برآورد رويش ده‌ساله راش (Fagus orientalis Lipsky) با استفاده از مدل شبكه‌هاي عصبي مصنوعي و رگرسيون خطي چندگانه در جنگل‌هاي رامسر

در اين تحقيق كه در جنگل‌هاي رامسر در استان مازندران انجام شد رويش جنگل به كمك شبكه عصبي مصنوعي برآورد و با رويش واقعي جنگل كه به طور مستقيم و از اندازه گيري در 20 قطعه‌نمونه ثابت يك هكتاري كه در سال هاي 1381 و 1391 از آماربرداري صد در صد محاسبه شده بود، مقايسه شد. رويش حجمي سالانه راش به ترتيب 4.52 و 4.35 سيلو در هكتار براي رويش به طريق مستقيم و رويش برآوردي به روش شبكه عصبي مصنوعي بود. سپس تحليل رگرسيون، به روش گام‌به‌گام انجام و بهترين مدل ها گزينش شد. پس از انتخاب بهترين مدل، بررسي تحليل حساسيت ورودي ها انجام شد. نتايج نشان داد شبكه عصبي با دقت مناسبي مي تواند رويش و مقدار برش ساليانه را برآورد كند. مقدار R2، RMSE و MAE به ترتيب 0.75، 17 و 13.60 در شبكه پرسپترون چندلايه نشان داد كه شبكه عصبي MLP بيشترين دقت در برآورد را دارد. در تحليل رگرسيون خطي چندگانه هم ضرايب تشخيص به ترتيب 0.610 و 0.679 و خطاي RMS مقادير 1.5 و 1.42 براي مدل اول و دوم به دست آمد. نتايج مربوط به تحليل حساسيت ورودي ها نشان داد كه عوامل حجم، جهت، قطر برابرسينه و ارتفاع درخت بيشترين تأثير را در مدل سازي تعيين رويش دارند. مقايسه مدل ها نشان داد استفاده از شبكه عصبي مي تواند مقدار رويش را با دقت مناسبي پيش‌بيني كند.