نوع مقاله : مقاله پژوهشی
نویسندگان
1
دانش آموخته کارشناسی ارشد جنگلداری، دانشکده منابع طبیعی دانشگاه تهران، کرج
2
استاد گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی دانشگاه تهران، کرج
3
استاد گروه مهندسی ماشین‌های کشاورزی، دانشکده مهندسی و فناوری کشاورزی، کرج
4
استادیار پژوهش، مؤسسه تحقیقات جنگل‌ها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران
چکیده
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.
کلیدواژه‌ها
عنوان مقاله [English]
Comparison between artificial neural network and regression analysis methods to predict and estimate the volume of logging trees in the kheyroud forest of Noshahr
نویسندگان [English]
-
F. Gorzin
1
-
M. Namiranian
2
-
M. Omid
3
-
M. Bayat
4
1
M.Sc. Graduate, Dept. of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
2
Professor, Dept. of Forestry and Forest Economics, Faculty of Natural Resources, University of Tehran, Karaj, Iran.
3
Professor, Dep. of Agricultural Engineering and Technology, Faculty of Agriculture Machines Engineering and Natural Resources, University of Tehran, Karaj, Iran.
4
Assistant Prof, Research Institute of Forests and Rangelands, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran.
چکیده [English]
The use of statistical experimental models is common practical methods among forest resource managers. Regression analysis is also a statistical method that can be used to estimate the volume. This method has limitations and requires assumptions such as normality, homogeneity of variance and non-linear relationship. The use of new techniques such as artificial neural networks can deal with these limitations. This study aims at comparing the performance of Artificial Neural Networks (ANN) and regression analysis to estimate the total volume of logs. For this purpose, 367 trees out of marked trees in research and educational forest of kheyroud were selected and DBH, diameter at stump height, stump height, total tree height, species, tree situation, minimum median diameter and topographic factors such as aspect and elevation were measured with high accuracy. Multilayer perceptron (MLP) and multivariate regression were developed to estimate the total volume of logging trees. The results indicated that the Neural Network was more accurate about 40% in estimating the total volume of logging trees than the regression method. Comparing evaluation criteria showed RMSE value 1.411 for ANN modeling and 3.49 for regression analysis. The difference between estimated and actual total volume was 6.5% to regression analysis and 1.7% to Neural Network. According to the results, the amount of difference was less for ANN model than regression model.
کلیدواژه‌ها [English]
-
Artificial Neural Networks
-
regression analysis
-
Trees logging
-
Total volume
)