کاربرد شبکه عصبي مصنوعي در برآورد حجم تنه درختان

برآورد حجم درخت یکی از بخش های مهم پیش بینی رشد و محصول دهی جنگل می باشد. تاکنون روابط زیادی مانند: نیوتن، اسمالین، پرسلر و هوبر به منظور برآورد حجم درخت مورد استفاده قرار گرفته اند که تمامی این روابط نیازمند اندازه گیری قطر در ارتفاع های خاصی بوده که این امر با پیچیدگی های خاصی خصوصا در ارتفاع های بالای سطح زمین رو به روست. در این پژوهش سعی شده است تا از تکنولوژی جدید هوش مصنوعی و یکی از زیر مجموعه های آن تحت عنوان شبکه عصبی مصنوعی به عنوان روشی جدید و به علت عدم وابستگی به فرض های اولیه درباره داده ها به منظور برآورد حجم صنعتی تنه ی تعداد 101 درخت از درختان نشانه گذاری شده جنگل آموزشی پژوهشی دانشگاه تربیت مدرس، استفاده گردد. به این منظور قطر برابر سینه، قطر در ارتفاع کنده، قطر انتهای تنه، ارتفاع تنه و ارتفاع کل درخت با دقت بالا مورد اندازه گیری قرار گرفتند. از دو مدل شبکه عصبی، پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF)، به منظور پیش بینی حجم تنه استفاده گردید. نتایج نشان داد که شبکه عصبی تابع پایه شعاعی نسبت به شبکه عصبی پرسپترون چند لایه دارای دقت بیشتری در برآورد حجم تنه می باشد. مقایسه معیارهای ارزیابی شبکه های عصبی نشان داد که شبکه عصبی MLP و RBF به ترتیب دارای مقدار RMSE 18/1 و 08/1 می باشند.

مدیریت جنگل، هوش مصنوعی، بهره برداری جنگل، پرسپترون چند لایه، تابع پایه شعاعی