| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,110 |
| تعداد مقالات | 34,666 |
| تعداد مشاهده مقاله | 49,826,561 |
| تعداد دریافت فایل اصل مقاله | 80,171,669 |
شناسایی گونه های درختی پلت و ممرز با استفاده از مشخصه های هندسی و آماری بهدستآمده از داده های لیدار هوایی | ||
| تحقیقات جنگل و صنوبر ایران | ||
| مقاله 8، دوره 23، شماره 2، تیر 1394، صفحه 269-278 اصل مقاله (244.88 K) | ||
| نوع مقاله: علمی- پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijfpr.2015.103011 | ||
| نویسندگان | ||
| رمضانعلی خرمی1؛ علی اصغر درویش صفت2؛ مسعود طبری کوچکسرایی* 3؛ شعبان شتایی جویباری4 | ||
| 1دانشجوی دکتری جنگلداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس | ||
| 2استاد، گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران | ||
| 3استاد، گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس | ||
| 4دانشیار، دانشکده جنگلداری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان | ||
| چکیده | ||
| در این پژوهش امکان استفاده از مشخصه های هندسی و آماری بهدستآمده از داده های لیدار برای شناسایی پایه های درختی پلت (Acer velutinum) و ممرز (Carpinus betulus) در سری یک جنگل آموزشی- پژوهشی شصت کلاته گرگان بررسی شد. برای این منظور داده های لیدار درختان نمونه از کل ابر نقاط لیزر منطقه مورد مطالعه با استفاده از مختصات مرکز تنه و قطر تاج (برداشت شده در زمین) جداسازی شد. در عملیات میدانی، 80 پایه درختی از دو گونه پلت و ممرز که در آشکوب چیره واقع بودند و یا تداخل تاجی با پایه های مجاور نداشتند، به عنوان درختان نمونه انتخاب شدند. ارتفاع درختان نمونه با استفاده از دستگاه Vertex IV و شعاع تاج آنها در چهار جهت جغرافیایی به کمک فاصله یاب لیزری Leica Disto اندازه گیری شد و موقعیت مرکز آنها با استفاده از سیستم موقعیت یاب جهانی تفاضلی (DGPS) و نیز به روش فاصله و آزیموت با استفاده از دوربین توتال استیشن برداشت شد. ویژگیهای مختلف آماری و هندسی از داده های لیدار درختان نمونه استخراج و برای تفکیک گونه پایه های درختی در تابع تحلیل تشخیص مورد استفاده قرار گرفت. نتایج نشان داد که متغیرهای انحرافمعیار ارتفاعی نقاط لیزر در بالای 0/8 ارتفاع درخت و شیب تاج بهترین ترکیب متغیرها بودند که با صحت کلی 80/3 درصد دو گونه را از یکدیگر تفکیک کردند. این درحالی است که میانگین این دو ویژگی در ممرز بیشتر از پلت بود. به طور کلی، از یافته های پژوهش استنتاج میشود که مشخصه های هندسی و آماری بهدستآمده ازداده های لیدار نقش مهمی در شناسایی این دو گونه دارند. | ||
| کلیدواژهها | ||
| پلت؛ تابع تحلیل تشخیص؛ شناسایی گونههای درختی؛ لیدار؛ ممرز | ||
| عنوان مقاله [English] | ||
| Individual Carpinus betulus and Acer velutinum tree species delineation by geometrical and statistical characteristics derived from airborne LiDAR data | ||
| نویسندگان [English] | ||
| Remazan Ali Khorrami1؛ Ali Asghar Darvishsefat2؛ Masoud Tabari Kochaksaraei3؛ Shaban Shataee Jouibary4 | ||
| 1Ph.D. Student, Faculty of Natural Resources, Tarbiat Modares University, Noor, Iran | ||
| 2Prof., Faculty of Natural Resources, University of Tehran, Karaj, Iran | ||
| 3Prof., Faculty of Natural Resources, Tarbiat Modares University, Noor, Iran | ||
| 4Associate Prof., Faculty of Forestry, Gorgan University of Agriculture Sciences and Natural Resources, Gorgan, Iran | ||
| چکیده [English] | ||
| In this research, the possibility of application of LiDAR-derived characteristics has been studied for discrimination amongst common hornbeam (Carpinus betulus) and Persian maple (Acer velutinum) trees. LiDAR data of individual sample trees were separated in laser point clouds using their measured center coordinates and crown diameter in the field. In district 1 of Shast-Kolate Education and Research Forest in Gorgan, 80 individual A. velutinum and C. betulus tree samples were selected. The trees were either located in dominant storey or were not overlaid by adjacent tree crowns. Tree heights were measured using Vertex 1V GPS device. Crown diameter was measured in four cardinal directions using Leica Disto lasermeter. Center coordinates of the sample trees were determined using both DGPS and distance/azimuth measurement by Total Station device. Different geometrical and statistical metrics of sample trees were extracted from LiDAR data. The results of discriminant analysis suggested the height standard deviation of laser points over 80% of tree height and crown slope as the selected metrics to differentiate the tree species (accuracy=80.3%). The mean of those two metrics showed larger values for hornbeam than maple. The selected LiDAR metrics were ascribed to represent the shape and height variation of returned crown laser points. It is therefore concluded that geometrical LiDAR-derived attributes could successfully helo by differentiating between the two tested tree species. | ||
| کلیدواژهها [English] | ||
| Acer velutinum, Discriminant analysis, identification of individual tree species, LiDAR, Carpinus betulus | ||
| مراجع | ||
|
- Anonymous, 2008. Forest Management Plan of Shast-Kolateh Forest. Published by Forests, Range and Watershed Management Organization of Iran, Tehran, 302p (In Persian). - Brandtberg, T., 2007. Classifying individual tree species under leaf-off and leaf-on conditions using airborne LiDAR. ISPRS J. Photogrammetry & Remote Sensing, 61: 325-340. - Chasmer, L., Hopkinson, C. and Treitz, P., 2006. Investigating laser pulse penetration through a conifer canopy by integrating airborne and terrestrial lidar. Canadian Journal of Remote Sensing, 32: 116-125. - Diamantidis, N.A., Karlis, D. and Giakoumakis, E.A., 2000. Unsupervised stratification of cross-validation for accuracy estimation. Artificial Intelligence, 116: 1-16. - Guo, Q., Li, W. Yu, H. and Alvarez, O., 2010. Effects of topographic variability and LiDAR sampling density on several DEM interpolation methods. Photogrammetric Engineering & Remote Sensing, 76(6): 701-712. - Hilker, T., Wulder, M.A. and Coops, N.C., 2008. Update of forest inventory data with LiDAR and high spatial resolution satellite imagery. Canadian Journal of Remote Sensing, 34(1): 5-12. - Holmgren, J. and Persson, Å., 2004. Identifying species of individual trees using airborne laser scanner. Remote Sensing of Environment, 90(4): 415-423. - Holmgren, J., Persson, A°. and Soderman, U., 2008. Species identification of individual trees by combining high resolution LiDAR data with multispectral images. International Journal of Remote Sensing, 29(5): 1537-1552. - Kaartinen, H., Hyyppä, J., Yu, X., Vastaranta, M., Hyyppä, H., Kukko, A., Holopainen, M., Heipke, C., Hirschmugl, M., Morsdorf, F., Næsset, E., Pitkänen, J., Popescu, S., Solberg, S., Wolf, B.M. and Wu, J.C., 2012. An international comparison of individual tree detection and extraction using airborne laser scanning. Remote Sensing, 4: 950-974.
- Kim, S., Hinckley, T. and Briggs, D., 2011. Classifying individual tree genera using stepwise cluster analysis based on height and intensity metrics derived from airborne laser scanner data. Remote Sensing of Environment, 115: 3329-3342. - Kim, S., Mcgaughey, R.J., Andersen, H. and Schreuder, G., 2009. Tree species differentiation using intensity data derived from leaf-on and leaf off airborne laser scanner data. Remote Sensing of Environment, 113(8): 1575-1586. - Ko, C., Sohn, G. and Remmel, T.K., 2013. Tree genera classification with geometric features from high-density airborne LiDAR. Canadian Journal of Remote Sensing, 39: 73-85. - Korpela, I., Ørka, H.O., Maltamo, M., Tokola, T. and 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 Fennica, 44(2): 319-339. - Lefsky, M., Cohen, W.B., Parker, G.G. and Harding, D.J., 2002. Lidar remote sensing for ecosystem studies. Bioscience, 52(1): 19-30. - Li, W., Guo, Q., Jakubowski, K.M. and Kelly, M., 2012. A new method for segmenting individual trees from the LiDAR point cloud. Photogrammetric Engineering & Remote Sensing, 78(1): 75-84. - Popescu, S.C. and Wynne, R.H., 2004. Seeing the trees in the forest: Using LiDAR and multispectral data fusion with local filtering and variable window size for estimating tree height. Photogrammetric Engineering & Remote Sensing, 70(5): 589-604. - Rahman, M. and Gort, B., 2008. Individual tree detection based on densities of high points of high resolution airborne LiDAR. In: Proceedings of GEOBIA, Pixels, Objects, Intelligence: Geographic Object Based Image Analysis for the 21st Century, University of Calgary, Calgary, Alberta, Canada, pp. 350-355. - Suratno, A., Seielstad, C. and Queen, L., 2009. Tree species identification in mixed coniferous forest using airborne laser scanning. ISPRS Journal of Photogrammetry and Remote Sensing, 64(6): 683-693. - Tittmann, P., Shafii, S., Hartsough, S. and Hamann, B., 2011. Tree detection, delineation, and measurement from LiDAR point cloud using RANSAC. Book Proceedings of SilviLaser 2011, 11th International Conference on LiDAR Applications for Assessing Forest Ecosystems, University of Tasmania, Australia, 16-20 October 2011, pp. 1-13 - Tymkow, P. and Borkowski, A., 2010.Vegetation modelling based on tls data for roughness coefficient estimation in river valley. International Archives of the Photogrammetry, Remote Sensing and Spatial Information Science, Volume XXXVIII, Part 8, Kyoto, Japan. - Vauhkonen, J., Tokola, T., Packalen, P. and Maltamo, M., 2009. Identification of Scandinavian comercial species of individual trees from airborne laser scanning data using alpha shape metrics. Forest Science, 55: 37-47. - Yu, X., Litkey, P., Hyyppa, J., Holopainen, M. and Vastaranta, M., 2014. Assessment of low density full-waveform airborne laser scanning for individual tree detection and tree species classification. Forests, 5: 1011-1031.
| ||
|
آمار تعداد مشاهده مقاله: 2,322 تعداد دریافت فایل اصل مقاله: 2,143 |
||