مقایسه ابر نقاط و تصاویر رنگی پهپاد در برآورد مساحت تاج تک‌درختان در جنگل‌های دست‌کاشت کاج تهران (Pinus eldarica)
محورهای موضوعی : کشاورزی، مرتع داری، آبخیزداری و جنگلداریعلی حسینقلی زاده 1 , یوسف عرفانی فرد 2 , سید کاظم علوی پناه 3 , هومن لطیفی 4 , یاسر جویباری مقدم 5
1 - گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
2 - گروه سنجش از دور و GIS، دانشکده جغرافیا، دانشگاه تهران، تهران، ایران
3 - گروه سنجش از دور و سیستم اطلاعات جغرافیایی، دانشکده جغرافیا، دانشگاه تهران، تهران، تهران، ایران
4 - استادیار، دانشکده مهندسی نقشه برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران.
5 - گروه مهندسی نقشه برداری، دانشکده فنی مهندسی، دانشگاه بجنورد، بجنورد، ایران
کلید واژه: پارک پردیسان بجنورد, مدل ارتفاعی تاج, الگوریتم Marker-Controlled Watershed, قطعه‌بندی,
چکیده مقاله :
کاربرد داده های پهپاد در اندازه‌گیری ویژگی‌های کمی تک‌درختان ازجمله مساحت تاج به سرعت در حال توسعه است. هرچند کارایی انواع داده‌های قابل جمع‌آوری توسط پهپادها در این زمینه کمتر مورد مقایسه قرار گرفته است. بنابراین پژوهش حاضر با هدف مقایسه تصاویر رنگی و ابر نقاط پهپاد در برآورد مساحت تاج تک‌درختان کاج در یک جنگل دست‌کاشت در پارک پردیسان استان خراسان شمالی انجام شد. هر دو داده برای برآورد مساحت تاج 324 درخت کاج با قطعه‌بندی تصویر RGB و قطعه بندی ابر نقاط با الگوریتمMarker-Controlled Watershed تحلیل شدند. نتایج نشان داد مساحت تاج برآوردی روی ابر نقاط از صحت و دقت بیشتری نسبت به تصاویر رنگی (به ترتیب ضریب همبستگی 95/0 و 81/0، ضریب تعیین 97/0 و 59/0، مقایسه جفتی با 97/0 = P و 05/0 > P) برخوردار بود. علاوه بر این، مساحت تاج درختان کاج با تاج بزرگ (> 18 مترمربع) با صحت بیشتری نسبت به درختان با تاج متوسط و کوچک روی ابر نقاط پهپاد برآورد شده است. به‌طورکلی، می‌توان نتیجه گرفت در برآورد مساحت تاج درختان کاج تهران در جنگل دست‌کاشت مورد مطالعه، قطعه‌بندی ابر نقاط حاصل از داده‌های پهپاد از کارایی بیشتری نسبت به قطعه‌بندی تصاویر رنگی برخوردار بوده است.
Application of unmanned aerial vehicles (UAVs) is widespread in measurement of quantitative characteristics of single trees such as crown area. However, the efficiency of different types of data collected by UAVs are less compared. Therefore, the aim of this study was comparison of UAV RGB imagery and point clouds in crown area estimation of individual pine trees within a man-made forest in Pardisan Park, Northern Khorasan province, Iran. Both datatypes were analyzed by similar segmentation method (Multiresolution segmentation on the RGB images and Marker-Controlled Watershed algorithm in the point clouds) to estimate crown area of 324 sample pine trees. The results showed that the crown area measured on the point clouds had higher accuracy and precision compared to RGB imager (Spearman correlation of 0.95 and 0.81, coefficient of determination of 0.97 and 0.59, p-value of 0.97 and 0.001, respectively). Additionally, crown area of pine trees with large crown (> 18 m2) delineated on the point clouds showed the highest accuracy in comparison to trees with small and medium crowns. In general, it was concluded that segmentation of UAV point clouds was more efficient than RGB imagery segmentation in quantification of crown area of pine trees within the study area.
_||_