| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,208 |
| تعداد مقالات | 35,560 |
| تعداد مشاهده مقاله | 53,003,406 |
| تعداد دریافت فایل اصل مقاله | 92,288,471 |
صحتسنجی تصاویر گوشیهای هوشمند در برآورد شاخص سطح برگ تودههای دست کاشت سوزنیبرگ و پهنبرگ پارک جنگلی چیتگر | ||
| تحقیقات جنگل و صنوبر ایران | ||
| مقاله 8، دوره 34، شماره 1 - شماره پیاپی 103، فروردین 1405، صفحه 23-37 اصل مقاله (1.43 M) | ||
| نوع مقاله: علمی- پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijfpr.2025.369359.2201 | ||
| نویسندگان | ||
| وحید خلیلی1؛ ویلما بایرامزاده* 2؛ پدرام عطارد* 3؛ احسان عبدی4؛ امید فتحی زاده5 | ||
| 1دانشجوی دکتری، گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 2دانشیار، گروه علوم و صنایع چوب و کاغذ، واحد کرج، دانشگاه آزاد اسلامی، کرج، ایران | ||
| 3نویسنده مسئول، استاد، گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 4استاد، گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشکدگان کشاورزی و منابع طبیعی، دانشگاه تهران، کرج، ایران | ||
| 5استادیار، گروه جنگلداری، دانشکده کشاورزی و منابع طبیعی اهر، دانشگاه تبریز، ایران | ||
| چکیده | ||
| سابقه و هدف: اگرچه روشهای غیرمستقیمِ اندازهگیری شاخص سطح برگ (Leaf Area Index: LAI) با تصویربرداری نیمکروی حاصل از دوربین دیجیتال مجهز به لنز چشمماهی، دقت زیادی دارند، اما هزینهبر هستند و حملونقل آنها نیز در عرصه دشوار است. پیشرفت فناوری در گوشیهای هوشمند و ظهور لنزهای کلیپسی، زمینه استفاده از این ابزارها را برای برآورد LAI فراهم کرده است. هدف این پژوهش، ارزیابی صحت تصاویر نیمکرویِ گوشی هوشمند در مقایسه با دوربین دیجیتال برای برآورد شاخص سطح برگ در گونههای اقاقیا (Robinia pseudoacacia L.)، کاج (Pinus eldarica Medw.)، داغداغان (Celtis australis L.) و ون (Fraxinus rotundifolia Mill.) در پارک جنگلی چیتگر در شهرستان تهران بود. مواد و روشها: درمجموع، از چهار توده در 169 نقطه عکسبرداری انجام شد (در تودههای اقاقیا: 47 نقطه، کاج: 36 نقطه، ون: 47 نقطه و داغداغان: 39 نقطه). برای نمونهبرداری، اولین نقطه بهصورت تصادفی در محل انتخاب شد. سپس، عکسبرداری با فاصلههای 10 متر از زیر تاجپوشش ادامه یافت. در هر نقطه، دو تصویر نیمکروی بهطور همزمان با دوربین دیجیتال و گوشی هوشمند ثبت شدند. عکسبرداری در ارتفاع 5/0 متر و پیش از طلوع آفتاب انجام گرفت. شاخص سطح برگ با نرمافزار GLA استخراج و با استفاده از نرمافزار SPSS، آزمون نرمال بودن و آزمون تی جفتی انجام شد. 70 درصد از دادهها برای مدلسازی رگرسیون خطی و 30 درصد مابقی برای برازش و اعتبارسنجی مدل در نرمافزار Excel بهصورت تصادفی انتخاب شدند. آزمون F برای تعیین معنیداری کلی مدل و آزمون t نیز برای تعیین معنیداری ضریبهای مدل به کار رفت. همچنین، از ریشه میانگین مربع خطا (RMSE) و ریشه میانگین مربع خطای نسبی (RRMSE) برای برآورد خطای مدل رگرسیونی و از اریبی (Bias) برای تعیین کمبرآوردی یا بیشبرآوردی مدل استفاده شد. نتایج: میانگین شاخص سطح برگ در دوربین دیجیتال برای اقاقیا 8/0 با انحراف معیار (SD) 27/0±، کاج 89/0 (15/0±=SD)، داغداغان 24/1 (16/0±=SD)، و ون 77/0 (27/0±=SD) بود. این مقادیر برای گوشی هوشمند بهترتیب برابر با 66/0 (31/0±=SD)، 83/0 (19/±0=SD)، 07/1 (14/±0=SD)، و 75/0 (3/0±=SD) بهدست آمد. براساس نتایج آزمون تی جفتی، تفاوت میانگینها در گونههای اقاقیا، کاج و داغداغان معنیدار بود (05/0>Sig)، اما برای ون غیرمعنیدار (05/0<Sig) بهدست آمد. میانگین اختلاف مقادیر برای همه گونهها، مثبت و بیشترین مقدار آن در داغداغان (2/0) و کمترین آن در ون (028/0-) مشاهده شد. در مدلهای رگرسیونی خطی ساده، همه مدلها براساس آزمون F معنیدار بودند. براساس آزمون t نیز در همه مدلهای رگرسیونی خطی، عرض از مبدأ معنیدار نبود. ضریب تعیین مدلها در اقاقیا 53/0=R2، کاج 59/0=R2، داغداغان 73/0=R2 و ون 71/0=R2 بهدست آمد. اعتبارسنجی با 30 درصد دادهها نشان داد که مقادیر RMSE و RRMSE در کاج بهترتیب 07/0 و 9، داغداغان 1/0 و 10، ون 18/0 و 25 و در اقاقیا 18/0 و 33 درصد هستند. گوشی هوشمند بدون مدلسازی در همه گونهها، کمبرآوردی داشت (بهعنوان مثال در داغداغان 7/13 درصد کمتر از مقدار واقعی). نتیجهگیری کلی: در پژوهش پیشرو، دادههای دوربین دیجیتال فقط بهعنوان مرجع برای کالیبراسیون و صحتسنجی مدل استفاده شد. پس از توسعه مدل، گوشی هوشمند قادر است بهطور مستقل و بدون نیاز به دادههای دوربین، شاخص سطح برگ را برآورد کند. با این حال، این مدل فقط در شرایط و گونههای مورد مطالعه اعتبارسنجی شده است و بهکارگیری آن در مناطق یا گونههای دیگر، نیازمند صحتسنجی و کالیبراسیون مجدد خواهد بود. همچنین، در این پژوهش از گوشی هوشمندی با کیفیت معمولی و یک لنز کلیپسی چشمماهی برای ایجاد میدان دید 180 درجه استفاده شد. اگرچه دقت و کیفیت آنها نسبت به دوربین دیجیتال کمتر است، اما در مناطق دورافتاده یا برای پایشهای گسترده میدانی، بهویژه در گونههایی با ساختار منظم تاجپوشش، آنها میتوانند جایگزینی عملی و مؤثر باشند. واژههای کلیدی: اعتبارسنجی مدل، رگرسیون خطی، عکسبرداری نیمکروی، لنز چشمماهی. | ||
| کلیدواژهها | ||
| اعتبارسنجی مدل؛ رگرسیون خطی؛ عکسبرداری نیمکروی؛ لنز چشمماهی | ||
| عنوان مقاله [English] | ||
| Validation of smartphone imaging for leaf area index estimation in man-made needle and broad-leaved plantations in Chitgar Forest Park, Iran | ||
| نویسندگان [English] | ||
| Vahid Khalili1؛ Vilma Bayramzadeh2؛ Pedram Attarod3؛ Ehsan Abdi4؛ Omid Fathizadeh5 | ||
| 1Ph.D. Student., Department of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran, Karaj, Iran | ||
| 2Associate Prof., Department of Wood and Paper Sciences and Technology, Ka. C., Islamic Azad University, Karaj, Iran | ||
| 3Corresponding author, Prof., Department of Forestry and Forest Economics, Faculty of Natural Resources, University College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 4Prof., Department of Forestry and Forest Economics, Faculty of Natural Resources, University College of Agriculture and Natural Resources, University of Tehran, Karaj, Iran | ||
| 5Assistant Prof., Department of Forestry, Faculty of Agriculture and Natural Resources, University of Tabriz, Ahar, Iran | ||
| چکیده [English] | ||
| Background and Objectives: Indirect methods for measuring the leaf area index (LAI), such as hemispherical photography using a digital camera equipped with a fisheye lens, provide high accuracy; however, they are often costly and logistically challenging for field applications. Recent advances in smartphone technology and the availability of clip-on fisheye lenses have created new opportunities for low-cost LAI estimation. This study aimed to evaluate the accuracy of hemispherical images acquired with a smartphone relative to those obtained with a digital camera for estimating LAI in stands of Robinia pseudoacacia L., Pinus eldarica Medw., Celtis australis L., and Fraxinus rotundifolia Mill. in Chitgar Forest Park,Tehran County, Iran. Methodology: A total of 169 sampling points were selected across four stands, including 47 points in R. pseudoacacia, 36 in P. eldarica, 47 in F. rotundifolia, and 39 in C. australis. The first sampling point in each stand was selected randomly, and subsequent photographs were taken at 10-m intervals beneath the canopy. At each point, two hemispherical images were captured simultaneously using a digital camera and a smartphone. All photographs were taken at a height of 0.5 m under pre-sunrise conditions to ensure uniform lighting. LAI values were derived from the images using GLA software. Data normality was assessed in SPSS, followed by paired t-tests. For linear regression modeling, 70% of the data were randomly selected for model calibration and the remaining 30% for validation. Regression analyses were conducted in Microsoft Excel. The F-test was used to evaluate the overall significance of regression models, while root mean square error (RMSE), relative root mean square error (RRMSE), and bias were calculated to assess model performance. Results: The mean LAI values measured by the digital camera were 0.80 (±0.27 SD) for R. pseudoacacia, 0.89 (±0.15 SD) for P. eldarica, 1.24 (±0.16 SD) for C. australis, and 0.77 (±0.27 SD) for F. rotundifolia. Corresponding smartphone-derived values were 0.66 (±0.31 SD), 0.83 (±0.19 SD), 1.07 (±0.14 SD), and 0.75 (±0.30 SD), respectively. Paired t-tests revealed significant differences (p < 0.05) between the two methods for R. pseudoacacia, P. eldarica, and C. australis, whereas no significant difference was found for F. rotundifolia (p > 0.05). Mean differences were positive for all species, with the largest difference observed in C. australis (0.20) and the smallest in F. rotundifolia (-0.028). All simple linear regression models were statistically significant according to the F-test, while intercept terms were not significant based on the t-test. The coefficients of determination (R²) were 0.53 for R. pseudoacacia, 0.59 for P. eldarica, 0.73 for C. australis, and 0.71 for F. rotundifolia. Validation using the remaining 30% of the dataset produced RMSE and RRMSE values of 0.07 and 9% for P. eldarica, 0.10 and 10% for C. australis, 0.18 and 25% for F. rotundifolia, and 0.18 and 33% for R. pseudoacacia. Direct smartphone measurements consistently underestimated LAI across all species, with the greatest underestimation observed in C. australis (13.7%) relative to reference values. Conclusion: In this study, digital camera measurements were used solely as reference data for model calibration and validation. Once calibrated, the developed models enable smartphones to estimate LAI independently without requiring camera-derived measurements. However, the models were validated only for the species and environmental conditions examined and would require additional calibration and validation before application to other species or regions. Despite the lower image quality and accuracy of a mid-range smartphone equipped with a clip-on fisheye lens compared with a digital camera, this approach offers a practical and cost-effective alternative for LAI estimation in remote locations and large-scale field monitoring programs, particularly in stands with relatively homogeneous canopy structures. | ||
| کلیدواژهها [English] | ||
| Fisheye lens, hemispherical photography, linear regression, model validation | ||
| مراجع | ||
|
- Arietta, A.Z.A., 2022. Estimation of forest canopy structure and understory light using spherical panorama images from smartphone photography. Forestry, 95(1): 38-48.
- Beeles, K.L., Tourville, J.C. and Dovciak, M., 2022. Characterizing canopy openness across large forested landscapes using spherical densiometer and smartphone hemispherical photography. Journal of Forestry, 120(1): 37-50.
- Bianchi, S., Cahalan, C., Hale, S. and Gibbons, J.M., 2017. Rapid assessment of forest canopy and light regime using smartphone hemispherical photography. Ecology and Evolution, 7(24): 10556-10566.
- Bréda, N., 2008. Leaf area index. In: Jørgensen, S.E. and Fath, B.D. (eds.), Encyclopedia of Ecology. Elsevier, pp. 2148-2154.
- Chen, J.M., 1996. Optically-based methods for measuring seasonal variation of leaf area index in boreal conifer stands. Agricultural and Forest Meteorology, 80(2-4): 135-163.
- Chianucci, F., 2020. An overview of in situ digital canopy photography in forestry. Canadian Journal of Forest Research, 50(3): 227-242.
- Confalonieri, R., Foi, M., Casa, R., Aquaro, S., Tona, E., Peterle, M., ... and Acutis, M., 2013. Development of an app for estimating leaf area index using a smartphone: PocketLAI. Computers and Electronics in Agriculture, 91(0): 31-40.
- Confalonieri, R., Foi, M., Casa, R., Aquaro, S., Tona, E., Peterle, M., ... and Acutis, M., 2013. Development of an app for estimating leaf area index using a smartphone. Trueness and precision determination and comparison with other indirect methods. Computers and Electronics in Agriculture, 96: 67-74..
- Díaz, G.M., 2023. Optimizing forest canopy structure retrieval from smartphone-based hemispherical photography. Methods in Ecology and Evolution, 14(3): 875-884.
- Fang, H., Baret, F., Plummer, S. and Schaepman-Strub, G., 2019. An overview of global leaf area index (LAI): Methods, products, validation, and applications. Reviews of Geophysics, 57(3): 739-799.
- Fournier, R.A. and Hall, R.J., 2017. Hemispherical photography in forest science: Conclusions, applications, limitations, and implementation perspectives: 287-302. In: Fournier, R.A. and Hall, R.J. (Eds.). Hemispherical Photography in Forest Science: Theory, Methods, Applications. Managing Forest Ecosystems, Vol. 28. Springer, Dordrecht, 306p.
- Hosseini, S.N., Fattahi, R., Ebrahimi Pak, N.A. and Veysi, Sh., 2023. Estimation and evaluation of reference evapotranspiration using ERA5 dataset. Iranian Journal of Soil and Water Research, 54(2): 353-368 (In Persian with English summary).
- Hussain, S., Teshome, F.T., Tulu, B.B., Awoke, G.W., Hailegnaw, N.S. and Bayabil, H.K., 2025. Leaf area index (LAI) prediction using machine learning and UAV based vegetation indices. European Journal of Agronomy, 168: 127557.
- Jonckheere, I., Fleck, S., Nackaerts, K., Muys, B., Coppin, P., Weiss, M. and Baret, F., 2004. Review of methods for in situ leaf area index determination: Part I. Theories, sensors and hemispherical photography. Agricultural and Forest Meteorology, 121(1-2): 19-35.
- Khosravi, S., Namiranian, M., Ghazanfari, H. and Shirvani, A., 2012. Estimation of leaf area index and assessment of its allometric equations in oak forests: Northern Zagros, Iran. Journal of Forest Science, 58(3): 116-122.
- Miri, N., Fatehi, P., Darvishsefat, A.A., Pir Bavaghar, M. and Homolová, L., 2024. Leaf area index estimation in the Zagros forests of Iran using Sentinel-2 image and Gaussian Process Regression. Iranian Journal of Forest and Poplar Research, 31(4): 323-337 (In Persian with English summary).
- Moosavi, M., Jalilvand, H. and Asadi, H., 2016. Soil Seed Bank and above-ground vegetation at Chitgar Forest Park of Tehran. Iranian Journal of Forest and Poplar Research, 24(3): 474-484 (In Persian with English summary).
- Myneni, R.B., Hoffman, S. and Knyazikhin, Y., 2018. Leaf Area Index. Agronomie, 20(1): 3-22.
- Rahimikhoob, H., Delshad, M. and Habibi, R., 2023. Leaf area estimation in lettuce: Comparison of artificial intelligence-based methods with image analysis technique. Measurement, 222: 113636. - Raj, R., Walker, J.P., Vinod, V., Pingale, R., Naik, B. and Jagarlapudi, A., 2021. Leaf area index estimation using top-of-canopy airborne RGB images. International Journal of Applied Earth Observation and Geoinformation, 96: 102282. - Tering, R.R.G., Branzuela, N.E., Batiancela, M.A. and Tutor, R.P., 2025. Influence of elevation on Falcataria moluccana [Miq.] Barneby & J.W. Grimes gall rust incidence and severity in Agusan del Norte, Philippines. Jurnal Sylva Lestari, 13(1): 90-101.
- Tian, X., Jia, X., Da, Y., Liu, J. and Ge, W., 2025. Evaluating the sensitivity of vegetation indices to leaf area index variability at individual tree level using multispectral drone acquisitions. Agricultural and Forest Meteorology, 364: 110441.
- Wang, J., Xiong, Q., Lin, Q. and Huang, H., 2018. Feasibility of using mobile phone to estimate forest Leaf Area Index: A case study in Yunnan Pine. Remote Sensing Letters, 9(2): 180-188.
- Weiss, M., Baret, F., Smith, G.J., Jonckheere, I. and Coppin, P., 2004. Review of methods for in situ leaf area index (LAI) determination: Part II. Estimation of LAI, errors and sampling. Agricultural and Forest Meteorology, 121(1): 37-53.
- Welles, J.M., 1990. Some indirect methods of estimating canopy structure. Remote Sensing Reviews, 5(1): 31-43.
- Yan, G., Hu, R., Luo, J., Weiss, M., Jiang, H., Mu, X., … and Zhang, Z.Z., 2019. Review of indirect optical measurements of leaf area index: Recent advances, challenges, and perspectives. Agricultural and Forest Meteorology, 265: 390-411.
- Yang, J., Fang, J., Lu, D., Li, C., Shuai, X., Zheng, F. and Chen, H., 2025. Age-related changes in stand structure, spatial patterns, and soil physicochemical properties in Michelia macclurei plantations of South China. Life, 15(6): 917. | ||
|
آمار تعداد مشاهده مقاله: 504 تعداد دریافت فایل اصل مقاله: 147 |
||