کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4972802 1451244 2017 12 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Reducing classification error of grassland overgrowth by combing low-density lidar acquisitions and optical remote sensing data
ترجمه فارسی عنوان
کاهش خطای طبقه بندی رشد بیش از حد علف های هرز با ترکیب ترکیبات لیدار کم چگالی و داده های سنجش از دور
ترجمه چکیده
نقشه برداری تغییرات ساختاری در پویایی گیاهان، برای مدت طولانی، با استفاده از تصاویر ماهواره ای، ارتوپدی و اخیرا، خرید لیدار در هوا انجام شده است. لیادار موقعیت خود را به عنوان ارائه مواد دقیق برای تجزیه و تحلیل مبتنی بر ساختار ایجاد کرده است، اما دسترسی محدود آن، تاریخ نسبتا کوتاه و عدم اطلاعات طیفی، به طور کلی مانع استفاده از داده های لیدار برای اهداف تشخیص تغییر است. یک راه حل بالقوه برای تشخیص هر دو ساختار رویشی معاصر و مسیرهای پیشین آن، ترکیب داده های لیدار با داده های سنجش از راه دور نوری است که می تواند بطور قابل ملاحظه پوشش، دامنه و طیف طیفی مورد نیاز برای نقشه برداری پوشش گیاهی را گسترش دهد. در این مطالعه، استفاده همزمان از یک مجموعه داده لایارد با کمترین تراکم، مجموعه ای از فریم های ماهواره ای لندست و دو ورتکس با وضوح بالا برای تشخیص جانشینی گیاهی در ارتباط با رشد بیش از حد علف های هرز، یعنی تهاجم گیاهان جنگلی به مراتع نیمه طبیعی . ما چندین مدل جنگل تصادفی با مجموعه های مختلف متغیرها ایجاد کردیم و قابلیت استفاده از منابع داده مربوطه را برای اهداف تشخیص تغییر دادیم، با هدف تشخیص میدان های بدون تغییرات و مناطق جنگلی از مراتع بیش از حد رشد کرد. نتایج ما نشان می دهد که لیادار به تنهایی پایه محکمی برای نشان دادن تفاوت های ساختاری بین گیاهان علفی و گیاهان جنگلی دارد و تنها متغیرهای ارتوتوفوتو در تشخیص تغییرات جانشینی بهتر عمل می کنند و ترکیب آنها به طور قابل توجهی بهتر از بخش های مربوطه است. به طور خاص، یک مدل ترکیبی از تمام مجموعه داده های استفاده شده، خطای کلی از 17.0٪ به 11.0٪ و خطای حذف از شناسایی بیش از حد چمنزارها از 56.9٪ به 31.2٪ کاهش می یابد، در مقایسه با مدل ساخته شده صرفا بر اساس داده های لیدار. این نشان دهنده کارآیی رویکردی است که شاخص های ساختاری تولید شده توسط لیدار با مشاهدات نوری و چند زمانه ترکیب شده و چارچوبی عملی برای شناسایی پدیده های چشم انداز ساختاری گرا و پویا نظیر رشد بیش از حد چمنزار را نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر سیستم های اطلاعاتی
پیش نمایش مقاله
کاهش خطای طبقه بندی رشد بیش از حد علف های هرز با ترکیب ترکیبات لیدار کم چگالی و داده های سنجش از دور
چکیده انگلیسی
Mapping structural changes in vegetation dynamics has, for a long time, been carried out using satellite images, orthophotos and, more recently, airborne lidar acquisitions. Lidar has established its position as providing accurate material for structure-based analyses but its limited availability, relatively short history, and lack of spectral information, however, are generally impeding the use of lidar data for change detection purposes. A potential solution in respect of detecting both contemporary vegetation structures and their previous trajectories is to combine lidar acquisitions with optical remote sensing data, which can substantially extend the coverage, span and spectral range needed for vegetation mapping. In this study, we tested the simultaneous use of a single low-density lidar data set, a series of Landsat satellite frames and two high-resolution orthophotos to detect vegetation succession related to grassland overgrowth, i.e. encroachment of woody plants into semi-natural grasslands. We built several alternative Random Forest models with different sets of variables and tested the applicability of respective data sources for change detection purposes, aiming at distinguishing unchanged grassland and woodland areas from overgrown grasslands. Our results show that while lidar alone provides a solid basis for indicating structural differences between grassland and woodland vegetation, and orthophoto-generated variables alone are better in detecting successional changes, their combination works considerably better than its respective parts. More specifically, a model combining all the used data sets reduces the total error from 17.0% to 11.0% and omission error of detecting overgrown grasslands from 56.9% to 31.2%, when compared to model constructed solely based on lidar data. This pinpoints the efficiency of the approach where lidar-generated structural metrics are combined with optical and multitemporal observations, providing a workable framework to identify structurally oriented and dynamically organized landscape phenomena, such as grassland overgrowth.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: ISPRS Journal of Photogrammetry and Remote Sensing - Volume 130, August 2017, Pages 150-161
نویسندگان
, ,