مقايسه بين شبكه عصبي مصنوعي و تحليل رگرسيون در برآورد مدت زمان قطع درخت

Comparison between artificial neural network (ANN) and regression analysis in tree felling time estimation

قطع درخت در بين مولفه‌هاي بهره‌برداري، اهميت زيادي دارد. برآورد توليد تجهيزات جنگلي، بخش مهمي از مديريت هزينه‌ها در يك واحد جنگلداري است كه با كاهش هزينه‌هاي عمليات همراه است. به عبارت ديگر، هزينه‌هاي بالاي سرمايه‌گذاري در بهره‌برداري جنگل، دليل خوبي براي تحقيقات مهندسي جنگل و همچنين مدل‌سازي زمان مي‌باشد. روشهاي زيادي مانند انواع رگرسيون‌ها، منطق فازي، شبكه‌هاي عصبي و غيره براي پيش‌بيني زمان قطع وجود دارد كه به كمك آنها مي‌توان به ارتباط منطقي بين زمان قطع درخت و متغيرهاي مستقل موجود دست يافت و براي عمليات آينده ميزان زمان قطع درخت را پيش‌بيني نمود. در اين تحقيق از تحليل رگرسيون و شبكه‌‌هاي عصبي پرسپترون چند لايه و تابع شعاع مدار براي پيش‌بيني زمان قطع درخت در جنگلهاي شركت نكاچوب استفاده شد. به‌منظور جمع‌آوري داده‌هاي زمان قطع، از روش مطالعه زماني پيوسته استفاده شد. بدين منظور تعداد 84 درخت از درختان نشانه‌گذاري شده انتخاب شد و زمان خالص قطع درخت با استفاده از شبكه پرسپترون چندلايه و تابع شعاع مدار، و همچنين روش رايج تحليل رگرسيون پيش‌بيني گرديد. نتايج نشان داد كه شبكه عصبي تابع پايه شعاعي نسبت به شبكه عصبي پرسپترون چندلايه داراي دقت بيشتري در برآورد زمان قطع درخت مي‌باشد. همچنين مقايسه معيارهاي ارزيابي شبكه عصبي مصنوعي با رگرسيون گام‌به‌گام نشان داد كه شبكه عصبي MLP و RBF به‌ترتيب داراي مقدار RMSE 94/0 و 81/0 بوده، در حالي كه مقدار RMSE مدل رگرسيون 15/1 مي‌باشد.

Tree felling is a most important one among the tree harvesting components. Production estimation of forest equipments is an important part of cost management in forestry operational units which is associated with reduction of the operating expenses. In other words, the high cost of investment in forest utilization, is a good reason for forest engineering research and modeling time. Many techniques such as regression, fuzzy logic, neural networks, etc. are utilized to estimate trees felling time. They make a logical connection between the tree felling time and the independent variables and could be used to predict the tree felling time for the future operations. In this study the regression analysis, two neural network models, multi-layer perceptron (MLP) and radial basis function (RBF) were used to predict the trees felling time in the cutting operations of the Neka Choob Co. In order to collect the felling time data, the time continuous study method was applied. For this purpose, 84 trees were selected from the marked stands and the net felling time was estimated, using the Multi Layer Perceptron and Radial Basis Function and also by the common method of linear regression analysis. The results showed that the Radial Basis Function network provided more accurate results in estimating the net tree felling time than the MLP neural network. Comparing the evaluation criteria of ANN with the stepwise regression methods, showed that MLP and RBF neural networks had RMSE value of 0.94 and 0.81, respectively whereas the RMSE value of the regression model was 1.15.