مقایسه عملکرد شبکه های عصبی مصنوعی با تحلیل رگرسیون در برآورد تراکم توده های جنگلی سراوان گیلان
- سال انتشار: 1399
- محل انتشار: مجله جنگل ایران، دوره: 12، شماره: 4
- کد COI اختصاصی: JR_IJF-12-4_010
- زبان مقاله: فارسی
- تعداد مشاهده: 58
نویسندگان
Ph.D Student., Dept. of Forestry, University Campus, University of Guilan, Rasht, I. R. Iran
۲Associate Prof., Dept. of Forestry, Faculty of Natural Resources, University of Guilan, Sowmehsara, I. R. Iran
۳Assistant Prof., Dept. of Rang and Watershed management, Faculty of Natural Resources, University of Guilan, Sowmehsara, I. R. Iran
چکیده
تراکم درختان از مهم ترین ویژگی های ساختاری جنگل است که در مدیریت، حفاظت و احیای جنگل های شمال ایران اهمیت ویژه ای دارد. در این پژوهش، تراکم درختان به کمک عوامل موثر فیزیوگرافی، خاکی و انسانی با استفاده از شبکه های عصبی مصنوعی نگاشت خودسازمانده نظارت شده، پرسپترون چندلایه و مدل رگرسیون خطی چندگانه برآورد و با توجه به معیارهای ارزیابی کارایی آنها مقایسه شد. از این رو نخست واحدهای همگن در محیط GIS تهیه شد. نمونه برداری به روش سیستماتیک تصادفی با شبکه ای به ابعاد ۲۰۰ × ۱۵۰ متر انجام گرفت و در کل ۷۷۹ قطعه نمونه دایره ای به مساحت ۱/۰ هکتار پیاده شد. با اندازه گیری قطر برابرسینه همه درختان بالای ۵/۷ سانتی متر، تراکم درختان برای هر قطعه نمونه و واحدهای همگن محاسبه شد. نتایج نشان داد که شبکه عصبی ۵ SSOM (۹۱۱۷/۰= R۲ ، ۹۹۰۹/۰= R۲adj، ۱۶/۹= RMSE%، ۲۶/۴= Bias%) در مقایسه با شبکه عصبی ۴ MLP (۸۳۲۱/۰= R۲، ۸۷۶۰/۰= R۲adj، ۱۴/۱۵= RMSE%، ۹۶/۱۰= Bias%) و مدل رگرسیون خطی چندگانه (۶۸۱۲/۰= R۲، ۶۹۱۰/۰R۲adj =، ۷۱/۲۸= RMSE%، ۲۶/۲۴= Bias%) دارای دقت بیشتر و خطای کمتر است. برای انتخاب برترین مدل، آزمون T-test انجام گرفت و نتایج نشان داد که شبکه عصبی SSOM از نوع رقابتی و نظارتی در سطح احتمال ۹۵ درصد، مقادیری مشابه مقادیر واقعی دارد که علت آن به دلیل توابع گوسی است که این ویژگی در شبکه های عصبی MLP با توابع سیگموئیدی مشاهده نمی شود. از این رو، شبکه عصبی SSOM در برآورد تراکم درختان جنگل های شمال ایران، جایگزین مناسبی برای شبکه عصبی پرسپترون چندلایه خواهد بود.کلیدواژه ها
Multi-layer Perceptron, Number of trees per hectare, Self - organizing map, Supervised Learning, Winning neuron.اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.