قابلیت تصاویر پهپاد در تشخیص گونه‌های بلوط ایرانی (.quercus brantii lindl) و دارمازو (.quercus infectoria oliv) (مطالعه موردی: جنگل های کاکا شرف شهرستان خرم آباد)

امروزه تشخیص گونه‌‌های درختی با هدف تهیه نقشه تیپ درختان جنگلی، نقش مهمی در مدیریت پایدار جنگل‌‌ها دارد. تصاویر پهپاد باتوجه ‌‌به توان تفکیک مکانی بسیار زیاد، ابزار مناسبی برای تشخیص گونه‌‌های درختی هستند. هدف از پژوهش پیش‌‌رو، بررسی قابلیت طبقه‌‌‌‌بندی تصاویر پهپاد برای تشخیص گونه‌‌های درختی بلوط ایرانی (quercus brantii lindl.) و دارمازو (q. infectoria oliv.) در منطقه کاکاشرف شهرستان خرم‌‌آباد بود. در اردیبهشت‌ماه 1396 با استفاده از پهپاد فانتوم 4، تصاویر سه توده 3.6، 4.9 و 5.4 هکتاری از جنگل‌‌های منطقه برداشت شد. موزاییک تصاویر این سه توده به‌‌ترتیب با استفاده از 10، 12 و 15 نقطه کنترل زمینی تهیه شد. تفکیک گونه‌‌ای برمبنای طبقه‌‌بندی تصاویر به‌روش‌‌های شبکه عصبی مصنوعی و طیفی انجام شد. نقشه واقعیت زمینی برای تهیه نمونه‌‌های تعلیمی و ارزیابی نتایج طبقه‌‌بندی به‌روش میدانی تهیه شد. هفتاد درصد نمونه‌‌های جمع‌‌آوری‌‌شده به‌عنوان نمونه‌‌‌های آموزش و 30 درصد باقیمانده به‌عنوان نمونه‌‌های آزمون استفاده شدند. نتایج نشان داد که نقشه به دست آمده از طبقه‌‌بندی به‌روش شبکه عصبی مصنوعی در هر سه توده با ضریب کاپای 0.77، 0.76 و 0.82 و صحت کلی 03/84، 83.42 و 87.37 درصد، عملکرد مناسب‌تری نسبت به‌روش طبقه‌‌بندی طیفی با ضریب کاپای 0.7، 0.64 و 0.63 و صحت کلی 78.81، 73.4 و 72.19 درصد داشت. باتوجه ‌‌به قابلیت تصاویر پهپاد در تفکیک بلوط ایرانی و دارمازو در منطقه مورد مطالعه، استفاده از این تصاویر برای تفکیک گونه‌‌‌‌‌‌های مختلف درختی توصیه می‌‌شود.

Discriminating between Brant`s oak (Quercus brantii Lindl.) and gall oak (Q. infectoria Oliv.) species using the UAV images

Today, tree species classification and mapping play an important role in decision making for sustainable forest management. The high spatial resolution of the UAV images makes them an effective tool for identifying tree species. The aim of this study was to evaluate the capability of unmanned aerial vehicle (UAV) imagery to detect Brant`s oak (Quercus brantii Lindl.) and gall oak (Q. infectoria Oliv.) species in the Kakasharaf area in the Lorestan Province, Iran. For this purpose, three stands were selected with areas of 3.6, 4.9 and 5.4 ha. The images were taken in May 2017 by a Phantom 4 UAV. Mosaic images were prepared using 10, 12 and 15 ground control points, respectively. Specifically, differentiation between two species was based on the classification of images by artificial neural network and spectral information. The reference data was prepared to evaluate the classification results by field survey, and classification was conducted by using 70% of the samples as training samples and the remaining 30% as test samples. Results showed that better performance achieved by neural network classification in all three stands with kappa coefficients of 0.77, 0.76 and 0.82 and overall accuracy of 84.03, 83.42 and 87.37 percent compared with the spectral classification method, which returned kappa coefficients of 0.7, 0.64 and 0.63 and overall accuracies 78.81, 73.4 and 72.19 percent, respectively. Conclusively, UAV data revealed to have a good ability to distinguish between Q. brantii and Q. infectoria in the study area, which suggests that those data can be used for discriminating between different tree species in similar forest areas.