تشخيص تنش گياهي در عرصه هاي جنگل كاري با استفاده از سنجنده نور مرئي پهپاد (پژوهش موردي: طرح جنگلداري نكاظالمرود)

Recognizing Plant Tension in Plantations b y use of UAVs Visible Light Detector. Case Study: Nekazalemrood Forestry Plan

استفاده از پهپادهاي بسيار سبك و ارزان ­قيمت در تشخيص سلامت جنگل­ كاري ­ها و شناسايي تنش برگ نهال ­ها مي­تواند مانع گسترش آفات و بيماري­ ها شود. دوربين ­هاي چند طيفي بويژه محدوده مادون قرمز، كارايي خوبي در اين زمينه دارند، اما گران هستند. در اين تحقيق از پهپاد عمودپرواز چهار موتوره بسيار سبك داراي دوربين 12 مگاپيكسل محدوده نور مرئي استفاده شد و جهت تشخيص تنش برگ نهال­ هاي جنگل­ كاري خالص افرا پلت، خالص بلوط و مخلوط آنها در نه منطقه يك الي سه هكتاري استفاده شد و پرواز در ارتفاع 40، 70 و 100 متر انجام شد تا كارايي پهپادهاي سبك و ارزان قيمت جهت تشخيص تنش برگ درختان جنگل ­كاري بررسي گردد. طرح پرواز به صورت مسيرهايي با پوشش مشترك عرضي 75 درصد و پوشش مشترك طولي 80 درصد طراحي شد. طبقه ­بندي تصاوير به روش ­هاي نظارت­ شده شبكه عصبي، ماشين بردار پشتيبان، بيشينه شباهت و فاصله ماهالانوبيس صورت گرفت و 25 درصد نمونه­ هاي واقعيت زميني براي بررسي صحت طبقه­ بندي استفاده شد. بارزسازي تصوير به روش اشباع رنگ انجام پذيرفت. در اين مطالعه برخي شاخص ­هاي گياهي محدوده نور مرئي نظير شاخص گياهي (NGRDI) و (EXG) كارايي زيادي براي تشخيص تنش برگ درختان و نهال ­ها نشان داد. همچنين ضريب جفريز-ماتوسيتا 1/81 الي 1/97 و ضريب واگرايي­تبديل­شده 87/1 الي 98/1 بدست آمد. صحت كلي طبقه­ بندي تصاوير به روش ماشين بردار پشتيبان كه بهترين روش در اين تحقيق بود، 83 الي 96/7­ درصد براي كل نمونه­ ها و ضريب كاپا 0/89 الي 0/98 بدست آمد. اين تحقيق قابليت دوربين­ هاي محدوده نور مرئي نصب­ شده بر روي پهپاد را در تشخيص تنش برگ درختان نشان مي­ دهد. بهترين ارتفاع پرواز بين 70 الي 100 متر مي ­باشد و استفاده از روش­هاي بارزسازي تصاوير بويژه روش اشباع رنگ و شاخص ­هاي گياهي محدوده طيف نور مرئي نظير شاخص گياهي (NGRDI) و (EXG) براي تشخيص تنش برگ كارايي اين تصاوير را افزايش مي­ دهد. طراحي سيستم تصويربرداري اتوماتيك متناسب با تغييرات ارتفاعي سطح تاج درختان جهت ممانعت از كاهش سطح همپوشاني حداقل، توصيه مي­ شود.

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 12-megapixel 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 1-3 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 Jeffries-Matusita 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 70-100 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.