پديد آورندگان :
گرزين، فاطمه دانشگاه تهران - دانشكده منابع طبيعي - گروه جنگلداري , نميرانيان، منوچهر دانشكده منابع طبيعي، كرج - گروه جنگلداري و اقتصاد جنگل , بيات، محمود سازمان تحقيقات، آموزش و ترويج كشاورزي تهران - موسسه تحقيقات جنگل ها و مراتع كشور
كليدواژه :
پرسپترون چند لايه , تابع پايع شعاعي , مديريت منابع طبيعي , هوش مصنوعي , شبكه عصبي پرسپترون
چكيده فارسي :
سابقه و هدف: در مديريت منابع جنگلي، فرآيندهاي تصميم‌گيري مثل عوامل كيفي در معادلات رياضي وارد نمي‌شوند. درسال‌هاي اخير شبكه‌هاي عصبي، كاربرد فراواني در منابع جتگلي داشته‌اند. اين تحقيق به مقايسه شبكه عصبي پرسپترون چندلايه و شبكه تابع پايه شعاعي در پيش‌بيني حجم صنعتي و هيزمي درختان پرداخته است. بررسي عملكرد شبكه‌هاي مختلف و يافتن بهترين نوع آن براي دستيابي به نتايج قابل قبول و معتبر از اهداف اين مطالعه مي‌باشد.
مواد و روش‌ها: در اين مطالعه، تعداد 367 اصله درخت از درختان نشانه-گذاري شده جنگل آموزشي پژوهشي خيرود انتخاب و متغيرهاي قطر برابر سينه، قطر كنده، ارتفاع كنده، ارتفاع كل، طول صنعتي، حداقل قطر ميانه گرده‌بينه، وضعيت درخت، نوع گونه و عوامل توپوگرافي مثل شيب، جهت، ارتفاع از سطح دريا به عنوان ورودي شبكه درنظر گرفته شدند. حجم صنعتي و حجم هيزمي درختان پس از تجديد حجم صد در صد مشخص شد و به عنوان خروجي شبكه در نظر گرفنه شد. براي مدلسازي از شبكه‌هاي عصبي پرسپترون چند لايه و شبكه تابع پايه شعاعي استفاده شد. براي آموزش شبكه پرسپترون چند لايه از تابع تانژانت هيپربوليك و براي شبكه تابع پايه شعاعي، تابع Softmax در لايه مخفي و تابع خطي در لايه خروجي به همراه الگوريتم نزول گراديان با مومنتم استفاده گرديد. براي مدلسازي داده‌ها به سه قسمت آموزش، اعتبارسنجي و تست تقسيم شدند كه نسبت هر كدام به ترتيب برابر با 70%، 15% و 15% بود. تعيين تعداد لايه‌ها پنهان و نرون‌هاي هر لايه نيز با آزمون و خطا صورت گرفت و تا زمان رسيدن مقدار خطا به حداقل ممكن ادامه يافت.
يافته‌ها: طبق نتايج مقدار ضريب تبيين براي حجم صنعتي و هيزمي به ترتيب در شبكه پرسپترون چند لايه 0/94، 0/71 مترمكعب و در شبكه تابع پايه شعاعي 0/88، 0/65 مترمكعب مي‌باشد. ميزانRMSE نيز براي حجم صنعتي و هيزمي به ترتيب در شبكه پرسپترون چند لايه 1/297، 0/331 مترمكعب و در شبكه تابع پايه شعاعي 3/72 ، 0/397 مترمكعب گزارش شد.
نتيجه‌گيري: نتايج حاكي از عملكرد بهتر شبكه پرسپترون چند لايه نسبت به شبكه تابع پايه شعاعي براي پيش‌بيني حجم صنعتي و هيزمي مي‌باشد و تنها مزيت شبكه تابع پايه شعاعي نسبت به شبكه پرسپترون چند لايه در پيش‌بيني حجم صنعتي و هيزمي، زمان كوتاه‌تر موردنياز براي آموزش مي‌باشد. استفاده از شبكه و مدلي كه با داشتن متغيرهاي متعدد در ميان شبكه‌ها و مدل‌هاي موجود داراي دقت بالاتري بوده، در اولويت قرار دارد. بنابراين با توجه به نوين و توانا بودن اين تكنيك، نياز به شناسايي گستره‌اي از كاربردهاي بالقوه آن در جامعه علوم جنگل به عنوان ابزار جايگزين، احساس مي‌شود.
چكيده لاتين :
Background and objectives: In forest resource management, decision-making processes, such as qualitative factors, are not logged in mathematical equations. According to the capabilities of neural networks and recent application of them in forest resources, the purpose of this study was to compare the multi-layer perceptron and the radial basis network to predict commercial and cordwood volume, in order to evaluate the performance of different networks to find the best type of network for achieving acceptable and valid results.
Materials and methods: In this purpose, 367 trees +were marked of research and educational forest of kheyroud. Some factors such as the diameter at breast height, diameter at stump, stump height, total height, topographic factors (slope, aspect and elevation), species, tree situation and minimum median diameter of last log were selected and then they were measured. They considered as input variables in the network. Commercial and cordwood volume determined by traditional renewal volume and then they used as output network. Multi-layer perceptron (MLP) and radial basis function (RBF) were used for modeling. The hyperbolic tangent function and softmax function respectively used for network training in hidden layer of multi-layer perceptron and radial basis function networks. As well as, the linear function used for network training in output layer. The data were divided into three sections for modeling: training, validation and test, each of which was 70%, 15% and 15%, respectively. Determination of the number of hidden layers and neurons of each layer was also performed by test and error and continued until the error value reached the minimum.
Result: Due to result, R2 value was respectively 0.94, 0.71 for commercial and cordwood volume in multi-layer perceptron network and 0.88, 0.65 for cordwood volume in the radial basis function network. Also, RMSE value was respectively 1.297, 0.337 for commercial and cordwood volume in MLP network and 3.72, 0.397 for cordwood volume in RBF network.
Conclusion: The result showed that multi-layer perceptron than radial basis network has acceptable accuracy to predict the commercial volume and cordwood volume. The only advantage of the radial basis function than multi-layer perceptron was less time required for training in modeling. Using a network and a model that has a higher accuracy with several variables among existing networks and models is prioritized. Thus, according to this new and powerful technique, need for identifying a range of potential uses in the forest science community is felt as an alternative tool.
