森林バイオマス推定の最前線：LiDARとリモートセンシング技術の全貌解明

林業、カーボンクレジット、地形計測への応用から最新課題まで、技術の進化を探る

森林の地上部バイオマス（Above Ground Biomass: AGB）は、地球の炭素循環や気候変動を理解する上で極めて重要な指標です。森林管理、生態系サービス評価、そしてカーボンクレジット市場において、AGBを正確かつ効率的に推定する技術への需要が高まっています。近年、リモートセンシング技術、特にLiDAR（Light Detection and Ranging）の進化により、森林の3次元構造を精密に捉え、広範囲のAGBを高精度で推定することが可能になってきました。ここでは、LiDARやその他のリモートセンシング技術を用いたAGB推定の現状、応用分野ごとの特徴、最新の技術動向、そして課題と解決策について詳しく解説します。

注目のポイント

LiDAR技術は森林の3次元構造を高精度に捉え、樹高、樹冠サイズ、幹の直径などのパラメータを直接計測することで、AGB推定の精度を飛躍的に向上させています。
衛星・航空機・ドローン・地上と多様なプラットフォームからのデータとAI/機械学習の融合が、広範囲かつ詳細な分析を可能にし、効率と精度を高めています。
カーボンクレジット市場の拡大に伴い、信頼性の高いMRV（測定・報告・検証）技術としてのリモートセンシング、特にLiDARの重要性が増しており、透明性の確保とコスト削減が求められています。

AGB推定技術の概要：応用分野別比較

リモートセンシングや地上LiDARを用いたAGB推定技術は、その目的（林業、カーボンクレジット、地形計測）に応じて、使用するセンサー、プラットフォーム、解析手法が異なります。以下の表は、これらの技術を応用分野別に整理し、それぞれの特徴、利用企業例、最新の課題と解決策をまとめたものです。

用途区分	主要技術	センサー / プラットフォーム	解析方法	特徴 / 応用	主要企業 / 組織 (例)	最新課題	解決策 / トレンド
共通 (林業/クレジット)	LiDAR	LiDARセンサー / 航空機, 衛星 (GEDI, ICESat-2), 地上 (TLS), ドローン (UAV)	点群処理 (3D構造復元), 機械学習 (Random Forest, CNN, 深層学習), アロメトリ式との統合, バイオマス回帰方程式	森林の3次元構造把握, AGB推定, 炭素蓄積量評価の基礎データ作成	RIEGL, Planet, Trimble Forestry, RMI, IBM, NASA, ESRI	データ処理・共有の複雑さ, 異なるLiDARシステム間のデータ統合, アロメトリ式の地域・樹種依存性	AI/MLによる解析高度化, クラウド処理基盤, オープンデータプラットフォーム, 標準化プロトコル開発, 地域特化モデル開発
共通 (林業/クレジット)	光学センサー	マルチ/ハイパースペクトルセンサー / 衛星 (Landsat, Sentinel-2), 航空機, UAV	植生指数 (NDVI, EVI), 回帰モデル, テクスチャ解析, 機械学習	広域の森林被覆マッピング, 土地利用変化モニタリング, AGBの面的推定 (補助的)	Planet Labs, Airbus Defence and Space, Maxar	垂直構造の把握困難, 雲・大気の影響, バイオマス飽和効果 (高密度林分)	LiDAR/SARデータとの融合, 時系列解析, 高解像度センサー利用, AIによる画像解析向上
共通 (林業/クレジット)	SAR	合成開口レーダー / 衛星 (ALOS, Sentinel-1, TanDEM-X), 航空機	後方散乱係数解析, 干渉SAR (InSAR), ポーラリメトリSAR (PolSAR), 時系列解析	天候・昼夜問わず観測可能, 植生構造 (特に幹・枝) への感度, AGB推定 (特にL/Pバンド)	Airbus, JAXA (ALOS), ESA (Sentinel-1)	地形・水分量の影響, 散乱メカニズムの複雑性, 飽和効果, データ解釈の難易度	マルチ周波数/偏波データ利用, 光学/LiDARデータとの融合, 機械学習モデル適用, 干渉/時系列解析の高度化
林業特化	地上LiDAR (TLS) / UAV-LiDAR	LiDARセンサー / 地上設置型, ドローン搭載型	個木抽出・計測アルゴリズム, 幹径(DBH)・樹高・材積推定, 3D点群からの森林インベントリ作成	高精度な個木パラメータ計測, 森林インベントリ作成・更新, 施業計画支援, 樹種識別補助	FARO, Trimble, Leica Geosystems, DJI	計測範囲の限界 (TLS), 点群密度ムラ, 複雑な林内環境での運用, 解析ソフトウェアの専門性	SLAM技術による移動計測, UAVとの連携, AIによる自動個木認識・パラメータ抽出, 効率的なサンプリング設計
クレジット特化	航空/衛星LiDAR & 他センサー融合	LiDAR, 光学, SAR / 航空機, 衛星	大規模バイオマス・炭素ストックマッピング, 機械学習によるスケーリング, MRVシステム構築, ベースライン設定, 変化検出	広域の炭素ストック量の正確な推定・監視, REDD+等のプロジェクト支援, クレジットの信頼性・透明性向上	Gold Standard, Verra, Pachama, Terraformation, RMI	MRVコストの高さ, 地域間比較の難しさ, モデルの透明性・検証可能性, 長期モニタリングの不確実性	リモートセンシングと地上検証の統合, AI/MLによる低コスト・高精度推定, 標準化された手法・プロトコルの採用, ブロックチェーン等による透明性向上
地形計測特化	航空/地上LiDAR	LiDARセンサー / 航空機, ドローン, 地上設置型	高精度DEM/DTM/DSM生成, 地形解析 (傾斜, 起伏), 植生下の地表面形状把握, 土量計算	森林下の精密な地形図作成, 土砂災害リスク評価, 水文解析, 森林インフラ計画	Leica Geosystems, Topcon, Trimble, パスコ, 日本工営	植生による地面点抽出の困難さ, データ処理量, 計測コスト	高度なフィルタリングアルゴリズム, 高密度点群データ取得, 他センサーデータ(航空写真等)との組み合わせ

主要な技術とその応用

LiDAR技術：森林構造の3次元把握

LiDARはレーザー光を対象物に照射し、その反射光が戻ってくるまでの時間を計測することで、対象物までの距離を高精度に測定するアクティブセンサー技術です。森林分野では、樹木の高さ、枝葉の分布、幹の位置や太さといった森林の複雑な3次元構造を直接的に捉えることができます。

ドローンLiDARによる森林キャノピーマッピングの例

空中LiDAR (航空機・ドローン)

航空機やドローンに搭載されたLiDARは、広範囲の森林を効率的にスキャンし、林冠から地表までの詳細な点群データを取得します。これにより、林分全体の構造やバイオマス分布を面的に評価することが可能です。特にドローンLiDARは、小規模エリアを高頻度・高密度で計測するのに適しており、精密林業や小規模なカーボンプロジェクトで活用されています。

地上LiDAR (Terrestrial Laser Scanner: TLS)

地上に設置するLiDAR（TLS）は、特定の地点から周囲の森林を極めて高密度にスキャンします。個々の樹木の幹の形状、直径（DBH）、下層植生の詳細な構造などを精密に計測できるため、森林インベントリ調査やアロメトリ式開発のための詳細データ収集、リモートセンシングデータの検証（グラウンドトゥルース）に不可欠です。

衛星LiDAR (GEDI, ICESat-2)

NASAのGEDIミッションやICESat-2衛星は、宇宙から地球の森林構造を観測します。これらは全球規模での森林の高さや構造、バイオマス分布の推定に貢献しますが、観測はサンプルベース（点や線状）であり、面的に連続したデータを提供するわけではありません。広域のバイオマス推定モデルの構築や検証に利用されます。

光学リモートセンシング：広域モニタリングの力

衛星や航空機、ドローンに搭載された光学センサーは、太陽光の反射を捉え、植生の分布や活性度（健康状態）を評価します。NDVI（正規化植生指数）などの植生指数は、葉の量や光合成活動に関連しており、間接的にバイオマスと相関があるとされています。広範囲を定期的に観測できるため、森林被覆の変化や季節変動のモニタリングに強力なツールです。しかし、光学センサーは主に林冠表面の情報しか得られず、森林の垂直構造や林床下のバイオマスを直接捉えることは困難です。また、雲や大気の影響を受けやすく、バイオマスが多い森林ではシグナルが飽和する（バイオマスが増加しても反射率が変化しなくなる）傾向があります。このため、LiDARやSARデータと組み合わせて使用されることが多いです。

SAR（合成開口レーダー）：天候に左右されない観測

SARは、自らマイクロ波を発射し、地物からの反射（後方散乱）を受信するアクティブセンサーです。マイクロ波は雲を透過するため、天候や昼夜に関わらず観測できる利点があります。特にLバンドやPバンドのような長波長のマイクロ波は、樹冠を透過して幹や太い枝、場合によっては地表面と相互作用するため、森林の構造やバイオマス量（特に木質バイオマス）と関連性があります。干渉SAR（InSAR）や偏波SAR（PolSAR）といった技術を用いることで、森林の高さや構造に関する情報を抽出できます。ただし、地形の傾斜や土壌・植生の水分量によって信号が大きく影響を受けること、散乱メカニズムが複雑であること、光学センサーと同様に高バイオマス域で飽和する傾向があることなどが課題です。

地上調査：検証と基礎データ

リモートセンシングによる推定精度を担保するためには、地上での実測データ（グラウンドトゥルース）が不可欠です。伝統的な森林調査では、調査プロット内の樹木を一本ずつ測定（樹高、胸高直径DBHなど）し、アロメトリ式（樹木のサイズとバイオマス量の関係式）を用いてAGBを計算します。これは時間と労力がかかりますが、最も直接的な検証データとなります。近年では、地上LiDAR（TLS）やSfM（Structure from Motion）技術を用いた高効率・高精度な地上データ収集も行われています。リモートセンシングデータから得られた推定値は、これらの地上データと比較・検証され、モデルの較正や精度評価に用いられます。

AGB推定技術の比較評価：レーダーチャート

異なるリモートセンシング技術や地上調査は、それぞれAGB推定において得意な点と不得意な点があります。以下のレーダーチャートは、主要な手法を「精度」「コスト」「カバー範囲」「天候耐性」「構造詳細度」「垂直情報」の6つの観点から比較評価したものです。評価は一般的な傾向を示すものであり、具体的なセンサーや解析手法によって変動します。

このチャートから、例えば地上LiDARは精度や構造詳細度で優れるものの、コストが高くカバー範囲が狭いこと、衛星光学センサーはカバー範囲とコスト効率で優れるが、天候の影響を受けやすく垂直情報の取得が苦手であることなどが視覚的に理解できます。実際のプロジェクトでは、これらの技術を目的や予算、対象地の状況に応じて単独で、あるいは組み合わせて利用することが一般的です。

AGB推定技術の関連性：マインドマップ

AGB推定は、様々な技術、応用分野、プラットフォーム、そして課題が相互に関連しあう複雑な領域です。以下のマインドマップは、これらの要素の関係性を整理し、全体像を把握するための一助となるでしょう。

mindmap root["地上バイオマス(AGB)推定"] id1["技術 (Technologies)"] id1_1["LiDAR"] id1_1_1["空中 (Airborne)"] id1_1_2["地上 (Terrestrial)"] id1_1_3["衛星 (Satellite)"] id1_2["光学センサー (Optical)"] id1_2_1["マルチスペクトル"] id1_2_2["ハイパースペクトル"] id1_3["SAR (Radar)"] id1_3_1["Lバンド, Pバンド"] id1_3_2["InSAR, PolSAR"] id1_4["地上調査 (Ground Truth)"] id1_4_1["アロメトリ式"] id2["応用分野 (Applications)"] id2_1["林業 (Forestry)"] id2_1_1["森林インベントリ"] id2_1_2["施業計画"] id2_1_3["資源管理"] id2_2["カーボンクレジット (Carbon Credits)"] id2_2_1["MRV (測定・報告・検証)"] id2_2_2["炭素ストック評価"] id2_2_3["REDD+"] id2_3["地形計測 (Topography)"] id2_3_1["DEM/DTM作成"] id2_3_2["災害リスク評価"] id3["プラットフォーム (Platforms)"] id3_1["衛星 (Satellite)"] id3_2["航空機 (Aircraft)"] id3_3["ドローン (UAV)"] id3_4["地上 (Terrestrial)"] id4["解析手法 (Analysis Methods)"] id4_1["点群処理"] id4_2["機械学習 / AI"] id4_2_1["Random Forest"] id4_2_2["CNN / 深層学習"] id4_3["回帰分析"] id4_4["データ融合 (Fusion)"] id5["課題 (Challenges)"] id5_1["コスト"] id5_2["精度と不確実性"] id5_3["データ量と処理"] id5_4["標準化の欠如"] id5_5["飽和効果"] id5_6["地形・環境要因"] id6["解決策 (Solutions)"] id6_1["AI / 機械学習の活用"] id6_2["センサーフュージョン"] id6_3["クラウドコンピューティング"] id6_4["UAVの活用"] id6_5["オープンデータ / 標準化"] id6_6["高精度地上検証"]

このマインドマップは、AGB推定という中心的な目標に対して、どのような技術がどのプラットフォームで利用され、林業やカーボンクレジットといった分野でどのように応用されているかを示しています。また、それらに伴う解析手法や、現在直面している課題、そしてそれらを克服するための解決策への流れを視覚化しています。

ビデオ解説：LiDARによるバイオマス推定

LiDAR技術がどのように森林バイオマス推定に活用されているか、その可能性と具体的な応用について解説したウェビナーの映像です。このビデオでは、LiDARデータの取得から解析、そしてバイオマス推定に至るプロセスや、その精度、利点について触れられています。実際の応用事例を通じて、LiDARが森林管理や炭素計測にもたらす変革を理解するのに役立ちます。

ウェビナーでは、LiDAR技術の基礎から、森林計測における具体的なワークフロー、データ処理ソフトウェアの紹介、そしてバイオマスや炭素貯留量算出への応用例などが議論されることが一般的です。特に、ドローン搭載型LiDAR（UAV-LiDAR）は、従来の航空機LiDARよりも低コストかつ高密度なデータ取得が可能であり、アクセスが困難な場所での調査や、特定のエリアを繰り返しモニタリングする用途で注目されています。このような技術の進展は、より正確で効率的な森林資源評価と持続可能な森林経営に貢献します。

よくある質問 (FAQ)

地上バイオマス（AGB）とは何ですか？なぜ重要ですか？

地上バイオマス（Above Ground Biomass: AGB）とは、森林などの生態系において、地面より上にある植物（樹木、草本など）の有機物の総重量（通常は乾燥重量）を指します。これには、幹、枝、葉などが含まれます。AGBは、森林の生産性、健康状態、そして最も重要な点として、生態系に貯蔵されている炭素の量を示す基本的な指標です。樹木は光合成によって大気中の二酸化炭素を吸収し、それをバイオマスとして固定するため、AGBの測定は地球規模の炭素循環を理解し、気候変動対策（例：REDD+、カーボンクレジット）を進める上で不可欠です。また、森林管理や木材資源量の評価にも用いられます。

LiDAR技術はAGB推定にどのように役立ちますか？

LiDARはレーザー光を用いて森林の3次元構造を直接測定できるため、AGB推定に非常に有効です。LiDARデータからは、個々の樹木の高さ、樹冠の幅や体積、林冠の密度、さらには幹の直径（地上LiDARの場合）といった、バイオマス量と強い相関を持つパラメータを高精度で抽出できます。従来の光学センサーが主に林冠の水平的な情報しか得られないのに対し、LiDARは垂直方向の構造情報を詳細に捉えることができます。これにより、アロメトリ式と組み合わせることで、より正確なAGB推定が可能になります。航空機、ドローン、地上、衛星など様々なプラットフォームからデータを取得でき、広範囲から詳細な調査まで対応可能です。

リモートセンシングによるAGB推定の主な課題は何ですか？

主な課題としては、以下の点が挙げられます：

精度と不確実性： センサーの種類、森林タイプ、地形、天候条件などによって推定精度が変動します。特に、光学センサーやSARでは高バイオマス域での飽和効果により、推定が困難になる場合があります。
コスト： 高解像度のデータ、特に航空機LiDARや高精度な地上調査はコストがかかります。カーボンクレジットのMRVコストも課題です。
地上検証データ： リモートセンシングモデルの較正と検証には、質の高い地上実測データが必要ですが、その収集には労力とコストがかかります。
データ処理と解析： LiDAR点群データなどはデータ量が膨大であり、処理や解析には専門的な知識と計算資源が必要です。
モデルの汎用性： 特定の地域や森林タイプで開発された推定モデル（アロメトリ式や回帰モデル）が、他の場所で必ずしも適用できるとは限りません。
標準化： 異なるセンサーや手法で得られた結果を比較・統合するための標準化されたプロトコルがまだ十分に確立されていません。

林業とカーボンクレジットで、AGB推定技術の使われ方に違いはありますか？

はい、主な目的と求められる精度・スケールに違いがあります。

林業用途： 主な目的は、森林資源の管理、育成状況のモニタリング、施業計画の立案などです。そのため、個々の樹木レベルでの情報（樹高、直径、材積など）や、比較的小規模な林分単位での詳細な情報が重視される傾向があります。地上LiDARやドローンLiDARによる精密計測が活用されます。
カーボンクレジット用途： 主な目的は、森林による炭素吸収・貯蔵量を大規模かつ信頼性高く評価し、クレジットを発行・取引することです。広範囲（国や地域レベル）のバイオマス量とその変化量を、検証可能な方法で測定・報告（MRV）する必要があります。航空機LiDARや衛星データ（LiDAR、光学、SAR）を組み合わせ、統計的な手法や機械学習を用いてスケーリングすることが一般的です。精度と共に、透明性、一貫性、比較可能性が強く求められます。

ただし、両分野で利用される技術（LiDAR、機械学習など）や基本的な原理は共通しており、相互に技術やデータが活用されることも増えています。

AGB推定の精度を向上させるにはどうすればよいですか？

AGB推定の精度向上には、以下のようなアプローチが有効です：

マルチセンサーデータの融合： LiDAR（構造情報）、光学センサー（スペクトル情報）、SAR（構造・水分情報）など、異なる特性を持つセンサーデータを組み合わせることで、それぞれの弱点を補い、よりロバストな推定が可能になります。
高品質な地上検証データ： 正確な地上調査データ（特に地上LiDARなどを用いた高精度データ）を十分に収集し、リモートセンシングモデルの較正と検証に使用することが重要です。
高度な解析手法の利用： 機械学習（Random Forest、勾配ブースティング、深層学習など）やAI技術を活用することで、複雑な非線形関係をモデル化し、推定精度を向上させることができます。
地域・樹種に特化したモデル： 対象とする森林の特性（樹種構成、林齢、地形など）に合わせたアロメトリ式や推定モデルを開発・適用します。
時系列データの活用： 複数時期のデータを解析することで、季節変動や成長、攪乱の影響を考慮し、変化量の推定精度を高めることができます。
高解像度データの利用： 可能であれば、より空間解像度やスペクトル解像度の高いセンサーデータを利用します。