تشخیص برخی گونه‌های درختی از داده‌های ابر نقاط لیزر اسکنر زمینی با استفاده از الگوریتم‌های ماشین بردار پشتیبان و نزدیکترین همسایگی

شناسایی و تشخیص گونه های درختی و اطلاعات مکانی دقیق آنها برای مدیریت جنگل‌های طبیعی، مصنوعی و همچنین پوشش گیاهی شهری امری حیاتی و ضروری است. لیزر اسکنر زمینی یک سنجنده فعال سنجش از دور می‌باشد که پتانسیل تولید اطلاعات مکانی با جزئیات بالا را برای کاربردهایی در زمینه جنگلداری و حفاظت از طبیعت دارد. لیزر اسکنر زمینی جزئیات ساختار درختان را در حد زیر شاخه توصیف می‌کند، از این رو می‌توان اطلاعات هندسی درختان را با دقت و صحت بالا از داده‌های ابر نقاط لیزر اسکنر زمینی بدست آورد. روند پیشنهادی در این مقاله به این صورت است که ابتدا از داده‌های ابر نقاط لیزر اسکنر زمینی سه گونه مختلف درختی که عبارت است از: quercus_petraea گونه‌ای از درخت بلوط، pinus_massoniana گونه‌ای از درخت کاج و erythrophleum گونه ای از درخت لوبیا، پارامترهای هندسی این درختان استخراج شده است. برای هر کدام از این گونه‌ها 12 داده ابر نقطه لیزر اسکنر زمینی موجود بوده است. پس از آنکه پارامترهای هندسی این درختان استخراج شدند، با در نظر گرفتن این پارامترهای هندسی بعنوان ویژگی و با استفاده از الگوریتم‌های ماشین بردار پشتیبان و نزدیکترین همسایگی طبقه‌بندی این سه گونه‌ی درختی انجام شده است. لازم به ذکر است که میزان دقت روش های استخراج پارامترهای هندسی درختان توسط داده های مرجع که بصورت غیراتوماتیک تولید شدند، مورد ارزیابی قرار گرفته است. هدف در این مقاله ارزیابی الگوریتم های ماشین بردار پشتیبان و نزدیکترین همسایگی با تعداد پارامترهای هندسی و نمونه های آموزشی کمتر برای تشخیص این سه گونه از هم می باشد. نتایج ارزیابی دقت طبقه بندی 81% با استفاده از الگوریتم ماشین بردار پشتیبان و دقت 74% با الگوریتم نزدیکترین همسایگی را نشان می‌دهد که حاکی از قدرت تشخیص نسبتاً خوب روش پیشنهادی برای طبقه‌بندی و تشخیص این سه گونه می باشد.

Detection of some Tree Species from Terrestrial Laser Scanner Point Cloud Data Using Support-vector Machine and Nearest Neighborhood Algorithms

acquisition field reference data using conventional methods due to limited and timeconsuming data from a single tree in recent years, to generate reference data for forest studies using terrestrial laser scanner data, aerial laser scanner data, radar and Optics has become commonplace, and complete, accurate 3D data from a single tree or reference trees can be recorded. The detection and identification of tree species and their precise spatial information are essential for the management of natural or manmade forests, and urban vegetation covers. Terrestrial laser scanners are active remote sensing sensors that offer the ability for generating highlevel spatial information for forestry and nature conservation applications. A terrestrial laser scanner acquire detailed tree structure even in the subbranch level. Hence, geometric information of the trees can be obtained with high accuracy from the terrestrial laser scanner point cloud data.The proposed process in this paper is to first use the laser data points of the terrestrial laser scanner of three different tree species: Quercus_petraea oak tree, Pinus_massoniana pine tree and Erythrophleum bean tree. geometric parameters of these trees These include extracted tree height, base canopy height, canopy height, canopy volume and tree diameter profiles. For each species, there were 12 single tree point cloud data of terrestrial laser scanner that were processed by the reference paper provider and the leaves of the trees were considered as noise and deleted. After the geometrical parameters of these trees have been extracted, considering these geometrical parameters (9 geometrical parameters) as a feature and using support vector machine algorithms and nearest neighbor classification of these three tree species done. It is worth noting that the accuracy of the methods for extracting the geometric parameters of trees has been evaluated by reference data that were produced non automatically. In classification algorithm support vector machine is implemented in MATLAB programming language and RBF kernel is used for separation of three species and from each 12 point clouds of each species 8 point clouds as training data and 4 point clouds as test data are considered. In classifying the nearest neighbor, the value of K is empirically set when the algorithm is most accurate, and same as the SVM method of the 12 clouds available, 8 clouds are considered as training data and the rest of the clouds as test. One of the prominent goals of this study is to investigate the potential of the SVM and KNN for classificaction of tree species using few geometric features and few training samples.The evaluation results indicate the acceptable achieved accuracy 81% for the SVM algorithm and 74% for the KNN algorithm. In both SVM and KNN methods the accuracy of Q. petraea is 100% because the geometrical and structural features of this species are quite different from the other two species, which is clearly visualized in the images and the difference between the two The other class is completely done. The challenge of this classification relates to the other two species because they have almost identical geometrical parameters.The classification results show that the support vector machine algorithm with less training data performs better than the nearest neighbor algorithm in separating these two tree species.