Evaluation of Tree Diameter and Height Measurements in UAV Data through the Integration of Remote Sensing and Machine Learning Methods

OpenAlex İngilizce

This study evaluates the effects of various ground sampling distances on the diameter and height measurements of brutian pine trees in point cloud data from unmanned aerial vehicle photographs.The study is conducted within the Çandır Forest Management Directorate of the Isparta Regional Directorate of Forestry.The results serve as independent variables in machine learning methods to predict field-measured diameter and height values.Nine distinct machine learning techniques were employed, including AdaBoost Regression, Artificial Neural Networks, Deep Neural Networks, Decision Tree Regression, Gradient Boosting Regression, Linear Regression, Random Forest Regression, Support Vector Regression, and eXtreme Gradient Boosting Regression.The results reveal that predictions based on data with a low ground sampling distance exhibit the lowest correlation values for both diameter and height, while predictions made using data with a high ground sampling distance had the lowest correlation values.Deep Neural Network achieved the highest success rate for diameter estimation, while Decision Tree Regression exhibited the lowest success.İHA ile Ağaç Çapı ve Yüksekliği Ölçümlerinin Uzaktan Algılama ve Makine Öğrenmesi Yöntemleriyle Bütünleştirilerek Değerlendirilmesi ÖZ Bu çalışmada insansız hava aracı fotoğraflarından elde edilen nokta bulutu verilerinde farklı yerden örnekleme mesafelerinin kızılçam ağaçlarının çap ve yükseklik ölçümlerine etkisi değerlendirilmektedir.Çalışma Isparta Orman Bölge Müdürlüğü'ne bağlı Çandır Orman İşletme Müdürlüğü bünyesinde yer almaktadır.Sonuçlar, sahada ölçülen çap ve yükseklik değerlerini tahmin etmek için makine öğrenimi yöntemlerinde bağımsız değişkenler olarak hizmet etmektedir.Araştırmada, AdaBoost Regresyon, Yapay Sinir Ağları, Derin Sinir Ağları, Karar Ağacı Regresyonu, Gradient Boosting Regresyon, Doğrusal Regresyon, Rastgele Orman Regresyon, Destek Vektör Regresyonu ve eXtreme Gradient Boosting Regresyon dahil olmak üzere dokuz farklı makine öğrenme tekniği kullanıldı.Sonuçlar, düşük yerden örnekleme mesafesine sahip veriler kullanılarak yapılan tahminlerin çap ve yükseklik için en düşük korelasyon değerlerine sahip olduğunu, yüksek yerden örnekleme mesafesine sahip veriler kullanılarak yapılan tahminlerin ise en düşük korelasyon değerlerine sahip olduğunu göstermektedir.Çap tahmininde en yüksek başarı oranını Derin Sinir Ağı elde ederken, Karar Ağacı Regresyonu en düşük başarıyı elde etmiştir.