[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
برای نویسندگان::
آرشیو مجله و مقالات::
داوری تخصصی::
تماس با ما::
امکانات پایگاه::
::
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
پایگاه های نمایه کننده







 
..
آمار سایت
تعداد مشاهده ی مقالات: 3631337

مقالات منتشر شده: 700
نرخ پذیرش: 73.15
نرخ رد: 17.9

میانگین دریافت تا تصمیم‌گیری اولیه: 5 تا 10 روز
میانگین دریافت تا پذیرش: 194 روز
____
..
:: دوره 16، شماره 1 - ( 6-1405 ) ::
دوره 16 شماره 1 صفحات 90-81 برگشت به فهرست نسخه ها
تفکیک تاج درختان به‌صورت بدون آموزش (Zero-Shot) در جنگل‌های شهری نیمه‌خشک با استفاده از تصاویر پهپادی و مدل Segment Anything
مهناز بابایی ، زهرا عزیزی* ، سیاوش بختیاروند بختیاری
چکیده:   (10 مشاهده)

جنگل‌های شهری نقش مهمی در کاهش اثرات گرمایی، بهبود کیفیت هوا و افزایش تاب‌آوری اکوسیستم‌ها، به‌ویژه در مناطق نیمه‌خشک، ایفا می‌کنند. تعیین دقیق مرز تاج تک‌درختان (ITCs) برای تهیه آمار جنگل، برآورد زی‌توده و توسعه پایدار فضای سبز شهری ضروری است. توسعه پهپادها و تکنیک‌های پردازش تصویر، کاربرد سنجش‌ازدور در جنگلداری را به‌طور چشمگیری گسترش داده و امکان ثبت تصاویر باکیفیت و پایش تغییرات درختان را فراهم کرده است. در جنگل‌های دست‌کاشت، معمولاً گونه‌های مقاوم با پوشش تاجی متفاوت کاشته می‌شوند. در این پژوهش، عملکرد مدل «Segment Anything» (SAM)، به‌عنوان یک مدل یادگیری عمیقِ بدون نیاز به داده‌های آموزشی (Zero-Shot)، برای تفکیک تاج تک‌درختان با استفاده از تصاویر RGB حاصل از پهپاد در یک سایت بزرگ جنگل‌کاری شهری در جنوب‌غرب اصفهان، ایران، ارزیابی شد. در مجموع، ۵٬۹۷۴ درخت از سه گونه غالب در سه سایت شامل گونه‌های پهن‌برگ و سوزنی‌برگ، با استفاده از الگوریتم یادگیری عمیق SAM برای شناسایی و تفکیک تاج درختان مورد بررسی قرار گرفتند. سه سایت آزمایشی همگن شامل گونه‌های ارغوان (Cercis siliquastrum) با ۱٬۷۲۱ درخت، اقاقیا (Robinia pseudoacacia) با ۲٬۲۱۳ درخت و کاج الدار (Pinus eldarica) با ۲٬۰۴۰ درخت تحلیل شدند که در مجموع ۵٬۹۷۴ درخت مرجع را شامل می‌شدند. نتایج نشان داد که مدل برای تاج‌های پهن‌برگ و با فاصله مناسب عملکرد مطلوبی دارد (ارغوان: 0.78 = F1)، اما دقت آن در تاج‌پوشش‌های متراکم به‌طور قابل‌توجهی کاهش یافت (اقاقیا: 0.39 = F1؛ کاج: 0.35 = F1). در فرایند شناسایی تاج درختان، ساختار فضایی پوشش گیاهی نقش مهمی در دقت و کارایی مدل ایفا می‌کند. یافته‌ها نشان دادند که شکل تاج، تراکم تاج‌پوشش و الگوی پراکنش فضایی درختان تأثیر مستقیمی بر نتایج تفکیک بدون داده آموزشی دارند. در مقایسه با روش‌های متداول مبتنی بر پهپاد، مدل SAM قابلیت امیدوارکننده‌ای برای تهیه نقشه تاج تک‌درختان در جنگل‌کاری‌های شهری ساختاریافته نشان داد، اما در شرایط تاج‌های هم‌پوشان یا نامنظم همچنان با محدودیت‌هایی روبه‌رو است. این پژوهش یکی از نخستین ارزیابی‌های مدل SAM در پایش جنگل‌های شهری را ارائه می‌دهد و بر ظرفیت آن به‌عنوان ابزاری عملیاتی و کم‌نیاز به داده برای ارزیابی جنگل‌کاری و فضای سبز در محیط‌های نیمه‌خشک تأکید می‌کند.

شماره‌ی مقاله: 6
واژه‌های کلیدی: تفکیک تاج درختان، یادگیری بدون داده آموزشی، تصاویر پهپادی، جنگل‌های شهری نیمه‌خشک، یادگیری عمیق
متن کامل [PDF 845 kb]   (4 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: فتوگرامتری و سنجش از دور
دریافت: 1405/2/29 | پذیرش: 1405/6/6
فهرست منابع
1. E. G. McPherson, N. van Doorn, and J. de Goede, "Structure, function and value of street trees in California, USA," Urban Forestry & Urban Greening, vol. 17, pp. 104-115, 2016. [DOI:10.1016/j.ufug.2016.03.013]
2. A. Harikumar, F. Bovolo, and L. Bruzzone, "A local projection-based approach to individual tree detection and 3-D crown delineation in multistoried coniferous forests using high-density airborne LiDAR data," IEEE Transactions on Geoscience and Remote Sensing, vol. 57, no. 2, pp. 1168-1182, Feb. 2019, doi: 10.1109/TGRS.2018.2865014. [DOI:10.1109/TGRS.2018.2865014]
3. F. E. Fassnacht, E. Schmidt-Riese, T. Kattenborn, and J. Hernández, "Explaining Sentinel-2-based dNBR and RdNBR variability with reference data from the bird's eye (UAS) perspective," International Journal of Applied Earth Observation and Geoinformation, vol. 95, Art. no. 102262, 2021, doi: 10.1016/j.jag.2020.102262. [DOI:10.1016/j.jag.2020.102262]
4. S. A. U. V. Natesan, "Individual tree species identification using Dense Convolutional Network (DenseNet) on multitemporal RGB images from UAV," Journal of Unmanned Vehicle Systems, vol. 8, no. 4, pp. 310-333, Dec. 2020, doi: 10.1139/juvs-2020-0007. [DOI:10.1139/juvs-2020-0007]
5. J. Talebi and Z. Azizi, "Enhancing land feature classification with the BTR Extractor: A novel software package for high-accuracy analysis of aerial laser scan data," MethodsX, vol. 14, Art. no. 103090, 2025, doi: 10.1016/j.mex.2025.103090. [DOI:10.1016/j.mex.2024.103090]
6. Z. Azizi and M. Miraki, "Individual urban trees detection based on point clouds derived from UAV-RGB imagery and local maxima algorithm: A case study of Fateh Garden, Iran," Environment, Development and Sustainability, vol. 26, no. 1, pp. 2331-2344, Jan. 2024, doi: 10.1007/s10668-022-02853-3.. [DOI:10.1007/s10668-022-02820-7]
7. Z. Azizi, A. Hosseini, and Y. Iranmanesh, "Estimating biomass of single oak trees using terrestrial photogrammetry," Journal of Environmental Science and Technology, vol. 19, no. 4, pp. 81-93, 2017.
8. H. Huang, X. Li, and C. Chen, "Individual tree crown detection and delineation from very-high-resolution UAV images based on bias field and marker-controlled watershed segmentation algorithms," IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 11, no. 7, pp. 2256-2269, Jul. 2018, doi: 10.1109/JSTARS.2018.2830410. [DOI:10.1109/JSTARS.2018.2830410]
9. K. Korznikov, D. Kislov, T. Petrenko, V. Dzizyurova, J. Doležal, P. Krestov, and J. Altman, "Unveiling the potential of drone-borne optical imagery in forest ecology: A study on the recognition and mapping of two evergreen coniferous species," Remote Sensing, vol. 15, no. 18, Art. no. 4394, 2023, doi: 10.3390/rs15184394. [DOI:10.3390/rs15184394]
10. M. Miraki and H. Sohrabi, "Integrating UAV imagery, manual, and automatic crown delineation for estimating green space water requirements in semi-arid climate," SSRN Electronic Journal, 2024, doi: 10.2139/ssrn.4953253. [DOI:10.2139/ssrn.4962387]
11. A. Daryaei, H. Sohrabi, C. Atzberger, and M. Immitzer, "Fine-scale detection of vegetation in semi-arid mountainous areas with focus on riparian landscapes using Sentinel-2 and UAV data," Computers and Geosciences, vol. 147, Art. no. 105686, 2021, doi: 10.1016/j.cageo.2020.105686. [DOI:10.1016/j.compag.2020.105686]
12. H. Zhong, Z. Zhang, H. Liu, J. Wu, and W. Lin, "Individual tree species identification for complex coniferous and broad-leaved mixed forests based on deep learning combined with UAV LiDAR data and RGB images," Forests, vol. 15, no. 2, Art. no. 293, 2024, doi: 10.3390/f15020293. [DOI:10.3390/f15020293]
13. L. P. Osco, Q. Wu, E. L. de Lemos, W. N. Gonçalves, A. P. M. Ramos, J. Li, and J. Marcato Junior, "The Segment Anything Model (SAM) for remote sensing applications: From zero to one shot," International Journal of Applied Earth Observation and Geoinformation, vol. 124, Art. no. 103540, 2023, doi: 10.1016/j.jag.2023.103540. [DOI:10.1016/j.jag.2023.103540]
14. R. Ravindran, Y. Treitz, and D. Iwaszczuk, "Investigation on dimensionality reduction methods for tree-crown segmentation in hyperspectral imagery using Segment Anything Model," ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. X-G-2025, pp. 705-712, 2025, doi: 10.5194/isprs-annals-X-G-2025-705-2025. [DOI:10.5194/isprs-annals-X-G-2025-705-2025]
15. A. Kirillov, E. Mintun, N. Ravi, H. Mao, C. Rolland, L. Gustafson, T. Xiao, S. Whitehead, A. C. Berg, W.-Y. Lo, P. Dollár, and R. Girshick, "Segment Anything," in Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), Paris, France, 2023, pp. 4015-4026, doi: 10.1109/ICCV51070.2023.00371. [DOI:10.1109/ICCV51070.2023.00371]
16. M. Teng, A. Ouaknine, E. Laliberté, Y. Bengio, D. Rolnick, and H. Larochelle, "Assessing SAM for tree crown instance segmentation from drone imagery," Computer Vision and Pattern Recognition, 2025. https://arxiv.org/abs/2503.20199.
17. T. Kattenborn, J. Leitloff, F. Schiefer, and S. Hinz, "Review on convolutional neural networks (CNN) in vegetation remote sensing," ISPRS Journal of Photogrammetry and Remote Sensing, vol. 173, pp. 24-49, Mar. 2021, doi: 10.1016/j.isprsjprs.2020.12.010. [DOI:10.1016/j.isprsjprs.2020.12.010]
18. C. Hu, S. Dai, S. Wu, Q. Ye, and H. Yan, "Per-SAM-MCPA: A lightweight framework for individual tree crown segmentation from UAV imagery," Remote Sensing, vol. 18, no. 10, Art. no. 1559, 2026, doi: 10.3390/rs18101559. [DOI:10.3390/rs18101559]
19. J. Karthigesu, T. Owari, S. Tsuyuki, and T. Hiroshima, "Improving individual tree crown detection and species classification in a complex mixed conifer-broadleaf forest using two machine learning models with different combinations of metrics derived from UAV imagery," Geomatics, vol. 5, no. 3, Art. no. 32, 2025, doi: 10.3390/geomatics5030032. [DOI:10.3390/geomatics5030032]
20. J. L. Vaschetti, E. Arnaudo, and C. Rossi, "TreePseCo: Scaling individual tree crown segmentation using large vision models," The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, vol. XLVIII-M-7, pp. 275-282, 2025, doi: 10.5194/isprs-archives-XLVIII-M-7-2025-275-2025. [DOI:10.5194/isprs-archives-XLVIII-M-7-2025-275-2025]
21. A. Carraro, M. Sozzi, and F. Marinello, "The Segment Anything Model (SAM) for accelerating the smart farming revolution," Smart Agricultural Technology, vol. 6, Art. no. 100367, 2023, doi: 10.1016/j.atech.2023.100367. [DOI:10.1016/j.atech.2023.100367]
ارسال پیام به نویسنده مسئول

ارسال نظر درباره این مقاله
نام کاربری یا پست الکترونیک شما:

CAPTCHA


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

BABAEI M, Azizi Z, Bakhtiarvand Bakhtiari S. Zero-Shot Tree Crown Delineation in Semi-Arid Urban Forests Using UAV Imagery and the Segment Anything Model. , JGST. 2026; 16 (1) : 6
URL: http://jgst.issgeac.ir/article-1-1260-fa.html

بابایی مهناز، عزیزی زهرا، بختیاروند بختیاری سیاوش. تفکیک تاج درختان به‌صورت بدون آموزش (Zero-Shot) در جنگل‌های شهری نیمه‌خشک با استفاده از تصاویر پهپادی و مدل Segment Anything. ، علوم و فنون نقشه برداری. 1405; 16 (1) :81-90

URL: http://jgst.issgeac.ir/article-1-1260-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 16، شماره 1 - ( 6-1405 ) برگشت به فهرست نسخه ها
نشریه علمی علوم و فنون نقشه برداری Journal of Geomatics Science and Technology