TY - JOUR ID - 67621 TI - مقایسه دو روش شبکه عصبی مصنوعی و آنالیز رگرسیون در پیش بینی و برآورد حجم مقطوعات درختان در جنگل آموزشی-پژوهشی خیرود نوشهر JO - نشریه جنگل و فرآورده های چوب JA - JFWP LA - fa SN - 5052-2008 AU - گرزین, فاطمه AU - نمیرانیان, منوچهر AU - امید, محمود AU - بیات, محمود AD - دانش آموخته کارشناسی ارشد جنگلداری، دانشکده منابع طبیعی دانشگاه تهران، کرج AD - استاد گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی دانشگاه تهران، کرج AD - استاد گروه مهندسی ماشین‌های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، کرج AD - استادیار پژوهش، مؤسسه تحقیقات جنگل‌ها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران Y1 - 2018 PY - 2018 VL - 71 IS - 2 SP - 117 EP - 126 KW - تحلیل رگرسیون KW - حجم کل KW - شبکه های عصبی مصنوعی KW - مقطوعات DO - 10.22059/jfwp.2018.231610.842 N2 - استفاده از مدل­های تجربی آماری از روش ­های کاربردی رایج، میان مدیران منابع جنگلی است. تحلیل رگرسیون نیز از روش‌های آماری بوده که می­ تواند برای برآورد حجم استفاده گردد. این روش نیازمند پیش ­فرض و دارای محدودیت­هایی مانند نرمال بودن توزیع داده­ ها، عدم رابطه هم خطی، یکسان بودن واریانس خطاها است. استفاده از روش­ های جدید مثل شبکه­ های عصبی مصنوعی، دارای محدودیت های مذکور نیست. در این بررسی هدف مقایسه عملکرد شبکه­ های عصبی مصنوعی و تحلیل رگرسیون در پیش ­بینی و برآورد حجم کل مقطوعات است. بدین منظور تعداد 367 اصله درخت از درختان نشانه­ گذاری شده جنگل آموزشی پژوهشی خیرود انتخاب و مشخصه­ های قطر برابر سینه، قطر کنده، ارتفاع کنده، ارتفاع کل، طول صنعتی، حداقل قطر میانه گرده­ بینه، وضعیت درخت، نوع گونه و عوامل توپوگرافی مثل شیب، جهت، ارتفاع از سطح دریا با دقت زیاد اندازه­ گیری شد. از مدل شبکه عصبی پرسپترون چند لایه (MLP) برای پیش­بینی و از رگرسیون چند متغیره برای برآورد حجم کل مقطوعات استفاده شد. نتایج نشان داد شبکه عصبی نسبت به رگرسیون دارای 40 درصد دقت بالاتری در پیش­بینی حجم کل مقطوعات است. مقایسه معیار­های ارزیابی بین شبکه MLP و رگرسیون گام به گام نشان داد که مقدار RMSE برای حجم کل مقطوعات در مدلسازی شبکه MLP، 1/411 مترمکعب و در رگرسیون چند متغیره 3/49 مترمکعب است. مقدار اختلاف حجم کل مدل و واقعی برای تحلیل رگرسیون 6/5 درصد و در شبکه عصبی 1/7 درصد بود. با توجه به نتایج، مقدار اختلاف برای مدل حاصل از شبکه عصبی مصنوعی کمتر از مدل رگرسیونی به دست آمد. UR - https://jfwp.ut.ac.ir/article_67621.html L1 - https://jfwp.ut.ac.ir/article_67621_f608a96086b77ac5e05cdc0d29a58672.pdf ER -