AI樹種判定は、UAV・航空機・衛星から取得したマルチスペクトル画像・LiDAR点群・RGBオルソ画像を入力として、深層学習または機械学習で個別樹冠の樹種を自動分類する技術です。日本の人工林は1,020万haのうちスギ・ヒノキ・カラマツの3樹種で約79%を占める単純構造ですが、天然林1,360万haは多樹種混交林で、伝統的な現地踏査では樹種マッピングに膨大な労力を要します。森林研究整備機構や東京大・京都大の研究グループによるAI樹種判定モデルは、UAV-マルチスペクトル＋LiDAR融合で全体精度85〜93%、針広区分なら95%超に達しており、森林簿の精度向上・施業計画策定の基礎データとして実装段階に入りました。本稿では入力データ・モデル選択・到達精度を整理します。
この記事の要点
- 日本の人工林1,020万haの主要3樹種（スギ444万ha・ヒノキ260万ha・カラマツ100万ha）合計79%は機械学習で識別容易だが、広葉樹混交林の樹種別マッピングは依然として困難。
- UAV-マルチスペクトル（5バンド）＋LiDAR点群融合モデルで主要針葉樹3樹種の判定精度85〜93%、針広区分なら95%超に到達。
- 森林研究整備機構の樹種判定研究では、Random Forest・SVM等の伝統機械学習と深層学習（CNN・Vision Transformer）の精度差は5〜8%程度で、教師データ量が支配的。
- UAV-MS撮影効率50〜80ha/日、教師データ目安1樹種500〜2,000本。広葉樹10樹種精度65〜78%、針葉樹3樹種精度85〜93%。出典：林野庁、FFPRI、森林資源現況。
クイックサマリー：AI樹種判定の基本数値
| 指標 | 数値 | 出典・備考 |
|---|---|---|
| 人工林面積 | 1,020万ha | 林野庁森林資源現況2022 |
| 天然林面積 | 1,360万ha | 林野庁森林資源現況2022 |
| スギ・ヒノキ・カラマツ計 | 804万ha | 人工林の79% |
| 針広区分判定精度 | 95〜98% | FFPRI標準モデル |
| 針葉樹3樹種精度 | 85〜93% | UAV＋LiDAR融合 |
| 広葉樹10樹種精度 | 65〜78% | 天然林・困難領域 |
| UAV-MS撮影効率 | 50〜80ha/日 | マルチスペクトル機 |
| マルチスペクトル機価格 | 200〜500万円 | MicaSense等 |
| 教師データ目安 | 1樹種500〜2000本 | 単木ラベル付 |
| 主要採用モデル | RF/CNN/ViT | 研究機関比較分析 |
| マルチモーダル融合精度 | 90〜94% | 画像＋LiDAR組合せ |
樹種判定の入力データ
AI樹種判定の入力データは、(1)RGB（可視光3バンド）、(2)マルチスペクトル（可視光＋NIR等5〜10バンド）、(3)ハイパースペクトル（数十〜数百バンド）、(4)LiDAR点群、(5)季節差を含む時系列の組合せが代表的です。樹種判定の難度は単一樹種のスペクトル特徴の重なり度合いで決まり、針葉樹（スギ・ヒノキ）は近赤外域（NIR）の反射率差で識別しやすく、広葉樹同士は識別困難です。
LiDAR点群の補助情報
LiDAR点群は3次元構造情報を提供し、樹冠形状（幅・尖度・凹凸）が樹種識別の重要な特徴量となります。スギは円錐形、ヒノキは尖った円錐形、カラマツは細長い円錐形、広葉樹は半球形〜球形と形状差が顕著で、点群密度50点/m²以上のドローンLiDARでは樹冠形状特徴で50〜70%の精度が得られます。マルチスペクトル＋LiDAR融合により、各単独より5〜10ポイント精度が向上します。
具体的な特徴量としては、樹冠高（CHM：Canopy Height Model）、樹冠幅、樹冠体積、樹冠密度、樹冠表面の凹凸（Rugosity）、葉面積指数（PAI）等が抽出され、機械学習モデルの入力として使用されます。これらのLiDAR派生特徴量は、Random Forest等の特徴量ベースの機械学習モデルで重要度上位に入ることが多く、樹種識別の有用な情報源となっています。
機械学習モデルの種類
樹種判定で実績のあるモデルは大きく、(1)伝統的機械学習（Random Forest・SVM）、(2)畳み込みニューラルネット（CNN）、(3)Vision Transformer（ViT・SwinT）、(4)Point Cloud Network（PointNet等LiDAR専用）の4系統です。Random ForestはスペクトルNDVI等の特徴量を使った分類で実績が長く、CNN以降は画像パッチを直接入力する深層学習が主流です。
| モデル | 入力 | 針葉樹3樹種精度 | 学習効率 | 適用場面 |
|---|---|---|---|---|
| Random Forest | 特徴量ベクトル | 82〜86% | 高速・小データ | 標準的・解釈容易 |
| SVM | 特徴量ベクトル | 81〜85% | 中速 | 小規模データ |
| CNN（ResNet等） | 画像パッチ | 87〜92% | GPU必要 | 中規模データ・高精度 |
| Vision Transformer | 画像パッチ | 88〜93% | 大データ必要 | 高精度・最先端 |
| PointNet++ | LiDAR点群 | 75〜83% | 中速 | 構造特徴・補助 |
| マルチモーダル融合 | 画像＋点群 | 90〜94% | 複合GPU | 最高精度・実証段階 |
Random Forestの優位性
研究機関の比較研究（FFPRI 2021年報告）では、Random Forestと最新CNNの精度差は5〜8%程度で、教師データ量が500〜1,000本/樹種の中規模データではRandom Forestのほうがコスト対効果が高いと結論付けられています。深層学習が真価を発揮するのは1樹種2,000本以上の大規模教師データが用意できる場合で、現実的には教師データ整備コストが律速となります。
Random Forestは、決定木の集合体（数百〜数千本）として動作し、特徴量重要度を解釈できるため、林業実務者にとって理解しやすいモデルです。また、過学習を起こしにくく、教師データが少ない地域・樹種でも安定した性能を発揮します。深層学習は最高精度を狙う場合に有効ですが、運用コスト・教師データ整備の観点で、Random Forest含む伝統的機械学習との併用がしばしば現実的な選択となります。
主要樹種別の判定難度
樹種判定の難度は樹種ペアによって大きく異なります。針葉樹3樹種（スギ・ヒノキ・カラマツ）の混合分類なら85〜93%が標準ですが、ヒノキとサワラ、ブナとミズナラなどの近縁樹種ペアでは精度が60〜75%まで低下します。広葉樹は同じ樹種でも個体差・季節変動が大きく、葉色変化を捉える時系列データの活用が精度向上の鍵となります。
季節差・時系列データの活用
樹種判定の精度向上には、複数時期の画像（春・夏・秋・冬）を組み合わせた時系列解析が効果的です。落葉樹（ブナ・ミズナラ・カエデ等）は季節による葉色・樹冠状態の変化が大きく、特に紅葉期・落葉期のデータが樹種識別の有力な特徴量になります。針葉樹は通年で葉が存在しますが、新芽・冬芽の時期にスペクトル特性が変化するため、時系列データで識別精度が向上します。
Sentinel-2衛星（5日間隔）の時系列データと深層学習を組み合わせることで、広葉樹10樹種の判定精度が単一時期の60%程度から80%超まで向上する事例が報告されています。LSTM・Transformer等の時系列モデルが研究フロントで、UAVマルチスペクトルの定期取得（月次・季節次）と組み合わせれば、さらに高精度化が期待できます。
地域・標高・樹齢による精度差
AI樹種判定の精度は、地域・標高・樹齢でも変動します。北海道のトドマツ・カラマツ・エゾマツの3針葉樹混交林、東北のスギ・アカマツ・ブナの混交林、関東中部のスギ・ヒノキ単純林、九州のスギ・ヒノキ混交林、沖縄の亜熱帯多樹種林等、地域固有の樹種構成によって最適なモデル設計が変わります。各地域・各環境のローカルモデルが、汎用モデルより一般に高精度を出します。
標高による樹冠特性の違い（高標高は樹冠が圧縮、低標高は伸長）、樹齢による樹冠形状（若齢林は細い円錐、老齢林は広がった樹冠）も判定精度に影響します。これらは教師データの段階で多様性を担保するか、モデルの入力特徴量に標高・樹齢情報を追加することで対応されます。林野庁・各県の樹種分布データベースとの連携により、これら背景情報を活用したコンテキスト補正が研究されています。
運用ワークフローと処理時間
標準的なAI樹種判定の運用ワークフローは、(1) 撮影計画策定（対象林分・撮影パラメータ）、(2) UAV撮影（マルチスペクトル＋LiDAR）、(3) オルソ生成・点群処理、(4) 個体木抽出（樹冠分割）、(5) 特徴量抽出、(6) AIモデル推論、(7) GIS統合・可視化、(8) 現地検証、の8段階です。100ha規模で全工程を完了するのに概ね5〜10日（人手作業含む）が標準的な所要時間です。
個体木抽出は、LiDARベースの樹冠分割（CHM＋watershed・marker-controlled segmentation）が標準で、抽出精度は単純林で90%超、混交林で70〜85%程度です。抽出された個体木にスペクトル・形状特徴量を割り当て、AIモデルで樹種を分類します。最終的にGISベースの樹種マップ（個体木ポリゴン＋樹種属性）として出力され、森林簿の精度向上・施業計画策定の基礎データとなります。
主要先行事例：北海道・長野・岐阜・京都
AI樹種判定の先行導入地域としては、(1) 北海道道有林・国有林（トドマツ・カラマツ・エゾマツの広域マッピング）、(2) 長野県（スギ・ヒノキ・カラマツの混交林マッピング）、(3) 岐阜県（広域LiDARを基盤とする樹種マップ整備）、(4) 京都府（ナラ枯れ被害対策と連動した広葉樹樹種マップ）、等が挙げられます。各地域で、林業試験場・大学研究機関・コンサルタントが連携で実装を進めています。
| 地域 | 主な対象樹種 | 運用ステージ | 連携機関 |
|---|---|---|---|
| 北海道 | トドマツ・カラマツ・エゾマツ・広葉樹 | 実運用 | 北大・道立試験場 |
| 長野県 | スギ・ヒノキ・カラマツ・アカマツ | 実運用 | 信州大・県林務 |
| 岐阜県 | スギ・ヒノキ・広葉樹 | 実運用 | 岐阜大・県森林研究所 |
| 京都府 | スギ・ヒノキ・ミズナラ・コナラ | 実証→部分運用 | 京都大・府森林研究所 |
| 静岡県 | スギ・ヒノキ | 実証段階 | 静岡大・県森林研究センター |
| 九州各県 | スギ・ヒノキ・広葉樹 | 実証段階 | 九州大・各県試験場 |
各地域の事例を見ると、共通して、(1) 林野庁スマート林業構築実践事業の補助金活用、(2) 都道府県の林業試験場が技術ハブとして機能、(3) 大学研究機関との共同研究で技術開発、(4) コンサルタントが実運用パートナーとして関与、(5) 森林環境譲与税の活用で市町村事業として実装、という構造が確立されつつあります。これにより技術移転・人材育成・予算確保がセットで進む仕組みが整っています。
森林簿の精度向上への貢献
森林簿は森林の所在・面積・樹種・林齢等を記録した基礎台帳で、市町村が整備・管理しています。従来は5〜10年に1回の現地調査・空中写真判読で更新されており、リアルタイム性・精度に課題がありました。AI樹種判定は森林簿の高精度化・高頻度更新を可能にし、(1) 空白地域の樹種データ補完、(2) 過去データの誤りの是正、(3) 林相変化（伐採・造林・自然更新）の検出、等に活用されます。
具体的な事例として、北海道・長野県・岐阜県・京都府等の先行県では、UAV-MS＋AI樹種判定で森林簿のスギ・ヒノキ・カラマツの位置・面積データを更新し、林分密度管理図・収量比数（Ry）の精度向上、施業計画策定の効率化を実現しています。市町村事業として森林環境譲与税の活用枠で実施されている事例も多く、全国普及が段階的に進んでいます。
カーボンクレジット連携：J-クレジット・VCSへの活用
AI樹種判定は、森林由来カーボンクレジット（J-クレジット制度・Verra VCS等）の精度向上にも貢献します。クレジット申請には森林資源量（樹種別蓄積量・成長量）の精緻な計測が必要で、AI樹種判定で取得された個体木レベルの樹種マップは、樹種別アロメトリ式の正確な適用、林分単位の蓄積推定、年次成長量の追跡に不可欠です。林野庁J-クレジット制度のFO-001・FO-002・FO-003方法論で、AI樹種判定データの活用が認められる事例が増えています。
具体的な活用例として、(1) ha単位の樹種別蓄積量マップ作成、(2) 主伐・間伐時の搬出材積予測、(3) 多時期データ比較による成長量推定、(4) 隣接林班との空間連続性の解析、(5) 認証監査向けの透明性高い証拠データ提出、等があります。これらにより、従来の現地踏査では困難だった広域・高精度のクレジット申請データが整備可能となり、認証クレジット量・市場価値の向上に直結します。
研究フロント：基盤モデル・自己教師あり学習
2024〜2025年の研究フロントは、(1) Foundation Model（基盤モデル、画像分野のCLIP・SAM等の森林版）、(2) 自己教師あり学習（SSL：Self-Supervised Learning）、(3) 異種データ融合（光学＋SAR＋LiDAR）、(4) 樹種ハイパースペクトルデータベース、の4方向です。基盤モデルは大量の未ラベルデータで事前学習し、少量のラベルデータでfine-tuningする手法で、教師データ不足の地域・樹種に有効です。
具体的な研究として、Meta社のSAM（Segment Anything Model）を森林の単木抽出に応用、CLIPベースの画像-テキスト連携モデルで樹種を自然言語プロンプトで分類するアプローチ等が進行中です。ハイパースペクトル分光ライブラリ（樹種別の標準分光プロファイル）の整備も進んでおり、これらと深層学習を組み合わせれば、未学習樹種の判定精度が大きく向上する可能性があります。
FAQ：AI樹種判定
Q1. RGBだけで樹種判定はできますか？
RGB単独でも針広区分なら90%程度の精度は得られますが、針葉樹3樹種・広葉樹多樹種の判定には精度が不足します。マルチスペクトル（NIRバンドを含む5バンド以上）が標準的な要件で、ハイパースペクトル・LiDARを組み合わせることで精度が段階的に向上します。コスト・精度のバランスでマルチスペクトル＋LiDARが現実的な選択です。
Q2. 衛星画像だけで樹種判定できますか？
Sentinel-2（10m解像度、5日間隔）で広葉樹優占種・針葉樹優占種の判別、Sentinel-1 SAR（C-band）で森林タイプ判別、Landsat時系列で長期トレンド分析等が可能です。個体木レベルの判別は衛星では困難で、林分（数ha〜数十ha）単位の優占樹種マップが現実的な出力となります。広域監視用途には適していますが、施業計画策定にはUAV取得が必要です。
Q3. 教師データ整備のコツは？
(1) 各樹種で500〜2,000本以上の単木サンプルを確保、(2) 季節・林齢・場所の多様性を意識、(3) 樹冠の影響（隣接木の混在）を避けたクリアな個体を優先、(4) GPS位置精度cm級で位置決め、(5) 既存林班図・森林簿との照合、等が標準的な手順です。FFPRI共通データセットの活用も初期負担軽減に有効です。
Q4. 広葉樹の判定精度を上げるには？
(1) 紅葉期・落葉期を含む複数時期データの取得、(2) ハイパースペクトル画像の活用、(3) LiDAR点群の樹冠形状特徴量の併用、(4) 樹種数を絞った階層分類（針広区分→主要広葉樹分類→近縁種分類）、(5) 教師データ量の確保、等が効果的です。広葉樹は本質的に判定が難しい領域で、現状の精度（65〜78%）から大きく向上させるには研究的アプローチが必要です。
Q5. 商用ツール・サービスはありますか？
福井コンピュータ、建設システム、ジオサーフ、エコリス、パスコ、国際航業等の国内事業者がAI樹種判定サービスを提供しています。自治体向けの広域樹種マップ作成、林業事業体向けの施業計画支援、認証取得時の森林資源把握等、多様な用途に対応します。料金は対象面積・精度要件・出力形式により幅広く、100ha規模で50〜200万円程度が標準です。
Q6. オープンソースのAI樹種判定モデルはありますか？
FFPRI・大学研究室・民間コンサルタントが、GitHub等にオープンソースで深層学習モデル・教師データ・処理スクリプトを公開する事例が増えています。代表的にはYOLOv8ベースの個体木検出、Random Forest分類、PyTorchベースのCNN分類モデル等です。これらをベースにfine-tuningすることで、自前環境でのAI樹種判定が比較的低コストで実現できます。
Q7. 樹種マップの活用例は？
(1) 森林簿の高精度化・高頻度更新、(2) 林分密度管理図・収量比数の精度向上、(3) 主伐・間伐の最適タイミング判定、(4) 森林由来カーボンクレジット（J-クレジット・VCS）の精度向上、(5) 生物多様性評価（広葉樹混交度）、(6) 災害リスク評価（脆弱樹種の分布）、等多岐にわたります。市町村・都道府県の森林政策、林業事業体の経営判断の基礎データとして活用が広がっています。
Q8. ハードウェア要件は？
UAV撮影とSfM処理にはハイエンドPC（CPU 8〜16コア、メモリ32〜64GB、SSD 1TB以上）、AI推論・学習にはGPU搭載ワークステーション（NVIDIA RTX 3090/4090、A100等）が標準です。100ha規模の処理であれば、研究機関・コンサルタント標準の単機構成で対応可能。1,000ha規模の大規模解析になると、クラウドGPU（AWS・GCP）の活用が現実的です。
Q9. 樹種判定と樹種別蓄積量推定はどう連携しますか？
AI樹種判定で取得した個体木の樹種ラベル＋LiDAR派生の樹高・胸高直径推定を組み合わせ、樹種別アロメトリ式（樹高・DBHから材積を推定する関係式）を適用することで、ha単位の樹種別蓄積量を高精度に推計できます。FFPRI・各大学が公開している樹種別アロメトリ式と組み合わせることで、現地踏査を最小化しつつ広域の蓄積量マップ作成が可能となります。
Q10. 海外事例から学べることは？
欧州（ドイツ・フィンランド・スウェーデン）・北米（米国・カナダ）では、衛星マルチスペクトル＋AIで広域樹種マップを国土規模で整備しています。日本のように複雑地形・多樹種の環境下での適用は研究的にも価値があり、国際協調・技術交流が進めば日本独自の樹種判定技術が世界に貢献できる可能性があります。日本のスギ・ヒノキ・カラマツ・広葉樹混交林の研究は、東アジア・東南アジアの林業先進地域への技術移転にも有用です。
導入コストとROI試算
AI樹種判定の導入コストは、(1) UAV機材＋マルチスペクトルカメラ（300〜700万円）、(2) UAV LiDARオプション（追加200〜800万円）、(3) GPU搭載ワークステーション（300〜800万円）、(4) AIモデル開発・教師データ整備（外注で500〜1,500万円、社内開発なら人件費＋数年）、(5) 運用人材・現地検証（年200〜500万円）、で初期投資1,500〜3,500万円、年間運用費200〜500万円程度が標準的水準です。
これに対するROI（投資回収）は、対象面積1,000ha以上、年次更新を毎年実施する規模で3〜5年での回収が見込まれます。森林簿更新の現地調査コスト（1,000haあたり300〜600万円）、施業計画策定の効率化、カーボンクレジット申請の精度向上等を総合的に評価すれば、中規模以上の県・林業事業体にとって明らかに費用対効果のある投資です。森林環境譲与税・林野庁スマート林業構築実践事業等の補助金活用で、初期投資の30〜50%程度を補填できる仕組みもあります。
運用上の注意点とリスク
AI樹種判定の現場運用では、(1) 教師データの偏り（特定樹種の過多、地域的偏在）、(2) AIモデルのブラックボックス性（誤判定の原因が不明）、(3) 季節・天候による画像品質変動、(4) 樹冠の重なり・隣接木の影響、(5) GIS座標精度の確保（個体木レベルの位置精度）、等の課題があります。これらに対する対策として、教師データの多様性確保、現地検証の二段階運用、複数モデルのアンサンブル運用、高精度GNSS（cm級）の使用、等が標準化しつつあります。
運用組織は、(1) UAV撮影オペレータ、(2) SfM処理・点群処理オペレータ、(3) AIモデル開発・運用エンジニア、(4) GIS技術者、(5) 林業現場経験者（現地検証・最終判定）、の5職種が連携する体制が標準です。1人前の運用人材育成には、3〜5年の経験蓄積が必要で、林業試験場・大学・コンサルタントの連携で人材育成プログラムが整備されつつあります。
関連記事
2030年以降の展望：標準ツール化・グローバル展開
2030年以降、AI樹種判定は林業の標準ツールとして全国普及が進み、市町村・都道府県の森林政策・林業事業体の経営判断・カーボンクレジット申請の基礎データとして定着する見通しです。技術的にも、基盤モデル（Foundation Model）・自己教師あり学習・マルチモーダル融合等の研究進展により、教師データ整備コストが大幅削減され、未学習地域・新樹種への汎化性能が向上することが期待されます。グローバルには、東アジア・東南アジアの森林・林業先進地域への技術移転、日本独自の混交林技術の国際展開も視野に入っています。
まとめ
AI樹種判定は、UAV-マルチスペクトル＋LiDAR融合で主要針葉樹3樹種85〜93%、針広区分95〜98%の精度に到達し、森林簿の高精度化・高頻度更新・施業計画策定の基礎データとして実装段階に入りました。広葉樹混交林の樹種別マッピングは依然として65〜78%の精度水準ですが、時系列解析・ハイパースペクトル・基盤モデル等の研究進展で大きな改善が期待されます。Random Forest等の伝統的機械学習と深層学習（CNN・ViT）の精度差は5〜8%程度で、教師データ量が支配的な律速因子となるため、実運用では教師データ整備の効率化が重要です。商用サービス・オープンソース・自治体事業の3層で普及が進み、北海道・長野・岐阜・京都等の先行県の事例を踏まえて、今後5〜10年で全国の主要林業県でAI樹種判定が標準ツール化する見通しです。
コメント