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.
Miraki M, Sohrabi H, Fatehi P, Kneubuehler M. Comparison of Machine Learning Algorithms for Broad Leaf Species Classification Using UAV-RGB Images. JGST 2020; 10 (2) :1-10 URL: http://jgst.issgeac.ir/article-1-926-fa.html
