شبيه‌سازي زي‌توده تجاري توده‌هاي آميخته راش در جنگل‌هاي هيركاني

Simulating commercial biomass in the Hyrcanian mixedbeech stands

تنه تجاري درختان جنگل‌هاي آميخته راش علاوه‌بر حداكثر سهم ارزش نقدي و موجودي حجمي، در قالب زي‌توده تجاري به‌عنوان بزرگ‌ترين ذخاير كربن آلي در جنگل‌هاي شمال محسوب مي‌شوند. هدف اصلي پژوهش پيش‌رو دست‌يابي به حداكثر قطعيت و دقت تخمين مقادير زي‌توده مورد مطالعه بود. پس از قطع و استحصال 174 درخت در جنگل آميخته راش گلندرود نور، هر بخش از تنه در عرصه وزن شد و قطعات چوبي نيز از هر بخش مذكور با ابعاد ثابت، تكه‌برداري شدند و براي اندازه‌گيري و محاسبه چگالي ويژه در شرايط دماي آون قرار گرفتند. شبيه‌سازي مقادير زي‌توده مورد مطالعه با استفاده از تكنيك شبكه عصبي مصنوعي انجام شد. براي ارايه دقت روند شبيه‌سازي، الگوسازي آلومتريك با پارامترهاي مختلف نيز تبيين شد. از لايه‌هاي ورودي قطر برابر سينه، ارتفاع تجاري تنه و چگالي ويژه با تركيب مختلف در الگوسازي آلومتريك و شبيه‌سازي شبكه عصبي استفاده شد. معماري مختلف توپولوژي شبكه الگوريتم پس‌انتشار خطا با تعداد نورون‌هاي متفاوت شامل توابع انتقالي لجستيك سيگموئيدي و تانژانت سيگموئيدي در لايه‌هاي پنهان، دقت متفاوتي از برآورد متغير پاسخ ارايه دادند. قطر به‌عنوان مهم‌ترين عامل تأثيرگذار در شبكه عصبي و معادلات آلومتريك محسوب شد و با افزايش ارتفاع و چگالي ويژه علاوه‌بر قطر، روند قطعيت برآورد افزايش يافت. نتايج نهايي برمبناي كليه شاخص‌هاي اعتبارسنجي و ريشه ميانگين مربعات خطاي بين تخمين و مشاهدات نشان داد كه اگرچه دقت برآوردي بين الگوسازي آلومتريك و شبيه‌سازي شبكه عصبي داراي اختلاف جزئي بود، اما خروجي بهينه به‌دست‌آمده از شبيه‌سازي با سه لايه ورودي قطر، ارتفاع و چگالي ويژه، يك لايه پنهان و 20 نورون عصبي حاوي تابع تانژانت سيگموئيدي داراي دقت بيشتري براي پيش‌گويي بود كه قابليت اجرا در سطح وسيعي از جنگل مورد مطالعه را دارد.

The commercial bole of trees in the mixedbeech forests contributes the majority of biomass and of carbon pool, and is associated with the majority of monetary values in the Hyrcanian forests of Iran. This research aims to accurately predict commercial biomass compared to the allometric equations and field measurements in the third district of Glandroud forests in Noor. After harvesting of the trees, each part of the bole was weighed in the field and wood pieces were extracted from each part. The pieces were then ovendried, on which the specific wood density was measured. Biomass was simulated by artificial neural network (ANN) including the FFBP network. Allometric equations (logarithmic multiple linear regressions and transformed power function models) with different parameters were examined to study the simulation uncertainty. Diameter at breast height, commercial height and specific wood density (WD) were inputs to the allometric functions and ANN simulation. Architectures of different topology of studied network including transfer functions of Logsigmoid and Tansigmoid with variety of hidden layers and neuron members returned different error estimations of forest commercial biomass. Diameter was one of the most effective factors to predict biomass using ANN. Moreover, increasing height and WD in the ANN reduced the uncertainty of simulation outputs. Adding height and WD with the different combinations in the allometric models increased the accuracy of response variable prediction. The root mean squared errors (RMSE) showed that although there was slight differences in the estimation accuracies of ANN and allometric models, the optimal ANN outputs were of lower uncertainty to spatially predict the response