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

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.

بخش گرازبن, شبکه عصبی مصنوعی, مدل های رگرسیونی, موجودی سرپای توده