بررسی قابلیت داده های تصاویر رقومی هوایی UltraCam-D در شناسایی گونه‌های درختی در جنگل های آمیخته خزری (مطالعه موردی: شصت کلاته گرگان)

نوع مقاله : مقاله کامل علمی پژوهشی

نویسندگان

دانشگاه علوم کشاورزی و منابع طبیعی گرگان

چکیده

تشخیص گونه های درختی و تهیه نقشه ترکیب درختان نقش مهمی در اتخاذ تصمیمات بهینه برای مدیریت بوم سازگان جنگلی در نواحی وسیع ایفا می کنند. بررسی قابلیت منابع متفاوت سنجش‌ازدوری نظیر تصاویر رقومی هوایی در منابع مختلف جنگلی به‌عنوان راهکار جایگزین روش‌های زمینی در سال‌های اخیر موردتوجه قرارگرفته است. داده‌های سنجش از دور، به ویژه تصاویر هوایی رقومی با قدرت تفکیک مکانی و رادیومتری بالا ابزار مناسبی برای شناسایی گونه‌های درختی می‌توانند باشند. در روش های معمول پیکسل‌-پایه، طبقه‌بندی پیکسل‌های تصاویر می‌تواند با الگوریتم‌های مختلفی صورت گیرد. روش های متداول طبقه بندی رقومی نظیر الگوریتم حداکثر شباهت، رایج‌ترین روش‌های مبتنی بر طبقه‌بندی پیکسل پایه می باشند. استفاده از روش های نوین طبقه‌بندی نظیر الگوریتم ناپارامتریک ماشین بردار پشتیبان و مقایسه کارایی این الگوریتم‌ها ضروری می باشد.
سابقه و هدف: با توجه به انجام چند تحقیق در بررسی قابلیت تصاویر رقومی هوایی در جنگل‌های شهری و جنگلکاری‌های شمال کشور و عدم وجود تحقیق در زمینه بررسی قابلیت تصاویر رقومی هوایی در شناسایی گونه های درختی در جنگل های آمیخته خزری، هدف از این تحقیق، بررسی قابلیت تصاویر هوایی رقومی (UltraCam-D) در شناسایی گونه های درختی جنگل‌های پهن‌برگ آمیخته خزری (در بخشی از سری یک جنگل شصت کلاته گرگان) و مقایسه کارایی دو الگوریتم پیکسل-پایه حداکثر شباهت و ماشین بردار پشتیبان است.
مواد وروش ها: نقشه واقعیت زمینی گونه‌های درختی با ثبت دقیق موقعیت مکانی 128 پایه درختی با سیستم موقعیت‌یاب جهانی تفاضلی تهیه گردید. تشخیص و طبقه‌بندی گونه های درختی به روش پیکسل پایه با مجموعه باندهای اصلی و مصنوعی حاصل از پردازش باندها و با استفاده از دو الگوریتم حداکثر شباهت و ماشین بردار پشتیبان صورت گرفت. ارزیابی صحت نقشه های حاصل از طبقه بندی ها با استفاده از 25 درصد نمونه های واقعیت زمینی انجام شد،
یافته ها: نتایج ارزیابی صحت بعد از انجام فیلتر نشان دادند نقشه حاصل از طبقه‌بندی با الگوریتم حداکثر شباهت به ترتیب دارای صحت کلی و ضریب کاپا 63/63 درصد و 51/0 و برای الگوریتم ماشین بردار پشتیبان به ترتیب 42/37 درصد و 2/0 بوده است.
نتیجه گیری: با مقایسه نتایج حاصل نمایان شده که روش طبقه‌بندی پیکسل پایه در تشخیص گونه‌های درختی به خاطر خاصیت فلفل نمکی یا استفاده نکردن از داده های کمکی در فرآیند طبقه بندی (شیب، ارتفاع و غیره) به‌طور نسبی مؤثر واقع نشده است. استفاده از دیگر روش‌ها مثل روش طبقه بندی شی پایه در تشخیص گونه‌های درختی پیشنهاد می‌شود. هم چنین باید ارزیابی قابلیت این تصاویر، در شرایط رویشگاهی مختلف امتحان شود.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Investigation on capability of digital aerial images in recognizing of different tree species in the Hyrcanian mixed forest (Case study: Shastkalateh forest, Gorgan)

نویسندگان [English]

  • Aghdas Ghasemi
  • Shaban Shataee
  • Jahangir Mohammadi
چکیده [English]

Identify tree species and Mapping compound of trees play an important role in making optimal decisions for the management forests ecosystem of large areas. evaluation different sources, of remote sensing such as, aerial digital images of forest resources as an Solutions, Replace Ground methods is Considered in recent years. Remote sensing data, especially digital aerial images with high spatial and radiometric resolution could be a useful tool to identify tree species. By conventional methods pixel-based, classification the pixels of the images can be done the different algorithms. Digital classification conventional methods such as maximum likelihood algorithm the most common methods based on pixel-based classification. The use of modern methods of classification Such as parametric algorithm support vector machine is essential compare the performance.
Background and objectives: According to a few studies to examine the ability of these images of urban forests and forestation north of the country, And lack of research evaluating the ability of Digital images aerial identify tree species the of Caspian mixed forests, the aim of this study research is investigation of capability of UltraCam-D aerial digital photographies in identify tree species the Caspian Mixed Hardwood forest regional of area of district 1 of Shast Kalate forest in GORGAN and compare Operation two pixel-based algorithm the maximum likelihood and support vector machine. There are several ways to extract information from this type of image.
Materials and methods: provided the ground truth map position of 128 dominant trees by accurate registration with DGPS. Identify and classification of tree species using pixel–based method and Collection of original bands and artificial bands was derived processing bands using the maximum likelihood algorithm and support vector machine was used. Accuracy assessment of Maps derived from classification done with the use of 25% of the ground truth
Results: After filtering accuracy evaluation results showed the map of the classification with maximum likelihood algorithm to the overall accuracy and kappa coefficient of 63.63% and 0.51, and support vector machine algorithm to the 42.37% and 0.2 respectively.
Conclusion: By comparing the results show that the pixel-based classification method in identifying tree species because of the salt and pepper effect or not using of the auxiliary data (slope, elevation, etc.) in the classification process has been relatively effective. The use of other methods such as object classification method based on identify of tree species is recommended. In addition, need to assess the capability of the images data in different tested habitat conditions.

کلیدواژه‌ها [English]

  • Identify Tree Species
  • Digital Images Aerial
  • UltraCam-D
  • Mixed Hardwood Forests
  • Maximum Likelihood
1. Alavipanah, S.K. 2009. Fundamentals of Modern Remote Sensing and Interpretation of
Satellite Images and Aerial Photos, University of Tehran Press, Tehran (In Persian)
2. Darvishsefat, A.A., Rafieyan, O., Babaii Kafaki, S., and Mataji, A. 2009. Evaluation of
Ultracam-D Images Capability For Tree Species Identification Using Object-Based Method
In The Even-Aged Mixed Forestation, Journal of The Forest, 2(2): 165-174 (In Persian)
3. Jyothi, B.N., Babu, G.R., and Krishna IV, M. 2008. Object Oriented and Multi-Scale Image
Analysis: Strengths, Weaknesses, Opportunities and Threats-A Review. Journal of Computer
Science, 4(9): 706-712.
4. Korpela, I., B., Dahlin, H., Schafer, E., Bruun, F., Haapaniemi, J., Honkasalo, S., Ilvesniemi,
V., Kuutti, M., Linkosalmi, J., Mustonen, M., Salo, O., Suomi, and H., Virtanen, 2007.
Single-tree forest inventory using LiDAR and aerial images for 3D tree top positioning,
species recognition, height and crown width estimation, ISPRS Workshop on Laser
Scanning, Finland.
5. Leberl, F., and Gruber, M. 2005. Ultracam-D: understanding some noteworthy capabilities.
In Photogrammetric Week (Vol. 5, pp. 57-68).
6. Meneguzzo, D.M., Liknes, G.C., and Nelson, M.D. 2013. Mapping trees outside forests
using high-resolution aerial imagery: a comparison of pixel-and object-based classification
approaches. Environmental monitoring and assessment, 185(8): 6261-6275.
7. Mohammadi, J. 2013. Features Estimate Forest Structure Using A Combination of Data
Lidar and Aerial Digital Images, Ph.D. Thesis, Faculty of Forestry, University of
Agricultural Sciences and Natural Resources, Gorgan, 241p. (In Persian)
8. Moghadam, M., Rezai, B., Feizi Zadeh, B., and Nazmfar, H. 2000. Land Use /Land Cover
Classification Based on Object-Oriented Technique and Satellite Image Case Study: West
Azerbaijan Provinces, Watershed Management Researches Journal (Pajouhesh and
Sazandegi), 23(2): 19-32. (In Persian)
9. Neumann, K. 2005. New technology–new possibilities of digital mapping cameras. ASPRS
annual conferences, Baltimore, Maryland. 7-11 march.
10. Otukei, J.R., and Blaschke, T. 2010. Land cover change assessment using decision trees,
support vector machines and maximum likelihood classification algorithms, International
Journal of Applied Earth Observation and Geoinformation, Volume 12, Supplement 1,
February 2010, Pages S27-S31.
11. Orkhy, S., and Adib Nzhad, M. 2001. Evaluation The Performance of Support Vector
Machines For Classification Land Use Using Landsat ETM+ Satellite Data (Case Study: Ilam
Dam Basin). Journal Of Research Range and The Iranian Desert, 18(3): 420-440 (In Persian)
12. Qian, J., Zhou, Q., and Hou, Q. 2007. Comparison of pixel-based and object-oriented
classification methods for extracting built-up areas in arid zone. In ISPRS Workshop on
Updating Geo-Spatial Databases with Imagery and the fifth ISPRS Workshop on
DMGISs. Pp: 163-171.
13. Rafieyan, O., Darvishsefat, A.A., Babaii Kafaki, S., and Mataji, A. 2010. Evaluation of
pixel-based and object-based classification of aerial images to identify tree species (Case
Study: silviculture Chamestan Noor). Journal of Forestry, 1(3): 35-47. (In Persian)
14. Rafieyan, O., and Darvishsefat, A.A. 2014. The Role of Spatial Resolution And Radiometric
Aerial Photos To Identify Tree Species of Object-Based Classification Method, Iranian
Journal of Forest and Poplar Research, 55: 121-132. (In Persian)
15. Shabani Pour, M., Darvishsefat, A., Rafieyan, O. 2014. Study The Possibility of Identifying
Tree Species In Digital Aerial Images Based Object Classification. Journal of The Forest
And Wood Products, 67(1): 21-32. (In Persian)
16. Shataee, Sh. 2003. Investigation of the possibility of forest types Mapping using satellite
data (Case study: Kheyroud-kenar forest in north of iran)., Ph.D. Thesis, University of
Tehran Press, Tehran. (In Persian)
17. Smak, M., and Manteghi, A. 2000. The Latest Statistics From The Country's NORTH
Forests Under Aerial Photography In 1994. The National Conference of Forests and
Sustainable Development, Ramsar. (In Persian)
18. Sohrabi, H. 2009. Application of Visuall and Digital Interpretation In Forest Inventory.
Ph.D. Thesis, Faculty of Natural Resources and Marin Science, Tarbiat Modares University.
110p. (In Persian)
19. Szuster, B.W., Chen, Q., and Borger, M. 2011. A comparison of classification techniques to
support land cover and land use analysis in tropical coastal zones. Applied geography, 31:
525-532.
20. Taati, A., Sarmadian, F., Mousavi, A., Chamran Taghati, H., and Esmaile Shahir, A.H. 2015.
Land use classification using support vector machine and maximum likelihood algorithms by
Landsat 5 TM images. Walailak Journal of Science and Technology, 12(8):
21. Tso, B., and Mather, P.M. 2001. Classification methods for remotely sensed data. First
Edition, Taylor and Francis.