3波長の航空機LiDARデータを用いた樹種分類の検討 鈴鹿山脈民有林の事例
急峻な山地の過密で混植された民有林の実態を把握することは森林管理の課題の一つである。近年航空レーザで森林の実態が解析されるが，532nm，1,064nmと1,550nmの3波長のレーザが利用可能となり，解析精度の向上が期待される。このため本研究では3月観測（1,550nm）と9月観測（532nm，1,064nm）のデータを利用し，鈴鹿山脈の急峻で過密な民有林を対象にスギ・ヒノキ・アカマツ・落葉広葉樹の樹種分類への有効性を検証した。レーザの点群データで樹頂点を判定し，樹頂点から半径0.75m内の点群データを抽出して分類用の特徴量を作成した。分離度に基づいて有効な特徴量を選択後，単木単位のセグメン...
Saved in:
| Published in | Nihon Shinrin Gakkaishi Vol. 106; no. 3; pp. 57 - 67 |
|---|---|
| Main Authors | , , , , |
| Format | Journal Article |
| Language | Japanese |
| Published |
一般社団法人 日本森林学会
2024
|
| Subjects | |
| Online Access | Get full text |
| ISSN | 1349-8509 1882-398X |
| DOI | 10.4005/jjfs.106.57 |
Cover
| Abstract | 急峻な山地の過密で混植された民有林の実態を把握することは森林管理の課題の一つである。近年航空レーザで森林の実態が解析されるが，532nm，1,064nmと1,550nmの3波長のレーザが利用可能となり，解析精度の向上が期待される。このため本研究では3月観測（1,550nm）と9月観測（532nm，1,064nm）のデータを利用し，鈴鹿山脈の急峻で過密な民有林を対象にスギ・ヒノキ・アカマツ・落葉広葉樹の樹種分類への有効性を検証した。レーザの点群データで樹頂点を判定し，樹頂点から半径0.75m内の点群データを抽出して分類用の特徴量を作成した。分離度に基づいて有効な特徴量を選択後，単木単位のセグメント画像を作成してサポートベクターマシン法で樹種を分類した。落葉広葉樹と常緑針葉樹の分類の全体精度は落葉期の1,550nmを利用した場合で95.3％だった。常緑針葉樹の3樹種分類では532nmと1,064nmの2波長の反射係数の特徴量を利用すると88.6％と最も全体精度が高く，1波長（1,064nm）の場合より6.7％向上した。1波長に比べて複数波長の反射係数のデータが常緑針葉樹の分類に有効なことを確認できた。 |
|---|---|
| AbstractList | 急峻な山地の過密で混植された民有林の実態を把握することは森林管理の課題の一つである。近年航空レーザで森林の実態が解析されるが，532nm，1,064nmと1,550nmの3波長のレーザが利用可能となり，解析精度の向上が期待される。このため本研究では3月観測（1,550nm）と9月観測（532nm，1,064nm）のデータを利用し，鈴鹿山脈の急峻で過密な民有林を対象にスギ・ヒノキ・アカマツ・落葉広葉樹の樹種分類への有効性を検証した。レーザの点群データで樹頂点を判定し，樹頂点から半径0.75m内の点群データを抽出して分類用の特徴量を作成した。分離度に基づいて有効な特徴量を選択後，単木単位のセグメント画像を作成してサポートベクターマシン法で樹種を分類した。落葉広葉樹と常緑針葉樹の分類の全体精度は落葉期の1,550nmを利用した場合で95.3％だった。常緑針葉樹の3樹種分類では532nmと1,064nmの2波長の反射係数の特徴量を利用すると88.6％と最も全体精度が高く，1波長（1,064nm）の場合より6.7％向上した。1波長に比べて複数波長の反射係数のデータが常緑針葉樹の分類に有効なことを確認できた。 急峻な山地の過密で混植された民有林の実態を把握することは森林管理の課題の一つである。近年航空レーザで森林の実態が解析されるが，532 nm，1,064 nmと1,550 nmの3波長のレーザが利用可能となり，解析精度の向上が期待される。このため本研究では3月観測(1,550 nm)と9月観測(532 nm，1,064 nm)のデータを利用し，鈴鹿山脈の急峻で過密な民有林を対象にスギ・ヒノキ・アカマツ・落葉広葉樹の樹種分類への有効性を検証した。レーザの点群データで樹頂点を判定し，樹頂点から半径0.75 m内の点群データを抽出して分類用の特徴量を作成した。分離度に基づいて有効な特徴量を選択後，単木単位のセグメント画像を作成してサポートベクターマシン法で樹種を分類した。落葉広葉樹と常緑針葉樹の分類の全体精度は落葉期の1,550 nmを利用した場合で95.3%だった。常緑針葉樹の3樹種分類では532 nmと1,064 nmの2波長の反射係数の特徴量を利用すると88.6%と最も全体精度が高く，1波長(1,064 nm)の場合より6.7%向上した。1波長に比べて複数波長の反射係数のデータが常緑針葉樹の分類に有効なことを確認できた。 |
| Author | 和田, のどか 粟屋, 善雄 吉田, 夏樹 山口, 温 宇野女, 草太 |
| Author_xml | – sequence: 1 orcidid: 0000-0002-1733-8943 fullname: 和田, のどか organization: 中日本航空株式会社 – sequence: 1 fullname: 粟屋, 善雄 organization: 岐阜大学環境社会共生体研究センター – sequence: 1 fullname: 宇野女, 草太 organization: 中日本航空株式会社 – sequence: 1 fullname: 吉田, 夏樹 organization: 中日本航空株式会社 – sequence: 1 fullname: 山口, 温 organization: 中日本航空株式会社 |
| BackLink | https://agriknowledge.affrc.go.jp/RN/2010951734$$DView record in AgriKnowledge |
| BookMark | eNo9kM1Kw0AUhQepYK1d-RypdzKTZrKSWn-hIIiCu-EmndTE2pQkIC7binblQnQnFsVF66IbF6IIPkywP29hquJd3HvhnO8sziLJNIKGImSZQoEDGCu-70YFCsWCYc6RLBVC15glDjPpz7ilCQOsBZKPIs8GndEimELPkjU2enmc3r4mreGk-zwevI8GvYq3XtpLOpdJ5yNpfybt6_FNP2mdJ63eqP827g-_uhfTh_uUGD3dTfpXS2TexXqk8n83Rw42N_bL21pld2unXKpoyABiTUeg1DYVQwMEGhazbdtxmMlc7rrU0l2s2oJXleIWIAcrHQVFYXLBUemosxwxf3PRdUMvllgLveNGcFpX1ZqSAXpyJjiyFki_KYFKAMukHFhKrv6SfhRj6m2G3gmGZxLD2HPqSs6ak2lzkv1sw_xXnCMMpY_sG3lJgF0 |
| ContentType | Journal Article |
| Copyright | 2024 一般社団法人 日本森林学会 |
| Copyright_xml | – notice: 2024 一般社団法人 日本森林学会 |
| DBID | N5S |
| DOI | 10.4005/jjfs.106.57 |
| DatabaseName | AgriKnowledge（アグリナレッジ）AGROLib |
| DatabaseTitleList | |
| DeliveryMethod | fulltext_linktorsrc |
| Discipline | Forestry |
| EISSN | 1882-398X |
| EndPage | 67 |
| ExternalDocumentID | oai_affrc_go_jp_01_00971403 article_jjfs_106_3_106_57_article_char_ja |
| GroupedDBID | 5GY ABJNI ACGFS ALMA_UNASSIGNED_HOLDINGS JSF KQ8 RJT 2WC N5S |
| ID | FETCH-LOGICAL-a300t-2a011b7e3a508a593bbbcc373f4ff192fadb84dee490a409999e0687484ae2a23 |
| ISSN | 1349-8509 |
| IngestDate | Fri Sep 19 12:21:33 EDT 2025 Wed Sep 03 06:31:07 EDT 2025 |
| IsDoiOpenAccess | true |
| IsOpenAccess | true |
| IsPeerReviewed | false |
| IsScholarly | true |
| Issue | 3 |
| Language | Japanese |
| License | https://creativecommons.org/licenses/by-nc-nd/4.0/deed.ja |
| LinkModel | OpenURL |
| MergedId | FETCHMERGED-LOGICAL-a300t-2a011b7e3a508a593bbbcc373f4ff192fadb84dee490a409999e0687484ae2a23 |
| Notes | 951734 ZZ20018854 |
| ORCID | 0000-0002-1733-8943 |
| OpenAccessLink | https://agriknowledge.affrc.go.jp/RN/2010951734 |
| PageCount | 11 |
| ParticipantIDs | affrit_agriknowledge_oai_affrc_go_jp_01_00971403 jstage_primary_article_jjfs_106_3_106_57_article_char_ja |
| PublicationCentury | 2000 |
| PublicationDate | 2024-00-00 |
| PublicationDateYYYYMMDD | 2024-01-01 |
| PublicationDate_xml | – year: 2024 text: 2024-00-00 |
| PublicationDecade | 2020 |
| PublicationTitle | Nihon Shinrin Gakkaishi |
| PublicationTitleAlternate | 日林誌 |
| PublicationYear | 2024 |
| Publisher | 一般社団法人 日本森林学会 |
| Publisher_xml | – name: 一般社団法人 日本森林学会 |
| References | 25) 小林朗子, 小野厚夫. 2013. バンド和で正規化した分光反射率を用いた落葉針葉樹カラマツ林の植生解析. 日本リモートセンシング学会誌. 33(3): 200-207. 4) 粟屋善雄, 大貫仁人, 沢田治雄. 1985. 森林解析のためのLANDSAT-TMデータのチャンネル選定. 日本リモートセンシング学会第5回講演論文集. 5: 77-80. 13) Cortes C, Vapnik V. 1995. Support-vector networks. Mach Learn. 20(3): 273-297. 3) 粟屋善雄, 亀田智恵, 後藤誠二朗, 宮坂聡, 宇野女草太. 2017. 高密度航空レーザーデータと2つの樹冠形特徴量を利用したスギとヒノキの分類. 森林計画誌. 51(1): 9-18. 43) Riegl LMS GmbH Austria. 2021. RiPROCESS. Horn, Austria: RIEGL; p.154-155. 65) Williams DL. 1991. A comparison of spectral reflectance properties at the needle, branch, and canopy level for selected conifer species. Remote Sens Environ. 35(2-3): 79-93. 54) 森林GISフォーラム. 2022. 森林資源データ解析・管理標準仕様書Ver2_0 (2022年7月版). 東京: 一般社団法人日本森林技術協会; p.1-2. 62) Tatum J, Wallin D. 2021. Using discrete-point LiDAR to classify tree species in the riparian pacific northwest, USA. Remote Sens. 13: 2647. 47) 林野庁. 2022b. 生物多様性の保全に配慮した森林施業の手引き. 東京: 林野庁国有林野部経営企画課国有林野生生態系保全室; p. 8. 60) 髙橋正義, 齋藤英樹. 2020. リモートセンシングを用いた森林被害の把握―平成30年台風21号による森林被害把握を例に―. 水利科学. 376: 46-56. 8) Breiman L. 2001. Random forests. Mach Learn. 45: 5-32. 46) 林野庁. 2022a. 令和3年度森林・林業白書. [参照 2022年8月22日]. https://www.rinya.maff.go.jp/j/kikaku/hakusyo/r3hakusyo/attach/pdf/zenbun-34.pdf. 53) Silva CA, Hudak AT, Vierling LA, Loudermilk EL, OʼBrien JJ, Hiers JK, Jack SB, Gonzalez-Benecke C, Lee H, Falkowski MJ, et al. 2016. Imputation of individual longleaf pine (Pinus palustris Mill.) tree attributes from field and LiDAR data. Can J Remote Sens. 42(5): 554-573. 61) Tanabe K, Kurita T, Nishida K, Lučić B, Amić D, Suzuki T. 2013. Improvement of carcinogenicity prediction performances based on sensitivity analysis in variable selection of SVM models. SAR QSAR Environ Res. 24(7): 565-80. 33) Næsset E. 2009. Effects of different sensors, flying altitudes, and pulse repetition frequencies on forest canopy metrics and biophysical stand properties derived from small-footprint airborne laser data. Remote Sens Environ. 113: 148-159. 2) Asa B, Jason W. 2010. A user's guide to support vector machines. Methods Mol Biol. 609: 223-239. 48) Roussel J, Auty D, Coops NC, Tompalski P, Goodbody TRH, Meador AS, Bourdon J, Boissieu F, Achima A. 2020. lidR: An R package for analysis of Airborne Laser Scanning (ALS) data. Remote Sens Environ. 251: 112061. 12) Congalton RG. 1991. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sens Environ. 37(1): 35-46. 39) Peterson DL, Aber JD, Matson PA, Card DH, Swanberg N, Wessman C, Spanner M. 1988. Remote sensing of forest canopy and leaf biochemical contents. Remote Sens Environ. 24(1):85-108. 44) 林野庁. 2019. 我が国の森林と森林経営の現状―モントリオール・プロセス第3回国別報告書―. [参照2022年8月22日]. https://www.rinya.maff.go.jp/j/kaigai/attach/pdf/index-7.pdf. 38) 西田健次, 粟田多喜夫. 2005. カーネル学習法とその画像認識への応用. 情報処理学会論文誌コンピュータビジョンとイメージメディア (CVIM). 12, 46 (SIG15(CVIM12)): 1-10. 30) Matikainen L, Karila K, Hyyppä J, Litkey P, Puttonen E, Ahokas E. 2017. Object-based analysis of multispectral airborne laser scanner data for land cover classification and map updating. ISPRS J Photogramm Remote Sens. 128: 298-313. 11) Comaniciu D, Meer P. 2002. Mean shift: A robust approach toward feature space analysis. IEEE Trans Pattern Anal Mach Intell. 24(5): 603-619. 23) 加藤顕, 石井弘明, 榎木勉, 大澤晃, 小林達明, 梅木清, 佐々木剛, 松英恵吾. 2014. レーザーリモートセンシングの森林生態学への応用. 日林誌. 96(3): 168-181. 34) 中武修一, 山本一清, 吉田夏樹, 山口温, 宇野女草太. 2018. 航空機LiDARによる単木樹種分類手法の開発. 日林誌. 100(5): 149-157. 1) Amiri N, Krzystek P, Heurich M, Skidmore A. 2019. Classification of tree species as well as standing dead trees using triple wavelength ALS in a Temperate Forest. Remote Sens. 11: 2614. 58) 鈴木太郎, 土屋武司, 鈴木真二, 山場淳史. 2016. 小型UAVによる空撮画像からのスーパーピクセル分割と機械学習を用いた植生分類手法の構築. 日本リモートセンシング学会誌. 36(2): 59-71. 37) Nguyen HM, Demir B, Dalponte M. 2019. A weighted SVM-based approach to tree species classification at individual tree crown level using LiDAR data. Remote Sens. 11(24): 2948. 29) Martinuzzi S, Vierling LA, Gould WA, Falkowski MJ, Evans JS, Hudak AT, Vierling KT. 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens Environ. 13(12): 2533-2546. 7) Boser BE, Guyon IM, Vpnik VN. 1992. A training algorithm for optimal margin classifiers. In: Haussler D. COLT '92: Proceedings of the 5th annual workshop on computational learning theory; July 1; Pittsburgh(PA). New York (NY): Association for Computing Machinery; p. 144-152. 59) Swain PH, Davis SM, editors. 1978. Remote sensing: the quantitative approach. New York (NY): McGraw-Hill; p.166-182. 63) 飛田博順, 北尾光俊, 斉藤哲, 壁谷大介, 川崎達郎, 矢崎健一, 小松雅史, 梶本卓也. 2014. スギ樹冠葉の光合成特徴量の樹冠内・季節間変動. 関東森林研究. 65 (1): 103-106. 41) R Core Team. 2022. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. [accessed 2022 August 29]. https://www.R-project.org/. 15) Engler R, Waser TL, Zimmermann EN, Schaub M, Berdos S, Ginzler C. 2013. Combining ensemble modeling and remote sensing for mapping individual tree species at high spatial resolution. For Ecol Manag. 310: 64-73. 24) Kim S, McGaughey RJ, Andersen HE, Schreuder G. 2009. Tree species differentiation using intensity data derived from leaf-on and leaf-off airborne laser scanner data. Remote Sens Environ. 113: 1575-1586. 55) Steel RGD. 1960. A rank sum test for comparing all pairs of treatments. Technometrics. 2: 197-207. 40) Pfennigbauer M, Ullrich A. 2010. Improving quality of laser scanning data acquisition through calibrated amplitude and pulse deviation measurement. In: Monte D. Turner MD, Kamerman GW. Proceedings of SPIE 7684, Laser Radar Technology and Applications. XV 76841F; April 29. Orlando (FL): The International Society for Optical Engineering. 51) 滋賀県. 2022. 滋賀県ニホンジカ第二種特定鳥獣管理計画 (第4次). p. 39-43. [参照2022年8月22日]. https://www.pref.shiga.lg.jp/file/attachment/5310333.pdf. 16) Friedman J. 2001. Greedy function approximation: A gradient boosting machine. Ann Stat. 29(5): 1189-1232. 18) Han Q, Katahata S, Kakubari Y, Mukai Y. 2004. Seasonal changes in the xanthophyll cycle and antioxidants in sun-exposed and shaded parts of the crown of Cryptomeria japonica in relation to rhodoxanthin accumulation during cold acclimation. Tree Physiol. 24(6): 609-616. 22) Ishii HT, Tanabe S, Hiura T. 2004. Exploring the relationships among canopy structure, stand productivity, and biodiversity of temperate forest ecosystems. Forest Sci. 50(3): 342-355. 35) 農林水産省. 2012. 農林水産省生物多様性戦略. [参照2023年5月3日]. https://www.maff.go.jp/j/kanbo/kankyo/seisaku/c_bd/bds_maff/attach/pdf/index-6.pdf. 50) Schneider G, Chicken E, Becvarik R. 2022. NSM3: Functions and datasets to accompany hollander, wolfe, and chicken-Nonparametric statistical methods, Third Edition. R topics documented. 56) 志水克人. 2023. 衛星データを用いた森林変化マップにおける面積推定と精度評価の手法. 日林誌. 105(5): 166-182. 19) Hovi A, Korhonena L, Vauhkonen J, Korpela I. 2016. LiDAR waveform features for tree species classification and their sensitivity to tree- and acquisition related parameters. Remote Sens Environ. 173: 224-237. 64) 梅津佑太, 西井龍映, 上田勇祐. 2020. スパース回帰分析とパターン認識. 東京: 講談社; p.77-78, p.150-167. 36) 農林水産省. 2023. 全国森林計画. [参照2023年12月23日]. https://www.rinya.maff.go.jp/j/press/keikaku/attach/pdf/231013_8-2.pdf. 5) Axelsson A, Lindberg E, Olsson H. 2018. Exploring multispectral ALS data for tree species classification. Remote Sens. 10(2): 183. 57) 鈴木大慈. 2018. 過学習と正規化. 応用数理. 28(2): 28-33. 26) Korpela I, Ørka HO, Maltamo M, Tokola T, Hyyppä J. 2010. Tree species classification using airborne LiDAR – Effects of stand and tree parameters, downsizing of training set, intensity normalization, and sensor type. Silva Fenn. 44(2): 319-339. 49) 澤田晴雄, 大久保達弘, 梶幹男, 大村和也. 2005. 秩父山地山地帯天然林における植生型および樹種個体群の空間分布と地形依存性. 日林誌. 87(4): 293-303. 10) Cohen J. 1960. A coefficient of agreement for nominal scales. Educ Psychol Meas. 20(1): 37-46. 14) Dwass M. 1960. Some k-sample rank-order tests. In: Gleser LJ, Perlman MD, Press SJ, Sampson AR, editors. Contributions to probability and statistics. New York (NY): Springer. p. 198-202. 21) Hyyppä J, Hyyppä H, Leckie D, Gougeon F, Yu X, Maltamo M. 2008. Review of methods of small-footprint airborne laser scanning for extracting forest inventory data in boreal forests. Int. J. Remote Sens. 29(5): 1339-1366. 6) Baltsavias EP. 1999. A comparison between photogrammetry and laser scanning. ISPRS J Photogramm Remote Sens. 54: 83-97. 17) Ghosh A, Fassnacht EF, Joshi PK, Koch B. 2014. A framework for mapping tree species combining hyperspectral and LiDAR data: Role of selected classifiers and sensor across three spatial scales. Int J Appl Earth Obs Geoinf. 26: 49-63. 20) Hudak AT, Strand EK, Vierling LA, Byrne JC, Eitel JUH, Martinuzzi S, Falkowski MJ. 2012. Quantifying aboveground forest carbon pools and fluxes from repeat LiDAR surveys. Remote Sens Environ. 123: 25-40. 31) Mäyrä J, Keski-Saari S，Kivinen S，Tanhuanpää T， Hurskainen P，Kullberg P，Poikolainen L，Viinikka A，Tuominen S，Kumpula T, Vihervaara P. 2021. Tree species classification from airborne hyperspectral and LiDAR data using 3D convolutional neural networks. Remote Sens Environ. 256: 112322. 32) 三浦一将, 山本一清, 古川丈真. 2023. PointNet++ を用いた樹種分類の検討. 第134回日本森林学会大会, ポスター発表, 2023年3月 25～27日開催. 鳥取市; オンライン. https://www.forestry.jp/meeting/meeting-134/. 27) Liu Z, Wang L, Zhang Y, Chen CLP. 2016. A SVM controller for the stable walking of biped robots based on small sample sizes. Appl Soft Comput. 38: 738-753. 45) 林野庁. 2020. スギ・ヒノキ・カラマツにおける低密度植栽のための技術指針. 東京: 林野庁; 28: 1. 42) RIEGL Laser Measurement Systems GmbH. 2019. WHITEPAPER LAS Extrabytes Implementation in RIEGL Software. [accessed 2022 October 19]. http://www.riegl.com/uploads/tx_pxpriegldownloads/Whitepaper_LAS_extrabytes_implementation_in_RIEGL_Software_2019-04-15.pdf. 28) Lovell JL, Jupp DLB, Culvenor DS, Coops NC. 2003. Using airborne and ground-based ranging lidar to measure canopy structure in Australian forests. Can J Remote Sens. 29(5): 607-622. 9) 千葉茂. 1953. スギ針葉の冬期における変色の遺伝（第I報）針葉の変色の観察及びアカスギ, ミドリスギの交雜.日林誌. 35(9): 286-289. 52) 朱林,チャタクリ スバス, 島村秀樹. 2016. 航空レーザ計測データによる林相分類手法の研究. 写真測量とリモートセンシング. 55(5): 303-313. |
| References_xml | – reference: 10) Cohen J. 1960. A coefficient of agreement for nominal scales. Educ Psychol Meas. 20(1): 37-46. – reference: 33) Næsset E. 2009. Effects of different sensors, flying altitudes, and pulse repetition frequencies on forest canopy metrics and biophysical stand properties derived from small-footprint airborne laser data. Remote Sens Environ. 113: 148-159. – reference: 59) Swain PH, Davis SM, editors. 1978. Remote sensing: the quantitative approach. New York (NY): McGraw-Hill; p.166-182. – reference: 18) Han Q, Katahata S, Kakubari Y, Mukai Y. 2004. Seasonal changes in the xanthophyll cycle and antioxidants in sun-exposed and shaded parts of the crown of Cryptomeria japonica in relation to rhodoxanthin accumulation during cold acclimation. Tree Physiol. 24(6): 609-616. – reference: 3) 粟屋善雄, 亀田智恵, 後藤誠二朗, 宮坂聡, 宇野女草太. 2017. 高密度航空レーザーデータと2つの樹冠形特徴量を利用したスギとヒノキの分類. 森林計画誌. 51(1): 9-18. – reference: 9) 千葉茂. 1953. スギ針葉の冬期における変色の遺伝（第I報）針葉の変色の観察及びアカスギ, ミドリスギの交雜.日林誌. 35(9): 286-289. – reference: 2) Asa B, Jason W. 2010. A user's guide to support vector machines. Methods Mol Biol. 609: 223-239. – reference: 8) Breiman L. 2001. Random forests. Mach Learn. 45: 5-32. – reference: 43) Riegl LMS GmbH Austria. 2021. RiPROCESS. Horn, Austria: RIEGL; p.154-155. – reference: 64) 梅津佑太, 西井龍映, 上田勇祐. 2020. スパース回帰分析とパターン認識. 東京: 講談社; p.77-78, p.150-167. – reference: 23) 加藤顕, 石井弘明, 榎木勉, 大澤晃, 小林達明, 梅木清, 佐々木剛, 松英恵吾. 2014. レーザーリモートセンシングの森林生態学への応用. 日林誌. 96(3): 168-181. – reference: 45) 林野庁. 2020. スギ・ヒノキ・カラマツにおける低密度植栽のための技術指針. 東京: 林野庁; 28: 1. – reference: 22) Ishii HT, Tanabe S, Hiura T. 2004. Exploring the relationships among canopy structure, stand productivity, and biodiversity of temperate forest ecosystems. Forest Sci. 50(3): 342-355. – reference: 52) 朱林,チャタクリ スバス, 島村秀樹. 2016. 航空レーザ計測データによる林相分類手法の研究. 写真測量とリモートセンシング. 55(5): 303-313. – reference: 56) 志水克人. 2023. 衛星データを用いた森林変化マップにおける面積推定と精度評価の手法. 日林誌. 105(5): 166-182. – reference: 58) 鈴木太郎, 土屋武司, 鈴木真二, 山場淳史. 2016. 小型UAVによる空撮画像からのスーパーピクセル分割と機械学習を用いた植生分類手法の構築. 日本リモートセンシング学会誌. 36(2): 59-71. – reference: 28) Lovell JL, Jupp DLB, Culvenor DS, Coops NC. 2003. Using airborne and ground-based ranging lidar to measure canopy structure in Australian forests. Can J Remote Sens. 29(5): 607-622. – reference: 39) Peterson DL, Aber JD, Matson PA, Card DH, Swanberg N, Wessman C, Spanner M. 1988. Remote sensing of forest canopy and leaf biochemical contents. Remote Sens Environ. 24(1):85-108. – reference: 6) Baltsavias EP. 1999. A comparison between photogrammetry and laser scanning. ISPRS J Photogramm Remote Sens. 54: 83-97. – reference: 19) Hovi A, Korhonena L, Vauhkonen J, Korpela I. 2016. LiDAR waveform features for tree species classification and their sensitivity to tree- and acquisition related parameters. Remote Sens Environ. 173: 224-237. – reference: 44) 林野庁. 2019. 我が国の森林と森林経営の現状―モントリオール・プロセス第3回国別報告書―. [参照2022年8月22日]. https://www.rinya.maff.go.jp/j/kaigai/attach/pdf/index-7.pdf. – reference: 46) 林野庁. 2022a. 令和3年度森林・林業白書. [参照 2022年8月22日]. https://www.rinya.maff.go.jp/j/kikaku/hakusyo/r3hakusyo/attach/pdf/zenbun-34.pdf. – reference: 31) Mäyrä J, Keski-Saari S，Kivinen S，Tanhuanpää T， Hurskainen P，Kullberg P，Poikolainen L，Viinikka A，Tuominen S，Kumpula T, Vihervaara P. 2021. Tree species classification from airborne hyperspectral and LiDAR data using 3D convolutional neural networks. Remote Sens Environ. 256: 112322. – reference: 30) Matikainen L, Karila K, Hyyppä J, Litkey P, Puttonen E, Ahokas E. 2017. Object-based analysis of multispectral airborne laser scanner data for land cover classification and map updating. ISPRS J Photogramm Remote Sens. 128: 298-313. – reference: 60) 髙橋正義, 齋藤英樹. 2020. リモートセンシングを用いた森林被害の把握―平成30年台風21号による森林被害把握を例に―. 水利科学. 376: 46-56. – reference: 50) Schneider G, Chicken E, Becvarik R. 2022. NSM3: Functions and datasets to accompany hollander, wolfe, and chicken-Nonparametric statistical methods, Third Edition. R topics documented. – reference: 40) Pfennigbauer M, Ullrich A. 2010. Improving quality of laser scanning data acquisition through calibrated amplitude and pulse deviation measurement. In: Monte D. Turner MD, Kamerman GW. Proceedings of SPIE 7684, Laser Radar Technology and Applications. XV 76841F; April 29. Orlando (FL): The International Society for Optical Engineering. – reference: 51) 滋賀県. 2022. 滋賀県ニホンジカ第二種特定鳥獣管理計画 (第4次). p. 39-43. [参照2022年8月22日]. https://www.pref.shiga.lg.jp/file/attachment/5310333.pdf. – reference: 62) Tatum J, Wallin D. 2021. Using discrete-point LiDAR to classify tree species in the riparian pacific northwest, USA. Remote Sens. 13: 2647. – reference: 13) Cortes C, Vapnik V. 1995. Support-vector networks. Mach Learn. 20(3): 273-297. – reference: 15) Engler R, Waser TL, Zimmermann EN, Schaub M, Berdos S, Ginzler C. 2013. Combining ensemble modeling and remote sensing for mapping individual tree species at high spatial resolution. For Ecol Manag. 310: 64-73. – reference: 27) Liu Z, Wang L, Zhang Y, Chen CLP. 2016. A SVM controller for the stable walking of biped robots based on small sample sizes. Appl Soft Comput. 38: 738-753. – reference: 17) Ghosh A, Fassnacht EF, Joshi PK, Koch B. 2014. A framework for mapping tree species combining hyperspectral and LiDAR data: Role of selected classifiers and sensor across three spatial scales. Int J Appl Earth Obs Geoinf. 26: 49-63. – reference: 47) 林野庁. 2022b. 生物多様性の保全に配慮した森林施業の手引き. 東京: 林野庁国有林野部経営企画課国有林野生生態系保全室; p. 8. – reference: 63) 飛田博順, 北尾光俊, 斉藤哲, 壁谷大介, 川崎達郎, 矢崎健一, 小松雅史, 梶本卓也. 2014. スギ樹冠葉の光合成特徴量の樹冠内・季節間変動. 関東森林研究. 65 (1): 103-106. – reference: 32) 三浦一将, 山本一清, 古川丈真. 2023. PointNet++ を用いた樹種分類の検討. 第134回日本森林学会大会, ポスター発表, 2023年3月 25～27日開催. 鳥取市; オンライン. https://www.forestry.jp/meeting/meeting-134/. – reference: 53) Silva CA, Hudak AT, Vierling LA, Loudermilk EL, OʼBrien JJ, Hiers JK, Jack SB, Gonzalez-Benecke C, Lee H, Falkowski MJ, et al. 2016. Imputation of individual longleaf pine (Pinus palustris Mill.) tree attributes from field and LiDAR data. Can J Remote Sens. 42(5): 554-573. – reference: 41) R Core Team. 2022. R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. [accessed 2022 August 29]. https://www.R-project.org/. – reference: 48) Roussel J, Auty D, Coops NC, Tompalski P, Goodbody TRH, Meador AS, Bourdon J, Boissieu F, Achima A. 2020. lidR: An R package for analysis of Airborne Laser Scanning (ALS) data. Remote Sens Environ. 251: 112061. – reference: 36) 農林水産省. 2023. 全国森林計画. [参照2023年12月23日]. https://www.rinya.maff.go.jp/j/press/keikaku/attach/pdf/231013_8-2.pdf. – reference: 5) Axelsson A, Lindberg E, Olsson H. 2018. Exploring multispectral ALS data for tree species classification. Remote Sens. 10(2): 183. – reference: 54) 森林GISフォーラム. 2022. 森林資源データ解析・管理標準仕様書Ver2_0 (2022年7月版). 東京: 一般社団法人日本森林技術協会; p.1-2. – reference: 14) Dwass M. 1960. Some k-sample rank-order tests. In: Gleser LJ, Perlman MD, Press SJ, Sampson AR, editors. Contributions to probability and statistics. New York (NY): Springer. p. 198-202. – reference: 57) 鈴木大慈. 2018. 過学習と正規化. 応用数理. 28(2): 28-33. – reference: 65) Williams DL. 1991. A comparison of spectral reflectance properties at the needle, branch, and canopy level for selected conifer species. Remote Sens Environ. 35(2-3): 79-93. – reference: 29) Martinuzzi S, Vierling LA, Gould WA, Falkowski MJ, Evans JS, Hudak AT, Vierling KT. 2009. Mapping snags and understory shrubs for a LiDAR-based assessment of wildlife habitat suitability. Remote Sens Environ. 13(12): 2533-2546. – reference: 20) Hudak AT, Strand EK, Vierling LA, Byrne JC, Eitel JUH, Martinuzzi S, Falkowski MJ. 2012. Quantifying aboveground forest carbon pools and fluxes from repeat LiDAR surveys. Remote Sens Environ. 123: 25-40. – reference: 16) Friedman J. 2001. Greedy function approximation: A gradient boosting machine. Ann Stat. 29(5): 1189-1232. – reference: 24) Kim S, McGaughey RJ, Andersen HE, Schreuder G. 2009. Tree species differentiation using intensity data derived from leaf-on and leaf-off airborne laser scanner data. Remote Sens Environ. 113: 1575-1586. – reference: 61) Tanabe K, Kurita T, Nishida K, Lučić B, Amić D, Suzuki T. 2013. Improvement of carcinogenicity prediction performances based on sensitivity analysis in variable selection of SVM models. SAR QSAR Environ Res. 24(7): 565-80. – reference: 4) 粟屋善雄, 大貫仁人, 沢田治雄. 1985. 森林解析のためのLANDSAT-TMデータのチャンネル選定. 日本リモートセンシング学会第5回講演論文集. 5: 77-80. – reference: 11) Comaniciu D, Meer P. 2002. Mean shift: A robust approach toward feature space analysis. IEEE Trans Pattern Anal Mach Intell. 24(5): 603-619. – reference: 42) RIEGL Laser Measurement Systems GmbH. 2019. WHITEPAPER LAS Extrabytes Implementation in RIEGL Software. [accessed 2022 October 19]. http://www.riegl.com/uploads/tx_pxpriegldownloads/Whitepaper_LAS_extrabytes_implementation_in_RIEGL_Software_2019-04-15.pdf. – reference: 49) 澤田晴雄, 大久保達弘, 梶幹男, 大村和也. 2005. 秩父山地山地帯天然林における植生型および樹種個体群の空間分布と地形依存性. 日林誌. 87(4): 293-303. – reference: 34) 中武修一, 山本一清, 吉田夏樹, 山口温, 宇野女草太. 2018. 航空機LiDARによる単木樹種分類手法の開発. 日林誌. 100(5): 149-157. – reference: 7) Boser BE, Guyon IM, Vpnik VN. 1992. A training algorithm for optimal margin classifiers. In: Haussler D. COLT '92: Proceedings of the 5th annual workshop on computational learning theory; July 1; Pittsburgh(PA). New York (NY): Association for Computing Machinery; p. 144-152. – reference: 1) Amiri N, Krzystek P, Heurich M, Skidmore A. 2019. Classification of tree species as well as standing dead trees using triple wavelength ALS in a Temperate Forest. Remote Sens. 11: 2614. – reference: 38) 西田健次, 粟田多喜夫. 2005. カーネル学習法とその画像認識への応用. 情報処理学会論文誌コンピュータビジョンとイメージメディア (CVIM). 12, 46 (SIG15(CVIM12)): 1-10. – reference: 37) Nguyen HM, Demir B, Dalponte M. 2019. A weighted SVM-based approach to tree species classification at individual tree crown level using LiDAR data. Remote Sens. 11(24): 2948. – reference: 12) Congalton RG. 1991. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sens Environ. 37(1): 35-46. – reference: 21) Hyyppä J, Hyyppä H, Leckie D, Gougeon F, Yu X, Maltamo M. 2008. Review of methods of small-footprint airborne laser scanning for extracting forest inventory data in boreal forests. Int. J. Remote Sens. 29(5): 1339-1366. – reference: 55) Steel RGD. 1960. A rank sum test for comparing all pairs of treatments. Technometrics. 2: 197-207. – reference: 35) 農林水産省. 2012. 農林水産省生物多様性戦略. [参照2023年5月3日]. https://www.maff.go.jp/j/kanbo/kankyo/seisaku/c_bd/bds_maff/attach/pdf/index-6.pdf. – reference: 25) 小林朗子, 小野厚夫. 2013. バンド和で正規化した分光反射率を用いた落葉針葉樹カラマツ林の植生解析. 日本リモートセンシング学会誌. 33(3): 200-207. – reference: 26) Korpela I, Ørka HO, Maltamo M, Tokola T, Hyyppä J. 2010. Tree species classification using airborne LiDAR – Effects of stand and tree parameters, downsizing of training set, intensity normalization, and sensor type. Silva Fenn. 44(2): 319-339. |
| SSID | ssib023160782 ssib000936918 ssj0060309 ssib002484709 ssib002222550 ssib020475957 |
| Score | 2.4021091 |
| Snippet | 急峻な山地の過密で混植された民有林の実態を把握することは森林管理の課題の一つである。近年航空レーザで森林の実態が解析されるが，532nm，1,064nmと1,550nmの3波... 急峻な山地の過密で混植された民有林の実態を把握することは森林管理の課題の一つである。近年航空レーザで森林の実態が解析されるが，532 nm，1,064 nmと1,550 nmの3波... |
| SourceID | affrit jstage |
| SourceType | Open Access Repository Publisher |
| StartPage | 57 |
| SubjectTerms | サポートベクターマシン 多波長航空レーザ 急峻地 過密林分 |
| Subtitle | 鈴鹿山脈民有林の事例 |
| Title | 3波長の航空機LiDARデータを用いた樹種分類の検討 |
| URI | https://www.jstage.jst.go.jp/article/jjfs/106/3/106_57/_article/-char/ja https://agriknowledge.affrc.go.jp/RN/2010951734 |
| Volume | 106 |
| hasFullText | 1 |
| inHoldings | 1 |
| isFullTextHit | |
| isPrint | |
| ispartofPNX | 日本森林学会誌, 2024/03/01, Vol.106(3), pp.57-67 |
| journalDatabaseRights | – providerCode: PRVAFT databaseName: Open Access Digital Library customDbUrl: eissn: 1882-398X dateEnd: 99991231 omitProxy: true ssIdentifier: ssj0060309 issn: 1349-8509 databaseCode: KQ8 dateStart: 20050101 isFulltext: true titleUrlDefault: http://grweb.coalliance.org/oadl/oadl.html providerName: Colorado Alliance of Research Libraries |
| link | http://utb.summon.serialssolutions.com/2.0.0/link/0/eLvHCXMwnR1Na9RANNQK4kX8xPrFHpyTZM0mk2TGW7LNWkQLSgu9hUk2aXcL27JuL976gV0pCIripbQoHrYeikVBWsT-mG233X_he5NsN1URKxuGR_bN-0wybyaZ9xTldig4hOlBrFIRmiqNTFPlcdlQBY0KLNQLsRnh3uFHo9bIOH0wYU4MnFrOfLU01wjy4bM_7iv5H6_COfAr7pI9gWePiMIJgMG_0IKHof0nHxvEs4hrEEcnHifcJK5NPAOCQ-J4xGOEMeI4xLOJw4nrIDIAvPSwMuw8kYhw2CngFiWgE7eUAlzHrpwSh6VUGU0BXpLEGHG5JM8kQxMZMgtlcQDHy8gCyJTwIgoFyMyTKxGICD1cigBQQs6gQwEPlJ7iv6ihRngBASDAuAQ8wrOqUlSPuRLwAMiG3KOVKXwmTlVq9Urtzn0xPY0Vpyu9Kw1ZgqasmCoLzOCqy9BOAN4zgdvvaBNXl6aQQgN72RHIWdJSYGqXMHqMkSYVOMbIRNOwvkGz-MAfHcSxZdLCjokOlx3BQsOSnKTgONkFnGTHeDraGJSrzNT4seFIszL3nZEZXJJM3mmYkhQx-XUAhCcy5gqpVuOneSCU73X5PaN4HNdDf3LGr876WsGXqcQoZs09rdsQsuHXDY8zcTqWfcwEMTquEvRfh-saZo3svz6HOYOlyTIJSUhk4Xs8ufKR6ptslEVh72ZEhSAQxargFK8Kc6Ped5Uy1Bs7r5xL52g5J7nhLigDVXFROYNFbLEy4iUlNDpfPnTffmvPbx42Px1s7HQ21uU91V5cbi9-by_sthdeH7xpteeX2vPrndb2QWtzv_m8-34NenQ-rh62Xubu5brNr93t3f2trcOlZufzq87qi87aO0DY21nZ-7FyWRkveWPFETUtVqIKQ9Maqi5gpAzsyBAw5REmN4IgCEPDNmIaxzCNikU5YLQcRZRrguK8jEeaxTCVr4h0oRtXlMHaTC26quSwaGbARagLCj_LCsoBFWWDhaaIaBQGQ4qW2MkXk_X-2rv_F78OKSyxqD-bJLHx04eWj_b3wf6-IVvTPvoHt336VXHt5NyuK2fxQk9WKm8og436XHQTYvdGcEteVz8BnwTQVg |
| linkProvider | Colorado Alliance of Research Libraries |
| openUrl | ctx_ver=Z39.88-2004&ctx_enc=info%3Aofi%2Fenc%3AUTF-8&rfr_id=info%3Asid%2Fsummon.serialssolutions.com&rft_val_fmt=info%3Aofi%2Ffmt%3Akev%3Amtx%3Ajournal&rft.genre=article&rft.atitle=3%E6%B3%A2%E9%95%B7%E3%81%AE%E8%88%AA%E7%A9%BA%E6%A9%9FLiDAR%E3%83%87%E3%83%BC%E3%82%BF%E3%82%92%E7%94%A8%E3%81%84%E3%81%9F%E6%A8%B9%E7%A8%AE%E5%88%86%E9%A1%9E%E3%81%AE%E6%A4%9C%E8%A8%8E+%3A+%E9%88%B4%E9%B9%BF%E5%B1%B1%E8%84%88%E6%B0%91%E6%9C%89%E6%9E%97%E3%81%AE%E4%BA%8B%E4%BE%8B&rft.jtitle=Nihon+Shinrin+Gakkaishi&rft.au=%E5%92%8C%E7%94%B0%2C+%E3%81%AE%E3%81%A9%E3%81%8B&rft.au=%E7%B2%9F%E5%B1%8B%2C+%E5%96%84%E9%9B%84&rft.au=%E5%90%89%E7%94%B0%2C+%E5%A4%8F%E6%A8%B9&rft.au=%E5%AE%87%E9%87%8E%E5%A5%B3%2C+%E8%8D%89%E5%A4%AA&rft.date=2024&rft.issn=1349-8509&rft.volume=106&rft.issue=3&rft.spage=57&rft.epage=67&rft_id=info:doi/10.4005%2Fjjfs.106.57&rft.externalDocID=oai_affrc_go_jp_01_00971403 |
| thumbnail_l | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/lc.gif&issn=1349-8509&client=summon |
| thumbnail_m | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/mc.gif&issn=1349-8509&client=summon |
| thumbnail_s | http://covers-cdn.summon.serialssolutions.com/index.aspx?isbn=/sc.gif&issn=1349-8509&client=summon |