سابقه و هدف: برآورد مشخصه های ساختاری درختان
جنگل همچون ارتفاع و قطر برابرسینه (DBH)، اهمیتی کلیدی در مدیریت منابع جنگلی دارد. یکی از روش های مطرح در برآورد این مشخصه ها، روش
تشخیص تک درخت با استفاده از داده های سنجش ازدوری مناسب مانند
لایدار هوایی (Airborne LiDAR) است. بااین حال، باید توجه داشت که روش های متفاوت
تشخیص تک درخت توسعه داده شده با محدودیت ها و قابلیت های مختلف، عملکردهای متفاوتی را نسبت به تغییر در گونه های درختان
جنگل و ساختار عمودی تاج از خود نشان می دهند.مواد و روش ها: در این پژوهش، یک روش ترکیبی
تشخیص تک درخت ارائه شده است که روش های رسترپایه و
ابرنقطه مبنا را در یک چهارچوب چندمقیاسی برای شناسایی تک درختان از داده های
لایدار ترکیب می کند. در این روش، سطوح مقیاس تاج درختان براساس اعمال فیلترهای ریخت شناسی بر
مدل ارتفاعی تاج محاسبه می شود. سپس قطعه بندی به صورت چندمقیاسی صورت می گیرد و نتایج با یکدیگر ادغام می شوند. به منظور جداسازی بهتر درختان مجاور و اشکوب زیرین، با استفاده از تابع چگالی احتمال، ابرنقاط داخل قطعه ها آنالیز می شوند و قطعه های تاج درختان اصلاح می شود. پس از تشخیص تک درختان، برخی مشخصه های ساختاری درختان
جنگل شامل ارتفاع و DBH با استفاده از داده های مرجع زمینی و ویژگی های استخراج شده از داده
لایدار با استفاده از الگوریتم های
یادگیری ماشین شامل
جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و کوبیست (CB) در قالب اعتبارسنجی متقابل تودرتو ده قسمتی برآورد شدند و نتایج حاصل مقایسه شدند. در این پژوهش، الگوریتم انتخاب ویژگی بوروتا برای شناسایی مهم ترین ویژگی های مستخرج از داده
لایدار در برآورد مشخصه های ارتفاع و DBH استفاده شد. این الگوریتم، نقش موثری در بهبود عملکرد الگوریتم های رگرسیون ایفا کرد. با توجه به دسترسی محدود به داده های
لایدار و زمینی از
جنگل های ایران، به منظور ارزیابی روش های فوق الذکر، در این پژوهش از مجموعه داده معیار
تشخیص تک درخت از پروژه تحقیقاتی NEWFOR استفاده شد که از
جنگل های منطقه آلپ با گونه های مختلف درختان و ساختار عمودی تاج متفاوت جمع آوری شده است.نتایج: اگرچه درختان اشکوب زیرین را نمی توان با دقت معادل درختان اشکوب غالب استخراج کرد، اما نتایج این پژوهش نشان داد که روش توسعه یافته در مناطق جنگلی مختلف، علاوه بر تشخیص ۸۹ درصد درختان در بالاترین لایه ارتفاعی، بیشترین تعداد درختان اشکوب زیرین را با نرخ تشخیص ۴۸ درصد در پایین ترین لایه ارتفاعی (دو تا پنج متر) تشخیص داده است. تجزیه و تحلیل نتایج حاصل از الگوریتم های
یادگیری ماشین در برآورد ویژگی های ساختاری
جنگل نشان داد که باوجود تفاوت ناچیز در عملکرد الگوریتم های مورد استفاده، الگوریتم ماشین بردار پشتیبان، عملکرد بهتری را نسبت به الگوریتم های
جنگل تصادفی و کوبیست در برآورد ارتفاع و قطر برابرسینه ارائه کرد. برای مشخصه ارتفاع، میانگین RMSE، rRMSE و R۲ در الگوریتم SVM به ترتیب برابر با ۷۵/۱ متر، ۹ درصد و ۸۵/۰ بودند. از طرف دیگر، برای مشخصه DBH، مقدار معیارهای مذکور به ترتیب برابر با ۷۴/۴ سانتی متر، ۱۹ درصد و ۷۸/۰ به دست آمد.نتیجه گیری کلی: ارزیابی نتایج به دست آمده نشان داد که به طورکلی، روش های ارائه شده در این پژوهش در خصوص تشخیص تک درختان و برآورد برخی مشخصه های ساختاری درختان جنگل، بهبود قابل توجهی را در مقایسه با الگوریتم های معیار ارائه می دهند و پتانسیل زیادی برای کاربردهای عملی دارند.
