شناسایی گونه‌های گیاهی بنه و بادام با استفاده از تلفیق تصاویر رنگی و مدل رقومی سطح پهپاد
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...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Gorgan University of Agricultural Sciences and Natural Resources
2022-09-01
|
| Series: | پژوهش های علوم و فناوری چوب و جنگل |
| Subjects: | |
| Online Access: | https://jwfst.gau.ac.ir/article_6244_f5a97271a2f0ff7b5231f7a04d2b4888.pdf |
| _version_ | 1797422743046586368 |
|---|---|
| author | عاطفه اسمخانی سید یوسف عرفانی فرد علی درویشی بلورانی نجمه نیسانی سامانی |
| author_facet | عاطفه اسمخانی سید یوسف عرفانی فرد علی درویشی بلورانی نجمه نیسانی سامانی |
| author_sort | عاطفه اسمخانی |
| collection | DOAJ |
| description | 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. |
| first_indexed | 2024-03-09T07:37:51Z |
| format | Article |
| id | doaj.art-ef48f9ccff5240549f8ecc07f6c0a37b |
| institution | Directory Open Access Journal |
| issn | 2322-2077 2322-2786 |
| language | fas |
| last_indexed | 2024-03-09T07:37:51Z |
| publishDate | 2022-09-01 |
| publisher | Gorgan University of Agricultural Sciences and Natural Resources |
| record_format | Article |
| series | پژوهش های علوم و فناوری چوب و جنگل |
| spelling | doaj.art-ef48f9ccff5240549f8ecc07f6c0a37b2023-12-03T05:30:29ZfasGorgan University of Agricultural Sciences and Natural Resourcesپژوهش های علوم و فناوری چوب و جنگل2322-20772322-27862022-09-012939311110.22069/jwfst.2022.20676.19866244شناسایی گونه‌های گیاهی بنه و بادام با استفاده از تلفیق تصاویر رنگی و مدل رقومی سطح پهپادعاطفه اسمخانی0سید یوسف عرفانی فرد1علی درویشی بلورانی2نجمه نیسانی سامانی3دانشجوی کارشناسی‌ارشد، گروه سنجش‌ازدور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران.دانشیار، گروه سنجش‌ازدور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران.دانشیار ، گروه سنجش‌ازدور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران.دانشیار ، گروه سنجش‌ازدور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران.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.https://jwfst.gau.ac.ir/article_6244_f5a97271a2f0ff7b5231f7a04d2b4888.pdfشناسایی گونه‌های گیاهیمشخصه نسبی عملکردفانتوم 4 پرویادگیری عمیقcnn |
| spellingShingle | عاطفه اسمخانی سید یوسف عرفانی فرد علی درویشی بلورانی نجمه نیسانی سامانی شناسایی گونه‌های گیاهی بنه و بادام با استفاده از تلفیق تصاویر رنگی و مدل رقومی سطح پهپاد پژوهش های علوم و فناوری چوب و جنگل شناسایی گونه‌های گیاهی مشخصه نسبی عملکرد فانتوم 4 پرو یادگیری عمیق cnn |
| title | شناسایی گونه‌های گیاهی بنه و بادام با استفاده از تلفیق تصاویر رنگی و مدل رقومی سطح پهپاد |
| title_full | شناسایی گونه‌های گیاهی بنه و بادام با استفاده از تلفیق تصاویر رنگی و مدل رقومی سطح پهپاد |
| title_fullStr | شناسایی گونه‌های گیاهی بنه و بادام با استفاده از تلفیق تصاویر رنگی و مدل رقومی سطح پهپاد |
| title_full_unstemmed | شناسایی گونه‌های گیاهی بنه و بادام با استفاده از تلفیق تصاویر رنگی و مدل رقومی سطح پهپاد |
| title_short | شناسایی گونه‌های گیاهی بنه و بادام با استفاده از تلفیق تصاویر رنگی و مدل رقومی سطح پهپاد |
| title_sort | شناسایی گونه‌های گیاهی بنه و بادام با استفاده از تلفیق تصاویر رنگی و مدل رقومی سطح پهپاد |
| topic | شناسایی گونه‌های گیاهی مشخصه نسبی عملکرد فانتوم 4 پرو یادگیری عمیق cnn |
| url | https://jwfst.gau.ac.ir/article_6244_f5a97271a2f0ff7b5231f7a04d2b4888.pdf |
| work_keys_str_mv | AT ʿạṭfhạsmkẖạny sẖnạsạyygwnhhạygyạhybnhwbạdạmbạạstfạdhạztlfyqtṣạwyrrngywmdlrqwmysṭḥphpạd AT sydywsfʿrfạnyfrd sẖnạsạyygwnhhạygyạhybnhwbạdạmbạạstfạdhạztlfyqtṣạwyrrngywmdlrqwmysṭḥphpạd AT ʿlydrwysẖyblwrạny sẖnạsạyygwnhhạygyạhybnhwbạdạmbạạstfạdhạztlfyqtṣạwyrrngywmdlrqwmysṭḥphpạd AT njmhnysạnysạmạny sẖnạsạyygwnhhạygyạhybnhwbạdạmbạạstfạdhạztlfyqtṣạwyrrngywmdlrqwmysṭḥphpạd |