دوره 10، شماره 20 - ( پاییز و زمستان 1401 1401 )
جلد 10 شماره 20 صفحات 203-193 |
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:
kargar M R, khabazi F, hesabi A. (2022). Evaluation Crown Height Model Extracted from the UAV in Individual Tree Detection in Sisangan Forest Park. Ecol Iran For. 10(20), 193-203. doi:10.52547/ifej.10.20.193
URL: http://ifej.sanru.ac.ir/article-1-447-fa.html
URL: http://ifej.sanru.ac.ir/article-1-447-fa.html
کارگر محمدرضا، خبازی فرهاد، حسابی عارف. ارزیابی مدل ارتفاعی تاج مستخرج از پهپاد در آشکارسازی تک درختان در پارک جنگلی سیسنگان بوم شناسی جنگل های ایران (علمی- پژوهشی) 1401; 10 (20) :203-193 10.52547/ifej.10.20.193
کارشناس ارشد سنجش از دور، اداره کل منابع طبیعی و آبخیزداری استان فارس، شیراز، ایران
چکیده: (1943 مشاهده)
چکیده مبسوط
مقدمه و هدف: پیشرفت ها در زمینه پهپادها و سنجنده های آنها، امکان دستیابی به تصاویر با وضوح بالاو همچنین تولید داده های سه بعدی را فراهم کرده است که از آنها می توان در نظارت بر جنگلها و ارزیابی ویژگیهای درختان استفاده کرد. هدف از انجام این پژوهش استفاده از تصاویر پهپاد و به کارگیری الگوریتم بیشینه محلی به منظور آشکارسازی تک درختان پهن برگ بود.
مواد و روش ها: این مطالعه در پارک جنگلی سیسنگان واقع در 30 کیلومتری شرق نوشهر انجام شد. براساس اورتوموزاییک تصاویر پهپاد، شش قطعه نمونه 30 در 30 متر طراحی شد.
یافته ها: در مجموع 209 پایه به عنوان مرجع زمینی ثبت شد که الگوریتم توانست 137 پایه از آنها را با امتیاز F برابر با 0/63 به درستی آشکارسازی کند. این الگوریتم 88 نقطه را به اشتباه درخت تشخیص داده و 72 پایه از درختان را از دست داد. نتایج ما نشان داد که هرچقدر تنوع گونه کمتر و همچنین تاج درختان متقارنتر و در یک محدوده قطر تاج باشند، عملکرد الگوریتم آشکارسازی بهتر است.
نتیجه گیری: به طور کلی نتایج نشان داد، عملکرد این الگوریتم در تشخیص تک درختان نامناسب می‌باشد. بنابراین استفاده از نتایج آن در جنگل‌های پهن‌برگ باید با احتیاط مورد استفاده قرار گیرد.
مقدمه و هدف: پیشرفت ها در زمینه پهپادها و سنجنده های آنها، امکان دستیابی به تصاویر با وضوح بالاو همچنین تولید داده های سه بعدی را فراهم کرده است که از آنها می توان در نظارت بر جنگلها و ارزیابی ویژگیهای درختان استفاده کرد. هدف از انجام این پژوهش استفاده از تصاویر پهپاد و به کارگیری الگوریتم بیشینه محلی به منظور آشکارسازی تک درختان پهن برگ بود.
مواد و روش ها: این مطالعه در پارک جنگلی سیسنگان واقع در 30 کیلومتری شرق نوشهر انجام شد. براساس اورتوموزاییک تصاویر پهپاد، شش قطعه نمونه 30 در 30 متر طراحی شد.
یافته ها: در مجموع 209 پایه به عنوان مرجع زمینی ثبت شد که الگوریتم توانست 137 پایه از آنها را با امتیاز F برابر با 0/63 به درستی آشکارسازی کند. این الگوریتم 88 نقطه را به اشتباه درخت تشخیص داده و 72 پایه از درختان را از دست داد. نتایج ما نشان داد که هرچقدر تنوع گونه کمتر و همچنین تاج درختان متقارنتر و در یک محدوده قطر تاج باشند، عملکرد الگوریتم آشکارسازی بهتر است.
نتیجه گیری: به طور کلی نتایج نشان داد، عملکرد این الگوریتم در تشخیص تک درختان نامناسب می‌باشد. بنابراین استفاده از نتایج آن در جنگل‌های پهن‌برگ باید با احتیاط مورد استفاده قرار گیرد.
نوع مطالعه: پژوهشي |
موضوع مقاله:
سنجش از دور
دریافت: 1400/8/12 | پذیرش: 1401/2/11 | انتشار: 1401/8/1
دریافت: 1400/8/12 | پذیرش: 1401/2/11 | انتشار: 1401/8/1
فهرست منابع
1. Balsi, M., S. Esposito, P. Fallavollita and C. Nardinocchi. 2018. Single-tree detection in high-density LiDAR data from UAV-based survey. European Journal of Remote Sensing, 51(1): 679-692. [DOI:10.1080/22797254.2018.1474722]
2. Chen, S., D. Liang, B. Ying, W. Zhu, G. Zhou andY. Wang. 2021. Assessment of an improved individual tree detection method based on local-maximum algorithm from unmanned aerial vehicle RGB imagery in overlapping canopy mountain forests. International Journal of Remote Sensing, 42(1): 106-125. [DOI:10.1080/01431161.2020.1809024]
3. Chen, W., X. Hu, Y. Hong and M. Yang. 2018. Airborne LiDAR remote sensing for individual tree forest inventory using trunk detection-aided mean shift clustering techniques. Remote Sensing, 10(7): 1078. [DOI:10.3390/rs10071078]
4. Dandois, J., M. Olano and E. Ellis. 2015. Optimal altitude, overlap, and weather conditions for computer vision UAV estimates of forest structure. Remote Sensing, 7(10): 13895-13920. [DOI:10.3390/rs71013895]
5. Donmez, C., O. Villi, S. Berberoglu and A. Cilek. 2021. Computer vision-based citrus tree detection in a cultivated environment using UAV imagery. Computers and Electronics in Agriculture, 187: 106273. [DOI:10.1016/j.compag.2021.106273]
6. Fareed, N. and K. Rehman. 2020. Integration of remote sensing and GIS to extract plantation rows from a drone-based image point cloud digital surface model. ISPRS International Journal of Geo-Information, 9(3): 151. [DOI:10.3390/ijgi9030151]
7. Frank, B., F. Mauro and H. Temesgen. 2020. Model-based estimation of forest inventory attributes using lidar: A comparison of the area-based and semi-individual tree crown approaches. Remote Sensing, 12(16): 2525. [DOI:10.3390/rs12162525]
8. González-Ferreiro, E., U. Diéguez-Aranda, L. Barreiro-Fernández, S. Buján, M. Barbosa, J.C. Suárez and D. Miranda. 2013. A mixed pixel-and region-based approach for using airborne laser scanning data for individual tree crown delineation in Pinus radiata D. Don plantations. International journal of remote sensing, 34(21): 7671-7690. [DOI:10.1080/01431161.2013.823523]
9. Hao, Y., F.R.A. Widagdo, X. Liu, Y. Quan, L. Dong and F. Li. 2020. Individual tree diameter estimation in small-scale forest inventory using UAV laser scanning. Remote Sensing, 13(1): 24. [DOI:10.3390/rs13010024]
10. Hoseinpour, A., J. Oladi, H. abkari and M.R. serajian. 2019. Recognizing Plant Tension in Plantations by use of UAVs Visible Light Detector. (Case Study: Nekazalemrood Forestry Plan). Ecology of Iranian Forest, 7(13): 20-28. [DOI:10.29252/ifej.7.13.20]
11. Karjalainen, T., L. Korhonen, P. Packalen and M. Maltamo. 2019. The transferability of airborne laser scanning based tree-level models between different inventory areas. Canadian Journal of Forest Research, 49(3): 228-236. [DOI:10.1139/cjfr-2018-0128]
12. Kargar, M., Y. Babaei and A.E. Bonyad. 2021. Evaluate the accuracy of Unmanned aerial vehicles (UAV) data on the survey of dieback Buxus hyrcana (Case study: Sisangan forest Park-Mazandaran). Journal of RS and GIS for Natural Resources, 12(2): 21-24 (In Persian).
13. Koh, L.P. and S.A. Wich. 2012. Dawn of drone ecology: low-cost autonomous aerial vehicles for conservation. Tropical Conservation Science, 5(2): 121-132. [DOI:10.1177/194008291200500202]
14. La, H.P., Y.D. Eo, A. Chang and C. Kim. 2015. Extraction of individual tree crown using hyperspectral image and LiDAR data. KSCE Journal of Civil Engineering, 19(4): 1078-1087. [DOI:10.1007/s12205-013-1178-z]
15. Lim, Y.S., P.H. La, J.S. Park, M.H. Lee, M.W. Pyeon and J.I. Kim. 2015. Calculation of tree height and canopy crown from drone images using segmentation. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 33(6): 605-613. [DOI:10.7848/ksgpc.2015.33.6.605]
16. Lisein, J., M. Pierrot-Deseilligny, S. Bonnet and P. Lejeune. 2013. A photogrammetric workflow for the creation of a forest canopy height model from small unmanned aerial system imagery. Forests, 4(4): 922-944. [DOI:10.3390/f4040922]
17. Moe, K.T., T. Owari, N, Furuya and T. Hiroshima. 2020. Comparing individual tree height information derived from field surveys, LiDAR and UAV-DAP for high-value timber species in Northern Japan. Forests, 11(2): 223. [DOI:10.3390/f11020223]
18. Mohan, M., C. Silva, C. Klauberg, P. Jat, G. Catts, A. Cardil and M. Dia. 2017. Individual tree detection from unmanned aerial vehicle (UAV) derived canopy height model in an open canopy mixed conifer forest. Forests, 8(9): 340. [DOI:10.3390/f8090340]
19. Naveed, F., B. Hu, J. Wang and G.B. Hall. 2019. Individual tree crown delineation using multispectral LiDAR data. Sensors, 19(24): 5421. [DOI:10.3390/s19245421]
20. Nevalainen, O., E. Honkavaara, S. Tuominen, N. Viljanen, T. Hakala, X. Yu and A. Tommaselli. 2017. Individual tree detection and classification with UAV-based photogrammetric point clouds and hyperspectral imaging. Remote Sensing, 9(3): 185. [DOI:10.3390/rs9030185]
21. Panagiotidis, D., A. Abdollahnejad, P. Surový and V. Chiteculo. 2017. Determining tree height and crown diameter from high-resolution UAV imagery. International Journal of Remote Sensing, 38(8-10): 2392-2410. [DOI:10.1080/01431161.2016.1264028]
22. Pourahmad, M., J. Oladi and A. Fallah. 2018. Detection of Tree Species in Mixed Broad-Leaved Stands of Caspian Forests Using UAV Images (Case study: Darabkola Forest). Ecology of Iranian Forest, 6(11): 61-75. [DOI:10.29252/ifej.6.11.61]
23. Puttock, A.K., A.M. Cunliffe, K. Anderson and R.E. Brazier. 2015. Aerial photography collected with a multirotor drone reveals impact of Eurasian beaver reintroduction on ecosystem structure. Journal of Unmanned Vehicle Systems, 3(3): 123-130. [DOI:10.1139/juvs-2015-0005]
24. Silva, C.A., A.T. Hudak, L.A. Vierling, E.L. Loudermilk, J.J. O'Brien, J.K. Hiers and A. Khosravipour. 2016. Imputation of individual Longleaf Pine (Pinus palustris Mill.) Tree attributes from field and LiDAR data. Canadian journal of Remote Sensing, 42(5): 554-573. [DOI:10.1080/07038992.2016.1196582]
25. Stateras, D. and D. Kalivas. 2020. Assessment of olive tree canopy characteristics and yield forecast model using high resolution UAV imagery. Agriculture, 10(9): 385. [DOI:10.3390/agriculture10090385]
26. Silva, C., C. Klauberg, A. Hudak, L. Vierling, W. Jaafar, M. Mohan and S. Saatchi. 2017. Predicting stem total and assortment volumes in an industrial Pinus taeda L. forest plantation using airborne laser scanning data and random forest. Forests, 8(7): 254. [DOI:10.3390/f8070254]
27. Sumnall, M. J., R.A. Hill and S.A. Hinsley. 2016. Comparison of small-footprint discrete return and full waveform airborne LiDAR data for estimating multiple forest variables. Remote Sensing of Environment, 173: 214-223. [DOI:10.1016/j.rse.2015.07.027]
28. Surový, P., N. Almeida Ribeiro and D. Panagiotidis. 2018. Estimation of positions and heights from UAV-sensed imagery in tree plantations in agrosilvopastoral systems. International journal of remote sensing, 39(14): 4786-4800. [DOI:10.1080/01431161.2018.1434329]
29. Tomaštík, J., M. Mokroš, S. Saloň, F. Chudý and D. Tunák. 2017. Accuracy of photogrammetric UAV-based point clouds under conditions of partially-open forest canopy. Forests, 8(5): 151. [DOI:10.3390/f8050151]
30. Wallace, L., A. Lucieer and C.S. Watson. 2014. Evaluating tree detection and segmentation routines on very high-resolution UAV LiDAR data. IEEE Transactions on Geoscience and Remote Sensing, 52(12): 7619-7628. [DOI:10.1109/TGRS.2014.2315649]
31. Westoby, M.J., J. Brasington, N.F. Glasser, M.J. Hambrey and J.M. Reynolds. 2012. 'Structure-from-Motion'photogrammetry: A low-cost, effective tool for geoscience applications. Geomorphology, 179: 300-314. [DOI:10.1016/j.geomorph.2012.08.021]
32. Zarco-Tejada, P.J., R. Diaz-Varela, V. Angileri and P. Loudjani. 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:10.1016/j.eja.2014.01.004]
33. Zhang, J., J. Hu, J. Lian, Z. Fan, X. Ouyang and W. Ye. 2016. Seeing the forest from drones: Testing the potential of lightweight drones as a tool for long-term forest monitoring. Biological Conservation, 198: 60-69. [DOI:10.1016/j.biocon.2016.03.027]
34. Zhou, J., C. Proisy, X. Descombes, G. Le Maire, Y. Nouvellon, J.L. Stape and P. Couteron. 2013. Mapping local density of young Eucalyptus plantations by individual tree detection in high spatial resolution satellite images. Forest Ecology and Management, 301: 129-141. [DOI:10.1016/j.foreco.2012.10.007]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
