فهرست نشریات علمی دسترسی آزاد ایران

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.