← 回文獻卡索引

森林計測中的行動裝置 單株樹木量測技術與方法之回顧Mobile Devices in Forest Mensuration: A Review of Technologies and Methods in Single Tree Measurements

Magnuson R, Erfanifard Y, Kulicki M, Gasica TA, Tangwa E, Mielcarek M, Sterenczak K｜Remote Sensing 16(19): 3570｜DOI: 10.3390/rs16193570

狀態：AI_DRAFT_FROM_REVIEW｜分級：A｜閱讀深度：FULL_TEXT_CHECKED｜Jacky 審核：False

森林數位孿生底層致能

讀學習筆記 →

mobile devicessingle tree measurementground measurementsmartphone LiDARclose-range photogrammetrySfMSLAMglobal

專討核心文獻定位

[59] Ch2 · 地面量測 新增
Magnuson et al. · 2024
回顧 34 篇研究後指出行動裝置量 DBH 平均 RMSE 約 7.1%，但材積與生物量誤差約 30%，需標準化協定

使用警示

本頁是文獻知識庫卡片，不等於可直接引用的最終查核稿。只有狀態升級為 CITABLE 後，才可直接進入論文引用候選。

為什麼納入這篇

這篇是 Ch2 地面量測的核心文獻，系統回顧以智慧型手機與平板等行動裝置量測單株樹木屬性的技術、應用、精度與實作障礙，為後續遙測 AGB 估算的低成本地面校驗提供精度基準。

結構式摘要｜中英文對照

研究問題
智慧型手機與平板等行動裝置目前在單株樹木量測上能做到什麼程度，精度與實作障礙為何？
What is the current state of mobile devices such as smartphones and tablets for single tree measurement, and what are their accuracy and implementation barriers?
資料來源
於 2023 年 11 月以 Google Scholar、Scopus、Web of Science 三個資料庫篩選；初步辨識 441 篇研究，篩選後納入 34 篇直接符合範疇的論文，另依專家判斷加入 2 篇，適用文獻年份為 2015 至 2023 年，近 76%（26 篇）發表於 2020 年（含）之後。
Literature screening in November 2023 used three databases, Google Scholar, Scopus, and Web of Science. A total of 441 studies were identified, and after screening 34 papers directly matched the scope, with two additional papers added by expert judgment. The applicable literature spans 2015 to 2023, with almost 76 percent (26 papers) published in or after 2020.
方法
為文獻系統回顧，分六大區塊組織：感測技術（被動感測與主動感測）、資料收集與處理方法（間接與直接、影像式與點雲式）、單株樹木屬性、實作障礙、討論與展望、結論；以 RMSE 與 RMSE% 整理各屬性的量測精度（Table 2）。
This is a systematic literature review organized into six sections, sensing techniques (passive and active sensing), data collection and processing (indirect vs direct, image based vs point cloud based), single tree attributes, implementation barriers, discussion and outlook, and conclusions. Measurement accuracy of each attribute is compiled with RMSE and RMSE percent in Table 2.
主要結果
被動感測（RGB 相機加攝影測量）適合定性評估與物種辨識，主動感測（搭載 LiDAR 的手機）提供精確的定量量測但受硬體限制。多數研究聚焦 DBH，平均 RMSE% 約 7.1%，最差一篇達 21%；中高精度裝置 DBH 的 RMSE% 介於 2.3% 至 10.8%。樹高間接估算 RMSE 介於 1.08% 至 11%，材積、斷面積與生物量精度變異大，RMSE 約 30%。實作障礙分為環境、感測器與運算三類，並呼籲建立標準化協定與跨裝置基準測試。
Passive sensing with RGB cameras and photogrammetry suits qualitative assessment and species identification, while active sensing with LiDAR equipped phones gives precise quantitative measurement but is hardware limited. Most studies focus on DBH, with an average RMSE percent of about 7.1 percent and a worst case of 21 percent; for medium to high accuracy devices the DBH RMSE percent ranges from 2.3 to 10.8 percent. Indirect tree height RMSE ranges from 1.08 to 11 percent, while volume, basal area, and biomass accuracy varies widely with RMSE around 30 percent. Implementation barriers fall into environmental, sensor, and computational categories, and the review calls for standardized protocols and cross device benchmarking.
限制
原文自陳未處理行動裝置方案在實務森林作業上的落地實作問題（如演算法與裝置維護、惡劣天候依賴、技術轉移等）；許多研究在校園、公園、都市等人為改造環境進行，避開了複雜林分與下層植被遮蔽，在實際營林清查或老熟林監測的應用紀錄不足。台灣是否可直接套用待查。
The authors state that they did not address operational implementation in forestry practice, such as maintenance and updating of algorithms and devices, dependence on weather, and know-how transfer. Many studies were conducted in anthropogenically altered environments such as campuses, parks, and urban areas, avoiding complex stands and understory occlusion, so practical use in operational inventory or old growth monitoring is poorly documented. Transferability to Taiwan is to be confirmed.

Key Findings

發現證據確定性
行動裝置量測單株樹木最常聚焦 DBH，平均 RMSE% 約 7.1%，最差一篇達 21%。Section 5.1（p.13）：25 篇聚焦 DBH，最差 RMSE 21%，平均 RMSE% 約 7.1%。checked_against_original_txt
被動感測適合定性與物種辨識，主動感測（LiDAR 手機）提供精確定量但受硬體限制。Section 3、Section 7 Discussion（pp.5-8, 16-17）。checked_against_original_txt
材積、斷面積與生物量的精度變異大，RMSE 約 30%。Section 5.4（p.14）與 Discussion（p.17）：手持裝置體積與生物量 RMSE 約 30%。checked_against_original_txt
需要標準化協定與跨裝置基準測試，且 Apple LiDAR 有效距離約 5 公尺限制可量測項目。Section 6 與 Section 7（pp.15-17）。checked_against_original_txt

Key Figures and Tables

公開網站原則：未確認授權前，不直接複製原文圖表；優先使用自製圖表導讀或重繪圖。

項目內容關鍵數字Jacky 判讀重用策略
Figure 2三個資料庫的檢索與篩選流程，含各庫納入排除數。Google Scholar 239 篇（排除 217）、Scopus 107 篇（排除 60）、Web of Science 95 篇（排除 45）；合計辨識 441 篇，最終納入 34 篇加 2 篇。Ch2 開場展示行動裝置量測文獻基數，佐證此主題雖新但已有可觀證據。授權確認後再決定是否重繪簡化版流程圖。
Table 1比較 8 款 App（3D Scanner、Abound Capture、ForestScanner、Arboreal Tree Height、Relasphone、TreeHeight、TRESTIMA、Working Trees）可量測的屬性。8 款應用程式；涵蓋 DBH、樹高、位置、斷面積、物種、樹冠、點雲。可作為地面量測工具選擇對照表，連結到低成本清查工具的可行性。授權確認後再決定是否以表格摘要呈現。
Table 2彙整各裝置、應用程式與參考量測對應的 RMSE 與 RMSE%，依 DBH、樹高、材積/斷面積/生物量、物種、損傷、位置、樹冠分類。DBH RMSE 例如 0.22 cm（0.9%）至 8.72 cm；樹高 RMSE 例如 0.29 至 0.43 m、1.11 m（7.4%）；生物量/斷面積部分達 19.7 至 44.4%。直接提供行動裝置量測單株屬性的精度基準，供 Ch3-4 遙測地面校驗品質參考。授權確認後再決定重繪或引用具體數值。

Extracted Evidence Table

可支撐主張指標或結果原文位置可引用備註
行動裝置量 DBH 平均 RMSE% 約 7.1%，最差一篇達 21%。平均 RMSE% ~7.1%；中高精度裝置 RMSE% 介於 2.3% 至 10.8%。Section 5.1（p.13）。True用於說明行動裝置在 DBH 量測的可用精度。
材積、斷面積與生物量精度變異大，RMSE 約 30%。手持裝置材積/生物量 RMSE 約 30%；Relasphone BA RMSE 小於 30%、R2 0.71-0.75。Section 5.4（p.14）、Discussion（p.17）。True用於論述行動裝置在生物量估算的局限。
回顧納入 34 篇加 2 篇，文獻年份 2015-2023，76% 發表於 2020 年後。441 篇初篩，34+2 納入；26 篇（約 76%）在 2020 年或之後。Section 2 Review Approach（p.3）。True用於描述此主題的研究規模與新近性。
Apple LiDAR 有效距離約 5 公尺，限制可量測的樹木屬性類型。多數研究認為 Apple LiDAR 量測範圍約 5 m。Section 6 Implementation Barriers（p.15）。True用於說明主動感測的硬體限制。

Critical Appraisal

Strengths

Weaknesses

Validation quality以文獻彙整的 RMSE/RMSE% 為基礎，數值來源為被回顧的原始研究，已於全文逐段查核
Transferability to Taiwan中高，行動裝置低成本量測對台灣山區清查具吸引力，但複雜林分與訊號遮蔽限制需另行查核
Risk of overclaiming不可將本文宣稱行動裝置已可在複雜天然林或營林作業中取代傳統量測；其精度多在半控制環境取得。

與 Jacky 博論 / Review 的用途

博士論文為博論的地面量測基礎提供低成本行動裝置量測的精度基準與限制，支撐遙測 AGB 估算的地面校驗論述。
TJFS Review支撐 TJFS review 的 Ch2 地面量測論述，補強傳統異速量測之外的低成本近距遙測選項，並串接 Ch3-4 遙測需要好的地面真值。
可引用句候選2024 年，Magnuson 等人發表的文獻中指出，回顧 34 篇研究後，行動裝置量測胸徑的平均 RMSE 約為 7.1%，但材積與生物量估算的誤差約達 30%，並呼籲建立標準化協定與跨裝置基準測試。
不可用來主張不可單以本文宣稱行動裝置已能在台灣複雜天然林中取代傳統樣區量測。

授權與圖表重用

Article licenseCC-BY
Figure reuse policyDO_NOT_REUSE_ORIGINAL_FIGURES_PUBLICLY_UNTIL_LICENSE_CHECKED
Notes原文版權頁明載 Creative Commons Attribution (CC BY) 4.0（MDPI Remote Sensing 開放取用）；圖表重用前仍建議回原文確認授權聲明。

待查核清單