@article { author = {Bayati, Hadi and Najafi, Akbar}, title = {Performance Comparison Artificial Neural Networks with Regression Analysis in Trees Trunk Volume Estimation}, journal = {Forest and Wood Products}, volume = {66}, number = {2}, pages = {177-191}, year = {2013}, publisher = {University of Tehran}, issn = {5052-2008}, eissn = {2383-0530}, doi = {10.22059/jfwp.2013.35451}, abstract = {Nowadays, regression analysis is a common method to estimate trees stem volume. Althoughttrees trunk volume can be estimated with a certain accuracy, however there are many constraintssuch as normality of variables and homogeneity of errors variance, when foresters use thismethod. In this study, Artificial Neural Networks (ANN) as a subset of the technology ofArtificial Intelligence (AI), was used as a new method to estimate the volume trunk. For thispurpose, 101 trees were selected. Marked trees were located in Research and EducationalForest of Tarbiat Modarres University (REFTMU). DBH, diameter at stump height, enddiameter trunk, trunk height and total tree height were mesuared with high accuracy during treemarking. Two neural network models, multi-layer perceptron (MLP) and radial basis function(RBF), were developed to estimate trunk volume. The results showed that with increasing thenumber of variables, that have more correlation with trunk volume,correlation coefficient ofneural networks increased from 0.80 to .95. Also the RBF neural network was more accuractein trunk volume estimation than to MLP neural network. Comparing evaluation criteria forANN with stepwise regression showed that MLP and RBF neural networks had RMSE value1.18 and 1.05, respectively while the RMSE value of regression was 2.57. Also the regressioncorrelation coefficient is less in compared with two models neural network.}, keywords = {Artificial Intelligence,Forest harvesting,Forest management,Multi-Layer Perceptron,Radial Basis Function,Regression,trees trunk volume}, title_fa = {مقایسۀ عملکرد شبکه‌‌های عصبیِ مصنوعی با تحلیل رگرسیون در برآورد حجم تنۀ درختان}, abstract_fa = {آنالیز رگرسیون روش رایجی است که امروزه برای برآورد حجم تنۀ درختان استفاده می‌‌‌شود. این روش با تعیین رابطه‌‌ای، حجم را با دقت خاصی برآورد می‌‌کند، اما محدودیت‌‌هایی مانند نرمال‌بودن متغیر وابسته و همگن‌بودن واریانس خطاها نیز دارد. در ‌‌این پژوهش سعی شده از شبکه‌‌های عصبی مصنوعی (ANN)، به‌عنوان یکی از زیر‌مجموعه‌‌های فنّاوری جدید هوش مصنوعی (AI)، به‌‌منظور برآورد حجم تنه، استفاده شود. بدین‌منظور، تعداد 101 درخت از درختان نشانه‌‌گذاری‌شدۀ جنگل آموزشی‌ـ‌پژوهشی دانشگاه تربیت مدرس انتخاب، و قطر برابر سینه، قطر در ارتفاع کنده، قطر انتهای تنه، ارتفاع تنه، و ارتفاع کل درخت، با دقت بسیار اندازه‌گیری شدند. از دو مدل شبکۀ عصبی، پرسپترون چند‌لایه (MLP) و تابع پایۀ شعاعی (RBF)، به‌‌منظور پیش‌‌بینی حجم تنه استفاده شد. نتایج نشان داد با افزایش متغیرهایی که همبستگی بیشتری با حجم تنه دارند، ضریب تشخیص شبکۀ عصبی از 80/0 به 95/0 افزایش می‌‌‌یابد. شبکۀ عصبی تابع پایۀ شعاعی در مقایسه با شبکۀ عصبی پرسپترون چند‌لایه دقت بیشتری در برآورد حجم تنه دارد. مقایسۀ معیارهای ارزیابی شبکۀ عصبی مصنوعی با رگرسیون گام‌به‌گام نشان داد که شبکۀ عصبی MLP و RBF به‌ترتیب دارای مقدار RMSE 18/1 و 05/1 است، درحالی‌که مقدار RMSE مدل رگرسیون 57/2 می‌‌‌باشد. ضریب تشخیص رگرسیون در مقایسه با هر دو مدل شبکۀ عصبی نیز مقدار کمتری است.}, keywords_fa = {برآورد حجم تنۀ درخت,بهره‌‌برداری جنگل,پرسپترون چند‌لایه,مدیریت جنگل,تابع پایۀ شعاعی,رگرسیون,هوش مصنوعی}, url = {https://jfwp.ut.ac.ir/article_35451.html}, eprint = {https://jfwp.ut.ac.ir/article_35451_bf05dbb0798fdbe3ff508170c84fa0d3.pdf} }