کارایی روش شبکه عصبی مصنوعی در برآورد موجودی سرپای توده های جنگلی

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 43

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJFPR-24-2_004

تاریخ نمایه سازی: 25 دی 1402

چکیده مقاله:

به طور کلی برای اداره و بهره برداری بهینه و پایدار از جنگل، آگاهی از موجودی حجمی جنگل و تولید آن ضروریست. برآورد دقیق موجودی حجمی به روش های متداول به طور عموم مستلزم وقت و هزینه زیادی است و گاهی نیز دارای دقت کافی نیست. یکی از روش های نوین در برآورد مشخصه های کمی جنگل استفاده از الگوریتم شبکه عصبی مصنوعی است که با الگوبرداری از شبکه عصبی مغز انسان، با اجرای فرآیند آموزش روابط درونی بین داده ها را استخراج می کند و در موقعیت دیگر تعمیم می دهد. در پژوهش پیش رو از داده های ۲۵۸ قطعه نمونه دائم که در بخش گرازبن به وسعت ۹۳۴/۲۴ هکتار به طور منظم- تصادفی مستقر شده بودند، استفاده شد. پس از رفع نواقص آماری و حذف داده های پرت، ۸۰ درصد داده ها برای آموزش و ۲۰ درصد برای آزمون شبکه استفاده شد. پس از استاندارد کردن داده ها با استفاده از داده های سری آموزش، شبکه عصبی با الگوریتم پس انتشار ایجاد شد. همچنین با استفاده از داده های سری آموزش، رابطه رگرسیونی بین داده های حجم و پارامترهای تعیین کننده آن بررسی شد. به منظور ارزیابی نتایج دو روش از داده های سری آزمون و از معیارهای RMSE، MAE و R۲ استفاده شد. نتایج نشان دهنده دقت بیشتر برآوردهای مدل شبکه عصبی (متر مکعب در هکتار ۰۰۶/۱=RMSE، متر مکعب در هکتار ۰/۶۹=MAE و ۰/۹۸=R۲) در مقایسه با برآوردهای مدل رگرسیونی (m۳/ha ۲/۵=RMSE، m۳/ha ۰/۹۵=MAE و ۰/۸۵=R۲) بود. بیشتر بودن ضریب تعیین به دلیل زیاد بودن داده ها و رابطه منطقی بین داده های ورودی و خروجی بود.

نویسندگان

محمود بیات

استادیار پژوهش، موسسه تحقیقات جنگلها و مراتع کشور

منوچهر نمیرانیان

استاد، گروه جنگل داری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران

محمود امید

استاد، گروه مهندسی ماشین های کشاورزی، دانشگاه تهران

آرمان رشیدی

کارشناس ارشد جنگل داری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران

سجاد بابایی

دانشجوی کارشناسی ارشد جنگل داری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Bayat, M., Namiranian, M., Zobeiri, M. and Fathi, J., ۲۰۱۳a. ...
  • Bayat, M., Pukkala, T., Namiranian, M. and Zobeiri, M., ۲۰۱۳b. ...
  • Bayat, M., Namiranian, M. and Zobeiri, M., ۲۰۱۴. Volume, height ...
  • Bayat, M., Namiranian, M. and Zobeiri, M. and Pukkala, T., ...
  • Benediktsson, J.A., Swain, P.H. and Erosy, O.K., ۱۹۹۰. Neural network ...
  • Blackard, J.A. and Dean, D.J., ۱۹۹۹. Comparative accuracies of artificial ...
  • Bourque, Ch. and Bayat, M., ۲۰۱۵. Landscape variation in tree ...
  • Diamantopoulou, M.J., ۲۰۰۵. Artificial neural networks as an alternative tool ...
  • Etemad, V., ۲۰۰۲. Quantity and quality investigation seed of fagus ...
  • Farshad Far, A., ۲۰۰۲. Regression Analysis. University of Tehran Press, ...
  • Ghanbari, F., Shataee, Sh., Dehghani, A.A. and Ayoubi, Sh., ۲۰۰۹. ...
  • Gimblett, R.H. and Ball, G.L., ۱۹۹۵. Neural network architectures for ...
  • Hanewinkela, M., Zhou, W. and Schill, Ch., ۲۰۰۴. A neural ...
  • Hasenauer, H., Merkl, D. and Weingartner, M., ۲۰۰۱. Estimating tree ...
  • Hokka, H., ۱۹۹۹. Forest modeling and management. Silva Fennica, ۳۴: ...
  • Jahani, A., Feghhi, J., Makhdoum, M. and Omid, M., ۲۰۱۶. ...
  • Jalilvand, H., ۲۰۰۳. Model and simulation growth reaction in tree ...
  • Karaman, A. and Caliskan, E., ۲۰۰۹. Affective factors weight estimation ...
  • Marvie-Mohadjer, M., Zobeiri, M., Etemad, V. and Jourgholami., M., ۲۰۰۹. ...
  • Naghdi, R. and Ghajar, I., ۲۰۱۲. Application of artificial neural ...
  • Namiranian, M., ۲۰۱۰. Tree Measurement and Forest Bioinventory. University of ...
  • Pukkala, T., ۲۰۰۹. Growth and yield models for uneven aged ...
  • Zobeiri, M., ۲۰۰۸. Forest Biometry. University of Tehran Press, Tehran, ...
  • Zobeiri, M., ۲۰۱۱. Forest Inventory (Tree Measurement). University of Tehran ...
  • نمایش کامل مراجع