ارزیابی دقت داده‌های پهپاد در برآورد میزان خشکیدگی درختان شمشاد (مطالعه موردی: پارک جنگلی سیسنگان- استان مازندران)

الموضوعات :

محمدرضا کارگر ¹ (کارشناسی ارشد سنجش‌ازدور، اداره کل منابع طبیعی و آبخیزداری استان فارس، شیراز، ایران)
یونس بابایی ² (کارشناسی ارشد جنگلداری، اداره کل منابع طبیعی و آبخیزداری استان تهران، تهران، ایران)
امیراسلام بنیاد ³ (استاد، گروه علوم و مهندسی جنگل، دانشکده منابع طبیعی صومعه‌سرا، دانشگاه گیلان، گیلان، ایران)

تاريخ الإرسال : 11 الإثنين , صفر, 1442 تاريخ التأكيد : 09 الجمعة , جمادى الثانية, 1442 تاريخ الإصدار : 12 الثلاثاء , ذو القعدة, 1442

الکلمات المفتاحية: خشکیدگی, شمشاد, پارک جنگلی سیسنگان, پهپاد, شبکه عصبی مصنوعی, طبقه بندی,

ملخص المقالة :

پیشینه و هدف پارک جنگلی سیسنگان یکی از زیستگاه های مهم شمشاد خزری در کشور به‌حساب می آید. اما در چند سال اخیر به دلیل بیماری خشکیدگی دچار بحران شده و بسیاری از پایه های شمشاد از بین رفته اند. پایش و مدیریت این منطقه می تواند در اموری مانند کنترل، حفاظت و حمایت این منطقه مؤثر باشد. به دلیل مساحت زیاد پایه های از بین رفته، امکان برآورد مساحت به‌صورت دقیق با استفاده از داده های موجود وجود ندارد. اندازه گیری های دستی نیز کاری بسیار زمان‌بر و طاقت فرساست. این امر مستلزم این است تا راهی بیابیم که به‌صورت دقیق و خودکار این فرآیند را انجام دهد. پهپادها با استفاده از سنجنده های بسیاری دقیقی (تفکیک مکانی) که دارند، این امکان را فراهم آورده اند. روش های مختلف طبقه بندی نیز از راهکارهایی هستند که می توان به‌منظور تفکیک خودکار درختان خشکیده از درختان سبز به کار گرفت. هدف از این پژوهش، ارزیابی توانایی داده های پهپادهای ارزان قیمت با سنجنده ‌های معمولی در آشکارسازی و پهنه بندی مناطق دچار خشکیدگی اثبات گردد و با توجه به اینکه هزینه پهپادهایی با سنجنده های چند طیفی (باند لبه قرمز و مادون ‌قرمز نزدیک) بسیار زیاد است، بتوان این هزینه را کاهش داد.مواد و روش هاپارک جنگلی سیسنگان در 30 کیلومتری شرق شهرستان نوشهر استان مازندران در عرض جغرافیایی "30 ́ 33 ̊ 36 تا "30 ́ 35 ̊ 36 و طول جغرافیایی "00 ́ 47 ̊ 51 تا "30 ́ 49 ̊ 51 قرارگرفته است. این پارک علاوه بر نقش تفرجی که دارد بسیاری از گونه های گیاهی مهم کشور در آن رشد یافته اند. ازجمله مهم‌ترین این گونه ها می توان به شمشاد خزری اشاره کرد. پهپادی که در این پژوهش استفاده گردید از نوع پهپادهای عمودپرواز است. دوربینی که بر روی این وسیله تعبیه ‌شده است قابلیت ثبت تصاویر 20 مگاپیکسلی را دارد. عملیات تصویربرداری در تاریخ هشتم آذرماه 1396، ساعت 10 صبح انجام پذیرفت که مدت‌زمان آن 45 دقیقه طول کشید. برای نمونه برداری میدانی از منطقه موردمطالعه بازدید به عمل آمد و نقاط مختلف آن ازنظر تراکم پایه های خشکه‌دار شمشاد و درختان سبز مشخص گردید. سپس سه قطعه‌نمونه دایره ای با شعاع 60 متر و مساحت 1.13 هکتار در منطقه طراحی گردید و تراکم پایه های خشکه دار شمشاد و پایه های زنده و سبز در آن ها مشخص گردید. سپس در هر قطعه‌ نمونه در نقاطی که پایه های شمشاد قرار داشتند، 50 نقطه تعلیمی و همچنین در نقاطی که پایه های زنده، پوشش علفی کف و تمشک نیز قرار داشتند، 50 نقطه ثبت گردید. در این پژوهش به‌منظور بررسی میزان دقت تصاویر پهپاد در شناسایی و طبقه بندی مناطق پوشیده از خشکه دار های شمشاد، کوچک‌ترین پایه های خشکه‌دار شمشاد که کمترین وسعت تاج را داشتند نیز ثبت گردید. به دلیل اینکه تصاویر پهپاد احتیاج به تصحیحات هندسی دارند، ابتدا ازنظر هندسی و موقعیت جغرافیایی تصحیح شدند. به‌منظور انجام فرآیند طبقه بندی، وارد نرم افزار ENVI شدند. در هر قطعه‌نمونه 100 نقطه ثبت گردیده بود که 75 عدد از آن ها برای انجام فرآیند طبقه بندی نظارت‌شده و 25 عدد از آن ها نیز برای ارزیابی صحت طبقه بندی استفاده گردید. برای طبقه بندی این تصاویر از سه الگوریتم طبقه بندی نظارت ‌شده شبکه عصبی مصنوعی، حداکثر احتمال و حداقل فاصله به‌ کاربرده شد. در پایان پس از انجام هرکدام از مراحل طبقه بندی، از فیلتر پایین گذر با ابعاد پنجره 3 در 3 پیکسل، برای هموارسازی تصاویر استفاده شد. برای ارزیابی نتایج نیز شاخص های ضریب کاپا و دقت کلی به کار گرفته شد.نتایج و بحث در این تعداد قطعه‌نمونه، 579 پایه اندازه گیری گردید. شمشاد با اختلاف زیادی، بیشترین فراوانی را در منطقه به خود اختصاص داد. پس‌ازآن ممرز و انجیلی و بلوط به ترتیب دررتبه های بعدی قرار دارند. از نتایج حاصل مشخص شد که الگوریتم شبکه عصبی مصنوعی بهترین نتایج را نسبت به دو الگوریتم دیگر داشته است. اما نتایج شبکه عصبی مصنوعی نیز با توجه به شرایط قطعه‌نمونه دارای نوساناتی است. این الگوریتم با دقت کلی 97.47 درصد و ضریب کاپا 0.94 بهترین نتایج را در تفکیک و آشکارسازی خشکه دار های شمشاد در قطعه‌نمونه با غلبه خشکه دارهای شمشاد داشتند. پس از الگوریتم شبکه عصبی مصنوعی، الگوریتم بیشینه شباهت نتایج مطلوب تری را در تفکیک پایه های خشکه‌دار شمشاد از خود نشان داد. الگوریتم کمترین فاصله نتایج مطلوبی از خود نشان داد، اما میزان دقت آن به‌اندازه دو الگوریتم قبل نبود. هر سه الگوریتم در تفکیک پایه ها در قطعه‌نمونه با غلبه پایه های زنده نتایج ضعیف تری را نسبت به دو قطعه‌نمونه دیگر از خود نشان دادند. قطعه‌نمونه با غلبه پایه های زنده و سبز در مقایسه با دو قطعه‌نمونه دیگر پدیده‌ها و عوارض بیشتری را در خود جای‌داده است و از نظر بافت تصویر نیز در مقایسه با دو قطعه ‌نمونه دیگر تفاوت های زیاد و محسوسی دارد. در این قطعه ‌نمونه علاوه بر وجود پایه های سبز و خشکه‌ دارهای شمشاد، پوشش علفی کف و توده های تمشک نیز به چشم می خورد. در این پژوهش نتایج طبقه بندی و آشکارسازی خشکه دارهای شمشاد با استفاده از الگوریتم شبکه عصبی مصنوعی بسیار بهتر از الگوریتم های بیشینه شباهت و کمترین فاصله بود. ازجمله دلایل بهتر بودن نتایج الگوریتم شبکه عصبی مصنوعی می توان به غیرخطی بودن و ناپارامتریک بودن آن اشاره کرد. اما در طبقه بندی به‌وسیله الگوریتم های سنتی مانند روش های آماری، به دلیل اینکه انعطاف پذیری کمتری دارند، دقت پایین‌تری داشته. انواع پارامتریک روش های سنتی مانند الگوریتم بیشینه شباهت، به خاطر وابستگی به آمار گوسی، درصورتی‌که داده ها نرمال نباشند نمی تواند دقت مطلوبی در طبقه بندی و تفکیک طبقات از یکدیگر داشته باشد. در الگوریتم های سنتی مانند الگوریتم های بیشینه شباهت و کمترین فاصله، داده های آموزشی نقش حیاتی دارند. در این روش ها فرض بر این است که توزیع در داخل نمونه های آموزشی باید نرمال باشد، به‌طوری‌که اگر نتوان این شرط را محیا نمود، دقت طبقه بندی به‌شدت کاهش می یابد. درحالی‌که روش های شبکه عصبی مصنوعی بر اساس ویژگی ها و ساختار خود داده ها عمل می کنند.نتیجه گیری نتایج حاصل از این پژوهش نشان داد که می توان با استفاده از داده ها و تصاویر معمولی یک پهپاد ارزان ‌قیمت به بررسی وضعیت خشکیدگی درختان بعد از فوران بیماری و تعیین مساحت آن پرداخت. برخلاف هزینه های زیادی که به‌منظور خرید سنجنده های گران ‌قیمت به ‌منظور پایش وضعیت پوشش گیاهی صورت می گیرد، می توان از این شیوه های ارائه‌شده در این مقاله، با هزینه های بسیار کمتری اقدام کرد. این روش می تواند در تعیین میزان سطح پوشش های خشکیده کمک شایانی به نهاد های زیربط کند.

المصادر:

Abdel-Rahman ME, Onisimo M, Elhadi A, Riyad I. 2014. Detecting Sirex noctilio grey-attacked and lightning-struck pine trees using airborne hyperspectral data, random forest and support vector machines classifiers. ISPRS Journal of Photogrammetry and Remote Sensing, 88: 48-59. doi:https://doi.org/10.1016/j.isprsjprs.2013.11.013.

Barton CV. 2012. Advances in remote sensing of plant stress. Plant and Soil, 354(1): 41-44. doi:https://doi.org/10.1007/s11104-011-1051-0.

Bulman LS. 2004. Assessment and control of Dothistroma needle-blight. Forest Research Bulletin. 48 p.

Calderón R, Navas-Cortés JA, Zarco-Tejada PJ. 2015. Early detection and quantification of Verticillium wilt in olive using hyperspectral and thermal imagery over large areas. Remote Sensing, 7(5): 5584-5610. doi:https://doi.org/10.3390/rs70505584.

Chenari A, Erfanifard Y, Dehghani M, Pourghasemi HR. 2018. Estimation of crown area of wild pistachio single trees using DSM of UAV aerial images in Baneh Research Forest, Fars province. Journal of Wood and Forest Science and Technology, 24(4): 117-130. doi:https://doi.org/ 10.22069/JWFST.2017.13322.1683. (In Persian).

Dash JP, Watt MS, Pearse GD, Heaphy M, Dungey HS. 2017. Assessing very high resolution UAV imagery for monitoring forest health during a simulated disease outbreak. ISPRS Journal of Photogrammetry and Remote Sensing, 131: 1-14. doi:https://doi.org/10.1016/j.isprsjprs.2017.07.007.

Dennison PE, Brunelle AR, Carter VA. 2010. Assessing canopy mortality during a mountain pine beetle outbreak using GeoEye-1 high spatial resolution satellite data. Remote Sensing of Environment, 114(11): 2431-2435. doi:https://doi.org/10.1016/j.rse.2010.05.018.

Gao J, Liao W, Nuyttens D, Lootens P, Vangeyte J, Pižurica A, He Y, Pieters JG. 2018. Fusion of pixel and object-based features for weed mapping using unmanned aerial vehicle imagery. International journal of applied earth observation and geoinformation, 67: 43-53. doi:https://doi.org/10.1016/j.jag.2017.12.012.

Golparvar-Fard M, Peña-Mora F, Savarese S. 2009. D4AR–a 4-dimensional augmented reality model for automating construction progress monitoring data collection, processing and communication. Journal of Information Technology in Construction, 14(13): 129-153.

Ishida T, Kurihara J, Viray FA, Namuco SB, Paringit EC, Perez GJ, Takahashi Y, Marciano Jr JJ. 2018. A novel approach for vegetation classification using UAV-based hyperspectral imaging. Computers and Electronics in Agriculture, 144: 80-85. doi:https://doi.org/10.1016/j.compag.2017.11.027.

Kargar M, Sohrabi H. 2019. Using canopy height model derived from UAV images for tree height estimation in Sisangan forest. Journal of RS and GIS for Natural Resources (Journal of Applied RS and GIS techniques in Natural Resource Science), 10(3): 106-119. http://girs.iaubushehr.ac.ir/article_668477.html?lang=en. (In Persian).

Kargar MR, Sohrabi H. 2019. Estimation of tree biomass at individual tree, sample plot and hybrid level using drone images. Engineering Journal of Geospatial Information Technology, 7(3): 111-120. doi:https://doi.org/10.29252/jgit.7.3.213. (In Persian).

Lashari SA, Ibrahim R. 2015. Performance Comparison of Selected Classification Algorithms Based on Fuzzy Soft Set for Medical Data. In:  Advanced Computer and Communication Engineering Technology. Springer, Book series (LNEE, volume 315), pp 813-820. https://doi.org/810.1007/1978-1003-1319-07674-07674_07676.

Lazarević J, Davydenko K, Millberg H. 2017. Dothistroma needle blight on high altitude pine forests in Montenegro. Baltic Forestry, 23(1): 294-302.

Leckie D, Jay C, Gougeon F, Sturrock R, Paradine D. 2004. Detection and assessment of trees with Phellinus weirii (laminated root rot) using high resolution multi-spectral imagery. International Journal of Remote Sensing, 25(4): 793-818. doi:https://doi.org/10.1080/0143116031000139926.

Lisein J, Linchant J, Lejeune P, Bouché P, Vermeulen C. 2013. Aerial surveys using an unmanned aerial system (UAS): comparison of different methods for estimating the surface area of sampling strips. Tropical Conservation Science, 6(4): 506-520. doi:https://doi.org/10.1177/194008291300600405.

McConnell ML, Ryan JM, Collmar W, Schönfelder V, Steinle H, Strong A, Bloemen H, Hermsen W, Kuiper L, Bennett K. 2000. A high-sensitivity measurement of the MeV gamma-ray spectrum of Cygnus X-1. The Astrophysical Journal, 543(2): 928. doi:https://doi.org/10.1086/317128.

Meigs GW, Kennedy RE, Cohen WB. 2011. A Landsat time series approach to characterize bark beetle and defoliator impacts on tree mortality and surface fuels in conifer forests. Remote Sensing of Environment, 115(12): 3707-3718. doi:https://doi.org/10.1016/j.rse.2011.09.009.

Miller E, Dandois JP, Detto M, Hall JS. 2017. Drones as a tool for monoculture plantation assessment in the steepland tropics. Forests, 8(5): 168. doi:https://doi.org/10.3390/f8050168.

Murugesan S, Bouchard K, Chang E, Dougherty M, Hamann B, Weber GH. 2017. Multi-scale visual analysis of time-varying electrocorticography data via clustering of brain regions. BMC bioinformatics, 18(6): 1-15. doi:https://doi.org/10.1186/s12859-017-1633-9.

Poona NK, Ismail R. 2013. Discriminating the occurrence of pitch canker fungus in Pinus radiata trees using QuickBird imagery and artificial neural networks. Southern Forests: a Journal of Forest Science, 75(1): 29-40. doi:https://doi.org/10.2989/20702620.2012.748255.

Prošek J, Šímová P. 2019. UAV for mapping shrubland vegetation: Does fusion of spectral and vertical information derived from a single sensor increase the classification accuracy? International Journal of Applied Earth Observation and Geoinformation, 75: 151-162. doi:https://doi.org/10.1016/j.jag.2018.10.009.

Qin B, Xia Y, Prabhakar S, Tu Y. 2009. A rule-based classification algorithm for uncertain data. In: 2009 IEEE 25th International Conference on Data Engineering. IEEE, pp 1633-1640. https://doi.org/1610.1109/ICDE.2009.1164.

Ruggieri S. 2002. Efficient C4. 5 [classification algorithm]. IEEE transactions on knowledge and data engineering, 14(2): 438-444. doi:https://doi.org/10.1109/69.991727.

Sadeghi S, Sohrabi H. 2019. The effect of UAV flight altitude on the accuracy of individual tree height extraction in a broad-leaved forest. The International Archives of the Photogrammetry, Remote Sensing, and Spatial Information Sciences, 42(4): W18. doi:https://doi.org/10.5194/isprs-archives-xlii-4-w18-1168-2019.

Shahbazi M, Théau J, Ménard P. 2014. Recent applications of unmanned aerial imagery in natural resource management. GIScience & Remote Sensing, 51(4): 339-365. doi:https://doi.org/10.1080/15481603.2014.926650.

Stone C, Carnegie A, Melville G, Smith D, Nagel M. 2013. Aerial mapping canopy damage by the aphid Essigella californica in a Pinus radiata plantation in southern New South Wales: what are the challenges? Australian Forestry, 76(2): 101-109. doi:https://doi.org/10.1080/00049158.2013.799055.

Stone C, Coops NC. 2004. Assessment and monitoring of damage from insects in Australian eucalypt forests and commercial plantations. Australian Journal of Entomology, 43(3): 283-292. doi:https://doi.org/10.1111/j.1326-6756.2004.00432.x.

White JC, Wulder MA, Vastaranta M, Coops NC, Pitt D, Woods M. 2013. The utility of image-based point clouds for forest inventory: A comparison with airborne laser scanning. Forests, 4(3): 518-536. doi:https://doi.org/10.3390/f4030518.

Wulder MA, Dymond CC, White JC, Leckie DG, Carroll AL. 2006. Surveying mountain pine beetle damage of forests: A review of remote sensing opportunities. Forest Ecology and Management, 221(1-3): 27-41. doi:https://doi.org/10.1016/j.foreco.2005.09.021.

Wulder MA, White J, Bentz B, Alvarez M, Coops N. 2006. Estimating the probability of mountain pine beetle red-attack damage. Remote Sensing of Environment, 101(2): 150-166. doi:https://doi.org/10.1016/j.rse.2005.12.010.

Wulder MA, White J, Bentz B, Ebata T. 2006. Augmenting the existing survey hierarchy for mountain pine beetle red-attack damage with satellite remotely sensed data. Forestry Chronicle, 82(2): 187-202. https://www.fs.usda.gov/treesearch/pubs/27845.

Yu X, Hyyppä J, Holopainen M, Vastaranta M. 2010. Comparison of area-based and individual tree-based methods for predicting plot-level forest attributes. Remote Sensing, 2(6): 1481-1495. doi:https://doi.org/10.3390/rs2061481.

Zarco-Tejada PJ, Diaz-Varela R, Angileri V, Loudjani P. 2014. Tree height quantification using very high resolution imagery acquired from an unmanned aerial vehicle (UAV) and automatic 3D photo-reconstruction methods. European Journal of Agronomy, 55: 89-99. doi:https://doi.org/10.1016/j.eja.2014.01.004.