LiDARボクセルで読む森林3D構造：機械学習で精度R²=0.87を実現する炭素推計革命

森にどれだけの炭素が蓄えられているか——この問いに、林業は長らく「標準木を切って測り、アロメトリ式で全体を推し量る」という地道な方法で答えてきました。そこへLiDAR（レーザー測距）が登場し、森をまるごと3次元の点群として捉え、立体ピクセル＝ボクセル単位で構造を読み解く時代が来ています。本稿では、ボクセルベースのLiDAR解析がいまどこまで来ているのか、機械学習・衛星LiDAR・ドローンを組み合わせた最新の到達点を、具体的な精度数値とコストを添えて整理します。

計測プラットフォームの全体像

ひとくちにLiDARと言っても、地上据え置き型から衛星まで、スケールとコストはまるで違います。まずは全体像をつかんでおきましょう。

分解能を上げれば狭い範囲しか測れず、広く測れば粗くなる——この見事なトレードオフが、用途ごとの使い分けを決めています。ha単位の高精度な材積マップなら航空機＋UAV LiDAR、地球規模の炭素検証なら衛星のGEDIが、それぞれ事実上の標準です。

ボクセル化とは何をしているのか

LiDARが吐き出すのは、空間に散らばった数百万〜数億の点の座標データです。これをそのまま扱うのは重すぎるので、一定サイズの立方格子（たとえば5cm角）に区切り、各マスに点があるか・どれくらい密かを集計します。これがボクセル化です。

利点は3つ。処理が安定すること、空間構造を数値化できること（ボクセルの占有率がそのまま樹冠の密度になる）、そして異なる機材や撮影日のデータを統合しやすくなることです。森林学的には、ボクセルの3D占有率から葉面積密度（PAD）や樹冠ボリューム（m³/ha）を直接見積もれます。ツールはCloudCompareやLAStools、R言語のlidRといったオープンソース/商用が出そろい、LASフォーマットでほぼ相互に読み書きできるため、データ移行の障壁は低くなっています。

機械学習で精度はどこまで上がったか

近年の進展の主役は機械学習です。2024年のFrontiers in Plant Science誌の研究では、衛星LiDAR（GEDI）とサポートベクター回帰（SVR）・ランダムフォレスト・XGBoostを地理統計手法と組み合わせ、ユーカリ林の地上部バイオマス推計でR²=0.868、RMSE=7.93 t/haを達成しました。点群を直接ニューラルネットに入力する深層学習（Minkowski CNN, Krisanski 2023）では、個体木でR²=0.92という高精度も報告されています。

興味深いのは、多くの研究が「樹高や樹冠ボリュームといった構造の特徴量のほうが、反射強度や分光の特徴量より効く」という同じ結論に行き着いていることです。これは、わざわざ3Dで森を測る価値そのものを裏づけています。特徴量の重要度を調べると、樹冠高・ボクセル占有率の上位値・葉面積指数（PAI）が、いつも上位3つに顔を出します。

NASA GEDI：宇宙から森を測る

2018年に国際宇宙ステーションへ搭載されたNASAのGEDIは、地球規模で森林の3D構造を体系的に取得する衛星LiDARです。25m径のフットプリントで温帯〜熱帯林をほぼ全面カバーし、波形から樹冠高や垂直構造を読み取ります。2022年に1km解像度のバイオマスマップ（L4B）が公開されて以降、グローバルな炭素収支の精緻化が一気に進みました。

ただしGEDIのピクセル単独の精度は限定的（RMSE 30〜80 t/ha）で、信頼できるのは広域平均です。J-クレジット申請のようにピクセル精度が要る用途では、GEDIを教師データとしてSentinelやLandsat、PALSAR-2と機械学習で組み合わせるのが定石になっています。

日本の現場：林野庁・FFPRIの広域取得

林野庁と森林研究・整備機構（FFPRI）は航空機LiDARによる森林資源解析を全国で進めており、2026年時点で1道2府18県以上で広域取得が完了しています。点密度は3〜10点/m²が標準で、トドマツ・カラマツ造林地の林分材積推計はRMSE 30〜60 m³/ha（地上検証比R²=0.80〜0.88）という水準です。これらは各県の森林簿GISに統合され、スマート林業の基盤として動いています。

とくに北海道は航空機LiDARの取得率が高く、ha単位の立木材積マップが整備済み。長野・静岡は県全域の取得を終えています。こうしたデータは森林環境譲与税の市町村事業やJ-クレジット制度の吸収量算定の基礎データとして活用されています。

コストで見るLiDARの経済性

結局のところ、現場に効くのはコストです。ha単価で並べると、LiDARの強みがはっきりします。

毎木調査の10分の1以下のコストで計測できるわけですから、年間1,000ha以上を扱う中規模以上の事業者なら、3〜5年で機材投資を回収できる計算です。逆に小規模な事業者には、外部委託での部分活用や、県・国の広域LiDARデータの2次利用が現実的な入り口になります。スギ・ヒノキの単純林ならUAV LiDARと機械学習で個体木抽出精度95%以上が報告されており、広葉樹混交林でも林分単位の材積推定なら十分な精度（R²=0.85前後）が得られます。

よくある質問

LiDARボクセル解析と従来のアロメトリ式、どちらが正確？

大規模で均質な人工林なら、よく校正されたアロメトリ式がコスト面で今も優位です。一方、複層林・天然林・撹乱を受けた林・大径木の多い林では、LiDARボクセル解析が圧倒的に強い。実際には両者を組み合わせて校正・検証するのが標準で、LiDAR+機械学習でRMSEが従来式比30〜50%改善した事例も複数報告されています。

NASA GEDIのデータは無料で使える？

はい、すべて無料・オープンアクセスです。NASA EarthdataやUSGSのLP DAACから配信されており、Google Earth Engineにも全プロダクトが取り込まれているので、JavaScript/Python APIで即座に解析を始められます。