این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
پژوهش های علوم و فناوری چوب و جنگل، جلد ۲۹، شماره ۳، صفحات ۹۳-۱۱۱
عنوان فارسی شناسایی گونه‌های گیاهی بنه و بادام با استفاده از تلفیق تصاویر رنگی و مدل رقومی سطح پهپاد
چکیده فارسی مقاله سابقه و هدف: شناسایی و تهیه نقشه پراکنش گونه‌های گیاهی در مقیاس تک‌درخت با استفاده از داده‌های سنجش از دور در مدیریت پایدار جنگل از اهمیت زیادی برخوردار است. از سوی دیگر، امروزه پرنده‌های هدایت‌پذیر از دور (پهپادها) امکان تهیه داده‌های سنجش از دور با تفکیک‌پذیری مکانی و زمانی بالا را فراهم آورده‌اند. این امر پایش تک‌درختان را تسهیل کرده و اطلاعات لازم در مورد ویژگی‌های کمی و کیفی آنها از جمله نوع گونه را فراهم می‌آورد. روش‌های مبتنی بر یادگیری ماشین بستر لازم برای شناسایی گونه‌های درختی با استفاده از تصاویر رنگی پهپاد را فراهم کرده اند. با این‌حال این روش ها از صحت بالایی برخوردار نیستند. علاوه بر این، شباهت گیاهان در محدوده مرئی امواج الکترومغناطیسی در تصاویر رنگی پهپاد باعث بروز خطا در شناسایی گونه می‌شود. بنابراین، پژوهش حاضر با هدف ارزیابی تلفیق تصاویر رنگی و مدل رقومی سطح (DSM) پهپاد و الگوریتم یادگیری عمیق در شناسایی گونه در یک منطقه جنگلی بنه - بادام انجام گرفت. مواد و روش‌ها: بخشی از توده‌های بنه – بادام جنگل تحقیقاتی استان فارس با مساحت 24 هکتار برای این منظور انتخاب شد. منطقه مذکور با 649 تصویر رنگی با تفکیک‌پذیری مکانی 5/3 سانتیمتر ثبت شده با یک پهپاد فانتوم 4 پرو در 16 خط پرواز پوشش داده شد. علاوه بر ارتوفتو، از داده‌های پهپاد DSM منطقه مطالعاتی با تفکیک‌پذیری مکانی مشابه استفاده شد. DSM با استفاده از روش وزن دهی معکوس فاصله (IDW) تهیه شد. سپس تصاویر رنگی به تنهایی و نیز با تلفیق آنها با DSM در شناسایی درختان بنه و درختچه‌های بادام با استفاده از الگوریتم شبکه عصبی پیچشی (CNN) مورد مقایسه قرار گرفتند. نتایج با استفاده از معیارهای صحت سنجی (مانند صحت، سطح زیر منحنی (AUC) مشخصه نسبی عملکرد) ارزیابی شدند. یافته‌ها: نتایج نشان دادند با استفاده از تصاویر رنگی، درختچه‌های بادام (صحت 77/0، AUC 82/0) با صحت تقریباً مشابه درختان بنه (صحت 76/0، AUC 80/0) شناسایی شدند. در صورتی که با رویکرد تلفیق تصاویر رنگی و DSM، درختان بنه (صحت 85/0، AUC 85/0) با صحت بیشتر نسبت به درختچه‌های بادام (صحت 81/0، AUC 83/0) شناسایی شدند. نقشه نهایی منطقه مطالعاتی از 455 درخت بنه و 1951 درختچه بادام تشکیل شد. همچنین تفسیر بصری نتایج نشان داد علیرغم نزدیکی ارزش عددی معیارهای صحت سنجی، شناسایی گونه‌ها با استفاده از تلفیق تصاویر رنگی و DSM پهپاد از صحت بیشتری برخوردار بودند. نتیجه‌گیری: به طور کلی، مطالعه حاضر نشان داد تلفیق تصاویر رنگی و DSM پهپاد می‌تواند منجر به بهبود شناسایی دو گونه درختی بنه و درختچه‌ای بادام در منطقه مطالعاتی شود. همچنین مطالعه حاضر بر توانایی الگوریتم CNN در تهیه نقشه گونه‌های گیاهی تأکید دارد.
کلیدواژه‌های فارسی مقاله شناسایی گونه‌های گیاهی، مشخصه نسبی عملکرد، فانتوم 4 پرو، یادگیری عمیق، CNN،
عنوان انگلیسی Species recognition of Pistacia and Amygdalus individuals using combination of UAV-based RGB imagery and digital surface model
چکیده انگلیسی مقاله Background and objectives: Identification and mapping of tree species at single-tree levels using remotely sensed data is important in sustainable forest management. On the other hand, UAVs provide possibilities to acquire remotely sensed data with high spatial and temporal resolution that facilitate monitoring single tree and assessing quantitative and qualitative characteristics of trees such as species types. Methods based on machine learning can identify species types on UAV colour images but not with high accuracies. Additionally, similarity of trees in visible wavelengths registered on UAV colour images causes errors in species recognition. Therefore, this study was aimed to evaluate combination of UAV-based colour imagery and digital surface model (DSM) and deep learning algorithms in species recognition of a Pistacia-Amygdalus stand. Material and Methods: A part of Pistacia-Amygdalus stands in the wild pistachio research forest with an area of 24 ha was selected for this study. The study area was covered by 649 colour images with spatial resolution of 3.5 cm in 16 flight lines acquired by a Phantom 4Pro UAV. In addition to orthophoto, the DSM with similar spatial resolution was obtained by inverse distance weighted (IDW) method. The colour images and the combination of colour images and DSM were then used by Convolutional Neural Networks (CNNs) to identify Pistacia trees and Amygdalus shrubs. Results were evaluated by indices of accuracy assessment (e.g., accuracy, area under curve (AUC) of receiver operating characteristics). Results: The results on colour images showed that Amygdalus shrubs (accuracy=0.77, AUC=0.82) were identified with slightly higher accuracy than Pistacia trees (accuracy=0.76, AUC=0.80). Moreover, the results on combination of colour images and DSM showed that Pistacia trees (accuracy=0.85, AUC=0.85) were identified with higher accuracy than Amygdalus shrubs (accuracy=0.81, AUC=0.83). The final map was consisted of 455 Pistacia trees and 1951 Amygdalus shrubs. In addition, the visual interpretation of results revealed that species recognition on the combination of colour images and DSM had higher accuracy despite almost similar values of the indices of accuracy assessment. Conclusions: In general, the present study explored that combination of colour images and DSM can facilitate species recognition of Pistacia trees and Amygdalus shrubs. Furthermore, this study confirms the capability of CNN in mapping of species at the individual level.Conclusions: In general, the present study explored that combination of colour images and DSM can facilitate species recognition of Pistacia trees and Amygdalus shrubs. Furthermore, this study confirms the capability of CNN in mapping of species at the individual level.
کلیدواژه‌های انگلیسی مقاله شناسایی گونه‌های گیاهی, مشخصه نسبی عملکرد, فانتوم 4 پرو, یادگیری عمیق, CNN
نویسندگان مقاله عاطفه اسمخانی |
گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران

سید یوسف عرفانی فرد |
گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران

علی درویشی بلورانی |
گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران

نجمه نیسانی سامانی |
گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران

نشانی اینترنتی https://jwfst.gau.ac.ir/article_6244_f5a97271a2f0ff7b5231f7a04d2b4888.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات