عنوان مقاله :
استخراج درختان منفرد جنگل شهري از دادۀ ليدار هوايي با تراكم نقطۀ بالا
عنوان به زبان ديگر :
Extracting the individual trees of urban forests from high density airborne LiDAR data
پديد آورندگان :
مرادي، عباس دانشگاه اصفهان، اصفهان - دانشكدۀ مهندسي عمران و حمل‌ونقل - گروه مهندسي ژئوماتيك , ستاري، مهران دانشگاه اصفهان، اصفهان - دانشكدۀ مهندسي عمران و حمل‌ونقل - گروه مهندسي ژئوماتيك , مومني، مهدي دانشگاه اصفهان، اصفهان - دانشكدۀ مهندسي عمران و حمل‌ونقل - گروه مهندسي ژئوماتيك
كليدواژه :
ابر نقاط , استخراج درخت , تحليل مؤلفه‌هاي اصلي , خوشه‌بندي OPTICS
چكيده فارسي :
ليدار هوايي، قابليت زيادي در تهيۀ مستقيم اطلاعات لازم براي كاربردهاي تحقيقاتي و عملياتي مرتبط با مديريت اكوسيستم‌هاي جنگل و درختان منطقۀ شهري دارد. بيشتر روش‌هاي ارائه‌شده براي استخراج درختان منفرد با دادۀ ليدار، متكي به شناسايي نقاط بالا يا پايين درخت و سپس اجراي يكي از الگوريتم‌هاي قطعه‌بندي درخت كه از اين نقاط شروع مي‌شوند، هستند. در اين الگوريتم‌ها، تعداد و مكان نقاط شروع تشخيص داده‌شده، به‌شدت در فرايند تشخيص درختان منفرد تأثير مي‌گذارد. علاوه‌بر اين، درصد امكان شناسايي درختان جوان بسيار كم است. در اين تحقيق، الگوريتمي جديد براي استخراج درختان منفرد با استفاده از نقاط با فاصلۀ تقريباً 10 سانتي‌متري ليدار ارائه شده است. در اين روش، درختان منفرد با يافتن قطعه‌هاي امن و نقاط داخل آنها براي هر درخت و تخصيص نقاط باقي‌مانده براساس اين مناطق استخراج مي‌شوند. اين تحقيق روي درختان دو منطقۀ مورد مطالعه در شهر زيبروگس بلژيك اجرا شد. ارزيابي نتايج اين روش با تصوير هوايي نشان داد كه 51/74 درصد از كل درختان به‌درستي طبقه‌بندي شدند و ميزان خطاي افزونگي و حذف‌شدگي در طبقه‌بندي به‌ترتيب 92/3 و 57/21درصدبود.
چكيده لاتين :
Airborne LiDAR (Light Detection and Ranging) has a high potential to provide 3D data for research and operational applications in a wide range of disciplines related to management of forest ecosystems and urban trees. Most proposed methods for extracting the individual trees first detect the points of tree top or bottom and then use them as starting points in a segmentation algorithm. Hence, in these methods, the number and the locations of detected peak points effect on the process of detecting individual trees heavily. In this study, a new method is presented to extract the individual tree segments using LiDAR points with 10 cm point density. In this method, a two-step strategy is performed for the extraction of individual tree LiDAR points: finding deterministic segments of individual trees points and allocation of other LiDAR points based on these segments. This research is performed on two study areas in Zeebrugge, Bruges, Belgium. The accuracy assessment of this method showed that with the increasing detection rate of young trees, it could correctly classified 74.51% of trees with 21.57% and 3.92% under- and over-segmentation errors, respectively.
