برآورد مشخصه‌های کمی تک درختان جنگلی با استفاده از داده‌های لیزر اسکنر هوایی در بخشی از جنگل‌های شصت کلاته گرگان

سابقه و هدف: در این تحقیق قابلیت داده‌های لیزر اسکنر هوایی در برآورد ارتفاع، حجم، رویه زمینی، قطر برابر سینه و مساحت تاج پوشش تک درختان جنگلی در بخشی از جنگل‌های پهن‌برگ شصت کلاته گرگان مورد ارزیابی قرار گرفت. مواد و روش‌ها: در این مطالعه 125 پایه‌ی درختی از درختان که دارای تاج مستقل بودند و تداخل تاجی با پایه‌های مجاور نداشتند انتخاب شد. اطلاعات نوع گونه، ارتفاع، قطر بزرگ و قطر کوچک تاج هر درخت اندازه‌گیری و سپس ارتفاع درختان با استفاده از دستگاه ورتکس لیزری اندازه‌گیری شد و موقعیت مراکز درختان با استفاده از دستگاه سیستم موقعیت یاب تفاضلی برداشت گردید. پس از جداسازی مرز تاج پوشش تک درختان و تهیه پلی‌گون مرز آن‌ها از تصاویر دوربین رقومی هوایی ultracamd، داده‌های لیزر اسکنر هوایی برای هر درخت جدا و تمامی شاخص‌های ارتفاعی و تراکمی داده‌های لیزر اسکنر هوایی برای آنها محاسبه گردید. سپس با استفاده از الگوریتم‌های ناپارامتریک (rf، knn، svr و ann) و رگرسیون چند متغییره مشخصه‌های ارتفاع، حجم، رویه زمینی، قطر برابر سینه و مساحت تاج پوشش تک درختان جنگلی مدلسازی شدند. یافته‌ها: نتایج حاصل از روابط رگرسیونی و الگوریتم‌های ناپارامتریک بین ارتفاع، حجم، رویه زمینی، قطر برابر سینه و مساحت تاج پوشش درختان اندازه‌گیری شده با استخراج‌شده از داده‌های لیزر اسکنر هوایی نشان داد که درصد میانگین مجذور مربعات خطا و انحراف معیار از تفاوت‌هابرای مشخصه‌های ارتفاع، حجم، رویه زمینی، قطر برابر سینه و مساحت تاج پوشش تک درختان با استفاده از بهترین مدل به ترتیب 13.39، 56.78، 33.17، 22.34 و 25.88 درصد و 1.71 متر و 0.59 متر مکعب، 0.049 متر مربع، 9.2 سانتی‌متر و 39.26 مترمربع به‌دست آمد. نتیجه‌گیری: به طور کلی نتایج نشان داد که داده‌های لیزر اسکنر هوایی قابلیت برآورد مشخصه‌ ارتفاع درختان را با دقت خوب، و مشخصه‌های رویه زمینی، قطر برابر سینه و مساحت تاج پوشش تک درختان را با دقت مناسب دارد ولی قابلیت برآورد مشخصه حجم سرپا تک درختان را با دقت خوب نداشت. همچنین نتایج نشان داد که از میان الگوریتم‌های پارامتریک و ناپارامتریک الگوریتم ناپارامتریک شبکه عصبی مصنوعی عملکرد بهتری نسبت به سایر الگوریتم‌ها داشت.تیجه‌گیری: به طور کلی نتایج نشان داد که داده‌های لیزر اسکنر هوایی قابلیت برآورد مشخصه‌ ارتفاع درختان را با دقت خوب، و مشخصه‌های رویه زمینی، قطر برابر سینه و مساحت تاج پوشش تک درختان را با دقت مناسب دارد ولی قابلیت برآورد مشخصه حجم سرپا تک درختان را با دقت خوب نداشت. همچنین نتایج نشان داد که از میان الگوریتم‌های پارامتریک و ناپارامتریک الگوریتم ناپارامتریک شبکه عصبی مصنوعی عملکرد بهتری نسبت به سایر الگوریتم‌ها داشت.

Estimation of the Some Quantitative Characteristics of Individual tree Using Airborne Laser Scanning Data in part of Shast-Kalate forests of Gorgan

Background and objectives: In this study we evaluated the potential of ALS data in estimation of height, volume, basal area and DBH and canopy cover area of individualtrees for the part of Shast kalate of Gorgan.Materials and methods: In this study 125 tree that located in dominant story and without overlay with adjacent trees, were selected. Tree species, tree diameter at breast height (DBH) and tree crown diameter were measured. The height of trees was measured using a Vertex VL 402. Center coordinates of sample trees were determined using Digital Golobal Position System. After separating the crown border of a single tree and providing a polygon of the boundaries of them using aerial digital images, all of height and density metrics were created.Then, we explored the possibility of defining relationships between combination of airborne laser scanning data and height, volume, basal area, DBH and canopy cover area of individual trees using machine learning algorithms (random forest (RF), support vector machine (SVM), knearest neighbor (kNN) and artificial neural network (ANN)).Results: The best RMSE% on an independent validation data for height, volume, canopy basal area, diameter, and basal area were 13.39, 56.88, 33.17, 22.34 and 25.88%. Also, the results demonstrate that the ANN algorithm can be useful for modeling biophysical properties of individual tree in the North of Iran.Conclusion: Overall, the results showed the ALS data has the ability to estimate of tree height, basal area, diameter at breasts, and canopy cover but this data hasn’t the ability to estimate the volume very accurate. Also, the results showed that between all algorithms, the ANN algorithm have a better performance than other algorithms.Conclusion: Overall, the results showed the ALS data has the ability to estimate of tree height, basal area, diameter at breasts, and canopy cover but this data hasn’t the ability to estimate the volume very accurate. Also, the results showed that between all algorithms, the ANN algorithm have a better performance than other algorithms.Conclusion: Overall, the results showed the ALS data has the ability to estimate of tree height, basal area, diameter at breasts, and canopy cover but this data hasn’t the ability to estimate the volume very accurate. Also, the results showed that between all algorithms, the ANN algorithm have a better performance than other algorithms.Conclusion: Overall, the results showed the ALS data has the ability to estimate of tree height, basal area, diameter at breasts, and canopy cover but this data hasn’t the ability to estimate the volume very accurate. Also, the results showed that between all algorithms, the ANN algorithm have a better performance than other algorithms.