تشخیص تنش گیاهی در عرصه های جنگل کاری با استفاده از سنجنده نور مرئی پهپاد (پژوهش موردی: طرح جنگلداری نکاظالمرود)گلداری نکاظالمرود)

استفاده از پهپادهای بسیار سبک و ارزان قیمت در تشخیص سلامت جنگل کاری ها و شناسایی تنش برگ نهال ها می تواند مانع گسترش آفات و بیماری ها شود. دوربین های چند طیفی بویژه محدوده مادون قرمز، کارایی خوبی در این زمینه دارند، اما گران هستند. در این تحقیق از پهپاد عمودپرواز چهار موتوره بسیار سبک دارای دوربین 12 مگاپیکسل محدوده نور مرئی استفاده شد و جهت تشخیص تنش برگ نهال های جنگل کاری خالص افرا پلت، خالص بلوط و مخلوط آنها در نه منطقه یک الی سه هکتاری استفاده شد و پرواز در ارتفاع 40، 70 و 100 متر انجام شد تا کارایی پهپادهای سبک و ارزان قیمت جهت تشخیص تنش برگ درختان جنگل کاری بررسی گردد. طرح پرواز به صورت مسیرهایی با پوشش مشترک عرضی 75 درصد و پوشش مشترک طولی 80 درصد طراحی شد. طبقه بندی تصاویر به روش های نظارت شده شبکه عصبی، ماشین بردار پشتیبان، بیشینه شباهت و فاصله ماهالانوبیس صورت گرفت و 25 درصد نمونه های واقعیت زمینی برای بررسی صحت طبقه بندی استفاده شد. بارزسازی تصویر به روش اشباع رنگ انجام پذیرفت. در این مطالعه برخی شاخص های گیاهی محدوده نور مرئی نظیر شاخص گیاهی (ngrdi) و (exg) کارایی زیادی برای تشخیص تنش برگ درختان و نهال ها نشان داد. همچنین ضریب جفریزماتوسیتا 1.81 الی 1.97 و ضریب واگرایی تبدیل شده 1.87 الی 1.98 بدست آمد. صحت کلی طبقه بندی تصاویر به روش ماشین بردار پشتیبان که بهترین روش در این تحقیق بود، 83 الی 96.7 درصد برای کل نمونه ها و ضریب کاپا 0.89 الی 0.98 بدست آمد. این تحقیق قابلیت دوربین های محدوده نور مرئی نصب شده بر روی پهپاد را در تشخیص تنش برگ درختان نشان می دهد. بهترین ارتفاع پرواز بین 70 الی 100 متر می باشد و استفاده از روش های بارزسازی تصاویر بویژه روش اشباع رنگ و شاخص های گیاهی محدوده طیف نور مرئی نظیر شاخص گیاهی (ngrdi) و (exg) برای تشخیص تنش برگ کارایی این تصاویر را افزایش می دهد. طراحی سیستم تصویربرداری اتوماتیک متناسب با تغییرات ارتفاعی سطح تاج درختان جهت ممانعت از کاهش سطح همپوشانی حداقل، توصیه می شود.

Recognizing Plant Tension in Plantations by use of UAVs Visible Light Detector.(Case Study: Nekazalemrood Forestry Plan)

The use of lightweight and cheap UAVs to detect the health of forests and identify the tension of planted can be useful to prevent the spread of pests and diseases. In the present research, a lightweight quadcopter drone with a 12megapixel camera, visible light range was used. This UAV was emploied to detect leaf tension of pure Quercus Castanifolia plantation, pure Acer Velutinum and their mixture in nine sample with 13 hectares. Flight at altitudes of 40, 70 and 100 meters was used to determine UAV ability for detecting areas plantations tension. The flight plan was designed in the form of 75% latitude coverage and 80% longitudinal coverage. Supervised classification such as Neural Net, Support Vector Machine (SVM), Maximum Likelihood and Mahalanobis Distance algorithms are used and 25% of samples were used to check the classification accuracy. Visible color saturation image and some vegetation indices such as vegetation index (NGRDI) and (EXG), has great potential for detecting leaf tension in trees and seedlings. The JeffriesMatusita coefficient ranged from 1.81 to 1.97, and the Transformed Divergence was 1/87 to 1.98, indicating the degree of separation of educational samples. The overall accuracy of Support Vector Machine (SVM) algorithm as best method was 83 to 96.7 percent for all samples and the kappa coefficient was 0.89 to 0.98. The results revealed the high capability of visibility light sensor cameras mounted on a UAV in detecting tree leaf tension. The best flight height is between 70100 M. Using image enhancement techniques, especially color saturation and vegetation indices, the range of visible light spectrum such as vegetation index (NGRDI) and (EXG) to detect leaf tension increase the effectiveness of these images. Design of an automatic imaging system adapted to the altitude variation of the tree crown is recommender in order to prevent a minimum level of overlapping.