El-tipi LiDAR nokta bulutundan tek ağaç gövdesinin otomatik çıkarımında istatistiksel sınıflandırma algoritmalarının performans analizi
Künye
Zeybek, M . (2020). El-tipi LiDAR nokta bulutundan tek ağaç gövdesinin otomatik çıkarımında istatistiksel sınıflandırma algoritmalarının performans analizi . Artvin Çoruh Üniversitesi Orman Fakültesi Dergisi , 21 (2) , 200-213 . DOI: 10.17474/artvinofd.689894Özet
Enerjisi ışık veya lazer olan LiDAR yöntemi yoğun koordinat verisini hızlı bir şekilde ölçen bir ölçme
tekniğidir. Orman alanlarında kullanımı yaygın olan bu teknik, yoğun bir veri işleme adımına sahiptir.
Bu işlemlerin en başında sınıflandırma gelir. Ağaç parametrelerinin kestiriminde ağaç gövdelerinin
doğru tespiti önemli bir konudur. Bu çalışma, el-tipi mobil LiDAR (EML) ile ölçülmüş nokta bulutlarında
ağaç gövde modelinin sınıflandırma ile çıkarımında kullanılan yöntemlerin performanslarını
değerlendirmek amacıyla yapılmıştır. Tek ağaç bazında EML nokta bulutundan gövdenin tespit
edilmesi için istatistiksel sınıflandırma tekniklerinden, lojistik regresyon, doğrusal ayrıştırma analizi,
rastgele orman ve destek vektör makinesi kullanılmıştır. Sadece gövdeyi temsil eden noktalar diğer
dal ve yapraklardan ayrılarak sınıflandırılmış, genel doğruluk oranına göre sınıflandırma doğruluğu en
yüksek yöntem rastgele orman sınıflandırıcısı olduğu tespit edilmiştir. Veri işleme performansı
açısından doğrusal ayrıştırma analizi diğer yöntemlere göre daha iyi performans sergilemiştir. LiDAR method, whose energy is light or laser, is a measurement technique that quickly measures dense
spatial data. This technique is widely used in forest areas and has an intensive data processing step.
Classification comes first in the mentioned processes. Accurate detection of tree stem is an important
issue in predicting tree parameters. This study was conducted to evaluate the performance of the
methods used in the classification and extraction of tree stem using point clouds measured by handheld mobile LiDAR system (HMLS). To identify the stems from the HMLS point cloud on a single-tree
basis, statistical classification techniques, like logistic regression, linear discriminant analysis, random
forest and support vector machine, were used. Only the points representing tree stems were classified
by separating them from other parts of the trees, such as branches and leaves. It was determined that
the best method was a random forest classifier based on overall accuracy results. In terms of data
processing performance, a linear discriminant analysis performed better than the other methods.