استخراج جاده هاي مخفي جنگلي با استفاده از داده هاي ليدار (مطالعه موردي: بخشي از جنگل هاي شصت كلاته گرگان)

Extraction of Hidden Forest Roads Using LiDAR Data (Study Area: Shast Kalate Forests of Gorgan)

جهت تحقق اهداف مديريتي و بهره­ برداري از جنگل ­ها، دسترسي به بخش ­هاي مختلف آن ضروري است. اين امر از طريق جاده ­هاي جنگلي امكان پذير مي­شود. تهيه نقشه جاده ­هاي جنگلي به روش سنتي خصوصاً در مناطق پرتراكم و كوهستاني بسيار وقت­ گير و هزينه­ بر مي­باشد. لذا در اين تحقيق سعي شده با به‌كارگيري فناوري دور سنجي با استفاده از داده ­هاي ليدار موجود در ايران، جاده ­هاي مخفي جنگلي استخراج شود. نوآوري تحقيق استفاده از روش پيشنهادي و داده­هاي ليدار جهت استخراج جاده­هاي مخفي جنگلي با ‌دقت زيادتر مي‌باشد. جهت انجام اين تحقيق در ابتدا نويزهاي موجود در داده­هاي ليدار حذف شد. در ادامه طبق قضيه حد مركزي و محاسبه ممان سوم آماري (چولگي) داده­ها، نقاط غيرزميني حذف شدند. در اين مرحله به‌اشتباه تعدادي نقاط غيرزميني به‌ عنوان نقاط زميني شناخته شد، براي رفع اين خطاها با اعمال الگوريتم شيب مبنا با شعاع همسايگي 10 متر و شيب 22 درجه بر روي نقاط حاصل از الگوريتم اول، اين نقاط درنهايت حذف و نقاط زميني استخراج شدند، در ادامه نقاط زميني استخراج شده شبكه ­بندي شد. سپس شبكه ­بندي موجود بر اساس تراكم پيكسل­ ها به پلي­گون تبديل شد و با بررسي مدل رقومي زمين و همچنين تصاوير هوايي اولتراكم، پلي­گون­هايي كه مربوط به جاده نبودند حذف شدند. خروجي تحقيق تا اين مرحله استخراج جاده ­هايي بود كه توسط تاج پوشش جنگل مخفي نمانده بود در نتيجه جهت استخراج قسمت ­هاي مخفي جاده، مجدداً با اعمال الگوريتم شيب مبنا با شعاع همسايگي 10 متر و شيب 65 درجه بر روي كل نقاط ليدار و درون‌يابي نقاط به روش بي­اسپيلاين، جاده­هاي مخفي جنگلي استخراج شدند كه با متصل كردن و اصلاح كردن پلي­ گون­ ها، جاده ­هاي خاكي با عرض 3 متر و مسيرهاي چوبكشي با عرض 2 متر استخراج شدند. مقايسه نتايج تحقيق با جاده استخراج شده توسط برداشت نقاط زميني نشان داد معيار كامل بودن، صحيح بودن و كيفيت به ترتيب 82 درصد، 86 درصد و 72 درصد مي‌باشد.

Forest roads are essential for forest management, forest harvesting, wood transportation, recreation, education, research, and forest protection. To meet these needs, forest road networks have been constructed in the northern forests of Iran. Forest road mapping especially over large and mountainous areas is time-consuming and expensive. Today, remote sensing data can be considered as an important tool for forest roads extraction. Therefore, in this research, LiDAR data and Ultra Cam images were applied in order to extract hidden forest roads. At the first step, noise points in the point cloud data were removed. Then, according to the Central Limit Theorem (CLT), the third statistical moment (amount of skewness) of the data was calculated and the non-ground points were eliminated. At this next step, a number of non-ground points were identified as ground points. In order to eliminate these errors, slope-based algorithm with a radius of 10 meters and a slope of 22 degrees was applied on the points obtained from the first step, these points were eventually removed and the ground points were extracted. Then, extracted ground points were converted to grid. Then the grid was converted to polygon based on the pixel density, by using the DTM as well as UltraCam aerial images, polyglots that were not related to the road were removed. Until this stage, the output was the roads that were not hidden by the forest canopy. Therefore, the hidden parts of the roads were extracted by applying slope-based algorithm with the radius of 10 meters and 65 degrees slope on the whole LiDAR points and interpolating the results by spline interpolation method. By connecting and modifying the polygons, 3m wide dirt roads and 2m wide skidding roads were extracted. The results are evaluated by comparing to manually acquired road data. The quality measures completeness, correctness and quality were 82%, 86% and 72%, respectively.