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

سابقه و هدف: شناسایی و تهیه نقشه پراکنش گونه های گیاهی در مقیاس تک درخت با استفاده از داده های سنجش از دور در مدیریت پایدار جنگل از اهمیت زیادی برخوردار است. از سوی دیگر، امروزه پرنده های هدایت پذیر از دور (پهپادها) امکان تهیه داده های سنجش از دور با تفکیک پذیری مکانی و زمانی بالا را فراهم آورده اند. این امر پایش تک درختان را تسهیل کرده و اطلاعات لازم در مورد ویژگی های کمی و کیفی آنها از جمله نوع گونه را فراهم می آورد. روش های مبتنی بر یادگیری ماشین بستر لازم برای شناسایی گونه های درختی با استفاده از تصاویر رنگی پهپاد را فراهم کرده اند. با این حال این روش ها از صحت بالایی برخوردار نیستند. علاوه بر این، شباهت گیاهان در محدوده مرئی امواج الکترومغناطیسی در تصاویر رنگی پهپاد باعث بروز خطا در شناسایی گونه می شود. بنابراین، پژوهش حاضر با هدف ارزیابی تلفیق تصاویر رنگی و مدل رقومی سطح (DSM) پهپاد و الگوریتم یادگیری عمیق در شناسایی گونه در یک منطقه جنگلی بنه - بادام انجام گرفت. مواد و روش ها: بخشی از توده های بنه – بادام جنگل تحقیقاتی استان فارس با مساحت ۲۴ هکتار برای این منظور انتخاب شد. منطقه مذکور با ۶۴۹ تصویر رنگی با تفکیک پذیری مکانی ۵/۳ سانتیمتر ثبت شده با یک پهپاد فانتوم ۴ پرو در ۱۶ خط پرواز پوشش داده شد. علاوه بر ارتوفتو، از داده های پهپاد DSM منطقه مطالعاتی با تفکیک پذیری مکانی مشابه استفاده شد. DSM با استفاده از روش وزن دهی معکوس فاصله (IDW) تهیه شد. سپس تصاویر رنگی به تنهایی و نیز با تلفیق آنها با DSM در شناسایی درختان بنه و درختچه های بادام با استفاده از الگوریتم شبکه عصبی پیچشی (CNN) مورد مقایسه قرار گرفتند. نتایج با استفاده از معیارهای صحت سنجی (مانند صحت، سطح زیر منحنی (AUC) مشخصه نسبی عملکرد) ارزیابی شدند. یافته ها: نتایج نشان دادند با استفاده از تصاویر رنگی، درختچه های بادام (صحت ۷۷/۰، AUC ۸۲/۰) با صحت تقریبا مشابه درختان بنه (صحت ۷۶/۰، AUC ۸۰/۰) شناسایی شدند. در صورتی که با رویکرد تلفیق تصاویر رنگی و DSM، درختان بنه (صحت ۸۵/۰، AUC ۸۵/۰) با صحت بیشتر نسبت به درختچه های بادام (صحت ۸۱/۰، AUC ۸۳/۰) شناسایی شدند. نقشه نهایی منطقه مطالعاتی از ۴۵۵ درخت بنه و ۱۹۵۱ درختچه بادام تشکیل شد. همچنین تفسیر بصری نتایج نشان داد علیرغم نزدیکی ارزش عددی معیارهای صحت سنجی، شناسایی گونه ها با استفاده از تلفیق تصاویر رنگی و DSM پهپاد از صحت بیشتری برخوردار بودند. نتیجه گیری: به طور کلی، مطالعه حاضر نشان داد تلفیق تصاویر رنگی و DSM پهپاد می تواند منجر به بهبود شناسایی دو گونه درختی بنه و درختچه ای بادام در منطقه مطالعاتی شود. همچنین مطالعه حاضر بر توانایی الگوریتم CNN در تهیه نقشه گونه های گیاهی تاکید دارد.

کلیدواژه ها:

شناسایی گونه های گیاهی ، مشخصه نسبی عملکرد ، فانتوم ۴ پرو ، یادگیری عمیق ، CNN