پيش‌بيني حجم صنعتي و هيزمي پهن‌برگان با استفاده از شبكه‌هاي عصبي مصنوعي (مطالعه موردي: سري گرازبن جنگل خيرودكنار، نوشهر)

Prediction commercial and cordwood volume of broadleaves using Artificial Neural Networks (Case study: Gorazbon distric of Kheyrood forest, Nowshahr)

تصميم­‌گيري در منابع طبيعي اغلب به پيچيد­گي­‌هايي فراتر از روش­‌هاي تجربي آماري منجر مي­‌شود، بنابراين نياز به راهكارهاي نوين دارد. تكنيك شبكه­‌هاي عصبي مصنوعي با تقليد از مغز انسان و الگوبرداري از آن به فرآيند حل مشكل مي­‌پردازد. در اين پژوهش به­ پيش­‌بيني حجم صنعتي و هيزمي درختان با استفاده از تكنيك هوش مصنوعي پرداخته شد. براي اين منظور، 367 اصله از درختان نشانه­‌گذاري شده جنگل آموزشي- پژوهشي خيرودكنار نوشهر انتخاب و متغيرهاي قطر برابر سينه، قطر كنده، ارتفاع كنده، ارتفاع كل، طول صنعتي، حداقل قطر ميانه گرده‌­بينه، وضعيت درخت، گونه و عامل‌هاي توپوگرافي شامل شيب، جهت و ارتفاع از سطح دريا اندازه گيري شدند. كليه متغيرها به‌عنوان ورودي شبكه درنظر گرفته شدند. براي مدل‌سازي از شبكه پرسپترون چندلايه استفاده شد. نتايج نشان داد كه شبكه MLP با مقدار خطاي جذر ميانگين مربعات 0/233 و ضريب‌تبيين‌هاي 0/94 و 0/71 به‌ترتيب براي حجم­‌هاي صنعتي و هيزمي داراي دقت قابل قبولي براي پيش‌­بيني بود.

Decision-making in natural resources often leads to complexities beyond the statistical empirical methods,therefore we need new solutions than algorithmic methods. Artificial neural networks (ANN) technology mimics the human brain in the process of problem solving.The aim ofthis studywas to predict the commercial volume and cordwood volume using this technique (Artificial Neural Network). For this purpose, 367 marked trees in the experimental and educational forest of Kheyrood were selected. Some factors including 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 measured. The factors were considered as input network. Multi-layer Perceptron network (MLP) was used for modeling. The result showed that Multi-layer Perceptron network (with the 0/94 and 0/71 R2, and 0/233 RMSE) has acceptable accuracy to predict the commercial and cordwood volume.