Estimating stem volume and measuring diameter and height of brutian pine trees from aerial photographs taken by unmanned aerial vehicle

Öz

Remote sensing data and techniques are widely used in modern forestry studies. Today, aerial photographs taken with remote sensors on Unmanned Aerial Vehicles (UAV) can be processed by using softcopy photogrammetry to produce data such as point cloud and orthomosaic. Therefore, it is possible to make some remote measurements in forest ecosystems. It may be necessary to predict stem volumes of trees cut down in a forest area or felled for any reason in a practical way. In this study, it is aimed to predict the over-bark stem volumes by measuring the diameter and height of cut brutian pine trees (Pinus brutia Ten.) in orthomosaic and point cloud data produced from UAV photographs. The study was carried out in 2 different brutian pine stands located within the borders of Çandır Forestry Chief of Sütçüler Forestry Directorate in Isparta Regional Directorate of Forestry. In these areas, the diameter at breast height (d1.3) and total height of 175 cut brutian pine trees were measured on the point cloud and orthomosaics, tree volume predictions were made from these values obtained by various methods and the results were compared with the references data based on field measurements. In the study, the diameter and height measurement results calculated depending on the ground sampling distance of the aerial photographs were also compared. According to the findings, the lowest correlation value of 0.78 and the highest 0.92 for diameter measurements, the lowest 0.96 and highest 0.99 correlation values in height measurements, the lowest 0.70 and the highest 0.93 correlation values in stem volume predictions were obtained between UAV photogrammetry and reference data. As a result, it has been understood that UAVs, which are preferred as a practical remote sensing tool today, can be used to measure the diameter and height of pine trees lying on the ground and stem volumes can be successfully predicted by UAV photogrammetry.

Anahtar Kelimeler

• UAV
• Point cloud
• Orthomosaic
• Tree diameter and height measurement
• Over-bark stem volume

İnsansız hava aracıyla elde edilen hava fotoğraflarından kızılçam ağaçlarının çap ve boylarının ölçümü ve gövde hacminin tahmini

Öz

Modern ormancılık çalışmalarında uzaktan algılama veri ve yöntemleri yaygın olarak kullanılmaktadır. Günümüzde insansız hava araçlarındaki (İHA) algılayıcı sistemlerle alınan hava fotoğrafları, yazılım fotogrametrisiyle işlenerek nokta bulutu ve ortomozaik gibi veriler üretilebilmektedir. Böylece orman ekosistemlerinde bazı ölçümlerin uzaktan yapılması mümkün olabilmektedir. Bir ormanlık alanda kesilen ya da herhangi bir nedenle devrilen ağaçların pratik bir şekilde kabuklu gövde hacimlerinin tahmini gerekebilir. Bu çalışmada İHA fotoğraflarından üretilen ortomozaik ve nokta bulutu verilerinden kesilmiş kızılçam ağaçlarının (Pinus brutia Ten.) çap ve boy ölçümleri yapılarak kabuklu gövde hacimlerinin tahmini amaçlanmıştır. Çalışma, Isparta Orman Bölge Müdürlüğü’ne bağlı Sütçüler Orman İşletme Müdürlüğü, Çandır Orman İşletme Şefliği sınırlarında bulunan 2 farklı kızılçam meşceresinde gerçekleştirilmiştir. Bu alanlarda İHA fotoğraflarından üretilen nokta bulutu ve ortomozaikler üzerinde toplam 175 adet kesilmiş kızılçam ağacının göğüs çapı (d1.3) ve boyu ölçülmüş, elde edilen değerlerden çeşitli yöntemlerle hacim tahminleri yapılmış ve sonuçlar arazi ölçümleriyle karşılaştırılmıştır. Çalışmada hava fotoğraflarının yer örnekleme aralığına bağlı olarak hesaplanan çap ve boy ölçüm sonuçları da kıyaslanmıştır. Elde edilen bulgulara göre, İHA fotogrametrisi ve referans veriler arasında çap ölçümünde en düşük 0.78, en yüksek 0.92, boy ölçümünde en düşük 0.96, en yüksek 0.99, hacim tahmininde de en düşük 0.70 ve en yüksek 0.93 korelasyon değeri bulunmuştur. Sonuç olarak, günümüzde pratik bir uzaktan algılama aracı olarak tercih edilen İHA’ların yerde yatık haldeki kızılçam ağaçlarının çap ve boy ölçümlerinde kullanılabileceği ve bu ölçümler sonucunda gövde hacimlerinin İHA fotogrametrisiyle başarılı bir şekilde tahmin edilebileceği ortaya konulmuştur.

Anahtar Kelimeler

• İHA
• Nokta bulutu
• Ortomozaik
• Ağaç çap ve boy ölçümü
• Kabuklu gövde hacmi

Kaynakça

1. Akay, A.E., Şakar, D., 2009. Yangın sahasına en kısa sürede ulaşımı sağlayan optimum güzergahın belirlenmesinde CBS tabanlı karar destekleme sisteminin kullanılması. TMMOB Coğrafi Bilgi Sistemleri Kongresi, 02-06 Kasım, İzmir.
2. Akay, S.S., Özcan, O., Şanlı, F.B., Bayram, B., Görüm, T., 2019. İHA görüntülerinden üretilen verilerin doğruluk değerlendirmesi. X. Türkiye Ulusal Fotogrametri ve Uzaktan Algılama Birliği Teknik Sempozyumu, 25-27 Nisan, Aksaray, s. 106-110.
3. Alemdağ, Ş., 1962. Türkiye’deki Kızılçam Ormanlarının Gelişimi, Hasılat ve Amenajman Esasları. Ormancılık Araştırma Enstitüsü Yayınları, Ankara.
4. Alkan, O., Özçelik, R., 2021. Toros göknarı için uyumlu hacim ve gövde çapı modelleri. Turkish Journal of Forestry, 22(4): 408-416.
5. ArcGIS, 2022. ArcGIS Online, https://www.arcgis.com/index.html Erişim: 08.04.2022.
6. Balcı, İ., Çoban, H.O., Eker, M., 2000. Coğrafi bilgi sistemi. SDÜ Orman Fakültesi Dergisi, 1(A): 115-132.
7. Birdal, A.C., 2016. Ağaç yüksekliklerinin belirlenmesinde insansız hava araçlarının kullanımı: Eskişehir kent ormanı örneği. Yüksek Lisans Tezi, Anadolu Üniversitesi, Yer ve Uzay Bilimleri Enstitüsü, Eskişehir.
8. Buğday, E., 2016. Ormancılıkta üretimin planlaması ve hassas ormancılık anlayışı. Anadolu Orman Araştırmaları Dergisi, 2(1-2): 54-57.

9. Buğday, E., 2019. Orman yönetiminde insansız hava aracı uygulamaları. II. International Eurasian Conference on Biological and Chemical Sciences, 28-29 Haziran, Ankara, s. 1617-1621.
10. Carus, S., 2002. Bazı hacim formüllerinin seksiyon, gövde ve bağıl uzunluklara göre kıyaslanması. Turkish Journal of Forestry, 3(1): 101-114.
11. Ceylan, M.C., Uysal, M., 2021. İnsansız hava aracı ile elde edilen veriler yardımıyla ağaç çıkarımı. Türkiye Fotogrametri Dergisi, 3(1): 15-21.
12. Çoban, H.O., Çoşgun, S., 2020. The role of topography in the spatial distribution of tree species in the Mediterranean Region of Turkey. Fresenius Environmental Bulletin, 29(3): 1369-1378.
13. Çoban, H.O., Eker, M., 2009. SRTM verileri ile bazı topoğrafik analizler: Isparta Orman Bölge Müdürlüğü örneği. SDÜ Orman Fakültesi Dergisi, 2(A): 76-91.
14. Çoban, H.O., Eker, M., Durgun, H., 2021. Relations between topographic variables and forest ecosystems in Isparta Regional Directorate of Forestry. International Conferences on Science and Technology (ICONST LST’21), September 8-10, Budva, pp. 4.
15. Çoban, H.O., Erdin, C., 2020. Forest fire risk assessment using GIS and AHP integration in Bucak Forest Enterprise, Turkey. Applied Ecology and Environmental Research, 18(1): 1567-1583.
16. Diker, M., 1946. Orman Amenajman Bilgisi. Yüksek Ziraat Enstitüsü Yayını, No: 270, Ankara.
17. DJI, 2018. Mavic Air User Manual Online, https://dl.djicdn.com/downloads, Erişim: 10.04.2022.
18. Durgun, H., Eker, M., Çoban, H.O., 2022a. Odunsu biyokütle envanter çalışmalarında İHA fotogrametrisinin kullanılabilirliğinin değerlendirilmesi. 5th International Conferences on Science and Technology, September 7-9, Budva, pp. 72-80.
19. Durgun, H., Çoban, H.O., Eker, M., 2022b. İHA görüntülerinin geometrik düzeltmesinin ağaç çap ve boy ölçümlerine etkileri. 5th International Conferences on Science and Technology, September 7-9, Budva, pp. 59-71.
20. Eker, M., Özer, D., 2015. Üretim işlerinde hassas ormancılık yaklaşımı: Kavramsal çerçeve. Türkiye Ormancılık Dergisi, 16(2): 183-194.
21. Goodbody, T.R., Coops, N.C., Marshall, P.L., Tompalski, P., Crawford, P., 2017. Unmanned aerial systems for precision forest inventory purposes: A review and case study. The Forestry Chronicle, 93(1): 71-81.
22. Google Earth, 2022. Google Earth Online, https://earth.google.com/web, Erişim: 10.04.2022.
23. IBM, 2022. IBM Online, https://www.ibm.com/tr-tr/products/spss-statistics, Erişim: 08.04.2022.
24. IOBM, 2021. Çandır Orman İşletme Şefliği 2021 Yılı Orman Amenajman Planı. Isparta Orman Bölge Müdürlüğü, Isparta.
25. Kabadayı, A., Uysal, M., 2020. Çok yüksek çözünürlüklü İHA verilerinden bina tespiti. Türkiye İnsansız Hava Araçları Dergisi, 2(2): 43-48.
26. Kalıpsız, A., 1984. Dendrometri. İstanbul Üniversitesi Orman Fakültesi Yayınları, İstanbul
27. Kılınçoğlu, D.B., 2016. Farklı insansız hava araçları ile elde edilen görüntülerin otomatik fotogrametrik yöntemlerle değerlendirilmesi ve doğruluk analizi. Yüksek Lisans Tezi, İstanbul Teknik Üniversitesi, Fen Bilimleri Enstitüsü, İstanbul.
28. Koç, A., 1993. Coğrafi bilgi sisteminde veriler ve elde ediliş yöntemleri. İ.Ü. Orman Fakültesi Dergisi, 43(1-2): 117-134.
29. Krause, S., Sanders, T.G., Mund, J.P., Greve, K., 2019. UAV-based photogrammetric tree height measurement for intensive forest monitoring. Remote Sensing, 11(7): 758.
30. Lim, Y.S., Park, J.S., Pyeon, M.W., Kim, J., 2015. Calculation of tree height and canopy crown from drone images using segmentation. Journal of the Korean Society of Surveying, Geodesy, Photogrammetry and Cartography, 33(6): 605-613.
31. Liu, T., Sun, Y., Wang, C., Zhang, Y., Qiu, Z., Gong, W., Duan, X., 2021. Unmanned aerial vehicle and artificial intelligence revolutionizing efficient and precision sustainable forest management. Journal of Cleaner Production, 311: 127546.
32. Messinger, M., Asner, G.P., Silman, M., 2016. Rapid assessments of amazon forest structure and biomass using small unmanned aerial systems. Remote Sensing, 8(8): 615.
33. Microsoft, 2022. Microsoft Online, https://www.microsoft.com/tr-tr/microsoft-365/ Erişim: 08.04.2022.
34. Mohan, M., Silva, C.A., Klauberg, C., Jat, P., Catts, G., Cardil, A., Dia, M., 2017. Individual tree detection from unmanned aerial vehicle (UAV) derived canopy height model in an open canopy mixed conifer forest. Forests, 8(9): 340.
35. Morales, G., Kemper, G., Sevillano, G., Arteaga, D., Ortega, I., Telles, J., 2018. Automatic segmentation of Mauritia flexuosa in unmanned aerial vehicle (UAV) imagery using deep learning. Forests, 9(12): 736.
36. Nevalainen, O., Honkavaara, E., Tuominen, S., Viljanen, N., Hakala, T., Yu, X., Tommaselli, A.M., 2017. Individual tree detection and classification with UAV-based photogrammetric point clouds and hyperspectral imaging. Remote Sensing, 9(3): 185.
37. Pix4d, 2022. Pix4d Online, https://www.pix4d.com/ Erişim: 08.04.2022.
38. Raeva, P.L., Filipova, S.L., Filipov, D.G., 2016. Volume computation of a stockpile: A study case comparing GPS and UAV measurements in an open pit quarry. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 41: 999.
39. Ruzgiene, B., Berteška, T., Gečyte, S., Jakubauskienė, E., Aksamitauskas, V.Č., 2015. The surface modelling based on UAV photogrammetry and qualitative estimation. Measurement, 73: 619–627.
40. Seki, M., Tiryakioğlu, I., Uysal, M., 2017. Farklı veri toplama yöntemleriyle yapılan hacim hesaplarının karşılaştırılması. Geomatik, 2(2): 106-111.
41. Snavely, N., Seitz, S.M., Szeliski, R., 2007. Modeling the world from internet photo collections. International Journal of Computer Vision, 80(2): 189–210.
42. South, 2022. Galaxy G6 measuring system user manual online. https://globalgpssystems.com/wp content/uploads/2020/03/Galaxy-G6-Measuring-System-User-Manual.pdf, Erişim: 08.04.2022.
43. Sönmez, N.K., Çoşlu, M., Demir, N., 2021. Farklı insansız hava araçlarından (İHA) elde edilen veriler ile buğday bitkisinin boyunun belirlenmesi. Mediterranean Agricultural Sciences, 34(2): 195-203. Stöcker, C., Nex, F., Koeva, M., Gerke, M., 2017. Quality assessment of combined IMU/GNSS data for direct georeferencing in the context of UAV- based mapping. The International Archives of Photogrammetry, Remote Sensing and Spatial Information Sciences, 42: 355–361.
44. Tabachnick, B.G., Fidell, L.S., 2013. Using Multivariate Statistics. 6th Edition, Allyn and Bacon, Boston, USA.
45. Tudoran, G.M., Dobre, A.C., Cicșa, A., Pascu, I.S., 2021. Development of mathematical models for the estimation of dendrometric variables based on unmanned aerial vehicle optical data: A romanian case study. Forests, 12(2): 200.
46. Urban, R., Štroner, M., Kuric, I., 2020. The use of onboard UAV GNSS navigation data for area and volume calculation. Acta Montanistica Slovaca, 25(3): 361-374.
47. USGS, 2022. Shuttle Radar Topography Mission (SRTM) Data Download. United States Geological Survey, https://earthexplorer.usgs.gov/ Erişim: 18.05.2022.
48. Yin, D., Wang, L., 2019. Individual mangrove tree measurement using UAV-based LiDAR data: Possibilities and challenges. Remote Sensing of Environment, 223: 34-49.
49. Yomralıoğlu, T., 2000. Coğrafi Bilgi Sistemleri: Temel Kavramlar ve Uygulamalar. Seçil Ofset Basımevi, İstanbul.
50. Yurtseven, H., Akgül, M., Demir, M., Öztürk, T., Gülci, S., 2015. İHA verileri üzerinden ibreli meşcelerde obje tabanlı sınıflandırma teknikleri ile ağaç bireyi bazında verilerin elde edilmesi. IV. Orman İnşaatı-Transportu ve Teknolojileri Çalıştayı ve Üretim İşlerinde Hassas Ormancılık Sempozyumu, 6 Mayıs- 4 Haziran, Kastamonu, s. 35-45.
51. Zhou, X., He, Y., Huang, H., Xu, X., 2019. Estimation of forest stand volume on coniferous forest cutting area based on two periods unmanned aerial vehicle images. Scientia Silvae Sinicae, 55(11): 117-125.