برآورد رویش ده ساله راش (Fagus orientalis Lipsky) با استفاده از مدل شبکه های عصبی مصنوعی و رگرسیون خطی چندگانه در جنگل های رامسر

در این تحقیق که در جنگل های رامسر در استان مازندران انجام شد رویش جنگل به کمک شبکه­ عصبی مصنوعی برآورد و با رویش واقعی جنگل که به­طور مستقیم و از اندازه­گیری در ۲۰ قطعه نمونه ثابت یک هکتاری که در سال­های ۱۳۸۱ و ۱۳۹۱ از آماربرداری صد­در­صد محاسبه شده بود، مقایسه شد. رویش حجمی سالانه راش به­ترتیب ۵۲/۴ و ۳۵/۴ سیلو در هکتار برای رویش به طریق مستقیم و رویش برآوردی به روش شبکه عصبی مصنوعی بود. سپس تحلیل رگرسیون، به روش گام به گام انجام و بهترین مدل­ها گزینش شد. پس از انتخاب بهترین مدل، بررسی تحلیل حساسیت ورودی­ها انجام شد. نتایج نشان داد شبکه عصبی با دقت مناسبی می­تواند رویش و مقدار برش سالیانه را برآورد کند. مقدار R۲، RMSE و MAE به­ترتیب ۷۵/۰، ۱۷ و ۶۰/۱۳ در شبکه ­پرسپترون چندلایه نشان داد که شبکه عصبی MLP بیشترین دقت در برآورد را دارد. در تحلیل رگرسیون خطی چندگانه هم ضرایب تشخیص به­ترتیب ۶۱۰/۰ و ۶۷۹/۰ و خطای RMS مقادیر ۵/۱ و ۴۲/۱ برای مدل اول و دوم به­دست آمد. نتایج مربوط به تحلیل حساسیت ورودی­ها نشان داد که عوامل حجم، جهت، قطر برابرسینه و ارتفاع درخت بیشترین تاثیر را در مدل­سازی تعیین رویش دارند. مقایسه مدل­ها نشان داد استفاده از شبکه عصبی می­تواند مقدار رویش را با دقت مناسبی پیش بینی کند.

کلیدواژه ها:

پرسپترون چندلایه ، تحلیل حساسیت ، رگرسیون ، رویش حجمی ، مدل سازی