شناسایی و تشخیص گونه های درختی و اطلاعات مکانی دقیق آنها برای مدیریت جنگل‌های طبیعی، مصنوعی و همچنین پوشش گیاهی شهری امری حیاتی و ضروری است. لیزر اسکنر زمینی یک سنجنده فعال سنجش از دور می‌باشد که پتانسیل تولید اطلاعات مکانی با جزئیات بالا را برای کاربردهایی در زمینه جنگلداری و حفاظت از طبیعت دارد. لیزر اسکنر زمینی جزئیات ساختار درختان را در حد زیر شاخه توصیف می‌کند، از این رو می‌توان اطلاعات هندسی درختان را با دقت و صحت بالا از داده‌های ابر نقاط لیزر اسکنر زمینی بدست آورد. روند پیشنهادی در این مقاله به این صورت است که ابتدا از داده‌های ابر نقاط لیزر اسکنر زمینی سه گونه مختلف درختی که عبارت است از: Quercus_petraeaگونه‌ای از درخت بلوط، Pinus_massonianaگونه‌ای از درخت کاج و Erythrophleumگونه ای از درخت لوبیا، پارامترهای هندسی این درختان استخراج شده است. برای هر کدام از این گونه‌ها 12 داده ابر نقطه لیزر اسکنر زمینی موجود بوده است. پس از آنکه پارامترهای هندسی این درختان استخراج شدند، با در نظر گرفتن این پارامترهای هندسی بعنوان ویژگی و با استفاده از الگوریتم‌های ماشین بردار پشتیبان و نزدیکترین همسایگی طبقه‌بندی این سه گونه‌ی درختی انجام شده است. لازم به ذکر است که میزان دقت روش های استخراج پارامترهای هندسی درختان توسط داده های مرجع که بصورت غیراتوماتیک تولید شدند، مورد ارزیابی قرار گرفته است.هدف در این مقاله ارزیابی الگوریتم های ماشین بردار پشتیبان و نزدیکترین همسایگی با تعداد پارامترهای هندسی و نمونه های آموزشی کمتر برای تشخیص این سه گونه از هم می باشد. نتایج ارزیابی دقت طبقه بندی 81% با استفاده از الگوریتم ماشین بردار پشتیبان و دقت 74% با الگوریتم نزدیکترین همسایگی را نشان می‌دهد که حاکی از قدرت تشخیص نسبتاً خوب روش پیشنهادی برای طبقه‌بندی و تشخیص این سه گونه می باشد.
Abolhasani H, Mohammadzadeh A. Detection of some Tree Species from Terrestrial Laser Scanner Point Cloud Data Using Support-vector Machine and Nearest Neighborhood Algorithms. JGST 2020; 9 (3) :29-40 URL: http://jgst.issgeac.ir/article-1-824-fa.html
ابوالحسنی هنگامه سادات، محمدزاده علی. تشخیص برخی گونه‌های درختی از داده‌های ابر نقاط لیزر اسکنر زمینی با استفاده از الگوریتم‌های ماشین بردار پشتیبان و نزدیکترین همسایگی. علوم و فنون نقشه برداری. 1398; 9 (3) :29-40
