فهرست نشریات علمی دسترسی آزاد ایران

مقدمه: یکی از مهم‌ترین داده‌های پایه برای برنامه‌ریزی و مدیریت جنگل، وجود مدل‌های رقومی ارتفاعی (DEMs) دقیق است. برای تهیۀ این داده‌ها از روش‌های مختلفی استفاده می‌شود که لیزر اسکنرهای دستی متحرک، از کاراترین و دقیق‌ترین آنهاست. داده‌های حاصل از لیزر اسکنرها به‌شکل ابر‌ نقاط خام هستند و باید پردازش‌هایی مختلفی برای آماده‌سازی این داده‌ها صورت گیرد. یکی از اصلی‌ترین مراحل پردازش ابر نقاط، جداسازی نقاط زمینی و غیر زمینی است، زیرا بروز خطا در این قسمت از پردازش‌ها به تهیۀ مدل‌های رقومی غیردقیق منجر خواهد شد. برای اجرای این مرحله، الگوریتم‌های گوناگونی مانند قطعه‌بندی مبتنی بر واکسل، فیلتر شبیه‌سازی پارچه و الگوریتم‌های مبتنی بر یادگیری عمیق ایجاد شده است. هدف این پژوهش، ارزیابی قابلیت الگوریتم قطعه‌بندی مبتنی بر Octree در جداسازی خودکار نقاط زمینی و غیر زمینی و تعیین مقادیر بهینۀ پارامترهای این الگوریتم در توده‌های درختی است.مواد و روش­ها: پنج محدوده از باغ گیاه‌شناسی کرج به مساحت 2/7 هکتار که دربردارندۀ توده‌های درختی و دارای ساختار ناهمسال و چنداشکوبه است، انتخاب و با استفاده از لیزر اسکنر دستی ژئواسلم برداشت و بررسی شد. به‌منظور تهیۀ مرجعی مطمئن برای ارزیابی نتایج الگوریتم یادشده، جداسازی نقاط زمینی با دقتی زیاد و به‌طور دستی انجام گرفت و صحت نتایج در مقایسه با این مرجع واقعیت زمینی برپایۀ آماره‌های ضریب همبستگی متیوز، ضریب کاپا و IoU تعیین شد.یافته­ها: میانگین حاصل از مقادیر آماره‌های ارزیابی کارایی مدل در پنج محدودۀ تحت بررسی نشان داد که الگوریتم قطعه‌بندی مبتنی بر Octree با ضریب همبستگی متیوز، ضریب کاپا و IoU به‌ترتیب 895/0، 891/0 و 902/0 صحت مطلوبی ارائه داده است. همچنین در محدوده‌های تحت بررسی مقدار بهینۀ ابعاد مکعب برای اجرای الگوریتم بازۀ 15 تا 22 سانتی‌متری تعیین شد.نتیجه­گیری: می‌توان بیان کرد که الگوریتم قطعه‌بندی مبتنی بر Octree در صورت انتخاب مقادیر بهینۀ پارامترهای ورودی، از کارایی مطلوبی برای جداسازی نقاط زمینی و غیر زمینی در عرصه‌های جنگلی برخوردار است.