خلاصه

اسکن لیزری زمینی (TLS) یک نمایش سه بعدی دقیق از ساختارهای جنگلی اطراف را ارائه می دهد. با این حال، به دلیل هندسه روبشی نیمکره ای نزدیک، توانایی تکنیک TLS برای توصیف جامع همه درختان، و به ویژه قسمت های بالایی تاج پوشش جنگل، اغلب محدود است. در این مطالعه، ما بررسی کردیم که چقدر ظرفیت خصوصیات جنگل را می توان در کاج مدیریت شده بهبود بخشید ( Pinus sylvestrisL.) در صورتی که ابرهای نقطه TLS با ابرهای نقطه فتوگرامتری که از بالای سایبان با استفاده از وسیله نقلیه هوایی بدون سرنشین (UAV) به دست می‌آیند، تکمیل می‌شود. در این رویکرد سنجش فاصله نزدیک چندحسی (TLS+UAV)، داده‌های ابر نقطه پهپاد مورد استفاده به ویژه برای توصیف ساختار جنگل عمودی مناسب در نظر گرفته شد و پیشرفت‌هایی در تخمین دقت ارتفاع درخت و همچنین وزن‌دهی سطح پایه در سطح کرت به دست آمد. میانگین ارتفاع (H g ) و میانگین حجم ساقه ( میانگین V ). مهمتر از همه، ریشه میانگین مربعات خطا (RMSE) در Hgاز 0.8 به 0.58 متر و سوگیری از -0.75 به -0.45 متر با رویکرد سنجش فاصله نزدیک چندحسی بهبود یافته است. با این حال، در توده‌های کاج مدیریت‌شده، TLS صرفاً قسمت‌های بالایی تاج پوشش جنگل را به خوبی جذب می‌کند. هر دو روش قادر به استخراج تعداد ساقه، مساحت پایه، میانگین V ، Hg و قطر میانگین وزنی با سطح پایه با RMSE نسبی کمتر از 5.5 درصد برای تمام قطعات نمونه بودند. اگرچه رویکرد سنجش فاصله نزدیک چندحسی عمدتاً توصیف ساختار عمودی جنگل را در شرایط جنگل تک گونه و تک لایه افزایش می‌دهد، نمایش ساختارهای جنگلی پیچیده‌تر ممکن است از ابرهای نقطه‌ای جمع‌آوری‌شده با حسگرهای هندسه‌های اندازه‌گیری متفاوت سود بیشتری ببرد.

کلید واژه ها:

اسکن لیزری زمینی ; هواپیمای بدون سرنشین ; تطبیق تصویر ؛ سنجش از دور ؛ موجودی جنگل

1. معرفی

درختان یکی از مهمترین گیاهان برای بیوسفر زمینی هستند [ 1 ، 2 ]. برای بهبود درک ما از جمعیت درختان در مقیاس های مختلف، بهبود در روش ها و فن آوری ها برای توصیف درختان و جنگل های منفرد مورد نیاز است. این شکاف دانش روش‌شناختی نیز از نظر ساترلند و همکاران در میان مهمترین موضوعات تحقیقات اکولوژیکی ذکر شده است. [ 3 ]. تکنیک‌های سنجش از دور و فاصله نزدیک، پیشرفته‌ترین فناوری‌ها را در نقشه‌برداری و توصیف درختان و جنگل‌ها فراهم می‌کنند [ 4 ، 5 ]]. اسکن لیزری یک تکنیک سنجش از راه دور فعال است که محیط سه بعدی (3 بعدی) را ثبت می کند که میلیاردها نقطه سه بعدی را ارائه می دهد. این نیروی محرکه اصلی توسعه خصوصیات درختان در دو دهه گذشته بوده است [ 6 ، 7 ، 8 ]. یک جایگزین برای اسکن لیزری، رویکردهای تطبیق تصویر [ 9 ، 10 ، 11 ، 12 ] است که همچنین می تواند برای استخراج ابرهای نقطه متراکم با دقت هندسی بالا استفاده شود. ابرهای نقطه‌ای متراکم که با هواپیماها یا وسایل نقلیه هوایی بدون سرنشین (پهپادها) با استفاده از اسکن لیزری یا تطبیق تصویر فتوگرامتری به دست می‌آیند، می‌توانند برای شناسایی تک درختان [ 13 ]، بازسازی ساختارهای تاج سه بعدی استفاده شوند.14 ]، ارتفاع و ابعاد ساقه [ 15 ] را استخراج می کند و ویژگی های درخت مانند گونه، زیست توده و حجم ساقه را پیش بینی می کند [ 16 ، 17 ، 18 ، 19 ].
با این حال، به دلیل شناسایی ناقص درخت و مشخصه‌های نادرست درخت، برخی از ویژگی‌های درخت (به عنوان مثال، قطر ساقه) برای به دست آوردن قابل اعتماد با تکنیک‌های سنجش از دور و فاصله نزدیک چالش‌برانگیز بوده است [ 20 ، 21 ]. در شرایط مختلف جنگل، تنها بخشی از درختان از ابرهای نقطه ای جمع آوری شده در بالای تاج پوشش شناسایی شده اند، زیرا درختان سرکوب شده اغلب مسدود شده اند [ 20 ، 22 ، 23 ]. استفاده از کل اطلاعات ابر نقطه ای، به جای تکنیک های مبتنی بر مدل ارتفاع تاج پوشش (CHM) (نگاه کنید به، به عنوان مثال، [ 24 ]) تشخیص درختان سرکوب شده را بهبود بخشیده است [ 6 ]] اما هنوز یک راه حل قوی وجود ندارد. بخش بیشتری از درختان را می توان از ابرهای نقطه ای زمینی که در زیر یک تاج به دست می آیند شناسایی کرد [ 4 ، 7 ]. اسکن لیزری زمینی (TLS) یک نمایش سه بعدی دقیق از ساختارهای جنگلی اطراف را فراهم می کند، که امکان توصیف خودکار درختان و توده ها را فراهم می کند [ 4 ، 25 ، 26 ]. در مقایسه با روش‌های مرسوم موجودی جنگل، مانند استفاده از کلینومتر برای اندازه‌گیری ارتفاع و کولیس یا نوارهای اندازه‌گیری برای اندازه‌گیری قطر ساقه [ 27 ]، استفاده از ابرهای نقطه‌ای TLS رویکردهای غیرمخرب را برای تخمین نیمرخ و حجم ساقه ممکن می‌سازد [ 28 ، 29 ] ، 30و برای مشخص کردن ساختار شاخه ای از درختان [ 31 ، 32 ] که می تواند مدل سازی زیست توده درخت را بیشتر بهبود بخشد [ 33 ، 34 ]. با این حال، هندسه اسکن نیم‌کره‌ای دور نزدیک اغلب توانایی تکنیک‌های TLS را برای توصیف جامع قسمت‌های بالایی یک تاج جنگل محدود می‌کند [ 4 ، 21 ، 35 ]. بنابراین، چندین متر خطا در برآورد ارتفاع درخت مبتنی بر TLS رایج است [ 21]. علاوه بر این، خطا در تخمین ارتفاع درخت منجر به تخمین اشتباه برای حجم ساقه و میانگین ارتفاع درخت در سطح کرت می شود. علاوه بر این، انسداد به دلیل پوشش گیاهی متراکم زیر رویش، شاخه ها و سایر درختان، مانع از تشخیص خودکار همه درختان می شود (به عنوان مثال، [ 21 ]).
برای غلبه بر چالش‌ها با شناسایی درختان سرکوب‌شده، مشخص کردن تاج پوشش بالایی، و انسداد، داده‌های ابر نقطه‌ای زمینی و هوایی را می‌توان برای بهبود خصوصیات جنگل ترکیب کرد [ 21 ، 36 ، 37 ، 38 ]. در حالی که گرفتن بهتر ساختار تاج پوشش بالایی برای اندازه گیری قابل اطمینان تر ارتفاع درخت، رویکرد چندحسی همچنین می تواند به دلیل هندسه های اندازه گیری متفاوت سنسورهای مورد استفاده، تشخیص درخت را بهبود بخشد. از نظر تئوری، مجموعه کامل‌تری از مشاهدات جنگل باید به برآوردهای بهبود یافته برای ساختار جنگل منجر شود. در سال های اخیر، استفاده از پهپادها به یک گزینه قابل دستیابی برای نظارت بر جنگل در مقیاس کوچک تبدیل شده است [ 18 ، 39 ،40 ، 41 ]. اطلاعات سه بعدی دقیق در مورد ساختار تاج جنگل را می توان حتی با یک پهپاد درجه یک مصرف کننده مجهز به دوربین RGB [ 42 ] و استخراج ابر نقطه ای بعدی با استفاده از تکنیک های پردازش تصویر مانند فتوگرامتری ساختار از حرکت [ 43 ] به دست آورد. سیستم‌های تصویربرداری پهپاد کم‌هزینه می‌توانند اطلاعات تکمیلی را برای نظارت بر جنگل‌های مبتنی بر TLS با قیمتی مقرون‌به‌صرفه فراهم کنند [ 37 ]. در مطالعات قبلی، فتوگرامتری پهپاد به طور موفقیت آمیزی با ابرهای نقطه ای از فتوگرامتری زمینی [ 38 ] و اسکن لیزری [ 37 ] ادغام شده است.]. با این حال، مزایای استفاده از ترکیب TLS و داده‌های ابر نقطه هوایی به جای استفاده از داده‌های TLS به تنهایی در توصیف ساختارهای جنگلی مختلف قبلاً بررسی نشده است.
هدف از این مطالعه بررسی مزایای ترکیب پهپاد فتوگرامتری و ابرهای نقطه‌ای TLS (یعنی رویکرد سنجش فاصله نزدیک چندحسی) برای بهبود دقت تشخیص درختان، اندازه‌گیری ارتفاع درخت و تخمین ویژگی‌های ساختاری جنگل در 27 قطعه نمونه واقع شده است. در جنگل های شمالی مدیریت شده ما فرض می‌کنیم که هندسه‌های اندازه‌گیری متفاوت بین داده‌های ابر نقطه‌ای TLS و پهپاد منجر به توصیف کامل‌تر درختان منفرد و بنابراین، به توصیف کامل‌تر ساختارهای عمودی و افقی کرت‌ها می‌شود. ما عملکرد رویکرد چندحسی را در توصیف جنگل عمودی و افقی با استفاده از رایج‌ترین ویژگی‌های ساختاری جنگل ارزیابی می‌کنیم. تعداد درختان در هکتار (TPH)، سطح پایه (G)،g ) به عنوان معیارهایی برای توصیف ساختار افقی استفاده می شود در حالی که ارتفاع میانگین وزنی سطح پایه (Hg ) معیاری است که ساختار عمودی کرت ها را توصیف می کند. حجم متوسط ​​ساقه (V mean ) یک ویژگی ساختاری جنگل است که هم تحت تأثیر ساختار عمودی و هم از ساختار افقی جنگل است. ما عملکرد رویکرد چندحسی (TLS + UAV) را با عملکرد به‌دست‌آمده با ابرهای نقطه‌ای TLS مقایسه می‌کنیم تا ارزیابی کنیم که آیا تکمیل TLS با ابرهای نقطه هوایی متراکم مفید است یا خیر.

2. مواد و روشها

2.1. مساحت مطالعه و اندازه گیری ویژگی های ساختاری جنگل

مواد مطالعه شامل یک فهرست زمینی در سطح درخت، داده‌های TLS و تصاویر هوایی جمع‌آوری‌شده از 27 قطعه نمونه (900-1200 متر مربع ) واقع در غرفه‌های کاج خالص ( Pinus sylvestris L.) در سه مکان مطالعه در جنوب فنلاند بود: Palomäki و Pollari واقع در Vilppula (62°02′ شمالی 24°29′ شرقی) و Vesijako در Padasjoki (61°21′ شمالی 25°06′ شرقی) ( شکل 1 ). ارتفاع بین 120 تا 150 متر از سطح دریا متغیر است زیرا مجموع دمای معمولی در مناطق مورد مطالعه حدود 1200 روز در روز است. داده های موجودی زمین در سطح درخت شامل 2102 درخت کاج اسکاتلندی بود که با استفاده از کولیس و کلینومتر اندازه گیری شدند [ 27 ، 44 ]] با دقت مورد انتظار 0.3 سانتی متر برای ارتفاع قطر در سینه (dbh) و 0.5 متر برای ارتفاع درخت [ 27 ]. ویژگی‌های ساختاری جنگل در سطح کرت بر اساس گونه‌های درختی و dbh اندازه‌گیری شده و ارتفاع درخت محاسبه شد. مساحت پایه برای هر درخت با در نظر گرفتن سطح مقطع یک درخت به صورت دایره ای محاسبه شد. حجم ساقه برای هر درخت با استفاده از معادله حجمی گونه خاص در سراسر کشور توسط Laasasenaho [ 45 ]، که در آن dbh و ارتفاع درخت به عنوان متغیرهای توضیحی استفاده می شود، برآورد شد. سپس صفات ساختاری جنگل در سطح کرت، به عبارت دیگر TPH، G، Dg، Hg و V به معنیبه عنوان مجموع یا میانگین وزنی سطح پایه متغیرهای تک درختی با توجه به موارد زیر محاسبه شد:

تیپاچ=nآ
جی=∑من=1ngمنآ
Vمترهآn=∑من=1nvمنآ
Dg=∑من=1nدمنgمن∑من=1ngمن
اچg=∑من=1nساعتمنgمن∑من=1ngمن

که در آن n تعداد درختان در یک قطعه نمونه است، A مساحت قطعه نمونه بر حسب هکتار است، g i مساحت پایه درخت i است ، v i حجم ساقه i امین درخت است، d i است. dbh درخت i و h i ارتفاع درخت i است . بر اساس موجودی صحرایی، کرت های نمونه نشان دهنده توده های مدیریت شده و یکنواخت کاج اسکاتلندی بودند که در آن G بین 13.3 و 43.3 متر مربع در هکتار بود، که نشان دهنده تنوع زیادی در ساختار افقی جنگل است ( جدول 1 ). به ترتیب، Hg ، مشخص کننده ساختار عمودی، از 16.9 تا 24.6 متر متغیر است.

2.2. اکتساب و پیش پردازش اسکن لیزری زمینی و ابرهای نقطه فتوگرامتری

داده های ابر نقطه چندحسی شامل ابرهای نقطه TLS و ابرهای نقطه پهپاد فتوگرامتری بود. جمع‌آوری داده‌های TLS با یک اسکنر لیزری سه بعدی Trimble TX5 (Trimble Navigation Limited، ایالات متحده) برای هر سه مکان مطالعه بین سپتامبر و اکتبر 2018 انجام شد (به [ 44 مراجعه کنید)]). هشت اسکن در هر قطعه نمونه قرار داده شد و وضوح اسکن از فاصله نقطه تقریباً 6.3 میلی متر در فاصله 10 متری استفاده شد. کره‌هایی با اندازه ثابت مصنوعی (یعنی قطر 198 میلی‌متر) در اطراف نمودارهای نمونه قرار گرفتند و به‌عنوان اشیاء مرجع برای ثبت هشت اسکن روی یک سیستم مختصات منفرد و تراز استفاده شدند. ثبت با نرم افزار FARO Scene (نسخه 2018) با میانگین خطای فاصله 2.9 میلی متر و انحراف معیار 1.2 میلی متر، میانگین خطای افقی 1.3 میلی متر (انحراف استاندارد 0.4 میلی متر) و میانگین خطای عمودی 2.3 میلی متر انجام شد. (انحراف استاندارد 1.2 میلی متر).
ابرهای نقطه پهپاد با استفاده از یک کوادکوپتر Gryphon Dynamics مجهز به یک سیستم موقعیت یابی پهپاد Applanix APX-15-EI متشکل از یک GNSS چند بانده، یک واحد اندازه گیری اینرسی (IMU)، یک آنتن Harxon HX-CHX600A و دو عدد دیجیتال سونی A7R II بدست آمدند. دوربین‌هایی که دارای سنسور CMOS 42.4 مگاپیکسلی با لنزهای سونی FE 35 میلی‌متری f/2.8 ZA Carl Zeiss Sonnar T* بودند. برای تقویت دیجیتالی شدن سه بعدی درختان [ 46 ] و گنجاندن نقاط کنترل زمینی بیشتر (GCPs) [ 47 ]]، دو دوربین روی زوایای اوج مایل 15+ و 15- درجه در یک قفسه تثبیت شده با پهپاد APX-15 EI نصب شده بودند. تصاویر از طریق نرم‌افزار Timelapse سونی در هر دو ثانیه فعال می‌شوند و سیگنال‌های خروجی کفش داغ دوربین به پهپاد Applanix APX-15-EI ارسال می‌شود تا مکان‌های تصویر برای هر عکس گرفته شود. علاوه بر این، ما راه‌حل‌ها و زوایای GNSS کینماتیک پس از پردازش (PPK) را برای هر دوربین در نرم‌افزار Applanix POSPac UAV (نسخه 8.2، Applanix، کانادا) با استفاده از یک سرویس RINEX از سازمان ملی زمین‌شناسی فنلاند (NLS) محاسبه کردیم که مشاهدات را ارائه می‌دهد. داده های ایستگاه های FinnRef مسیرهای پرواز از جنوب شرقی به شمال غربی در پالوماکی بود ( شکل 2 را ببینید) و سایت های مطالعه پولاری و از شمال شرقی به جنوب غربی در سایت مطالعه Vesijako برای اطمینان از اینکه زاویه خورشید با توجه به جهت مسیر پرواز مطابقت دارد. با ارتفاع پرواز 140 متر و سرعت پرواز 5 متر بر ثانیه، در مجموع 1916 تصویر گرفته شد که منجر به فاصله نمونه برداری از زمین 1.42 تا 1.87 سانتی متر (GSD)، 87٪ تا 90٪ به جلو و 78٪ تا 83٪ شد. همپوشانی جانبی در سطح زمین، بسته به محل مطالعه. در بالای درختان، تغییرات در GSD و همچنین همپوشانی های رو به جلو و جانبی به ترتیب 1.21 تا 1.57 سانتی متر، 84٪ تا 89٪ و 74٪ تا 82٪ بود. هشت GCP دقیقاً برای هر سایت مطالعه با استفاده از گیرنده Topcon Hiper HR RTK GNSS (Topcon، توکیو، ژاپن) اندازه‌گیری شد. پردازش فتوگرامتری با استفاده از نرم افزار Agisoft Metashape Professional [ 48 ] انجام شد.]، به دنبال یک گردش کار پردازش مشابه که در [ 49 ] ارائه شده است. ابرهای نقطه فتوگرامتری با استفاده از تنظیمات کیفیت “بالا” (یعنی استفاده از تصاویر با اندازه پیکسل دو برابر بزرگ‌نمایی شده) و تنظیم فیلتر عمقی “خفیف” برای کاهش نقاط اشتباه و در عین حال حفظ ویژگی‌های کوچک مورد علاقه تا حد امکان، ایجاد شدند. بالای درختان (نگاه کنید به، به عنوان مثال، [ 47 ، 50 ]). در تنظیم بسته نرم افزاری، ریشه میانگین مربعات خطا (RMSEs) 0.29-1.75 سانتی متر برای مختصات X، Y و Z بود. در نتیجه، ابرهای نقطه‌ای متراکم پهپاد با خطای بازپرداخت 0.65-0.70 پیکسل، وضوح ابر نقطه‌ای 3.11-3.53 سانتی‌متر بر پیکسل، و چگالی نقطه‌ای 804-1030 نقطه بر متر مربع ، بسته به محل مورد مطالعه، به‌دست آمدند. .
ابرهای نقطه TLS و UAV برای به دست آوردن مجموعه داده چندحسی نرمال و ثبت شدند ( شکل 3 ). عادی سازی ابر نقطه به طور جداگانه برای ابرهای نقطه TLS و UAV با استفاده از نرم افزار LAStools [ 51 ] انجام شد. ابرهای نقطه TLS به دنبال یک روش مشابه ارائه شده در [ 52 ] عادی شدند، در حالی که یک مدل زمین دیجیتال 2 × 2 متری (DTM) با دقت عمودی مورد انتظار 30 سانتی متر (بررسی ملی زمین فنلاند) در دسترس عموم در هنگام عادی سازی استفاده شد. ابرهای نقطه پهپاد سپس مجموعه داده های نرمال شده ثبت و با استفاده از یک تبدیل صلب سه بعدی ادغام شدند که در آن یک ماتریس تبدیل بر اساس مختصات نقاط اتصال به صورت دستی برای هر نمودار نمونه محاسبه شد.

2.3. استخراج ویژگی‌های ساختاری جنگل با استفاده از اسکن لیزری زمینی و ابرهای نقطه‌ای چندحسی

یک روش پردازش ابر نقطه ای ارائه شده در [ 53 ] در این مطالعه برای تقسیم درختان، طبقه بندی ابرهای نقطه به نقاط ساقه و تاج، و اندازه گیری ویژگی های درخت از ابرهای نقطه استفاده شد ( شکل 3 ). لازم به ذکر است که همان گردش کار پردازشی برای TLS که برای ابرهای نقطه چندحسی (TLS+UAV) استفاده شد. پس از استخراج ویژگی‌های تک درخت، ویژگی‌های ساختاری جنگل با استفاده از معادلات 1-5 از ویژگی‌های درخت جمع‌آوری شدند. روش در زیر به تفصیل توضیح داده شده است.
ابتدا، یک تقسیم‌بندی سایه‌بان مبتنی بر شطرنجی برای تقسیم ابرهای نقطه‌ای به مناطق کوچک‌تر برای سرعت بخشیدن به محاسبات در مراحل بعدی گردش کار پردازش انجام شد ( شکل 3 a). CHM ها با وضوح 20 سانتی متر از ابرهای نقطه نرمال شده با استفاده از نرم افزار LAStools [ 51 ] تولید شدند. ابرهای نقطه پهپاد هنگام تولید CHM ها در رویکرد چندحسی استفاده شد. یک رویکرد فیلتر پنجره متغیر [ 54 ] برای شناسایی ماکزیمم های محلی از CHM ها و سپس یک تقسیم بندی حوضه کنترل شده با نشانگر [ 55 ] برای ترسیم بخش های تاج استفاده شد. در نهایت، ابرهای نقطه بر اساس بخش های تاج استخراج شده با استفاده از رویکرد نقطه در چندضلعی تقسیم شدند.
در این مرحله فرض بر این بود که هر بخش تاج ممکن است حاوی چندین درخت باشد اگر تاج درختان مجاور همپوشانی داشته باشند. این درختان از یکدیگر جدا شدند و ابرهای نقطه‌ای تقسیم‌بندی شده با استفاده از رویکرد طبقه‌بندی ابر نقطه‌ای به نقاط ساقه و نقاط غیر ساقه طبقه‌بندی شدند ( شکل 3 ب). طبقه بندی نقاط بر اساس این فرض کلی بود که نقاط ساقه دارای ویژگی های مسطح، عمودی و استوانه ای بیشتری نسبت به نقاط نشان دهنده شاخه ها و شاخ و برگ هستند [ 30 ، 52 ]]. این ویژگی‌ها با اعمال فیلتر نرمال سطح، خوشه‌بندی ابر نقطه‌ای و فیلتر استوانه‌ای با اجماع نمونه تصادفی (RANSAC) به برش‌های ابر نقطه افقی متمایز شدند. شرح مفصل تر از جداسازی چندین درخت ممکن در بخش های تاج و روش طبقه بندی ابر نقطه ای را می توان در [ 53 ] یافت.
ویژگی های درخت، یعنی dbh، ارتفاع درخت و حجم ساقه، از ابرهای نقطه طبقه بندی شده به شرح زیر استخراج شدند ( شکل 3 ج را ببینید): ارتفاع درخت به عنوان فاصله عمودی بین پایین ترین و بالاترین نقطه برای هر درخت تعیین شد. منحنی مخروطی ساقه با اندازه‌گیری قطرها با برازش دایره‌ای در فواصل عمودی 20 سانتی‌متری به نقاط ساقه برآورد شد. نقاط پرت در مشاهدات قطر-ارتفاع با مقایسه قطرهای اندازه‌گیری شده با میانگین سه قطر قبلی (یا سه قطر نزدیک در انتهای ساقه) فیلتر شدند. سپس یک منحنی اسپلاین مکعبی به مشاهدات قطر-ارتفاع برازش داده شد تا ناهمواری در اندازه‌گیری‌های قطر را تراز کند و قطرهای گمشده را مانند [ 29 ] درون یابی کند.]. سپس یک dbh به عنوان قطر در ارتفاع 1.3 متر از منحنی مخروطی تعریف شد. حجم ساقه با در نظر گرفتن ساقه به عنوان دنباله ای از استوانه های عمودی به ارتفاع 10 سانتی متر و تجمیع آنها برآورد شد. در نهایت، ویژگی‌های ساختاری جنگل در سطح کرت، میانگین TPH ، G ، V، Dg ، Hg ، از ویژگی‌های درختی مطابق با معادلات (1) – (5) محاسبه شد.

2.4. ارزیابی های عملکرد

عملکرد روش‌ها (یعنی فقط TLS و TLS+UAV) برای توصیف ساختار جنگل با مقایسه ارتفاع درخت ناشی از ابر نقطه‌ای برای درختان منفرد و ویژگی‌های ساختاری جنگل در سطح کرت (TPH، G، Dg، H ارزیابی شد . g , V mean ) با موارد اندازه گیری شده میدانی با استفاده از بایاس (میانگین خطا) و RMSE به عنوان معیارهای دقت

بمنآس=∑من=1n(ایکس^من-ایکسمن)n
آرماسE=∑من=1n(ایکس^من-ایکسمن)2n

که در آن n تعداد نمودارهای نمونه است، ایکس^منویژگی درختی یا ویژگی ساختاری جنگلی مشتق شده از ابر نقطه TLS یا چندحسی برای نمودار i است، و ایکسمنویژگی مربوطه بر اساس موجودی میدانی است. علاوه بر این، ضریب تعیین (R2 ) برای توصیف نسبت واریانسی که رویکردهای مبتنی بر ابر نقطه‌ای می‌توانند از ویژگی‌های ساختاری جنگل بگیرند، استفاده شد. دقت تشخیص درخت با محاسبه اینکه چقدر بخش بزرگی از درختان اندازه‌گیری شده در میدان به طور خودکار از ابرهای نقطه‌ای شناسایی می‌شوند و اینکه این درختان چقدر از حجم کل ساقه درخت را نشان می‌دهند، ارزیابی شد.

3. نتایج

هیچ تفاوتی در دقت تشخیص درخت بین استفاده از داده های TLS و ابرهای چندحسی وجود نداشت ( جدول 2 ، شکل 4 ). از مجموع 2102 درخت کاج اسکاتلندی، 2076 (98.8٪) به طور خودکار با هر دو رویکرد شناسایی شدند. حجم ساقه درختان شناسایی شده 99.5 درصد از حجم ساقه همه درختان کاج اسکاتلندی را تشکیل می دهد. به طور متوسط، ارتفاع درخت 0.33 متر (1.7٪) کمتر برآورد شد و RMSE در اندازه گیری ارتفاع درخت 1.47 متر (7.4٪) با رویکرد چند حسی بود. هنگامی که اندازه‌گیری‌ها فقط بر اساس داده‌های TLS بود، دقت کمی کاهش یافت، زیرا ارتفاع درخت 0.65 متر (3.3٪) با RMSE 1.64 متر (8.3٪) دست کم برآورد شد. در TPH، G و D gهنگامی که این ویژگی‌های مشخص‌کننده ساختار افقی جنگل از TLS یا ابرهای نقطه چندحسی مشتق شده‌اند، هیچ تفاوتی در سوگیری یا RMSE وجود نداشت ( جدول 2 ). TPH، G و Dg همه کمی دست کم گرفته شدند (1٪ – 2.5٪)، در حالی که RMSEs برای TPH، G، و Dg به ترتیب 4.8٪، 3.3٪ و 1.5٪ بود. از سوی دیگر، دقت تخمین میانگین Hg و V بین رویکرد TLS فقط و چند حسی متفاوت است. در Hg، بایاس از 0.75- متر (3.6-٪) به -0.45 متر (0.58٪) و RMSE از 0.88 متر (4.3٪) به 0.58 متر (2.8٪) کاهش یافت که رویکرد چندحسی به جای تنها استفاده شد. داده های TLS در V به معنیرویکرد چندحسی RMSE کمی کمتر (12.81٪ در مقابل 14.55٪ از TLS-فقط) در مقایسه با TLS ارائه کرد، اما برآوردها شامل سوگیری بیشتر (4.97٪ در مقابل 0.82٪) بود.

4. بحث

ما بررسی کردیم که اگر ابرهای نقطه TLS با ابرهای نقطه فتوگرامتری که از بالای یک سایبان با استفاده از یک پهپاد (یعنی رویکرد سنجش فاصله نزدیک چندحسی چندحسی) به دست می‌آیند، تکمیل شوند، بررسی کردیم که چقدر ظرفیت توصیف جنگل را می‌توان در جنگل‌های کاج مدیریت‌شده بهبود بخشید. ما فرض کردیم که هندسه‌های اندازه‌گیری مختلف بین داده‌های ابر نقطه TLS و پهپاد منجر به توصیف کامل‌تر تک درختان و بنابراین به توصیف کامل‌تر ساختار جنگل عمودی و افقی می‌شود. ما عملکرد توصیف عمودی و افقی را با استفاده از رایج‌ترین ویژگی‌های ساختاری جنگل ارزیابی کردیم، که در آن TPH، G و Dg نشان‌دهنده تغییرات افقی قطعات کاج اسکاتلندی بودند، در حالی که Hgساختار عمودی آنها را توصیف کرد و میانگین V تحت تأثیر ساختار عمودی و افقی قرار گرفت. نتایج فرضیه ما را تأیید کرد، زیرا ویژگی‌های ساختاری جنگل که مستقیماً با ساختار جنگل عمودی مرتبط است با ابرهای نقطه‌ای چندحسی با دقت بیشتری برآورد شد ( جدول 2).). مزایای اضافی از ابرهای نقطه پهپاد فتوگرامتری در مرحله تقسیم درختی پردازش داده مشاهده شد. با این حال، رویکرد سنجش فاصله نزدیک چندحسی به طور قابل توجهی توصیف ساختار جنگل افقی را در مقایسه با استفاده از تنها ابرهای نقطه TLS بهبود نداد. این یافته تا حدودی غیرمنتظره بود، زیرا هندسه‌های اندازه‌گیری مختلف به تشخیص درخت بهبود یافته منجر می‌شوند، زیرا پیش‌بینی می‌شد درختان مختلف در داده‌های TLS و پهپاد مسدود شوند. اگرچه، باید توجه داشت که قطعه‌های نمونه واقع در توده‌های کاج مدیریت‌شده و در حال حاضر نرخ تشخیص درخت مبتنی بر TLS بهتر از آنچه در اکثر مطالعات در جنگل‌های شمالی گزارش شده بود، بود [ 21 ، 52 ]]. در جنگل‌های پیچیده‌تر، استفاده از داده‌های چندحسی از نظر تئوری باید نرخ تشخیص درخت و بنابراین تخمین TPH، G، Dg و همچنین میانگین V را بهبود بخشد .
تشخیص درخت از ابرهای نقطه TLS تا حد زیادی به جامعیت یک ابر نقطه بستگی دارد. یک شبکه 10 متری بین موقعیت های اسکن داده های یکنواخت را برای توصیف دقیق حتی درختان گرمسیری تولید کرد [ 56 ]. در [ 57 ] گزارش شد که بالاترین نرخ تشخیص درخت 82 درصد با هفت مکان اسکن در راس یک شش ضلعی همراه با اسکن مرکزی در جنگل های معتدل به دست آمد. RMSE تخمین های ارتفاع درخت بین 2.8 و 4.7 متر (13٪-30٪) در [ 21 ] متفاوت است، که به طور قابل توجهی بالاتر از نتایج به دست آمده با داده های TLS فقط در اینجا (یعنی RMSE 1.6 متر) است. البته باید توجه داشت که طراحی اسکن بین این دو مطالعه متفاوت بود (یعنی پنج مکان اسکن در [ 21] و هشت در مطالعه ما) همراه با این واقعیت که کرت های [ 21 ] دارای ترکیب گونه های درختی پیچیده تری در مقایسه با کرت های کاج خالص در این مطالعه بودند. بهبودها برای برآورد TPH، G، Dg، Hg، و V میانگین بین [ 52 ] و مطالعه ما نیز قابل توجه است، که نشان‌دهنده اثر یک ساختار جنگلی و همچنین یک طراحی اسکن در یک توصیف قابل اعتماد از ساختار جنگل است. . اندازه‌گیری‌های خودکار و دستی ارتفاع درخت از ابرهای نقطه‌ای سه‌بعدی به‌دست‌آمده با حسگر لیزری نصب‌شده بر روی یک پهپاد، RMSE ≥10٪ و بایاس ~3٪ را نشان داد [ 58 ]. اگرچه گنجاندن ابرهای نقطه پهپاد فقط کمی RMSE (2.8٪) و سوگیری (-2.2٪) برای Hg ارائه کرد .در مقایسه با تنها داده های TLS (به ترتیب 4.3٪ و 3.6-٪)، در اینجا، RMSE به طور قابل توجهی کمتر از گزارش شده توسط [ 58 ] بود. اگرچه تفاوتی بین حسگرهای پهپاد وجود داشت، تفاوت در ناهمگونی در ساختار جنگلی دلیل اصلی تفاوت بین این دو مطالعه فرض می‌شود.
یک ساختار جنگلی را می توان با استفاده از موجودی های میدانی [ 27 ]، سنجش از فاصله نزدیک [ 4 ، 27 ، 56 ] یا سنجش از دور [ 5 ، 59 ] مشخص کرد.]. در موجودی‌های صحرایی، معمولاً از کولیس برای dbh و کلینومتر برای اندازه‌گیری ارتفاع درخت استفاده می‌شود. اگر موقعیت درختان نقشه برداری شود، به یک سیستم ماهواره ای ناوبری جهانی و یک سرعت سنج نیاز است. موجودی های میدانی می تواند زمان بر باشد، به پرسنل ماهر نیاز دارد و اندازه گیری ها مستعد خطاهای انسانی هستند. با این وجود، موجودی های میدانی اطلاعات قابل اعتمادی را از درختان، اما از تعداد محدودی از ویژگی های درخت (مانند گونه، dbh و ارتفاع) ارائه می دهند. با این حال، فهرست‌های میدان جنگلی اغلب به عنوان مرجعی برای سایر روش‌های توصیف جنگل در نظر گرفته می‌شوند [ 27 ]. فن‌آوری‌هایی مانند اسکن لیزری هوا و تفسیر استریو دیجیتال از تصاویر هوایی (به عنوان مثال، [ 60]) با استفاده از تکنیک‌های سنجش از دور، بهترین‌ها را در توصیف جنگل‌ها ارائه می‌کند، زیرا مناطق و مناظر جنگلی بزرگ را می‌توان با این تکنیک‌ها مشخص کرد. به طور کلی، مشاهدات مستقیم از ویژگی‌های موجودی سنتی جنگل‌ها با این تکنیک‌ها قابل دستیابی نیستند، اما در عوض از مشاهدات ارتفاع تاج، تغییرات ارتفاع، پوشش‌های تاج پوشش، و ویژگی‌های طیفی واحدهای نمونه مشتق می‌شوند [ 60 ]. بنابراین، اطلاعات مرجع از ویژگی‌های مورد علاقه به عنوان مدل‌های پیش‌بینی بین ویژگی‌های مورد علاقه و مشاهدات سنجش از دور مورد نیاز است. محدودیت دیگر مربوط به مقدار درختان شناسایی شده است. به طور معمول، فقط درختان غالب یا درختانی که به سطح تاج پوشش کمک می کنند را می توان شناسایی کرد [ 20 ، 22، 23 ]. فن‌آوری‌های سنجش فاصله نزدیک شامل، اما محدود به TLS و پهپادها نمی‌شوند [ 4 ، 61 ، 62 ] و می‌توانند در توصیف توده‌های جنگلی منفرد یا مناظر جنگلی کوچک استفاده شوند [ 61 ]. اگرچه چندین اسکن TLS از هر توده جنگلی برای ثبت ساختار آن مورد نیاز است. مصرف زمان در سایت با TLS اندکی کمتر از موجودی های میدانی درختی با کولیس و کلینومتر است. با این حال، TLS توصیف کامل تری از یک ساختار جنگلی، به ویژه در زیر ارتفاع پایه تاج ارائه می دهد [ 32]، و اندازه گیری ها عینی هستند. در توده‌های جنگلی متراکم، انسداد ممکن است تعداد مشاهداتی را که از ساقه‌ها و تاج‌ها دریافت می‌شود محدود کند که ظرفیت توصیف جنگل را کاهش می‌دهد [ 4 ، 59 ]. به طور کلی، تعداد اسکن‌هایی که برای تشخیص خودکار هر درخت [ 23 ، 52 ]، شناسایی گونه‌های درختی [ 63 ]، و دست کم‌گرفتن سیستماتیک ارتفاع درخت [ 21 ] مورد نیاز است.] زمانی که از TLS صرف برای توصیف جنگل ها استفاده می شود، گلوگاه های اصلی هستند. فتوگرامتری پهپاد همان محدودیت‌هایی را دارد که فناوری‌های سنجش از راه دور هوابرد، به ویژه نامناسب بودن آن‌ها برای اندازه‌گیری مستقیم ویژگی‌های تک درختی. با این حال، پهپادها نسبت به هواپیماها انعطاف‌پذیری را برای جمع‌آوری داده‌ها و هزینه‌های کمتر پرواز در مناطق کوچک ارائه می‌دهند [ 64 ]]. با توجه به نقاط قوت و ضعف گزینه های فوق برای توصیف جنگل در سطح تک درخت، ترکیب داده های TLS و UAV مفید به نظر می رسد. این بیانیه نیز توسط یافته های ما پشتیبانی می شود. در مقایسه با استفاده از داده‌های TLS، رویکرد چندحسی قادر به بهبود خصوصیات ساختار جنگل بود. در رویکرد چندحسی ما، داده‌های TLS با فتوگرامتری پهپاد تکمیل شد، اما نتیجه مشابهی با هر ابر نقطه اسکن لیزری یا فتوگرامتری قابل مقایسه جمع‌آوری‌شده از سکوهای سرنشین دار یا بدون سرنشین انتظار می‌رود. مزیت روش فتوگرامتری پهپاد این است که هزینه سیستم کم است و عملکرد آن بسیار خودکار است. بنابراین، هزینه ها یا پیچیدگی کمپین های TLS را که به هر حال یک اپراتور در این زمینه حضور دارد، به طور قابل توجهی افزایش نمی دهد. لازم به ذکر است که استفاده از داده های پهپاد را به تنهایی آزمایش نکردیم. با این حال، بر اساس دانش موجود، مشخص شده است که با استفاده از حسگرهای مشابهی که در اینجا مورد استفاده قرار گرفته‌اند، شناسایی کامل درخت و خصوصیات ساقه درخت همچنان چالش برانگیز است.17 ، 65 ].
هدف ما توسعه روش‌ها و فن‌آوری‌هایی بود که می‌توان از آنها برای توصیف درختان منفرد، قطعات جنگلی و حتی بیشتر، برای بهبود درک خود از جمعیت درختان در مقیاس‌های مختلف استفاده کرد. به جای کولیس و کلینومتر، محققان و سازمان های جنگلی بیشتر و بیشتر علاقه مند به استفاده از حسگرهای سنجش از دور دور نزدیک برای توصیف جنگل ها هستند. بر اساس مطالعه ما، ترکیب ابرهای نقطه‌ای که در زیر و بالای یک سایبان با استفاده از TLS و UAV برای توصیف ساختار افقی و عمودی جنگل‌های مدیریت‌شده جمع‌آوری شده‌اند، سودمند است.

5. نتیجه گیری ها

توصیف خودکار جنگل بر اساس داده‌های چندحسی متشکل از پهپاد فتوگرامتری و ابرهای نقطه‌ای TLS با اسکن چندگانه می‌تواند تقریباً تمام درختان کاج اسکاتلندی را در قطعه‌های نمونه شناسایی کند در حالی که تخمین‌های قابل اعتمادی را برای ویژگی‌های ساختاری جنگل ارائه می‌دهد. در مقایسه با استفاده از تنها ابرهای نقطه TLS، بهبود در دقت اندازه گیری ارتفاع درخت و همچنین تخمین میانگین Hg و V هنگامی که پهپاد فتوگرامتری و ابرهای نقطه TLS ترکیب شدند، ثبت شد. با این حال، در جنگل‌های کاج مدیریت‌شده، TLS به تنهایی بخش‌های بالایی تاج پوشش جنگل و اندازه‌گیری ارتفاع درخت و Hg را به خوبی ثبت کرد .تخمین ها به ترتیب با بایاس 0.65 و 0.75 متر فقط اندکی دست کم گرفته شدند. اگرچه افزایش رویکرد چندحسی در توصیف ساختار عمودی قطعات تک گونه و تک لایه کاج اسکاتلندی افزایشی بود، نمایش ساختارهای جنگلی پیچیده ممکن است از ابرهای نقطه ای که با استفاده از حسگرهایی با هندسه های اندازه گیری متفاوت جمع آوری شده اند، بهره بیشتری برد.

منابع

  1. کروتر، TW; گلیک، HB; کاوی، KR; بتیگول، سی. مینارد، دی.اس. توماس، اس ام. اسمیت، جی آر. هینتلر، جی. دوگوید، ام سی; آماتولی، جی. و همکاران نقشه برداری از تراکم درختان در مقیاس جهانی طبیعت 2015 ، 525 ، 201-205. [ Google Scholar ] [ CrossRef ]
  2. Kapos, V. دیدن جنگل از میان درختان. Science 2017 ، 355 ، 347-349. [ Google Scholar ] [ CrossRef ]
  3. ساترلند، WJ; Freckleton، RP; گادفری، HCJ; بیسینگر، اس آر. بنتون، تی. کامرون، دی. کارمل، ی. کومز، دی. کولسون، تی. امرسون، ام سی؛ و همکاران شناسایی 100 سوال اساسی اکولوژیکی. جی. اکول. 2013 ، 101 ، 58-67. [ Google Scholar ] [ CrossRef ]
  4. لیانگ، ایکس. کانکاره، وی. Hyyppä، J.; وانگ، ی. کوکو، ا. هاگرن، اچ. یو، ایکس. کارتینن، اچ. جااکولا، ا. گوان، اف. و همکاران اسکن لیزری زمینی در فهرست جنگل ها ISPRS J. Photogramm. Remote Sens. 2016 ، 115 ، 63-77. [ Google Scholar ] [ CrossRef ]
  5. سفید، JC; Coops، NC; Wulder، MA; واستارانتا، م. هیلکر، تی. Tompalski, P. Remote Sensing Technologies for Enhancing Forest Inventory: A Review. می توان. J. Remote Sens. 2016 ، 42 ، 619-641. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. Hyyppä، J.; یو، ایکس. هایپا، اچ. واستارانتا، م. هولوپاینن، م. کوکو، ا. کارتینن، اچ. جااکولا، ا. واجا، م. کوسکینن، جی. و همکاران پیشرفت در فهرست موجودی جنگل با استفاده از اسکن لیزری هوابرد. Remote Sens. 2012 ، 4 ، 1190-1207. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  7. دانسون، اف ام؛ مورسفورف، اف. Koetz، B. اسکن لیزری هوابرد و زمینی برای اندازه گیری ساختار تاج پوشش گیاهی. در اسکن لیزری برای علوم محیطی ; Heritage, GL, Large, ARG, Eds. Blackwell Publishing Ltd.: Oxford, UK, 2009; ص 201-219. [ Google Scholar ]
  8. Vosselman, G. اسکن لیزری هوابرد و زمینی . CRC PressI Llc: Boca Raton, FL, USA, 2010; ISBN 9781439827987. [ Google Scholar ]
  9. لبرل، اف. ایرشارا، ا. پوک، تی. میکسنر، پی. گروبر، ام. شولز، اس. Wiechert، A. Point Clouds. فتوگرام مهندس Remote Sens. 2010 ، 76 ، 1123-1134. [ Google Scholar ] [ CrossRef ]
  10. بالتساویاس، ای. گرون، ا. آیزنبیس، اچ. ژانگ، ال. Waser, LT تطبیق تصویر با کیفیت بالا و تولید خودکار مدل‌های درخت سه بعدی. بین المللی J. Remote Sens. 2008 ، 29 ، 1243-1259. [ Google Scholar ] [ CrossRef ]
  11. Hirschmuller، H. پردازش استریو دقیق و کارآمد با تطبیق نیمه جهانی و اطلاعات متقابل. در مجموعه مقالات کنفرانس IEEE Computer Society در سال 2005 در مورد دید رایانه و تشخیص الگو (CVPR’05)، سن دیگو، کالیفرنیا، ایالات متحده آمریکا، 20-25 ژوئن 2005. [ Google Scholar ]
  12. وایت، جی. ولدر، ام. واستارانتا، م. کوپس، ن. پیت، دی. Woods, M. The Utility of Image-based Point Clouds for Forest Inventory: مقایسه ای با اسکن لیزری هوابرد. Forests 2013 ، 4 ، 518-536. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  13. Hyyppä، J.; Inkinen, M. تشخیص و تخمین صفات تک درختی با استفاده از اسکنر لیزری. فتوگرام جی. فینل. 1999 ، 16 ، 27-42. [ Google Scholar ]
  14. واکونن، جی. توکولا، تی. پاکالن، پی. Maltamo، M. شناسایی گونه‌های تجاری اسکاندیناوی از درختان منفرد از داده‌های اسکن لیزری هوا با استفاده از معیارهای شکل آلفا. برای. علمی 2009 ، 55 ، 37-47. [ Google Scholar ]
  15. یو، ایکس. Hyyppä، J.; واستارانتا، م. هولوپاینن، م. ویتالا، آر. ISPRS J. Photogramm. Remote Sens. 2011 ، 66 ، 28-37. [ Google Scholar ] [ CrossRef ]
  16. یو، ایکس. Hyyppä، J.; لیتکی، پی. کارتینن، اچ. واستارانتا، م. Holopainen، M. راه حل تک سنسوری برای طبقه بندی گونه های درختی با استفاده از اسکن لیزری هوابرد چند طیفی. Remote Sens. 2017 ، 9 ، 108. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  17. سارینن، ن. واستارانتا، م. ناسی، ر. روسنل، تی. هاکالا، تی. هونکوارا، ای. ولدر، ام. لوما، وی. توماسلی، آ. ایمای، ن. و همکاران ارزیابی تنوع زیستی در جنگل‌های شمالی با ابرهای نقطه فتوگرامتری مبتنی بر پهپاد و تصویربرداری فراطیفی. Remote Sens. 2018 , 10 , 338. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  18. پولیتی، س. داش، جی پی؛ وات، ام اس؛ برایدنباخ، جی. Pearse، GD مقایسه اسکن لیزری پهپاد، فتوگرامتری و اسکن لیزر هوابرد برای فهرست دقیق خواص جنگل های کوچک. برای. بین المللی جی. برای. Res. 2020 ، 93 ، 150-162. [ Google Scholar ] [ CrossRef ]
  19. کانکاره، وی. راتی، ام. یو، ایکس. هولوپاینن، م. واستارانتا، م. کانتولا، تی. Hyyppä، J.; هایپا، اچ. آلهو، پی. Viitala، R. مدل‌سازی زیست توده تک درختی با استفاده از اسکن لیزری هوابرد. ISPRS J. Photogramm. Remote Sens. 2013 ، 85 ، 66-73. [ Google Scholar ] [ CrossRef ]
  20. کارتینن، اچ. Hyyppä، J.; یو، ایکس. واستارانتا، م. هایپا، اچ. کوکو، ا. هولوپاینن، م. هیپکه، سی. هیرشموگل، ام. مورسفورف، اف. و همکاران مقایسه بین المللی تشخیص و استخراج درختان با استفاده از اسکن لیزری هوابرد. Remote Sens. 2012 , 4 , 950–974. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  21. لیانگ، ایکس. Hyyppä، J.; کارتینن، اچ. لهتوماکی، ام. پیورالا، جی. فایفر، ن. هولوپاینن، م. برولی، جی. فرانچسکو، پی. هاکنبرگ، جی. و همکاران معیار بین‌المللی رویکردهای اسکن لیزری زمینی برای موجودی‌های جنگل ISPRS J. Photogramm. Remote Sens. 2018 , 144 , 137–179. [ Google Scholar ] [ CrossRef ]
  22. واکونن، جی. ان، ال. گوپتا، اس. هاینزل، جی. هولمگرن، جی. پیتکانن، جی. سولبرگ، اس. وانگ، ی. ویناکر، اچ. هاگلین، KM; و همکاران آزمایش مقایسه ای الگوریتم های تشخیص تک درخت در انواع مختلف جنگل. جنگلداری 2012 ، 85 ، 27-40. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. وانگ، ی. هایپا، جی. لیانگ، ایکس. کارتینن، اچ. یو، ایکس. لیندبرگ، ای. هولمگرن، جی. Qin، Y.; مالت، سی. فراز، ع. و همکاران معیار بین‌المللی روش‌های تشخیص درخت برای مدل‌سازی ساختار سایبان سه بعدی برای جنگل‌کاری و اکولوژی جنگل با استفاده از اسکن لیزری هوابرد. IEEE Trans. Geosci. Remote Sens. 2016 , 54 , 5011–5027. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. ژن، ز. کواکنبوش، ال. Zhang, L. روندها در تشخیص و ترسیم تاج درخت به طور خودکار – تکامل داده های LiDAR. Remote Sens. 2016 , 8 , 333. [ Google Scholar ] [ CrossRef ][ Green Version ]
  25. نیونهام، جی. آرمستون، جی دی. کالدرز، ک. دیزنی، MI; لاول، جی ال. Schaaf، CB; استراهلر، ق. مارک دانسون، F. اسکن لیزری زمینی برای اندازه‌گیری جنگل در مقیاس. کر. برای. Rep. 2015 , 1 , 239-251. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  26. داسوت، م. ثابت، تی. فورنیر، ام. استفاده از فناوری LiDAR زمینی در علم جنگل: زمینه های کاربردی، مزایا و چالش ها. ان برای. علمی 2011 ، 68 ، 959-974. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  27. لوما، وی. سارینن، ن. ولدر، ام. وایت، جی. واستارانتا، م. هولوپاینن، م. Hyyppä، J. ارزیابی دقت در اندازه‌گیری‌های میدانی متداول ویژگی‌های درختی. Forests 2017 ، 8 ، 38. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  28. اولوفسون، ک. Holmgren, J. شناسایی نمایه ساقه تک درخت با استفاده از داده‌های اسکنر لیزری زمینی، ویژگی‌های برجستگی صافی و ویژگی‌های انحنا. Forests 2016 , 7 , 207. [ Google Scholar ] [ CrossRef ]
  29. سارینن، ن. کانکاره، وی. واستارانتا، م. لوما، وی. پیورالا، جی. Tanhuanpää، T. لیانگ، ایکس. کارتینن، اچ. کوکو، ا. جااکولا، ا. و همکاران امکان سنجی اسکن لیزری زمینی برای جمع آوری اطلاعات حجم ساقه از تک درختان. ISPRS J. Photogramm. Remote Sens. 2017 ، 123 ، 140-158. [ Google Scholar ] [ CrossRef ]
  30. لیانگ، ایکس. لیتکی، پی. هایپا، جی. کارتینن، اچ. واستارانتا، م. Holopainen, M. نقشه برداری خودکار ساقه با استفاده از اسکن لیزری زمینی تک اسکن. IEEE Trans. Geosci. Remote Sens. 2012 , 50 , 661-670. [ Google Scholar ] [ CrossRef ]
  31. راومونن، پی. کاسالاینن، م. اکربلوم، ام. کاسالاینن، اس. کارتینن، اچ. واستارانتا، م. هولوپاینن، م. دیزنی، ام. Lewis, P. مدل‌های درخت دقیق خودکار سریع از داده‌های اسکنر لیزری زمینی. Remote Sens. 2013 ، 5 ، 491-520. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  32. پیورالا، جی. لیانگ، ایکس. سارینن، ن. کانکاره، وی. وانگ، ی. هولوپاینن، م. Hyyppä، J.; Vastaranta، M. ارزیابی ساختار انشعاب برای تخمین کیفیت زیست توده و چوب با استفاده از ابرهای نقطه اسکن لیزری زمینی. می توان. J. Remote Sens. 2018 ، 44 ، 462-475. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  33. کانکاره، وی. هولوپاینن، م. واستارانتا، م. پوتونن، ای. یو، ایکس. Hyyppä، J.; واجا، م. هایپا، اچ. Alho, P. تخمین زیست توده درختی با استفاده از اسکن لیزری زمینی. ISPRS J. Photogramm. Remote Sens. 2013 ، 75 ، 64-75. [ Google Scholar ] [ CrossRef ]
  34. کالدرز، ک. نیونهام، جی. برت، آ. مورفی، اس. راومونن، پی. هرولد، ام. کولونور، دی. آویتابیل، وی. دیزنی، ام. آرمستون، جی. و همکاران برآوردهای غیرمخرب زیست توده بالای زمین با استفاده از اسکن لیزری زمینی روش ها Ecol. تکامل. 2015 ، 6 ، 198-208. [ Google Scholar ] [ CrossRef ]
  35. اشنایدر، FD; کوکنبرینک، دی. Schaepman، ME; Schimel، DS; Morsdorf، F. کمی سازی ساختار سه بعدی و انسداد در جنگل های انبوه استوایی و معتدل با استفاده از LiDAR از برد نزدیک. کشاورزی برای. هواشناسی 2019 ، 268 ، 249-257. [ Google Scholar ] [ CrossRef ]
  36. وانگ، ی. لهتوماکی، ام. لیانگ، ایکس. پیورالا، جی. کوکو، ا. جااکولا، ا. لیو، جی. فنگ، ز. چن، آر. Hyyppä, J. آیا ارتفاع درخت اندازه‌گیری شده در میدان به همان اندازه قابل اعتماد است که تصور می‌شود—مطالعه مقایسه تخمین‌های ارتفاع درخت از اندازه‌گیری میدانی، اسکن لیزر هوایی و اسکن لیزری زمینی در یک جنگل شمالی. ISPRS J. Photogramm. Remote Sens. 2019 ، 147 ، 132-145. [ Google Scholar ] [ CrossRef ]
  37. آیکاردی، آی. دابوو، پ. Lingua، AM؛ پیراس، ام. ادغام بین تکنیک های فتوگرامتری TLS و UAV برای کاربردهای جنگلداری. iForest Biogeosci. برای. 2017 ، 10 ، 41-47. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  38. میکیتا، تی. جاناتا، پ. Surový، P. فهرست پایه جنگلی بر اساس فتوگرامتری ترکیبی فاصله نزدیک هوایی و زمینی. برای. Trees Livelihoods 2016 , 7 , 165. [ Google Scholar ] [ CrossRef ][ Green Version ]
  39. Guerra-Hernández، J. Cosenza، DN; رودریگز، LCE; سیلوا، م. تومه، ام. دیاز-وارلا، RA; González-Ferreiro، E. مقایسه ابرهای نقطه ای با چگالی بالا مشتق از ALS و UAV (SfM) برای تشخیص درختان فردی در مزارع اکالیپتوس. بین المللی J. Remote Sens. 2018 , 39 , 5211–5235. [ Google Scholar ] [ CrossRef ]
  40. کوتیووری، ای. کوکونن، ام. مهتاتالو، ال. مالتامو، ام. کورهونن، ال. Packalen، P. موجودی جنگل برای مناطق کوچک با استفاده از تصاویر هواپیماهای بدون سرنشین بدون اندازه‌گیری میدانی درجا. سنسور از راه دور محیط. 2020 , 237 , 111404. [ Google Scholar ] [ CrossRef ]
  41. والاس، ال. لوسییر، آ. Malenovský، Z. ترنر، دی. Vopěnka، P. ارزیابی ساختار جنگل با استفاده از دو تکنیک UAV: ​​مقایسه اسکن لیزری هوابرد و ساختار از ابرهای نقطه حرکت (SfM). برای. Trees Livelihoods 2016 , 7 , 62. [ Google Scholar ] [ CrossRef ][ Green Version ]
  42. وستوبی، ام جی. براسینگتون، جی. گلسر، NF; هامبری، ام جی; رینولدز، JM فتوگرامتری “ساختار از حرکت”: ابزاری کم هزینه و موثر برای کاربردهای علوم زمین. ژئومورفولوژی 2012 ، 179 ، 300-314. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  43. آلونزو، ام. اندرسن، اچ.-ای. مورتون، دی. کوک، ب. کمی سازی ساختار و ترکیب جنگل های شمالی با استفاده از ساختار پهپاد از حرکت. Forests 2018 , 9 , 119. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  44. سارینن، ن. کانکاره، وی. یرتیما، ت. ویلجانن، ن. هونکوارا، ای. هولوپاینن، م. هایپا، جی. هوسکونن، اس. هاینن، جی. Vastaranta، M. ارزیابی اثرات پویایی توده بر تخصیص رشد ساقه تک درختان کاج اسکاتلندی. bioRxiv 2020 . [ Google Scholar ]
  45. Laasasenaho، J. Männyn، Kuusen Ja Koivun Runkokäyrä- Ja Tilavuusyhtälöt. اشتراک. Inst. برای. فن 1982 ، 108 ، 74. [ Google Scholar ]
  46. جیمز، MR; رابسون، اس. کاهش خطای سیستماتیک در مدل های توپوگرافی مشتق شده از پهپاد و شبکه های تصویری زمینی. زمین گشت و گذار. روند. Landf. 2014 ، 39 ، 1413-1420. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  47. کانلیف، AM; Brazier, RE; اندرسون، ک. تعیین کمیت در مقیاس دانه بسیار ریز ساختار پوشش گیاهی خشکبار با ساختار اکتسابی از پهپاد-از حرکت فتوگرامتری. سنسور از راه دور محیط. 2016 ، 183 ، 129-143. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  48. کتابچه راهنمای کاربر Agisoft Agisoft Metashape نسخه حرفه ای. 2019. در دسترس آنلاین: https://www.agisoft.com/pdf/metashape-pro_1_5_en.pdf (در 6 مه 2020 قابل دسترسی است).
  49. ویلجانن، ن. هونکوارا، ای. ناسی، ر. هاکالا، تی. Niemeläinen، O. Kaivosoja, J. یک روش یادگیری ماشینی جدید برای تخمین زیست توده چمن‌ها با استفاده از مدل ارتفاع تاج پوشش فتوگرامتری، تصاویر و شاخص‌های پوشش گیاهی گرفته شده توسط یک هواپیمای بدون سرنشین. کشاورزی 2018 ، 8 ، 70. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  50. پولیتی، س. اورکا، اچ. گوباکن، تی. Næsset، E. فهرستی از مناطق جنگلی کوچک با استفاده از یک سیستم هوایی بدون سرنشین. Remote Sens. 2015 ، 7 ، 9632–9654. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  51. Isenburg, M. LAStools—نرم افزار پردازش کارآمد LiDAR. 2017. در دسترس آنلاین: https://rapidlasso.com/lastools/ (دسترسی در 6 مه 2020).
  52. یرتیما، ت. سارینن، ن. کانکاره، وی. لیانگ، ایکس. Hyyppä، J.; هولوپاینن، م. Vastaranta، M. بررسی امکان سنجی اسکن لیزری زمینی با اسکن چندگانه برای مشخص کردن جوامع درختی در جنگل های شمالی جنوبی. Remote Sens. 2019 , 11 , 1423. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  53. یرتیما، ت. سارینن، ن. کانکاره، وی. هاینن، جی. هوسکونن، اس. هولوپاینن، م. Hyyppä، J.; Vastaranta، M. عملکرد اسکن لیزری زمینی برای مشخص کردن توده‌های کاج مدیریت شده (Pinus sylvestris L.) به تغییرات ساختاری جنگل بستگی دارد. EarthArXiv 2020 . [ Google Scholar ]
  54. پوپسکو، SC; Wynne، RH دیدن درختان در جنگل. فتوگرام مهندس Remote Sens. 2004 , 70 , 589-604. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  55. Beucher, M. تقسیم بندی مورفولوژیکی ; انتشارات آکادمیک: کمبریج، MA، ایالات متحده آمریکا، 1990. [ Google Scholar ]
  56. ویلکس، پی. لاو، ا. دیزنی، ام. کالدرز، ک. برت، آ. د تاناگو، جی جی; بارتولومئوس، اچ. برید، بی. هرولد، ام. ملاحظات اکتساب داده برای اسکن لیزری زمینی قطعات جنگلی. سنسور از راه دور محیط. 2017 ، 196 ، 140-153. [ Google Scholar ] [ CrossRef ]
  57. گلوب، سی. ریتر، تی. واسرمن، سی. Nothdurft، A. تأثیر موقعیت اسکنر و اندازه قطعه بر دقت تشخیص درخت و تخمین قطر با استفاده از اسکن لیزری زمینی در قطعه‌های موجودی جنگل. Remote Sens. 2019 ، 11 ، 1602. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  58. لیانگ، ایکس. وانگ، ی. پیورالا، جی. لهتوماکی، ام. یو، ایکس. کارتینن، اچ. کوکو، ا. هونکوارا، ای. عیسی، AEI; نوالاینن، او. و همکاران مشاهدات جنگلی در محل با استفاده از هواپیمای بدون سرنشین به عنوان جایگزینی برای اندازه‌گیری‌های زمینی. برای. اکوسیستم. 2019 ، 6 ، 20. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  59. 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 ]
  60. واستارانتا، م. یرتیما، ت. سارینن، ن. یو، ایکس. کارجلاینن، م. نورمینن، ک. کاریلا، ک. کانکاره، وی. لوما، وی. پیورالا، جی. و همکاران اسکن لیزری هوابرد از تکنیک‌های سه بعدی جایگزین در ثبت تغییرات ارتفاع درخت و تراکم جنگل در جنگل‌های شمالی جنوبی بهتر عمل می‌کند. بالت. برای. 2018 ، 28 ، 268-277. [ Google Scholar ]
  61. واستارانتا، م. سارینن، ن. یرتیما، ت. کانکاره، وی. جونتیلا، اس. نظارت بر جنگل ها در فضا و زمان با استفاده از سنجش فاصله نزدیک. پیش چاپ 2020 ، 2020020300. [ Google Scholar ]
  62. کالدرز، ک. Jonckheere، I. بلبل، ج. Vastaranta، M. کاربردهای فناوری سنجش از دور در جنگلداری و REDD. جنگل‌ها 2020 ، 11 ، 188. [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
  63. اکربلوم، ام. راومونن، پی. ماکیپا، آر. Kaasalainen، M. شناسایی خودکار گونه های درختی با مدل های ساختار کمی. سنسور از راه دور محیط. 2017 ، 191 ، 1-12. [ Google Scholar ] [ CrossRef ]
  64. آسن، اچ. هونکوارا، ای. لوسییر، آ. Zarco-Tejada، P. سنجش از دور کمی در وضوح فوق العاده بالا با طیف سنجی پهپاد: مروری بر فناوری حسگر، روش های اندازه گیری، و گردش های کاری تصحیح داده ها. Remote Sens. 2018 , 10 , 1091. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  65. ایمانقلیلو، م. سارینن، ن. مارکلین، ال. روسنل، تی. ناسی، ر. هاکالا، تی. هونکوارا، ای. هولوپاینن، م. Hyyppä، J.; Vastaranta، M. مشخص کردن پایه های نهال با استفاده از ابرهای نقطه فتوگرامتری Leaf-Off و Leaf-On و تصاویر فراطیفی به دست آمده از وسیله نقلیه هوایی بدون سرنشین. Forests 2019 , 10 , 415. [ Google Scholar ] [ CrossRef ][ Green Version ]
Ijgi 09 00309 g001 550
شکل 1. محل سه مکان مطالعه به نام های Palomäki، Pollari و Vesijako.
Ijgi 09 00309 g002 550
شکل 2. خطوط پرواز پهپاد و همچنین مکان‌های نقاط کنترل زمینی (GCPs) و نمودارهای نمونه در بالای یک ارتوموزائیک ارائه شده‌اند که تغییرات ساختاری جنگل را در سایت مطالعه “Palomäki” نشان می‌دهد.
Ijgi 09 00309 g003 550
شکل 3. طرح کلی روش پردازش ابر نقطه: ( الف ) تقسیم بندی تاج، ( ب ) طبقه بندی ابر نقطه، و ( ج ) استخراج ویژگی درختی.
Ijgi 09 00309 g004 550
شکل 4. ضریب تعیین (R2 ) بین مرجع و ویژگی‌های ساختاری جنگل برآورد شده، مانند ارتفاع درختان، درختان در هکتار (TPH)، سطح پایه (G)، قطر میانگین وزنی در سطح پایه (D g )، میانگین وزنی در ناحیه پایه (Hg ) و حجم متوسط ​​ساقه ( میانگین V ) با استفاده از اسکن لیزری زمینی (TLS) و ترکیبی از ابرهای نقطه ای TLS و هواپیمای بدون سرنشین (UAV). مقادیر برآورد شده بر اساس TLS و رویکرد چندحسی (TLS+UAV) و مقادیر مرجع بر اساس موجودی میدانی است. خط مشکی یکپارچه نشان دهنده رابطه 1:1 بین مرجع و مقادیر تخمینی است.

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید