تعيين و تشخيص خودكار تاج درخت در تصوير ديجيتال UltraCam-D

Automated tree crown delineation and detection in UltraCam-D Digital image

اين پژوهش با هدف ارزيابي نتايج اعمال الگوريتم­هاي حداكثر فيلتر محلي، تطبيق الگو و تقسيم­ بندي حوضه بر روي تصوير هوايي UltraCam-D براي تعيين و تشخيص خودكار تاج درختان بلوط ايراني (Quercus brantii Lind) در مقايسه با نتايج حاصل از روش­هاي تفسير چشمي و آماربرداري زميني تاج درختان انجام شده است. پس از پردازش اوليه تصوير، در عرصه­اي با مساحت حدود 10 هكتار در بخشي از پارك جنگلي ياسوج، تعداد 100 پايه درخت بلوط ايراني به روش تصادفي براي انجام اين بررسي انتخاب شد. مساحت تاج درختان با روش تفسير چشمي مشخص و پس از محاسبه به­ عنوان مساحت واقعي در نظر گرفته شد. در روش آماربرداري زميني مساحت تاج و تعداد پايه هر درخت اندازه ­گيري و ثبت شد. همچنين، به ­منظور تعيين و تشخيص خودكار تاج درختان، الگوريتم­ هاي مذكور با برنامه­ نويسي بر روي تصوير مذكور اعمال شدند. نتايج نشان داد كه خطاي جذر ميانگين مربع­ها (RMSE) الگوريتم تقسيم­بندي حوضه در مقايسه با ديگر روش­هاي تعيين مساحت تاج درختان بهتر و معادل 41/2 درصد است. صحت كل و ضريب كاپا به ­دست­ آمده توسط ماتريس خطا براي هر يك از الگوريتم­هاي نشان داد كه دقت الگوريتم تطبيق الگو به­ منظور تشخيص تاج درختان يا به عبارتي تشخيص تك­ پايه يا جست­ گروه بودن درختان نسبت به ديگر الگوريتم­هاي مورد استفاده در اين پژوهش بيشتر است.

This study aimed to evaluate the results of applying Local maximum filtering, Template matching and Watershed segmentation algorithms on aerial image of UltraCam-D to delineate and detect automatically the single tree crowns of Persian Oak (Quercus brantii Lind) in comparison with the results of visual interpretation techniques and the filed measurement method of crown covers. After preprocessing of image, in a terrain with an area of 10 ha inside Yasooj forest park, 100 trees of Persian oak were selected randomly. The crown area of the selected trees was determined and calculated using visual interpretation and was accepted as the control data. Using the field inventory, the areas of the tree crowns were measured and the numbers of sprouts in each coppice form were counted. Using the field inventory, the areas of crowns of trees were measured and the numbers of sprouts in each coppice form were counted and recorded. Moreover, to delineate and recognize the crown of trees automatically, using programming, the Local maximum filtering, Template matching and Watershed segmentation algorithms, were applied on the mentioned image. The results showed that the accuracy of Watershed segmentation algorithm is better than the method of field measurement and it was 2.41 percent of the control method. Total accuracy and kappa coefficient obtained by error matrix algorithms for each algorithms of Local maximum filtering, Watershed segmentation and Template matching showed that Template matching algorithm was more accurate to detection crowns, or in other words, to detect single base or coppice trees than other algorithms used in this study.