علی جهانی

مدیریت درختان خطرآفرین به بررسی احتمال خطر درختان در محیط­های طبیعی و انسان ساخت می­پردازد. از آنجاییکه درختان خطرآفرین در فضای سبز شهری از اهمیت بالایی برخوردارند، شناسایی و کمی­سازی شدت ریسک این درختان اجتناب­ناپذیر است و فقط در این صورت امکان مدیریت ریسک و انجام اقدامات پیشگیرانه و به موقع فراهم می­گردد. در این مطالعه در مجموع ۲۰۰ درخت چنار خطرآفرین با ساختار ناپایدار در شهر کرج شناسایی و اطلاعات مربوط به ویژگی­های عمومی و عیوب آنها ثبت گردید و شدت ریسک آنها با توجه به سال آسیب­پذیری ارزیابی شد. در این تحقیق به کمک الگوریتم آموزشی پس انتشار خطا در محیط شبکه­های عصبی مصنوعی، شدت ریسک سقوط درختان چنار خطرآفرین (دو کلاسه شدت خطرآفرینی بر اساس سقوط اجزا در سال اول و دوم) بر اساس مقادیر کمی مشخصه­های عمومی و عیوب درختان شبیه­سازی شد. بر اساس نتایج آنالیز حساسیت قطر تاج، طول تاج درخت، انحراف تنه درخت و قطر یقه درخت به ترتیب بیشترین تاثیر را در طبقه­بندی شدت ریسک درختان خطرآفرین داشته­اند. صحت مدل با مقایسه خروجی آن و شاخص­های محاسبه شده شامل ضریب تعیین (۸۷/۰ کلاس یک و ۹/۰ کلاس دو)، میانگین خطای مطلق (۱۷/۰ کلاس یک و ۱۸/۰ کلاس دو) و میانگین مربعات خطا (۰۸۴/۰ کلاس یک و ۰۸۵/۰ کلاس دو) سنجیده شد. مدل شبکه عصبی مصنوعی با دقت بالا در کلاسه بندی شدت ریسک چنارهای خطرآفرین در اکوسیستم­های شهری، مدل SFHR را به عنوان یک مدل پیش­بینی در ارزیابی احتمال سقوط درختان چنار معرفی نمود.

hazardous tree, SFHR, artificial neural network, کرج, درختان خطرآفرین, شبکه های عصبی مصنوعی, SFHR.