برآورد مشخصه‌هاي كمي تك درختان جنگلي با استفاده از داده‌هاي ليزر اسكنر هوايي در بخشي از جنگل‌هاي شصت كلاته گرگان

Estimation of the Some Quantitative Characteristics of Individual tree Using Airborne Laser Scanning Data in part of Shast-Kalate forests of Gorgan

سابقه و هدف: در اين تحقيق قابليت داده‌هاي ليزر اسكنر هوايي در برآورد ارتفاع، حجم، رويه زميني، قطر برابر سينه و مساحت تاج پوشش تك درختان جنگلي در بخشي از جنگل‌هاي پهن‌برگ شصت كلاته گرگان مورد ارزيابي قرار گرفت. مواد و روش‌ها: در اين مطالعه 125 پايه‌ي درختي از درختان كه داراي تاج مستقل بودند و تداخل تاجي با پايه‌هاي مجاور نداشتند انتخاب شد. اطلاعات نوع گونه، ارتفاع، قطر بزرگ و قطر كوچك تاج هر درخت اندازه‌گيري و سپس ارتفاع درختان با استفاده از دستگاه ورتكس ليزري اندازه‌گيري شد و موقعيت مراكز درختان با استفاده از دستگاه سيستم موقعيت ياب تفاضلي برداشت گرديد. پس از جداسازي مرز تاج پوشش تك درختان و تهيه پلي‌گون مرز آن‌ها از تصاوير دوربين رقومي هوايي UltraCam-D، داده‌هاي ليزر اسكنر هوايي براي هر درخت جدا و تمامي شاخص‌هاي ارتفاعي و تراكمي داده‌هاي ليزر اسكنر هوايي براي آنها محاسبه گرديد. سپس با استفاده از الگوريتم‌هاي ناپارامتريك (RF، k-NN، SVR و ANN) و رگرسيون چند متغييره مشخصه‌هاي ارتفاع، حجم، رويه زميني، قطر برابر سينه و مساحت تاج پوشش تك درختان جنگلي مدلسازي شدند. يافته‌ها: نتايج حاصل از روابط رگرسيوني و الگوريتم‌هاي ناپارامتريك بين ارتفاع، حجم، رويه زميني، قطر برابر سينه و مساحت تاج پوشش درختان اندازه‌گيري شده با استخراج‌شده از داده‌هاي ليزر اسكنر هوايي نشان داد كه درصد ميانگين مجذور مربعات خطا و انحراف معيار از تفاوت‌هابراي مشخصه‌هاي ارتفاع، حجم، رويه زميني، قطر برابر سينه و مساحت تاج پوشش تك درختان با استفاده از بهترين مدل به ترتيب 39/13، 78/56، 17/33، 34/22 و 88/25 درصد و 71/1 متر و 59/0 متر مكعب، 049/0 متر مربع، 2/9 سانتي‌متر و 26/39 مترمربع به‌دست آمد. نتيجه‌گيري: به طور كلي نتايج نشان داد كه داده‌هاي ليزر اسكنر هوايي قابليت برآورد مشخصه‌ ارتفاع درختان را با دقت خوب، و مشخصه‌هاي رويه زميني، قطر برابر سينه و مساحت تاج پوشش تك درختان را با دقت مناسب دارد ولي قابليت برآورد مشخصه حجم سرپا تك درختان را با دقت خوب نداشت. همچنين نتايج نشان داد كه از ميان الگوريتم‌هاي پارامتريك و ناپارامتريك الگوريتم ناپارامتريك شبكه عصبي مصنوعي عملكرد بهتري نسبت به ساير الگوريتم‌ها داشت. تيجه‌گيري: به طور كلي نتايج نشان داد كه داده‌هاي ليزر اسكنر هوايي قابليت برآورد مشخصه‌ ارتفاع درختان را با دقت خوب، و مشخصه‌هاي رويه زميني، قطر برابر سينه و مساحت تاج پوشش تك درختان را با دقت مناسب دارد ولي قابليت برآورد مشخصه حجم سرپا تك درختان را با دقت خوب نداشت. همچنين نتايج نشان داد كه از ميان الگوريتم‌هاي پارامتريك و ناپارامتريك الگوريتم ناپارامتريك شبكه عصبي مصنوعي عملكرد بهتري نسبت به ساير الگوريتم‌ها داشت.

Background and objectives: In this study we evaluated the potential of ALS data in estimation of height, volume, basal area and DBH and canopy cover area of individualtrees for the part of Shast kalate of Gorgan. Materials and methods: In this study 125 tree that located in dominant story and without overlay with adjacent trees, were selected. Tree species, tree diameter at breast height (DBH) and tree crown diameter were measured. The height of trees was measured using a Vertex VL 402. Center coordinates of sample trees were determined using Digital Golobal Position System. After separating the crown border of a single tree and providing a polygon of the boundaries of them using aerial digital images, all of height and density metrics were created.Then, we explored the possibility of defining relationships between combination of airborne laser scanning data and height, volume, basal area, DBH and canopy cover area of individual trees using machine learning algorithms (random forest (RF), support vector machine (SVM), k-nearest neighbor (k-NN) and artificial neural network (ANN)). Results: The best RMSE% on an independent validation data for height, volume, canopy basal area, diameter, and basal area were 13.39, 56.88, 33.17, 22.34 and 25.88%. Also, the results demonstrate that the ANN algorithm can be useful for modeling biophysical properties of individual tree in the North of Iran. Conclusion: Overall, the results showed the ALS data has the ability to estimate of tree height, basal area, diameter at breasts, and canopy cover but this data hasn’t the ability to estimate the volume very accurate. Also, the results showed that between all algorithms, the ANN algorithm have a better performance than other algorithms. Conclusion: Overall, the results showed the ALS data has the ability to estimate of tree height, basal area, diameter at breasts, and canopy cover but this data hasn’t the ability to estimate the volume very accurate. Also, the results showed that between all algorithms, the ANN algorithm have a better performance than other algorithms.Conclusion: Overall, the results showed the ALS data has the ability to estimate of tree height, basal area, diameter at breasts, and canopy cover but this data hasn’t the ability to estimate the volume very accurate. Also, the results showed that between all algorithms, the ANN algorithm have a better performance than other algorithms.Conclusion: Overall, the results showed the ALS data has the ability to estimate of tree height, basal area, diameter at breasts, and canopy cover but this data hasn’t the ability to estimate the volume very accurate. Also, the results showed that between all algorithms, the ANN algorithm have a better performance than other algorithms.