خلاصه

این مقاله پایگاه‌های اطلاعاتی پوشش گیاهی ایجاد شده از حسگرهای راه دور، نتایج تحلیل‌های حرکت بین کشوری در جنگل‌ها و کیفیت داده‌های مورد استفاده را مورد مطالعه قرار داد. هدف، ترکیب پایگاه‌های اطلاعاتی مختلف جنگل‌ها و بدست آوردن آمار بهترین داده‌ها با استفاده از روش‌های مختلف ارزیابی بود. قابلیت عبور در جنگل ها عمدتاً با تجزیه و تحلیل رانندگی بین درختان انجام می شود. مناسب ترین مجموعه داده ها در جمهوری چک عبارتند از Forest Economic Plan و Digital Elevation Model 5th نسل همراه با Digital Surface Model 1st. دقت و قابلیت استفاده پایگاه‌های داده با مدل دیجیتالی سطح ایجاد شده از تصاویر ارتوفتو مقایسه شد. پردازش داده ها مهمترین بخشی است که بر کیفیت نتایج آماری و نقشه تاثیر می گذارد. بررسی ویژگی‌های پایگاه‌های داده ورودی و روش‌های کاربردی نیز تأثیر قابل‌توجهی بر نتایج تحلیل قابلیت عبور جنگل دارد. نتیجه برای خودروهای زرهی پرسنل و خودروهای چرخدار عمدتاً به دلیل قابلیت حرکت آنها متفاوت است.

کلید واژه ها:

مدل سطح دیجیتال ; طرح اقتصادی جنگل ; تجزیه و تحلیل قابلیت عبور ; داده های سنجش از دور

1. معرفی

توده‌های جنگلی یکی از مهم‌ترین نوع زمین‌هایی هستند که جنگل‌ها، تیم‌های امداد و نجات و ارتش را در هنگام استفاده از وسایل نقلیه آفرود در شرایط بحرانی مورد توجه قرار می‌دهند. در برخی مناطق، به ویژه با بارندگی کافی، جنگل ها بخش مهمی از زمین هستند. وضعیت مشابه در اروپای مرکزی است، جایی که جنگل ها حدود 30 درصد از قلمرو را پوشش می دهند. همچنین رجوع کنید به مرجع [ 1]. انواع پوشش گیاهی در یک منطقه خاص نیز می تواند نشان دهنده شرایط آب و هوایی، دگرگونی هیدرولوژیکی، سیستم های زهکشی، تامین آب و نوع خاک باشد. پوشش گیاهی می تواند تاکتیک ها، تصمیمات و عملیات نظامی را تحت تأثیر قرار دهد. در مواردی که رانندگان قادر به استفاده از برخی از بخش‌های جاده‌ها (اشیاء آسیب‌دیده یا تخریب شده، ترافیک و غیره) نیستند، باید آنالیزهای کامل حرکت بین‌المللی (CCM) را با در نظر گرفتن همه عوامل اصلی جغرافیایی برای حل حمل‌ونقل ارائه کنند. مشکلات [ 2 ]. عناصر اصلی مورد نیاز برای طبقه بندی و کمی سازی عوامل جغرافیایی CCM عبارتند از:
  • درجات خاص CCM؛
  • نوع شناسی عملی بودن زمین توسط نوع وسایل نقلیه نظامی.
  • عوامل و ویژگی های جغرافیایی با تأثیر قابل توجه بر CCM.
  • سایر عوامل (فنی، پرسنلی، محیطی و غیره).
Warfare 3 درجه اصلی CCM را متمایز می کند، شرایط استاندارد ناتو (سازمان پیمان آتلانتیک شمالی) در پرانتز آمده است:
  • زمین قابل عبور (GO)؛
  • زمین قابل عبور با محدودیت (Slow GO)؛
  • زمین صعب العبور (NO GO).
برنامه ریزان ارتش پوشش گیاهی متراکم را به عنوان یک مانع سخت برای عبور در نظر می گیرند. در نگاهی دقیق تر، اکثر جنگل ها را می توان به عنوان قابل عبور برای برخی از انواع وسایل نقلیه در نظر گرفتن تجزیه و تحلیل دقیق داده های مناسب [ 2 ] واجد شرایط دانست. پایگاه‌های داده مبتنی بر حسگرهای راه دور، انتخاب بهینه معاصر برای تحلیل‌های CCM گسترده با پوشش وسیع و ضبط و پردازش آسان‌تر داده‌های ورودی هستند. زمان برای عملیات نظامی و نجات حیاتی است. از این رو، در دسترس بودن، واقعی بودن و دقت داده ها باید بالاترین اولویت را در هنگام اجرای رویه های تحلیل CCM داشته باشد.
حجم زیادی از ادبیات متمرکز بر عوامل فوق الذکر تحرک بین کشوری وجود دارد. Ahlvin و Haley [ 2 ]، در “مدل تحرک مرجع ناتو”، محاسبه تأثیر عوامل فردی بر حرکت وسایل نقلیه نظامی را توصیف کردند. Cibulova عوامل اصلی تعیین کننده تحرک وسایل نقلیه در شرایط بحران را در مرجع [ 3 ] شرح می دهد. تاثیر اشکال ریزنقشه بر حرکت وسیله نقلیه موضوع مطالعه Dohnal و همکاران است. [ 4 ]. Hošková-Mayerová و همکاران. به تأثیر کیفیت پایگاه داده فضایی بر تجزیه و تحلیل قابلیت عبور زمین توسط وسایل نقلیه نظامی می پردازد [ 5]. تأثیر عوامل جغرافیایی و هواشناسی بر حرکت وسایل نقلیه در محیط باز موضوع مطالعه Hubacek و همکاران است. [ 6 ]. Pokonieczny [ 7 ] روش‌شناسی خاص خود را برای ایجاد خودکار نقشه‌های قابلیت عبور زمین در مقیاس‌های مختلف بر اساس عوامل پوشش چشم‌انداز توسط عناصر جغرافیایی توسعه داد. ریبانسکی یک روش جامع از تأثیر عوامل اصلی جغرافیایی بر سرعت وسایل نقلیه خارج از جاده، از جمله ایجاد نقشه های مصنوعی و استفاده از تجزیه و تحلیل عاملی برای محاسبه سرعت وسیله نقلیه حاصل را تشریح کرد [8 ] . تأثیر عوامل جغرافیایی بر جنبش بین‌المللی (CCM) موضوع مطالعات [ 9 ، 10 ، 11 است.]. شوپ و ال. یک نمای کلی بسیار دقیق از مدل سازی تحرک مناطق سرد در مرجع [ 12 ] ارائه می دهد. روش های کلی برای محاسبه قابلیت عبور زمین به عنوان بخشی از تجزیه و تحلیل میدانی در مرجع [ 13 ] آورده شده است . Stodola و Mazal فرآیند ناوبری وسایل نقلیه زمینی بدون سرنشین خودمختار (UGV) را در مرجع [ 14 ] حل می کنند. مدل‌های مکانیکی زمینی که با تعامل وسیله نقلیه و زمین سروکار دارند در Teheri و همکاران توضیح داده شده‌اند. [ 15 ].
نشریاتی که به ناوبری وسایل نقلیه در زمینه جنگلی می پردازند را می توان به دو گروه تقسیم کرد. گروه اول شامل انتشارات متمرکز بر امکان CCM است [ 2 ، 3 ، 4 ، 5 ، 6 ، 7 ، 8 ، 9 ، 10 ، 11 ، 12 ، 13 ، 14 ، 15.]، گروه دوم شامل انتشاراتی است که امکان استفاده از داده های سنجش از دور را برای تعیین ساختار جنگل (محل درخت، قطر ساقه) ارزیابی می کند. موقعیت درختان مهم ترین عامل برای مدل سازی جهت یابی وسایل نقلیه خارج از جاده است. روش‌های فعلی برای تعیین موقعیت درختان منفرد اساساً مبتنی بر فناوری‌های سنجش از دور با استفاده از فناوری اسکن لیزری هوایی است. اولین کاربرد اسکن لیزری هوابرد (ALS) برای تعیین ارتفاع و تخمین حجم بر اساس درختان توسط Hyyppä و Inkinen در سال 1999 منتشر شد. رجوع کنید به مرجع [ 16]. سایر نشریات مربوطه که جنبه‌های روش‌شناختی و فناوری تعیین ساختار جنگل را توسعه می‌دهند، شامل مطالعاتی با استفاده از الگوریتم‌های تشخیص خودکار درختان در داده‌های اسکنر لیزری است. بلر و همکاران را ببینید. [ 17 ]، لیم و همکاران. [ 18 ]، هیوریچ و همکاران. [ 19 ]، آشوف و اسپیکر [ 20 ]، گوباکن و ناست [ 21 ]، کارسون و همکاران. [ 22 ]، اهلبرگ و همکاران. [ 23 ]، Vauhkonen [ 24 ]، Mikita و همکاران. [ 25 ]، و ریبانسکی و همکاران. [ 26]. برخی از نویسندگان در حال توسعه فناوری‌هایی با استفاده از استراتژی نقشه‌برداری پوشش گیاهی با ترکیب داده‌های LIDAR (تشخیص نور و محدوده) و تصاویر هوایی هستند، به عنوان مثال، سو و همکاران. [ 27 ]. برخی از مطالعات بر روی استفاده از روش های راداری نقشه برداری جنگل متمرکز شده اند، به عنوان مثال، Martone و همکاران. [ 28 ]، کوگلر و همکاران. [ 29 ]، و کازکارا-بس و همکاران. [ 30 ]. این روش‌ها را می‌توان به‌عنوان مثال در شرایط سخت هواشناسی که از فناوری LIDAR برای ناوبری وسایل نقلیه خارج از جاده استفاده نمی‌شود، استفاده کرد. برخی از نشریات بر استفاده از روش های سنجش از دور برای حمایت از مدیریت بحران متمرکز شده اند، به عنوان مثال، گیتاس و همکاران. [ 31 ]، Ambrosia [ 32 ]، و Ambrosia و Zajkowski [ 33].
هدف این مطالعه یافتن و ارزیابی آماری ارتباط بین نتایج تحلیل‌های CCM و کیفیت داده‌های ورودی به‌دست‌آمده با روش‌های اسکن لیزری و فتوگرامتری بود. هدف اولیه، تعیین لایه‌های جنگلی مناسب و ویژگی‌های کلیدی آن‌ها در تجزیه و تحلیل قابلیت عبور جنگل‌ها بود. هدف اصلی تعیین تأثیر کیفیت پایگاه‌های اطلاعاتی جنگل بر نتایج تحلیل‌های CCM بود.

2. روش بررسی

روش اصلی تحقیق بر اساس تجزیه و تحلیل داده‌های موجود جنگل و زمین در جمهوری چک است. دقت و چگالی داده ها جنبه های اصلی مشاهده شده پایگاه های داده مرتبط هستند. روش‌های مورد استفاده در تحقیق با تأثیر ساختار داخلی جنگل بر توانایی خودروهای نظامی برای عبور از این نوع مانع سروکار دارند، به مرجع [ 25 ] مراجعه کنید. داده های ورودی (پایگاه های داده انتخاب شده) باید برای به دست آوردن پارامترهای جنگل پردازش می شدند. اکثر وظایف برای محاسبه قابلیت عبور از فرمول ها و نمودارها در Microsoft Excel 2019 استفاده شده است. ارزیابی داده ها و ایجاد خروجی های نقشه در ArcGIS 10.4.1 پردازش شده است.
منابع کلیدی اطلاعات مورد استفاده در این مطالعه، مقالات تحقیقاتی در مورد جنبش بین کشوری (CCM) منتشر شده توسط گروه جغرافیای نظامی و هواشناسی دانشگاه دفاع در برنو بود. بخشی از مقاله که بر روی جمع‌آوری و پردازش داده‌های سنجش از دور تمرکز دارد بر اساس مطالعات Mikita و همکاران، 2013 [ 25 ]، Rybansky و همکاران، 2016 [ 26 ] و Simon و همکاران، 1998 [ 34 ] است. پایگاه داده های معرفی شده باید برای تجزیه و تحلیل CCM با یک روش تبدیل جدول ویژگی های جنگل پردازش شده باشد. Simon و همکاران، 1998 [ 34]]. تبدیل جدول به معنی تعیین ویژگی های جنگل بر اساس جداول رسمی رشد است، به عنوان مثال، درخت 60 ساله با میانگین ارتفاع 22 متر را می توان به عنوان 1084 تعداد درخت در هکتار تعریف کرد. سپس از تعداد درختان در هکتار برای محاسبه میانگین فاصله درختان برای تجزیه و تحلیل CCM استفاده شد.
تجزیه و تحلیل عبورپذیری در جنگل ها را می توان به روش شناسی رانندگی بین درختان و محاسبه قابلیت غلبه بر تنه درختان تقسیم کرد که برای هدف مطالعه حذف خواهد شد. تجزیه و تحلیل داده ها برای دو نوع مختلف از وسایل نقلیه نظامی انجام شد: خودروی چرخ دار پرسنلی Land Rover Defender 110 (LRD 110) و خودروی ردیابی پرسنل زرهی BVP-2 (bojove vozidlo pechoty – خودروی نظامی پیاده نظام). وظیفه کلی تعیین تأثیر کیفیت داده های مورد استفاده در تجزیه و تحلیل زمین بر فرآیندهای تصمیم گیری فرماندهان و کارکنان با مشخص کردن عدم قطعیت در درصد نتایج نهایی CCM است. رجوع کنید به والا و ریبانسکی، 2001 [ 35]. پایگاه های داده و روش پردازش آنها در دو حوزه انتخاب شده آزمایش شده است. آنها نمونه ای از متداول ترین مناظر در جمهوری چک را نشان می دهند، زمین های غلتشی که تا حدی با جنگلی که عمدتاً از درختان مخروطی تشکیل شده است پوشیده شده است. اولین محل (مختصات 50.307 شمال، 16.217 E)، جنگل باچتین، در قسمت شمال شرقی جمهوری چک است، اندازه آن 2.5 × 1.5 کیلومتر است. فلاتی با اکثریت خاکهای شنی رسی و درختان سوزنی برگ در قسمت جنوبی است. میانگین شیب قسمت جنوبی 5.2 درجه است. قسمت شمالی جنگل دره ای باریک با شیب متوسط ​​11.7 درجه و در بیشتر قسمت ها با خاک های آبرفتی و درختان پهن برگ است. دومین منطقه انتخاب شده (مختصات 49.360 شمالی، 15.440 E)، جنگلی در نزدیکی Dolní Cerekev با اندازه مشابه، در بوهمای جنوبی است. این منطقه از درختان صنوبر بیشتر و درختان پهن برگ کمتری نسبت به اولین منطقه انتخاب شده تشکیل شده است. بیشتر از خاکهای شنی و شنی رسی پوشیده شده است. زمین تپه ای با شیب متوسط ​​13.5 درجه است. نمای کلی انواع درختان در دو منطقه انتخاب شده در استجدول 1 . منطقه دوم به طور کامل با تمام مجموعه داده های آزمایش شده پوشانده نشد. بنابراین، آن را به عنوان مکمل برای تایید نتایج مجموعه از حوزه اول عمل می کند. اکثر درختان در هر دو منطقه از درختان مخروطی هستند، اکثریت قریب به اتفاق درختان در انواع درختان صنوبر هستند. این نشان می دهد که منطقه انتخاب شده Bačetín نماینده آزمایش ویژگی های جنگل است.
ارزیابی کیفیت مجموعه داده‌های جنگل بر اساس مقایسه تجزیه و تحلیل قابلیت عبور برای بخش‌های جداگانه جنگل انتخاب شده است. پارامتر ورودی برای CCM ارتفاع متوسط ​​یک جنگل است. نتایج CCM (این که آیا جنگل قابل عبور است، به سختی قابل عبور یا صعب العبور است) از تبدیل میانگین ارتفاع جنگل جمع آوری شده از هر پایگاه داده به تعداد درختان در هکتار داده می شود.

3. تجزیه و تحلیل روش و داده ها

به منظور ایجاد آمار داده‌های مناسب، سه مجموعه داده مختلف، هر کدام با روش‌های متفاوتی مورد آزمایش قرار گرفته‌اند. اولین مجموعه داده آزمایش شده ترکیبی از مدل‌های ارتفاعی کلیدی در جمهوری چک، مدل دیجیتال ارتفاعی نسل پنجم (DEM5) [ 37 ] و مدل سطح دیجیتال نسل اول (DSM 1G) [ 38 ] است که هر دو دارای شبکه نامنظم نقاط با چگالی کمتر از یک نقطه در هر متر مربع دومین مجموعه داده آزمایش شده، برنامه اقتصادی جنگل (FEP) است. این مناسب ترین داده توده های جنگلی است که توسط موسسه مدیریت جنگل مدیریت می شود [ 39]. هر دو مجموعه داده قبلی بر اساس داده های اسکن لیزری هستند. به منظور متعادل کردن چگالی و واقعی بودن داده ها، باید از داده های مبتنی بر روش فتوگرامتری استفاده شود. سومین مجموعه داده آزمایش شده، مدل سطح دیجیتال (DSM) است که بر اساس تصاویر گرفته شده با پهپاد DJI (شنژن، چین) و پردازش در مدل سطح جنگل باچتین انتخاب شده است. این مدل سطح دیجیتال ایجاد شده از ارتوفوتو به روز و دقیق ترین مجموعه داده مطالعه شده از جنگل است. همه نتایج و نتیجه‌گیری‌ها از یک رابطه با این مجموعه داده تعریف می‌شوند. مراحل روش شناختی پردازش داده ها و آماده سازی آنها برای تجزیه و تحلیل CCM در شکل 1 نشان داده شده است .

3.1. بانک اطلاعات طرح اقتصادی جنگل

اطلاعات از پایگاه داده FEP با روش حجم ترانک پردازش شد. این روش در هیچ نشریه شناخته شده ای توضیح داده نشده است. در نتیجه ویژگی های درختی موجود در پایگاه داده ایجاد شد. این روش از پارامترهای تنه استفاده می کند. هر چند ضلعی در FEP حاوی اطلاعاتی در مورد حجم کل تنه هر نوع درخت و حجم تنه یک درخت از هر نوع است. سپس تعدادی درخت در هکتار با فرمول (1) [ 8 ] محاسبه می‌شود:

نتیاچ=تیVتیVاستی·آآر،

که در آن NTH تعداد درختان در هکتار است، TVT حجم کل درختان در متر مکعب در یک منطقه جنگلی، VST حجم متوسط ​​یک درخت در متر مکعب و AR مساحت یک جنگل در هکتار است. یک فاصله متوسط ​​درخت حاصل با فرمول (2) محاسبه می شود. ربانسکی، 2009 [ 10 ] را ببینید:

متیاس= 40000π·نتیاچ،

که در آن MTS یک فاصله متوسط ​​درختان است، π ثابت است، و NTH تعداد درختان در هکتار است.

3.2. داده ها بر اساس سطح دیجیتال مدل 1 نسل

مجموعه داده مبتنی بر DSM 1G یکی دیگر از منابع داده‌های گیاهی قابل دسترسی و بهره‌برداری است. از میان بسیاری از مقالات منتشر شده در مورد این بخش، دو مورد تا حدی در تحقیق مورد استفاده قرار گرفت. اول ارزیابی دقت DSM 1G است که توسط Cibulka، 2013 [ 24 ] مطالعه شده است. مورد دیگر پردازش DSM 1G برای به دست آوردن ویژگی های جنگل ها و درختان است که بخشی از مطالعه Rybansky و همکاران است. [ 26 ]. پردازش ابر نقاط برای پارامترهای جنگل بر اساس Mikita [ 16 ]، Heurich [ 15 ]، Vauhkonen [ 18 ] و Čeplová [ 28] است.]. روش دیگری برای تعیین ارتفاع یک شی (به عنوان مثال، ساختمان ها) که می تواند برای تشخیص سطح پوشش گیاهی اعمال شود توسط Plowright و همکاران، 2018 [ 40 ] توضیح داده شده است.
پردازش DSM 1G برای تجزیه و تحلیل CCM پیچیده تر از مورد پایگاه داده FEP است. DSM 1G و DTM5 باید در Raster Calculator ترکیب شوند تا ارتفاع جنگل به دست آید. مرحله بعدی تعیین مرزهای صحیح برای تعریف یک ساختار متفاوت در داخل یک جنگل بود. مدل از پیش تعریف شده جنگل در پایگاه داده برداری ملی ZABAGED [ 41 ] به عنوان الگو مورد استفاده قرار گرفت و به صورت دستی با ارزیابی DSM و ارتوفوتو هوایی اصلاح شد تا چند ضلعی های داخلی به درستی مطابقت داشته باشد. مدل حاصل از جنگل با دو روش برای استفاده در تجزیه و تحلیل CCM اصلاح شد.
اولین روش پردازش DSM 1G برای تجزیه و تحلیل CCM، تغییر ارتفاع جنگل به کلاس های ارتفاع است. محاسبه ارتفاع فقط از بالاترین طبقات جنگل برای ایجاد یک روش مناسب برای پردازش DSM 1G بسیار مهم است. انجام این شرط نیاز به پردازش زیر در ArcMap دارد:
(1)
Reclassify – داده های شطرنجی ارتفاعات جنگل را به 5 کلاس طبقه بندی می کند.
(2)
آمار منطقه ای – اکثریت – اکثریت یک کلاس را در مناطق داخلی جنگل محاسبه می کند.
(3)
کمتر از و تهی تنظیم کنید—پیکسل های ارتفاع کمتر (از اکثریت محاسبه شده) جنگل در هر منطقه را پاک می کند.
(4)
آمار منطقه ای-میانگین – ارتفاع متوسط ​​را در هر ناحیه از پیکسل های باقی مانده محاسبه می کند.
اولین روش پردازش ارتفاعات دقیق است، اما پردازش صحیح تمام داده ها نیز از نظر خازنی نیاز دارد. بنابراین، تأثیر تحلیل DSM 1G به CCM بر روی داده‌های پردازش شده با روشی متفاوت مورد آزمایش قرار گرفت.

با روش دوم پردازش DSM 1G، ابزارهای Arc Toolbox Flow Length و Flow Direction برای محاسبه نواحی بالای درختان استفاده شدند [ 42 ]. شکل 2 را ببینید . سپس هر چند ضلعی که یک درخت را نشان می داد به یک نقطه تبدیل شد. در نهایت، MTS به طور مستقیم با فرمول (3) محاسبه شد:

متیاس=نتیاچآآر،

که در آن MTS فاصله متوسط ​​درختان است، NTH تعداد درختان در هکتار و AR مساحتی از یک جنگل در هکتار است.

3.3. مدل سطح دیجیتال ایجاد شده از Orthophoto

داده های تصویری با پهپاد DJI Phantom3 Advanced با استفاده از برنامه ریز پروازها Drone Harmony [ 43 ] ایجاد شد. ارتفاع پرواز 80 متر و تصاویر فقط عمود با همپوشانی 82 درصد در محور x و y تنظیم شد. فایل های ورودی برای پردازش بیشتر 1340 تصویر با وضوح 5 سانتی متر در هر پیکسل می باشد. تصاویر با برنامه WebODM به شکل موزاییک ارتوفتو و مدل سطح دیجیتال (DSM) پردازش شدند. مدل سطح جنگل Bačetín انتخاب شده به عنوان ترکیبی از DSM از orthophoto و DEM5 ایجاد شد. وضوح شطرنجی به دست آمده 40 × 40 سانتی متر است، میانگین خطای ارتفاع 30 سانتی متر است.
گام اول ایجاد مدل جنگل با ترکیب ارتفاعات DSM و DMT5 در ماشین حساب رستر در ArcMap بود. پس از آن، میانگین ارتفاعات هر چند ضلعی داخلی جنگل Bačetín با آمار منطقه ای شطرنجی در ArcMap محاسبه شد. در نهایت، میانگین ارتفاع در هر چند ضلعی با فرمول های MS Excel به MTS دوباره محاسبه شد . مقادیر جدول رشد جنگل از نشریه Forest Economic adjusting [ 36 ] برای اصلاح ارتفاع متوسط ​​به تعدادی درخت در هکتار استفاده شد. فرمول های حاصل برای محاسبه MTS همان فرمول هایی بود که در فرمول 2 توضیح داده شد.

3.4. ارزیابی قابلیت قبولی

برای یافتن مسیر بهینه از میان جنگل باید بدانید: پارامترهای یک وسیله نقلیه، پارامترهای درختان، نقطه شروع و پایان یک مسیر و مناطق صعب العبور. مهمترین پارامترهای یک وسیله نقلیه عرض خودرو ( VW )، طول، شعاع گردش و تحمل ( T ) است [ 10 ]. T حداقل فاصله یک وسیله نقلیه از تنه برای عبور ایمن از بین دو درخت را تعیین می کند. برای ساده‌سازی مدل عبورپذیری، T همچنین جایگزین اثر سایر پارامترهای خودرو (طول، شعاع گردش و غیره) می‌شود. به نوبه خود، پارامترهای درخت به آن دسته از ویژگی هایی اشاره دارد که برای یافتن مسیر بهینه در یک جنگل کلیدی هستند. در این مورد، آن پارامترها مختصات شبیه سازی شده ساقه، فاصله درختی متوسط ​​(MTS )، میانگین قطر در ارتفاع سینه ( MDBH )، میانگین راهرو سواری ( MRC )، و عرض خودرو VW – همه پارامترها بر حسب (m). یک رابطه بین MTS ، MDBH و MRC را می توان با استفاده از فرمول (4) بیان کرد و در شکل 3 نشان داده شده است [ 10 ].

مآرسی=متیاس-مDباچ.

محاسبه قابلیت عبور با MRC و VW را می توان با فرمول (5) [ 10 ] بیان کرد:

تی=مآرسی-Vدبلیو (متر).
مقادیر نتیجه بر اساس این کلید طبقه بندی می شوند:
  • اگر T < 0، پس قابلیت عبور = NO GO;
  • اگر T = ⟨0، 1⟩، پس قابلیت عبور = SLOW GO.
  • اگر T > 1، پس قابلیت عبور = GO.

4. نتایج و بحث

4.1. ارزیابی مرزها در جنگل ها

بخش مهم یک ارزیابی آماری، ایجاد یک نمونه مناسب از داده ها، در این مورد، قرار دادن صحیح مرزها بین مناطق کوچکتر در جنگل است. FEP همه جنگل ها را بر اساس نوع و سن درخت غالب به بخش های فرعی تقسیم می کند. زیرحوزه ها مستقیماً در ارزیابی CCM قرار گرفتند. با این حال، برخی از تغییرات جزئی مرزها به دلیل عدم دقت عمدتاً در مرز بیرونی جنگل اصلی باید به صورت دستی انجام می شد. داده های مبتنی بر DSM باید به صورت دستی به بخش های فرعی تقسیم شوند. با پردازش صحیح و ارزیابی آن، تقسیم بندی می تواند دقیق باشد، اگرچه این فرآیند نسبتاً زمان بر است و در حال حاضر توسط هیچ فناوری خودکار پشتیبانی نمی شود.
مناطق در FEP بزرگتر از مناطق ایجاد شده از DSM هستند. این باعث تعمیم بیشتر آنها می شود و در برخی موارد اطلاعات نادرستی در مورد MTS ارائه می دهد. قرارگیری زیرمناطق و تراکم آنها در جنگل اصلی نتایج بهتری را با روش داده DSM به ارمغان می آورد. از طرف دیگر، کار دستی یک نقطه ضعف روش است. تمایز مناطق کوچکتر با یک روش خودکارتر چندان مؤثر نیست و لزوماً منجر به نتایج دقیق نمی شود.

4.2. ارزیابی پایگاه های داده و روش های پردازش

سه پایگاه داده با روش های مختلف آزمایش شده اند ( شکل 1 را ببینید ). پایگاه داده برداری جنگل‌ها FEP، مدل سطح DSM 1G پردازش شده با دو روش مختلف و مدل DSM سطحی ایجاد شده از ارتوفتو. هر پایگاه داده دارای کیفیت ها و قابلیت استفاده متفاوت در تحلیل های CCM است.

4.2.1. پایگاه داده FEP

FEP تا حد زیادی دقیق ترین پایگاه داده برداری جنگل ها در جمهوری چک است. بیش از همه ارتفاع، ضخامت، سن و حجم درختان را شامل می شود. بزرگترین مزیت این است که ویژگی های پایگاه داده FEP را می توان به طور مستقیم در تجزیه و تحلیل CCM بدون پردازش پیچیده استفاده کرد. یک اشکال، پوشش کوچک قلمرو چک، کمتر از 20٪ است. علاوه بر این، داده ها به طور منظم به روز نمی شوند، که در ترکیب با رشد جنگل ها، نشان دهنده قابلیت اطمینان کمتر پایگاه داده است.
4.2.2. DSM 1G
مهم ترین مزایای DSM 1G چگالی، دقت و پوشش جهانی داده ها است [ 44 ]. از سوی دیگر، داده‌های مبتنی بر اسکن لیزری را می‌توان به عنوان یک اشکال برای روش‌های خاص پردازش داده‌ها به منظور تجزیه و تحلیل CCM درک کرد. اسکن لیزری در منطقه شرق بوهم در سال 2013 به پایان رسید. طبق جداول رشد، درختان جنگل انتخابی در مقایسه با داده های سطحی 7 ساله DSM 1G به طور متوسط ​​2 متر رشد کرده اند. ارتفاع اندازه گیری شده یک جنگل از DSM 1G را می توان با استفاده از جدول رشد به سن درخت، قطر متوسط ​​ساقه و تعدادی درخت در هکتار تبدیل کرد [ 45]. میانگین فاصله درختان را می توان از تعداد درختان در هکتار محاسبه کرد. دقت ارتفاع پوشش گیاهی بیشترین اهمیت را برای تعیین تعداد درخت در هکتار دارد. تأثیر واریانس 3 متری ارتفاع درختان بر ویژگی های جنگل 20 ساله و 60 ساله در جدول 2 نشان داده شده است . واریانس 3 متر با رشد 7 ساله (2 متر) و دقت روش پردازش داده ها (1 متر) داده می شود. سن انتخاب شده جنگل معرف منطقه مورد مطالعه است.
میانگین مقدار MTS در جنگل مورد مطالعه 3.5 متر است. عرض یک وسیله نقلیه نظامی انتخابی BVP-2 3.15 متر است. این 2 مقدار بسیار نزدیک هستند (در محدوده MTSواریانس)؛ بنابراین، دقت ارتفاع جنگل برای تعیین قابلیت عبور و مرور منطقه بسیار مهم است. متغیر ناشناخته دیگر محاسبه ارتفاع متوسط ​​یک جنگل از DSM 1G است. ارتفاع یک جنگل که مستقیماً به عنوان میانگین تمام نقاط سطح جنگل محاسبه می شود کمتر از مقادیر واقعی است. دلیل آن این است که سطح یک جنگل شامل قسمت های پایین درختان و حتی پوشش گیاهی کم است. بنابراین، میانگین ارتفاع محاسبه شده به طور قابل توجهی کمتر است. موضوع دیگر عدم دقت در تعیین حداکثر ارتفاع یک درخت ناشی از تراکم نقاط ایجاد شده توسط اسکن لیزری است. اختلاف ارتفاع ممکن است به 6 متر برسد [ 11 ].
4.2.3. DSM ایجاد شده از Orthophoto
DSM ایجاد شده از orthophoto به دلیل واقعی بودن و سطح جزئیات، مجموعه داده مناسبی برای تجزیه و تحلیل CCM است. نقطه ضعف پردازش پیچیده و زمان بر است. این روش جمع آوری داده ها با اسکن لیزری متفاوت است. در مقایسه با DSM 1G، DSM از orthophoto وضوح بهتری از شطرنجی ارتفاع و دقت مشابهی در ارتفاعات اما ارائه بدتر اشکال دارد. مقایسه در شکل 4 a,b نشان داده شده است.
DSM ایجاد شده از orthophoto را نمی توان با همان روش DSM 1G (تعیین درختان جداگانه) به دلیل جزئیات پایین تر درختان پردازش کرد. این نوع داده ها به دلیل جزئیات کمتر اطلاعات، نمی توانند به طور کامل ابرهای نقطه ای ایجاد شده با روش های اسکن لیزری را جایگزین کنند. با این حال، برای تجزیه و تحلیل CCM برای واقعی بودن آن کافی و حتی مناسب است. جمع آوری و پردازش داده ها که از یک منطقه کوچکتر جمع آوری شده است، دو روز طول می کشد. میزان و زمان کمتر ممکن برای به دست آوردن داده ها معایبی است که مانع از اعمال این داده ها و روش پردازش به طور کلی برای مناطق بزرگتر می شود. با این وجود، داده ها را می توان در تجزیه و تحلیل های محدوده محدود در بیشتر بخش ها در پروژه های تحقیقاتی مورد استفاده قرار داد.
4.2.4. مقایسه پایگاه های داده
برای بررسی اینکه کدام یک از مجموعه داده ها به درستی مقادیر واقعی به روز MTS (یا تعداد درختان در هکتار و ارتفاع آنها) نزدیکتر است، اندازه گیری فتوگرامتری ارتفاع درختان از تصاویر ارتوفتو انجام شد. این ارتفتو توسط پهپاد DJI ایجاد شده است. ویژگی های حاصل از Forest Bačetín که هر پایگاه داده آزمایش شده را نشان می دهد در جدول 3 آمده است. برای مقایسه، DSM 1G با ارتفاع مرتب شده (روش اول پردازش) و DSM 1G بدون ارتفاع مرتب شده گنجانده شده است. این نشان می دهد که DSM 1G بدون ارتفاع مرتب شده نمی تواند برای تجزیه و تحلیل CCM استفاده شود زیرا تعداد درختان آن بیش از حد تخمین زده شده است. DSM 1G مرتب شده دارای مقادیر بسیار نزدیک به دقیق ترین داده های DSM از orthophoto است. FEP نسبت به DSM 1G مرتب نشده به مقادیر واقعی نزدیکتر است. تجزیه و تحلیل دقیق تر نتایج نشان داد که FEP مقادیر بهتری دارد زیرا یک بار، دو سال پس از پایان آخرین اسکن لیزر هوایی، به روز شد. DSM 1G با یک روش پردازش مناسب، چه با مرتب‌سازی ارتفاع یا موقعیت درختان، می‌تواند در تحلیل CCM استفاده شود، حتی اگر روش موقعیت‌های درخت تعداد کل درخت‌ها را دست کم بگیرد. تجزیه و تحلیل جریان، روشی برای پردازش DSM 1G، در تشخیص مطمئن پوشش گیاهی پایین شکست می خورد.
هر دو مجموعه داده آزمایش شده (DSM 1G و FEP) با روش اسکن لیزری در سال 2013 ایجاد شدند. هفت سال رشد ارتفاع درخت را تقریباً 2 متر افزایش می دهد (با توجه به سن متوسط ​​درختان منطقه Bačetín). مقدار در یک جدول رشد تعیین شده و در یک منحنی رشد پردازش شده است [ 46 ]. اختلاف دو متری نشان دهنده 10 درصد خطا در داده های خروجی است. FEP کمی تنظیم شده است زیرا به روز رسانی آن در سال 2015 انجام شد. با این حال، بخش عمده ای از داده ها مبتنی بر اسکن لیزری است و منسوخ شده است. اصلاحات رشد در محاسبات لحاظ نشده است. دقت کلی روش های فردی باید مطابق با واقعی بودن داده های مربوطه اصلاح شود.
داده‌های مبتنی بر اسکن لیزری با پوشش جهانی (جمهوری چک) در جزئیات با اشکال درختان و دقت بهتر است. با این حال منسوخ شده است. داده های مبتنی بر فتوگرامتری واقعی هستند و استفاده از آنها در تحلیل CCM آسان تر است. نکته منفی، پردازش طولانی و پیچیده داده ها است. برای داده های فعلی، کسب از مناطق جنگلی بزرگ و اتوماسیون بعدی پردازش آنها با استفاده از فناوری LIDAR با تراکم رکورد کافی سودمند است. به عنوان مثال، Goodbody et al., 2017 [ 47 ]، Mulverhill و همکاران، 2019 [ 48 ]، یا Point Cloud Technology [ 49 ] را ببینید.

4.3. کیفیت داده ها از تحلیل های CCM ارزیابی شده است

ارزیابی کیفیت داده‌ها، بر اساس مقایسه تحلیل‌های خروجی CCM، به صورت مناطق قابل عبور، به سختی قابل عبور و صعب العبور نمایش داده می‌شود. شکل 5 و شکل 6 را ببینید . داده های ایجاد شده از تصاویر پهپاد به عنوان دقیق ترین و به روزترین مدل عمل می کند. نتایج نشان‌دهنده اختلاف در کیفیت داده‌ها و روش‌شناسی پردازش به کار گرفته شده است. با نتایج فعلی، داده‌های درختی مبتنی بر DSM 1G زمانی که برای تجزیه و تحلیل قابلیت عبور استفاده می‌شود، دقیق‌تر از مجموعه داده‌های FEP است. مشکل در روش جدول محاسبه تعداد درختان در هکتار است. تبدیل بین ارتفاع و NTHبه دلیل پیچیدگی ویژگی های جدول درختان تقریبی است. روش شناسی دقیق تری هنوز ایجاد نشده است. رابطه بین نتایج برای وسایل نقلیه مختلف (با چرخ های سبک و ردیابی زرهی) نسبت یکسانی برای هر دو مجموعه داده دارد، همانطور که در شکل 5 a-h و شکل 6 نشان داده شده است . به طور کلی، تجزیه و تحلیل داده‌های مبتنی بر DSM 1G به این معنی است که بیشتر مناطق برای خودروهای چرخدار سبک قابل عبور هستند و نیمی از مناطق برای خودروهای زرهی قابل عبور هستند. شکل 6 را ببینید . سطح قابل قبولی محاسبه شده هنگام استفاده از FEP به طور قابل توجهی پایین تر است. با این حال، تمایل با وسایل نقلیه مختلف یکسان است.
DSM 1G طبقه بندی شده در 5 کلاس مناسب ترین مجموعه داده برای تجزیه و تحلیل حرکت CCM در ناحیه انتخاب شده است. DSM 1G پردازش شده با تجزیه و تحلیل جریان به موقعیت درختان برای وسایل نقلیه بزرگتر کمتر قابل اعتماد است و منطقه قابل عبور بزرگتر از شرایط واقعی است. داده های جمع آوری شده از FEP دارای مناطق NOGO مشابه برای وسایل نقلیه بزرگتر به عنوان دقیق ترین پایگاه داده DSM ایجاد شده از orthophoto است. از طرفی بالاترین نسبت مناطق قابل عبور را دارد که بدترین نتیجه را دارد. رتبه بندی کلی پایگاه های داده آزمایش شده با توجه به قابلیت استفاده جهانی آنها در تحلیل های CCM به شرح زیر است:
  • DSM 1G به 5 کلاس طبقه بندی شده است.
  • DMS 1G با تجزیه و تحلیل جریان به موقعیت درختان پردازش شده است.
  • پایگاه داده FEP
Orthophoto ایجاد شده DSM در رتبه بندی نیست زیرا این مجموعه داده فقط برای مقایسه کیفیت پایگاه های داده آزمایش شده ایجاد شده است. اگر در رتبه بندی قرار می گرفت در جایگاه آخر قرار می گرفت. با وجود اینکه واقعی ترین و دقیق ترین پایگاه داده است، گستره بسیار محدودی دارد و استفاده جهانی امکان پذیر نیست.
اقدامات و توصیه‌های زیر برای بهبود مجموعه داده‌های مبتنی بر سنجش از دور آزمایش‌شده برای تحلیل‌های CCM باید انجام شود:
  • پایگاه داده FEP دارای پوشش کمی از داده ها در جمهوری چک است و کمتر از 20٪ از جنگل ها را شامل می شود. در حال حاضر، مجموعه داده در سطح جهانی قابل استفاده نیست زیرا برخی از مناطق هیچ اطلاعاتی در مورد جنگل‌ها ندارند. پس از اینکه داده‌ها اکثر قلمرو چک را پوشش می‌دهد، می‌تواند CCM و سایر تحلیل‌های مرتبط با ارزیابی جنگل را ارائه دهد.
  • به روز رسانی منظم ویژگی های جنگل ها در پایگاه داده FEP باید ایمن شود تا از دقت بالاتری اطلاعات اطمینان حاصل شود.
  • DSM 1G در حال منسوخ شدن است. داده‌های صادر شده از DSM 1G باید به درستی پردازش شوند تا از ارتفاع درختان به‌روز شده در قالب اصلاح مقادیر واقعی اطمینان حاصل شود.
  • یک روش مناسب بخش مهمی از پردازش DSM 1G است که در بیشتر موارد، تبدیل از ارتفاع درختان به تعداد درختان در هکتار است. روش های جدیدی برای استفاده از جداول رشد جنگل ها به منظور پردازش DSM باید ایجاد شود.
  • DSM ایجاد شده از orthophoto دقیق و به روز است، با این حال پردازش پیچیده و طولانی آن قابلیت استفاده گسترده تر را محدود می کند. فرآیند جمع‌آوری، پردازش و ارزیابی داده‌ها باید خودکار باشد. در غیر این صورت، زمان و ظرفیت مصرف بیش از حد گسترده است.

5. نتیجه گیری ها

قابلیت عبور از میان جنگل ها جایگزین مناسبی برای حمل و نقل در جاده ها در شرایط بحرانی است. یافته‌های این مطالعه نشان می‌دهد که جنگل‌های مشابه مورد مطالعه (Forest Bačetín) عمدتاً برای اکثر خودروهای نظامی قابل عبور هستند. تجزیه و تحلیل داده ها منجر به انتخاب مجموعه داده های مناسب برای موقعیت های مختلف شد. داده های سنجش از دور به دلیل دقت آنها می توانند در تجزیه و تحلیل CCM استفاده شوند. منسوخ بودن تأثیر کمتری بر خروجی های تحلیل CCM نسبت به روش شناسی پردازش داده ها دارد. تفاوت روش‌شناسی و داده‌های مورد استفاده تأثیر بیشتری بر ارزیابی CCM برای یک وسیله نقلیه زرهی بزرگتر (BVP-2) نسبت به یک وسیله نقلیه زمینی کوچکتر (LRD 110) دارد. آمارهای حاصل نشان می‌دهد که ویژگی‌های خروجی جنگل‌های پردازش‌شده از پایگاه‌های داده آزمایش‌شده را می‌توان برای تحلیل‌های زمین بدون هیچ گونه تنظیمات یا به‌روزرسانی قابل‌توجهی استفاده کرد. از آنجایی که DSM 1G در سال های آینده قدیمی می شود (بیش از 10 سال)، قابلیت اطمینان تجزیه و تحلیل CCM به طور قابل توجهی بدتر خواهد شد و برای انجام چنین کاری باید تنظیمات بیشتری انجام شود. پایگاه داده FEP نتایج دقیقی از تجزیه و تحلیل CCM دارد، با این وجود، پوشش کوچک آن از جنگل ها در جمهوری چک از استفاده جهانی برای تجزیه و تحلیل زمین جلوگیری می کند. بر اساس نتایج به‌دست‌آمده از آزمون کیفیت پایگاه‌های اطلاعاتی از نظر استفاده از آن‌ها برای مدل‌سازی قابلیت عبور واحدهای جنگلی، می‌توان بیان کرد که نمی‌توان به وضوح تشخیص داد که کدام روش جمع‌آوری داده‌ها جهانی است. از نظر خودکارسازی ارزیابی داده ها از مناطق بزرگ، به نظر می رسد سریع ترین روش جمع آوری داده ها با استفاده از فناوری LIDAR باشد. با این حال، این روش ممکن است در مقایسه با ارزیابی فتوگرامتری عکس های هوایی دقت کمتری داشته باشد. علاوه بر این، استفاده از حسگرهای مختلف در پهپادها (وسیله هوایی بدون سرنشین) را می توان با برد و آب و هوا محدود کرد. استفاده از روش های راداری ممکن است تنها روش قابل اجرا برای هدایت خودروهای نظامی و سایر وسایل نقلیه خارج از جاده در شرایط نامساعد جوی (باران، برف، دود و غیره) باشد. همچنین لازم به ذکر است که این مطالعه و روش های کاربردی دارای محدودیت هایی است. این روش ها در عرض های جغرافیایی معتدل بر روی انواع درختان انتخاب شده آزمایش شدند. تعیین پارامترهای درختان سوزنی برگ آسان تر از درختان برگریز و پارامترهای توده های پراکنده نسبت به توده های متراکم است، مثلاً در مورد پوشش گیاهی جوان، یا مثلاً

منابع

  1. هانسن، ام سی; پوتاپوف، PV؛ مور، آر. هنچر، م. توروبانوا، SA; تیوکاوینا، آ. تاو، دی. Stehman، SV; گوتز، اس جی. لاولند، TR; و همکاران نقشه های جهانی با وضوح بالا از تغییر پوشش جنگلی قرن بیست و یکم. Science 2013 ، 342 ، 850-853. [ Google Scholar ] [ CrossRef ] [ PubMed ][ نسخه سبز ]
  2. Ahlvin، RB; هیلی، مدل تحرک مرجع ناتو PW ، ویرایش دوم. راهنمای کاربر NRMM II. TR GL-92-190; ایستگاه آزمایشی مهندسی ارتش ایالات متحده: Vicksburg، MS، ایالات متحده آمریکا، 1992. [ Google Scholar ]
  3. Cibulova، K. تحرک در شرایط بحرانی. مهندس کلید ماتر 2017 ، 755 ، 236-241. [ Google Scholar ] [ CrossRef ]
  4. دونال، اف. هوباچک، م. استورکووا، ام. بورش، م. Šimková، K. شناسایی اشکال ریز نقش برجسته در امتداد اجسام خط بر روی داده های DEM و ارزیابی تأثیر آنها بر حرکت خودرو. در مجموعه مقالات کنفرانس بین المللی فناوری های نظامی 2017 (ICMT)، برنو، جمهوری چک، 31 مه تا 2 ژوئن 2017؛ صص 262-267. [ Google Scholar ]
  5. Hošková-Mayerová، Š. تالهوفر، وی. هافمن، ا. Kubíček، P. کیفیت پایگاه داده فضایی و منابع عدم قطعیت بالقوه. در مدلسازی پویا پیشرفته سیستم های اقتصادی و اجتماعی، مطالعات هوش محاسباتی ; Springer: برلین/هایدلبرگ، آلمان، 2013; جلد 448، ص 127–142. [ Google Scholar ] [ CrossRef ]
  6. هوباچک، م. کوواریک، وی. تالهوفر، وی. ریبانسکی، م. هافمن، ا. Břeňová، M. Čeplová, L. مدل سازی اثرات جغرافیایی و هواشناسی بر حرکت وسیله نقلیه در زمین باز. در منطقه اروپای مرکزی از نظر جغرافیای کنونی ; Masarykova univerzita: برنو، جمهوری چک، 2016; صص 149-159. [ Google Scholar ]
  7. Pokonieczny، K. سیستم تولید نقشه قابلیت عبور خودکار نظامی. در مجموعه مقالات کنفرانس بین المللی فناوری های نظامی 2017 (ICMT)، برنو، جمهوری چک، 31 مه تا 2 ژوئن 2017؛ صص 285-292. [ Google Scholar ]
  8. Rybanský, M. مدلسازی تأثیر عوامل جغرافیایی بر جنبش بین کشوری (به زبان چک). پایان نامه هابیلیتیشن، VA برنو، برنو، جمهوری چک، 2002; پ. 477. [ Google Scholar ]
  9. Rybanský, M. تأثیر عوامل جغرافیایی بر حرکت متقابل کشور در طول عملیات نظامی و بلایای طبیعی. در کنفرانس بین المللی فن آوری های نظامی 2007 ; دانشگاه دفاع: برنو، جمهوری چک، 2007; صص 590-596. شابک 978-80-7231-238-2. [ Google Scholar ]
  10. Rybanský, M. جنبش بین کشورها- تأثیر و ارزیابی عوامل جغرافیایی ; CERM: برنو، جمهوری چک، 2009; پ. 113. شابک 978-80-7204-661-4. [ Google Scholar ]
  11. Rybanský, M. مدلسازی مسیر بهینه وسیله نقلیه در زمین در شرایط اضطراری با استفاده از داده های GIS. در هشتمین سمپوزیوم بین المللی زمین دیجیتال (ISDE8) 2013 ; IOP Conf. سلسله؛ Earth Environmental Science 18 012071: Kuching, Malaysia, 2014. [ Google Scholar ] [ CrossRef ][ Green Version ]
  12. Shoop, SA; ریچموند، PW; Lacombe, J. مروری بر مدل‌سازی تحرک مناطق سرد در CRREL. J. Terramechanics 2016 ، 43 ، 1-26. [ Google Scholar ] [ CrossRef ]
  13. STANAG 3992-AGEoP-1 Terain Analyses, Field Manual No. 5-33 ; ستاد فرماندهی ارتش: واشنگتن، دی سی، ایالات متحده آمریکا، 1990.
  14. استودولا، پ. Mazal, J. موقعیت بهینه و حرکت وسایل نقلیه زمینی بدون سرنشین خودمختار. WSEAS Trans. فرآیند سیگنال 2010 ، 6 ، 68-77. [ Google Scholar ]
  15. طاهری، س. ساندو، سی. طاهری، EP; پینتو، ای. گوریش، دی. یک بررسی فنی بر روی مدل‌های مکانیک زمینی برای تعامل بین تایر و زمین مورد استفاده در مدل‌سازی و شبیه‌سازی وسایل نقلیه چرخدار. J. Terramechanics 2015 ، 57 ، 1-22. [ Google Scholar ] [ CrossRef ]
  16. Hyyppä، J.; Hyyppä، H.; لیتکی، پی. یو، ایکس. هاگرن، اچ. رونهولم، پی. پیسالو، یو. پیتکنن، جی. مالتامو، ام. الگوریتم ها و روش های اسکن لیزری در هوا برای اندازه گیری جنگل. بین المللی قوس. فتوگرام Remote Sens. 2004 , 36 , 82-89. [ Google Scholar ]
  17. بلر، جی. رابین، دی ال. هافتون، MA سنسور تصویربرداری گیاهی لیزری: یک ارتفاع سنج لیزری هوابرد در ارتفاع متوسط، فقط دیجیتالی برای نقشه برداری از پوشش گیاهی و توپوگرافی. ISPRS J. Photogramm. Remote Sens. 1999 , 54 , 115-122. [ Google Scholar ] [ CrossRef ]
  18. لیم، ک. تریتز، پی. ولدر، ام. سنت اونگه، بی. سیل، M. LiDAR سنجش از دور ساختار جنگل. Prog. فیزیک Geogr. محیط زمین. 2003 ، 27 ، 88-106. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  19. هیوریچ، ام. پرسون، ا. هولمگرن، جی. Kennel, E. تشخیص و اندازه‌گیری درختان منفرد با اسکن لیزری در جنگل‌های کوهستانی مرکب اروپای مرکزی با استفاده از الگوریتمی که برای شرایط جنگل‌های شمالی سوئد توسعه یافته است. بین المللی قوس. فتوگرام حسگر از راه دور اسپات. Inf. علمی 2004 ، 36 (Pt 8) ، W2. [ Google Scholar ]
  20. آشوف، تی. الگوریتم های اسپیکر، اچ. برای تشخیص خودکار درختان در داده های اسکنر لیزری. بین المللی قوس. فتوگرام Remote Sens. 2004 ، 36 ، 71-75. [ Google Scholar ]
  21. گوباکن، تی. Næsset، E. اثرات رشد جنگل بر معیارهای تاج پوشش لیزری. بین المللی قوس. فتوگرام Remote Sens. 2004 , 36 , 224-227. [ Google Scholar ]
  22. کارسون، WW; اندرسن، HE; Reutebuch، SE; McGaughey، RJ Lidar برنامه های کاربردی در جنگلداری – یک مرور کلی. در مجموعه مقالات کنفرانس سالانه ASPRS، دنور، CO، ایالات متحده آمریکا، 23-28 مه 2004. [ Google Scholar ]
  23. اهلبرگ، اس. سودرمن، یو. تولت، جی. مدل‌های محیطی با وضوح بالا از داده‌های حسگر 2006. در مجموعه مقالات بهره‌برداری از تصاویر دفاعی 2006، لندن، بریتانیا، 17 تا 18 اکتبر 2006. [ Google Scholar ]
  24. Vauhkonen، J. برآورد ویژگی های تک درختی با اسکن لیزری هوابرد: روش های مبتنی بر هندسه محاسباتی داده های نقطه سه بعدی. Ph.D. پایان نامه، انجمن فنلاند علوم جنگل، دانشگاه هلسینکی، هلسینکی، فنلاند، 2010. [ Google Scholar ]
  25. میکیتا، تی. کلیمانک، ام. Cibulka، M. ارزیابی داده‌های اسکن لیزری هوا برای پارامترهای درخت و مدل‌سازی زمین در محیط جنگل. در Acta Universitatis Agriculturae et Silviculturae Mendelianae Brunensis ; انتشارات دانشگاه مندل: برنو، جمهوری چک، 2013; ص 1339–1347. [ Google Scholar ]
  26. ریبانسکی، ام. Břeňová، M. Čermák، J. ون جندرن، جی. Sivertun، A. تعیین ساختار پوشش گیاهی با استفاده از داده های LIDAR و پارامترهای رشد جنگل. در هشتمین کنفرانس و نمایشگاه بین المللی IGRSM در زمینه سنجش از دور و مکانی، IGRSM 2016. کوالالامپور، مالزی: IOP PUBLISHING LTD، DIRAC HOUSE، TEMPLE BACK، BRISTOL BS1 6BE، ENGLAND ; انتشارات IOP: بریستول، بریتانیا، 2016. [ Google Scholar ]
  27. سو، ی. گوا، کیو. سرخ کردن، DL; کالینز، بی.ام. کلی، م. فلانگان، جی پی؛ نبردها، JJ یک استراتژی نقشه برداری گیاهی برای جنگل های مخروطی با ترکیب داده های هوابرد LiDAR و تصاویر هوایی. می توان. J. Remote Sens. 2015 ، 42 ، 1-15. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  28. مارتون، ام. ریزولی، پی. وکلیچ، سی. گونزالس، سی. Bueso-Bello, J.-L.; والدو، پی. شولزه، دی. زینک، م. کریگر، جی. Moreira, A. نقشه جهانی جنگل/غیر جنگلی از داده های تداخل سنجی SAR TanDEM-X. سنسور از راه دور محیط. 2018 ، 205 ، 352-373. [ Google Scholar ] [ CrossRef ]
  29. کوگلر، اف. شولزه، دی. هاجنسک، آی. پرتزش، اچ. پاپاتاناسیو، KP TanDEM-X Pol-InSAR عملکرد برای تخمین ارتفاع جنگل. IEEE Trans. Geosci. Remote Sens. 2014 , 52 , 6404–6422. [ Google Scholar ] [ CrossRef ]
  30. کازکارا-بس، وی. تلو آلونسو، ام. فیشر، آر. هیم، م. پاپاتاناسیو، KP پایش دینامیک ساختار جنگل با استفاده از توموگرافی L-Band SAR. Remote Sens. 2017 , 9 , 1229. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  31. گیتاس، IZ; پلی کروناکی، ا. کاتگیس، تی. مالینیس، جی. مشارکت سنجش از دور در فعالیت‌های مدیریت بلایا: مطالعه موردی آتش‌سوزی‌های بزرگ در پلوپونز، یونان. بین المللی J. Remote Sens. 2008 ، 29 ، 1847-1853. [ Google Scholar ] [ CrossRef ]
  32. پلت‌فرم‌های سنجش از راه دور Ambrosia، VG UAS برای مدیریت و پاسخ‌گویی اضطراری. منطقه کالیفرنیای شمالی—انجمن فتوگرامتری و سنجش از دور آمریکا (ASPRS)، جلسه فنی: سنجش از دور آتش و تأثیرات اکوسیستم ؛ ASPRS: ساکرامنتو، کالیفرنیا، ایالات متحده آمریکا، 2012. [ Google Scholar ]
  33. آمبروزیا، وی. Zajkowski، T. انتخاب UAS/حسگرهای کلاس مناسب برای پشتیبانی از نظارت بر آتش، تجربیات واقعی در ایالات متحده، کتابچه راهنمای وسایل نقلیه هوایی بدون سرنشین . Valavanis, KP, Vachtsevanos, GJ, Eds. Springer: نیویورک، نیویورک، ایالات متحده آمریکا، 2014; شابک 978-9048197064. [ Google Scholar ]
  34. سیمون، جی. کاداوی، جی. Macků, J. Forest Management (به زبان چک) ; اسکریپت؛ دانشگاه مندل در برنو: برنو، جمهوری چک، 1998. [ Google Scholar ]
  35. والا، م. Rybanský, M. تأثیر امداد بر جنبش بین کشوری توسط وسایل نقلیه نظامی منتخب ; VA Brno: برنو، جمهوری چک، 2001; پ. 84. [ Google Scholar ]
  36. تنظیم اقتصادی جنگل. موسسه مدیریت جنگل Brandýs and Labem. در دسترس آنلاین: https://geoportal.uhul.cz/mapy/mapylho.html (در 24 ژوئن 2020 قابل دسترسی است).
  37. مدل دیجیتالی ارتفاع جمهوری چک از نسل پنجم (DMR5G) ČÚZK. موجود به صورت آنلاین: https://geoportal.cuzk.cz/(S(xg531xtrv3wnozbfp2hdiitu))/Default.aspx?mode=TextMeta&side=vyskopis&metadataID=CZ-CUZKDMR5GV&head_tab=sekce02-gp02 (اگوست 8/8).
  38. مدل سطح دیجیتال جمهوری چک از نسل اول (DMP1G) ČÚZK. در دسترس آنلاین: https://geoportal.cuzk.cz/(S(xg531xtrv3wnozbfp2hdiitu))/ (در 8 اوت 2020 قابل دسترسی است).
  39. طرح اقتصادی جنگل. ÚHÚL. در دسترس آنلاین: https://geoportal.uhul.cz/mapy/mapylho.html (در 16 سپتامبر 2020 قابل دسترسی است).
  40. پلرایت، ا. تورتینی، آر. Coops, N. تعیین طول ویدیوی بهینه برای تخمین ارتفاع ساختمان از طریق اندازه گیری جابجایی شعاعی از فضا. ISPRS Int. J. Geo-Inf. 2018 ، 7 ، 380. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  41. اجزای پلانیمتری/ZABAGED ® -پایه بنیادی داده های جغرافیایی. ČUZK. در دسترس آنلاین: https://geoportal.cuzk.cz/(S(xg531xtrv3wnozbfp2hdiitu))/Default.aspx?mode=TextMeta&text=dSady_zabaged&side=zabaged&menu=24 (در 8 20 اوت در دسترس قرار گرفت).
  42. Čeplová، L. مدلسازی تأثیر زمین و پوشش گیاهی بر حرکت وسایل نقلیه نظامی. Ph.D. پایان نامه، دانشگاه دفاع برنو، برنو، جمهوری چک، 2017. [ Google Scholar ]
  43. DJI. DJI Phantom 3 Advanced، راهنمای شروع سریع [آنلاین]. نوآوری های داجیانگ در دسترس آنلاین: https://dl.djicdn.com/downloads/phantom_3/en/Phantom_3_Advanced_Quick_Start_Guide_V1.2.pdf (در 18 اوت 2020 قابل دسترسی است).
  44. Cibulka، M. دقت مدل‌های ارتفاعی دیجیتال به دست آمده از داده‌های اسکن لیزری هوایی در توده‌های جنگلی (به زبان چک) برنو. پایان نامه، دانشگاه مندل در برنو، برنو، جمهوری چک، 2011. [ Google Scholar ]
  45. چرنی، م. پارز، جی. Malík, Z. جداول رشد و مالیات گونه های اصلی درخت در جمهوری چک (صنوبر، کاج، راش)—به زبان چک ; IFER – موسسه تحقیقات اکوسیستم های جنگلی: Jílové u Prahy، جمهوری چک، 1996; پ. 245. [ Google Scholar ]
  46. چپلوا، ال. Břeňová، M. هوباچک، م. زرزان، پ. Mikita، T. تجزیه و تحلیل احتمالات حرکت وسایل نقلیه در زمین تحت پوشش پوشش گیاهی. در کنفرانس بین المللی فناوری های نظامی ICMT2015 در سال 2015 ؛ دانشگاه دفاع، دانشکده فناوری نظامی: برنو، جمهوری چک، 2015; ص 301-305. شابک 978-80-7231-976-3. [ Google Scholar ]
  47. Goodbody، TRH; کوپس، ن. مارشال، پی. تومپالسکی، پ. Crawford, P. سیستم های هوایی بدون سرنشین برای اهداف فهرست دقیق جنگل: بررسی و مطالعه موردی. برای. کرون 2017 ، 93 ، 71-81. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. مولورهیل، سی. Coops، NC; تومپالسکی، پ. باتر، CW; دیک، AR کاربرد فتوگرامتری زمینی برای ارزیابی حجم درخت و مخروط در جنگل‌های مرکب جنگلی شمالی. ان برای. علمی 2019 , 76 . [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  49. فناوری Point Cloud. در دسترس آنلاین: https://demo.pointcloudtechnology.com/TreeDetection/ (در 19 اکتبر 2020 قابل دسترسی است).
Ijgi 09 00684 g001 550
شکل 1. مراحل روش شناختی پردازش پایگاه های داده انتخاب شده و آماده سازی آنها برای تحلیل تحرک بین کشوری (CCM).
Ijgi 09 00684 g002 550
شکل 2. پردازش داده‌های مبتنی بر مدل سطح دیجیتال (DSM) در Forest Bačetín با ابزار ArcGIS تجزیه و تحلیل جریان، پردازش و برجسته‌سازی درختان (سبز) – روش مستقیم برای شناسایی درختان منفرد. مساحت نمایش داده شده 600 × 500 متر.
Ijgi 09 00684 g003 550
شکل 3. رابطه بین فاصله درخت خاص، قطر در ارتفاع سینه ( DBH )، و راهرو سواری.
Ijgi 09 00684 g004 550
شکل 4. ( الف ). مقایسه شطرنجی های مختلف ارتفاعات انتخابی جنگل باچتین. شطرنجی ایجاد شده از DSM 1G ساختار دقیق تری از جنگل را نشان می دهد که به عنوان مثال با نقاط خالی در سراسر تصویر نشان داده شده است. ( ب ) شطرنجی مبتنی بر DSM ایجاد شده از ارتوفوتو روان‌تر است. با این حال، به دلیل تعمیم سطح، مقادیر گمشده دقیق ارتفاع در داده ها را شامل نمی شود. همان منطقه در هر دو تصویر نمایش داده شده است. دارای ابعاد 200×200 متر
Ijgi 09 00684 g005a 550 Ijgi 09 00684 g005b 550
شکل 5. نقشه قابلیت عبور از جنگل انتخاب شده برای وسیله نقلیه چرخدار سبک (چپ) و وسیله نقلیه ردیابی زرهی (راست)، داده های طرح اقتصادی جنگل مبتنی بر FEP (بالا)، موقعیت های درختی DSM 1G (وسط)، عکس ارتوفتو DMS- داده های مبتنی بر (پایین تر)؛ سبز — GO، نارنجی — SOW GO، قرمز — NO GO مناطق: ( الف ) برای یک وسیله نقلیه چرخدار سبک LRD 110، داده FEP، ( ب ) برای یک وسیله نقلیه چرخدار سبک LRD 110، داده DSM 1G—درخت، ( c ) برای یک وسیله نقلیه چرخدار سبک LRD 110، داده DSM 1G-مرتب شده (5 کلاس)، ( d ) برای یک وسیله نقلیه چرخدار سبک LRD 110، داده DSM از عکس ارتو، ( e ) برای یک وسیله نقلیه ردیابی زرهی BVP-2، داده FEP، ( f ) ) برای وسیله نقلیه ردیابی زرهی BVP-2، داده DSM 1G—درخت، ( g) برای یک وسیله نقلیه ردیابی زرهی BVP-2، داده های DSM 1G-مرتب شده (5 کلاس)، ( h ) برای یک وسیله نقلیه ردیابی زرهی BVP-2، داده DSM از عکس ارتوفوتو.
Ijgi 09 00684 g006 550
شکل 6. نسبت قابلیت عبور جنگل باچتین انتخابی برای خودروی چرخدار سبک لندرور دیفندر 110 (LRD 110) و وسیله نقلیه ردیابی زرهی BVP-2. تجزیه و تحلیل CCM با داده‌های FEP، موقعیت‌های درختی DSM 1G و داده‌های مبتنی بر DSM orthophoto پردازش شد.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید