تصنيف أنواع الأشجار في غابة شبه استوائية متنوعة بشكل كبير مع دمج سحابة النقاط الفوتوغرامترية القائمة على الطائرات بدون طيار وبيانات الطيف عالي الدقة

استخدام بيانات الاستشعار عن بُعد لتصنيف أنواع الأشجار في الغابات الاستوائية لا يزال مهمة صعبة، وذلك بسبب تنوعها الزهري والطيفي العالي. في هذا الصدد، تعد الحساسات الجديدة على متن منصات الطائرات بدون طيار (UAV) تقنية تتطور بسرعة وتوفر إمكانيات جديدة لتخطيط أنواع الأشجار الاستوائية. بالإضافة إلى الحصول على صور عالية الدقة المكانية والطيفية، تتيح الكاميرات الطيفية المفرطة التي تعمل في صيغة إطار إنتاج سحب نقاط طيفية ثلاثية الأبعاد. تناولت هذه الدراسة استخدام الصور الطيفية التي تم الحصول عليها بواسطة UAV وسحابة النقاط الفوتوغرامترية (PPC) لتصنيف 12 نوعًا رئيسيًا من الأشجار في شريحة غابية شبه استوائية في جنوب البرازيل. تم اختبار مجموعات بيانات مختلفة تحتوي على أطياف مرئية/ قريبة من الأشعة تحت الحمراء (VNIR) وميزات PPC ونموذج ارتفاع السطح (CHM) وميزات أخرى مستخرجة من البيانات الطيفية (مثل، التركيب، مؤشرات النبات - VIs، ونسبة الحد الأدنى من الضوضاء - MNF) باستخدام مصنف آلة الدعم الشعاعي (SVM). أظهرت النتائج أن استخدام أطياف VNIR الطيفية وحدها حقق دقة شاملة (OA) بلغت 57% (مؤشر كابا 0.53). زيادة ميزات PPC إلى أطياف VNIR الطيفية زادت OA بنسبة 11%. تم تحقيق أفضل نتيجة من خلال دمج أطياف VNIR وميزات PPC وCHM وVIs (OA بنسبة 72.4% ومؤشر كابا 0.70). عندما تم إضافة CHM فقط إلى أطياف VNIR، زادت OA بنسبة 4.2%. من بين الميزات الطيفية، بالإضافة إلى جميع أطياف VNIR واثنتين من VIs (NDVI وPSSR)، تم الإشارة إلى أول أربع ميزات MNF والمتوسط النسيجي لأطوال موجية 565 و679 نانومتر كأكثر أهمية لتمييز الأنواع الشجرية وفقًا لمسافة جيفريز-ماتوسيتا (JM). أثبتت طريقة SVM أنها مصنف جيد لمهمة التعرف على أنواع الأشجار، حتى في وجود عدد كبير من الفئات وبيانات صغيرة.