شناسايي گونه‌هاي درختي در توده‌هاي پهن‌برگ آميخته جنگل‌هاي خزري با استفاده از تصاوير پهپاد (مطالعه موردي: جنگل دارابكلا)

(Detection of Tree Species in Mixed Broad-Leaved Stands of Caspian Forests Using UAV Images (Case study: Darabkola Forest

تصاوير پهپاد، با توان تفكيك مكاني بالا، يك منبع اطلاعاتي باارزش براي تهيه نقشه پوشش زمين و اطلاعات موضوعي به­ ويژه تشخيص گونه­ هاي درختي هستند. هدف از اين تحقيق بررسي قابليت تصاوير پهپاد و روش شيءپايه در تشخيص گونه ­هاي درختي در جنگل­ هاي پهن‌برگ خزري است. به‌اين منظور بخشي از پارسل 24 در سري يك دارابكلاي مازندران انتخاب شد. نقشه واقعيت زميني موقعيت گونه­ هاي غالب از طريق ثبت دقيق با الگوريتم تعيين مختصات جغرافيايي با استفاده از فاصله و آزيموت در نرم‌افزار متلب تهيه شد. پس از پردازش­ هاي مناسب بر روي تصاوير، طبقه بندي به روش شيء­پايه بر روي مجموعه تصاوير در سه ارتفاع پروازي 100، 75 و 55 متري به دو صورت طبقه‌بندي يك مرحله‌اي و طبقه‌بندي سلسله‌مراتبي انجام شد. در روش شيء­پايه از فن نزديك­ترين همسايه براي طبقه ­بندي گونه­ ها استفاده شد. ارزيابي صحت نقشه ­هاي حاصل ازطبقه ­بندي­ ها با استفاده از 50 درصد نمونه­ هاي واقعيت زميني انجام گرفت. نتايج نشان داد كه نقشه حاصل از طبقه­ بندي سلسله‌مراتبي به روش شيء­پايه در ارتفاع پروازي 55 متر بهترين توانايي تشخيص گونه­ هاي درختي را در بين سه ارتفاع، با ضريب كاپاي 0/81 و صحت كلي 87 درصد داراست.

Unmanned aerial vehicles (UAVs) images have high spatial resolution. They are a valuable source of information for mapping land cover and thematic information, particularly in the identification of tree species. The aim of this study was to investigate the capability of drone images and the base object method for detecting tree species in the Hyrcanian forests. For this purpose, part of an area in parcel 24 of district one in Mazandaran Darabkola forest was selected. The ground truth map was prepared through accurate recording with geographic coordinate’s algorithm using distance and azimuth in MATLAB software. Proper processing was done on the images and classification performed on images at three flight height; 55, 75 and 100 meters in two categories of one-step and hierarchical classifications. In object-based classification, the nearest neighbor method was used to classify three species. The accuracy of the maps derived from classifications was evaluated using 50% of the ground truth map. The results showed that the map of the hierarchical classification by the object based method at a flight height of 55 meters has the best ability to detect tree species in the three heights. These comparisons showed Kappa's coefficient of 0.81 accuracy of tree species classification in 55- meter height by UAV.