شناسایی گونه های درختی با استفاده از سری زمانی تصاویر رنگی واقعی و تصاویر چند طیفی پهپاد
1 - دانش آموخته دﮐﺘﺮی رشته مدیریت جنگل، ﮔﺮوه ﺟﻨﮕﻠﺪاری، دانشکده منابع طبیعی و علوم دریایی، داﻧﺸﮕﺎه ﺗﺮﺑﯿﺖ ﻣﺪرس، تهران، ایران.
2 - دانشیار ﮔﺮوه ﺟﻨﮕﻠﺪاری، دانشکده منابع طبیعی و علوم دریایی، داﻧﺸﮕﺎه ﺗﺮﺑﯿﺖ ﻣﺪرس، تهران، ایران.
کلید واژه: سنجنده چند طیفی, فنولوژی, الگوریتم جنگل تصادفی, طبقه بندی, سنجنده RGB,
چکیده مقاله :
اطلاعات دقیق درباره ترکیب درختان یک جنگل برای بسیاری از اهداف نظارتی و حفاظت جنگل مورد نیاز است. در سال های اخیر استفاده از روش های مدرن سنجش از دور و تکنیک های مبتنی بر وسایل نقلیه بدون سرنشین، برای به روزرسانی منظم اطلاعات در جنگل استفاده می شود. در این تحقیق، از داده های متفاوت شامل تصاویر چند طیفی (پهپاد استورم) و تصاویر رنگی واقعی (پهپاد فانتوم) با توان تفکیک مکانی بسیار بالا در بخش جلگه ای جنگل های شهرستان نور در استان مازندران جهت شناسایی گونه های درختی استفاده شد. همچنین تصویربرداری در یک فصل رویشی با هدف تهیه سری زمانی تصاویر پهپاد و بررسی تاثیر تغییرات فنولوژیک تاج درختان بر مقدار صحت طبقه بندی انجام شد. جهت طبقه بندی و شناسایی گونه های جنگلی از محاسبه شاخص های مبتنی بر تصاویر رنگی واقعی مانند NRB و NGB، شاخص‌های چندطیفی مانند CIgreen و NDVI، باندهای خام و روش طبقه بندی جنگل تصادفی استفاده شد. بر اساس تصاویر تک زمانه، تصاویر اواخر فروردین ماه با صحت کلی 75 درصد بیشترین صحت کلی را ارایه داد. نتایج مربوط به تصاویر سری زمانی نیز با صحت 86 درصد شناسایی درختان را انجام داد. همچنین شناسایی گونه ها بر اساس تصاویر چندطیفی اخذ شده از سنجنده سکویا، صحت 85 درصد را ارایه داد. نتایج نشان داد تصویر تک زمانه با تصویربرداری در زمان مناسب با استفاده از پهپاد مجهز به سنجنده RGB، نسبت به تهیه سری زمانی و استفاده از پهپادهای مجهز به سنجنده های چندطیفی، نتایج قابل قبول و کم هزینه تری برای شناسایی درختان در جنگل مورد مطالعه ارایه می کند.
Detailed information on forest combination is required for many environmental, monitoring, and forest protection purposes. The link between ecology and remote sensing provides valuable information for the study of forest trees to facilitate the study of ecosystem performance and to measure the spatial distribution of vegetation. In recent years, the use of modern remote sensing methods and techniques based on UAVs have been used for regular updating of forest inventory. In this research, different data sources including multi-spectral and RGB images with very high spatial resolution, were used for tree species recognition in plain forests of Noor City located in Mazandaran province. Also, taking images was performed in the growing season to prepare a time series of UAV-RGB images for investigating the effect of tree crown phonological changes on classification accuracy. Following orthomosaic generation, RGB (NGB, NRB) and multi-spectral (NDVI, CIgreen) indices were calculated and the random forest classification method was used for forest species classification. Based on single-time images, late April images provided the highest overall accuracy (75%). However, the results of the time series obtained from RGB images showed an increase in accuracy of up to 86%. Species identification based on multispectral images obtained from the Sequoia sensor also provided 85% accuracy. The results showed that the single-time image at the appropriate time using a UAV-RGB, compared to taking a time series and using a UAV equipped with multispectral sensors, has acceptable and less expensive results for tree recognition in the study area.
_||_
