ارزیابی دقت دادههای پهپاد در برآورد میزان خشکیدگی درختان شمشاد (مطالعه موردی: پارک جنگلی سیسنگان- استان مازندران)
الموضوعات :محمدرضا کارگر 1 , یونس بابایی 2 , امیراسلام بنیاد 3
1 - کارشناسی ارشد سنجش‌ازدور، اداره کل منابع طبیعی و آبخیزداری استان فارس، شیراز، ایران
2 - کارشناسی ارشد جنگلداری، اداره کل منابع طبیعی و آبخیزداری استان تهران، تهران، ایران
3 - استاد، گروه علوم و مهندسی جنگل، دانشکده منابع طبیعی صومعه‌سرا، دانشگاه گیلان، گیلان، ایران
الکلمات المفتاحية: خشکیدگی, شمشاد, پارک جنگلی سیسنگان, پهپاد, شبکه عصبی مصنوعی, طبقه بندی,
ملخص المقالة :
پیشینه و هدف پارک جنگلی سیسنگان یکی از زیستگاه های مهم شمشاد خزری در کشور به‌حساب می آید. اما در چند سال اخیر به دلیل بیماری خشکیدگی دچار بحران شده و بسیاری از پایه های شمشاد از بین رفته اند. پایش و مدیریت این منطقه می تواند در اموری مانند کنترل، حفاظت و حمایت این منطقه مؤثر باشد. به دلیل مساحت زیاد پایه های از بین رفته، امکان برآورد مساحت به‌صورت دقیق با استفاده از داده های موجود وجود ندارد. اندازه گیری های دستی نیز کاری بسیار زمانبر و طاقت فرساست. این امر مستلزم این است تا راهی بیابیم که به‌صورت دقیق و خودکار این فرآیند را انجام دهد. پهپادها با استفاده از سنجنده های بسیاری دقیقی (تفکیک مکانی) که دارند، این امکان را فراهم آورده اند. روش های مختلف طبقه بندی نیز از راهکارهایی هستند که می توان بهمنظور تفکیک خودکار درختان خشکیده از درختان سبز به کار گرفت. هدف از این پژوهش، ارزیابی توانایی داده های پهپادهای ارزان قیمت با سنجنده های معمولی در آشکارسازی و پهنه بندی مناطق دچار خشکیدگی اثبات گردد و با توجه به اینکه هزینه پهپادهایی با سنجنده های چند طیفی (باند لبه قرمز و مادون قرمز نزدیک) بسیار زیاد است، بتوان این هزینه را کاهش داد.مواد و روش هاپارک جنگلی سیسنگان در 30 کیلومتری شرق شهرستان نوشهر استان مازندران در عرض جغرافیایی "30 ́ 33 ̊ 36 تا "30 ́ 35 ̊ 36 و طول جغرافیایی "00 ́ 47 ̊ 51 تا "30 ́ 49 ̊ 51 قرارگرفته است. این پارک علاوه بر نقش تفرجی که دارد بسیاری از گونه های گیاهی مهم کشور در آن رشد یافته اند. ازجمله مهمترین این گونه ها می توان به شمشاد خزری اشاره کرد. پهپادی که در این پژوهش استفاده گردید از نوع پهپادهای عمودپرواز است. دوربینی که بر روی این وسیله تعبیه شده است قابلیت ثبت تصاویر 20 مگاپیکسلی را دارد. عملیات تصویربرداری در تاریخ هشتم آذرماه 1396، ساعت 10 صبح انجام پذیرفت که مدت‌زمان آن 45 دقیقه طول کشید. برای نمونه برداری میدانی از منطقه موردمطالعه بازدید به عمل آمد و نقاط مختلف آن ازنظر تراکم پایه های خشکهدار شمشاد و درختان سبز مشخص گردید. سپس سه قطعه‌نمونه دایره ای با شعاع 60 متر و مساحت 1.13 هکتار در منطقه طراحی گردید و تراکم پایه های خشکه دار شمشاد و پایه های زنده و سبز در آن ها مشخص گردید. سپس در هر قطعه نمونه در نقاطی که پایه های شمشاد قرار داشتند، 50 نقطه تعلیمی و همچنین در نقاطی که پایه های زنده، پوشش علفی کف و تمشک نیز قرار داشتند، 50 نقطه ثبت گردید. در این پژوهش بهمنظور بررسی میزان دقت تصاویر پهپاد در شناسایی و طبقه بندی مناطق پوشیده از خشکه دار های شمشاد، کوچکترین پایه های خشکهدار شمشاد که کمترین وسعت تاج را داشتند نیز ثبت گردید. به دلیل اینکه تصاویر پهپاد احتیاج به تصحیحات هندسی دارند، ابتدا ازنظر هندسی و موقعیت جغرافیایی تصحیح شدند. بهمنظور انجام فرآیند طبقه بندی، وارد نرم افزار ENVI شدند. در هر قطعه‌نمونه 100 نقطه ثبت گردیده بود که 75 عدد از آن ها برای انجام فرآیند طبقه بندی نظارت‌شده و 25 عدد از آن ها نیز برای ارزیابی صحت طبقه بندی استفاده گردید. برای طبقه بندی این تصاویر از سه الگوریتم طبقه بندی نظارت شده شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله به کاربرده شد. در پایان پس از انجام هرکدام از مراحل طبقه بندی، از فیلتر پایین گذر با ابعاد پنجره 3 در 3 پیکسل، برای هموارسازی تصاویر استفاده شد. برای ارزیابی نتایج نیز شاخص های ضریب کاپا و دقت کلی به کار گرفته شد.نتایج و بحث در این تعداد قطعه‌نمونه، 579 پایه اندازه گیری گردید. شمشاد با اختلاف زیادی، بیشترین فراوانی را در منطقه به خود اختصاص داد. پس‌ازآن ممرز و انجیلی و بلوط به ترتیب دررتبه های بعدی قرار دارند. از نتایج حاصل مشخص شد که الگوریتم شبکه عصبی مصنوعی بهترین نتایج را نسبت به دو الگوریتم دیگر داشته است. اما نتایج شبکه عصبی مصنوعی نیز با توجه به شرایط قطعه‌نمونه دارای نوساناتی است. این الگوریتم با دقت کلی 97.47 درصد و ضریب کاپا 0.94 بهترین نتایج را در تفکیک و آشکارسازی خشکه دار های شمشاد در قطعه‌نمونه با غلبه خشکه دارهای شمشاد داشتند. پس از الگوریتم شبکه عصبی مصنوعی، الگوریتم بیشینه شباهت نتایج مطلوب تری را در تفکیک پایه های خشکهدار شمشاد از خود نشان داد. الگوریتم کمترین فاصله نتایج مطلوبی از خود نشان داد، اما میزان دقت آن به‌اندازه دو الگوریتم قبل نبود. هر سه الگوریتم در تفکیک پایه ها در قطعه‌نمونه با غلبه پایه های زنده نتایج ضعیف تری را نسبت به دو قطعه‌نمونه دیگر از خود نشان دادند. قطعه‌نمونه با غلبه پایه های زنده و سبز در مقایسه با دو قطعه‌نمونه دیگر پدیدهها و عوارض بیشتری را در خود جای‌داده است و از نظر بافت تصویر نیز در مقایسه با دو قطعه نمونه دیگر تفاوت های زیاد و محسوسی دارد. در این قطعه نمونه علاوه بر وجود پایه های سبز و خشکه دارهای شمشاد، پوشش علفی کف و توده های تمشک نیز به چشم می خورد. در این پژوهش نتایج طبقه بندی و آشکارسازی خشکه دارهای شمشاد با استفاده از الگوریتم شبکه عصبی مصنوعی بسیار بهتر از الگوریتم های بیشینه شباهت و کمترین فاصله بود. ازجمله دلایل بهتر بودن نتایج الگوریتم شبکه عصبی مصنوعی می توان به غیرخطی بودن و ناپارامتریک بودن آن اشاره کرد. اما در طبقه بندی بهوسیله الگوریتم های سنتی مانند روش های آماری، به دلیل اینکه انعطاف پذیری کمتری دارند، دقت پایین‌تری داشته. انواع پارامتریک روش های سنتی مانند الگوریتم بیشینه شباهت، به خاطر وابستگی به آمار گوسی، درصورتی‌که داده ها نرمال نباشند نمی تواند دقت مطلوبی در طبقه بندی و تفکیک طبقات از یکدیگر داشته باشد. در الگوریتم های سنتی مانند الگوریتم های بیشینه شباهت و کمترین فاصله، داده های آموزشی نقش حیاتی دارند. در این روش ها فرض بر این است که توزیع در داخل نمونه های آموزشی باید نرمال باشد، به‌طوری‌که اگر نتوان این شرط را محیا نمود، دقت طبقه بندی به‌شدت کاهش می یابد. درحالی‌که روش های شبکه عصبی مصنوعی بر اساس ویژگی ها و ساختار خود داده ها عمل می کنند.نتیجه گیری نتایج حاصل از این پژوهش نشان داد که می توان با استفاده از داده ها و تصاویر معمولی یک پهپاد ارزان قیمت به بررسی وضعیت خشکیدگی درختان بعد از فوران بیماری و تعیین مساحت آن پرداخت. برخلاف هزینه های زیادی که بهمنظور خرید سنجنده های گران قیمت به منظور پایش وضعیت پوشش گیاهی صورت می گیرد، می توان از این شیوه های ارائه‌شده در این مقاله، با هزینه های بسیار کمتری اقدام کرد. این روش می تواند در تعیین میزان سطح پوشش های خشکیده کمک شایانی به نهاد های زیربط کند.
Abdel-Rahman ME, Onisimo M, Elhadi A, Riyad I. 2014. Detecting Sirex noctilio grey-attacked and lightning-struck pine trees using airborne hyperspectral data, random forest and support vector machines classifiers. ISPRS Journal of Photogrammetry and Remote Sensing, 88: 48-59. doi:https://doi.org/10.1016/j.isprsjprs.2013.11.013.
Barton CV. 2012. Advances in remote sensing of plant stress. Plant and Soil, 354(1): 41-44. doi:https://doi.org/10.1007/s11104-011-1051-0.
Bulman LS. 2004. Assessment and control of Dothistroma needle-blight. Forest Research Bulletin. 48 p.
Calderón R, Navas-Cortés JA, Zarco-Tejada PJ. 2015. Early detection and quantification of Verticillium wilt in olive using hyperspectral and thermal imagery over large areas. Remote Sensing, 7(5): 5584-5610. doi:https://doi.org/10.3390/rs70505584.
Chenari A, Erfanifard Y, Dehghani M, Pourghasemi HR. 2018. Estimation of crown area of wild pistachio single trees using DSM of UAV aerial images in Baneh Research Forest, Fars province. Journal of Wood and Forest Science and Technology, 24(4): 117-130. doi:https://doi.org/ 10.22069/JWFST.2017.13322.1683. (In Persian).
Dash JP, Watt MS, Pearse GD, Heaphy M, Dungey HS. 2017. Assessing very high resolution UAV imagery for monitoring forest health during a simulated disease outbreak. ISPRS Journal of Photogrammetry and Remote Sensing, 131: 1-14. doi:https://doi.org/10.1016/j.isprsjprs.2017.07.007.
Dennison PE, Brunelle AR, Carter VA. 2010. Assessing canopy mortality during a mountain pine beetle outbreak using GeoEye-1 high spatial resolution satellite data. Remote Sensing of Environment, 114(11): 2431-2435. doi:https://doi.org/10.1016/j.rse.2010.05.018.
Gao J, Liao W, Nuyttens D, Lootens P, Vangeyte J, Pižurica A, He Y, Pieters JG. 2018. Fusion of pixel and object-based features for weed mapping using unmanned aerial vehicle imagery. International journal of applied earth observation and geoinformation, 67: 43-53. doi:https://doi.org/10.1016/j.jag.2017.12.012.
Golparvar-Fard M, Peña-Mora F, Savarese S. 2009. D4AR–a 4-dimensional augmented reality model for automating construction progress monitoring data collection, processing and communication. Journal of Information Technology in Construction, 14(13): 129-153.
Ishida T, Kurihara J, Viray FA, Namuco SB, Paringit EC, Perez GJ, Takahashi Y, Marciano Jr JJ. 2018. A novel approach for vegetation classification using UAV-based hyperspectral imaging. Computers and Electronics in Agriculture, 144: 80-85. doi:https://doi.org/10.1016/j.compag.2017.11.027.
Kargar M, Sohrabi H. 2019. Using canopy height model derived from UAV images for tree height estimation in Sisangan forest. Journal of RS and GIS for Natural Resources (Journal of Applied RS and GIS techniques in Natural Resource Science), 10(3): 106-119. http://girs.iaubushehr.ac.ir/article_668477.html?lang=en. (In Persian).
Kargar MR, Sohrabi H. 2019. Estimation of tree biomass at individual tree, sample plot and hybrid level using drone images. Engineering Journal of Geospatial Information Technology, 7(3): 111-120. doi:https://doi.org/10.29252/jgit.7.3.213. (In Persian).
Lashari SA, Ibrahim R. 2015. Performance Comparison of Selected Classification Algorithms Based on Fuzzy Soft Set for Medical Data. In: Advanced Computer and Communication Engineering Technology. Springer, Book series (LNEE, volume 315), pp 813-820. https://doi.org/810.1007/1978-1003-1319-07674-07674_07676.
Lazarević J, Davydenko K, Millberg H. 2017. Dothistroma needle blight on high altitude pine forests in Montenegro. Baltic Forestry, 23(1): 294-302.
Leckie D, Jay C, Gougeon F, Sturrock R, Paradine D. 2004. Detection and assessment of trees with Phellinus weirii (laminated root rot) using high resolution multi-spectral imagery. International Journal of Remote Sensing, 25(4): 793-818. doi:https://doi.org/10.1080/0143116031000139926.
Lisein J, Linchant J, Lejeune P, Bouché P, Vermeulen C. 2013. Aerial surveys using an unmanned aerial system (UAS): comparison of different methods for estimating the surface area of sampling strips. Tropical Conservation Science, 6(4): 506-520. doi:https://doi.org/10.1177/194008291300600405.
McConnell ML, Ryan JM, Collmar W, Schönfelder V, Steinle H, Strong A, Bloemen H, Hermsen W, Kuiper L, Bennett K. 2000. A high-sensitivity measurement of the MeV gamma-ray spectrum of Cygnus X-1. The Astrophysical Journal, 543(2): 928. doi:https://doi.org/10.1086/317128.
Meigs GW, Kennedy RE, Cohen WB. 2011. A Landsat time series approach to characterize bark beetle and defoliator impacts on tree mortality and surface fuels in conifer forests. Remote Sensing of Environment, 115(12): 3707-3718. doi:https://doi.org/10.1016/j.rse.2011.09.009.
Miller E, Dandois JP, Detto M, Hall JS. 2017. Drones as a tool for monoculture plantation assessment in the steepland tropics. Forests, 8(5): 168. doi:https://doi.org/10.3390/f8050168.
Murugesan S, Bouchard K, Chang E, Dougherty M, Hamann B, Weber GH. 2017. Multi-scale visual analysis of time-varying electrocorticography data via clustering of brain regions. BMC bioinformatics, 18(6): 1-15. doi:https://doi.org/10.1186/s12859-017-1633-9.
Poona NK, Ismail R. 2013. Discriminating the occurrence of pitch canker fungus in Pinus radiata trees using QuickBird imagery and artificial neural networks. Southern Forests: a Journal of Forest Science, 75(1): 29-40. doi:https://doi.org/10.2989/20702620.2012.748255.
Prošek J, Šímová P. 2019. UAV for mapping shrubland vegetation: Does fusion of spectral and vertical information derived from a single sensor increase the classification accuracy? International Journal of Applied Earth Observation and Geoinformation, 75: 151-162. doi:https://doi.org/10.1016/j.jag.2018.10.009.
Qin B, Xia Y, Prabhakar S, Tu Y. 2009. A rule-based classification algorithm for uncertain data. In: 2009 IEEE 25th International Conference on Data Engineering. IEEE, pp 1633-1640. https://doi.org/1610.1109/ICDE.2009.1164.
Ruggieri S. 2002. Efficient C4. 5 [classification algorithm]. IEEE transactions on knowledge and data engineering, 14(2): 438-444. doi:https://doi.org/10.1109/69.991727.
Sadeghi S, Sohrabi H. 2019. The effect of UAV flight altitude on the accuracy of individual tree height extraction in a broad-leaved forest. The International Archives of the Photogrammetry, Remote Sensing, and Spatial Information Sciences, 42(4): W18. doi:https://doi.org/10.5194/isprs-archives-xlii-4-w18-1168-2019.
Shahbazi M, Théau J, Ménard P. 2014. Recent applications of unmanned aerial imagery in natural resource management. GIScience & Remote Sensing, 51(4): 339-365. doi:https://doi.org/10.1080/15481603.2014.926650.
Stone C, Carnegie A, Melville G, Smith D, Nagel M. 2013. Aerial mapping canopy damage by the aphid Essigella californica in a Pinus radiata plantation in southern New South Wales: what are the challenges? Australian Forestry, 76(2): 101-109. doi:https://doi.org/10.1080/00049158.2013.799055.
Stone C, Coops NC. 2004. Assessment and monitoring of damage from insects in Australian eucalypt forests and commercial plantations. Australian Journal of Entomology, 43(3): 283-292. doi:https://doi.org/10.1111/j.1326-6756.2004.00432.x.
White JC, Wulder MA, Vastaranta M, Coops NC, Pitt D, Woods M. 2013. The utility of image-based point clouds for forest inventory: A comparison with airborne laser scanning. Forests, 4(3): 518-536. doi:https://doi.org/10.3390/f4030518.
Wulder MA, Dymond CC, White JC, Leckie DG, Carroll AL. 2006. Surveying mountain pine beetle damage of forests: A review of remote sensing opportunities. Forest Ecology and Management, 221(1-3): 27-41. doi:https://doi.org/10.1016/j.foreco.2005.09.021.
Wulder MA, White J, Bentz B, Alvarez M, Coops N. 2006. Estimating the probability of mountain pine beetle red-attack damage. Remote Sensing of Environment, 101(2): 150-166. doi:https://doi.org/10.1016/j.rse.2005.12.010.
Wulder MA, White J, Bentz B, Ebata T. 2006. Augmenting the existing survey hierarchy for mountain pine beetle red-attack damage with satellite remotely sensed data. Forestry Chronicle, 82(2): 187-202. https://www.fs.usda.gov/treesearch/pubs/27845.
Yu X, Hyyppä J, Holopainen M, Vastaranta M. 2010. Comparison of area-based and individual tree-based methods for predicting plot-level forest attributes. Remote Sensing, 2(6): 1481-1495. doi:https://doi.org/10.3390/rs2061481.
Zarco-Tejada PJ, Diaz-Varela R, Angileri V, Loudjani P. 2014. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle (UAV) and automatic 3D photo-reconstruction methods. European Journal of Agronomy, 55: 89-99. doi:https://doi.org/10.1016/j.eja.2014.01.004.
_||_Abdel-Rahman ME, Onisimo M, Elhadi A, Riyad I. 2014. Detecting Sirex noctilio grey-attacked and lightning-struck pine trees using airborne hyperspectral data, random forest and support vector machines classifiers. ISPRS Journal of Photogrammetry and Remote Sensing, 88: 48-59. doi:https://doi.org/10.1016/j.isprsjprs.2013.11.013.
Barton CV. 2012. Advances in remote sensing of plant stress. Plant and Soil, 354(1): 41-44. doi:https://doi.org/10.1007/s11104-011-1051-0.
Bulman LS. 2004. Assessment and control of Dothistroma needle-blight. Forest Research Bulletin. 48 p.
Calderón R, Navas-Cortés JA, Zarco-Tejada PJ. 2015. Early detection and quantification of Verticillium wilt in olive using hyperspectral and thermal imagery over large areas. Remote Sensing, 7(5): 5584-5610. doi:https://doi.org/10.3390/rs70505584.
Chenari A, Erfanifard Y, Dehghani M, Pourghasemi HR. 2018. Estimation of crown area of wild pistachio single trees using DSM of UAV aerial images in Baneh Research Forest, Fars province. Journal of Wood and Forest Science and Technology, 24(4): 117-130. doi:https://doi.org/ 10.22069/JWFST.2017.13322.1683. (In Persian).
Dash JP, Watt MS, Pearse GD, Heaphy M, Dungey HS. 2017. Assessing very high resolution UAV imagery for monitoring forest health during a simulated disease outbreak. ISPRS Journal of Photogrammetry and Remote Sensing, 131: 1-14. doi:https://doi.org/10.1016/j.isprsjprs.2017.07.007.
Dennison PE, Brunelle AR, Carter VA. 2010. Assessing canopy mortality during a mountain pine beetle outbreak using GeoEye-1 high spatial resolution satellite data. Remote Sensing of Environment, 114(11): 2431-2435. doi:https://doi.org/10.1016/j.rse.2010.05.018.
Gao J, Liao W, Nuyttens D, Lootens P, Vangeyte J, Pižurica A, He Y, Pieters JG. 2018. Fusion of pixel and object-based features for weed mapping using unmanned aerial vehicle imagery. International journal of applied earth observation and geoinformation, 67: 43-53. doi:https://doi.org/10.1016/j.jag.2017.12.012.
Golparvar-Fard M, Peña-Mora F, Savarese S. 2009. D4AR–a 4-dimensional augmented reality model for automating construction progress monitoring data collection, processing and communication. Journal of Information Technology in Construction, 14(13): 129-153.
Ishida T, Kurihara J, Viray FA, Namuco SB, Paringit EC, Perez GJ, Takahashi Y, Marciano Jr JJ. 2018. A novel approach for vegetation classification using UAV-based hyperspectral imaging. Computers and Electronics in Agriculture, 144: 80-85. doi:https://doi.org/10.1016/j.compag.2017.11.027.
Kargar M, Sohrabi H. 2019. Using canopy height model derived from UAV images for tree height estimation in Sisangan forest. Journal of RS and GIS for Natural Resources (Journal of Applied RS and GIS techniques in Natural Resource Science), 10(3): 106-119. http://girs.iaubushehr.ac.ir/article_668477.html?lang=en. (In Persian).
Kargar MR, Sohrabi H. 2019. Estimation of tree biomass at individual tree, sample plot and hybrid level using drone images. Engineering Journal of Geospatial Information Technology, 7(3): 111-120. doi:https://doi.org/10.29252/jgit.7.3.213. (In Persian).
Lashari SA, Ibrahim R. 2015. Performance Comparison of Selected Classification Algorithms Based on Fuzzy Soft Set for Medical Data. In: Advanced Computer and Communication Engineering Technology. Springer, Book series (LNEE, volume 315), pp 813-820. https://doi.org/810.1007/1978-1003-1319-07674-07674_07676.
Lazarević J, Davydenko K, Millberg H. 2017. Dothistroma needle blight on high altitude pine forests in Montenegro. Baltic Forestry, 23(1): 294-302.
Leckie D, Jay C, Gougeon F, Sturrock R, Paradine D. 2004. Detection and assessment of trees with Phellinus weirii (laminated root rot) using high resolution multi-spectral imagery. International Journal of Remote Sensing, 25(4): 793-818. doi:https://doi.org/10.1080/0143116031000139926.
Lisein J, Linchant J, Lejeune P, Bouché P, Vermeulen C. 2013. Aerial surveys using an unmanned aerial system (UAS): comparison of different methods for estimating the surface area of sampling strips. Tropical Conservation Science, 6(4): 506-520. doi:https://doi.org/10.1177/194008291300600405.
McConnell ML, Ryan JM, Collmar W, Schönfelder V, Steinle H, Strong A, Bloemen H, Hermsen W, Kuiper L, Bennett K. 2000. A high-sensitivity measurement of the MeV gamma-ray spectrum of Cygnus X-1. The Astrophysical Journal, 543(2): 928. doi:https://doi.org/10.1086/317128.
Meigs GW, Kennedy RE, Cohen WB. 2011. A Landsat time series approach to characterize bark beetle and defoliator impacts on tree mortality and surface fuels in conifer forests. Remote Sensing of Environment, 115(12): 3707-3718. doi:https://doi.org/10.1016/j.rse.2011.09.009.
Miller E, Dandois JP, Detto M, Hall JS. 2017. Drones as a tool for monoculture plantation assessment in the steepland tropics. Forests, 8(5): 168. doi:https://doi.org/10.3390/f8050168.
Murugesan S, Bouchard K, Chang E, Dougherty M, Hamann B, Weber GH. 2017. Multi-scale visual analysis of time-varying electrocorticography data via clustering of brain regions. BMC bioinformatics, 18(6): 1-15. doi:https://doi.org/10.1186/s12859-017-1633-9.
Poona NK, Ismail R. 2013. Discriminating the occurrence of pitch canker fungus in Pinus radiata trees using QuickBird imagery and artificial neural networks. Southern Forests: a Journal of Forest Science, 75(1): 29-40. doi:https://doi.org/10.2989/20702620.2012.748255.
Prošek J, Šímová P. 2019. UAV for mapping shrubland vegetation: Does fusion of spectral and vertical information derived from a single sensor increase the classification accuracy? International Journal of Applied Earth Observation and Geoinformation, 75: 151-162. doi:https://doi.org/10.1016/j.jag.2018.10.009.
Qin B, Xia Y, Prabhakar S, Tu Y. 2009. A rule-based classification algorithm for uncertain data. In: 2009 IEEE 25th International Conference on Data Engineering. IEEE, pp 1633-1640. https://doi.org/1610.1109/ICDE.2009.1164.
Ruggieri S. 2002. Efficient C4. 5 [classification algorithm]. IEEE transactions on knowledge and data engineering, 14(2): 438-444. doi:https://doi.org/10.1109/69.991727.
Sadeghi S, Sohrabi H. 2019. The effect of UAV flight altitude on the accuracy of individual tree height extraction in a broad-leaved forest. The International Archives of the Photogrammetry, Remote Sensing, and Spatial Information Sciences, 42(4): W18. doi:https://doi.org/10.5194/isprs-archives-xlii-4-w18-1168-2019.
Shahbazi M, Théau J, Ménard P. 2014. Recent applications of unmanned aerial imagery in natural resource management. GIScience & Remote Sensing, 51(4): 339-365. doi:https://doi.org/10.1080/15481603.2014.926650.
Stone C, Carnegie A, Melville G, Smith D, Nagel M. 2013. Aerial mapping canopy damage by the aphid Essigella californica in a Pinus radiata plantation in southern New South Wales: what are the challenges? Australian Forestry, 76(2): 101-109. doi:https://doi.org/10.1080/00049158.2013.799055.
Stone C, Coops NC. 2004. Assessment and monitoring of damage from insects in Australian eucalypt forests and commercial plantations. Australian Journal of Entomology, 43(3): 283-292. doi:https://doi.org/10.1111/j.1326-6756.2004.00432.x.
White JC, Wulder MA, Vastaranta M, Coops NC, Pitt D, Woods M. 2013. The utility of image-based point clouds for forest inventory: A comparison with airborne laser scanning. Forests, 4(3): 518-536. doi:https://doi.org/10.3390/f4030518.
Wulder MA, Dymond CC, White JC, Leckie DG, Carroll AL. 2006. Surveying mountain pine beetle damage of forests: A review of remote sensing opportunities. Forest Ecology and Management, 221(1-3): 27-41. doi:https://doi.org/10.1016/j.foreco.2005.09.021.
Wulder MA, White J, Bentz B, Alvarez M, Coops N. 2006. Estimating the probability of mountain pine beetle red-attack damage. Remote Sensing of Environment, 101(2): 150-166. doi:https://doi.org/10.1016/j.rse.2005.12.010.
Wulder MA, White J, Bentz B, Ebata T. 2006. Augmenting the existing survey hierarchy for mountain pine beetle red-attack damage with satellite remotely sensed data. Forestry Chronicle, 82(2): 187-202. https://www.fs.usda.gov/treesearch/pubs/27845.
Yu X, Hyyppä J, Holopainen M, Vastaranta M. 2010. Comparison of area-based and individual tree-based methods for predicting plot-level forest attributes. Remote Sensing, 2(6): 1481-1495. doi:https://doi.org/10.3390/rs2061481.
Zarco-Tejada PJ, Diaz-Varela R, Angileri V, Loudjani P. 2014. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle (UAV) and automatic 3D photo-reconstruction methods. European Journal of Agronomy, 55: 89-99. doi:https://doi.org/10.1016/j.eja.2014.01.004.
ارزیابی دقت دادههای پهپاد در برآورد میزان خشکیدگی درختان شمشاد
مطالعه موردی: پارک جنگلی سیسنگان- استان مازندارن
چکیده
قابلیتهایی که پهپادها و سنجندههای قابل نصب بر روی آنها دارند، باعث گسترش روزافزون این تجهیزات در زمینههای مختلف از جمله مدیریت عرصههای جنگلی شده است. این تجهیزات در مقابل دیگر وسایلی که به منظور برداشت دادههای سنجش از دوری استفاده میشوند تواناییهای بسیار زیادی از جمله تفکیک مکانی و زمانی قابل تنظیم، توانایی تغییر زاویه سنجنده و غیره دارند. در این تحقیق دقت تصاویر پهپاد در بررسی و شناسایی مناطق پوشیده از خشکهدارهای شمشاد در پارک جنگلی سیسنگان، با استفاده از الگوریتمهای طبقهبندی بررسی شد. بدین منظور سه قطعه نمونه دایرهای با شعاع 60 متر و مساحت 13/1 هکتار در منطقه مورد مطالعه طراحی گردید و تراکم پایههای خشکهدار شمشاد و پایههای زنده و سبز در آنها مشخص گردید. قطعات نمونه مشخص شده عبارت بودند از: قطعه نمونه با غلبه پایههای خشکه دار شمشاد، قطعه نمونه با غلبه پایههای زنده و سبز و قطعه نمونه با حالت بینابینی که در آن تعداد پایههای خشکه دار شمشاد و سبز تقریبا یکسان بودند. سپس در هر قطعه نمونه در نقاطی که پایههای شمشاد قرار داشتند، 50 نقطه تعلیمی و همچنین در نقاطی که پایههای زنده، پوشش علفی کف و تمشک نیز قرار داشتند، 50 نقطه ثبت گردید. تصویربرداری با استفاده از یک پهپاد ارزان قیمت و دوربین معمولی نصب شده بر روی آن صورت گرفت. پس از پردازش تصاویر و تهیه ابر نقاط متراکم سه بعدی با استفاده از الگوریتم ساختار حرکت مبنا، اورتوموزائیک تصاویر تهیه گردید. پس از طی نمونهبرداری، پردازش تصاویر و طبقهبندی هر سه قطعه نمونه، با استفاده از الگوریتمهای شبکه عصبی مصنوعی، بیشینه شباهت و کمترین فاصله انجام شد که نتایج آنها با شاخصهای ارزیابی دقت کلی و ضریب کاپا اندازه گیری شد. در نهایت الگوریتم شبکه عصبی مصنوعی بهترین نتایج را نسبت به دو الگوریتم دیگر داشته است. این الگوریتم با دقت کلی 47/97 درصد و ضریب کاپا 94/0 بهترین نتایج را در تفکیک و آشکارسازی خشکهدارهای شمشاد در قطعه نمونه با غلبه خشکهدارهای شمشاد داشتند. این نتایج بیانگر این است که استفاده از فنآوریهای نوظهور مانند پهپادها در مدیریت عرصههای جنگلی و پایش آنها میتواند نتایج بسیار امیدبخشی داشته باشد.
واژه‌های کلیدی: پهپاد، خشکیدگی، شمشاد، شبکه عصبی مصنوعی، طبقهبندی، پارک جنگلی سیسنگان
مقدمه
نظارت بر سلامت جنگلها بخش قابل توجهی از امنیت زیست محیطی و نظارت و تلاشهای مدیریت موثر بر پاتوژن را تشکیل میدهد (3). روشهای نظارت بر اساس تشخیص نوع علائم بیماریزا است؛ اما در مورد درختان و عرصههای گیاهی کاملا متفاوت است و باید از طریق مواردی همچون تغییرات رنگی و به دنبال آن تغییرات شکل ساختاری، تشخیص داده شود. به طور سنتی، پایش بیماری درختان در بسیاری از کشورها توسط فعالیتهای میدانی و بازدیدهای بصری صورت میگرفت (14). بازدیدهای میدانی عموما به صورت سالیانه یا دورهای انجام میشد و هدف آن معمولا شناسایی آفات جدید و همچنین اقدامات کنترلی بود (3). علاوه بر این، اطلاعات حاصل از پایشهای میدانی به منظور سیاستهای توسعهای، تعهدات بینالمللی، برنامهریزیهای جنگل و تصمیمگیریهای سرمایهگذاری استفاده میشد (28). اما باید توجه داشت که بازدیدهای میدانی به دلیل کوچک بودن عرصه، عدم قابلیت تعمیم آن به مناطق دیگر و همچنین زمانبر و هزینه بر بودن آن دارای اشکالات اساسی است.
تجهیزات مدرن سنجش از دوری این توانایی را دارند تا پایشها سنتی میدانی را با افزایش سطح پوشش و پیشبینی بیماری بهبود ببخشند. برای تحقق این مزایا، شناخت روشهای صحیح برداشت داده و همچنین دادههای مورد نیاز بسیار لازم و ضروری است (31). انتخاب سنسور مناسب و مورد انتظار از طریق میزان وضوح تصویر و همچنین مقادیر حساسیت آن به اثرات فیزیولوژیکی شاخ و برگ در طیفهای مختلف نوری، صورت میگیرد. با انتخاب سنجندهای که وضوح مناسب دارد، سطح منطقهای که از طریق سنجش از دور پایش و ارزیابی میگردد، افزایش پیدا کرده و حتی تا حدود بسیار زیادی دقت را بالا میبرد (32). بررسی هوایی که توسط هواپیما صورت میگیرد و شامل شناسایی دستی شیوع بیماری بهوسیله کارشناس حاضر در هواپیما است، رویکردی رایج و مقرون به صرفه در نقشهسازی پوشش گیاهی معیوب است. این شیوه برای تشخیص طیف گستردهای از وضعیت سلامت گیاهان مناسب است اما به دلیل اینکه در تشخیص سطوح مختلف آسیبهای فیزیولوژیکی و همچنین تولید ویژگیهای مکانی ناتوان است، دارای محدودیتهایی میباشد (27). تا به امروز، تعداد بسیار کمی از مطالعات انتشار یافته به موفقیت آمیز بودن تشخیص خشکیدگی جنگل از طریق سنجندههای نصب شده بر روی هواپیما (15)، ماهوارهها (21) و همچنین سنجندههای چند طیفی نصب شده بر روی تجهیزات سرنشیندار اشاره کرده است (4). برخلاف این، در زمینه کشاورزی تحقیقات زیادی وجود دارد که بر موفقیت آمیز بودن تشخیص بیماری اشاره دارد و از مهمترین دلایل موفقیت آنها میتوان عملکرد پاتوژنها در قسمت بالایی گیاه و همچنین ساختار سادهتر و منظمتر کشاورزی را نام برد (2).
دادههای دیجیتالی هوایی در اغلب موارد دارای ویژگیهایی است که در مقایسه با دادههای آنالوگ کاربردهای بسیار وسیعتری دارد. از جمله این ویژگیها میتوان به قابلیت تجزیه و تحلیل، ویژگیهای مکانی، طیفهای مختلف و غیره اشاره کرد. بیشتر تحقیقات به منظور تعیین میزان گسترش شیوع بیماری، خشکیدگی و حشرات در مقیاسهای بزرگ و منطقهای از تصاویر ماهوارهای با دقت 5 تا 30 متر استفاده کردهاند (18). طی یک دهه گذشته به منظور آشکارسازی تک درختان خشکیده و یا تجمع درختان معیوب در مقیاسهای بزرگ و با دقت بالا از تصاویر ماهوارهای با وضوح بیش از 5 متر استفاده شده است (7). به طور کلی استفاده از تصاویر ماهوارهای با وضوح بالا، آشکارسازی و میزان ابتلا به بیماری را در سطوح مختلف و دقیقتر در مقایسه با تصاویر متوسط مقیاس افزایش داده است (30).
تصاویر اخذ شده به وسیله ماهوارهها و هواپیماها معمولا محدوده بسیار وسیعی را پوشش میدهند اما تهیه آنها ممکن است زمانبر و هزینهبر باشد و در بسیاری از موارد در زمانهای مورد نظر محقق اخذ تصویری صورت نگرفته است. این امر باعث شده است تا دادههای این منابع برای تشخیص زودهنگام بیماری، تهیه تصاویر از مناطق با مساحت کوچک، در زمانهای موردنظر و مناطق با ریسک پروازی بالا مناسب نباشند. استفاده از تجهیزات هوایی بدون سرنشین مانند پهپادها این امکان را محیا کرده است تا در زمانهای دلخواه و با فواصل دورهای کم، وضوح بالا و مقرون به صرفه بتوان تصاویر را تهیه نمود.
در زمینه کار با دادههای پهپاد به منظور انجام امور مدیریت جنگل در کشور مطالعات بسیار اندکی صورت گرفته است. در همین راستا کارگر و سهرابی (12) با استفاده از دادههای برداشت شده توسط یک پهپاد عمودپرواز به اندازهگیری و مدلسازی ارتفاع پرداختند. گونههای موجود در این منطقه عبارتند از شمشاد، ممرز، انجیلی و دیگر گونهها. در این پژوهش به منظور مدلسازی از رگرسیون خطی استفاده گردید. در پایان آنها موفق شدند با جذر میانگین مربعات خطا به ترتیب 39/20، 39/20، 57/20 و 52/20 متر ارتفاع درختان را با استفاده مدل ارتفاعی تاج مستخرج از تصاویر پهپاد مدلسازی کنند. در پژوهشی دیگر صادقی و سهرابی (25) با استفاده از تصاویر برداشت شده بهوسیله یک عدد پهپاد ارزان قیمت عمود پرواز به تفکیک و شناسایی گونههای موجود در منطقه مورد مطالعه پرداختند. مدل استفاده شده در این پژوهش به منظور تفکیک گونهها از یکدیگر، جنگل تصادفی و تحلیلگر جداکننده خطی بود. در این پژوهش آنها موفق شدند با دقت کلی 9/81 درصد و ضریب کاپا 73/0 درختان را تفکیک و شناسایی کنند. چناری و همکاران (5) در تحقیقی به بررسی و مدلسازی قطر تاج درختان بنه با استفاده از تصاویر پهپاد در تفکیکهای مکانی مختلف پرداختند. هدف از انجام این مطالعه، بررسی قطر تاج و برآورد اندازه بهینه آن در تفکیک مکانی مطلوب بود که بر این اساس آنها توانستند با ضریب همبستگی 85/0، 75/0 و 70/0 به ترتیب در تفکیکهای مکانی 3، 50 و 100 سانتیمتر، قطر تاج را مدلسازی کنند. از تلفیق دادههای طیفی برداشت شده بهوسیله پهپادها و شاخصهای ارتفاعی، برای پهنهبندی درختچهزارها نیز استفاده گردیده است. در این زمینه در پژوهشی دیگر پترا و جیری (22) در تحقیقی به طبقهبندی و تفکیک تیپهای گیاهی مختلف در درختچهزارها پرداختند. به منظور عکسبرداری هوایی از یک عدد پهپاد عمود پرواز شش ملخه با سنجندههای مختلف استفاده گردید. سنجندههای نصب گردیده بر روی این پهپاد یک عدد سنجنده چند طیفی معمولی و یک عدد سنجنده لایدار بود. نتایج این پژوهش نشان داد که با استفاده از تلفیق دادههای طیفی و همچنین مقادیر ارتفاعی میتوان با دقت بسیار بالایی گونههای مختلف را تفکیک و تیپبندی را به انجام رساند. در پژوهشی دیگر که ایشیدا و همکاران (10) به منظور طبقهبندی پوشش گیاهی انجام دادند، از دادههای سنجنده فراطیفی که بر روی یک عدد پهپاد شش ملخه عمود پرواز نصب گردیده بود، استفاده کردند. الگوریتم طبقهبندی استفاده شده در این پژوهش ماشینبردار پشتیبان بود که جز دسته الگوریتمهای یادگیری ماشین محسوب میگردد. در این پژوهش این محققین توانستند با دقت کلی5/94 درصد پوششهای مختلف گیاهی را از یکدیگر تفکیک کنند. در پژوهشی دیگر گا و همکاران (8) به تلفیق شیوههای طبقهبندی شی مبنا و پیکسل مبنا به منظور تفکیک و پهنهبندی علفهای هرز پرداختند. گونههای علفی هرز موجود پرداختند. در این پژوهش بهمنظور انجام عکسبرداری هوایی از یک عدد پهپاد عمود پرواز 6 ملخه استفاده گردید. تفکیک مکانی تصاویر برداشت در هر پیکسل 78/1 میلیمتر انتخاب گردید. همچنین ارتفاع پروازی پهپاد 20 متر از محل کنترل کننده و میزان همپوشانی تصاویر به منظور ساخت مدل ارتفاعی تاج، 80 درصد تعیین شد.
پارک جنگلی سیسنگان یکی از زیستگاههای مهم شمشاد خزری در کشور به حساب میآید. اما متاسفانه در چند سال اخیر به دلیل بیماری خشکیدگی دچار بحران شده و بسیاری از پایههای شمشاد از بین رفتهاند. پایش و مدیریت این منطقه میتواند در اموری مانند کنترل، حفاظت و حمایت این منطقه موثر باشد. اما به دلیل مساحت زیاد پایههای از بین رفته، امکان برآورد مساحت به صورت دقیق با استفاده از دادههای موجود وجود ندارد. اندازهگیریهای دستی نیز کاری بسیار زمانبر و طاقتفرساست. این امر مستلزم این است تا راهی بیابیم که به صورت دقیق و خودکار این فرآیند را انجام دهد. پهپادها با استفاده از سنجندههای بسیاری دقیقی (تفکیک مکانی) که دارند، این امکان را فراهم آوردهاند. روشهای مختلف طبقهبندی نیز از راهکارهایی هستند که میتوان به منظور تفکیک خودکار درختان خشکیده از درختان سبز به کار گرفت.
مواد و روشها
منطقه اجرای پژوهش
پارک جنگلی سیسنگان در 30 کیلومتری شرق شهرستان نوشهر استان مازندران و در عرض جغرافیایی 36 درجه و 33 دقیقه و 30 ثانیه تا 36 درجه و 35 دقیقه و 30 ثانیه شمالی و طول جغرافیایی 51 درجه و 47 دقیقه تا 51 درجه و 49 دقیقه و 30 ثانیه شرقی قرار گرفته است (شکل 1). این پارک علاوه بر نقش تفرجی که دارد بسیاری از گونههای گیاهی مهم کشور در آن رشد یافتهاند. از جمله مهمترین این گونهها میتوان به شمشاد خزری اشاره کرد. اما متاسفانه در چند سال اخیر به دلیل حمله حشرات و آفات تبدیل به خشکه دار شدهاند (12).
شکل 1. منطقه مورد مطالعه، پارک جنگلی سیسنگان
Fig 1. Study Area, Sisangan Forest Park
تصویر برداری هوایی
پهپادی که در این پژوهش استفاده گردید از نوع پهپادهای عمود پرواز است (شکل 2). مسیر پروازی این پرنده، قبل از پرواز و به وسیله نرم افزار رابط کاربری طراحی گردید. میزان همپوشانی طولی و عرضی تصاویر از مهمترین عوامل تاثیرگذار بر روی تعداد خطوط پروازی و مدت زمان پرواز است(12). در این پژوهش به منظور پوشش کامل منطقه تصاویر، شبکه پروازی با 90 درصد همپوشانی طولی و 80 درصد همپوشانی عرضی طراحی گردید. ارتفاع پروازی انتخاب شده در این پژوهش نیز 100 متر محاسبه گردید. در این ارتفاع تفکیک مکانی 63/2 سانتیمتر در هر پیکسل بود. مساحت منطقهای که پرواز در آن صورت گرفت، 5/34 هکتار بود که پهپاد با توجه به پارامترهای پروازی تعیین گردیده 854 تصویر ثبت کرد. عملیات تصویر برداری در تاریخ هشتم آذرماه 1396، ساعت 10 صبح انجام پذیرفت که مدت زمان آن 45 دقیقه طول کشید.
شکل 2. فانتوم 4 پرو
Fig 2. Phantom 4 Pro
پردازش تصاویر و استخراج اورتوموزاییک
پس از انجام تصویربرداری هوایی، تصاویر با استفاده از مختصات جغرافیایی الحاق شده به هر کدام از آنها، در محیط نرمافزار در کنار یکدیگر و براساس خطوط پروازی منظم شدند. پس از آن نرم افزار به منظور ساخت مدل سه بعدی، در هر کدام از جفت تصاویر نقاط مشترک و کلیدی را مشخص نمود. سپس از طریق این نقاط فصل مشترک تصاویر مشخص شده و برروی یکدیگر قرار گرفتند. پس از اتمام فرآیند پردازش و با استفاده مدل خروجی سه بعدی، اورتوموزاییک تصاویر که در واقع پوششی کامل و یکپارچه از منطقه مورد مطالعه است، به دست آمد (شکل 3).
شکل3. اورتوموزاییک منطقه مورد مطالعه |
Fig 3. Study Area Orthomosaic
نمونهبرداری میدانی
ابتدا به منظور انجام نمونهبرداری میدانی از منطقه مورد مطالعه بازدید به عمل آمد و سپس سه قطعه نمونه دایرهای با شعاع 60 متر در منطقه طراحی گردید و تراکم پایهها در آنها مشخص گردید. قطعات نمونه مشخص گردیده عبارت بودند از: قطعه نمونه با غلبه پایههای خشکه دار شمشاد (شکل4 الف)، قطعه نمونه با غلبه پایههای زنده (شکل4 ب) و قطعه نمونه با حالت بینابینی (شکل4 ج). سپس در هر قطعه نمونه در نقاطی که پایههای شمشاد قرار داشتند، 50 نقطه تعلیمی و همچنین در نقاطی که پایههای زنده، پوشش علفی کف و تمشک نیز قرار داشتند، 50 نقطه ثبت گردید.
|
|
شکل الف. قطعه نمونه با غلبه پایههای خشکهدار شمشاد Fig a. Sample Plot with predominance of dieback trees | شکل ب. قطعه نمونه با غلبه پایههای زنده و سبز Fig b. Sample Plot with predominance of live and green trees |
| |
شکل ج. قطعه نمونه با حالت بینابینی Fig c. Sample Plot with dieback and live trees | |
شکل 4. قطعات نمونه طراحی شده
Fig 4. Designed sapmle plots
طبقهبندی تصاویر
به منظور انجام فرآیند طبقهبندی، وارد نرمافزار انوی 5.3 شدند. پس از آن نقاط تعلیمی وارد نرمافزار شدند و 75 عدد از آنها برای انجام فرآیند طبقهبندی نظارت شده و 25 عدد از آنها نیز برای ارزیابی صحت طبقهبندی استفاده گردید. برای طبقهبندی این تصاویر از سه الگوریتم طبقهبندی نظارت شده شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله استفاده گردید. در پایان پس از انجام هرکدام از مراحل طبقهبندی، از فیلتر Low Pass با ابعاد پنجره 3 در 3 پیکسل، برای هموارسازی تصاویر استفاده گردید.
روش ارزیابی نتایج
در این پژوهش برای ارزیابی و مقایسه نتایج با یکدیگر از ضریب کاپا (رابطه 1) و دقت کلی (رابطه 2) استفاده گردید. برای این منظور ابتدا ماتریس خطا تشکیل گردید و سپس با استفاده از اطلاعات موجود، پارامترهای مذکور محاسبه شد.
]1[ |
|
K: ضریب کاپا، OA: دقت کلی و q: پیکسلهایی که درست طبقه بندی نشدهاند
]2[ |
|
Σpii : مجموع پیکسلهای درست طبقهبندی شده، OA: دقت کلی و n: تعداد کل پیکسلهای آزمایشی
نتایج
در مجموع 3 قطعه نمونه با شعاع 60 متر برداشت گردید. در این تعداد نمونه، 579 پایه اندازهگیری گردید. فراوانی پایه های نمونه برداری شده در جدول 1 نشان داده شده است. شمشاد با اختلاف زیادی، بیشترین فراوانی را در منطقه به خود اختصاص داده است. پس از آن ممرز و انجیلی و بلوط به ترتیب در رتبههای بعدی قرار دارند. با توجه به فراوانی بسیار اندک دیگر گونهها، همه پایههای آنها در یک گروه تحت عنوان سایر گونهها قرار گرفت و در تحلیلهای بعدی استفاده شد. گروه سایر گونهها عبارت بود از افرا پلت، افرا شیردار، اوجا، ملج، نمدار، توسکا.
جدول 1. فراوانی پایه های نمونهبرداری شده و درصد هرکدام از آنها
Table 1. The frequency of the sampled tree and the percentage of each of them
قطعات نمونه Sample plots | درصد پایههای خشکیده % Dieback trees | درصد پایههای زنده و سبز % Live trees |
قطعه نمونه با غلبه خشکهدارهای شمشاد Sample Plot with predominance of dieback trees | 33/86 86/33 | 67/13 13/67 |
قطعه نمونه با غلبه درختان زنده و سبز Sample Plot with predominance of live and green trees | 56/26 26/56 | 44/73 73/44 |
قطعه نمونه حالت بینابینی Sample Plot with dieback and live trees | 65 65 | 35 35 |
نتایج طبقهبندی قطعات نمونه با تراکم و ترکیبهای خاص در جدول 2 ارائه گردیده است، همانطور که مشخص است الگوریتم شبکه عصبی مصنوعی بهترین نتایج را نسبت به دو الگوریتم دیگر داشته است. اما نتایج شبکه عصبی مصنوعی نیز با توجه به شرایط قطعه نمونه دارای نوساناتی است. این الگوریتم با دقت کلی 47/97 درصد و ضریب کاپا 94/0 بهترین نتایج را در تفکیک و آشکارسازی خشکهدارهای شمشاد در قطعه نمونه با غلبه خشکهدارهای شمشاد داشتند. پس از الگوریتم شبکه عصبی مصنوعی، الگوریتم بیشینه شباهت نتایج مطلوبتری را در تفکیک پایههای خشکه دار شمشاد از خود نشان داد. الگوریتم کمترین فاصله نتایج مطلوبی از خود نشان داد، اما میزان دقت آن به اندازه دو الگوریتم قبل نبود. همانطور که از نتایج جدول 2 مشخص است، هر سه الگوریتم در تفکیک پایهها در قطعه نمونه با غلبه پایههای زنده نتایج ضعیفتری را نسبت به دو قطعه نمونه دیگر از خود نشان دادند. قطعه نمونه با غلبه پایههای زنده و سبز در مقایسه با دو قطعه نمونه دیگر پدیده ها و عوارض بیشتری را در خود جای داده است و از نظر بافت تصویر نیز در مقایسه با دو قطعه نمونه دیگر تفاوتهای زیاد و محسوسی دارد. در این قطعه نمونه علاوه بر وجود پایههای سبز و خشکه دارهای شمشاد، پوشش علفی کف و تودههای تمشک نیز به چشم میخورد. نتایج حاصل از طبقهبندی این سه قطعه نمونه با سه الگوریتم ذکر شده در شکلهای 5، 6 و 7 نشان داده شده است.
|
|
شکل الف. غلبه خشکه دار شمشاد با الگوریتم شبکه عصبی مصنوعی Fig a. predominance of dieback trees with ANN Algorithm | شکل ب. غلبه خشکه دار شمشاد با الگوریتم حداکثر احتمال Fig b. predominance of dieback trees with ML Algorithm
|
|
|
شکل ج. غلبه خشکه دار شمشاد با الگوریتم حداقل فاصله Fig c. predominance of dieback trees with MD Algorithm | شکل د. غلبه پایههای زنده با الگوریتم شبکه عصبی مصنوعی Fig d. predominance of live trees with ANN Algorithm |
شکل 5. طبقهبندی قطعات نمونه با الگوریتمهای شبکه عصبی مصنوعی، حداکثر احتمال و کمترین فاصله
Fig 5. Classification of plots with artificial neural network algorithms, maximum likelihood and minimum distance
|
|
شکل الف. غلبه پایههای زنده با الگوریتم حداکثر احتمال Fig a. predominance of live trees with ML Algorithm | شکل ب. غلبه پایههای زنده با الگوریتم حداقل فاصله Fig b. predominance of live trees with MD Algorithm
|
|
|
شکل ج. قطعه نمونه بینابینی با الگوریتم شبکه عصبی مصنوعی Fig c. dieback and live trees with ANN Algorithm | شکل د. قطعه نمونه بینابینی با الگوریتم حداکثر احتمال Fig d. dieback and live trees with ML Algorithm |
شکل 6. طبقهبندی قطعات نمونه با الگوریتمهای شبکه عصبی مصنوعی، حداکثر احتمال و کمترین فاصله
Fig 6. Classification of plots with artificial neural network algorithms, maximum likelihood and minimum distance
شکل 7. قطعه نمونه بینابینی با الگوریتم حداقل فاصله
Fig 7. dieback and live trees with MD Algorithm
جدول 2. نتایج ارزیابی طبقه بندی با استفاده از الگوریتمهای مختلف
Table 2. Classification evaluation results using different algorithms
الگوریتم طبقهبندی Classification algorithm | ارزیاب Evaluator | قطعه نمونه با غلبه پایههای زنده و سبز Sample Plot with predominance of live and green trees | قطعه نمونه با غلبه خشکهدارهای شمشاد Sample Plot with predominance of dieback trees | قطعه نمونه حالت بینابینی Sample Plot with dieback and live trees |
کمترین فاصله Minimum distance (MD) | دقت کلی Overall accuracy | 72/66 66/72 | 72/73 73/72 | 83/82 82/83 |
ضریب کاپا Kappa coefficient | 22/0 0/22 | 47/0 0/47 | 62/0 0/62 | |
بیشینه شباهت Maximum Likelihood (ML) | دقت کلی Overall accuracy | 22/92 92/22 | 54/96 96/54 | 21/96 96/21 |
ضریب کاپا Kappa coefficient | 73/0 0/73 | 93/0 0/93 | 91/0 0/91 | |
شبکه عصبی مصنوعی Artificial neural network (ANN) | دقت کلی Overall accuracy | 51/94 94/51 | 47/97 97/47 | 48/96 96/48 |
ضریب کاپا Kappa coefficient | 78/0 0/78 | 94/0 0/94 | 91/0 0/91 |
بحث و نتیجهگیری
در این پژوهش نتایج طبقهبندی و آشکارسازی خشکهدارهای شمشاد با استفاده از الگوریتم شبکه عصبی مصنوعی بسیار بهتر از الگوریتمهای بیشینه شباهت و کمترین فاصله بود. از جمله دلایل بهتر بودن نتایج الگوریتم شبکه عصبی مصنوعی میتوان به غیرخطی بودن و ناپارامتریک بودن آن اشاره کرد. اما در طبقهبندی بوسیله الگوریتمهای سنتی مانند روشهای آماری، به دلیل اینکه انعطافپذیری کمتری دارند، دقت پایین تری داشته. انواع پارامتریک روشهای سنتی مانند الگوریتم بیشینه شباهت، به خاطر وابستگی به آمار گوسی، در صورتیکه دادهها نرمال نباشند نمیتواند دقت مطلوبی در طبقهبندی و تفکیک طبقات از یکدیگر داشته باشد (23). در الگوریتمهای سنتی مانند الگوریتمهای بیشینه شباهت و کمترین فاصله، دادههای آموزشی نقش حیاتی دارند. در این روشها فرض بر این است که توزیع در داخل نمونههای آموزشی باید نرمال باشد، به طوریکه اگر نتوان این شرط را محیا نمود، دقت طبقهبندی به شدت کاهش مییابد. در حالیکه روشهای یادگیری ماشین بر اساس ویژگیها و ساختار خود دادهها عمل میکنند. به این دلیل است که این روشها در ترکیب دادههای با منابع مختلف موفقترند (24). لذا با استفاده از قابلیتهای شبکههای عصبی مصنوعی، ضمن کاهش خطا در طبقهبندی، امکان افزایش کلاسها و جداسازی کلاسها دقیقتر در پروژههای کاربردی فراهم میباشد. براساس دستهبندی دیگری که الگوریتمهای طبقهبندی را تفکیک کرده است، الگوریتم شبکه عصبی مصنوعی جز الگوریتمهای یادگیری ماشین هستند. این الگوریتمهای علاوه بر نمونههای تعلیمی که به منظور طبقهبندی وارد آنها میشود، از اطلاعات دیگری نیز استفاده میکنند. این ویژگی الگوریتمهای یادگیری ماشین در بسیاری از موارد در مقایسه با روشهای سنتی طبقهبندی که فقط از نمونههای تعلیمی استفاده میکنند، دقت بسیار بالاتری دارند و نتایج آنها با حقیقت زمینی بیشتر مطابق است(13).
نتایج ما نشان داد که میتوان از پهپادها به عنوان سکویی برای پایش سلامت گیاهان استفاده کرد. تفکیک مکانی و زمانی بالای این تجهیزات، تشخیص شیوع بیماری را به آسانی در جنگل امکانپذیر میکند و در مقایسه با روشهای سنتی ارزیابی سلامت هیچگونه تاخیری ندارند. اما برخلاف توانمندیهایی که این سنجندهها دارند، نمیتوانند بیماریها را در مراحل اولیه آن تشخیص دهند. زیرا در مراحل اولیه در مشخصات ظاهری گیاه هیچگونه تغییرات خاص قابل تمایزی رخ نمیدهد. در همین زمینه در تحقیقی که دش و همکاران (6) با استفاده از سنجندههای چند طیفی به تشخیص و طبقهبندی گونههای بیمار پرداختند به خوبی نتوانستند پایههایی که در مراحل اولیه بیماری بودند را آشکارسازی کنند. برخلاف نتایج این تحقیق، پژوهش حاضر توانست با ضریب کاپا و دقت کلی بسیار مطلوبی پایههای خشکهدار و مریض شمشاد را آشکارسازی کند. دلیل بهبود نتایج تحقیق حاضر نسبت به کار آنها انجام تحقیق در مراحل پایانی بیماری است و به دلیل اینکه تفاوتهای ظاهری بسیار زیادی گیاه اتفاق افتاده است، به راحتی قابل تفکیک است. در تحقیقات قبلی دیگری که در همین زمینه انجام شدند، نشان دادند که میتوان با استفاده از سنجندههای فرا طیفی بیماریها و تنشهای فیزیولوژیکی گیاهان را در مراحل اولیه شیوع تشخیص داد. از جمله این سنجندهها میتوان به حسگر باند لبه قرمز اشاره کرد. این امر ممکن است به گستردگی تفکیک طیفی این حسگرها نسبت داده شود که میتوانند تغییرات فیزیولوژیکی ناشی از بازتابهای طولموجهای بیشتری را در خارج از طولموجهای مشاهده‌شده توسط حسگرهای معمولی ثبت کنند. در همین زمینه رحمان و همکاران (1) در تحقیقی به طبقهبندی و بررسی وضعیت سلامت درختان با استفاده از سنجنده میکاسنس پرداختند. در این تحقیق آنها توانستند با ضریب کاپا مطلوبی (78/0) درختان مریض را در مراحل اولیه شیوع تشخیص دهند. براساس نتایج پژوهشهای قبلی که در این زمینه انجام شد، مشخص گردید که سنجندههای مرسوم چند طیفی با دقت بالا، شیوع بیماری را در مراحل آخری آن تشخیص دادند. این یافته نشان میدهد که تطبیق توانایی سنجندههای مختلف با اهداف تعیین گردیده برای آنها بسیار مهم بوده و بر گسترش و کاربرد روزافزون سنجش از دور کمک شایانی میکند. براساس نتایج ما، پایش سلامت گیاهان با استفاده از تصاویر پهپاد بسیار ارزشمند است، اما تاخیر تشخیص شیوع بیماری محقق را ملزم میسازد که سنجندهای متناسب با هدف پژوهش انتخاب نماید.
قطعات نمونهای که به منظور تفکیک خشکهدارهای شمشاد انتخاب گردیدند، از نظر ترکیب با گونههای دیگر و یا تعداد آن در هکتار با یکدیگر متفاوت بودند. سعی شد که قطعات نمونهای انتخاب گردند که از نظر مقایسهای و آماری طیف گستردهای را پوشش دهند و وضعیت آنها با مناطق پوششی دیگر شبیه باشد. از نظر بهتر بودن نتایج به ترتیب میتوان ابتدا به قطعه نمونه با غلبه خشکهدارهای شمشاد، قطعه نمونه حالت بینابینی و قطعه نمونه با غلبه درختان زنده و سبز اشاره کرد. از جمله دلایل بهبود نتایج طبقهبندی قطعه نمونه با غلبه خشکهدارهای شمشاد نسبت به دو قطعه نمونه دیگر میتوان به وجود طیف وسیعی از درختان خشکیده شمشاد در این قطعه نمونه اشاره کرد. همچنین مساحت بسیار زیادی از این قطعه نمونه توسط این پایهها پوشیده شده بود. قطعه نمونهای که حالت بینابینی داشت، مساحت قسمت عمدهای از آن را سطح زمین پوشانده بود، اما در مقایسه با قطعه نمونه با غلبه شمشاد، پدیده و عوارض بیشتری درون آن وجود داشت (جاده، بوتههای تمشک و تجهیزات رفاهی). به منظور طبقهبندی نیز پایههای خشکهدار شمشاد به عنوان یک طبقه انتخاب شدند و بقیه پایهها همراه جاده و غیره نیز در طبقه دیگر قرار گرفتند. به دلیل ناهمگنی که در طبقه غیر شمشاد وجود داشت، انتظار کاهش دقت طبقهبندی وجود داشت. اما در قطعه نمونه با غلبه درختان زنده و سبز، نتایج ضعیفتر از این دو قطعه نمونه بود. در این طبقه تعداد پایههای شمشاد بسیار کم بود، برخلاف آن تعداد درختان سبز و زنده بسیار بیشتر بود. درختان زنده موجود در این قطعه نمونه از گونههای بسیار متفاوتی بودند. به دلیل اینکه زمان عکسبرداری این پژوهش در فصل شروع خزان درختان بود، هرکدام از آنها دورههای فیزیولوژیکی خاصی را سپری میکردند. برخی از آنها تغییر رنگ برگ داده و برخی دیگر هنوز رنگ برگشان تغییری نکرده بود. به همین دلیل میزان ناهمگنی در این طبقه بسیار زیاد بود. به همین دلیل ممکن است علت کاهش دقت طبقهبندی در این قطعه نمونه همین پدیده باشد. الگوریتمهای طبقهبندی و مخصوصا الگوریتمهای سنتی با استفاده از رفتار طیفی پدیدهها و مقادیر بازتابش آنها، عمل طبقهبندی را انجام میدهند. در صورتیکه تعداد عوارض موجود در قطعات نمونه زیاد باشد، تشخیص پیکسلها با مقادیر مختلف بازتابشی و تخصیص هرکدام از آنها به طبقات تعیین شده بسیار مشکل است و باعث ایجاد خطا و کاهش دقت در عمل طبقهبندی میگردد.
صرف نظر از سکو استفاده شده برای حمل سنجنده ارزان قیمت در این پژوهش، این رویکرد کم هزینه امکان دستیابی به روش سادهتر و دقیقتر را نسبت به استفاده از سیستمهای پیچیده لایدار که در حال حاضر عملیاتی هستند، محیا میکند (16). هدف این نیست که بحث بر روی عملکرد هر یک از این فن‌آوری‌ها را آغاز کنیم، در صورتی که مطالعات پیشین کارآیی زیاد لیزر اسکنرهای هوایی برای ارزیابی طبقهبندی و تفکیک تیپها و گونههای خاص آنرا با دقت و جزییات بی‌سابقه به اثبات رسانده‌اند (19،11و 33). سنجندههای قابل نصب بر روی پهپادها (مانند دوربینهای معمولی و مادون قرمز رنگی) در مقایسه با سنجندههای لایدار، قیمت ارزانتری دارند، همچنین کار کردن و پردازش دادههای آنها بسیار آسانتر است و به راحتی میتوان محصولات آنها را استخراج کرد؛ به همین دلایل است که این تجهیزات پتانسیل بالقوهای را در انتخاب اول جوامع علمی، محققان و مشتریان فعال در زمینه پایش پوشش گیاهی، ارزیابهای محصولات گیاهی، شناسایی مناظر بکر طبیعی و مطالعات فرسایش، پیدا کردهاند. برخلاف اینکه سنجندههای کوچک لایدار ساخته شده و قابل نصب بر روی پهپادها هستند، اما هزینههای زیاد و پیچیدگیهای مراحل مختلف پردازش و استخراج محصولات سنجش از دوری از آنها، کاربرد گسترده آنها را محدود کرده است. علاوه بر این، سنجندههای کوچک لایدار به دلیل وزن زیادتری که نسبت به سنجندههای رنگی معمولی و رنگی مادون قرمز دارند، به منظور حمل، احتیاج به پهپادهای بزرگتری میباشد. به همین خاطر معمولا بر روی پهپادهای عمود پرواز نصب میشوند. سنگینی ناشی از حمل سنجنده، سرعت پرواز را کاهش داده و باعث میشود که مساحت تحت پوشش پهپاد بسیار کاهش یابد. که این خود محدودیتی برای این سنجندهها به حساب میآید.
نظارت موفق بر جنگلها تا حدود زیادی متاثر از تفکیک مکانی، زمانی و طیفی سنجندهها و همچینین سکوهایی متناسب که سنجنده بر روی آنها نصب میگردند و روش تجزیه و تحلیل تصاویر، است. در طول دو دهه گذشته، تصاویر ماهوارهای با تفکیک مکانی بالایی که برای پایش منابع طبیعی استفاده میشدند، فاقد تفکیک زمانی مناسب برای این هدف بودند. به همین خاطر از هواپیماها همراه با سنجندههای لایدار برای اینکار استفاده کردند (17). ظهور پهپادهای کم هزینه، با کاربرد آسان و همراه با سنجندههای چند طیفی کوچک، این توانایی را دارد، تا پایش سلامت جنگل را متحول کنند. نتایج تحقیق ما نشان داد که پهپاد میتواند به عنوان وسیلهای برای پر کردن خلا بین نظارتهای هوابرد مقیاس بزرگ و برنامههای پایش منظم، هدفمند و مقیاس بزرگ، بهکار رود. این تجهیزات همچنین میتوانند در مقایسه با سیستمهای ماهوارهای، در روزهایی که هوا ابری است و احتیاج به تصاویر در دورههای کوتاه مدت است، اقدام به تهیه تصاویر کنند. سیستمهای پهپادی در مقایسه با سیستمهای ماهوارهای و هواپیماهای سرنشیندار هزینههای راهاندازی، نگهداری، آنالیز و غیره بسیار کمتری دارند. همچنین این تجهیزات در برنامهریزی به منظور عکسبرداری، انعطافپذیری بیشتری در مقایسه با دیگر منابع سنجش از دوری دارند.
نقطه ضعف بزرگی که در مورد عکسبرداری با استفاده از تصاویر پهپاد و استخراج محصولات مختلف از آن مطرح است، میزان همپوشانی بسیار زیاد تصاویر با یکدیگر و همچنین ارتفاع کم پروازی آن است. همپوشانی بسیار زیاد تصاویر و ارتفاع کم پروازی از مواردی هستند که باعث میشوند مساحت تحت پوشش پهپاد در هر بار پرواز به شدت کاهش یابد و به کمتر از 100 هکتار برسد (34، 29). به طور کلی، پهپادهایی که قابلیت مدت زمان پرواز بیشتری را دارند و میتوانند تا ارتفاع بیشتری اوج بگیرند، قابلیت پوشش مناطق بیشتری را دارند؛ اما این مساله در بسیاری از کشورها با قوانین هوایی ناسازگاری دارد و محدودیتهایی را در پرواز و عملیات عکسبرداری ایجاد میکند. روش و فنآوری ارائه شده در این پژوهش، قادر است مساحت بسیار زیادی را با تمامی جزییات پوشش دهد، اما مدت زمان پروازی پهپادها محدودیت ایجاد میکند. با این وجود، روشهای ارائه شده در این پژوهش قابلیت تعمیم به عرصهها و تجهیزات بزرگتر را دارند و میتوان سنجندههای مشابه را بر روی هواپیماها و یا تجهیزات هوابرد دیگر نصب کرد. این تجهیزات به دلیل اینکه محدودیت قانونی کمتری در ارتفاع پروازی و همچنین مدت زمان پرواز در مقایسه با پهپادها دارند، در این زمینه با مشکلات بسیار کمتری روبهرو خواهند شد.
جنگلداری مدرن بیشتر به اطلاعاتی در غالب دیجیتال و با حفظ ساختاری پیوسته نیازمند است که پهپادها در این زمینه نوید بخش آیندهای روشن هستند. علاوه بر این، سهولت جمعآوری داده، انعطاف پذیری زیاد در تفکیک مکانی و زمانی، هزینههای عملیاتی بسیار پایین در مقایسه با دیگر تجهیزات از دیگر مزایای آنهاست. همچنین پهپادها با ویژگیهایی که دارند، محیط امن کاری را در بازار آینده جمعآوری اطلاعات رقم زدهاند. پیشرفتهای اساسی تکنولوژیکی که در زمینههای نقشهبرداری چند مقیاسه دیداری، مدلسازی دیجیتالی سهبعدی و تجزیه و تحلیلهای سری زمانی با استفاده از الگوریتم ساختار حرکت مبنا اتفاق افتاده است، دانشمندان را در علوم زیر ساختی جنگل مانند مدیریت ساختاری، آلودگی آب، دیرینه شناسی جنگل، سیستمهای انتقال انرژی، بیولوژی کمی و حفاظت زیستگاه توانمند ساخته است (20، 9). با این وجود، چالشهای بسیاری در زمینه کاربرد منظم، امن و جامع سنجش از دور پهپادی وجود دارد. ارتقا استانداردهای سنجش از دور پهپادی به عنوان یک موضوع میان رشتهای بسیار محدود است، به همین دلیل به منظور کاربرد سیستماتیک پهپاد در اراضی جنگلی، باید با توجه به تحقیقات گذشته از پهپادها به طور منظم در این زمینه استفاده گردد تا جایگاه آن تثبیت شود (26). روشهایی که به منظور افزایش تراکم نقاط موجود در ابر نقاط میگردد و باعث بهبود نتایج میشود، میتواند پنجرهای جدید از تحقیقات بر روی تجزیه و تحلیل دادههای سنجش از دور پهپادی باشد. براساس یافته‌های ارایه‌شده در این مطالعه، جهت تحقیقات پیشنهاد میگردد که پژوهشهایی در زمینه شناسایی گونهها و ارزیابی دقت تخمین سایر ویژگیهای ساختاری درختان مانند قطر برابر سینه و مساحت تاج باشد، که فاکتورهای مهمی در تفکیک و طبقهبندی تیپهای جنگلی از یکدیگر است.
نتایج حاصل از این پژوهش نشان داد که میتوان با استفاده از دادهها و تصاویر معمولی یک پهپاد ارزان قیمت به بررسی وضعیت خشکیدگی درختان بعد از فوران بیماری و تعیین مساحت آن پرداخت. برخلاف هزینههای زیادی که به منظور خرید سنجندههای گران قیمت به منظور پایش وضعیت پوشش گیاهی صورت میگیرد، میتوان از این شیوه های ارائه شده در این مقاله، با هزینههای بسیار کمتری اقدام کرد. این روش میتواند در تعیین میزان سطح پوششهای خشکیده کمک شایانی به نهادهای زیربط کند. با توجه به بودجههای مختلفی که سالانه در هر بخش تخصیص مییابد، این اعتبار براساس آمار و اطلاعاتی هست که به نهادهای بالادستی ارائه میگردد. اما همانطور که مشخص است تا کنون در زمینه میزان دقیق عرصه های دچار خشکیدگی، اطلاعاتی قابل استنادی در دسترس نیست. اما این شیوه میتواند در پهنهبندی و مساحی نقاط فوران بیماری کمک شایانی کند.
تقدیر و تشکر
در برداشت تصاویر هوایی منطقه مورد مطالعه از پهپاد دانشکده علوم دریایی و منابع طبیعی دانشگاه تربیت مدرس استفاده گردید که به این وسیله از جناب آقای دکتر هرمز سهرابی و مجموعه این دانشکده که این زحمت را متقبل شدند، قدردانی به عمل میآید.
1. Abdel-Rahman EM, Mutanga O, Adam E, Ismail R. 2014. Detecting Sirex noctilio grey-attacked and lightning-struck pine trees using airborne hyperspectral data, random forest and support vector machines classifiers. ISPRS Journal of Photogrammetry and Remote Sensing. 88: 48-59. doi:https://doi.org/10.1016/j.isprsjprs.2013.11.013.
2. Barton CV. 2012. Advances in remote sensing of plant stress. Plant Soil. 354(1-2): 41–44. doi:https://doi.org/10.1007/s11104-011-1051-0
3. Bulman LS, Gadgil PD, Kershaw DJ, Ray JW.2004. Assessment and Control of Dothistroma Needle-blight. Forest Research Bulletin. 48.
4. Calderón R, Navas-Cortés JA, Zarco-Tejada PJ. 2015. Early detection and quantification of verticillium wilt in olive using hyperspectral and thermal imagery over large areas. Remote Sensing. 7(5): 5584–5610. doi:https://doi.org/10.3390/rs70505584.
5. Chenari A, Erfanifard Y, Dehghani M, Pourghasemi HR. 2018. Estimation of crown area of wild pistachio single trees using DSM of UAV aerial images in Baneh Research Forest, Fars province. Journal of Wood and Forest Science and Technology, 24(4): 117-130. doi:https://doi.org/ 10.22069/JWFST.2017.13322.1683. (In Persian).
6. Dash JP, Watt MS, Pearse GD, Heaphy M, Dungey HS.2017. Assessing very high resolution UAV imagery for monitoring forest health during a simulated disease outbreak. ISPRS Journal of Photogrammetry and Remote Sensing. 131: 1-14. doi: https://doi.org/10.1016/j.isprsjprs.2017.07.007.
7. Dennison PE, Brunelle AR, Carter VA. 2010. Assessing canopy mortality during a mountain pine beetle outbreak using GeoEye-1 high spatial resolution satellite data. Remote Sensing of Environment. 114(11): 2431–2435. doi:https://doi.org/10.1016/j.rse.2010.05.018.
8. Gao J, Liao W, Nuyttens D, Lootens P, Vangeyte J, Pižurica A, Pieters JG. 2018. Fusion of pixel and object-based features for weed mapping using unmanned aerial vehicle imagery. International journal of applied earth observation and geoinformation. 67: 43-53. doi: https://doi.org/10.1016/j.jag.2017.12.012.
9. Golparvar-Fard M, Peña-Mora F, Savarese S. 2009. 4-dimensional augmented reality model for automating construction progress monitoring data collection, processing and communication. Journal of Information Technology Constr. (14): 129–153.
10. Ishida T, Kurihara J, Viray FA, Namuco SB, Paringit EC, Perez GJ, Marciano JJ. 2018. A novel approach for vegetation classification using UAV-based hyperspectral imaging. Computers and Electronics in Agriculture. 144: 80-85. doi: https://doi.org/10.1016/j.compag.2017.11.027.
11. Kargar MR, Sohrabi H. 2019. Estimation of Tree Biomass at Individual tree, Sample plot and Hybrid Level using Drone Images. Engineering Journal of Geospatial Information Technology. 7(3): 111-120. doi: https://doi.org/10.29252/jgit.7.3.213. (In Persian).
12. Kargar MR, Sohrabi H. 2019. Using canopy height model derived from UAV images for tree height estimation in Sisangan forest. Journal of applied rs and gis techniques in natural resource science. 10(3): 106-119. (In Persian).
13. Lashari, SA, Ibrahim R. 2015. Performance Comparison of Selected Classification Algorithms Based on Fuzzy Soft Set for Medical Data. In Advanced Computer and Communication Engineering Technology. 813-820. doi: https://doi.org/10.1007/978-3-319-07674-4_76.
14. Lazarević JE, Davydenko K, Millberg H. 2017. Dothistroma needle blight on high altitude pine forests in Montenegro. Baltic Forestry. 23(1): 294-302.
15. Leckie D, Jay C, Gougeon F, Sturrock R, Paradine D. 2004. Detection and assessment of trees with Phellinus weirii (laminated root rot) using high resolution multi-spectral imagery. International Journal Remote Sensing. 25(4): 793-818. doi:https://doi.org/10.1080/0143116031000139926.
16. Lisein J, Linchant J, Lejeune P, Bouché P, Vermeulen C. 2013. Aerial surveys using an unmanned aerial system (UAS): comparison of different methods for estimating the surface area of sampling strips. Tropical Conservation Science. (6)4: 506-520. doi: https://doi.org/10.1177%2F194008291300600405.
17. McConnell ML, Ryan JM, Collmar W, Schönfelder V, Steinle H, Strong AW, Phlips BF. 2000. A high-sensitivity measurement of the MeV gamma-ray spectrum of Cygnus X-1. The Astrophysical Journal. 543(2): 928. doi: https://doi.org/10.1086/317128.
18. Meigs GW, Kennedy RE, Cohen WB. 2011. A Landsat time series approach to characterize bark beetle and defoliator impacts on tree mortality and surface fuels in conifer forests. Remote Sensing of Environment. 115(12): 3707–3718. doi: https://doi.org/10.1016/j.rse.2011.09.009.
19. Miller E, Dandois JP, Detto M, and Hall JS. 2017. Drones as a Tool for Monoculture Plantation Assessment in the Steepland Tropics. Forests. 8(5): 168. doi: https://doi.org/10.3390/f8050168.
20. Murugesan S, Bouchard K, Chang E, Dougherty M, Hamann B, Weber GH. 2017. Multi-scale visual analysis of time-varying electrocorticography data via clustering of brain regions. BMC Bioinform. 18(6): 236. doi: https://doi.org/10.1186/s12859-017-1633-9.
21. Poona NK, Ismail R. 2013. Discriminating the occurrence of pitch canker fungus in Pinus radiata trees using quickbird imagery and artificial neural networks. Southern Forests: a Journal of Forest Science. 75(1): 29–40. doi:https://doi.org/10.2989/20702620.2012.748255.
22. Prošek J, Šímová P. 2019. UAV for mapping shrubland vegetation: Does fusion of spectral and vertical information derived from a single sensor increase the classification accuracy. International Journal of Applied Earth Observation and Geoinformation. (75): 151-162. doi: https://doi.org/10.1016/j.jag.2018.10.009.
23. Qin B, Xia Y, Prabhakar S, Tu Y. 2009. A rule-based classification algorithm for uncertain data. In 2009 IEEE 25th International Conference on Data Engineering. 1633-1640. doi:https://doi.org/ 10.1109/ICDE.2009.164.
24. Ruggieri S. 2002. Efficient C4. 5 (classification algorithm). IEEE transactions on knowledge and data engineering. 14(2): 438-444. doi:https://doi.org/10.1109/69.991727.
25. Sadeghi S, Sohrabi H. 2019. The effect of UAV flight altitude on the accuracy of individual tree height extraction in a broad-leaved forest. The International Archives of the Photogrammetry, Remote Sensing, and Spatial Information Sciences. 42. doi: https://doi.org/10.5194/isprs-archives-xlii-4-w18-1168-2019.
26. Shahbazi M, Théau J, Ménard P. 2014. Recent applications of unmanned aerial imagery in natural resource management. GIScience & Remote Sensing. 51(4): 339–365. doi: https://doi.org/10.1080/15481603.2014.926650.
27. Stone C, Carnegie A, Melville G, Smith D, Nagel M. 2013. Aerial mapping canopy damage by the aphid Essigella californica in a Pinus radiata plantation in southern New South Wales: what are the challenges. Austr. Forest. 76(2): 101– 109. doi:https://doi.org/10.1080/00049158.2013.799055.
28. Stone C, Coops NC. 2004. Assessment and monitoring of damage from insects in Australian eucalypt forests and commercial plantations. Austr. Journal of Entomol. 43(3): 283–292. doi:https://doi.org/10.1111/j.1326-6756.2004.00432.x.
29. White JC, Wulder MA, Vastaranta M, Coops NC, Pitt D, Woods M. 2013. The utility of image-based point clouds for forest inventory: A comparison with airborne laser scanning. Forests. 4(3): 518–536. doi: https://doi.org/10.3390/f4030518.
30. Wulder MA, Dymond CC, White JC, Leckie DG, Carroll AL. 2006. Surveying mountain pine beetle damage of forests: a review of remote sensing opportunities. Forest Ecology and management. 221(1-3): 27–41. doi: https://doi.org/10.1016/j.foreco.2005.09.021.
31. Wulder MA, White JC, Bentz B, Alvarez MF, Coops NC. 2006. Estimating the probability of mountain pine beetle red-attack damage. Remote Sensing of Environment. 101(2): 150–166. doi: https://doi.org/10.1016/j.rse.2005.12.010.
32. Wulder MA, White JC, Bentz B, Ebata T. 2006. Augmenting the existing survey hierarchy for mountain pine beetle red-attack damage with satellite remotely sensed data. Forestry Chronicle. 82(2): 187–202.
33. Yu X, Hyyppä J, Holopainen M, Vastaranta M. 2010. Comparison of area-based and individual tree-based methods for predicting plot-level forest attributes. Remote Sensing. 2(6): 1481-1495. doi: https://doi.org/10.3390/rs2061481.
34. Zarco-Tejada PJ, Diaz-Varela R, Angileri V, Loudjani P. 2014. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle (UAV) and automatic 3D photo-reconstruction methods. European journal of agronomy. 55(): 89-99. doi:https://doi.org/10.1016/j.eja.2014.01.004.
Evaluate the accuracy of UAV data on the survey of dieback Buxus hyrcana Case Study: Sisangan forest park- Mazandaran
Abstract
The capabilities of the UAVs and sensors that have been installed on them have led to an ever-increasing expansion of the equipment in various fields, including forest management. This equipment, in contrast to other devices used to capture remote sensing data, has many abilities, including spatial and temporal configurations (customizable) and very high, able to change the viewing angle and ETC. In this research, the accuracy of drone images in the investigation and identification of areas covered by Bux Tree dams in the forest of Sisangan was studied using classification algorithms. For this purpose, three pieces of circular sample with a radius of 60 meters and an area of 1.13 hectares were designed in the area. The density of Bux Tree dams and the bases of living and green were determined in them. Specimens of the sample were: Sample plot with domination of dieback Buxus bases, sample plot with overlapping of living and green bases, and sample plot with interstitial state in which the number of green dams were almost identical. Then, in each sample plot, at places where the bases of Buxus were located, there were 50 didactic points, as well as in the places where the living bases, the grass cover and the raspberries were located 50 points were recorded. The shooting took place using an inexpensive drone and an RGB camera mounted on it. After processing the images and preparing three-dimensional dense clouds using SFM algorithm, the orthomuzal images were prepared. After finishing the sampling and image processing and classification operations of all three plots of samples, using artificial neural network algorithms, the maximum likelihood and minimum distance were performed, and the results were compared with the overall accuracy evaluation indicators and the kappa coefficient was measured. Finally, the artificial neural network algorithm has the best results compared to the other two algorithms. This algorithm with a total accuracy of 97.47% and a kappa coefficient of 0.94 had the best results in the separation and detection of Buxus dieback in the sample plots with the domination of Buxus dieback. These results indicate that the use of emerging technologies such as UAVs in forest management and monitoring can have very promising results.
Keywords: UAV, Dieback, Boxwood, artificial neural network, classification, Sisangan forest park
ارزیابی دقت دادههای پهپاد در برآورد میزان خشکیدگی درختان شمشاد
مطالعه موردی: پارک جنگلی سیسنگان- استان مازندارن
طرح مسئله و هدف: پارک جنگلی سیسنگان یکی از زیستگاههای مهم شمشاد خزری در کشور به حساب میآید. اما متاسفانه در چند سال اخیر به دلیل بیماری خشکیدگی دچار بحران شده و بسیاری از پایههای شمشاد از بین رفتهاند. پایش و مدیریت این منطقه میتواند در اموری مانند کنترل، حفاظت و حمایت این منطقه موثر باشد. اما به دلیل مساحت زیاد پایههای از بین رفته، امکان برآورد مساحت به صورت دقیق با استفاده از دادههای موجود وجود ندارد. اندازهگیریهای دستی نیز کاری بسیار زمانبر و طاقتفرساست. این امر مستلزم این است تا راهی بیابیم که به صورت دقیق و خودکار این فرآیند را انجام دهد. پهپادها با استفاده از سنجندههای بسیاری دقیقی (تفکیک مکانی) که دارند، این امکان را فراهم آوردهاند. روشهای مختلف طبقهبندی نیز از راهکارهایی هستند که میتوان به منظور تفکیک خودکار درختان خشکیده از درختان سبز به کار گرفت. در این پژوهش هدف این است که توانایی داده های پهپادهای ارزان قیمت با سنجنده های معمولی در آشکارسازی و پهنهبندی مناطق دچار خشکیدگی اثبات گردد و با توجه به اینکه هزینه پهپادهایی با سنجندههای چند طیفی (باند لبه قرمز و مادون قرمز نزدیک) بسیار زیاد است، بتوان این هزینه را کاهش داد. همانطور که برهمگان واضح است، عرصه های بسیار زیادی از منابع طبیعی و مخصوصا جنگلهای کشور دچار بیماریها و آفات مختلفی شده، اما هیچگونه آمار و اطلاعات دقیقی از این پهنه ها در دسترس نیست. در این تخقیق سعی شده تا بتوان نقش پهپادها را در این عرصه نمایانتر کرد.
روش کار: پارک جنگلی سیسنگان در 30 کیلومتری شرق شهرستان نوشهر استان مازندران و در عرض جغرافیایی 36 درجه و 33 دقیقه و 30 ثانیه تا 36 درجه و 35 دقیقه و 30 ثانیه شمالی و طول جغرافیایی 51 درجه و 47 دقیقه تا 51 درجه و 49 دقیقه و 30 ثانیه شرقی قرار گرفته است. این پارک علاوه بر نقش تفرجی که دارد بسیاری از گونههای گیاهی مهم کشور در آن رشد یافتهاند. از جمله مهمترین این گونهها میتوان به شمشاد خزری اشاره کرد. اما متاسفانه در چند سال اخیر به دلیل حمله حشرات و آفات تبدیل به خشکه دار شدهاند. پهپادی که در این پژوهش استفاده گردید از نوع پهپادهای عمود پرواز است. دوربینی که بر روی این وسیله تعبیه شده است قابلیت ثبت تصاویر 20 مگاپیکسلی را دارد. عملیات تصویر برداری در تاریخ هشتم آذرماه 1396، ساعت 10 صبح انجام پذیرفت که مدت زمان آن 45 دقیقه طول کشید. برای نمونهبرداری میدانی از منطقه مورد مطالعه بازدید به عمل آمد و نقاط مختلف آن از نظر تراکم پایههای خشکه دار شمشاد و درختان سبز مشخص گردید. سپس سه قطعه نمونه دایرهای با شعاع 60 متر و مساحت 13/1 هکتار در منطقه طراحی گردید و تراکم پایههای خشکهدار شمشاد و پایههای زنده و سبز در آنها مشخص گردید. سپس در هر قطعه نمونه در نقاطی که پایههای شمشاد قرار داشتند، 50 نقطه تعلیمی و همچنین در نقاطی که پایههای زنده، پوشش علفی کف و تمشک نیز قرار داشتند، 50 نقطه ثبت گردید. در این پژوهش به منظور بررسی میزان دقت تصاویر پهپاد در شناسایی و طبقهبندی مناطق پوشیده از خشکهدارهای شمشاد، کوچکترین پایههای خشکه دار شمشاد که کمترین وسعت تاج را داشتند نیز ثبت گردید. به دلیل اینکه تصاویر پهپاد احتیاج به تصحیحات هندسی دارند، ابتدا از نظر هندسی و موقعیت جغرافیایی تصحیح شدند. به منظور انجام فرآیند طبقهبندی، وارد نرمافزار انوی 5.3 شدند. همانطور که قبلا نیز ذکر گردید در هر قطعه نمونه 100 نقطه ثبت گردیده بود که 75 عدد از آنها برای انجام فرآیند طبقهبندی نظارت شده و 25 عدد از آنها نیز برای ارزیابی صحت طبقهبندی استفاده گردید. برای طبقهبندی این تصاویر از سه الگوریتم طبقهبندی نظارت شده شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله به کار برده شد. در پایان پس از انجام هرکدام از مراحل طبقهبندی، از فیلتر پایینگذر با ابعاد پنجره 3 در 3 پیکسل، برای هموارسازی تصاویر استفاده شد. برای ارزیابی نتایج نیز شاخص های ضریب کاپا و دقت کلی به کار گرفته شد.
نتایج و بحث: در این تعداد قطعه نمونه، 579 پایه اندازهگیری گردید. شمشاد با اختلاف زیادی، بیشترین فراوانی را در منطقه به خود اختصاص داد. پس از آن ممرز و انجیلی و بلوط به ترتیب در رتبههای بعدی قرار دارند. از نتایج حاصل مشخص شد که الگوریتم شبکه عصبی مصنوعی بهترین نتایج را نسبت به دو الگوریتم دیگر داشته است. اما نتایج شبکه عصبی مصنوعی نیز با توجه به شرایط قطعه نمونه دارای نوساناتی است. این الگوریتم با دقت کلی 47/97 درصد و ضریب کاپا 94/0 بهترین نتایج را در تفکیک و آشکارسازی خشکهدارهای شمشاد در قطعه نمونه با غلبه خشکهدارهای شمشاد داشتند. پس از الگوریتم شبکه عصبی مصنوعی، الگوریتم بیشینه شباهت نتایج مطلوبتری را در تفکیک پایههای خشکه دار شمشاد از خود نشان داد. الگوریتم کمترین فاصله نتایج مطلوبی از خود نشان داد، اما میزان دقت آن به اندازه دو الگوریتم قبل نبود. هر سه الگوریتم در تفکیک پایهها در قطعه نمونه با غلبه پایههای زنده نتایج ضعیفتری را نسبت به دو قطعه نمونه دیگر از خود نشان دادند. قطعه نمونه با غلبه پایههای زنده و سبز در مقایسه با دو قطعه نمونه دیگر پدیده ها و عوارض بیشتری را در خود جای داده است و از نظر بافت تصویر نیز در مقایسه با دو قطعه نمونه دیگر تفاوتهای زیاد و محسوسی دارد. در این قطعه نمونه علاوه بر وجود پایههای سبز و خشکه دارهای شمشاد، پوشش علفی کف و تودههای تمشک نیز به چشم میخورد.
در این پژوهش نتایج طبقهبندی و آشکارسازی خشکهدارهای شمشاد با استفاده از الگوریتم شبکه عصبی مصنوعی بسیار بهتر از الگوریتمهای بیشینه شباهت و کمترین فاصله بود. از جمله دلایل بهتر بودن نتایج الگوریتم شبکه عصبی مصنوعی میتوان به غیرخطی بودن و ناپارامتریک بودن آن اشاره کرد. اما در طبقهبندی بوسیله الگوریتمهای سنتی مانند روشهای آماری، به دلیل اینکه انعطافپذیری کمتری دارند، دقت پایین تری داشته. انواع پارامتریک روشهای سنتی مانند الگوریتم بیشینه شباهت، به خاطر وابستگی به آمار گوسی، در صورتیکه دادهها نرمال نباشند نمیتواند دقت مطلوبی در طبقهبندی و تفکیک طبقات از یکدیگر داشته باشد. در الگوریتمهای سنتی مانند الگوریتمهای بیشینه شباهت و کمترین فاصله، دادههای آموزشی نقش حیاتی دارند. در این روشها فرض بر این است که توزیع در داخل نمونههای آموزشی باید نرمال باشد، به طوریکه اگر نتوان این شرط را محیا نمود، دقت طبقهبندی به شدت کاهش مییابد. در حالیکه روشهای شبکه عصبی مصنوعی بر اساس ویژگیها و ساختار خود دادهها عمل میکنند. به این دلیل است که شبکههای عصبی مصنوعی در ترکیب دادههای با منابع مختلف موفقترند. لذا با استفاده از قابلیتهای شبکههای عصبی مصنوعی، ضمن کاهش خطا در طبقهبندی، امکان افزایش کلاسها و جداسازی کلاسها دقیقتر در پروژههای کاربردی فراهم میباشد. براساس دستهبندی دیگری که الگوریتمهای طبقهبندی را تفکیک کرده است، الگوریتم شبکه عصبی مصنوعی جز الگوریتمهای یادگیری ماشین هستند. این الگوریتمهای علاوه بر نمونههای تعلیمی که به منظور طبقهبندی وارد آنها میشود، از اطلاعات دیگری نیز استفاده میکنند. این ویژگی الگوریتمهای یادگیری ماشین در بسیاری از موارد در مقایسه با روشهای سنتی طبقهبندی که فقط از نمونههای تعلیمی استفاده میکنند، دقت بسیار بالاتری دارند و نتایج آنها با حقیقت زمینی بیشتر مطابق است.
نتیجهگیری: نتایج حاصل از این پژوهش نشان داد که میتوان با استفاده از دادهها و تصاویر معمولی یک پهپاد ارزان قیمت به بررسی وضعیت خشکیدگی درختان بعد از فوران بیماری و تعیین مساحت آن پرداخت. برخلاف هزینههای زیادی که به منظور خرید سنجندههای گران قیمت به منظور پایش وضعیت پوشش گیاهی صورت میگیرد، میتوان از این شیوههای ارائه شده در این مقاله، با هزینههای بسیار کمتری اقدام کرد. این روش میتواند در تعیین میزان سطح پوششهای خشکیده کمک شایانی به نهادهای زیربط کند.
واژگان کلیدی: پهپاد، خشکیدگی، شمشاد، شبکه عصبی مصنوعی، طبقهبندی، پارک جنگلی سیسنگان
Evaluate the accuracy of UAV data on the survey of dieback Buxus hyrcana Case Study: Sisangan forest park- Mazandaran
Background and Objective: Sisangan Forest Park is one of the important habitats of Buxus Hyrcana in Iran. Unfortunately, the park has suffered from dieback in recent years, and many Box trees have been destroyed. Monitoring and management of this zone can be effective in controlling, protecting, and supporting it. However, due to destruction of Box trees, in a large scale, it is not possible to accurately estimate the area using the available data. On the other hand, manual measurements are also very time consuming and tedious. Therefore, a way must be found to do this process accurately and automatically. Unmanned aerial vehicles (UAVs) have made this possible by using highly accurate sensors (spatial resolution). Another solution that can be used to automatically separate dieback trees from green trees is to use different classification methods.
The aim of this study is to prove the ability of low-cost UAVs data with conventional sensors to detect and zoning areas that have suffered Dieback. Since the cost of UAVs with multispectral sensors (red edge band and near infrared) is very high, it should be possible to reduce this cost. Since the cost of UAVs with multispectral sensors (red-edge and near-infrared band) is very high, it should be possible to reduce this cost. As is obvious to everybody, many zones of natural resources, especially the forests of the country, suffer from various diseases and pests, but no exact statistics and information are available from the zones. In this research, an attempt is made to make the role of UAVs more outstanding in this field.
Materials and Methods Sisangan Forest Park is located 30km to the east of Nowshahr County, Mazandaran province, at latitude 36º33′30″ to 36º35′30″ N, and longitude 51º47′ to 51º49′30″E. This park is both a tourist destination and many important plant species of the country grow in it. One of the most important of these species is the Buxus Hyrcana. But unfortunately in recent years they have become snag due to pests and insect infestations. Multirotor UAVs have been used in this research. The camera installed on this device is capable of capturing 20 megapixel images. Imaging operations was performed on December 28, 2017, at 10:00 AM, which lasted 45 minutes. The study area was visited for field sampling and its different points were identified in terms of density of snags and preserved Buxus Hyrcana. Then, three circular pieces with a radius of 60 meters and an area of 1.13 hectares were designed in the zone and the density of snag stands and preserved Buxus Hyrcana stands were determined in these three samples. In each plot, 50 training points were recorded in the places where the Buxus Hyrcana stands were located and also 50 points were recorded in the places where the preserved Buxus Hyrcana stands, floor grass cover and blackberry were located. In this study, in order to evaluate the accuracy of UAV images in identifying and classifying zones covered with Dieback, the smallest Dieback stand with the smallest canopy width were also recorded. Because UAV images require geometric corrections, they were first corrected geometrically and geographically. They were classified with Envy 5.3 software. According to the above explanations, 100 points were recorded in each sample plot, 75 of which were monitored for the classification process and 25 of which were used to evaluate the classification accuracy. Three monitored artificial neural network classification algorithms, maximum likelihood and minimum distance were used to classify these images. Finally, after performing each of the classification steps, a low-pass filter with a size of 3 by 3 pixels was used for smoothing the images. Kappa coefficients and overall accuracy indices were also used to evaluate the results.
Results and discussion: In this number of sample plots, 579 stands were measured. Buxus Hyrcana were by far the most frequency in the zone. European hornbeam, Parrotia persica and Oak were in the next ranks, respectively. The results showed that the artificial neural network algorithm had the best results compared to the other two algorithms. But the results of artificial neural network also fluctuate according to the condition of the sample piece. This algorithm with an overall accuracy of 97.47% and a kappa coefficient of 0.94 had the best results in the separation and detection of the Buxus Hyrcana snags in the sample plot with the dominance of Buxus Hyrcana snags. After the artificial neural network algorithm, the maximum likelihood algorithm showed more favorable results in separating the Buxus Hyrcana snag stands. The minimum distance algorithm showed good results, but it was not as accurate as the previous two algorithms. All three algorithms showed poorer results in separating the bases in the sample plot with the dominance of live bases in the sample than the other two sample plots. The sample piece with the predominance of live and green bases compared to the other two sample pieces has more phenomena and effects and in terms of image texture, there are many significant differences compared to the other two sample pieces. All three algorithms showed poorer results in separating the stands in the sample plot by dominance the preserved stands in the sample than the other two sample plots. The sample plot with the predominance of preserved stands compared to the other two sample plots has more phenomena and in terms of image texture compared to the other two sample plots has a lot of significant differences. In this sample plot, in addition to the presence of preserved and snag stands, grass cover and blackberry accessions can also be seen. In this study, the results of classification and detection of Buxus Hyrcana snags using artificial neural network algorithm were much better than the maximum likelihood and minimum distance algorithms. One of the reasons for the better results of the artificial neural network algorithm is its nonlinearity and non-parametricity. But in classification by traditional algorithms such as statistical methods, they have lower accuracy because they have less flexibility. Parametric types of traditional methods, such as the maximum likelihood algorithm, due to depending on Gaussian statistics, if the data are not normal, cannot have the desired accuracy in classifying and separating classes from each other. In traditional algorithms such as maximum likelihood and minimum distance algorithms, training data play a vital role. In these methods, it is assumed that the distribution within the training samples should be normal, so that if this condition cannot be met, the classification accuracy will be greatly reduced. While artificial neural network methods operate based on the characteristics and structure of the data itself. This is because artificial neural networks are more successful in combining data with different sources. Therefore, by using the capabilities of artificial neural networks, while reducing classification errors, it is possible to increase classes and separate classes more accurately in applied projects. According to another classification that separates classification algorithms, artificial neural network algorithms are among machine learning algorithms. These algorithms use other information in addition to the training data that are included in them for classification. This feature of machine learning algorithms is in many cases much more accurate than traditional classification methods that use only training data, and their results are more in line with ground truth.
Conclusion: The results of this study showed that using the data and ordinary images of a low-cost UAV, it is possible to study the condition of Dieback after the outbreak of the disease and determine its area. Despite the high cost of purchasing expensive sensors to monitor vegetation status, these methods presented in this article can be done at a much lower cost. This method can be of great help to the relevant institutions in determining the area of snag coatings
Keywords: UAV, Dieback, Boxwood, artificial neural network, classification, Sisangan Forest Park
