توانایی سیستم تصویرسنجی بردکوتاه در تولید ابر نقاط از تنه درختان سوزنی‌برگ

نوع مقاله : علمی- پژوهشی

نویسندگان

1 دانشجوی دکتری مدیریت جنگل، دانشکده منابع‌ طبیعی، دانشگاه لرستان، خرم‌آباد، ایران

2 نویسنده مسئول، دانشیار، گروه مدیریت جنگل، دانشکده منابع‌ طبیعی، دانشگاه لرستان، خرم‌آباد، ایران

3 دانشیار، گروه فتوگرامتری و سنجش از دور، دانشکده مهندسی نقشه‌برداری، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران

4 دانشیار، گروه مدیریت جنگل، دانشکده منابع ‌طبیعی، دانشگاه لرستان، خرم‌آباد، ایران

چکیده

سابقه و هدف: اسکنرهای لیزری و دوربین‌های دیجیتال با فراهم‌سازی ابر نقاط، مدل‌‌‌سازی سه‌بعدی را در جنگل امکان‌پذیر کرده‌اند. به‌منظور سه‌بعدی‌سازی در اشکوب زیرین جنگل، فناوری‌های اسکن لیزری از بهترین روش‌ها محسوب می‌شود، اما در بعضی موارد، عدم دسترسی به سیستم‌های جهانی ناوبری ماهواره‌ای به‌عنوان بزرگ‌ترین محدودیت آن، فرایند اسکن را دشوار می‌کند. راه‌حلی جایگزین برای رفع این مشکل، استفاده از تکنیک‌هایی مانند تصویرسنجی (Photogrammetry) است. هدف از پژوهش پیش‌رو، امکان‌سنجی کاربرد تصویرسنجی بردکوتاه زمینی با دقت زیاد به‌عنوان جایگزین روش‌های سنتی در اندازه‌گیری درختان جنگلی بود.
مواد و روش‌ها: اندازه‌گیری‌های میدانی با انتخاب تصادفی 10 اصله از درختان سوزنی‌برگ در فضای سبز دانشکده نقشه‌برداری دانشگاه صنعتی خواجه نصیرالدین طوسی در تهران طی تابستان 1401 انجام گرفت. ناصافی پوست تنه، اطلاعات کافی را در زمان پردازش تصاویر نمی‌دهد، بنابراین با نصب تارگت‌ها (کددار و دست‌ساز رفرکتور) به‌منظور قرارگیری اندازه‌ها در مقیاس واقعی، طول کنترل طراحی شد. طول چک نیز برای جهت‌گیری مناسب مدل و ارزیابی دقت پیاده‌سازی شد. فاصله‌ی بین تارگت‌ها توسط کولیس اندازه‌گیری شد. درنهایت، آن‌ها در ارتفاعات مختلف، دور تا دور تنه درخت نصب شدند. عکس‌برداری توسط دوربین فوجی‌فیلم مدل FinePix Real 3D W1 از 45 ایستگاه در حالت ایست- رو و با گردش 360 درجه به دور درخت به‌صورت زوج تصویر با حالت فوکوس دستی و بدون استفاده از سه‌پایه انجام شد. در هر پروژه، بهترین عکس‌ها برای این منظور انتخاب شدند و تناظریابی نقاط طول کنترل و طول چک انجام شد. نسبت یک‌سوم از این طول‌های کنترل به‌عنوان طول چک در نظر گرفته شد تا بدین نحو در محاسبات دخالت داده نشوند. به‌منظور مقایسه داده‌های برآوردی و داده‌های واقعی، آماره‌های مجذور میانگین مربعات خطا (RMSE)، میانگین خطای مطلق (MAE) و درصد آن‌ها به‌کار برده شد.
نتایج: دقت نقاط کنترل و نقاط چک در این پژوهش به کمتر از یک میلی‌متر رسید. در مجموع، ‌نقاط کنترل با خطایی کمتر از یک میلی‌متر (6/0 میلی‌‌متر) و با RMSE=17.3% 16.79% RMSE= و MAE= 10.3% به‌‌دست آمد. برای قضاوت در حالت تک‌درخت می‌توان از خطای تصویر مجدد که در واحد RMS است، استفاده کرد. کمینه (376/0 پیکسل) و بیشینه (695/0 پیکسل) RMS به‌ترتیب در درخت‌های شماره‌ 10و‌ 5 مشاهده شد. البته قضاوت فقط با استفاده از این مؤلفه کافی نیست. زیرا نقاط پرت در RMS به‌احتمال زیاد به‌دلیل جلوگیری از اریبی ناشی از تشخیص نقاط خارجی حذف نشده‌اند.
نتیجه‌گیری کلی: در مباحثی مانند تصویرسنجی صنعتی، دقت زیاد رایج است، اما استخراج مدلی با دقت کمتر از یک میلی‌‌متر در تصویرسنجی علوم جنگل، کمتر گزارش شده است. نتایج این پژوهش نشان داد که تصویرسنجی بردکوتاه زمینی به‌شرط طراحی شبکه اصولی و رعایت فاصله مناسب از درختان هنگام عکس‌برداری، مدلی باکیفیت و کم‌هزینه را ارائه می‌دهد. این روش در سطح تک‌درخت، پتانسیل زیادی برای رقابت با دستگاه‌های هزینه‌برِ تولید ابرهای نقطه‌ای متراکم و دقیق در جنگل دارد.
 
 

کلیدواژه‌ها

موضوعات

عنوان مقاله [English]

The ability of close-range photogrammetry system to produce point clouds from conifer tree stems

نویسندگان [English]

  • Elham Karimzadeh Jafari 1
  • Javad Soosani 2
  • Masoud Varshosaz 3
  • Hamed Naghavi 4
  • Ali Hosseini Naveh Ahmadabadian 3
1 Ph.D. Student of Forestry, Faculty of Natural Resources, Lorestan Lorestan University University of Lorestan, Khorramabad, Iran
2 Corresponding author, Associate Prof., Department of Forestry, Faculty of Natural Resources, Lorestan University, Khorramabad, Iran
3 Associate Prof., Department of Photogrammetry and Remote Sensing, Faculty of Geodesy and Geomatics Engineering, K.N. Toosi University of Technology, Tehran, Iran
4 Associate Prof., Department of Forestry, Faculty of Natural Resources, Lorestan University, Khorramabad, Iran
چکیده [English]

Background and objectives: Laser scanners and digital cameras have enabled the creation of 3D models in forest environments by generating point clouds. While laser scanning technologies are often the preferred method for rendering the forest understory in three dimensions, a major limitation is their dependence on access to Global Navigation Satellite Systems (GNSS), which can complicate data acquisition in certain environments. An alternative to this limitation is the use of photogrammetry techniques. The objective of this study was to evaluate the feasibility of using high-precision terrestrial close-range photogrammetry as an alternative to traditional methods for measuring forest trees.
Methodology: Field measurements were conducted on 10 randomly selected coniferous trees located on the campus of K.N. Toosi University of Technology in Tehran, Iran, during the summer of 2022. Due to the lack of smoothness on the tree stems, image processing can lack sufficient detail. Therefore, coded and hand-made refractor targets were installed to scale the images to real-world dimensions. Control lengths were designed for orientation, and check lengths were implemented to assess accuracy. Target distances were measured using calipers and installed at various heights around the stem. Photographs were captured using a Fujifilm FinePix Real 3D W1 camera from 45 stations in stop-and-go mode, rotating 360 degrees around each tree. Stereo pair images were taken using manual focus, without a tripod. The best images were selected for each project, and matching of control and check length points was performed. One-third of the control lengths were designated as check lengths to avoid influencing the calibration. To evaluate accuracy, the following metrics were used: Root Mean Square Error (RMSE), percentage RMSE (%RMSE), Mean Absolute Error (MAE), and percentage MAE (%MAE).
Results: The accuracy of both control and check points achieved sub-millimeter precision. Total control point error was below 1 mm (0.6 mm), with RMSE = 16.79% and MAE = 10.3%. For individual trees, image reprojection errors were also analyzed in RMS pixel units. Tree number 10 showed the lowest RMS error (0.376 pixels), while tree number 5 had the highest (0.695 pixels). However, this metric alone is insufficient for full accuracy assessment, as outliers were likely retained to avoid bias in error estimation.
Conclusion: Achieving sub-millimeter accuracy is rare in forest science photogrammetry but common in industrial applications. The findings demonstrate that close-range terrestrial photogrammetry, when combined with proper network design and optimal image-capturing distance, can yield high-quality models at relatively low cost. This method shows strong potential to compete with more expensive technologies for generating dense and precise point clouds of individual trees.
 
 

کلیدواژه‌ها [English]

  • Calibration
  • check length
  • control length
  • forest management
  • photogrammetric network

مراجع

- Akbari, M. and Riahi Bakhtiari, H.R., 2023. The use of terrestrial photogrammetry in order to estimate the quantitative characteristics of single trees in urban areas. Proceedings of Third National Conference on Natural Resources and Sustainable Development in Zagros. Shahrekord, Iran, 6-7 Mar. 2023: 8p (In Persian).
- Amiri Parian, J. and Azizi, A., 2005. Designing and implementing a close-range digital photography system for automatic reconstruction of human face surface. Journal of the College of Engineering, 38(6): 861-871 (In Persian).
- Azizi, Z., Hosseini, A. and Iranmenesh, Y., 2018. Estimating biomass of single oak trees using terrestrial photogrammetry. Journal of Environmental Science and Technology, 19(4): 81-93 (In Persian with English summary).
- Bayat, M., 2022. Designing the optimal ground imaging network for 3D modeling in order to extract geometric variables from urban trees. M.Sc. thesis, Faculty of Geodesy and Geomatics Engineering, K.N. Toosi University of Technology, Tehran, 85pp (In Persian with English summary).
- Bayati, H., Najafi, A., Vahidi, J. and Jalali, S.Gh., 2021. 3D reconstruction of uneven-aged forest in single tree scale using digital camera and SFM-MVS technique. Scandinavian Journal of Forest Research, 36(2-3): 210-220.
- Bazhrang, Z., Naghdi, R., Ghajar, I. and Fallahi, S., 2024. Accuracy and precision evaluation of global positioning system methods for forest roads surveying (Case study: Javaherdeh forest, Ramsar). Iranian Journal of Forest, 16(1): 121-135 (In Persian with English summary).
- Emami, H. and Rostami, S.Gh., 2022. Analysis and comparison of the exactness of specialist drone-based software products in urban and exurban region. Scientific- Research Quarterly of Geographical Data, 31: 63-87 (In Persian with English summary).
- Esfahani, M. and Mohammadzade, A., 2016. Fusion of pixel-based and object-based analysis in order to buildings and trees detection in urban area from LiDAR and optic data. Journal of Geomatics and Technology, 6(2): 27-42 (In Persian with English summary).
- Esmaeili, F. and Ebadi, H., 2018. Determination of car body deformation due to collision using close-range photogrammetry. Journal of Geospatial Information Technology, 6(1): 117-129 (In Persian with English summary).
- Fallah, M., Matkan, A.A. and Aghighi, H., 2024. Estimation of height and diameter at breast height of forest trees with multi-scale individual tree detection method and machine learning algorithms using airborne LiDAR data. Iranian Journal of Forest and Poplar Research, 32(2): 112-131 (In Persian with English summary).
- Fol, C.R., Murtiyoso, A. and Griess, V.C., 2022. Evaluation of Azure Kinect derived point clouds to determine the presence of microhabitats on single trees based on the swiss standard parameters. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLIII-B2-2022: 989-994.
- Forsman, M., Borlin, N. and Holmgren, J., 2016. Estimation of tree stem attributes using terrestrial photogrammetry with a camera rig. Forests, 7(3): 61.
- Fraser, C.S., 2006. Evolution of network orientation procedure. Proceedings of ISPRS Commission 5th Symposium on Image Engineering and Vision Metrology. Dresden, Germany, 25-27 Sep. 2006: 114-120.
- Ghannadi, M.D., Saadatseresht, M. and Eftekhary, A., 2015. Improving the TerraSAR-X image matching using textural image features. Journal of Radar: 2(4): 9-20 (In Persian with English summary).
- Grussenmeyer, P., Kuhlmann, H. and Rottensteiner, F., 2022. Advances in 3D laser scanning and digital photogrammetry for forest applications. ISPRS Journal of Photogrammetry and Remote Sensing, 186: 1-15.
- Hemmati, Z., Ebadi, H., Hosseini Naveh Ahmadabadian, A. and Esmaeili, F., 2017. Presented a new algorithm for network design and path planning it captures drone modeling purposes archaeological sites. Journal of Geomatics and Technology, 7(2): 167-180 (In Persian with English summary).
- Jennings, A. and Black, J., 2012. Texture-based photogrammetry accuracy on curved surfaces. AIAA Journal, 50(5): 1060-1071.
- Karimi, M., Sadeghi Niaraki, A. and Hosseini Naveh, A., 2019. Comparison of different targets used in augmented reality applications in Ubiquitous GIS. Journal of Geospatial Information Technology, 7(2): 43-62 (In Persian with English summary).
- Kianejad, A., Ebadi, H., Varshosaz, M. and Mojarradi, B., 2009. Design and development of a new hybrid area and feature-based image matching method for relative orientation in close range photogrammetry. Journal of the College of Engineering, 43(4): 455-466 (In Persian with English summary).
- Luhmann, T., 2010. Close range photogrammetry for industrial applications. ISPRS Journal of Photogrammetry and Remote Sensing, 65(6): 558-569.
- Luhmann, T., Robson, S., Kyle, S. and Boehm, J., 2014. Close-Range Photogrammetry and 3D Imaging. Walter de Gruyter, Berlin, Germany, 684p.
- Marzulli, M.I., Raumonen, P., Greco, R., Persia, M. and Tartarino, P., 2020. Estimating tree stem diameters and volume from smartphone photogrammetric point clouds. Forestry, 93(3): 411-429.
- Mikita, T., Janata, P. and Surový, P., 2016. Forest stand inventory based on combined aerial and terrestrial close-range photogrammetry. Forests, 7(8): 165.
- Mokroš, M., Výbošťok, J., Tomaštík, J., Grznárová, A., Valent, P., Slavík, M. and Merganič, J., 2018. High precision individual tree diameter and perimeter estimation from close-range photogrammetry. Forests, 9(11): 696.
- Mulverhill, C., Coops, N.C., Tompalski, P., Bater, C.W. and Dick, A.R., 2019. The utility of terrestrial photogrammetry for assessment of tree volume and taper in boreal mixedwood forests. Annals of Forest Science, 76: 83.
- Murtiyoso, M., Hristova, H., Rehush, N. and Griess, V.C., 2022. Low-cost mapping of forest under-storey vegetation using spherical photogrammetry. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-2/W1-2022: 185-190.
- Naghibi Rad, S.A., Darvishsefat, A.A., Fatehi, P., Namiranian, M., Saadatseresht, M. and Boroumand, M., 2024. Evaluation of Octree-Based Segmentation (OBS) method to seperate ground point based on the handheld laser scanner data. Iranian Journal of Forest, 16(1): 137-155 (In Persian with English summary).
- Panagiotidis, D., Surový, P. and Kuželka, K., 2016. Accuracy of Structure from Motion models in comparison with terrestrial laser scanner for the analysis of DBH and height influence on error behaviour. Journal of Forest Science, 62(8): 357-365.
- Piermattei, L., Karel, W., Wang, D., Wieser, M., Mokroš, M., Surový, P., ... and Hollaus, M., 2019. Terrestrial structure from motion photogrammetry for deriving forest inventory data. Remote Sensing, 11(8): 950.
- Rahimi Jafari, F., Habibi, F. and Moazen, S., 2021. Introducing the non-destructive method of photogrammetry in the study and servey of historical monuments. Journal of Research on Archaeometry, 7(2): 135-158 (In Persian with English summary).
- Saadatseresht, M. and Zarrinpanjeh, N., 2009. Design and automatic recognition of the coded targets in vision metrology systems. Journal of the College of Engineering, 43(4): 391-404 (In Persian).
- Sadeghian, H., Naghavi, H., Maleknia, R. and Soosani, J., 2022a. Estimating the quantitative characteristics of seedlings using terrestrial close-range photogrammetry. Journal of Forest Research and Development, 7(4): 639-651 (In Persian with English summary).
- Sadeghian, H., Naghavi, H., Maleknia, R., Soosani, J. and Pfeifer, N., 2022b. Estimating the attributes of urban trees using terrestrial photogrammetry. Environment Monitoring Assessment, 194: 625.
- Sajjadi, S.Y., 2018. The proposed algorithm for modelling of ancient monuments and cultural heritage by using of hyperspectral images data and digital terrestrial photogrammetry. Journal of Geospatial Information Technology, 5(4): 1-21 (In Persian with English summary).
- Sharifi, A. and Saadatseresht, M., 2022. Modeling of photographic residues from aerial triangulation of UAV photogrammetric network and its evaluation. Scientific- Research Quarterly of Geographical Data, 31: 23-38 (In Persian with English summary).
- Steier, J., Goebel, M. and Iwaszczuk, D., 2024. Is your training data really ground truth? A quality assessment of manual annotation for individual tree crown delineation. Remote Sensing, 16(15): 2786.
- Tomaštík, J., Saloň, Š., Tunák, D., Chudý, F. and Kardoš, M., 2017. Tango in forests – An initial experience of the use of the new Google technology in connection with forest inventory tasks. Computers and Electronics in Agriculture, 141: 109-117.
- Trochta, J., Krůček, M., VrsÏka, T. and Král, K., 2017. 3D Forest: An application for descriptions of three-dimensional forest structures using terrestrial LiDAR. PLoS ONE, 12(5): e0176871.
- Umarhadi, D.A., Senawi, Wardhana, W., Soraya, E., Jihad, A.N. and Ardiansyah, F., 2023. Can iPhone/iPad LiDAR data improve canopy height model derived from UAV? BIO Web of Conferences 80: 03003.
- van Leeuwen, M. and Nieuwenhuis, M., 2010. Retrieval of forest structural parameters using LiDAR remote sensing. European Journal of Forest Research, 129(4): 749-770.
Weiser, H., Schäfer, J., Winiwarter, L., Krašovec, N.,
 
 Fassnacht, F. and Höfle, B., 2022. Individual tree point clouds and tree measurements from multi-platform laser scanning in German forests. Earth system science data, 14, 2989-3012. .

فایل ها

هم رسانی

ارجاع به این مقاله

آمار