مقایسۀ عملکرد شبکه‌‌های عصبیِ مصنوعی با تحلیل رگرسیون در برآورد حجم تنۀ درختان

آنالیز رگرسیون روش رایجی است که امروزه برای برآورد حجم تنه درختان استفاده می‌‌‌گردد، اين روش با تعیین رابطه‌‌ای، حجم را با یک دقت خاص برآورد مي‌‌نمايد اما با ‌‌این حال دارای محدودیت‌‌هایی مانند نرمال بودن متغیر وابسته و همگن بودن واریانس خطاها می‌‌‌باشد. در ‌‌این پژوهش سعی شده است تا از شبکه‌‌های عصبی مصنوعی (ANN) به عنوان یکی از زیر مجموعه‌‌های تکنولوژی هوش مصنوعی (AI)، به عنوان روشی جدید و به‌‌منظور برآورد حجم تنه استفاده گردد. به‌‌این منظور تعداد 101 درخت از درختان نشانه‌‌گذاری شده جنگل آموزشی پژوهشی دانشگاه تربیت مدرس انتخاب و قطر برابر سینه، قطر در ارتفاع کنده، قطر انتهای تنه، ارتفاع تنه و ارتفاع کل درخت با دقت بالا مورد اندازه‌گیری قرار گرفتند. از دو مدل شبکه عصبی، پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF)، به‌‌منظور پیش‌‌بینی حجم تنه استفاده گردید. نتایج نشان داد که با افزایش متغیرهایی که همبستگی بیشتری با حجم تنه داشته، ضریب تشخيص شبکه عصبی از 80/0 به 95/0 افزایش می‌‌‌یابد. همچنین شبکه عصبی تابع پایه شعاعی نسبت به شبکه عصبی پرسپترون چند لایه دارای دقت بیشتری در برآورد حجم تنه می‌‌‌باشد. مقایسه معیارهای ارزیابی شبکه عصبی مصنوعی با رگرسیون گام به گام نشان داد که شبکه عصبی MLP و RBF به ترتیب دارای مقدار RMSE 18/1 و 05/1 بوده درحالی که مقدار RMSE مدل رگرسیون 57/2 می‌‌‌باشد. همچنین ضریب تشخيص رگرسیون در مقایسه با هر دو مدل شبکه عصبی، مقدار کمتری می‌‌‌باشد.

مدیریت جنگل، برآورد حجم تنه درخت، هوش مصنوعی، بهره‌‌برداری جنگل، رگرسیون، پرسپترون چند لایه، تابع پایه شعاعی