برآورد زیستتوده درختان با استفاده از ابر نقاط متراکم استخراج شده از تصاویر پهپاد در سطح تکدرخت، قطعه نمونه و ترکیبی
|
محمدرضا کارگر ، هرمز سهرابی* |
دانشگاه تربیت مدرس |
|
چکیده: (3056 مشاهده) |
الگوریتمهای تبدیل تصاویر دو بعدی به دادههای سه بعدی این امید را پدید آوردهاند که بتوان ویژگیهای ساختاری درختان را از طریق تصاویر پهپاد استخراج کرد. در این پژوهش میزان دقت برآورد زیست توده درختان در سطح تکدرخت، قطعه نمونه و ترکیبی با استفاده از تصاویر پهپاد بررسی شد. در بخشی از پارک جنگلی سیسنگان با مساحت 8/38 هکتار، با استفاده از یک پهپاد عمود پرواز، 854 تصویر از ارتفاع 100 متری از سطح زمین برداشت و سپس با استفاده از الگوریتم ساختار حرکت مبنا (SFM) دادههای سه بعدی تولید و ارتفاع درختان استخراج شد. در 28 قطعه نمونه طراحی شده با ابعاد30 در30 متر، ارتفاع و قطر برابر سینه درختان برداشت شد و سپس با استفاده از قطر برابر سینه و جایگذاری آن در معادله آلومتریک عمومی، زیست توده تک درختان محاسبه شد و بااستفاده از ارتفاع حاصل، مدل ارتفاعی تاج (CHM) مدلسازی شد. بهمنظور برآورد زیست توده در سطح قطعه نمونه نیز از شاخصهای ارتفاعی مستخرج از مدل ارتفاعی تاج استفاده شد و مقدار آن در قطعه نمونه مدلسازی شد. در سطح ترکیبی نیز مقدار زیست توده موجود در قطعات نمونه بااستفاده از زیست توده برآورد شده تک درختان و زیست توده برآورد شده در سطح قطعه نمونه، مدلسازی شد. دقت و صحت برآوردها با معیارهای اریبینسبی، جذر میانگین مربعات خطا نسبی و ضریب تبیین تطابق یافته بررسی شد. براساس نتایج، جذر میانگین مربعات خطا نسبی برآورد زیست توده در سطح تک درخت پایههای شمشاد، ممرز، انجیلی و سایر گونهها بهترتیب 56/17، 11/7، 67/14 و 73/22 درصد بود. زیست توده با جذر میانگین مربعات خطای نسبی 58 درصد در سطح قطعه نمونه و 47 درصد در سطح ترکیبی برآورد شد. براساس نتایج، دقیقترین سطح برای برآورد زیست توده سطح ترکیبی است و دقت برآورد زیست توده با تصاویر پهپاد مورد استفاده در این تحقیق برای ارزیابیهای کلی مناسب است اما برای برنامه ریزی مدیریتی دقت لازم را ندارد. |
|
واژههای کلیدی: پهپاد، سیسنگان، مدل ارتفاعی تاج، زیست توده روی زمین، مدل رقومی زمین. |
|
متن کامل [PDF 1680 kb]
(1578 دریافت)
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
سنجش از دور دریافت: 1397/5/8 | پذیرش: 1398/3/4 | انتشار: 1398/9/30
|
|
|
|
|
فهرست منابع |
1. [1] F. Xu, Z. Gao, X. Jiang, W. Shang, J. Ning, D. Song and J. Ai, "A UAV and S2A data-based estimation of the initial biomass of green algae in the South Yellow Sea", Marine pollution bulletin, vol.128, pp. 408-414, 2018. [ DOI:10.1016/j.marpolbul.2018.01.061] 2. [2] Z. Zhou, Y. Yang and B. Chen, "Estimating Spartina alterniflora fractional vegetation cover and aboveground biomass in a coastal wetland using SPOT6 satellite and UAV data", Aquatic Botany, vol.144, pp. 38-45, 2018. [ DOI:10.1016/j.aquabot.2017.10.004] 3. [3] S. Manfreda, M. F. McCabe, P. E. Miller, R. Lucas, V. Pajuelo Madrigal, G. Mallinis, ... and J. Müllerová, "On the Use of Unmanned Aerial Systems for Environmental Monitoring". Remote Sensing, vol.10, pp. 641, 2018. [ DOI:10.3390/rs10040641] 4. [4] M. Ruwaimana, B. Satyanarayana, V. Otero, A. M. Muslim, M. Syafiq, S. Ibrahim, D. Raymaekers, N. Koedam and F. Dahdouh-Guebas, "the advantages of using drones over space-borne imagery in the mapping of mangrove forests", PloS one, vol.13, e0200288, 2018. [ DOI:10.1371/journal.pone.0200288] 5. [5] S. Jiang and W. Jiang, "Efficient structure from motion for oblique UAV images based on maximal spanning tree expansion", ISPRS Journal of Photogrammetry and Remote Sensing, vol.132, pp. 140-161, 2017. [ DOI:10.1016/j.isprsjprs.2017.09.004] 6. [6] N. Micheletti, J. H. Chandler and S. N. Lane, Structure from motion (SFM) photogrammetry. Loughborough University: British Society for Geomorphology, 2015. 7. [7] J. D. Stevenson, S. O'Young and L. Rolland, "Enhancing the visibility of small unmanned aerial vehicles", Procedia Manufacturing, vol.3, pp. 944-951, 2015. [ DOI:10.1016/j.promfg.2015.07.146] 8. [8] J. Guerra-Hernández, E. González-Ferreiro, V. J. Monleón, S. P. Faias, M. Tomé and R. A. Díaz-Varela, "Use of Multi-Temporal UAV-Derived Imagery for Estimating Individual Tree Growth in Pinus pinea Stands", Forests, vol.8, pp. 300, 2017. [ DOI:10.3390/f8080300] 9. [9] D. Panagiotidis, A. Abdollahnejad, P. Surový and V. Chiteculo, "Determining tree height and crown diameter from high-resolution UAV imagery", International journal of remote sensing, vol.38, pp. 2392-2410, 2017. [ DOI:10.1080/01431161.2016.1264028] 10. [10] W. Li, Z. Niu, H. Chen, D. Li, M. Wu and W. Zhao, "Remote estimation of canopy height and aboveground biomass of maize using high-resolution stereo images from a low-cost unmanned aerial vehicle system", Ecological indicators, vol.67, pp. 637-648, 2016. [ DOI:10.1016/j.ecolind.2016.03.036] 11. [11] D. J. Kachamba, H. O. Ørka, T. Gobakken, T. Eid and W. Mwase, "Biomass estimation using 3D data from unmanned aerial vehicle imagery in a tropical woodland", Remote Sensing, vol.8, pp. 968, 2016. [ DOI:10.3390/rs8110968] 12. [12] S. Puliti, H. O. Ørka, T. Gobakken and E. Næsset, "Inventory of small forest areas using an unmanned aerial system". Remote Sensing, vol.7, pp. 9632-9654, 2015. [ DOI:10.3390/rs70809632] 13. [13] R. Jing, Z. Gong, W. Zhao, R. Pu and L. Deng, "Above-bottom biomass retrieval of aquatic plants with regression models and SfM data acquired by a UAV platform-A case study in Wild Duck Lake Wetland, Beijing, China", ISPRS Journal of Photogrammetry and Remote Sensing, vol.134, pp. 122-134, 2017. [ DOI:10.1016/j.isprsjprs.2017.11.002] 14. [14] D. A. Zimble, D. L. Evans, G. C. Carlson, R. C. Parker, S. C. Grado and P. D. Gerard, "characterizing vertical forest structure using small-footprint airborne LiDAR", Remote sensing of Environment, vol.87, pp. 171-182, 2003. [ DOI:10.1016/S0034-4257(03)00139-1] 15. [15] Y. Seul, P. Hien, J. Soo, M. Hee and M. Wook, "Calculation of tree height and canopy crown from drone images using segmentation", Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, vol.33, pp. 605-613, 2015. [ DOI:10.7848/ksgpc.2015.33.6.605] 16. [16] V. Luoma, N. Saarinen, M. A. Wulder, J. C. White, M. Vastaranta, M. Holopainen and J. Hyyppä, "Assessing precision in conventional field measurements of individual tree attributes", Forests, vol.8, pp. 38, 2017. [ DOI:10.3390/f8020038] 17. [17] T. Gobakken, O. M. Bollandsås and E. Næsset, "Comparing biophysical forest characteristics estimated from photogrammetric matching of aerial images and airborne laser scanning data", Scandinavian Journal of Forest Research, vol.30, pp. 73-86, 2015. [ DOI:10.1080/02827581.2014.961954] 18. [18] G. V. Laurin, N. Puletti, Q. Chen, P. Corona, D. Papale and R. Valentini, "Above ground biomass and tree species richness estimation with airborne lidar in tropical Ghana forests", International Journal of Applied Earth Observation and Geoinformation, vol.52, pp. 371-379, 2016. [ DOI:10.1016/j.jag.2016.07.008] 19. [19] E. W. Mauya, L. T. Ene, O. M. Bollandsås, T. Gobakken, E. Næsset, R. E. Malimbwi and E. Zahabu, "Modelling aboveground forest biomass using airborne laser scanner data in the miombo woodlands of Tanzania", Carbon balance and management, vol.10, pp. 28, 2015. [ DOI:10.1186/s13021-015-0037-2] 20. [20] G. W. Frazer, S. Magnussen, M. A. Wulder and K. O. Niemann, "Simulated impact of sample plot size and co-registration error on the accuracy and uncertainty of LiDAR-derived estimates of forest stand biomass", Remote Sensing of Environment, vol.115, pp. 636-649, 2011. [ DOI:10.1016/j.rse.2010.10.008] 21. [21] E. H. Hansen, T. Gobakken, O. M. Bollandsås, E. Zahabu and E. Næsset, "Modeling aboveground biomass in dense tropical submontane rainforest using airborne laser scanner data", Remote Sensing, vol.7, pp. 788-807, 2015. [ DOI:10.3390/rs70100788]
|
|
ارسال پیام به نویسنده مسئول |
|
|
کارگر محمدرضا، سهرابی هرمز. برآورد زیستتوده درختان با استفاده از ابر نقاط متراکم استخراج شده از تصاویر پهپاد در سطح تکدرخت، قطعه نمونه و ترکیبی. مهندسی فناوری اطلاعات مکانی. 1398; 7 (3) :213-230 URL: http://jgit.kntu.ac.ir/article-1-750-fa.html
|