مقايسه كاربرد شبكه عصبي مصنوعي و معادلات آلومتريك در رابطه با مدل سازي زي توده تنه درختان افراپلت (.Acer velutinum Boiss) در جنگل هاي هيركاني

Comparison of artificial neural network and allometric equations associated with modeling bole biomass of maple trees (Acer velutinum Bioss.) in the Hyrcanian forests

سابقه و هدف: تخمين زي توده درختان جنگل با حداقل عدم قطعيت علاوه بر مديريت بر اساس اصل توسعه پايدار، مبناي مبرم در رابطه با نياز روز افزون جوامع بين المللي براي آگاهي از ميزان ترسيب كربن به منظور رويارويي با بحران گرمايش زمين مي باشد. از اينرو مدل سازي زي توده تنه پلت با استفاده از معادلات آلومتريك و شبكه عصبي مصنوعي در مطالعه موردي جنگل سامون سي چمستان نور صورت گرفت تا حداكثر قطعيت پيش بيني زي توده مورد مطالعه بررسي شود. مواد و روش ها: براي انجام تحقيق حاضر، پس از قطع 20 پايه از طبقات قطري مختلف درختان، از هر بخش استحصال شده تنه پس از توزين، يك ديسك برداشت شده و با تكه برداري ثابت از هر ديسك، نمونه ها در دماي 105 درجه سانتيگراد به مدت 24 ساعت در آون خشك شدند. براي مدل سازي مدل تواني به عنوان مدل پايه آلومتريك و تابع Tan-sigmoid و Log-sigmoid به عنوان توابع انتقالي نورون ها در توپولوژي هاي مختلف شبكه عصبي چند لايه FFBP معرفي شدند. در اين رابطه، كميت هاي زيست فيزيكي قطر و ارتفاع تنه به عنوان متغيرهاي ورودي با تركيب هاي مختلف در روند مدل سازي استفاده شدند. يافته ها: نتايج مدل سازي نشان داد كه مدل نمايي چندگانه حاصل از باز تبديل مدل لگاريتمي خطي حاوي قطر و ارتفاع با ضريب تصحيح CF= 1/04 به عنوان مدل آلومتريك بهينه براي پيش بيني زي توده تنه درختان پلت محسوب شد (S=0/23). نتايج حاصل از مدل سازي با شبكه عصبي مذكور نشان داد كه برخي از مدل هاي حاوي توپولوژي هاي مختلف شامل تابع Logsig و Tansig بعضا داراي دقت پيش بيني كمتري نسبت به معادلات آلومتريك ارائه داده شده مي باشند. البته با توجه به اين كه علاوه بر ميانگين انحراف معيار، حداقل ميانگين مربعات خطاي آزمون داده هاي هر مدل در ارتباط با آموزش و اعتبار داده ها در تعداد چرخش هاي مختلف مبناي اساسي انتخاب مدل در شبكه عصبي محسوب مي شود، نتايج نهايي تحقيق حاضر نشان داد كه مدل حاوي لايه هاي ورودي قطر و ارتفاع با توپولوژي دو لايه و 10 نورون لايه پنهان با تابع انتقالي Tansig داراي حداكثر قطعيت برآورد زي توده تنه پلت (S=0/1) در منطقه مورد مطالعه محسوب مي شود. نتيجه گيري: با استناد به اين كه در اكثر مطالعات مربوط به مدل سازي زي توده و ترسيب كربن تنه درختان جنگلي در زيست بوم هاي مختلف معادلات آلومتريك حاوي قطر و ارتفاع با تركيب هاي متفاوت در مدل هاي تبديلي لگاريتمي به عنوان پيش بيني كننده هاي بهينه با حداكثر دقت معرفي شده اند، تحقيق حاضر نشان داد كه با معماري بهينه توپولوژي در مدل سازي شبكه عصبي مصنوعي مي توان به حداكثر دقت برآوردي زي توده درختان نسبت به معادلات آلومتريك دست يافت.

Background and objectives: Estimation of trees biomass with the highest accuracy is the basis of forest management with respect to the sustainable development. Furthermore, that is one of the most important fundamental issues of C sequestration to international communities to challenge the global warming. Modeling bole biomass of maple trees was carried out in Samunsi forests of Chamestan through allometric equations and by artificial neural network (ANN) to achieve the highest accurate prediction. Materials and methods: After felling of 20 individual trees from different diameter classes, each part of bole which had been converted was weighed in the field. As such, one disc was taken from each part of the bole. The samples with constant volume, extracted from each disk, were taken to lab and were oven-dried at 105 C for 24 hours. To develop the model, power function was basic allometric equation and transfer function of Log-sigmoid and of Tan-sigmoid was introduced in the various topologies of network of FFBP. Biophysical variables such as diameter and bole height were introduced in the modeling process. Results: The results showed that the exponential multiple regression including diameter and height with the correction factor of 1.04 (CF= 1.04) was the optimal allometric model (S= 0.23). Pertaining to the ANN, some of the outputs with different topologies consisting of Tansig and Logsig had less accuracy compared to allometric equations presented in this research. Associated with the least mean squared error of the of the data in the different epoch as well as considering average standard deviation the best model in ANN was selected. Furthermore, the results showed that the model having input layers of diameter and height with onehidden layer and number of 10 neurons including Tansig function is the best model (S = 0.1) to predict bole-mass with higher accuracy and certainty. Conclusion: The majority of studies, related to biomass and carbon sequestration modeling carried out in the various biomes, indicated that allometric equations including diameter and height with different incorporated variables are the best predictors with the highest accuracy. However, the final result of this study showed that the architecture of optimal topology in the ANN induced more accurate prediction of biomass compared to allometric equations.