清晨六點，調查員繫緊登山鞋鞋帶，把捲尺、胸高直徑尺和紙本野外紀錄簿放進背包。今天要前往的樣區位於海拔700公尺的稜線坡面，走到地圖上標示的座標需要兩個多小時。韓國山林廳在全國森林設置了5,400個樣區。調查員在這些地點記錄林木蓄積量、森林健康狀況等69個項目，並以五年為週期重返同一樣區。抵達樣區後，調查員用尺逐一環繞每棵樹，讀取刻度，再把胸高直徑（DBH，於胸口高度測得的樹幹直徑）抄進野外紀錄簿。坡度陡峭時，把測高儀對準視線高度、測量角度，再計算樹高，每一步都很費時。即使工作一整天，一名調查員最多也只能完成兩三個樣區。指尖被捲尺磨得乾裂，突如其來的陣雨一過，紀錄簿上的鉛筆字跡便暈開，難以辨認。

這樣收集的數字很精確，卻很快就會過時。在每五年一次的樣區調查之間，即使森林火災燒過稜線，或病蟲害啃食整片林分，這些變化也要等到下一次調查才會出現在官方統計中。長久以來，不論國有林或私有林，國家森林資源調查和二類森林調查都是以這種方式進行。依靠人的雙腳和雙眼進行調查，速度慢、成本高，也無法在時間與空間上形成細密的觀測。問題不只如此。即使要制定精準的採伐計畫，也只能用五年前的數字推測樹木目前的狀況。

從樣區走向網格地圖

整個林業領域都在嘗試跨越這些限制。林業的數位轉型（DX），始於把紙本單據和手繪圖面轉移到行動應用程式與地理資訊系統（GIS）資料。下一階段，累積的資料會與森林管理、木材供需媒合及電子申請系統串接。到了最後階段，資料會從採伐、造林等林業上游流程，流向運銷、加工等下游流程，甚至延伸到與其他產業的接點，並且即時流動，重新塑造決策本身。

這股趨勢在韓國也不陌生。國立山林科學院森林ICT研究中心持續在江原道加里山先導森林經營園區進行試驗，同時部署航空光達、地面光達與背包式光達，收集數位森林資源資訊，並將其用於精準林業。每種設備的資料收集精度和作業速度不同，因此還要進行後處理，判斷哪一種組合最適合實際現場。

過去依照行政區或慣例劃分的小班邊界，也就是為森林管理而細分的區塊，來製作統計，存在長期缺陷。即使位於同一小班，山谷與稜線的微地形也會造成樹高和生長速度差異，但一旦以小班為單位取平均，差異就會被抹平。近年來，為了解決這個問題，研究人員持續嘗試把森林空間資料重新整理為邊長20公尺的正方形網格。目的在於把航空雷射掃描（ALS）與衛星資料的精度完整保留在每一個網格中。

這項轉變的核心，是決策支援系統（DSS，Decision Support System）和整合多種資料的平台。DSS是一種軟體，它會收集並分析多個資料集，再顯示數字和圖表，供人們做決策時參考。DigiMedFor計畫由拿坡里腓特烈二世大學主導，隸屬歐盟Horizon Europe計畫，圍繞三大支柱整合技術：森林資源監測與清查建置、木材履歷追蹤與分級，以及森林規劃的決策支援。該計畫開發的Forest Pathway，是一套網路專家系統，使用者輸入樹種、生物氣候帶、立地生產力與經營目標後，系統會提出森林培育路徑。它並不是能自動處理特定地區無人機清查資料與法規的現場模擬器，而更接近協助森林經營者縮小選項範圍的指引工具。

森林數位孿生的架構可分為四層。最底層是由真實森林、土壤和微氣候組成的物理環境。其上是由衛星、無人飛行載具（UAV）、地面物聯網感測器與地面光達收集的資料層。第三層整合這些資料，透過深度學習擷取特徵，並運行在時間與空間上對齊的模擬引擎。最上層則產生精準森林管理、預測分析、碳吸收量驗證，以及自主作業串接等實際用途。

這項技術歷經幾個階段發展。最初只是一個模仿森林的靜態三維模型。接著進入數位影子階段，感測器資料只往單一方向反映，真實狀況會映入虛擬模型，卻不會回傳。現在的目標，是完成真正的數位孿生，讓真實森林與虛擬森林互相交換訊號，並且即時回饋。

光達描繪的一棵樹

光達（LiDAR）是一種發射雷射光，再測量光線撞擊物體後返回所需時間，以此計算距離的裝置。原理並不困難。裝置安裝的位置不同，名稱也不同。裝在飛機上稱為航空雷射掃描（ALS），裝在無人機上稱為無人機雷射掃描（ULS），固定在地面上稱為地面雷射掃描（TLS），背在身上行走時則稱為行動測繪系統（MMS）。

傳統光達通常只發射單一波長，因此雖然能精確定位雷射從哪裡反射，卻不擅長分辨回波來自葉片還是樹枝。近年來，同時發射三種波長的多光譜光達開始處理這個問題。有一項研究讓多個深度學習模型在公開基準資料集ForestSemantic-MS上競爭。Point Transformer V3（PTv3）模型接受六類構成要素的分類測試，包括地面、灌木、樹幹、樹枝、葉片和倒木。它的平均交並比（mIoU，模型預測區域與真實區域重疊程度的平均值）達到69.1％，比其他模型高出21.8個百分點。葉片和樹枝交纏的地方，使用單一波長很難區分樹木部位，但使用三種波長後，情況便有所不同。倒木的辨識準確率提高12.7個百分點，樹枝提高4.5個百分點，樹幹提高2.5個百分點。

另一種方法是單次掃描地面光達，只掃過一次，不必依賴費工的多次掃描。在美國印第安納州Martell Forest的闊葉混合林中，研究人員把單次掃描的點雲資料轉換為二維投影影像，再使用結合卷積與注意力機制的CoAtNet神經網路，估算單棵樹的地上部生物量。儘管樹後遮蔽仍是限制，這個方法的解釋力達到0.73，表現優於隨機森林與Point Transformer等比較模型。

2026年又出現了一種完全不同的點雲處理方式。這項研究把光達資料導入名為Gaussian Splatting的渲染技術，將每一個點轉換為小型半透明橢圓，再逐層堆疊，更逼真地重建樹木表面。研究團隊表示，透過分別處理堅硬樹幹與柔軟擺動葉片的規則，減少了初始化時常見的模糊與晃動。

先在虛擬森林裡試著採伐

虛擬森林不只是一幅漂亮的三維圖像。把樹木位置、高度、樹冠寬度和胸高直徑等真實清查資料搬進去，就能建立模擬環境，事先查看疏伐或皆伐等作業的結果。DigiMedFor計畫開發的虛擬森林決策支援系統（VFDSS，Virtual Forest Decision Support System），會把虛擬樹木種在幾乎與真實樹木相同的位置，複製整片森林。系統計算隨日期和時間變化的日照量，追蹤樹木在生長過程中獲得多少陽光。使用者可以透過桌上型電腦螢幕俯瞰整片森林，也可以戴上虛擬實境（VR）頭戴式裝置，走進森林，挑選一棵樹，嘗試採伐或栽植。選定疏伐木的瞬間，剩餘樹木的數量與密度、未來生長趨勢，以及採伐木材的收穫量等統計資料，會立刻顯示在螢幕上。實際應用於美國密西西比州的林分與Douglas fir林分後發現，只要有樹木位置和尺寸資料，以及約40個樹種的三維樣本，幾個小時內便能建立當地森林的數位孿生。

Keskes與Niţă（2026）把芬蘭多來源國家森林資源調查資料，加入以羅馬尼亞現地資料建立的模型。芬蘭林木蓄積量預測的解釋力從0.483提高到0.718。這項研究並非直接製作碳地圖，而是連結不同國家的資料，改善林分結構預測。模型跨國使用時，必須用當地樣本重新校準。

美國也持續進行類似嘗試。奧勒岡州立大學建立了一套數位孿生，涵蓋Elliott State Forest的77.6平方公里和約280萬棵樹。其中2萬6,000棵樹在遊戲引擎裡得到細緻呈現。使用者可以在虛擬森林內改變時間和天氣，走過地形，事先查看選擇性採伐或皆伐會留下什麼痕跡。密西根州立大學與維吉尼亞理工學院的研究人員，在維吉尼亞州中部一片7.5英畝的Pinus taeda林中調查3,555棵樹，比較數種疏伐情境。不同區塊與情境的移除材積差異介於7.9％至18.2％。在其中一個區塊，依假設的原木價格計算，每英畝相差約70美元。這只是單一試驗地的計算，不能據此斷定其他森林也會獲得相同收益。

現場畫面與機器人的預演

累積在數位孿生中的資料，不會只留在螢幕裡。現場工作人員若使用智慧型手機、平板電腦，或Microsoft HoloLens 2、Apple Vision Pro等混合實境裝置，就能看到疊加在真實樹木上的擴增實境（AR）圖像。Arboreal Forest、ForestScanner、Tree Scanner等應用程式，結合智慧型手機內的光達、RGB-D感測器和名為SLAM的定位技術。SLAM是Simultaneous Localization and Mapping的縮寫，能讓機器一邊繪製周遭地圖，一邊確認自身位置。工作人員在現場行走時，可以立即查看樹木的胸高直徑、高度和座標，並搭配擴增的三維圖像。這些技術的成熟度涵蓋從原型到已上市產品。在北方林中，利用無人機光達和SLAM測得的胸高直徑誤差較小，介於2.0至4.0公分。在樹木密集的亞熱帶都市林中，誤差增加到5.13公分，比例達22.01％。

林業機械的虛擬訓練場也在建置。研究人員在瑞典Vindeln地區，使用Leica BLK360地面光達掃描30個位置，再加入無人機資料，重建高精度數位孿生。他們在虛擬森林中隨機改變視角和太陽角度，自動產生名為SimForest的合成資料集。這等於是在林業機器人或自動駕駛集材機進入真實森林前，先用虛擬資料測試安全功能，確認它能否即時辨識人、樹木和障礙物並停車。

芬蘭自然資源研究所（Luke）正在開發面向碳交易市場的數位孿生。搭載光達的無人機記錄每棵樹的高度、胸高直徑和樹種，將資料與多個衛星資料集疊合後，再轉換成動態三維模型。目標是把碳吸收量分析與VERRA或Gold Standard等驗證制度串接。這個計畫仍處於研究階段，正在尋找商業化途徑。

精度再次變得模糊

儘管成果不斷累積，研究發現仍經常互相衝突。多次掃描地面光達在樹木體積測量精度方面表現出色，但整合從多個位置取得的資料，需要大量工作。相較之下，結合單次掃描與深度學習的方法大幅提高收集速度，卻無法完全消除樹木後方遮蔽所造成的錯誤，例如漏掉樹枝或倒木。多光譜光達也是如此。各部位的辨識準確率明顯提高，但設備昂貴，待處理資料量也大幅增加。預算有限的森林合作社，很難立刻購置這些設備。

在一片試驗林中取得高準確率的模型，移到溫帶混合林或亞熱帶林後，效能可能下降。樹種、樹冠結構、感測器和資料切分方法都不相同。要把模型用於另一片森林，必須使用當地資料重新校準。

在林下植被茂密、上層樹冠緊密交錯的森林裡，無人機或衛星發出的光無法抵達地面，測量樹木下部和樹幹粗度時，誤差會增大。飛行於樹冠下方的自主無人機，依賴VIO、SLAM等結合視覺與慣性資訊的定位技術。光線不足、樹枝搖晃時，無人機可能失去位置，甚至完全迷航。計算乾旱和高溫壓力的生長模型已經存在。仍然罕見的，是能在數位孿生中持續更新現場感測器與極端氣候資料的作業系統。

無論是Vision Transformer（ViT）或三維卷積神經網路，模型的效能越高，越可能仍是一個無法說明內部判斷依據的黑箱。從森林政策決策者的角度看，這種不透明會拖慢信任的建立。這類模型通常需要高效能GPU，因此難以直接移植到通訊容易中斷的偏遠地區無人機或現場裝置。

聯合國糧食及農業組織（FAO）在2026年2月發表的文章中，從另一個角度提出了類似憂慮。文章指出，在把人工智慧產生的數字直接用於政策前，必須進行現場驗證；訓練有素的人員和標準程序等制度建置，往往比導入技術本身更花時間。

填補這道缺口的工作也同時進行。研究開始引進SHAP與Grad-CAM等可解釋人工智慧（XAI）方法，反向追查模型做出判斷時依據了哪些資訊，也把樹種特定的開花期、土壤水分等生態知識，以規則形式寫入模型，兼顧準確率與可解釋性。研究人員也在運用剪枝、量化與知識蒸餾等輕量化技術，建立可在無人機和現場裝置上運行的模型，並把散落於不同地區和設備的資料整理成同一套標準格式。

資料來源與參考文獻

1. Amoah-Nuamah, J., Child, B., Okyere, E. Y., Adams, O., & Danquah, J. A. (2025). Applications of artificial intelligence in forest health surveillance and management. Discover Forests, 1, Article 56. https://doi.org/10.1007/s44415-025-00061-w

2. AVNation. (February 27, 2026). Oregon State University builds immersive forest digital twin using scalable display technologies. https://www.avnation.tv/2026/02/27/oregon-state-university-leverages-scalable-display-technologies-to-bring-oregons-forests-to-life-with-immersive-visualization/ (accessed August 2, 2026)

3. DigiMedFor Project Consortium. (2025). DigiMedFor: digital tools and technology systems for the sustainable management of Mediterranean forest resources (Horizon Europe Project No. 101081928). https://digimedfor.eu (accessed August 2, 2026)

4. Forkuo, G. O., & Borz, S. A. (2026). Deep learning-based computer vision in forest monitoring and management: a systematic review. Biodiversity and Conservation, 35(208), 1-37. https://doi.org/10.1007/s10531-026-03412-x

5. Forkuo, G. O., Picchio, R., Proto, A. R., & Borz, S. A. (2026). Applications of artificial intelligence in forest operations engineering research: A systematic review. Current Forestry Reports, 12, Article 14. https://doi.org/10.1007/s40725-026-00275-x

6. Jung, M., Choi, J., Carpenter, J., Fei, S., & Jung, J. (2025). Individual tree biomass estimation using single-scan terrestrial laser scanner with efficient projection-based deep learning. Journal of Forestry. https://doi.org/10.1007/s44392-025-00065-6

7. Keskes, M. I., & Niță, M. D. (2026). Digital twins in forest management using scalable deep learning pipeline. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 19, 8519-8547. https://doi.org/10.1109/JSTARS.2026.3666924

8. Lapland University of Applied Sciences, FrostBit Software Lab. (August 1, 2024). Developing a simulator platform to advance autonomous systems in forestry usage. https://lapinamk.fi/en/blogArticle/developing-a-simulator-platform-to-advance-autonomous-systems-in-forestry-usage/ (accessed August 2, 2026)

9. Liang, X., Yao, H., Qi, H., & Wang, X. (2024). Forest in situ observations through a fully automated under-canopy unmanned aerial vehicle. Geo-Spatial Information Science, 27(4), 983-999. https://doi.org/10.1080/10095020.2024.2322765

10. Natural Resources Institute Finland (Luke). (2026). Digital Forest Carbon Twins. https://www.luke.fi/en/carbontwins (accessed August 2, 2026)

11. Platt, E., Carter, D. R., Reddy, A., Albaugh, T. J., Cook, R. L., Campoe, O., Rubilar, R., Barua, G., & Sumnall, M. J. (2026). Precision forestry: using machine learning and LiDAR to inform thinning in Pinus taeda plantations, a case study. Journal of Forestry. https://doi.org/10.1007/s44392-026-00089-6

12. Saha, R., Bagchie, P., Lalremsang, P., & Rai, K. C. (2025). Digital innovation in forest science: applications of artificial intelligence, remote sensing and smart monitoring systems for ecosystem conservation. The Bioscan, 20(3), 907-911. https://doi.org/10.63001/tbs.2025.v20.i03.S.I(3).pp907-911

13. Takhtkeshha, N., Bocaux, L., Ruoppa, L., Remondino, F., Mandlburger, G., Kukko, A., & Hyyppä, J. (2026). 3D forest semantic segmentation using multispectral LiDAR and 3D deep learning. PFG - Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 94, 377-397. https://doi.org/10.1007/s41064-025-00369-4

14. Toaza, J. M. M., Picchi, G., Nati, C., & Borz, S. A. (2025). Accuracy and time efficiency of a new app developed to source and map single tree data: A comparison to state-of-art LiDAR data collectors in terms of basal area estimates. Ecological Informatics, 91, Article 103417. https://doi.org/10.1016/j.ecoinf.2025.103417

15. Valbuena, P., et al. (February 6, 2026). Artificial intelligence in forest monitoring: uses, applications, adoption and precautions. FAO Forest Monitoring Blog. https://www.fao.org/forest-monitoring/blog/detail/blog/2026/02/06/artificial-intelligence-in-forest-monitoring--uses--applications--adoption--and-precautions/en (accessed August 2, 2026)

16. Zhou, Z., Chen, Y., Deng, Y., Zheng, X., Liang, H., Zhong, X., & Li, Z. (2026). LiDAR-guided semantic 3D Gaussian splatting for forest digital twins. Remote Sensing, 18(11), 1696. https://doi.org/10.3390/rs18111696

17. Korea Forest Service. (n.d.). National Forest Inventory. https://forest.go.kr/kfsweb/kfi/kfs/cms/cmsView.do?mn=NKFS_04_05_08&cmsId=FC_000344 (accessed August 2, 2026)

18. 大萱直花. (2025). 真の林業DXとは. 森林応用研究, 34(1), 21-23. https://doi.org/10.20660/applfor.34.1_21