。更に、ラベリング処理部１２は、抽出された単木点群データに対して樹種を示す情報を加えるラベリング処理を、データ取得部１１によって取得された樹種データに基づいて実行する。
https://www.ipros.jp/product/detail/2000082505/
つまり、ラベリング処理部１２は、単木点群データと単木点群データに加えられた樹種を示す情報との組である学習用データセットを作成する。詳細には、ラベリング処理部１２は、上述した所定の森林域に含まれる単木の数と等しい数の学習用データセットを作成する。この学習用データセットは、後述するＡＩモデルの学習に用いられる。
ラベリング処理部１２は、例えば下記のＵＲＬが示すＷＥＢサイトに記載された技術等を用いることによって、データ取得部１１によって取得された所定森林域点群データから、上述した所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出する。更に、ラベリング処理部１２は、抽出された単木点群データに対して樹種を示す情報を加えるラベリング処理を、データ取得部１１によって取得された樹種データに基づいて実行する。
https://www.ipros.jp/product/detail/2000082505/
つまり、ラベリング処理部１２は、単木点群データと単木点群データに加えられた樹種を示す情報との組である学習用データセットを作成する。詳細には、ラベリング処理部１２は、上述した所定の森林域に含まれる単木の数と等しい数の学習用データセットを作成する。この学習用データセットは、後述するＡＩモデルの学習に用いられる。
【0031】
図１３はラベリング処理部１２による処理の一例を概念的に説明するための図である。
図１３に示す例では、例えば、ラベリング処理部１２が、フォルダ「Abucho_ULS_2018_20211116093610」からＣＳＶファイル形式の単木点群データ「Abucho_ULS_2018_3232」を抽出すると共に、その単木点群データ「Abucho_ULS_2018_3232」に樹種を示す情報としての樹種名「Sugi」を加えるラベリング処理を実行し、単木点群データと単木点群データに加えられた樹種を示す情報との組である学習用データセットとしてのＣＳＶファイル「Abucho_ULS_2018_3232_Sugi.csv」を作成する。また、ラベリング処理部１２は、フォルダ「Abucho_ULS_2018_20211116093610」からＣＳＶファイル形式の単木点群データ「Abucho_ULS_2018_3233」を抽出すると共に、その単木点群データ「Abucho_ULS_2018_3233」に樹種を示す情報としての樹種名「Sugi」を加えるラベリング処理を実行し、単木点群データと単木点群データに加えられた樹種を示す情報との組である学習用データセットとしてのＣＳＶファイル「Abucho_ULS_2018_3233_Sugi.csv」を作成する。更に、ラベリング処理部１２は、フォルダ「Abucho_ULS_2018_20211116093610」からＣＳＶファイル形式の単木点群データ「Abucho_ULS_2018_3241」を抽出すると共に、その単木点群データ「Abucho_ULS_2018_3241」に樹種を示す情報としての樹種名「Hinoki」を加えるラベリング処理を実行し、単木点群データと単木点群データに加えられた樹種を示す情報との組である学習用データセットとしてのＣＳＶファイル「Abucho_ULS_2018_3241_Hinoki.csv」を作成する。また、ラベリング処理部１２は、フォルダ「Abucho_ULS_2018_20211116093610」からＣＳＶファイル形式の単木点群データ「Abucho_ULS_2018_3242」を抽出すると共に、その単木点群データ「Abucho_ULS_2018_3242」に樹種を示す情報としての樹種名「Kouyoujyu」を加えるラベリング処理を実行し、単木点群データと単木点群データに加えられた樹種を示す情報との組である学習用データセットとしてのＣＳＶファイル「Abucho_ULS_2018_3242_Kouyoujyu.csv」を作成する。つまり、ラベリング処理部１２によって実行されるラベリング処理では、抽出された単木点群データのファイル名に樹種名が含められる。
図１３に示す例では、例えば、ラベリング処理部１２が、フォルダ「Abucho_ULS_2018_20211116093610」からＣＳＶファイル形式の単木点群データ「Abucho_ULS_2018_3232」を抽出すると共に、その単木点群データ「Abucho_ULS_2018_3232」に樹種を示す情報としての樹種名「Sugi」を加えるラベリング処理を実行し、単木点群データと単木点群データに加えられた樹種を示す情報との組である学習用データセットとしてのＣＳＶファイル「Abucho_ULS_2018_3232_Sugi.csv」を作成する。また、ラベリング処理部１２は、フォルダ「Abucho_ULS_2018_20211116093610」からＣＳＶファイル形式の単木点群データ「Abucho_ULS_2018_3233」を抽出すると共に、その単木点群データ「Abucho_ULS_2018_3233」に樹種を示す情報としての樹種名「Sugi」を加えるラベリング処理を実行し、単木点群データと単木点群データに加えられた樹種を示す情報との組である学習用データセットとしてのＣＳＶファイル「Abucho_ULS_2018_3233_Sugi.csv」を作成する。更に、ラベリング処理部１２は、フォルダ「Abucho_ULS_2018_20211116093610」からＣＳＶファイル形式の単木点群データ「Abucho_ULS_2018_3241」を抽出すると共に、その単木点群データ「Abucho_ULS_2018_3241」に樹種を示す情報としての樹種名「Hinoki」を加えるラベリング処理を実行し、単木点群データと単木点群データに加えられた樹種を示す情報との組である学習用データセットとしてのＣＳＶファイル「Abucho_ULS_2018_3241_Hinoki.csv」を作成する。また、ラベリング処理部１２は、フォルダ「Abucho_ULS_2018_20211116093610」からＣＳＶファイル形式の単木点群データ「Abucho_ULS_2018_3242」を抽出すると共に、その単木点群データ「Abucho_ULS_2018_3242」に樹種を示す情報としての樹種名「Kouyoujyu」を加えるラベリング処理を実行し、単木点群データと単木点群データに加えられた樹種を示す情報との組である学習用データセットとしてのＣＳＶファイル「Abucho_ULS_2018_3242_Kouyoujyu.csv」を作成する。つまり、ラベリング処理部１２によって実行されるラベリング処理では、抽出された単木点群データのファイル名に樹種名が含められる。
【0032】
図１に示す例では、データセット作成部１３が、例えば下記のＵＲＬが示すＷＥＢサイトに記載された技術等を用いることによって、ラベリング処理部１２によって作成された学習用データセット（上述した所定の森林域に含まれる単木の数と等しい数の学習用データセット）を、ＡＩモデルの訓練に用いられる訓練用データセットと、ＡＩモデルの評価に用いられる検証用データセットと、ＡＩモデルを調査対象森林域（上述した所定の森林域とは異なる森林域）に適用できるか否かの判断に用いられるテスト用データセットとに振り分ける（分割する）。
https://pystyle.info/pytorch-split-dataset/
https://atmarkit.itmedia.co.jp/ait/articles/2006/08/news031_2.html
https://www.mgo-tec.com/blog-entry-colab-dataset01.html
https://slash-z.com/data-split-of-cross-validation/
https://take-tech-engineer.com/torch-utils-data-random-split/
図１に示す例では、データセット作成部１３が、学習用データセットを訓練用データセットと検証用データセットとテスト用データセットとに振り分けるが、他の例では、データセット作成部１３が、学習用データセットを訓練用データセットと検証用データセットとに振り分けてもよい（つまり、テスト用データセットが作成されなくてもよい）。
https://pystyle.info/pytorch-split-dataset/
https://atmarkit.itmedia.co.jp/ait/articles/2006/08/news031_2.html
https://www.mgo-tec.com/blog-entry-colab-dataset01.html
https://slash-z.com/data-split-of-cross-validation/
https://take-tech-engineer.com/torch-utils-data-random-split/
図１に示す例では、データセット作成部１３が、学習用データセットを訓練用データセットと検証用データセットとテスト用データセットとに振り分けるが、他の例では、データセット作成部１３が、学習用データセットを訓練用データセットと検証用データセットとに振り分けてもよい（つまり、テスト用データセットが作成されなくてもよい）。
【0033】
図１に示す例では、データセット作成部１３によって作成された訓練用データセットを用いた訓練が行われると共に、データセット作成部１３によって作成された検証用データセットを用いた評価が行われるＡＩモデルとして、下記の文献に記載されたＰｏｉｎｔＮｅｔという深層学習アルゴリズムが用いられる。
Charles, R. Qi, Hao Su, Mo Kaichun, and Leonidas J. Guibas. PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 77-85. Honolulu, HI: IEEE, 2017. https://doi.org/10.1109/CVPR.2017.16.
Charles, R. Qi, Hao Su, Mo Kaichun, and Leonidas J. Guibas. PointNet: Deep Learning on Point Sets for 3D Classification and Segmentation. In 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 77-85. Honolulu, HI: IEEE, 2017. https://doi.org/10.1109/CVPR.2017.16.
【0034】
図１４は図１に示す例において用いられるＡＩモデルによる解析原理を説明するための図である。
図１４に示すように、このＡＩモデルは、３次元点群データと、その３次元点群データに対応する対象物の種類名（カップ、テーブル、椅子、車、木）との組であるデータセットを用いた学習を行うことにより、入力された３次元点群データに対応する対象物の種類名を出力できるようになる。つまり、このＡＩモデルは、学習後に、入力された３次元点群データが示す点群の分布形状に基づいて、入力された３次元点群データに対応する対象物の種類を判読できるようになる。
図１４に示すように、このＡＩモデルは、３次元点群データと、その３次元点群データに対応する対象物の種類名（カップ、テーブル、椅子、車、木）との組であるデータセットを用いた学習を行うことにより、入力された３次元点群データに対応する対象物の種類名を出力できるようになる。つまり、このＡＩモデルは、学習後に、入力された３次元点群データが示す点群の分布形状に基づいて、入力された３次元点群データに対応する対象物の種類を判読できるようになる。
【0035】
図１５は図１に示す例における上述したＡＩモデルの用い方を説明するための図である。
図１５に示すように、図１に示す例では、ラベリング処理部１２によって作成された学習用データセット（単木点群データと単木点群データに加えられた樹種（スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれか）を示す情報との組）を用いることによって、ＡＩモデルの学習が行われる。ＡＩモデルは、学習後に、入力された３次元点群データが示す樹冠形状に基づいて、入力された３次元点群データに対応する単木の樹種を分類できるようになる。
図１５に示すように、図１に示す例では、ラベリング処理部１２によって作成された学習用データセット（単木点群データと単木点群データに加えられた樹種（スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれか）を示す情報との組）を用いることによって、ＡＩモデルの学習が行われる。ＡＩモデルは、学習後に、入力された３次元点群データが示す樹冠形状に基づいて、入力された３次元点群データに対応する単木の樹種を分類できるようになる。
【0036】
図１６は学習後のＡＩモデルに入力可能な単木の全体の点群データと、学習後のＡＩモデルが樹種分類を行うために必要な単木の樹冠の点群データとの関係を説明するための図である。詳細には、図１６（Ａ）は学習後のＡＩモデルに入力可能な単木の全体の点群データを示しており、図１６（Ｂ）は学習後のＡＩモデルが樹種分類を行うために必要な単木の樹冠の点群データ（単木の全体の点群データの一部）を示している。
本発明者等は、鋭意研究において、学習後のＡＩモデルに対して、図１６（Ａ）に示すような単木の全体の点群データを入力しなくても、図１６（Ｂ）に示すような単木の樹冠の点群データ（単木の全体の点群データの一部）を入力すれば、学習後のＡＩモデルが樹種分類を正確に行うことができることを見い出した。つまり、本発明者等は、学習後のＡＩモデルに対して、ドローンを用いて得られた点群データを入力しなくても、航空機を用いて得られた点群データを入力すれば、学習後のＡＩモデルが十分に正確な樹種分類を行うことができることを見い出したのである。
本発明者等は、鋭意研究において、学習後のＡＩモデルに対して、図１６（Ａ）に示すような単木の全体の点群データを入力しなくても、図１６（Ｂ）に示すような単木の樹冠の点群データ（単木の全体の点群データの一部）を入力すれば、学習後のＡＩモデルが樹種分類を正確に行うことができることを見い出した。つまり、本発明者等は、学習後のＡＩモデルに対して、ドローンを用いて得られた点群データを入力しなくても、航空機を用いて得られた点群データを入力すれば、学習後のＡＩモデルが十分に正確な樹種分類を行うことができることを見い出したのである。
【0037】
図１７はデータセット作成部１３によって作成された訓練用データセット、検証用データセット及びテスト用データセットの一例を示す図である。
図１７に示す例では、訓練用データセットが、樹種ごとにＡＩモデルのパラメータを調整するために用いられた。検証用データセットは、ＡＩモデルの精度の評価に用いられた。テスト用データセットは、学習済のＡＩモデルを上述した所定の森林域とは異なる森林域（調査対象森林域）に適用可能な否かを判断するために用いられた。
また、図１７に示す例では、訓練用本数（訓練用データセットに含まれる単木の本数）と検証用本数（検証用データセットに含まれる単木の本数）とは、樹種間の精度のバラツキが無いように同一本数とし、残り（＝総本数－（訓練用本数＋検証用本数））はテスト用として使用した。データセットの目標割合は、例えば訓練用本数：検証用本数：テスト用本数＝６０：２５：１０とした。
図１７に示す例では、訓練用データセットが、樹種ごとにＡＩモデルのパラメータを調整するために用いられた。検証用データセットは、ＡＩモデルの精度の評価に用いられた。テスト用データセットは、学習済のＡＩモデルを上述した所定の森林域とは異なる森林域（調査対象森林域）に適用可能な否かを判断するために用いられた。
また、図１７に示す例では、訓練用本数（訓練用データセットに含まれる単木の本数）と検証用本数（検証用データセットに含まれる単木の本数）とは、樹種間の精度のバラツキが無いように同一本数とし、残り（＝総本数－（訓練用本数＋検証用本数））はテスト用として使用した。データセットの目標割合は、例えば訓練用本数：検証用本数：テスト用本数＝６０：２５：１０とした。
【0038】
図１８はラベリング処理部１２によって作成された学習用データセットを訓練用データセットと検証用データセットとテスト用データセットとに振り分ける（分割する）ためのデータセット作成部１３による処理の一例を概念的に説明するための図である。
図１８に示す例では、ラベリング処理部１２によって作成された学習用データセット（１６箇所の調査地に対応する１６個のフォルダ「Abucho_ULS_2018_20211116093610」、「Abuhagi_ULS_2019_20211116095126」、「Chichibu_ULS_2019_20211116090814」、「Chichibu_ULS_2020_20211115175130」、「Hiketa_ULS_2021_20211207132016」、「Mukai_ULS_2018_20211117112644」、「Oshiba_ULS_2017_20211116085930」、「Shunan_ULS_2019_20211116082533」、「Site2_ULS_2019_20211117135015」、「Site3_ULS_2019_20211117141644」、「Site5_ULS_2019_20211117171316」、「Takapyou_ULS_2021_20211117124354」、「Takasuka_ULS_2020_20211115162514」、「Tatsuno_ULS_2021_20220728180944」、「Ushikubi_ULS_2017_20211116112453」、「Yamanouchi_ULS_2016_20211117120133」）が、訓練用データセットに対応するフォルダ「Sample Train」と検証用データセットに対応するフォルダ「Sample Valid」とテスト用データセットに対応するフォルダ「Sample Test」とに振り分けられる（分割される）。訓練用データセットに対応するフォルダ「Sample Train」には、ＣＳＶファイル「Tatsuno_ULS_2021_13259_Akamatsu.csv」、「Shunan_ULS_2019_5863_Sugi.csv」等が含まれる。
詳細には、図１８に示す例では、データセット作成部１３が、１６箇所の調査地に対応する学習用データセットを集め、その学習用データセットの６５％を訓練用データセットに振り分け、その学習用データセットの２５％を検証用データセットに振り分け、その学習用データセットの１０％をテスト用データセットに振り分ける。
図１８に示す例では、ラベリング処理部１２によって作成された学習用データセット（１６箇所の調査地に対応する１６個のフォルダ「Abucho_ULS_2018_20211116093610」、「Abuhagi_ULS_2019_20211116095126」、「Chichibu_ULS_2019_20211116090814」、「Chichibu_ULS_2020_20211115175130」、「Hiketa_ULS_2021_20211207132016」、「Mukai_ULS_2018_20211117112644」、「Oshiba_ULS_2017_20211116085930」、「Shunan_ULS_2019_20211116082533」、「Site2_ULS_2019_20211117135015」、「Site3_ULS_2019_20211117141644」、「Site5_ULS_2019_20211117171316」、「Takapyou_ULS_2021_20211117124354」、「Takasuka_ULS_2020_20211115162514」、「Tatsuno_ULS_2021_20220728180944」、「Ushikubi_ULS_2017_20211116112453」、「Yamanouchi_ULS_2016_20211117120133」）が、訓練用データセットに対応するフォルダ「Sample Train」と検証用データセットに対応するフォルダ「Sample Valid」とテスト用データセットに対応するフォルダ「Sample Test」とに振り分けられる（分割される）。訓練用データセットに対応するフォルダ「Sample Train」には、ＣＳＶファイル「Tatsuno_ULS_2021_13259_Akamatsu.csv」、「Shunan_ULS_2019_5863_Sugi.csv」等が含まれる。
詳細には、図１８に示す例では、データセット作成部１３が、１６箇所の調査地に対応する学習用データセットを集め、その学習用データセットの６５％を訓練用データセットに振り分け、その学習用データセットの２５％を検証用データセットに振り分け、その学習用データセットの１０％をテスト用データセットに振り分ける。
【0039】
図１９は１本の単木に対応するＣＳＶファイルに含まれる複数の点のデータ（点群データ）の一例を示す図である。
図１９に示す例では、ＣＳＶファイル「Abucho_ULS_2018_199_Kouyoujyu.csv」が、図２に示す１６箇所の調査地のうちの調査地「阿武町」において収集された２９１０本の広葉樹のうちの１本の広葉樹の３次元の点群データに対応している。このＣＳＶファイル「Abucho_ULS_2018_199_Kouyoujyu.csv」には、１本の広葉樹を構成する点群の３次元座標値（Ｘ，Ｙ，Ｚ）を示す情報が含まれる。
図１９に示す例では、ＣＳＶファイル「Abucho_ULS_2018_199_Kouyoujyu.csv」が、図２に示す１６箇所の調査地のうちの調査地「阿武町」において収集された２９１０本の広葉樹のうちの１本の広葉樹の３次元の点群データに対応している。このＣＳＶファイル「Abucho_ULS_2018_199_Kouyoujyu.csv」には、１本の広葉樹を構成する点群の３次元座標値（Ｘ，Ｙ，Ｚ）を示す情報が含まれる。
【0040】
図１に示す例では、訓練実行部１４が、データセット作成部１３によって作成された訓練用データセットを用いてＡＩモデルの訓練を実行すると共に、データセット作成部１３によって作成された検証用データセットを用いてＡＩモデルの評価を実行する。
図１５に示すように、訓練実行部１４によって実行されるＡＩモデルの訓練では、樹種ごとの単木点群データの樹冠形状をＡＩモデルに学習させる。
図１５に示すように、訓練実行部１４によって実行されるＡＩモデルの訓練では、樹種ごとの単木点群データの樹冠形状をＡＩモデルに学習させる。
【0041】
図２０は図１７に「訓練用本数」で示す訓練用データセットを用いて訓練が実行され、図１７に「検証用本数」で示す検証用データセットを用いて評価が実行されたＡＩモデルの評価結果の一例を示す図である。詳細には、図２０（Ａ）はエポック数（図２０（Ａ）の横軸）と損失（Loss）（図２０（Ａ）の縦軸）との関係を示しており、図２０（Ｂ）はエポック数（図２０（Ｂ）の横軸）と識別精度（Accuracy）（図２０（Ｂ）の縦軸）との関係を示している。
図２０に示す例では、図２０（Ａ）及び図２０（Ｂ）に楕円で示すように、過学習によるデータの損失が生じることなく、かつ、良い識別精度を得ることができた訓練用データセットを用いた訓練の繰り返し回数（エポック数）が２５０回になった。また、図２０（Ａ）に示すように、その訓練の実行時間（elapsed）は１８９時間４２分５７秒になった。
また、図２０に示す例では、図２０（Ｂ）に示すように、良い訓練精度（Training Accuracy）のみならず、良い検証精度（Validation Accuracy）も得ることができた。
図２０に示す例では、図２０（Ａ）及び図２０（Ｂ）に楕円で示すように、過学習によるデータの損失が生じることなく、かつ、良い識別精度を得ることができた訓練用データセットを用いた訓練の繰り返し回数（エポック数）が２５０回になった。また、図２０（Ａ）に示すように、その訓練の実行時間（elapsed）は１８９時間４２分５７秒になった。
また、図２０に示す例では、図２０（Ｂ）に示すように、良い訓練精度（Training Accuracy）のみならず、良い検証精度（Validation Accuracy）も得ることができた。
【0042】
図２１は図１７に示す検証用データセットを用いて評価が実行されたＡＩモデルによるアカマツ、ヒノキ、カラマツ、広葉樹及びスギの５クラス分類の混合行列等を示している。詳細には、図２１（Ａ）は図１７に示す検証用データセットを用いて評価が実行されたＡＩモデルによるアカマツ、ヒノキ、カラマツ、広葉樹及びスギの５クラス分類の混合行列を示しており、図２１（Ｂ）は図２１（Ａ）に示す評価において分類精度が８５．４％と高かったスギの３次元点群データの樹冠形状を示している。
図２１に示すように、訓練用データセットを用いた訓練が実行された後のＡＩモデルが、高い精度でアカマツ、ヒノキ、カラマツ、広葉樹及びスギの５クラス分類を実行可能であることを確認できた。
図２１に示すように、訓練用データセットを用いた訓練が実行された後のＡＩモデルが、高い精度でアカマツ、ヒノキ、カラマツ、広葉樹及びスギの５クラス分類を実行可能であることを確認できた。
【0043】
図１に示す例では、レーザ林相図作成部１５が、訓練、評価及びテストが実行された後のＡＩモデルを用いることにより、調査対象森林域（上述した所定の森林域とは異なる森林域）に対してレーザ光を照射することによって得られた３次元の点群データである調査対象森林域点群データに基づいて、調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行する。詳細には、レーザ林相図作成部１５は、訓練及び評価が実行された後のＡＩモデルを用いることにより、調査対象森林域に含まれる複数の単木のそれぞれを、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類する。更に、レーザ林相図作成部１５は、調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて調査対象森林域のレーザ林相図を作成する。
他の例では、レーザ林相図作成部１５が、訓練及び評価が実行された後のＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた調査対象森林域点群データに基づいて、調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて調査対象森林域のレーザ林相図を作成してもよい。
他の例では、レーザ林相図作成部１５が、訓練及び評価が実行された後のＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた調査対象森林域点群データに基づいて、調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて調査対象森林域のレーザ林相図を作成してもよい。
【0044】
詳細には、図１に示す例では、レーザ林相図作成部１５が、調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行した後に、調査対象森林域に含まれる孤立木（孤立木から所定距離の範囲内にその孤立木と同一の樹種の単木が存在しない単木）を削除するマスク処理を実行してレーザ林相図を作成する。
【0045】
図２２はレーザ林相図作成部１５によってＡＩモデルを用いて実行される複数の単木のそれぞれの樹種分類の結果等の一例を示す図である。詳細には、図２２（Ａ）は訓練及び評価が実行された後のＡＩモデルを用いてレーザ林相図作成部１５によって実行されたテスト用データセットに含まれる調査地「高標山」の複数の単木のそれぞれの樹種分類の結果を示しており、図２２（Ｂ）は図２２（Ａ）に示す樹種分類の結果に対してマスク処理を実行することにより作成された調査地「高標山」のレーザ林相図を示している。
図２２（Ａ）及び図２２（Ｂ）に示す例では、調査地「高標山」のうちのカラマツが優占する樹種であるカラマツ優占領域内においてカラマツの単木から１５ｍ以内に位置する広葉樹等の他樹種の単木（孤立木）を除去するマスク処理が、図２２（Ａ）に示す樹種分類の結果に対して実行される。更に、調査地「高標山」のうちの広葉樹が優占する樹種である広葉樹優占領域内において広葉樹の単木から１５ｍ以内に位置するカラマツ等の他樹種の単木（孤立木）を除去するマスク処理が、図２２（Ａ）に示す樹種分類の結果に対して実行される。
その結果、図２２（Ｂ）に示すように、カラマツ優占領域を「カラマツ林」と表現し、広葉樹優占領域を「広葉樹林」と表現した調査地「高標山」のレーザ林相図が作成される。
図２２（Ａ）及び図２２（Ｂ）に示す例では、調査地「高標山」のうちのカラマツが優占する樹種であるカラマツ優占領域内においてカラマツの単木から１５ｍ以内に位置する広葉樹等の他樹種の単木（孤立木）を除去するマスク処理が、図２２（Ａ）に示す樹種分類の結果に対して実行される。更に、調査地「高標山」のうちの広葉樹が優占する樹種である広葉樹優占領域内において広葉樹の単木から１５ｍ以内に位置するカラマツ等の他樹種の単木（孤立木）を除去するマスク処理が、図２２（Ａ）に示す樹種分類の結果に対して実行される。
その結果、図２２（Ｂ）に示すように、カラマツ優占領域を「カラマツ林」と表現し、広葉樹優占領域を「広葉樹林」と表現した調査地「高標山」のレーザ林相図が作成される。
【0046】
図１に示す例では、林相境界作成部１６が、レーザ林相図作成部１５によって作成されたレーザ林相図に含まれる複数の林相の境界を作成する。
【0047】
図２３はレーザ林相図作成部１５によって作成されたレーザ林相図から、レーザ林相図に含まれる複数の林相の境界が林相境界作成部１６によって作成される処理の一例を示している。詳細には、図２３（Ａ）はレーザ林相図作成部１５によって作成された調査地「高標山」のレーザ林相図を示しており、図２３（B）は図２３（Ａ）に示すレーザ林相図から、林相境界作成部１６によって作成されたレーザ林相図に含まれる複数の林相の境界を示している。
図２３（Ａ）及び図２３（Ｂ）に示す例では、図２３（Ａ）に示す調査地「高標山」のレーザ林相図に「カラマツ林」と「広葉樹林」とが含まれるため、図２３（Ｂ）に示すように、林相境界作成部１６は、「カラマツ林」と「広葉樹林」との境界を作成し、その境界をポリゴン出力する。
更に、図２３（Ａ）及び図２３（Ｂ）に示す例では、林相境界作成部１６が、調査地「高標山」の外縁を調査地「高標山」と外部の森林域との境界として作成し、その境界をポリゴン出力する。
図２３（Ａ）及び図２３（Ｂ）に示す例では、図２３（Ａ）に示す調査地「高標山」のレーザ林相図に「カラマツ林」と「広葉樹林」とが含まれるため、図２３（Ｂ）に示すように、林相境界作成部１６は、「カラマツ林」と「広葉樹林」との境界を作成し、その境界をポリゴン出力する。
更に、図２３（Ａ）及び図２３（Ｂ）に示す例では、林相境界作成部１６が、調査地「高標山」の外縁を調査地「高標山」と外部の森林域との境界として作成し、その境界をポリゴン出力する。
【0048】
図２４は第１実施形態の林相区分図作成装置１によって実行される処理の一例を説明するためのフローチャートである。
図２４に示す例では、ステップＳ１１において、データ取得部１１が、データ作成装置２のデータ作成部２５によって作成された所定森林域点群データと樹種データとの組を取得する。
つまり、ステップＳ１１では、データ取得部１１が、所定の森林域に対してレーザ光を照射することによって得られた３次元の点群データである所定森林域点群データを取得する。更に、データ取得部１１は、所定森林域点群データを用いてデータ作成装置２の精密単木樹冠解析部２２によって行われた所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析の結果である精密単木樹冠解析結果に対する調査員による樹種分類の結果と、調査員による所定の森林域の現地調査の結果とに基づいて、データ作成装置２のデータ作成部２５によって作成された所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データを取得する。
図２４に示す例では、ステップＳ１１において、データ取得部１１が、データ作成装置２のデータ作成部２５によって作成された所定森林域点群データと樹種データとの組を取得する。
つまり、ステップＳ１１では、データ取得部１１が、所定の森林域に対してレーザ光を照射することによって得られた３次元の点群データである所定森林域点群データを取得する。更に、データ取得部１１は、所定森林域点群データを用いてデータ作成装置２の精密単木樹冠解析部２２によって行われた所定の森林域に含まれる複数の単木のそれぞれの樹冠の精密な解析の結果である精密単木樹冠解析結果に対する調査員による樹種分類の結果と、調査員による所定の森林域の現地調査の結果とに基づいて、データ作成装置２のデータ作成部２５によって作成された所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データを取得する。
【0049】
ステップＳ１２では、ラベリング処理部１２が、ステップＳ１１において取得された所定森林域点群データから、所定の森林域に含まれる複数の単木のそれぞれの点群データである単木点群データを抽出する。更に、ラベリング処理部１２は、抽出された単木点群データに対して樹種を示す情報を加えるラベリング処理を、ステップＳ１１において取得された樹種データに基づいて実行することによって、ＡＩモデルの学習に用いられる学習用データセットを作成する。
ステップＳ１３では、データセット作成部１３が、ステップＳ１２において作成された学習用データセットを、少なくとも、ＡＩモデルの訓練に用いられる訓練用データセットと、ＡＩモデルの評価に用いられる検証用データセットとに振り分ける。
ステップＳ１４では、訓練実行部１４が、ステップＳ１３において作成された訓練用データセットを用いてＡＩモデルの訓練を実行すると共に、ステップＳ１３において作成された検証用データセットを用いてＡＩモデルの評価を実行する。
ステップＳ１３では、データセット作成部１３が、ステップＳ１２において作成された学習用データセットを、少なくとも、ＡＩモデルの訓練に用いられる訓練用データセットと、ＡＩモデルの評価に用いられる検証用データセットとに振り分ける。
ステップＳ１４では、訓練実行部１４が、ステップＳ１３において作成された訓練用データセットを用いてＡＩモデルの訓練を実行すると共に、ステップＳ１３において作成された検証用データセットを用いてＡＩモデルの評価を実行する。
【0050】
ステップＳ１５では、レーザ林相図作成部１５が、少なくとも訓練及び評価が実行された後のＡＩモデルを用いることにより、調査対象森林域に対してレーザ光を照射することによって得られた３次元の点群データである調査対象森林域点群データに基づいて、調査対象森林域に含まれる複数の単木のそれぞれの樹種分類を実行すると共に、調査対象森林域に含まれる複数の単木のそれぞれの樹種分類の結果に基づいて調査対象森林域のレーザ林相図を作成する。
詳細には、ステップＳ１５では、少なくとも訓練及び評価が実行された後のＡＩモデルを用いることにより、調査対象森林域に含まれる複数の単木のそれぞれが、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類される。
ステップＳ１６では、林相境界作成部１６が、ステップＳ１５において作成されたレーザ林相図に含まれる複数の林相の境界を作成する。
詳細には、ステップＳ１５では、少なくとも訓練及び評価が実行された後のＡＩモデルを用いることにより、調査対象森林域に含まれる複数の単木のそれぞれが、スギ、ヒノキ、カラマツ、アカマツ及び広葉樹のいずれかに樹種分類される。
ステップＳ１６では、林相境界作成部１６が、ステップＳ１５において作成されたレーザ林相図に含まれる複数の林相の境界を作成する。
【0051】
＜第２実施形態＞
第２実施形態の林相区分図作成装置１は、後述する点を除き、図１に示す第１実施形態の林相区分図作成装置１と同様に構成されている。
第２実施形態の林相区分図作成装置１は、後述する点を除き、図１に示す第１実施形態の林相区分図作成装置１と同様に構成されている。
【0052】
図２５は第２実施形態の林相区分図作成装置１の一例を示す図である。
図２５に示す例では、林相区分図作成装置１が、例えば通信インターフェースとメモリとプロセッサとを備えるコンピュータによって構成されている。通信インターフェースとメモリとプロセッサとは、林相区分図作成装置１内の信号線を介して接続されている。通信インターフェースは、航空レーザ空撮により得られた点群データ、調査員による樹種分類の結果、及び調査員による所定の森林域の現地調査の結果を取得するためのインターフェース回路を有する。メモリは、林相区分図作成装置１のプロセッサにより実行される処理において使用されるプログラム及び各種のデータを記憶する。プロセッサは、データ作成装置１０としての機能と、データ取得部１１としての機能と、ラベリング処理部１２としての機能と、データセット作成部１３としての機能と、訓練実行部１４としての機能と、レーザ林相図作成部１５としての機能と、林相境界作成部１６としての機能とを有する。
図２５に示す例では、林相区分図作成装置１が、例えば通信インターフェースとメモリとプロセッサとを備えるコンピュータによって構成されている。通信インターフェースとメモリとプロセッサとは、林相区分図作成装置１内の信号線を介して接続されている。通信インターフェースは、航空レーザ空撮により得られた点群データ、調査員による樹種分類の結果、及び調査員による所定の森林域の現地調査の結果を取得するためのインターフェース回路を有する。メモリは、林相区分図作成装置１のプロセッサにより実行される処理において使用されるプログラム及び各種のデータを記憶する。プロセッサは、データ作成装置１０としての機能と、データ取得部１１としての機能と、ラベリング処理部１２としての機能と、データセット作成部１３としての機能と、訓練実行部１４としての機能と、レーザ林相図作成部１５としての機能と、林相境界作成部１６としての機能とを有する。
【0053】
データ作成装置１０は、図１に示すデータ作成装置２と概略同様の機能を有する。データ作成装置１０は、精密単木樹冠解析部１０Ａとしての機能と、樹種分類結果取得部１０Ｂとしての機能と、現地調査結果取得部１０Ｃとしての機能と、データ作成部１０Ｄとしての機能とを有する。精密単木樹冠解析部１０Ａは、図１に示すデータ作成装置２の精密単木樹冠解析部２２と概略同様の機能を有する。樹種分類結果取得部１０Ｂは、図１に示すデータ作成装置２の樹種分類結果取得部２３と概略同様の機能を有する。現地調査結果取得部１０Ｃは、図１に示すデータ作成装置２の現地調査結果取得部２４と概略同様の機能を有する。データ作成部１０Ｄは、図１に示すデータ作成装置２のデータ作成部２５と概略同様の機能を有する。
【0054】
図２５に示す例では、データ取得部１１が、図１に示すデータ作成装置２の点群データ取得部２１が有する機能を有する。つまり、データ取得部１１は、所定の森林域（ＡＩモデルの学習用データの作成に用いられる森林域）に対してレーザ光を照射することによって得られた３次元の点群データ（所定森林域点群データ）を取得する。また、データ取得部１１は、取得された所定森林域点群データに対してストリップ調整及びノイズフィルタリングの後処理を実行する。
他の例では、データ取得部１１が、上述した後処理を実行しなくてもよく（例えばデータ取得部１１が後処理済の所定森林域点群データを取得してもよく）、ストリップ調整及びノイズフィルタリングとは異なる後処理を実行してもよい。
他の例では、データ取得部１１が、上述した後処理を実行しなくてもよく（例えばデータ取得部１１が後処理済の所定森林域点群データを取得してもよく）、ストリップ調整及びノイズフィルタリングとは異なる後処理を実行してもよい。
【0055】
図２５に示す例では、データ取得部１１が、データ作成装置１０のデータ作成部１０Ｄによって作成された所定森林域点群データと樹種データとの組を取得する。つまり、データ取得部１１は、所定の森林域に対してレーザ光を照射することによって得られた所定森林域点群データと、所定の森林域に含まれる複数の単木のそれぞれの樹種を示す樹種データとの組を取得する。
【0056】
＜適用例＞
図２６は第１及び第２実施形態の林相区分図作成装置１の適用例を示す図である。詳細には、図２６（Ａ）は林相境界作成部１６によって作成された調査地「高標山」の複数の林相（「カラマツ林」、「広葉樹林」、「スギ林」）の境界を示す図と、調査地「高標山」における地籍調査に基づいて作成された地籍図（「所有者境界線」を示す図）とをマージして示しており、図２６（Ｂ）は図２６（Ａ）に示す破線の矩形で囲まれた部分を拡大して示している。
本発明者等は、鋭意研究において、図２６（Ａ）及び図２６（Ｂ）に示すように、林相境界作成部１６によって作成された調査地「高標山」の複数の林相の境界と、地籍図が示す「所有者境界線」とが概略一致することを見い出した。
つまり、本発明者等は、第１及び第２実施形態の林相区分図作成装置１を地籍調査に適用し、林相境界作成部１６によって作成される複数の林相の境界を「所有者境界線」とみなすことによって、地籍調査の進捗率を向上可能であることを見い出した。
図２６は第１及び第２実施形態の林相区分図作成装置１の適用例を示す図である。詳細には、図２６（Ａ）は林相境界作成部１６によって作成された調査地「高標山」の複数の林相（「カラマツ林」、「広葉樹林」、「スギ林」）の境界を示す図と、調査地「高標山」における地籍調査に基づいて作成された地籍図（「所有者境界線」を示す図）とをマージして示しており、図２６（Ｂ）は図２６（Ａ）に示す破線の矩形で囲まれた部分を拡大して示している。
本発明者等は、鋭意研究において、図２６（Ａ）及び図２６（Ｂ）に示すように、林相境界作成部１６によって作成された調査地「高標山」の複数の林相の境界と、地籍図が示す「所有者境界線」とが概略一致することを見い出した。
つまり、本発明者等は、第１及び第２実施形態の林相区分図作成装置１を地籍調査に適用し、林相境界作成部１６によって作成される複数の林相の境界を「所有者境界線」とみなすことによって、地籍調査の進捗率を向上可能であることを見い出した。
【0057】
上述したように、第１及び第２実施形態の林相区分図作成装置１では、ドローン、航空機等のレーザ計測により取得された３Ｄレーザ点群デ－タの樹冠形状をＡＩモデルに学習させることによって、単木の樹種分類を正確に行い、優占する林相（カラマツ林、スギ林、ヒノキ林、アカマツ林、広葉樹林）を自動で区分することができる。つまり、第１及び第２実施形態の林相区分図作成装置１では、ＡＩモデルを用いることによって科学的かつ客観的な林相区分を行うことができる。更に、第１及び第２実施形態の林相区分図作成装置１では、区分された林相の境界がポリゴン出力されるため、第１及び第２実施形態の林相区分図作成装置１の利用者は、初心者であっても、第１及び第２実施形態の林相区分図作成装置１から出力される林相の境界に基づき、モバイル、ＧＮＳＳ（Global Navigation Satellite System）等を用いて現地で境界杭の位置決めを容易に行うことができる。
本発明は、政府や自治体が求める森林境界不明の解消と日本林業の成長産業化に貢献する極めて有効な実用技術である。また、本発明は、諸外国の森林にも適用可能であり、日本が先導する国際共同研究に貢献することができる。
本発明は、政府や自治体が求める森林境界不明の解消と日本林業の成長産業化に貢献する極めて有効な実用技術である。また、本発明は、諸外国の森林にも適用可能であり、日本が先導する国際共同研究に貢献することができる。
【0058】
以上のように、本発明の林相区分図作成装置、林相区分図作成方法及びプログラムの実施形態について図面を参照して説明したが、本発明の林相区分図作成装置、林相区分図作成方法及びプログラムは上述した実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲で適宜変更を加えることができる。上述した実施形態の各例の構成を適宜組み合わせてもよい。
上述した実施形態の各例では、林相区分図作成装置１において行われる処理を、プログラムを実行することにより行われるソフトウエア処理として説明したが、林相区分図作成装置１において行われる処理が、ハードウエアにより行われる処理であってもよい。あるいは、林相区分図作成装置１において行われる処理が、ソフトウエア及びハードウエアの双方を組み合わせた処理であってもよい。
上述した実施形態の各例では、林相区分図作成装置１において行われる処理を、プログラムを実行することにより行われるソフトウエア処理として説明したが、林相区分図作成装置１において行われる処理が、ハードウエアにより行われる処理であってもよい。あるいは、林相区分図作成装置１において行われる処理が、ソフトウエア及びハードウエアの双方を組み合わせた処理であってもよい。
【符号の説明】
【0059】
１…林相区分図作成装置、１１…データ取得部、１２…ラベリング処理部、１３…データセット作成部、１４…訓練実行部、１５…レーザ林相図作成部、１６…林相境界作成部、２、１０…データ作成装置、２１…点群データ取得部、２２、１０Ａ…精密単木樹冠解析部、２３、１０Ｂ…樹種分類結果取得部、２４、１０Ｃ…現地調査結果取得部、２５、１０Ｄ…データ作成部、ＳＭ…林相区分図作成システム
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】
【図25】
【図26】
