| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,186 |
| تعداد مقالات | 35,332 |
| تعداد مشاهده مقاله | 51,394,566 |
| تعداد دریافت فایل اصل مقاله | 91,299,855 |
برآورد ارتفاع و قطر برابرسینه درختان جنگل با روش تشخیص تکدرخت چندمقیاسی و الگوریتمهای یادگیری ماشین با استفاده از دادههای لایدار هوایی | ||
| تحقیقات جنگل و صنوبر ایران | ||
| مقاله 3، دوره 32، شماره 2 - شماره پیاپی 96، شهریور 1403، صفحه 112-131 اصل مقاله (732.31 K) | ||
| نوع مقاله: علمی- پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijfpr.2024.363899.2124 | ||
| نویسندگان | ||
| محمد فلاح1؛ علی اکبر متکان2؛ حسین عقیقی* 3 | ||
| 1دانشجوی دکتری، مرکز پژوهشهای سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران | ||
| 2استاد، مرکز پژوهشهای سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران، ایران | ||
| 3نویسنده مسئول، استادیار، مرکز پژوهشهای سنجش از دور و GIS، دانشکده علوم زمین، دانشگاه شهید بهشتی، تهران | ||
| چکیده | ||
| سابقه و هدف: برآورد مشخصههای ساختاری درختان جنگل همچون ارتفاع و قطر برابرسینه (DBH)، اهمیتی کلیدی در مدیریت منابع جنگلی دارد. یکی از روشهای مطرح در برآورد این مشخصهها، روش تشخیص تکدرخت با استفاده از دادههای سنجشازدوری مناسب مانند لایدار هوایی (Airborne LiDAR) است. بااینحال، باید توجه داشت که روشهای متفاوت تشخیص تکدرخت توسعهدادهشده با محدودیتها و قابلیتهای مختلف، عملکردهای متفاوتی را نسبت به تغییر در گونههای درختان جنگل و ساختار عمودی تاج از خود نشان میدهند. مواد و روشها: در این پژوهش، یک روش ترکیبی تشخیص تکدرخت ارائه شده است که روشهای رسترپایه و ابرنقطه مبنا را در یک چهارچوب چندمقیاسی برای شناسایی تکدرختان از دادههای لایدار ترکیب میکند. در این روش، سطوح مقیاس تاج درختان براساس اعمال فیلترهای ریختشناسی بر مدل ارتفاعی تاج محاسبه میشود. سپس قطعهبندی بهصورت چندمقیاسی صورت میگیرد و نتایج با یکدیگر ادغام میشوند. بهمنظور جداسازی بهتر درختان مجاور و اشکوب زیرین، با استفاده از تابع چگالی احتمال، ابرنقاط داخل قطعهها آنالیز میشوند و قطعههای تاج درختان اصلاح میشود. پس از تشخیص تکدرختان، برخی مشخصههای ساختاری درختان جنگل شامل ارتفاع و DBH با استفاده از دادههای مرجع زمینی و ویژگیهای استخراجشده از داده لایدار با استفاده از الگوریتمهای یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و کوبیست (CB) در قالب اعتبارسنجی متقابل تودرتو دهقسمتی برآورد شدند و نتایج حاصل مقایسه شدند. در این پژوهش، الگوریتم انتخاب ویژگی بوروتا برای شناسایی مهمترین ویژگیهای مستخرج از داده لایدار در برآورد مشخصههای ارتفاع و DBH استفاده شد. این الگوریتم، نقش مؤثری در بهبود عملکرد الگوریتمهای رگرسیون ایفا کرد. باتوجهبه دسترسی محدود به دادههای لایدار و زمینی از جنگلهای ایران، بهمنظور ارزیابی روشهای فوقالذکر، در این پژوهش از مجموعه داده معیار تشخیص تکدرخت از پروژه تحقیقاتی NEWFOR استفاده شد که از جنگلهای منطقه آلپ با گونههای مختلف درختان و ساختار عمودی تاج متفاوت جمعآوری شده است. نتایج: اگرچه درختان اشکوب زیرین را نمیتوان با دقت معادل درختان اشکوب غالب استخراج کرد، اما نتایج این پژوهش نشان داد که روش توسعهیافته در مناطق جنگلی مختلف، علاوهبر تشخیص 89 درصد درختان در بالاترین لایه ارتفاعی، بیشترین تعداد درختان اشکوب زیرین را با نرخ تشخیص 48 درصد در پایینترین لایه ارتفاعی (دو تا پنج متر) تشخیص داده است. تجزیه و تحلیل نتایج حاصل از الگوریتمهای یادگیری ماشین در برآورد ویژگیهای ساختاری جنگل نشان داد که باوجود تفاوت ناچیز در عملکرد الگوریتمهای مورد استفاده، الگوریتم ماشین بردار پشتیبان، عملکرد بهتری را نسبت به الگوریتمهای جنگل تصادفی و کوبیست در برآورد ارتفاع و قطر برابرسینه ارائه کرد. برای مشخصه ارتفاع، میانگین RMSE، rRMSE و R2 در الگوریتم SVM بهترتیب برابر با 75/1 متر، 9 درصد و 85/0 بودند. از طرف دیگر، برای مشخصه DBH، مقدار معیارهای مذکور بهترتیب برابر با 74/4 سانتیمتر، 19 درصد و 78/0 بهدست آمد. نتیجهگیری کلی: ارزیابی نتایج بهدستآمده نشان داد که بهطورکلی، روشهای ارائهشده در این پژوهش در خصوص تشخیص تکدرختان و برآورد برخی مشخصههای ساختاری درختان جنگل، بهبود قابلتوجهی را در مقایسه با الگوریتمهای معیار ارائه میدهند و پتانسیل زیادی برای کاربردهای عملی دارند. | ||
| کلیدواژهها | ||
| ابرنقطه؛ تشخیص تکدرخت؛ جنگل؛ لایدار؛ مدل ارتفاعی تاج؛ یادگیری ماشین | ||
| عنوان مقاله [English] | ||
| Estimation of height and diameter at breast height of forest trees with multi-scale individual tree detection method and machine learning algorithms using airborne LiDAR data | ||
| نویسندگان [English] | ||
| M. Fallah1؛ A.A. Matkan2؛ H. Aghighi3 | ||
| 1Ph.D. Student, Remote Sensing and GIS Research Center, Faculty of Earth Science, Shahid Beheshti University, Tehran, Iran | ||
| 2Prof., Remote Sensing and GIS Research Center, Faculty of Earth Science, Shahid Beheshti University, Tehran, Iran | ||
| 3Corresponding author, Assistant Prof., Remote Sensing and GIS Research Center, Faculty of Earth Science, Shahid Beheshti University, Tehran, Iran | ||
| چکیده [English] | ||
| Background and Objectives: Estimating forest tree structural attributes such as height and diameter at breast height (DBH) is crucial for understanding the structure and management of forest resources. One important method for estimating these parameters is the individual tree detection (ITD) method using appropriate remote sensing data, such as airborne LiDAR data. However, it should be noted that different ITD methods have various limitations and capabilities and react differently to changes in forest tree species and the vertical structure of the canopy. Methodology: This study presents a hybrid individual tree detection method that combines raster-based and point-based methods in a multi-scale framework to identify single trees from LiDAR data. In this method, tree crown scale levels are obtained from morphological filters in the canopy height model (CHM). Segmentation is then performed using a multi-scale method, and the results are merged. To better separate adjacent and understory trees, the point cloud inside the segments is analyzed using the probability density function, and tree crown segments are modified. After detecting single trees, DBH and height parameters were estimated using ground control data and extracted features from LiDAR data with machine learning algorithms, including random forest (RF), support vector machine (SVM), and cubist (CB), in the form of 10-fold nested cross-validation (10-fold NCV). The Boruta feature selection algorithm was used to identify the most important metrics based on the LiDAR point cloud, which played an effective role in improving the performance of machine learning algorithms. Due to limited access to LiDAR and ground data from Iran’s forests, this study uses the NEWFOR single tree detection benchmark dataset, collected from forests of the Alpine region with a combination of different tree species and vertical canopy structures. Results: Although understory trees cannot be extracted with the same accuracy as overstory trees, the results of this study showed that, on average, the developed multi-scale individual tree detection (MSITD) method detected 89% of the tree crowns in the highest height layer and the highest number of small overstory trees with a detection rate of 48% in the lowest height layer (2-5 meters). The analysis of the machine learning algorithms’ results in estimating forest structural attributes showed that, despite slight differences in performance, the SVM algorithm performed better than the RF and CB algorithms in estimating both height and DBH attributes. For the height attribute, the mean values of RMSE, rRMSE, and R2 in the SVM algorithm were 1.75 m, 9%, and 0.85, respectively. For the DBH attribute, the values obtained for RMSE, rRMSE, and R2 were 4.74 cm, 19%, and 0.78, respectively. Conclusion: The evaluation of the results showed that the methods presented in this study for identifying single trees and estimating forest tree structural attributes have high potential for practical applications. | ||
| کلیدواژهها [English] | ||
| Canopy height model, forest, individual tree detection, LiDAR, machine learning, point cloud | ||
| مراجع | ||
|
- Chave, J., Andalo, C., Brown, S., Cairns, M.A., Chambers, J.Q., Eamus, D., ... and Yamakura, T., 2005. Tree allometry and improved estimation of carbon stocks and balance in tropical forests. Oecologia, 145: 87-99.
- Chicco, D., Matthijs, J.W. and Giuseppe, J., 2021. The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7: e623.
- Corte, A.P.D., Souza, D.V., Rex, F.E., Sanquetta, C.R., Mohan, M., Silva, CA., ... and Broadbent, E.N., 2020. Forest inventory with high-density UAV-Lidar: Machine learning approaches for predicting individual tree attributes. Computers and Electronics in Agriculture, 179: 105815.
- Evans, J.S. and Hudak, A.T., 2007. A multiscale curvature algorithm for classifying discrete return LiDAR in forested environments. IEEE Transactions on Geoscience and Remote Sensing, 45: 1029-1038.
- Eysn, L., Hollaus, M., Lindberg, E., Berger, F., Monnet, J.M., Dalponte, M., ... and Pfeifer, N., 2015. A benchmark of Lidar-based single tree detection methods using heterogeneous forest data from the Alpine Space. Forests, 6: 1721-1747.
- Frénay, B., Doquire, G. and Verleysen, M., 2013. Is mutual information adequate for feature selection in regression? Neural Networks, 48: 1-7.
- Garcia-Gutierrez, J., Martinez-Alvarez, F., Troncoso, A. and Riquelme, J.C., 2015. A comparison of machine learning regression techniques for LiDAR-derived estimation of forest variables. Neurocomputing, 167: 24-31.
- Ghaderi, P., Mohammadi, J., Shataee, S., Rahmani, R. and Kariminejad, N., 2023. Efficiency of nonlinear mixed-effects model in determining height-diameter equations of velvet maple and ironwood trees. Iranian Journal of Forest, 14(4): 473-485 (In Persian with English Summary).
- Hui, Z., Jin, S., Xia, Y., Nie, Y., Xie, X. and Li, N., 2021. A mean shift segmentation morphological filter for airborne LiDAR DTM extraction under forest canopy. Optics & Laser Technology, 136: 106728.
- Hyyppä, J., Holopainen, M. and Olsson, H., 2012. Laser scanning in forests. Remote Sensing, 4: 2919-2922.
- Jakubowski, M.K., Li, W., Guo, Q. and Kelly, M., 2013. Delineating individual trees from lidar data: a comparison of vector- and raster-based segmentation approaches. Remote Sensing, 5: 4163-4186.
- Jing, L., Hu, B., Li, J. and Noland, T., 2012. Automated delineation of individual tree crowns from lidar data by multi-scale analysis and segmentation. Photogrammetric Engineering & Remote Sensing, 78: 1275-1284.
- Kaartinen, H., Hyyppä, J., Yu, X., Vastaranta, M., Hyyppä, H., Kukko, A., … and Wu, J.C., 2012. An international comparison of individual tree detection and extraction using airborne laser scanning. Remote Sensing, 4: 950-974.
- Khorami, R.A., Darvishsefat, A.A., Tabari Kochaksaraei, M. and Shataee Jouybari, Sh., 2014. Potential of LIDAR data for estimation of individual tree height of Acer velutinum and Carpinus betulus. Iranian Journal of Forest, 6(2): 127-140 (In Persian with English Summary).
- Koch, B., Heyder, U. and Weinacker, H., 2006. Detection of individual tree crowns in airborne LiDAR data. Photogrammetric Engineering & Remote Sensing, 72: 357-363.
- Krstajic, D., Buturovic, L.J., Leahy, D.E. and Thomas, S., 2014. Cross-validation pitfalls when selecting and assessing regression and classification models. Journal of Cheminformatics, 6: 10.
- Kursa, M.B. and Rudnicki, W.R., 2010. Feature Selection with the Boruta Package. Journal of Statistical Software, 36(11): 1-13.
- Malek, S., Miglietta, F., Gobakken, T., Næsset, E., Gianelle, D. and Dalponte, M., 2019. Prediction of stem diameter and biomass at individual tree crown level with advanced machine learning techniques. iForest-Biogeosciences and Forestry, 12: 323-329.
- Mohammadi, J., Shataee, S., Namiranian, M. and Nasset, E., 2017. Modeling biophysical properties of board-leaved stands in the Hyrcanian forests of Iran using fused airborne laser scanner data and UltraCam-D images. International Journal of Applied Earth Observation and Geoinformation, 61: 32-45.
- NEWFOR, 2015. NEWFOR Lidar Single Tree Detection Benchmark Dataset. Available at: http://www.newfor.net/download-newfor-single-tree-detection-benchmark-dataset/
- Poorazimy, M., Shataee Jouibary, Sh., Mohammadi, J. and Aghababaei, H., 2023. Feasibility of single-polarized TanDEM-X data for Hyrcanian forest height estimation (Case study: Shast-Kalateh forest). Iranian Journal of Forest, 15(3): 329-343 (In Persian with English Summary).
- Roussel, J.R., Auty, D., Boissieu., F.D., Meador, A.S., Jean-François, B., Demetrios, G., ... and St-Onge, B., 2018. lidR: Airborne LiDAR Data Manipulation and Visualization for Forestry Applications. version 1.4.1. Available at: https://cran.r-project.org/web/packages/lidR/index.html
- Sefidi, K. and Jahdi, R., 2023. Impact of Anthropogenic disturbance on the size diversity of trees in Arasbaran forests (Case study: Hatam-Meshasi Forest Reserve in Meshgin-Shahr county, Iran). Iranian Journal of Forest and Poplar Research, 31(3): 241-256 (In Persian with English Summary).
- Seyed Mousavi, S.Z., Mohammadi, J. and Shataee, Sh., 2017. The evaluation of potential airborne laser scanner data in estimating of individual canopy area and tree heights in part of Educational and Research Shast-Kalate Forests - Gorgan. Ecology of Iranian Forest, 5(9): 47-55 (In Persian with English Summary).
- Seyed Mousavi, S.Z., Mohammadi, J. and Shataee, Sh., 2019. Estimation of the some quantitative characteristics of individual tree using airborne laser scanning data in part of Shast-Kalate forests of Gorgan. Journal of Wood and Forest Science and Technology, 26(1): 1-19 (In Persian with English Summary).
- Silva, C.A., Crookston, N.L., Hudak, A.T. and Vierling, L.A., 2017. rLiDAR: An R package for reading, processing and visualizing lidar (Light Detection and Ranging) data. version 0.1. Available at: http://cran.r-roject.org/web/packages/rLiDAR/index.html
- Silva, C.A., Klauberg, C., Mohan, M.M. and Bright, B.C., 2018. LiDAR Analysis in R and RLiDAR for Forestry Applications. Lidar Remote Sensing Environment Monitoring, 404/504, 90p.
- Slik, J.W.F., Aiba, S.I., Brearley, F.Q., Cannon, C.H., Forshed, O., Kitayama, K., ... and van Valkenburg, J.L.C.H., 2010. Environmental correlates of tree biomass, basal area, wood specific gravity and stem density gradients in Borneo’s tropical forests. Global Ecology and Biogeography, 19: 50-60.
- Sokolova, M., Japkowicz, N. and Szpakowicz, S., 2006. Beyond accuracy, F-score and ROC: A family of discriminant measures for performance evaluation: 1015-1021. In: Sattar, A. and Kang, B.H. (Eds.). AI 2006: Advances in Artificial Intelligence. Lecture Notes in Computer Science, Vol. 4304, Berlin, Springer, 1303p.
- Sparks, A.M., Corrao, M.V. and Smith, A.M.S., 2022. Cross-comparison of individual tree detection methods using low and high pulse density airborne laser scanning data. Remote Sensing, 14: 3480.
- Vabalas, A., Gowen, E., Poliakoff, E. and Casson, A.J., 2019. Machine learning algorithm validation with a limited sample size. PLoS ONE, 14: e0224365.
- Wang, Y., Hyyppa, J., Liang, X., Kaartinen, H., Yu, X., Lindberg, E., … and Alho, P., 2016. International benchmarking of the individual tree detection methods for modeling 3-D canopy structure for silviculture and forest ecology using airborne laser scanning. IEEE Transactions on Geoscience and Remote Sensing, 54(9): 5011-5027.
- Wang, Y., Weinacker, H. and Koch, B., 2008. A LiDAR point cloud based procedure for vertical canopy structure analysis and 3D single tree modelling in forest. Sensors, 8: 3938-3951.
- Wang, Z., Li, P., Cui, Y., Lei, S. and Kang, Z., 2023. Automatic detection of individual trees in forests based on airborne LiDAR data with a tree Region-Based Convolutional Neural Network (RCNN). Remote Sensing, 15: 1024.
- Yu, X., Hyyppä, J., Vastaranta, M., Holopainen, M. and Viitala, R., 2011. Predicting individual tree attributes from airborne laser point clouds based on the random forests technique. ISPRS Journal of Photogrammetry and Remote Sensing, 66(1): 28-37.
- Zhang, K., Chen, S.C., Whitman, D., Shyu, M.L., Yan, J. and Zhang, C., 2003. A progressive morphological filter for removing nonground measurements from airborne LIDAR data. IEEE Transactions on Geoscience and Remote Sensing, 41: 872-882.
- Zhang, L., Shao, Z., Liu, J. and Cheng, Q., 2019. Deep learning based retrieval of forest aboveground biomass from combined LiDAR and Landsat 8 data. Remote Sensing, 11: 1459.
| ||
|
آمار تعداد مشاهده مقاله: 552 تعداد دریافت فایل اصل مقاله: 405 |
||