شناسایی گونه‌های گیاهی بنه و بادام با استفاده از تلفیق تصاویر رنگی و مدل رقومی سطح پهپاد

سابقه و هدف: شناسایی و تهیه نقشه پراکنش گونه‌های گیاهی در مقیاس تک‌درخت با استفاده از داده‌های سنجش از دور در مدیریت پایدار جنگل از اهمیت زیادی برخوردار است. از سوی دیگر، امروزه پرنده‌های هدایت‌پذیر از دور (پهپادها) امکان تهیه داده‌های سنجش از دور با تفکیک‌پذیری مکانی و زمانی بالا را فراهم آورده‌اند. این امر پایش تک‌درختان را تسهیل کرده و اطلاعات لازم در مورد ویژگی‌های کمی و کیفی آنها از جمله نوع گونه را فراهم می‌آورد. روش‌های مبتنی بر یادگیری ماشین بستر لازم برای شناسایی گونه‌های درختی با استفاده از تصاویر رنگی پهپاد را فراهم کرده اند. با این‌حال این روش ها از صحت بالایی برخوردار نیستند. علاوه بر این، شباهت گیاهان در محدوده مرئی امواج الکترومغناطیسی در تصاویر رنگی پهپاد باعث بروز خطا در شناسایی گونه می‌شود. بنابراین، پژوهش حاضر با هدف ارزیابی تلفیق تصاویر رنگی و مدل رقومی سطح (dsm) پهپاد و الگوریتم یادگیری عمیق در شناسایی گونه در یک منطقه جنگلی بنه - بادام انجام گرفت. مواد و روش‌ها: بخشی از توده‌های بنه – بادام جنگل تحقیقاتی استان فارس با مساحت 24 هکتار برای این منظور انتخاب شد. منطقه مذکور با 649 تصویر رنگی با تفکیک‌پذیری مکانی 3.5 سانتی متر ثبت شده با یک پهپاد فانتوم 4 پرو در 16 خط پرواز پوشش داده شد. علاوه بر ارتوفتو، از داده‌های پهپاد dsm منطقه مطالعاتی با تفکیک‌پذیری مکانی مشابه استفاده شد. dsm با استفاده از روش وزن دهی معکوس فاصله (idw) تهیه شد. سپس تصاویر رنگی به تنهایی و نیز با تلفیق آنها با dsm در شناسایی درختان بنه و درختچه‌های بادام با استفاده از الگوریتم شبکه عصبی پیچشی (cnn) مورد مقایسه قرار گرفتند. نتایج با استفاده از معیارهای صحت سنجی (مانند صحت، سطح زیر منحنی (auc) مشخصه نسبی عملکرد) ارزیابی شدند. یافته‌ها: نتایج نشان دادند با استفاده از تصاویر رنگی، درختچه‌های بادام (صحت 0.77، auc 0.82) با صحت تقریباً مشابه درختان بنه (صحت 0.76، auc 0.80) شناسایی شدند. در صورتی که با رویکرد تلفیق تصاویر رنگی و dsm، درختان بنه (صحت 0.85، auc 0.85) با صحت بیشتر نسبت به درختچه‌های بادام (صحت 0.81، auc 0.83) شناسایی شدند. نقشه نهایی منطقه مطالعاتی از 455 درخت بنه و 1951 درختچه بادام تشکیل شد. هم چنین تفسیر بصری نتایج نشان داد علی رغم نزدیکی ارزش عددی معیارهای صحت سنجی، شناسایی گونه‌ها با استفاده از تلفیق تصاویر رنگی و dsm پهپاد از صحت بیشتری برخوردار بودند. نتیجه‌گیری: به طور کلی، مطالعه حاضر نشان داد تلفیق تصاویر رنگی و dsm پهپاد می‌تواند منجر به بهبود شناسایی دو گونه درختی بنه و درختچه‌ای بادام در منطقه مطالعاتی شود. همچنین مطالعه حاضر بر توانایی الگوریتم cnn در تهیه نقشه گونه‌های گیاهی تاکید دارد.

species identification of pistacia and amygdalus individuals using combination of uav-based rgb imagery analysis and digital surface model

background and objectives: identifying and mapping tree species at the single-tree level using remote-sensing data is important for the sustainable forest management. on the other hand, uavs technologies offer the possibility of acquiring remote-sensing data with high spatial and temporal resolution. this facilitates the monitoring of individual trees and provides the necessary information on their quantitative and qualitative characteristics such as species types. machine learning-based methods can identify species types using uavs color images; however, these methods are not very accurate. in addition, the similarity of plants in the visible range of electromagnetic waves in uav color images causes errors in species identification. therefore, the aim of this study was to evaluate the combination of uav-based color imagery, digital surface model (dsm) and deep learning algorithms in the identification of species of pistacia-amygdalus stands. material and methods: an area of 24 ha of the pistacia-amygdalus stands at the fars forestry research station was selected for this study. the study area was covered by 649 color images with a spatial resolution of 3.5 cm in acquired by phantom 4pro uav in 16 flight lines. in addition to the orthophoto, the dsm of the study area, prepared using inverse distance weighting (idw) method, with a similar spatial resolution was used. then, color images alone and by combining them with dsm were compared to identify pistacia trees and amygdalus shrubs using convolutional neural networks (cnns). results were evaluated using validation criteria such as accuracy and area under the curve (auc) of the receiver operating characteristics. results: the results showed that using color images, amygdalus shrubs (accuracy=0.77, auc=0.82) were identified with almost the same accuracy as pistacia trees (accuracy=0.76, auc=0.80). moreover, the combining images and dsm pistacia trees (accuracy=0.85, auc=0.85) were identified with higher accuracy than amygdalus shrubs (accuracy=0.81, auc=0.83). the final map of the studied area included 455 pistacia trees and 1951 amygdalus shrubs. visual interpretation of the results showed that despite the proximity of the numerical values to the validation criteria, species identification using the combination of color images and dsm was more accurate. conclusions: in general, the present study showed that the combination of color and dsm drone images can lead to the improved recognition of species identification of pistacia trees and amygdalus shrubs. furthermore, this study confirms cnn's ability to prepare a map of plant species.