تشخیص برخی گونه های درختی از داده های ابر نقاط لیزر اسکنر زمینی با استفاده از الگوریتم های ماشین بردار پشتیبان و نزدیکترین همسایگی

شناسایی و تشخیص گونه های درختی و اطلاعات مکانی دقیق آنها برای مدیریت جنگل های طبیعی، مصنوعی و همچنین پوشش گیاهی شهری امری حیاتی و ضروری است. لیزر اسکنر زمینی یک سنجنده فعال سنجش از دور می باشد که پتانسیل تولید اطلاعات مکانی با جزییات بالا را برای کاربردهایی در زمینه جنگلداری و حفاظت از طبیعت دارد. لیزر اسکنر زمینی جزییات ساختار درختان را در حد زیر شاخه توصیف می کند، از این رو می توان اطلاعات هندسی درختان را با دقت و صحت بالا از داده های ابر نقاط لیزر اسکنر زمینی بدست آورد. روند پیشنهادی در این مقاله به این صورت است که ابتدا از داده های ابر نقاط لیزر اسکنر زمینی سه گونه مختلف درختی که عبارت است از: Quercus_petraea گونه ای از درخت بلوط، Pinus_massoniana گونه ای از درخت کاج و Erythrophleum گونه ای از درخت لوبیا، پارامترهای هندسی این درختان استخراج شده است. برای هر کدام از این گونه ها 12 داده ابر نقطه لیزر اسکنر زمینی موجود بوده است. پس از آنکه پارامترهای هندسی این درختان استخراج شدند، با در نظر گرفتن این پارامترهای هندسی بعنوان ویژگی و با استفاده از الگوریتم های ماشین بردار پشتیبان و نزدیکترین همسایگی طبقه بندی این سه گونه ی درختی انجام شده است. لازم به ذکر است که میزان دقت روش های استخراج پارامترهای هندسی درختان توسط داده های مرجع که بصورت غیراتوماتیک تولید شدند، مورد ارزیابی قرار گرفته است. هدف در این مقاله ارزیابی الگوریتم های ماشین بردار پشتیبان و نزدیکترین همسایگی با تعداد پارامترهای هندسی و نمونه های آموزشی کمتر برای تشخیص این سه گونه از هم می باشد. نتایج ارزیابی دقت طبقه بندی 81% با استفاده از الگوریتم ماشین بردار پشتیبان و دقت 74%  با الگوریتم نزدیکترین همسایگی را نشان می دهد که حاکی از قدرت تشخیص نسبتا خوب روش پیشنهادی برای طبقه بندی و تشخیص این سه گونه می باشد.