Journal of Geomatics Science and Technology

fa مقایسه الگوریتم های یادگیری ماشین در طبقه بندی مکانی گونه های درختی پهن برگ Comparison of Machine Learning Algorithms for Broad Leaf Species Classification Using UAV-RGB Images سامانه های اطلاعات مکانی GIS پژوهشي Research <div style="text-align: justify;">شناسایی گونههای درختی برای انواع فعالیتهای مدیریت و نظارت بر منابع طبیعی از جمله آماربرداری، ارزیابی خطر آتشسوزی، نظارت بر تنوع زیستی و بهبود زیستگاه حیات وحش از اهمیت ویژهای برخوردار است. در طی سالیان اخیر، پیشرفت در فنآوری سنجش از دور امکان طبقهبندی گونههای درختی در سطح تکدرخت را با استفاده از سنجندههای مختلف فراهم کرده است. در این بین استفاده از تصاویر رنگی واقعی مبتنی بر پهپاد به دلیل سهولت در استفاده و مقرون به صرفه بودن به یک انتخاب محبوب تبدیل شدهاست. اما با توجه به نتایج متفاوت الگوریتمهای شناسایی درختان در تودههای مختلف، لازم است که تأثیر استفاده از الگوریتمها بر دقت شناسایی درختان در گونههای مورد مطالعه داخل کشور مورد بررسی قرار گیرد. بنابراین هدف ما در این تحقیق شناسایی گونههای پهنبرگ جنگلی با استفاده از تصاویر پهپاد با وضوح مکانی بالا و مقایسه عملکرد الگوریتمهای ناپارامتری ماشین بردار پشتیبان، جنگل تصادفی و شبکه عصبی مصنوعی و الگوریتم پارامتری تحلیل تشخیص خطی در طبقهبندی درختان بود.  به همین منظور تصویربرداری و برداشت زمینی درختان در خرداد 1398 در قسمت جلگهای جنگلهای شهرستان نور در مجاورت پارک جنگلی نور انجام شد. پس از پردازش تصاویر، اورتوموزاییک جنگل مورد مطالعه با انداره پیکسل 5/2 سانتیمتر با استفاده از الگوریتم ساختار حرکت مبنا تولید شد. سپس باندهای اصلی، شاخصها و نسبتهای باندی به دست آمده از اورتوموزاییک به عنوان داده ورودی در الگوریتمهای طبقهبندی مورد استفاده قرار گرفت.  نتایج نشان داد که الگوریتم پارامتری تحلیل تشخیص خطی با صحت کلی 87/0 بهترین نتیجه را برای طبقهبندی درختان ارائه داد. همچنین گونه سفیدپلت (صحت کاربر 97/0) و گونه انجیلی (صحت کاربر 72/0) به ترتیب بیشترین و کمترین صحت طبقهبندی را نشان دادند. در کل نتایج این تحقیق نشان داد که تصاویر پهپاد در جنگلهای جلگهای خزری قابلیت طبقهبندی و شناسایی درختان با الگوریتمهای مختلف را دارد.   </div> <div style="text-align: justify;">Abstract: Knowing the tree species combination of forests provides valuable information for studying the forest’s economic value, fire risk assessment, biodiversity monitoring, and wildlife habitat improvement. Fieldwork is often time-consuming and labor-required, free satellite data are available in coarse resolution and the use of manned aircraft is relatively costly. Recently, unmanned aerial vehicles (UAV) have been attended to be an easy-to-use, cost-effective tool for the classification of trees. In fact, given the cost-efficient nature of UAV derived SfM, coupled with its ease of application, it became a popular choice. The type of imagery is an important factor in classification analysis because the spatial and spectral resolution can influence the accuracy of classification. On the other hand, classification algorithms also play an important role in the accuracy of tree species identification. So, this study investigated the performance of four classifiers for tree species classification using UAV-based high-resolution imagery in broadleaf forests and takes a comparative approach to examine the three non-parametric classifiers including support vector machines (SVM), random forest (RF), artificial neural network (ANN), and one parametric classifier including linear discriminant analysis (LDA) classifiers in heterogeneous forests of Noor city located in Mazandaran province. In June 2019, the study area was photographed. The field survey was carried out to record the species and position of the mature overstory trees which were clearly identifiable on the orthomosaics. Individual tree crowns were clipped by one-meter buffer and the digit numbers were summarized at for each tree by computing descriptive statistics from the orthomosaics. Using zonal statistics, mean, standard deviation, variance, unique, range, mode, and median were calculated for raw bands (Red, Green, Blue), vegetation indices (NRB, NGB), and band ratios (G/R, R/B) from RGB orthomosaics. We classified the tree into 4 classes: Parrotia persica (Ironwood tree), Populus capsica (Caspian poplar), Ulmus minor (Common Elm), and Quercus castaneifolia (Chestnut-leaved oak). Finally, the classification algorithms were applied using R software. The classification accuracy for identified trees was performed using 10-fold cross-validation by computing the producer’s accuracy, user’s accuracy, and Overall accuracy. All algorithms resulted in overall accuracies above 80%. Of course, the results showed that, as a parametric algorithm, LDA with an overall accuracy of 0.87 provided the best results for tree classification, because it does not require the tuning of free parameters. As for parameter value, the mean was the most important that this can be related to the similarity of this feature in any sample. Caspian poplar with user accuracy of 0.97 and Ironwood tree with user accuracy of 0.72 had the highest and lowest classification accuracy, respectively. Caspian poplar high accuracy is probably due to its crown color which is quite different from the other species. The main error (misclassification) is a classification between “Ironwood tree” and “Common Elm” classes. This may be caused by the fact that the spectral signatures between Ironwood tree and Common Elm trees are very similar. In general, our study showed that UAV derived orthomosaic can be used for tree classification with very high accuracy in mix broadleaf forests by different algorithms.</div> تحلیل تشخیص خطی, ماشین بردار پشتیبان, جنگل تصادفی, شبکه عصبی مصنوعی, پهپاد, شاخص‌های طیفی Linear Discriminant Analysis, Support Vector Machine, Random Forest, Artificial Neural Network, UAV, Spectral Indices 1 10 http://jgst.issgeac.ir/browse.php?a_code=A-10-606-4&slc_lang=fa&sid=1 M. Miraki مژده میرکی m.miraki@modares.ac.ir 10031947532846007030 10031947532846007030 No Tarbiat Modares University دانشگاه تربیت مدرس H. Sohrabi هرمز سهرابی hsohrabi@modares.ac.ir 10031947532846007031 10031947532846007031 Yes Tarbiat Modares University دانشگاه تربیت مدرس P. Fatehi پرویز فاتحی parviz.fatehi@ut.ac.ir 10031947532846007032 10031947532846007032 No University of Tehran دانشگاه تهران M. Kneubuehler ماتیاس کناب mathias.kneubuehler@geo.uzh.ch 10031947532846007033 10031947532846007033 No University of Zurich دانشگاه زوریخ