دوره 14، شماره 1 - ( بهار و تابستان 1405 )
جلد 14 شماره 1 صفحات 133-121 |
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:
hasanvand H, akbari H, shataee Jouibary S, lotfalian M, hosseinpour A. (2026). Investigating the Elevation Accuracy of a Digital Surface Model Obtained from UAV Images in Forest Areas (Case Study: Darabkola Forests of Sari). Ecol Iran For. 14(1), 121-133. doi:10.61882/ifej.2026.561
URL: http://ifej.sanru.ac.ir/article-1-561-fa.html
URL: http://ifej.sanru.ac.ir/article-1-561-fa.html
حسنوند هوا، اکبری حسن، شتایی جویباری شعبان، لطفعلیان مجید، حسین پور علی رضا.(1405). بررسی دقت ارتفاعی مدل رقومی سطح تصاویر پهپاد در مناطق جنگلی (مطالعه موردی: جنگل دارابکلا ساری) بوم شناسی جنگل های ایران (علمی- پژوهشی) 14 (1) :133-121 10.61882/ifej.2026.561
1- گروه جنگل داری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران
2- گروه جنگل داری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
3- کارمند منابع طبیعی گلوگاه ساری، ساری، ایران
2- گروه جنگل داری، دانشگاه علوم کشاورزی و منابع طبیعی گرگان، گرگان، ایران
3- کارمند منابع طبیعی گلوگاه ساری، ساری، ایران
چکیده: (848 مشاهده)
چکیده مبسوط
مقدمه و هدف: احداث جادههای جنگلی به عنوان شریان حیاتی مدیریت و برنامه ریزی جنگل هیرکانی، استفاده از خدمات مختلف آن، اجرای عملیات حفاظت و احیاء جنگل ها و حمل و نقل محصولات چوبی و غیر چوبی یک نیاز اساسی بوده و در درآمد ملی کشور نقش ویژه ای دارد. ساخت جاده باعث به هم خوردن مسیر آب های طبیعی، باعث ایجاد سطح نفوذ ناپذیر، ایجاد رواناب توسط جوی کناری، آبروهای عرضی، دامنه های خاک برداری و خاک ریزی می شود .اگر جاده جنگلی به خوبی طراحی و توزیع شود کمترین تخریب و صدمه به توده بیولوژیکی و رویشگاه وارد می شود و جنگل از نظر مدیریت بهینه در مطلوب ترین شرایط خود قرار می گیرد ا توجه به ضرورت کسب اطلاعات به روز از وضعیت پستی و بلندیهای ریز جنگلی و همچنین سطح رویی جاده های جنگلی از نظر وضعیت تخریب سطحی آن ها، نیازمند مطالعه دقیق بررسی روش ها و منابع نوین سنجش از دوری نظیر تصاویر پهپادی و الزامات پردازش های مناسب تصویر می باشد یکی از روش های کنترل کیفیت جاده، سیستم مدیریت و برنامه ریزی مبتنی بر بهره گیری از پهپاد است که علاوه بر جامعیت، دقت زیاد، بسیار کم هزینه و البته سریع می باشد و در مقایسه با روش های قدیمی که سطح راه ها توسط کارگران و کارشناسان فنی و بهصورت حضور در محل و بازدید میدانی صورت می گیرد، بسیار مقرون به صرفه تر است . همچنین یکی از محصولات سنجش از دور مدل رقومی سطح زمین است که پایه بسیاری از پروژه های پرکاربرد است، و فتوگرامتری توانایی ایجاد مدل سهبعدی دقیق را با استفاده از تصاویر دوبعدی در اختیار کاربر قرار می دهد. هدف این تحقیق بررسی دقت ارتفاعی مدل رقومی سطح زمین حاصل از تصاویر پهپاد با استفاده از نقاط کنترل زمینی دقیق با تعداد و پراکندگی متفاوت و بدون نقاط کنترل زمینی برای استخراج مدل دقیق رقومی سطح زمین با روش های پردازش با کیفیت بالا و متوسط در جنگلهای سری یک دارابکلا ساری است.
مواد و روش ها: تصاویر پهپاد در شرایط جوی مناسب با ارتفاع پروازی 100 متر از سطح زمین، هم پوشانی طولی 85 درصد و عرضی 75 درصد و با سرعت 5 متر بر ثانیه توسط پهپاد کوادکوپتر Phantom3 Pro در روزهای 14و 15 بهمن ماه سال 1401 در بخشی از محدوده جنگل های دارابکلا به طول حدوداً 2 کیلومتر جاده به پهنای 200 متر اطراف جاده و در سه پروژه پروازی مجزا در طی روزهای مختلف دریافت شد. موقعیت نقاط برداشت های واقعیت زمینی با استفاده از DGPS تفاضلی صورت گرفت. تعدادی نقاط کنترل زمینی برای زمین مرجع سازی دقیق تصاویر و تهیه ارتوفتوموزائیک دقیق و یکپارچه منطقه برداشت شده با استفاده از DGPS تفاضلی انجام شدند. مدل های رقومی ارتفاعی زمین منطقه تهیه شده با نقاط کنترل زمینی و بدون نقاط کنترلی با استفاده از نرمافزار Agiosoft Photoscan در دو حالت کیفیت بالا و متوسط پردازش شدند و مورد مقایسه قرار گرفت.
یافته ها: میانگین خطای نقاط (ME) برای مدل رقومی ارتفاعی تهیه شده با نقاط کنترلی با روش کیفیت بالا 1/01متر و برای روش کیفیت متوسط 1/21 متر بود، درحالیکه برای مدل رقومی ارتفاعی تهیه شده بدون نقاط کنترلی با کیفیت بالا 11/05 متر و با کیفیت متوسط 10/72 متر بود. همچنین، جذر میانگین مربعات خطای مطلق (RMSE) مقادیر ارتفاعی برای مدل رقومی ارتفاعی تهیه شده با نقاط کنترلی با روش کیفیت بالا 2/33 متر و با کیفیت متوسط 2/93 متر بود، درحالی که برای مدل رقومی ارتفاعی تهیهشده بدون نقاط کنترلی با کیفیت بالا 13/67 متر و با کیفیت متوسط 13/42 متر بوده است. جذر میانگین مربعات خطای نسبی (RMSE%) برای مدل رقومی ارتفاعی تهیهشده با نقاط کنترلی با روش کیفیت بالا 0/87 درصد و با کیفیت متوسط 0/90 درصد بود، درحالی که برای مدل رقومی ارتفاعی تهیه شده بدون نقاط کنترلی با کیفیت بالا 5/14 درصد و با کیفیت متوسط 5/04 درصد بود. به علاوه، نتایج حاصل از آزمون t جفتی در سطوح 5 و 1 درصد احتمال خطا نشان دادند که بین ارتفاع نقاط برداشت زمینی و مدل رقومی ارتفاعی با نقاط کنترلی با کیفیت بالا و متوسط تفاوت معنی داری وجود نداشت، اما بین ارتفاع نقاط برداشت زمینی و مدل رقومی ارتفاعی تهیه شده بدون نقاط کنترلی با روش کیفیت بالا و متوسط تفاوت معنی داری وجود داشت.
نتیجه گیری: استفاده از نقاط کنترل زمینی دقیق برای زمین مرجع سازی تصاویر و تهیه ارتوفتوموزائیک دقیق موجب بهبود دقت در تولید مدل رقومی سطح زمین می شود. همچنین، با توجه به این اینکه پردازش تصاویر با دو کیفیت (بالا و متوسط) انجام شد. نتایج نشان داد که در پردازش تصاویر با کیفیت بالا جذر مربع میانگین خطا کمتر می باشد؛ بنابراین پیشنهاد می شود که پردازش تصاویر در نرمافزار Agisoft Metashape Professional 1.8 با کیفیت بالا انجام شود. نتایج پژوهش نشان می دهند است که استفاده از نقاط کنترل زمینی دقیق در تصویربرداری و تولید مدل رقومی ارتفاعی با استفاده از تصاویر پهپاد، باعث تولید مدل رقومی ارتفاعی دقیق میشود و نوع پردازش با کیفیت بالا نیز موجب افزایش دقت ارتفاعی و حتی مسطحاتی می گردد. لازم به ذکر است که در این پژوهش با توجه به حساسیت و دقت اندازه گیری پارامترها برداشت تصاویر در فصل کاملاٌ خزان و بی برگی درختان انجام شد که جنگل فاقد تاج پوشش است. همچنین برای کاهش خطا در مدل رقومی سطح زمین، استفاده هم زمان از نقاط کنترل زمینی، موقعیت قرارگیری نقاط کنترلی و پراکندگی نقاط کنترلی دقیق پیشنهاد می شود.
مقدمه و هدف: احداث جادههای جنگلی به عنوان شریان حیاتی مدیریت و برنامه ریزی جنگل هیرکانی، استفاده از خدمات مختلف آن، اجرای عملیات حفاظت و احیاء جنگل ها و حمل و نقل محصولات چوبی و غیر چوبی یک نیاز اساسی بوده و در درآمد ملی کشور نقش ویژه ای دارد. ساخت جاده باعث به هم خوردن مسیر آب های طبیعی، باعث ایجاد سطح نفوذ ناپذیر، ایجاد رواناب توسط جوی کناری، آبروهای عرضی، دامنه های خاک برداری و خاک ریزی می شود .اگر جاده جنگلی به خوبی طراحی و توزیع شود کمترین تخریب و صدمه به توده بیولوژیکی و رویشگاه وارد می شود و جنگل از نظر مدیریت بهینه در مطلوب ترین شرایط خود قرار می گیرد ا توجه به ضرورت کسب اطلاعات به روز از وضعیت پستی و بلندیهای ریز جنگلی و همچنین سطح رویی جاده های جنگلی از نظر وضعیت تخریب سطحی آن ها، نیازمند مطالعه دقیق بررسی روش ها و منابع نوین سنجش از دوری نظیر تصاویر پهپادی و الزامات پردازش های مناسب تصویر می باشد یکی از روش های کنترل کیفیت جاده، سیستم مدیریت و برنامه ریزی مبتنی بر بهره گیری از پهپاد است که علاوه بر جامعیت، دقت زیاد، بسیار کم هزینه و البته سریع می باشد و در مقایسه با روش های قدیمی که سطح راه ها توسط کارگران و کارشناسان فنی و بهصورت حضور در محل و بازدید میدانی صورت می گیرد، بسیار مقرون به صرفه تر است . همچنین یکی از محصولات سنجش از دور مدل رقومی سطح زمین است که پایه بسیاری از پروژه های پرکاربرد است، و فتوگرامتری توانایی ایجاد مدل سهبعدی دقیق را با استفاده از تصاویر دوبعدی در اختیار کاربر قرار می دهد. هدف این تحقیق بررسی دقت ارتفاعی مدل رقومی سطح زمین حاصل از تصاویر پهپاد با استفاده از نقاط کنترل زمینی دقیق با تعداد و پراکندگی متفاوت و بدون نقاط کنترل زمینی برای استخراج مدل دقیق رقومی سطح زمین با روش های پردازش با کیفیت بالا و متوسط در جنگلهای سری یک دارابکلا ساری است.
مواد و روش ها: تصاویر پهپاد در شرایط جوی مناسب با ارتفاع پروازی 100 متر از سطح زمین، هم پوشانی طولی 85 درصد و عرضی 75 درصد و با سرعت 5 متر بر ثانیه توسط پهپاد کوادکوپتر Phantom3 Pro در روزهای 14و 15 بهمن ماه سال 1401 در بخشی از محدوده جنگل های دارابکلا به طول حدوداً 2 کیلومتر جاده به پهنای 200 متر اطراف جاده و در سه پروژه پروازی مجزا در طی روزهای مختلف دریافت شد. موقعیت نقاط برداشت های واقعیت زمینی با استفاده از DGPS تفاضلی صورت گرفت. تعدادی نقاط کنترل زمینی برای زمین مرجع سازی دقیق تصاویر و تهیه ارتوفتوموزائیک دقیق و یکپارچه منطقه برداشت شده با استفاده از DGPS تفاضلی انجام شدند. مدل های رقومی ارتفاعی زمین منطقه تهیه شده با نقاط کنترل زمینی و بدون نقاط کنترلی با استفاده از نرمافزار Agiosoft Photoscan در دو حالت کیفیت بالا و متوسط پردازش شدند و مورد مقایسه قرار گرفت.
یافته ها: میانگین خطای نقاط (ME) برای مدل رقومی ارتفاعی تهیه شده با نقاط کنترلی با روش کیفیت بالا 1/01متر و برای روش کیفیت متوسط 1/21 متر بود، درحالیکه برای مدل رقومی ارتفاعی تهیه شده بدون نقاط کنترلی با کیفیت بالا 11/05 متر و با کیفیت متوسط 10/72 متر بود. همچنین، جذر میانگین مربعات خطای مطلق (RMSE) مقادیر ارتفاعی برای مدل رقومی ارتفاعی تهیه شده با نقاط کنترلی با روش کیفیت بالا 2/33 متر و با کیفیت متوسط 2/93 متر بود، درحالی که برای مدل رقومی ارتفاعی تهیهشده بدون نقاط کنترلی با کیفیت بالا 13/67 متر و با کیفیت متوسط 13/42 متر بوده است. جذر میانگین مربعات خطای نسبی (RMSE%) برای مدل رقومی ارتفاعی تهیهشده با نقاط کنترلی با روش کیفیت بالا 0/87 درصد و با کیفیت متوسط 0/90 درصد بود، درحالی که برای مدل رقومی ارتفاعی تهیه شده بدون نقاط کنترلی با کیفیت بالا 5/14 درصد و با کیفیت متوسط 5/04 درصد بود. به علاوه، نتایج حاصل از آزمون t جفتی در سطوح 5 و 1 درصد احتمال خطا نشان دادند که بین ارتفاع نقاط برداشت زمینی و مدل رقومی ارتفاعی با نقاط کنترلی با کیفیت بالا و متوسط تفاوت معنی داری وجود نداشت، اما بین ارتفاع نقاط برداشت زمینی و مدل رقومی ارتفاعی تهیه شده بدون نقاط کنترلی با روش کیفیت بالا و متوسط تفاوت معنی داری وجود داشت.
نتیجه گیری: استفاده از نقاط کنترل زمینی دقیق برای زمین مرجع سازی تصاویر و تهیه ارتوفتوموزائیک دقیق موجب بهبود دقت در تولید مدل رقومی سطح زمین می شود. همچنین، با توجه به این اینکه پردازش تصاویر با دو کیفیت (بالا و متوسط) انجام شد. نتایج نشان داد که در پردازش تصاویر با کیفیت بالا جذر مربع میانگین خطا کمتر می باشد؛ بنابراین پیشنهاد می شود که پردازش تصاویر در نرمافزار Agisoft Metashape Professional 1.8 با کیفیت بالا انجام شود. نتایج پژوهش نشان می دهند است که استفاده از نقاط کنترل زمینی دقیق در تصویربرداری و تولید مدل رقومی ارتفاعی با استفاده از تصاویر پهپاد، باعث تولید مدل رقومی ارتفاعی دقیق میشود و نوع پردازش با کیفیت بالا نیز موجب افزایش دقت ارتفاعی و حتی مسطحاتی می گردد. لازم به ذکر است که در این پژوهش با توجه به حساسیت و دقت اندازه گیری پارامترها برداشت تصاویر در فصل کاملاٌ خزان و بی برگی درختان انجام شد که جنگل فاقد تاج پوشش است. همچنین برای کاهش خطا در مدل رقومی سطح زمین، استفاده هم زمان از نقاط کنترل زمینی، موقعیت قرارگیری نقاط کنترلی و پراکندگی نقاط کنترلی دقیق پیشنهاد می شود.
فهرست منابع
1. Abbaspur, M., & Varshusaz, M. (2018). The effect of the number and position of ground control points on the accuracy obtained for the UAV-based photogrammetry map. Proceedings of the 3rd National Geospatial Information Technology Engineering Conference and the 25th National Geomatics Conference, 1(12), 1-9. [In Persian]
2. Barazzetti, L., Brovelli, M. A., & Valentini, L. (2020). LiDAR digital building models for true orthophoto generation. Applied Geomatics, 2(4), 187-196. [DOI:10.1007/s12518-010-0034-9]
3. Cevik, P., Kocaman, I., Akgul, A. S., & Akca, B. (2013). The small and silent force multiplier: A swarm UAV electronic attack. Journal of Intelligent & Robotic Systems, 70, 595-608. [DOI:10.1007/s10846-012-9698-1]
4. Chenare, A., Erfanifard, Y., Deghani, M., & Porghasemi, H. (2018). Estimating the crown area of monocots using DSM aerial drone images in the forest, Fars Province. Journal of Wood and Forest Science and Technology, 24(1), 117-130. [In Persian]
5. Demir, N., Sönmez, N. K., Akar, T., & Ünal, S. (2018). Automated measurement of plant height of wheat genotypes using a DSM derived from UAV imagery. Proceedings of the Multidisciplinary Digital Publishing Institute Proceedings. [Please verify journal/proceedings details] [DOI:10.3390/ecrs-2-05163]
6. Erfanifard, S. Y., Chenari, A., Dehghani, M., & Amiraslani, F. (2019). Effect of spatial resolution of UAV aerial images on height estimation of wild pistachio (Pistacia atlantica Desf.) trees. Iranian Journal of Forest and Poplar Research, 27(2), 169-181. [In Persian]
7. Erfanzadeh, A., & Saadat Sarasht, M. (2021). Analysis of the behavior and effect of UAV photogrammetry network design parameters on the quality of 3D reconstruction by Monte Carlo-like method. Journal of Application of Geographic Information System and Remote Sensing, 30(19), 28-45. [In Persian]
8. Ferrer-González, E., Agüera-Vega, F., Carvajal-Ramírez, F., & Martínez-Carricondo, P. (2020). UAV photogrammetry accuracy assessment for corridor mapping based on the number and distribution of ground control points. Remote Sensing, 12, 2447. [DOI:10.3390/rs12152447]
9. Forlani, G., Dall'Asta, E., Diotri, F., Cella, U., Roncella, R., & Santise, M. (2018). Quality assessment of DSMs produced from UAV flights georeferenced with on-board RTK positioning. Remote Sensing, 10(2), 311. [DOI:10.3390/rs10020311]
10. Gerke, M., & Przybilla, H. J. (2023). Accuracy analysis of photogrammetric UAV image blocks: Influence of onboard RTK-GNSS and cross flight patterns. Photogrammetrie, Fernerkundung, Geoinformation (PFG), (1), 17-30. [DOI:10.1127/pfg/2016/0284]
11. Gindraux, S., Boesch, R., & Farinotti, D. (2017). Accuracy assessment of digital surface models from unmanned aerial vehicles' imagery on glaciers. Remote Sensing, 9(2), 186. [DOI:10.3390/rs9020186]
12. Goudei, M. A., & Landry, R. J. (2020). Assessing horizontal positional accuracy of unmanned aerial vehicles' imagery in the city of Montreal, Canada. Geodesy and Cartography, 43(2), 56-65. [DOI:10.3846/20296991.2017.1330767]
13. Heydari, M., Zarafati, J. R., & Torabzadeh Khorasani, H. (2022). Accuracy of topographic map production in linear projects by drone photogrammetry method. Scientific-Research Quarterly of Geographical Information, 31(123), 124-130. [In Persian]
14. Hinz, S., & Baumgartner, A. (2000). Road extraction in urban areas is supported by context objects. International Archives of Photogrammetry and Remote Sensing, 33(B3), 405-412.
15. Karadeniz, T., Orman, F., & Orman, M. (2022). Use of unmanned aerial vehicles in forest road projects. Journal of Bartin Faculty of Forestry, 24(3), 530-541. [DOI:10.24011/barofd.1073229]
16. Kiani, A., Ahmadi, F. F., & Ebadi, H. (2021). Correction of the training process in object-based image interpretation via knowledge-based system capabilities. Multimedia Tools and Applications, 80, 25997-26020. [DOI:10.1007/s11042-021-10824-0]
17. Leonardi, G., Barrile, V., Palamara, R., Suraci, F., & Candela, G. (2020). 3D Mapping of pavement distresses using an unmanned aerial vehicle (UAV) system. In New Metropolitan Perspectives, 164-171, Springer. [DOI:10.1007/978-3-319-92102-0_18]
18. Martínez-Carricondo, P., Agüera-Vega, F., Carvajal-Ramírez, F., Mesas-Carrascosa, F. J., García-Ferrer, A., & Pérez-Porras, F. J. (2018). Assessment of UAV photogrammetric mapping accuracy based on variation of ground control points. International Journal of Applied Earth Observation and Geoinformation, 72, 1-10. [DOI:10.1016/j.jag.2018.05.015]
19. Mijani, N., Moghadam, M., & Firouzjaei, H. (2017). Investigating the effectiveness of unmanned aerial images for producing a digital model of the surface. Journal of Application of Geographic Information System and Remote Sensing in Planning, 8(1), 25-39. [In Persian]
20. Podobnikar, T., Stancic, Z., & Oštir, K. (2020). Data integration for the DTM production. International Cooperation and Technology Transfer, 25(3), 158-162.
21. Remondino, F., Barazzetti, L., Scaioni, M., & Sarazzi, D. (2011). UAV photogrammetry for mapping and 3D modeling: Current status and future perspectives. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 38(1), 25-31. [DOI:10.5194/isprsarchives-XXXVIII-1-C22-25-2011]
22. Rusli, N., Majid, M. R., & Din, A. H. M. (2020). Google Earth's derived digital elevation model: A comparative assessment with ASTER and SRTM data. IOP Conference Series: Earth and Environmental Science, 540(1), 012028.
23. Safarpor, M. (2016). Accuracy assessment of UAV-based photogrammetric mapping in forest road construction projects (Parcels 1, 2, and 23, Neka, Mazandaran) [Master's thesis, University of Mazandaran]. [In Persian]
24. Senkal, E., Kaplan, G., & Avdan, U. (2021). Accuracy assessment of digital surface models from unmanned aerial vehicles' imagery on archaeological sites. International Journal of Engineering and Geosciences, 6(2), 81-89. [DOI:10.26833/ijeg.696001]
25. Sepaheri, M., & Emami, H. (2024). Real orthophoto production from Google Earth images and comparison with orthophoto produced from UAV images. Scientific-Research Quarterly of Geographical Information, 32(124), 22-37. [In Persian]
26. Wierzbicki, D., & Nienaltowski, M. (2021). Accuracy analysis of a 3D model of excavation, created from images acquired with an action camera from low altitudes. ISPRS International Journal of Geo-Information, 10(2), 43. [DOI:10.3390/ijgi10020043]
27. Xiang, H., & Tian, L. (2018). Method for automatic georeferencing aerial remote sensing (RS) images from an unmanned aerial vehicle (UAV) platform. Biosystems Engineering, 108(2), 104-113. [DOI:10.1016/j.biosystemseng.2010.11.003]
28. Yilmaz, V., Konakoglu, B., Serifoglu, C., Gungor, O., & Gökalp, E. (2023). Image classification-based ground filtering of point clouds extracted from UAV-based aerial photos. Geocarto International, 38(3), 310-320. [DOI:10.1080/10106049.2016.1250825]
29. Zahawi, R. A., Dandois, J. P., Holl, K. D., Nadwodny, D., Reid, J. L., & Ellis, E. C. (2015). Using lightweight unmanned aerial vehicles to monitor tropical forest recovery. Biological Conservation, 186, 287-295. [DOI:10.1016/j.biocon.2015.03.020]
30. Zhou, G., Wang, Q., Huang, Y., Tian, J., Li, H., & Wang, Y. (2022). True2 orthoimage map generation. Remote Sensing, 14(17), 4396. [DOI:10.3390/rs14174396]
31. Zulkipli, M. A., & Tahar, K. N. (2018). Multirotor UAV-based photogrammetric mapping for road design. International Journal of Optics, 13(3),5361. [DOI:10.1155/2018/1871058]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
