دوره 7، شماره 13 - ( بهار و تابستان 1398 )
جلد 7 شماره 13 صفحات 28-20 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hoseinpour A, oladi J, Akbari H, sarajian M. (2019). Recognizing Plant Tension in Plantations by use of UAVs Visible Light Detector.
(Case Study: Nekazalemrood Forestry Plan). Ecol Iran For. 7(13), 20-28. doi:10.29252/ifej.7.13.20
URL: http://ifej.sanru.ac.ir/article-1-228-fa.html
URL: http://ifej.sanru.ac.ir/article-1-228-fa.html
حسین پور علیرضا، اولادی جعفر، اکبری حسن، سراجیان محمدرضا. تشخیص تنش گیاهی در عرصه های جنگل کاری با استفاده از سنجنده نور مرئی پهپاد (پژوهش موردی: طرح جنگلداری نکاظالمرود) بوم شناسی جنگل های ایران (علمی- پژوهشی) 1398; 7 (13) :28-20 10.29252/ifej.7.13.20
1- گروه علوم جنگل، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ایران
2- گروه مهندسی نقشه‌برداری، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران، ایران
2- گروه مهندسی نقشه‌برداری، دانشکده مهندسی نقشه برداری و اطلاعات مکانی، پردیس دانشکده‌های فنی، دانشگاه تهران، ایران
چکیده: (4198 مشاهده)
استفاده از پهپادهای بسیار سبک و ارزان قیمت در تشخیص سلامت جنگل کاری ها و شناسایی تنش برگ نهال ها میتواند مانع گسترش آفات و بیماری ها شود. دوربین های چند طیفی بویژه محدوده مادون قرمز، کارایی خوبی در این زمینه دارند، اما گران هستند. در این تحقیق از پهپاد عمودپرواز چهار موتوره بسیار سبک دارای دوربین 12 مگاپیکسل محدوده نور مرئی استفاده شد و جهت تشخیص تنش برگ نهال های جنگل کاری خالص افرا پلت، خالص بلوط و مخلوط آنها در نه منطقه یک الی سه هکتاری استفاده شد و پرواز در ارتفاع 40، 70 و 100 متر انجام شد تا کارایی پهپادهای سبک و ارزان قیمت جهت تشخیص تنش برگ درختان جنگل کاری بررسی گردد. طرح پرواز به صورت مسیرهایی با پوشش مشترک عرضی 75 درصد و پوشش مشترک طولی 80 درصد طراحی شد. طبقه بندی تصاویر به روش های نظارت شده شبکه عصبی، ماشین بردار پشتیبان، بیشینه شباهت و فاصله ماهالانوبیس صورت گرفت و 25 درصد نمونه های واقعیت زمینی برای بررسی صحت طبقه بندی استفاده شد. بارزسازی تصویر به روش اشباع رنگ انجام پذیرفت. در این مطالعه برخی شاخص های گیاهی محدوده نور مرئی نظیر شاخص گیاهی (NGRDI) و (EXG) کارایی زیادی برای تشخیص تنش برگ درختان و نهال ها نشان داد. همچنین ضریب جفریز-ماتوسیتا 81/1 الی 97/1 و ضریب واگراییتبدیلشده 87/1 الی 98/1 بدست آمد. صحت کلی طبقه بندی تصاویر به روش ماشین بردار پشتیبان که بهترین روش در این تحقیق بود، 83 الی 7/96 درصد برای کل نمونه ها و ضریب کاپا 89/0 الی 98/0 بدست آمد. این تحقیق قابلیت دوربین های محدوده نور مرئی نصب شده بر روی پهپاد را در تشخیص تنش برگ درختان نشان می دهد. بهترین ارتفاع پرواز بین 70 الی 100 متر می باشد و استفاده از روشهای بارزسازی تصاویر بویژه روش اشباع رنگ و شاخص های گیاهی محدوده طیف نور مرئی نظیر شاخص گیاهی (NGRDI) و (EXG) برای تشخیص تنش برگ کارایی این تصاویر را افزایش می دهد. طراحی سیستم تصویربرداری اتوماتیک متناسب با تغییرات ارتفاعی سطح تاج درختان جهت ممانعت از کاهش سطح همپوشانی حداقل، توصیه می شود.
فهرست منابع
1. Berni, J.A.J., P.J.Z. Tejada, L. Suárez and E. Fereres. 2009. Thermal and narrow-band multispectral remote sensing for vegetation monitoring from an unmanned aerial vehicle, IEEE Transactions on Geoscience and Remote Sensing, 47(3): 722-738. [DOI:10.1109/TGRS.2008.2010457]
2. Clemens, S.R. 2012. Procedures for correcting digital camera imagery acquired by the AggieAir remote sensing platform. Utah State University, 47.
3. Cornforth, W., C. Nichol and J. Suarez. 2010. Remote sensing for practical forestry: Arboriculture to UAVs, University of Edinburgh, 24.
4. Gitelson, A. 2002. Vegetation and soil lines in visible spectral space: a concept and technique for remote estimation of vegetation fraction. International Journal of Remote Sensing, 33(2002): 2562-2537. [DOI:10.1080/01431160110107806]
5. González, V., P.J.Z. Tejada, J.A. Berni, L. Suárez, D. Goldhamer and E. Fer-eres. 2012. Almond tree canopy temperature reveals intra-crown variability that is water stress-dependent. Agricultural and Forest Meteorology, 154-155, 156-165. [DOI:10.1016/j.agrformet.2011.11.004]
6. Hague, T., N. Tillet and H. Wheeler. 2006. Automated crop and weed monitoring in widely spaced cereals. Precision Agriculture, 1(1): 95-113. [DOI:10.1007/s11119-005-6787-1]
7. Hunt, E.R., M. Cavigelli, C.S.T. Daughtry, J.E. McMurtrey and C.L. Walthall. 2005. Evaluation of digital photography from model aircraft for remote sensing of crop biomass and nitrogen status, Precis. Agric, 6: 359-378. [DOI:10.1007/s11119-005-2324-5]
8. Hunt, E.R., W.D. Hively, C.S. Daughtry, G.W. McCarty, S.J. Fujikawa, T. Ng, M. Tranchitella, D.S. Linden and D.W. Yoel. 2008. Remote sensing of crop leaf area index using unmanned airborne vehicles, In: In Proceedings of the Pecora 17Symposium, Denver, CO.
9. Jannoura, R., K. Brinkmann, D. Uteau, C. Bruns and R.G. Joergensen. 2015. Monitoring of crop biomass using true colour aerial photographs taken from a remote controlled hexacopter. Biosyst. Eng, 129: 341-351. [DOI:10.1016/j.biosystemseng.2014.11.007]
10. Kataoka, T., T. Kaneko, H. Okamoto and S. Hata. 2003. Crop growth estimation system using machine vision. In The 2003 IEEE/ASME international conference on advanced intelligent mechatronics.
11. Neto, J.C. 2004. A combined statistical-soft computing approach for classification and mapping weed pecies in minimum tillage systems. Lincoln, NE: University of Nebraska.
12. Rango, A., A. Laliberte, J.E. Herrick, C. Winters, K. Havstad, C. Steele and D. Browning. 2009. Unmanned aerial vehicle-based remote sensing for rangeland assessment, monitoring and management, J. Appl. Remote Sens, 3, Article No: 033542. [DOI:10.1117/1.3216822]
13. Tejada, P.J.Z., M.L. Guillén-Climent, R. Hernández-Clemente, A. Catalina, M.R. González and P. Martín. 2013. Estimating leaf carotenoid content in vineyards using high resolution hyperspectral imagery acquired from an unmanned aerial vehicle, Agricultural and Forest Meteorology, 171-172, 281-294. [DOI:10.1016/j.agrformet.2012.12.013]
14. Torres-Sánchez, J., J.M. Pena, A.I. De Castro and F. López-Granados. 2014. Multi-temporal mapping of the vegetation fraction in early-season wheat fields using images from UAV, Comp. Electron. Agric, 103: 104-113. [DOI:10.1016/j.compag.2014.02.009]
15. Woebbecke, D.M., G.E. Meyer, K. Von Bargen and D.A. Mortensen. 1995. Shape features for identifying young weeds using image analysis. Transactions of the American Society of Agricultural Engineers, 38(1): 271-281. [DOI:10.13031/2013.27839]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
