ارزیابی روش قطعه بندی مبتنی برOctree در جداسازی ابر نقاط زمینی در داده های لیزر اسکنر دستی

مقدمه: یکی از مهم ترین داده های پایه برای برنامه ریزی و مدیریت جنگل، وجود مدل های رقومی ارتفاعی (DEMs) دقیق است. برای تهیه این داده ها از روش های مختلفی استفاده می شود که لیزر اسکنرهای دستی متحرک، از کاراترین و دقیق ترین آنهاست. داده های حاصل از لیزر اسکنرها به شکل ابر نقاط خام هستند و باید پردازش هایی مختلفی برای آماده سازی این داده ها صورت گیرد. یکی از اصلی ترین مراحل پردازش ابر نقاط، جداسازی نقاط زمینی و غیر زمینی است، زیرا بروز خطا در این قسمت از پردازش ها به تهیه مدل های رقومی غیردقیق منجر خواهد شد. برای اجرای این مرحله، الگوریتم های گوناگونی مانند قطعه بندی مبتنی بر واکسل، فیلتر شبیه سازی پارچه و الگوریتم های مبتنی بر یادگیری عمیق ایجاد شده است. هدف این پژوهش، ارزیابی قابلیت الگوریتم قطعه بندی مبتنی بر Octree در جداسازی خودکار نقاط زمینی و غیر زمینی و تعیین مقادیر بهینه پارامترهای این الگوریتم در توده های درختی است.مواد و روش­ها: پنج محدوده از باغ گیاه شناسی کرج به مساحت ۲/۷ هکتار که دربردارنده توده های درختی و دارای ساختار ناهمسال و چنداشکوبه است، انتخاب و با استفاده از لیزر اسکنر دستی ژئواسلم برداشت و بررسی شد. به منظور تهیه مرجعی مطمئن برای ارزیابی نتایج الگوریتم یادشده، جداسازی نقاط زمینی با دقتی زیاد و به طور دستی انجام گرفت و صحت نتایج در مقایسه با این مرجع واقعیت زمینی برپایه آماره های ضریب همبستگی متیوز، ضریب کاپا و IoU تعیین شد.یافته­ها: میانگین حاصل از مقادیر آماره های ارزیابی کارایی مدل در پنج محدوده تحت بررسی نشان داد که الگوریتم قطعه بندی مبتنی بر Octree با ضریب همبستگی متیوز، ضریب کاپا و IoU به ترتیب ۸۹۵/۰، ۸۹۱/۰ و ۹۰۲/۰ صحت مطلوبی ارائه داده است. همچنین در محدوده های تحت بررسی مقدار بهینه ابعاد مکعب برای اجرای الگوریتم بازه ۱۵ تا ۲۲ سانتی متری تعیین شد.نتیجه­گیری: می توان بیان کرد که الگوریتم قطعه بندی مبتنی بر Octree در صورت انتخاب مقادیر بهینه پارامترهای ورودی، از کارایی مطلوبی برای جداسازی نقاط زمینی و غیر زمینی در عرصه های جنگلی برخوردار است.

کلیدواژه ها:

جنگل ، قطعه بندی ، لیزر اسکنر دستی ، مدل های رقومی ارتفاعی (DEMs) ، Octree