سیما لطفی اصل - Ph.D Student., Dept. of Forestry, University Campus, University of Guilan, Rasht, I. R. Iran
ایرج حسن زاد ناورودی - ۲Associate Prof., Dept. of Forestry, Faculty of Natural Resources, University of Guilan, Sowmehsara, I. R. Iran
امان محمد کلته - ۳Assistant Prof., Dept. of Rang and Watershed management, Faculty of Natural Resources, University of Guilan, Sowmehsara, I. R. Iran

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.

Multi-layer Perceptron, Number of trees per hectare, Self - organizing map, Supervised Learning, Winning neuron.