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

森林の地上部炭素蓄積量（above-ground biomass、AGB）推計は、長らく標準木採取＋アロメトリ式という地道な方法に依存してきました。LiDAR（Light Detection and Ranging）技術の発展により、森林を3次元点群として直接計測し、ボクセル単位（立体ピクセル）で構造的バイオマスを推計する手法が確立されつつあります。本稿ではボクセルベースLiDAR解析の現状と、機械学習・衛星LiDAR・UAVを統合した最新トレンドを整理し、林野庁・森林研究・整備機構（FFPRI）の実装事例、Frontiers in Plant Science 2024・MDPI Sensors 2024等の最新査読論文の数値根拠まで踏み込んで解説します。

クイックサマリ：LiDAR森林計測の主要手法

計測プラットフォーム	分解能	主要用途	カバレッジ	典型コスト
地上LiDAR（TLS）	0.1〜2 cm	個体木3D形状、幹直径精密計測	0.1〜1 ha	機材1,500〜3,000万円
UAV LiDAR	2〜10 cm	林分構造解析、ボクセル化	10〜100 ha	機材500〜1,500万円
航空機LiDAR（ALS）	10〜50 cm	地形＋林冠、広域マッピング	1,000〜100,000 ha	取得委託500〜2,000円/ha
衛星LiDAR（GEDI、ICESat-2）	25 m（フットプリント）	地球規模バイオマスマッピング	全球（北緯51.6°〜南緯51.6°）	無償（NASA Earthdata）

表のとおり、計測スケールとコストにはトレードオフがあります。ha単位の高精度立木材積マップが必要な実務では航空機LiDAR＋UAV LiDARの組み合わせが、グローバル炭素収支検証ではGEDIが、それぞれデファクトスタンダードとなっています。

ボクセル化（voxelization）の原理

LiDARが取得する点群（point cloud）は、空間中に分散した数百万〜数億の点座標（x, y, z, 反射強度intensity, リターン番号return number）の集合です。1haあたりの点数は航空機LiDARで20〜200点/m²、UAV LiDARでは500〜3,000点/m²、地上LiDARでは10,000点/m²超に達します。ボクセル化は、この点群を一定サイズの立方格子（例：5cm × 5cm × 5cm）に区切り、各ボクセル内の点の有無や反射強度・点密度を集計する処理です。

ボクセル化の利点は、第一に処理の安定化（計算量を一定範囲に抑制）、第二に空間構造の定量化（ボクセル占有率＝樹冠密度推計）、第三に異なるプラットフォーム・撮影日のデータ統合容易化です。森林学的には、ボクセルレベルの3D占有率から、Plant Area Density（PAD、葉面積密度、m²/m³）・Plant Area Index（PAI、m²/m²）・樹冠ボリューム（m³/ha）を直接推計できます。これらは林冠を介した光環境・降雨遮断・蒸散の物理モデル入力として、森林水文学・生態学の研究で広く用いられています。

1点群あたり数百GBという大容量データを扱うため、近年はCloudCompare（オープンソース）・LAStools（商用、米Rapidlasso社）・Pythonライブラリ（laspy、PDAL、open3d）の組み合わせが標準ツールチェーン化しています。R言語ではlidR（Roussel et al. 2020、Remote Sensing of Environment）が事実上の標準で、CRANから無料配布されています。LASフォーマット（バージョン1.4）がほぼ全ツールで読み書き可能なため、データ移行の障壁は低くなっています。

機械学習による精度向上：XGBoost・SVR・深層学習

2024年に Frontiers in Plant Science 15: 1428268（DOI: 10.3389/fpls.2024.1428268）に発表された論文では、衛星LiDAR（GEDI）と機械学習（Random Forest、XGBoost、SVR）を地理統計手法（Empirical Bayesian Kriging、Sequential Gaussian Simulation）と組み合わせ、地上部バイオマス推計を改善する手法が示されました。サポートベクター回帰（SVR）が最も高精度で、ユーカリ林でR²=0.868、RMSE=7.932 t/haを達成しています。Random ForestもR²=0.851と僅差、XGBoostはR²=0.836でした。

UAV-LiDAR + RGB データを XGBoost で処理した個体木バイオマス推計（MDPI Sensors 24(21): 7071、2024）はR²=0.770、RMSE=21.5 kg/木を実現。深層学習（Minkowski Convolutional Neural Network、Krisanski et al. 2023, Remote Sensing of Environment 305）は点群を直接入力として木材体積・地上部バイオマス・炭素蓄積を推定し、従来のボクセル特徴量ベースモデルを上回る精度（個体木AGBでR²=0.92、RMSE=53 kg）を出しています。

機械学習の主要な貢献は、樹高・樹冠ボリューム等の構造特徴量と、LiDAR反射強度・マルチスペクトル画像等の分光特徴量を非線形に統合する能力にあります。多くの研究が「構造特徴量の方が分光特徴量より重要」と一致した結論を示しており、3D LiDARデータの本質的価値を裏付けています。特徴量重要度（feature importance）解析では、樹冠高（H_dominant）、ボクセル占有率の95パーセンタイル、Plant Area Index（PAI）が常に上位3位に入る傾向が確認されています。

研究／プラットフォーム	対象林分	モデル	R²	RMSE
Frontiers Plant Sci 2024 / GEDI	ユーカリ人工林	SVR	0.868	7.93 t/ha
同上	同上	Random Forest	0.851	8.45 t/ha
MDPI Sensors 2024 / UAV-LiDAR+RGB	個体木（混交林）	XGBoost	0.770	21.5 kg/木
Krisanski 2023 / ALS	豪州ユーカリ	Minkowski CNN	0.920	53 kg/木
FFPRI 2023 / 航空機LiDAR	北海道トドマツ	線形重回帰	0.84	32 m³/ha

NASA GEDI：地球規模の衛星LiDARバイオマスマップ

GEDI（Global Ecosystem Dynamics Investigation）は、2018年12月にNASAが国際宇宙ステーション（ISS）に取り付けた衛星LiDARミッションで、地球規模の森林3D構造を体系的に取得しています。フットプリントは25m径、サンプリング間隔は60m（軌道方向）×600m（クロストラック）で、地球の温帯〜熱帯林（北緯51.6°〜南緯51.6°）をほぼ全面カバーします。1,064nm波長のレーザを毎秒242回照射し、波形（waveform）から樹冠高・地表高・キャノピー垂直構造を取得します。

2022年にL4Bプロダクト（1km解像度の地上部バイオマスマップ、t/ha単位）が公開されて以降、グローバル炭素収支の精緻化が大きく進展。2024〜2025年にはL4Aプロダクト（フットプリント単位の高精度バイオマス、kg単位）の改訂版が公開され、機械学習との組み合わせでさらなる精度向上が進んでいます。Wigneron et al. 2024（Nature Geoscience）のL-VOD（マイクロ波光学的厚み）解析と組み合わせて、グローバル炭素収支の独立検証が可能になっています。日本国内でもJAXAが森林AGBプロダクトの検証用にGEDIデータを参照しており、APIでJSON形式アクセスも整備されています。

GEDI L4Bマップの推計精度は、サンプル単位のRMSE 30〜80 t/haと、地上検証データに対しR²=0.4〜0.6程度。これは1km単位の集計値であり、ピクセル単独での精度は限定的ですが、広域平均（数百km²以上）では十分な信頼性が得られます。J-クレジット申請等、ピクセル精度を要する用途には、GEDIをトレーニングデータとして他衛星（Sentinel-1/2、Landsat、PALSAR-2）と機械学習で組み合わせるアプローチが標準化しつつあります。

UAV LiDAR：機動的な林分計測の標準化

過去5年でUAV搭載型LiDARセンサーは劇的に低価格化し、Velodyne・Livox・YellowScan・GreenValley・Riegl等の機器選択肢が拡大。日本国内でも林業事業者・コンサルが直接調達して林分計測を行う事例が増えています。代表的なシステム構成：

• センサー：Livox MID-70（200〜300万円帯）、Velodyne VLP-16（300〜500万円）、Riegl miniVUX（800〜1,500万円）、YellowScan Mapper+（500〜800万円）
• UAV：DJI Matrice 300 RTK（150〜300万円）、Freefly Alta X（200〜500万円）、DJI Matrice 350 RTK（300〜500万円）
• 処理ソフト：DJI Terra（無償〜）、CloudCompare（無償OSS）、LAStools（商用）、Forest Tools／lidR（R言語OSS）、GreenValley LiDAR360（商用）

飛行コストは1ha単位で1,000〜5,000円程度と試算され、伝統的な毎木調査（30,000〜80,000円/ha相当）と比較して1桁以上の経済性を達成しています。スギ・ヒノキ単純林であれば、UAV LiDAR + 機械学習で個体木抽出精度95%以上が報告されています（Saito et al. 2023, Forests 14(7): 1419）。広葉樹混交林では個体木抽出精度70〜85%程度に低下しますが、林分単位の材積推定では十分な精度（R²=0.85前後）が得られます。

日本における実装事例：FFPRI・林野庁の広域取得

林野庁・森林研究・整備機構は航空機LiDARを活用した「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LiDAR取得が完了。各県の森林簿GIS（GIS森林管理記事参照）に統合され、立木材積・収量比数（Ry）・林分密度管理図ベースのスマート林業基盤として運用されています。点密度は3〜10点/m²が標準で、林分材積推計のRMSEはトドマツ・カラマツ造林地で30〜60 m³/ha（地上検証プロット比R²=0.80〜0.88）が報告されています。

北海道では道有林・国有林の航空機LiDAR取得率が高く、トドマツ・カラマツ造林地のha単位立木材積マップが整備済み。これ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基礎データとして活用されています。長野県・静岡県では県全域の航空機LiDAR取得が完了し、林業成長産業化総合対策事業の優先林地選定（路網整備候補）にも活用。鳥取県・宮崎県では2025年度新規取得が進行中です。

FFPRIは2024年から「森林3Dデータ利活用研究センター」を設置し、ボクセル化LiDARを基盤とする全国共通プラットフォームの開発を進めています。これにより、複数自治体で取得されたLiDARデータの相互運用性が高まり、広域連携プロジェクトでの基盤整備が加速しつつあります。

ボクセル化LiDARの新展開：森林撹乱モニタリング

同一林分の継続的LiDAR取得（多時期解析、multi-temporal LiDAR）により、撹乱の早期検出・林冠変化の定量が可能になっています。北方林の樹冠死亡解析でも、航空機LiDARは深層学習セグメンテーション（U-Net、Mask R-CNN等）と併用される形で標準ツール化しつつあります。森林総研・北海道大学・京都大学等の研究グループが、北海道針広混交林・東北ブナ林・西日本スギ人工林で多時期LiDAR追跡を実施しています。

また、ボクセル化LiDARで樹幹3D形状を取得し、AI画像認識で病害虫被害の早期検出（樹幹形状の異常、樹冠の局所的劣化）も2024年以降の研究フロントです。例えばマツ材線虫病の樹冠変色は航空機LiDARの強度値変化として検出可能で、ドローンRGB画像と組み合わせた監視体系が アカマツ 産地で試行されています。岡山県・広島県では2023〜2025年にUAV LiDAR + AI画像解析による松くい虫被害早期検出システムが試験運用され、検出時間が従来の地上踏査比で1/10〜1/20に短縮されたと報告されています。

J-クレジット・REDD+への精度貢献

森林由来カーボンクレジットの普遍的課題は、計測精度の不十分さに起因するクレジット価値の不安定性です。LiDARボクセル解析と機械学習による高精度推計は、この問題を直接解決します。Verified Carbon Standard（Verra VCS）・American Carbon Registry（ACR）・Gold Standard等の国際認証機関は、LiDAR・衛星リモセン・地上検証の三段階組み合わせを推奨ガイドラインに含めつつあります。VCS VM0047（2023年承認）では航空機LiDARを参照データとする方法論が明示されました。

日本のJ-クレジット制度（FO-001/002/003方法論）でも、ha単位立木材積をLiDAR由来データで算定する事例が増加。2024年時点でFO-001（森林経営活動）の登録プロジェクトのうち、LiDAR由来材積を活用するものは推計15〜20件（全体の約1割）に達し、認証クレジット量の精度寄与が拡大しつつあります。詳細はJ-クレジット制度森林管理プロジェクト記事を参照ください。

コスト・効率比較：LiDAR導入の経済性

計測手法	ha単価	取得期間	主な用途
毎木調査（標準木採取＋胸高直径計測）	30,000〜80,000円	1〜3日/ha	地上検証、補正
UAV LiDAR（自社運用）	1,000〜5,000円	15〜30分/ha	林分構造解析、ha単位材積
UAV LiDAR（外部委託）	5,000〜15,000円	同上	同上
航空機LiDAR（県事業）	500〜2,000円	1日で1万ha	広域材積マップ
衛星画像（Sentinel-2無料）	0円	1日で全国	大局的トレンド、変化検出

ha単価で比較すると、毎木調査の1/10以下のコストでLiDAR計測が可能になっており、年間1,000ha以上を扱う中規模以上の事業者では3〜5年で機材投資の回収が見込めます。逆に小規模事業者では、外部委託での部分活用、もしくは県・国の広域LiDARデータの2次利用が現実的な選択肢です。

ボクセルデータを実務で使う：典型的なワークフロー

UAV LiDARを取得したあと、実務でバイオマス・炭素推計まで持っていくには、点群処理・ボクセル化・特徴量抽出・回帰モデル適用の4段階が標準です。各段階の典型処理と所要時間、よく使うソフトウェアを整理します。

段階	処理内容	所要時間（100ha）	主要ツール
1. 前処理	ノイズ除去、地面分類、DEM生成、樹高正規化	2〜4時間	LAStools、CloudCompare、PDAL
2. ボクセル化	5〜50cm格子で占有率・点密度を集計	1〜2時間	open3d、laspy、lidR
3. 特徴量抽出	樹高・PAI・PAD・ボクセル占有統計量	30分〜1時間	lidR、Python独自スクリプト
4. 回帰モデル	地上検証データでR/F・XGBoost・SVR学習・予測	1〜2時間	scikit-learn、XGBoost、PyTorch

地上検証プロットは100ha対象で20〜30地点（プロットあたり0.04〜0.1ha円形）を設置するのが目安です。プロット設置・毎木調査・標準木採取で1日3〜5地点が実用ペースで、合計5〜10日の現地作業が必要となります。検証データの質が最終精度を決めるため、プロット位置は林分代表性（樹種・林齢・地形）を確保することが重要です。GNSS基準局を使った高精度位置決め（cm級）が標準で、この精度がないとLiDAR点群とのマッチングで誤差が拡大します。

計算リソースは、100ha規模の点群処理で16〜32GB RAM・16コアCPU・1TB SSDが現実的なライン。1,000ha規模になるとクラウド（AWS EC2、GCP Compute Engine）の活用が現実的で、スポットインスタンスを使えば1回の解析で数千〜数万円程度のコストに抑えられます。FFPRIや大学研究室では、独自Pythonパイプラインを構築してOSSとして公開する事例が増えており、参入障壁は年々下がっています。

研究フロント：4D LiDAR・Multi-temporal解析

2024〜2025年の研究フロントは、(1) 同一林分の年次LiDAR取得による「4D解析」（時間方向を加えたボクセル動態）、(2) 衛星LiDAR（GEDI、ICESat-2）と地上LiDARの直接統合、(3) Foundation Model（基盤モデル）による点群事前学習、の3方向に集約されつつあります。

(1) 4D解析では、年次のボクセル占有率変化から成長量・撹乱量を直接推定する手法が試みられています。北方林・温帯林で2〜5年間隔の航空機LiDAR取得が増加しており、林分単位の年成長率（m³/ha/年）の精密推計が可能となりつつあります。FFPRI北海道支所の研究では、トドマツ造林地で2018年・2023年の航空機LiDAR比較から、林分材積成長量のRMSE 4.2 m³/ha/年での推定が報告されています。

(2) Foundation Model系では、Remote Sensing 16(9): 1643（2024）の都市林AGB推計研究で、点群事前学習モデル（PointMAE、Point-BERT等）による精度向上（R²=0.85以上）が示されています。これは画像分野のCLIP・SAMの点群版と位置付けられ、ラベル付きデータが少量しかない地域・樹種でも転移学習で高精度を実現できる可能性を示唆しています。

よくある質問（FAQ）

Q1. LiDARボクセル解析と従来のアロメトリ式はどちらが正確ですか

A. 大規模・均質な人工林では、適切に校正されたアロメトリ式が現在もコストパフォーマンスでは優位です。一方、複層林・天然林・撹乱林・大径木が多い林分ではLiDARボクセル解析が圧倒的に優れます。両者を組み合わせた校正・検証アプローチが標準化しつつあります。Frontiers Plant Sci 2024の比較ではLiDAR+ML手法のRMSEが従来アロメトリ式比で30〜50%改善する事例が複数報告されています。

Q2. 林業事業者がUAV LiDAR導入に必要な投資額は

A. 機材一式（センサー＋UAV＋ソフト）で500〜1,500万円規模。GNSS基準局・処理用PC・人件費を含む年間運用コスト300〜500万円。年間の対象面積1,000ha以上、ha単価3,000円以上で稼働させれば、3〜5年で減価償却可能と試算されます。北海道・東北・九州の中堅林業事業者で導入実績が増加しています。

Q3. NASA GEDIデータは無料で使えますか

A. はい、すべて無料・オープンアクセスです。NASA Earthdata（earthdata.nasa.gov）・Land Processes DAAC（lpdaac.usgs.gov）から配信されています。Pythonライブラリ（h5py、geopandas、xarray）と組み合わせれば、特定地域の解析を容易に開始できます。Google Earth Engineにも全プロダクトがインジェスト済みで、JavaScript／Python APIで即時解析できます。

Q4. LiDARで樹種判別はできますか

A. 単一周波数LiDARだけでは限定的です。マルチスペクトル・ハイパースペクトル画像と組み合わせることで、針葉樹/広葉樹レベルの判別は90%超、樹種レベルでは70〜85%程度の精度が報告されています。最新の深層学習モデル（PointNet++、Minkowski CNN）でさらに精度向上が進行中です。詳細はAI樹種マッピング記事を参照ください。

Q5. ボクセル化のサイズはどう選べばよいですか

A. 解析目的次第です。個体木抽出には1〜5cm、林分構造解析には10〜50cm、広域マッピングには1〜10mが標準的です。同一データを複数解像度でボクセル化して階層的に解析するマルチスケール手法も増えています。経験則として、対象とする森林構造の特徴的サイズ（例：枝の太さ・葉の大きさ）の1/10〜1/3程度のボクセルサイズが推奨されます。

Q6. 自社林にLiDAR導入を検討する際の最初のステップは

A. (1)県や林野庁の既存LiDARデータの有無確認、(2)対象林分の現地特性（樹種・林齢・地形）の整理、(3)パイロット規模（10〜30ha）でのUAV LiDAR委託、(4)地上検証プロット（5〜10ha分）の設置、の順で進めるのが標準的です。最初の試行で得られた精度を基に、本格運用の規模・体制を判断するのが安全です。

関連記事

• スマート林業カテゴリトップ
• GIS森林管理
• J-クレジット制度森林管理プロジェクト
• 森林環境譲与税とは
• AI樹種マッピング
• AI森林被害検出
• ICT林道設計