چکیده استخراج پارامترهای هندسی درختان از داده لیدار برای مناطق جنگلی امید آئینه *1 سعید صادقیان 2 نشريه علمي- ترويجي مهندسي نقشهبرداري و اطالعات مکاني دوره هفتم شماره 3 مرداد ماه 5331 5 کارشناس ارشد فتوگرامتري - گروه ژئودزي و مهندسي نقشه برداري - دانشگاه تفرش aieneh.omid@gmail.com استاديار مرکز مطالعات سنجش از دور و - GIS دانشگاه شهید بهشتي 2 sa_sadeghian@sbu.ac.ir )تاريخ دريافت آبان 5333 تاريخ تصويب فروردين 5331( براي استخراج پارامترهاي هندسي تک تک درختان در گذشته از دو روش فتوگرامتري و میداني استفاده مي کردند روش میداني يعني استخراج پارامترهاي هندسي تک تک درختان به صورت دستي اما روش میداني به شدت وقت گیر مي باشد همچنین عکسهاي هوايي به طور مستقیم نمي توانند اطالعات ساختار سه بعدي جنگل را تهیه کنند به همین خاطر تکنولوژي لیدار اخیرا به طور گسترده اي مورد استفاده قرار گرفته است. اولین گام براي استخراج پارامترهاي هندسي درخت جداسازي نقاط مربوط به درختان از داده لیدار با استفاده از الگوريتم هاي Skewness Balancing Slope Filter و است. دومین گام با نقاط درخت بدست آمده يک تقريب خطي از شکل واقعي درختان با استفاده از مثلث بندي دلوني ايجاد مي کنیم که اين به شکل آلفا معروف است و در کل يک پوسته محدب و سه بعدي از درختان تولید مي کند سپس به جداسازي درختان بهم پیوسته با الگوريتم Local Maxima and Minima مي پردازيم در نهايت با الگوريتم دايره بسته 2 بعدي مي توان پارامترهاي هندسي درخت مثل ارتفاع قطر پوشش گیاهي قطر تنه ارتفاع تنه ارتفاع پوشش گیاهي درخت را محاسبه کرد. واژگان کلیدی: Alpha Shape Local Maxima and Minima Slope Filter Skewness Balancing الگوريتم دايره بسته 2 بعدي * نويسنده رابط 51
و] 1- مقدمه استخراج پارامترهاي هندسي درختان از داده لیدار براي مناطق جنگلي سیستم هاي لیدار به علت دارا بودن خصوصیاتي از قبیل: توانايي ثبت اطالعات در دو پالس ثانويه و اولیه قدرت نفوذ در مناطق جنگلي و تراکم بسیار باالي نقاط اندازه گیري به عنوان راه حل مناسبي براي استخراج پارامتر هاي هندسي درختان استفاده مي شود. لیدار يک سنجنده فعال 5 جهت جمع آوري توده اي از نقاط تعريف کننده سطح زمین مي باشد. اين سیستم اولین بار در دهه توسط 5391 NASA و بعد از آن توسط ساير سازمان هاي عمدتا آمريکايي وکانادايي به کار گرفته شد[ 5 ]. در اواخر دهه 5391 با روي کار آمدن امکان تعیین GPS موقیعت دقیق براي سیستم هاي لیدار نیز فراهم گرديد.يک سیستم لیدار شامل يک سیستم فاصله ياب لیزري يک سیستم اندازه گیري تعیین موقیعت تفاضلي )DGPS( مي باشد. 2 و يک سیستم اينرسي براي بدست آوردن مختصات سه بعدي هر نقطه روي سطح زمین مي بايست مختصات مرکز ارسال لیزر فاصله مايل بین اين مرکز با نقطه مورد نظر روي زمین و راستاي ارسال لیزر از فرستنده به سمت نقطه مورد نظر مشخص باشد که اين اطالعات به ترتیب توسط فاصله ياب لیزري اندازه گیري سیستم اينرسي و GPS تهیه مي شود. زماني که سیگنال به سمت زمین فرستاده مي شود اين سیگنال به عوارض مختلفي را از جمله پوشش گیاهي و سطح زمین برخورد مي کند که معموال به اين بازتاب ها پالس اولیه و پالس ثانويه گفته مي شود.اين ويژگي سیستم هاي لیدار کند[ 2 از سیستم هاي معمول.[3] فتوگرامتري متمايز مي پالس اولیه مربوط به پوشش گیاهي و پالس ثانويه مربوط به سطح زمین مي باشد. اولین گام براي استخراج پارامترهاي هندسي درخت تعیین نقاط مربوط به درخت از بین مي لیدار ابر نقاط باشد. در اين مقاله از ابرنقاط لیدار به صورت نقاط پالس اولیه و پالس ثانويه استفاده شده است اما از آنجايیکه در هنگام برداشت نقاط لیدار از مناطق جنگلي امکان اشتباه برداشت کردن نقاط است ابتدا بايد نقاط پوشش گیاهي را از نقاط پالس ثانويه جدا سازي کرد. در ادامه چندين روش جداسازي نقاط را مطرح مي کنیم. اف.اف تانگ در سال 2119 روشي براي جداسازي نقاط زمیني از پالس ثانويه ارائه کرد در اين روش با در نظر گرفتن اختالف ارتفاع بین پالس ثانويه و اولیه به عنوان حد آستانه توانستند تا حدودي نقاط زمیني را از نقاط پالس ثانويه استخراج کنند اما با توجه به شیب ناشي از زمین بیشتر پوشش گیاهي نزديک به زمین طبق اين حد آستانه حذف نمي شوند و براي حذف آنها مي بايست از معیار تنوع ارتفاعي (Height Variation) استفاده کرد از آن جايي که سیستم لیدار عالوه بر ثبت پالس اولیه و ثانويه توانايي ثبت پالس تکي را دارد در اين روش روشي براي استخراج نقاط زمیني از نقاط پالس تکي نیز ارائه شده است به اين ترتیب که نتايج حاصل از دو فیلترينگ قبل را در يک صفحه صاف قرار مي دهیم و سپس نقاط پالس تکي را به صفحه صاف تصوير مي کنیم و در نهايت اختالف ارتفاع بین نقاط پالس تکي و نقاط حاصل را محاسبه مي کنیم حال اگر اختالف ارتفاع نقاط کوچکتر از حد آستانه تعريف شده باشد مي توان نقطه پالس تکي مربوطه را به عنوان نقطه زمیني در نظر بگیريم سپس نقاط بدست آمده از اين فیلترينگ را با نقاط بدست آمده از دو فیلترينگ اول ترکیب کرده و با استفاده از آنها مي توان مدل رقومي زمین را تولید کرد[ 4 ]. حامد امیني امیر کالئي در سال 5333 براي استخراج مدل رقومي زمین روشي را ارائه کرد که شامل سه مرحله مي باشد. مرحله اول نويز موجود در داده ها حذف و با درونیابي با نزديکترين همسايه جايگزين گشت. در مرحله دوم با تعیین يک نوار جست وجو کل تصوير در راستاي عمودي و افقي براي استخراج مدل رقومي زمین اسکن گرديد و با يافتن کمینه درهرنوار و مقايسه نوارها نقاط تغییر شیب استخراج شده و به مدل رقومي زمین اعمال شد و در مرحله سوم نیز با اعمال فیلتر گشايش مورفولوژي نتايج بهبود يافت که با استفاده از اين روش مي توان نقاط پالس اولیه را از نقاط پالس ثانويه به خوبي جداسازي کرد[ 1 ]. در بین روش هاي جداسازي نقاط لیدار به اين نکته که امکان وجود نقاط غیر زمیني در نقاط زمیني دارد توجه اي نشده است. در اين مقاله روش جداسازي به گونه اي است که مي تواند نقاط زمیني را با دقت بااليي تخمین بزند. دومین گام براي استخراج پارامترهاي هندسي درخت بکارگیري الگوريتم هايي است که بايد بر روي نقاط پوشش گیاهي اعمال شوند.در ادامه چندين الگوريتم جهت 1 Active sensor استخراج پارامترهاي هندسي درخت مطرح شده است. 2 Inertial Measurement Unit 52
لي در سال 2151 يک روش دسته بندي تطابقي براي طبقه بندي درختان به صورت مجزا در جنگل هاي کاج با استفاده از نقاط سه بعدي ابر نقاط لیدار پیشنهاد کرد اين روش شبیه به روش طبقه بندي نشريه علمي- ترويجي مهندسي نقشهبرداري و اطالعات مکاني دوره هفتم شماره 3 مرداد ماه 5331 Watershed مي باشد اما اين روش نیازمند به داده آموزشي مناسب براي يادگیري نظارت شده دارد و اين روش براي جنگلهاي پیچیده تست نشده است[ 6 ]. مگي کلي در سال 2152 براي استخراج پارامترهاي هندسي تک تک درختان از روش Small footprint Discrete Return استفاده کرده است آنها اين الگوريتم را در کوههاي نوادا در کالیفرنیا آزمايش کردند نتايج بدست آمده حاکي از آن است که %96 درختان شناسايي شدند و %34 از طبقه بندي درختان درست بوده است[ 9 ]. عزيزي در سال 5332 براي مدل سازي تاج پوشش گیاهي جنگل با استفاده از داده لیدار و تصوير هوايي ديجیتال روشي را ارائه کرد در اين روش داده لیدار و تصوير هوايي ترکیب میشوند.اين روش شامل سه مرحله پیش پردازش شناسايي پوشش گیاهي استخراج تاج پوشش گیاهي مي باشد. مرحله پیش پردازش شامل استخراج مدل رقومي سطحي زمین و مدل رقومي زمین و ساخت شاخص طیفي مي باشد مرحله سوم با طبقه بندي داده لیدار و جست وجوي بیشینه محلي و استخراج پارامترهاي پوشش گیاهي انجام مي شود[ 9 ]. از بین روش هاي گفته شده هر يک به گونه اي طراحي شدند که فقط مي توانند روي همام داده خاص عمل کنند و قابلیت توسع يافتن را ندارند اما روش جداسازي و استخراج پارامترهاي هندسي در اين مقاله مي تواند رو هر داده ديگري عمل کند و بهترين نتیجه را تولید کند. در روش هاي ذکر شده از جداسازي درختان بهم پیوسته صحبتي نشده است اما در اين مقاله به اين موضوع اشاره شده است. 2- منطقه مورد مطالعه منطقه مورد مطالعه قسمتي از پارک Caribou RanchOpen Space Boulder Creek به مساحت 611 کیلومتر مربع در در نزديکي شهر آمريکا مي Colorado باشد )شکل 5 (. زمان برداشت داده لیدار از اين منطقه از 2151/25/9 تا 2151/26/9 مي باشد. شکل 5 - منطقه مورد مطالعه پارک جنگلي Caribou Ranch Open Space در کلورادو آمريکا 3- پیش پردازش در اولین گام بايد نقاط مربوط به درختان را از داده لیدار جداسازي کرد. از آنجايي که در هنگام برداشت نقاط توسط لیدار امکان دارد که نقاط غیر زمیني به عنوان نقاط زمیني برداشت شوند که اين نقاط باعث بهم خوردن توزيع نرمال نقاط زمیني مي شود براي متعادل کردن اين توزيع نرمال در اين مقاله از الگوريتم Skewness Balancing استفاده شده است. اين الگوريتم فرض مي کند که نقاط زمیني از يک توزيع نرمال پیروي مي کنند. نقاط مورد بررسي ما نقاط پالس ثانويه مي باشد و اين احتمال وجود دارد که در بین نقاط حذف شده در روش قبل تعدادي نقطه زمیني وجود داشته باشد و به اشتباه در روش قبل حذف شده باشند براي بدست آوردن اين نقاط زمیني به اين روش عمل مي کنیم: 53
و] استخراج پارامترهاي هندسي درختان از داده لیدار براي مناطق جنگلي الف: بايد نقاط حاصل از مرحله Skewness Balancing را از نقاط پالس ثانويه کسر کرد. )حاصل 5 : نقاط باقي مانده( ب: با مقايسه نقاط پالس اولیه با نقاط باقي مانده يکسري نقطه که از لحاظ x و y در دو مجموعه نقطه برابر هستند را جداسازي کرده و به يکسري نقاط پالس اولیه مي رسیم که مي توان آنها را با نقاط باقي مانده مقايسه کرد. ج: با توجه به اختالف ارتفاع بین پالس اولیه و پالس ثانويه مي توان نقاط شي موجود در پالس ثانويه را تا حدي حذف کرد. حال در اينجا با در نظر گرفتن يک حد آستانه به نام به عنوان H اختالف ارتفاع مجاز در مقايسه نقاط باقي مانده و نقاط پالس اولیه بدست آمده از 2 اگر اختالف ارتفاع بیشتر از حد آستانه باشد مي توان نقطه با ارتفاع کمتر )نقاط باقي مانده( را به عنوان نقاط زمیني پذيرفت. در مرحله بعدي نقاط حاصل از 2 مرحله قبل را ترکیب کرده و نقاط حاصل شبکه 2 بعدي تبديل کرده و روي آن روش و در نهايت نقاط حاصل از مرحله نقاط زمیني مي پذيريم. Slope Filter را اعمال مي کنیم Slope Filter 4- روش پیشنهادی را به عنوان ارتفاع قطر پوشش گیاهي قطر تنه ارتفاع تنه ارتفاع پوشش گیاهي درختان را محاسبه کرد. پیشنهادي در شکل 2 آمده است. فلوچارت روش در ادامه به پیاده سازي و شرح الگوريتم هاي بکار رفته شده در مقاله مي پردازيم و در نتیجه محدوده اندازه پارامترهاي هندسي درختان منطقه مورد مطالعه را براساس جدولي ارائه مي کنیم. پیش پردازش داده لیدار نقاط درخت تشکیل مثلث بندی دلونی و شکل 3 بعدی درختان جداسازی درختان بهم پیوسته -1-4 در اين مقاله براي استخراج پارامترهاي هندسي درختان در قسمت اول به جداسازي درختان بهم پیوسته مي پردازيم براي اين کار اول شکل آلفا نقاط درخت را که براساس مثلث بندي دلوني مي باشد تشکیل مي دهیم و يک شکل سه بعدي از نقاط تولید کرديم سپس بر اساس الگوريتم Local Maxima and Minima به بررسي وضعیت درختان پرداختیم به اين ترتیب که در شکل سه بعدي آلفا محدوده ارتفاعي هريک از درختان را محاسبه کرده و با توجه به آنها بیشترين ارتفاع هر يک از درختان را به عنوان Local Maxima Local Minma عنوان و کوچکترين ارتفاع بین 2 درخت را به در نظر مي گیريم. مقدار Local Minma براي جداسازي درختان بهم پیوسته استفاده مي شود که اصطالحا به اين کار مختصرسازي مي گويند. سپس براي پیدا کردن پارامترهاي هندسي درختان ار الگوريتم دايره بسته دو بعدي استفاده مي کنیم به اين ترتیب که بايد دوايري با شعاع هاي مختلف از پايین ترين تا باالترين ارتفاع درختان افراز کرد. بعد از محاسبه دواير بسته 2 بعدي براي تک تک درختان با تعريف قیودي که در بخش پیاده سازي آمده مي توان پارامترهاي از جمله: شکل 2 - فلوچارت استخراج پارامترهاي هندسي درختان تشکیل مثلث بندی دلونی و شکل بعدی آلفا درختان براي ساخت شکل 3 دو روش پايه وجود دارد يکي براساس مثلث بندي دلوني و ديگري بر اساس مثلث بندي دلوني وزن دار. شکل بدون وزن اما شکل براساس مثلث بندي دلوني با نقاط براساس مثلث بندي دلوني وزن دار با نقاط وزن دار ساخته میشود. براي مختصر سازي پارامترهاي هندسي درختان در اين مقاله از شکل استفاده شده است[ 3.[51] دو نوع متفاوت از شکل الف: شکل ب: شکل اعمال الگوریتم دایره بسته دو بعدی کلي معمولي پارامترهای هندسی درختان به شرح زير وجود دارد: 54
شکل نشريه علمي- ترويجي مهندسي نقشهبرداري و اطالعات مکاني دوره هفتم شماره 3 مرداد ماه 5331 کلي شامل رويه سینگوالر از مثلث دلوني مي باشد در حالي که شکل بندي معمولي رويه سینگوالر مثلث بندي دلوني وزن دار را حذف مي کند. در اين مقاله از شکل کلي براي محاسبه شکل استفاده شده است به خاطر اينکه ابرنقاط لیدار مذکور بدون وزن هستند. مقدار حقیقي فرض مي کنیم و سپس محاسبه شکلهاي مجموعه هاي براي مقدار را به عنوان مقدار اولیه از طريق اين انجام مي شود. تغییرات مقادير 5 Thinning مثلث بندي دلوني استفاده مي شود. اگر از مقادير بزرگ به مقادير کوچک میل کند شکل از حالت پیچیده به حالت ساده با جزئیات کامل تغییر مي يابد اين جزئیات براي استخراج پارامترهاي هندسي درختان الزم مي باشد بنابراين مقدار را تکراري فرض کرده و فرآيند تا زماني که نقاط شکل يک درخت را توصیف کند تکرار مي شود[ 51 ]. 2-4- جداسازی درختان بهم پیوسته سپس به جداسازي درختان بهم پیوسته با استفاده از الگوريتم Local Maxima and Minima مي پردازيم. اين الگوريتم براي پردازش تصوير به کار مي رود اما در اين مقاله يک راه حل عملي براي پیدا کردن Local Maxima and Minima مستقیما از ابر نقاط لیدار پیشنهاد شده است[ 51 ]. راه حل عملي: شکل سه بعدي به عنوان ورودي اين الگوريتم در نظر مي گیريم. µ شکل 1 - شکل سه بعدي از درختان از درختان را شکل 3 - نقاط درخت قبل از تشکیل مثلث بندي دلوني و محاسبه شکل در به محور مرحله x دوم همه نقاط درختان بهم پیوسته را نسبت µ با زاويه دوران مي دهیم. cos (μ) sin (μ) 0 R μ = [ sin (μ) cos (μ) 0] 0 0 1 سپس فاصله اقلیدسي بین موقعیت هاي درختان را در راستاي محور x محاسبه مي کنیم. d = (X 2 X 1 ) 2 + (Y 2 Y 1 ) 2 + (Z 2 Z 1 ) 2 شکل 4 - نقاط درخت بعد از تشکیل مثلث بندي دلوني و محاسبه شکل 5 نازک کاري در شکل سه بعدي محدوده ارتفاعي هريک از درختان را محاسبه کرده و ذخیره مي کنیم و با توجه به آنها بیشترين ارتفاع هر يک از درختان را به عنوان Local Maxima Local Minma و کوچکترين ارتفاع بین 2 درخت را به عنوان در نظر مي گیريم. مقدار Local Minma براي جداسازي درختان بهم پیوسته استفاده مي شود بعد از جداسازي درختان بهم پیوسته براساس مقدار Local Minma موقعیت حالت اولیه بر میگردانیم. سه بعدي درختان را با مقدار µ- به 55
5- پیاده سازی و ارزیابی استخراج پارامترهاي هندسي درختان از داده لیدار براي مناطق جنگلي 3-4- الگوریتم دایره بسته 2 بعدی هدف از الگوريتم دايره بسته 2 بعدي پیدا کردن بهترين دايره بسته از بین نقاط درخت مي باشد.در مرحله اول اين الگوريتم با استفاده از نقاط تمامي دواير ممکن را مي سازد سپس دايره اي که کوچکترين شعاع و شامل همه نقاط مربوط به درخت مورد نظر مي باشد را انتخاب مي کند حال اگر شعاع دايره انتخاب شده از حداکثر فاصله نقاط بزرگتر باشد آنگاه وسط دو نقطه مذکور را محاسبه کرده و از آن نقطه دايره اي به شعاع نصف حداکثر فاصله دو نقطه رسم مي کنیم و به آن بهترين دايره بسته گويند[ 51 ]. براي پیدا کردن پارامترهاي هندسي درختان بايد دوايري با شعاع هاي مختلف از پايین ترين تا باالترين ارتفاع درختان افراز کرد. بعد از محاسبه دواير بسته 2 بعدي براي تک تک درختان مي توان پارامترهاي از جمله: ارتفاع قطر پوشش گیاهي قطر تنه ارتفاع تنه ارتفاع پوشش گیاهي درخت را محاسبه کرد. ارتفاع درخت با کسر کردن کمترين ارتفاع از بیشترين ارتفاع درخت محاسبه مي شود. زماني که دايره بسته از پايین ترين ارتفاع ساخته مي شود و به سمت باال حرکت مي کند زماني که شعاع دايره در آن واحد خیلي زياد شد آن نقطه را به عنوان حدفاصل پوشش گیاهي و تنه درخت عالمت گذاري مي کنیم از پايین ترين ارتفاع درخت تا ارتفاع نقطه عالمت گذاري شده را ارتفاع تنه درخت در نظر مي گیريم با کسر کردن اين ارتفاع از ارتفاع درخت مي توان ارتفاع پوشش گیاهي درخت را محاسبه کرد. میانگین قطر دواير مربوط به تنه درخت را به عنوان قطر تنه درخت و همچنین میانگین قطر دواير مربوط به پوشش گیاهي درخت را به عنوان قطر پوشش گیاهي درخت مي پذيريم. بعد از انجام پیش پردازش الزم جهت جداسازي نقاط مربوط به درخت از داده لیدار با نقاط حاصل شکل 3 بعدي آلفا را تشکیل داديم و با الگوريتم Local Maxima and Minima به جداسازي درختان بهم پیوسته پرداختیم. با توجه به شکل 6 مي توان محل درختان بهم چسبیده را پیدا کرد. در نهايت با استفاده از الگوريتم دايره بسته دو بعدي به استخراج پارامترهاي هندسي درختان سه شکل الگوريتم از استفاده مي پردازيم. بعدي در مکانهايي با درختان انبوه و فواصل کم تشخیص درختان سخت مي باشد. در نتیجه کاهش و خالصه سازي داده ها به منظور مدل سازي درختان توسط مقادير مختلف شکل 9. تراکم نقاط براي 4 5111 511 51 5 1 انجام شد. انجام شد مقدار آلفا به شرح براي مقدار آلفا صفر تراکم نقاط تقريبا 52111 نقطه بود و با مقدار آلفا 5 به تراکم حدود 5534 نقطه رسیديم که به اين معناست که حدود 91 درصدد نقاط کاهش يافتند و حال با توجه به شکل 3 مي توان پارامترهاي هندسي نقاط را استخراج کرد در حالي که اگر براي ساده سازي داده ها از مقدار آلفا زياد استفاده کنیم تعداد بیش از حدي از نقاط حذف شده و ديگر نقاط باقي مانده نمي توانند بیانگر يک درخت باشند که در شکل 51 نشان داده شده است. بنابراين براي ساده سازي ابر نقاط لیدار مي بايست مقدار بهینه آلفا مشخص شود که در اين تحقیق با توجه به اشکال 9 و 3 و 51 به اين نتیجه مي رسیم که مقدار بهینه آلفا برابر با 5 مي باشد. شکل 6 - نمودار ارتفاعي درختان 56
ماه نشريه علمي- ترويجي نقشهبرداري و اطالعات مکاني دوره هفتم شماره 3 مرداد مهندسي نهايتا پارامترهاي بدست آمده در جدول 5 آورده شده است. جدول 5 - اطالعات پارامترهاي هندسي درختان تعداد درختان رنج ارتفاعي رنج قطر پوشش گیاهي رنج قطر تنه رنج ارتفاع تنه رنج قطر ارتفاع پوشش گیاهي 214133 1. تا 1.1 متر 61 سانتي متر تا 2 متر 29 تا 34 سانتي متر 5.3 تا 3.3 متر 92 سانتي متر تا 2.2 متر شکل 9 - بررسي مقدار آلفا بر تراکم ابر نقاط 5331 شکل 51 - تصوير درختي که با مقدار آلفا برابر با 5111 ساده سازي شده 6- نتیجه گیری شکل 9 - تصوير يک درخت با مقدار آلفا برابر صفر استفاده از الگوريتم شکل سه بعدي روشي مناسب جهت ساده سازي شکل هندسي درختان است. اين روش به ساختمان داخلي درختان وابسته نیست و قابلیت بدست آوردن اطالعات از شکل خارجي پوشش گیاهي را دارد. همانطور که از شکل 53 بر مي آيد مي توان به اين نتیجه رسید که مقادير زياد آلفا براي ساده سازي ابر نقاط لیدار مناسب نیستند با انجام آزمايشات گوناگون بر مقدار آلفا مي بايست مقدار بهینه آلفا طوري تعیین شود که نقاط حاصل نمايانگر درخت باشد و بتوان با استفاده از آن نقاط و الگوريتم دايره بسته 2 بعدي پارامترهاي هندسي درختان را استخراج کرد. بیشتر مقاالت براي استخراج تاج پوشش گیاهي از مدل رقومي سطحي مدل نرمالیز شده رقومي سطحي و 5 استفاده کرده اند اما در مدل ارتفاعي تاج پوشش گیاهي اين مقاله براي جداسازي تاج هاي بهم چسبیده از روش شکل 3 - تصوير درختي که با مقدار آلفا برابر با 5 ساده سازي شده 1 Canopy Height Mode 57
استخراج پارامترهاي هندسي درختان از داده لیدار براي مناطق جنگلي کمینه ارتفاع محلي استفاده شده و نتیجه اي خوب و همچنین کاهش حجم محاسبات را در برداشته است.زماني که روش کمینه ارتفاع محلي براي جداسازي يکسري درختان هم ارتفاع بکار گرفته شد جواب ضعیفي را دربرداشت بنابراين اين مورد يکي از نقاط ضعف اين روش به شمار مي رود و بايد براي حاصل شدن جوابهاي بهتر روش کمینه ارتفاع محلي بهبود و ارتقا يابد. مراجع از الگوريتم دايره بسته دو بعدي جهت بدست آوردن پارامترهاي هندسي درخت از جمله ارتفاع درخت ارتفاع تنه قطر پوشش گیاهي قطر تنه قطر ارتفاع پوشش گیاهي استفاده شده است.استفاده از شکل سه بعدي به عنوان ورودي الگوريتم دايره بسته دو بعدي مي تواند تعداد بار تکراري که الزم است تا به بهترين دايره بسته دو [1] [3] بعدي برسیم را به طور قابل توجهي کاهش دهد. Kilian,J.,Haala.N.,Englich,M.,1996.Capture and evaluation of airbone laser scanner data In: International Archives of Photogrammetry and remote Sensing,Vol.31/B3. ف. صمدزادگان م. معبودي م. حائري. 5393 تعیین اتوماتیک مدل رقومي زمین از داده هايLIDAR. همايش ملي ژئوماتیک 93. Azizi,Z.,Najafi,A.,Sadeghian,S.,2014.Forest road detection using lidar data.journal of Forestry Research, 25(4):975:980. [2] [4] F.F.Tang,J.N.Liu,X.H.Zhang,Z.M.Ruan.,2008.Derivation of Dightal Terrain Model in forested area with Airbone LIDAR data In: International Archives of the Photogrammetry and remote sensing and Spatial Information Sciences,Vol.XXXVII. Part B3b,beijing. ح. امیني امیر کالئي پ. پهلواني س. صادقیان. 5333.ارائه روشي ابتکاري براي استخراج مدل رقومي زمین با استفاده از داده لیدار.بیست و يکمین همايش ملي ژئوماتیک 33. [1] [6] [7] [8] [9] [10] Lee, H., K.C. Slatton, B.E. Roth, and W.P. Cropper JR, 2010. Adaptive clustering of airborne LiDAR data to segment individual tree crowns in managed pine forests, International Journal of Remote Sensing, 31(1):117 139. Wenkai Li, Qinghua Guo, Marek K. Jakubowski, and Maggi Kelly,2012. A New Method for Segmenting Individual Trees from the Lidar Point Cloud, Photogrammetric Engineering & Remote Sensing, Vol. 78, No. 1, January 2012, pp. 75 84. Azizi,Z.,Sadeghian,S.,1392.Forest canopy modeling with lidar data and digital aerial imagery. SMPR 2013 2 nd International Conference on Sensors and Models in Photogrammetry and Remote Sensing. Bernardini, F.and C. Bajaj, 1997. Sampling and reconstructing manifolds using alpha-shapes, 9 th Canadian Conference on Computational Geometry pp.193-198. Pratihast,A.2010.3D Tree Modelling Using Mobile Laser Scanning Data.Thesis Submitted to the International Institute for Geo-information Sciencce and Earh Observation in partial fulfilment of the requirements for the degree of Master of Science in Geo-information science and Earh Observation. 58