Angel Oak Tree – Informasi Seputar Pohon jenis oak tree

Angel Oak Tree merupakan situs informasi spesies pohon dan semak dalam genus Quercus dan beberapa genus yang berhubungan, terutama Cyclobalanopsis dan Lithocarpus.

Berita

Mengenal Spesies Pohon Dengan Menggunakan Beberapa Metode Penelitian

Mengenal Spesies Pohon Dengan Menggunakan Beberapa Metode Penelitian – Informasi eksplisit komposisi spesies pohon menyediakan bahan berharga untuk pengelolaan hutan dan penghijauan kota. Dalam beberapa tahun terakhir, para ahli telah menggunakan banyak fitur dalam klasifikasi spesies pohon, untuk mengidentifikasi mereka dari perspektif yang berbeda.

angeloaktree

Mengenal Spesies Pohon Dengan Menggunakan Beberapa Metode Penelitian

angeloaktree – Sebagian besar penelitian menggunakan fitur yang berbeda untuk mengklasifikasikan spesies pohon target dalam lingkungan pertumbuhan tertentu dan mengevaluasi hasil klasifikasi. Namun, masalah pencocokan data belum dibahas; selain itu, kontribusi fitur yang berbeda dan kinerja pengklasifikasi yang berbeda belum dibandingkan secara sistematis.

Teknologi penginderaan jauh dari sensor terintegrasi membantu mewujudkan tujuan dengan efisiensi waktu tinggi dan biaya rendah. Memanfaatkan sistem terintegrasi yang secara bersamaan memperoleh gambar hiperspektral, bentuk gelombang LiDAR, dan awan titik, penelitian ini melakukan penelitian sistematis tentang fitur dan pengklasifikasi yang berbeda dalam klasifikasi spesies pohon berdasarkan piksel.

Baca Juga : Mengenal Pinus Bristlecone Jenis Pohon Yang Hidup Tertua

Kami mengekstrak model ketinggian mahkota (CHM) dari perangkat LiDAR di udara dan beberapa fitur dari gambar hiperspektral, termasuk fitur tekstur Gabor, fitur tekstur matriks ko-okurensi tingkat abu-abu (GLCM), dan indeks vegetasi. Skema percobaan yang berbeda diuji di dua wilayah studi dengan jumlah dan konfigurasi spesies pohon yang berbeda.

Hasil eksperimen menunjukkan keefektifan fitur tekstur Gabor dalam klasifikasi spesies pohon tertentu di lingkungan tumbuh yang homogen dan heterogen. Fitur tekstur GLCM tidak meningkatkan akurasi klasifikasi spesies pohon ketika digabungkan dengan fitur spektral.

Fitur CHM memberikan lebih banyak kontribusi untuk membedakan spesies pohon daripada indeks vegetasi. Pengklasifikasi yang berbeda menunjukkan kinerja yang serupa, dan mesin vektor dukungan (SVM) menghasilkan akurasi keseluruhan tertinggi di antara semua pengklasifikasi.

Komposisi spasial spesies pohon sangat penting untuk inventarisasi dan analisis hutan, yang bermanfaat bagi kebijakan konservasi dan eksploitasi hutan. Sebagian besar pengelolaan hutan membutuhkan informasi pada tingkat spesies pohon. Baik pemerintah maupun perusahaan telah menghabiskan banyak uang untuk survei hutan.

Namun, sulit untuk membedakan antara spesies pohon karena keragaman distribusi spasial dan kompleksitas lingkungan tumbuh. Dalam banyak kasus, pohon-pohon berdekatan satu sama lain, yang menyebabkan saling oklusi; selain itu, rerumputan dan bebatuan yang rimbun membawa banyak kebisingan, yang meningkatkan kesulitan dalam segmentasi dan klasifikasi. Pengamatan dari satu perspektif tidak mungkin secara efektif membedakan spesies pohon yang baik.

Teknik penginderaan jauh telah memainkan peran penting dalam identifikasi jenis pohon. Berbagai sensor telah digunakan dalam klasifikasi jenis pohon. Sensor multispektral seperti Landsat TM dan ETM+ telah membantu memetakan tutupan hutan dan memperkirakan parameter vegetasi. Sensor satelit resolusi sangat tinggi (VHR) seperti Quickbird, Ikonos, dan GeoEye telah diketahui berguna untuk membedakan spesies pohon dengan kepadatan distribusi spasial yang tinggi.

Namun, mengingat kurangnya informasi spektral, VHR tidak menghasilkan hasil klasifikasi yang baik. Dengan perkembangan sensor satelit, data hiperspektral telah menyediakan lebih banyak pita spektral, sehingga berkontribusi pada pengenalan dan diskriminasi spesies tertentu yang lebih akurat. Baru-baru ini, pendekatan yang menampilkan pengintegrasian beberapa sensor telah sangat meningkatkan klasifikasi spesies pohon.

Salah satu metode yang paling sering digunakan adalah menggabungkan instrumen spektral dengan sensor Light Detection and Ranging (LiDAR). Data LiDAR mengungkapkan informasi struktur vertikal dan ketinggian pohon yang dapat menjadi indikasi dalam identifikasi jenis pohon. Sementara itu, para peneliti telah mengeksploitasi beberapa fitur dalam klasifikasi spesies pohon berdasarkan piksel.

Algoritma pengurangan dimensi (DR) yang berbeda telah dibandingkan untuk identifikasi spesies pohon. Gray-level co-occurrence matrix (GLCM) telah digunakan untuk mengklasifikasikan spesies pohon hutan dengan gambar hiperspektral udara. Selain itu, indeks vegetasi juga membantu mengidentifikasi jenis pohon.

Namun, sebagian besar penelitian yang memperhitungkan berbagai fitur dalam klasifikasi spesies pohon mengidentifikasi spesies pohon di bawah lingkungan pertumbuhan tertentu dan mengevaluasi akurasinya. Namun masalah pencocokan multifitur belum dibahas. Selain itu, beberapa penelitian mendeteksi kontribusi berbagai kombinasi fitur dan pengklasifikasi dalam klasifikasi spesies pohon, terutama dalam keadaan dengan konfigurasi yang berbeda dan lingkungan tumbuh spesies pohon.

Akibatnya, masih ada beberapa masalah:

1. sensor yang terpisah menyebabkan inkonsistensi baik dalam ruang dan waktu.
2. Studi pada satu area dengan lingkungan tumbuh yang spesifik memiliki kesimpulan terbatas, yang mungkin tidak mewakili dalam rentang geografis yang lebih besar.
3. Beberapa fitur dan beberapa pengklasifikasi harus dibandingkan secara sistematis, dan fitur yang lebih indikatif perlu ditemukan.

Dalam penelitian ini, percobaan dilakukan di dua area dengan konfigurasi spesies pohon dan lingkungan tumbuh yang berbeda. Kami mengekstrak beberapa fitur dari sistem terintegrasi yang secara bersamaan dapat memperoleh informasi hiperspektral dan data LiDAR. Untuk mendeteksi kontribusi fitur yang berbeda dalam klasifikasi spesies pohon berdasarkan piksel, kami merancang skema yang berbeda dengan mempertimbangkan kelompok fitur dan pengklasifikasi yang berbeda.

Area Studi

Pekerjaan telah dilakukan di dua wilayah studi di Cina Tengah dan Timur. Salah satunya terletak di Kota Changshu, Provinsi Jiangsu, Cina Timur. Lokasinya dekat dengan Sungai Chang Jiang. Iklimnya termasuk dalam monsun subtropis. Terutama terdapat empat spesies pohon di tempat kejadian, di antaranya Cinnamomum camphora (CC) dan Punica granatum (PG) adalah spesies pohon yang mendominasi.

Daerah studi lainnya terletak di Taman Huanshui di utara Provinsi Henan, Cina Tengah. Iklimnya termasuk musim hujan dengan garis lintang sedang. Komposisi pohon di daerah tersebut memiliki sifat yang heterogen. Tujuh jenis pohon termasuk pohon jenis konifera dan pohon berdaun lebar menutupi area utama. Platanus acerifolia (PA) yang merupakan jenis pohon yang mendominasi mencakup sekitar 50% dari seluruh wilayah (terutama tersebar di sekitar jalan atau area ruang). Spesies lain terutama didistribusikan di daerah tengah.

Ada kontras yang kuat antara lingkungan tumbuh dari dua wilayah studi. Daerah Changshu umumnya memiliki jenis pohon yang sama yang berkumpul bersama. Namun, Taman Huanshui memiliki lebih banyak spesies pohon dan komposisi yang heterogen. Sebagian besar jenis pohon di wilayah studi mewakili iklim muson. Selain itu, kedua wilayah studi memiliki kondisi pencahayaan yang berbeda: area Changshu memiliki pencahayaan yang lebih terang, sedangkan Taman Huanshui memiliki pencahayaan yang lebih gelap.

Data Gambar Lintas Udara

Gambar telah diperoleh melalui sistem udara LiCHy (LiDAR-CCD-Hyperspectral) dari Chinese Academy of Forestry (CAF), yang merupakan sistem terintegrasi yang terdiri dari sensor LMS-Q680i, DigiCAM-60, AisaEAGLE, dan GPS/IMU di platform yang sama. LiCHy adalah sistem sintetis yang secara bersamaan memperoleh gambar hiperspektral, bentuk gelombang LiDAR, dan awan titik.

Alat ini mampu mengukur struktur vertikal vegetasi, pola horizontal, dan spektrum daun pada resolusi spasial yang sangat tinggi. Ketinggian penerbangan sekitar 1000 meter. Data citra hiperspektral yang diperoleh oleh sensor hiperspektral udara AisaEAGLE memiliki 64 pita dengan resolusi spektral 9,2 nm dan rentang spektral dari 400 nm hingga 970 nm.

Resolusi spasial dari citra hiperspektral adalah 0,6 m untuk area Changshu dan 0,5 m untuk Taman Huanshui. Ukuran gambar adalah untuk daerah Changshu dan untuk Taman Huanshui. Data pemindaian LiDAR di udara telah dikumpulkan oleh pemindai laser LMS-Q680i pada panjang gelombang 1550 nm. Data LiDAR dan HSI telah di-georeferensi menggunakan data GPS dan IMU oleh penyedia data.

Data lapangan dan citra untuk Taman Huanshui diperoleh pada bulan Juni 2013, sedangkan untuk wilayah studi Changshu diperoleh pada bulan Agustus 2013.

Data lapangan

Untuk merekam sampel pohon pada gambar dan memastikan bahwa sampel tersebut dapat diandalkan, kami memperoleh data referensi lapangan dengan investigasi lapangan, interpretasi foto, dan perangkat GPS. Berdasarkan penyelidikan lapangan, 761 piksel pada gambar dikumpulkan untuk area studi Changshu dan 1173 piksel dikumpulkan untuk adegan Taman Huanshui. 10% piksel yang dipilih secara acak dari setiap kelas digunakan sebagai sampel pelatihan. Akurasi akan dihitung dengan 10 jalur. Tabel 1 dan 2 mencantumkan informasi kebenaran dasar untuk kedua wilayah studi.

Baca Juga : Sumber Daya Alam Taman Nasional Wilsons Promontory

Analisis Komponen Utama

Analisis komponen utama (PCA) memperoleh informasi dari vektor spektral asli dengan mengalikan matriks transformasi. PCA dieksploitasi sebagai algoritma reduksi dimensi linier (DR) konvensional tanpa informasi label kelas dan memiliki jumlah yang dihitung kecil. Dalam penelitian ini, kami mengekstrak 10 komponen utama (PC) pertama dari gambar hiperspektral. Nomor fitur telah ditentukan sebelumnya. 10 fitur tidak hanya menghindari jumlah perhitungan yang besar tetapi juga mengandung informasi spektral utama.