| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,845 |
| تعداد مقالات | 32,297 |
| تعداد مشاهده مقاله | 41,382,225 |
| تعداد دریافت فایل اصل مقاله | 18,556,967 |
برآورد ارتفاع و قطر برابرسینه درختان جنگل با روش تشخیص تکدرخت چندمقیاسی و الگوریتمهای یادگیری ماشین با استفاده از دادههای لایدار هوایی | ||
| تحقیقات جنگل و صنوبر ایران | ||
| مقاله 3، دوره 32، شماره 2 - شماره پیاپی 96، شهریور 1403، صفحه 112-131 اصل مقاله (732.31 K) | ||
| نوع مقاله: علمی- پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijfpr.2024.363899.2124 | ||
| نویسندگان | ||
| محمد فلاح1؛ علی اکبر متکان2؛ حسین عقیقی* 3 | ||
| 1دانشجوی دکتری، مرکز پژوهش‌های سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران | ||
| 2استاد، مرکز پژوهش‌های سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران | ||
| 3نویسنده مسئول، استادیار، مرکز پژوهش‌های سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران | ||
| چکیده | ||
| سابقه و هدف: برآورد مشخصه‌‌های ساختاری درختان جنگل همچون ارتفاع و قطر برابرسینه (DBH)، اهمیتی کلیدی در مدیریت منابع جنگلی دارد. یکی از روش‌های مطرح در برآورد این مشخصه‌‌ها، روش تشخیص تکدرخت با استفاده از دادههای سنجش‌ازدوری مناسب مانند لایدار هوایی (Airborne LiDAR) است. بااین‌حال، باید توجه داشت که روش‌های متفاوت تشخیص تکدرخت توسعه‌داده‌شده با محدودیت‌ها و قابلیت‌های مختلف، عملکردهای متفاوتی را نسبت به تغییر در گونه‌های درختان جنگل و ساختار عمودی تاج از خود نشان می‌دهند. مواد و روش‌‌ها: در این پژوهش، یک روش ترکیبی تشخیص تکدرخت ارائه شده است که روش‌های رسترپایه و ابرنقطه مبنا را در یک چهارچوب چندمقیاسی برای شناسایی تک‌درختان از دادههای لایدار ترکیب می‌کند. در این روش، سطوح مقیاس تاج درختان براساس اعمال فیلترهای ریخت‌شناسی بر مدل ارتفاعی تاج محاسبه می‌شود. سپس قطعه‌بندی به‌صورت چندمقیاسی صورت می‌گیرد و نتایج با یکدیگر ادغام می‌شوند. به‌منظور جداسازی بهتر درختان مجاور و اشکوب زیرین، با استفاده از تابع چگالی احتمال، ابرنقاط داخل قطعه‌ها آنالیز می‌شوند و قطعه‌های تاج درختان اصلاح می‌شود. پس از تشخیص تک‌درختان، برخی مشخصه‌‌های ساختاری درختان جنگل شامل ارتفاع و DBH با استفاده از دادههای مرجع زمینی و ویژگیهای استخراج‌شده از داده لایدار با استفاده از الگوریتمهای یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و کوبیست (CB) در قالب اعتبارسنجی متقابل تودرتو ده‌قسمتی برآورد شدند و نتایج حاصل مقایسه شدند. در این پژوهش، الگوریتم انتخاب ویژگی بوروتا برای شناسایی مهم‌ترین ویژگیهای مستخرج از داده لایدار در برآورد مشخصه‌‌های ارتفاع و DBH استفاده شد. این الگوریتم، نقش مؤثری در بهبود عملکرد الگوریتمهای رگرسیون ایفا کرد. با‌توجه‌به دسترسی محدود به دادههای لایدار و زمینی از جنگلهای ایران، به‌منظور ارزیابی روش‌های فوق‌الذکر، در این پژوهش از مجموعه داده معیار تشخیص تکدرخت از پروژه تحقیقاتی NEWFOR استفاده شد که از جنگلهای منطقه آلپ با گونه‌های مختلف درختان و ساختار عمودی تاج متفاوت جمع‌آوری شده است. نتایج: اگرچه درختان اشکوب زیرین را نمی‌توان با دقت معادل درختان اشکوب غالب استخراج کرد، اما نتایج این پژوهش نشان داد که روش توسعه‌یافته در مناطق جنگلی مختلف، علاوه‌بر تشخیص 89 درصد درختان در بالاترین لایه ارتفاعی، بیشترین تعداد درختان اشکوب زیرین را با نرخ تشخیص 48 درصد در پایین‌ترین لایه ارتفاعی (دو تا پنج متر) تشخیص داده است. تجزیه و تحلیل نتایج حاصل از الگوریتمهای یادگیری ماشین در برآورد ویژگیهای ساختاری جنگل نشان داد که باوجود تفاوت ناچیز در عملکرد الگوریتمهای مورد استفاده، الگوریتم ماشین بردار پشتیبان، عملکرد بهتری را نسبت به الگوریتمهای جنگل تصادفی و کوبیست در برآورد ارتفاع و قطر برابرسینه ارائه کرد. برای مشخصه ارتفاع، میانگین RMSE، rRMSE و R2 در الگوریتم SVM به‌ترتیب برابر با 75/1 متر، 9 درصد و 85/0 بودند. از طرف دیگر، برای مشخصه DBH، مقدار معیارهای مذکور به‌ترتیب برابر با 74/4 سانتی‌‌متر، 19 درصد و 78/0 به‌دست آمد. نتیجه‌‌گیری کلی: ارزیابی نتایج به‌دست‌آمده نشان داد که به‌طورکلی، روش‌های ارائه‌شده در این پژوهش در خصوص تشخیص تک‌درختان و برآورد برخی مشخصه‌‌های ساختاری درختان جنگل، بهبود قابل‌توجهی را در مقایسه با الگوریتمهای معیار ارائه می‌دهند و پتانسیل زیادی برای کاربردهای عملی دارند. | ||
| کلیدواژه‌ها | ||
| ابرنقطه؛ تشخیص تکدرخت؛ جنگل؛ لایدار؛ مدل ارتفاعی تاج؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Estimation of height and diameter at breast height of forest trees with multi-scale individual tree detection method and machine learning algorithms using airborne LiDAR data | ||
| نویسندگان [English] | ||
| M. Fallah1؛ A.A. Matkan2؛ H. Aghighi3 | ||
| 1Ph.D. Student, Remote Sensing and GIS Research Center, Faculty of Earth Science, Shahid Beheshti University, Tehran, Iran | ||
| 2Prof., Remote Sensing and GIS Research Center, Faculty of Earth Science, Shahid Beheshti University, Tehran, Iran | ||
| 3Corresponding author, Assistant Prof., Remote Sensing and GIS Research Center, Faculty of Earth Science, Shahid Beheshti University, Tehran, Iran | ||
| چکیده [English] | ||
| Background and Objectives: Estimating forest tree structural attributes such as height and diameter at breast height (DBH) is crucial for understanding the structure and management of forest resources. One important method for estimating these parameters is the individual tree detection (ITD) method using appropriate remote sensing data, such as airborne LiDAR data. However, it should be noted that different ITD methods have various limitations and capabilities and react differently to changes in forest tree species and the vertical structure of the canopy. Methodology: This study presents a hybrid individual tree detection method that combines raster-based and point-based methods in a multi-scale framework to identify single trees from LiDAR data. In this method, tree crown scale levels are obtained from morphological filters in the canopy height model (CHM). Segmentation is then performed using a multi-scale method, and the results are merged. To better separate adjacent and understory trees, the point cloud inside the segments is analyzed using the probability density function, and tree crown segments are modified. After detecting single trees, DBH and height parameters were estimated using ground control data and extracted features from LiDAR data with machine learning algorithms, including random forest (RF), support vector machine (SVM), and cubist (CB), in the form of 10-fold nested cross-validation (10-fold NCV). The Boruta feature selection algorithm was used to identify the most important metrics based on the LiDAR point cloud, which played an effective role in improving the performance of machine learning algorithms. Due to limited access to LiDAR and ground data from Iran’s forests, this study uses the NEWFOR single tree detection benchmark dataset, collected from forests of the Alpine region with a combination of different tree species and vertical canopy structures. Results: Although understory trees cannot be extracted with the same accuracy as overstory trees, the results of this study showed that, on average, the developed multi-scale individual tree detection (MSITD) method detected 89% of the tree crowns in the highest height layer and the highest number of small overstory trees with a detection rate of 48% in the lowest height layer (2-5 meters). The analysis of the machine learning algorithms’ results in estimating forest structural attributes showed that, despite slight differences in performance, the SVM algorithm performed better than the RF and CB algorithms in estimating both height and DBH attributes. For the height attribute, the mean values of RMSE, rRMSE, and R2 in the SVM algorithm were 1.75 m, 9%, and 0.85, respectively. For the DBH attribute, the values obtained for RMSE, rRMSE, and R2 were 4.74 cm, 19%, and 0.78, respectively. Conclusion: The evaluation of the results showed that the methods presented in this study for identifying single trees and estimating forest tree structural attributes have high potential for practical applications. | ||
| کلیدواژه‌ها [English] | ||
| Canopy height model, forest, individual tree detection, LiDAR, machine learning, point cloud | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 160 تعداد دریافت فایل اصل مقاله: 109 |
||