طراحي شبكۀ جادۀ جنگلي با استفاده از شبكۀ عصبي مصنوعي و GIS

Forest road planning using artificial neural network and GIS

جاده‌هاي جنگلي به‌منظور ايجاد دسترسي به جنگل احداث مي‌شوند و تأثير زيربنايي در سازماندهي منطقه دارند. هدف اين پژوهش، معرفي راهكاري هوشمند مبتني بر شبكه‌هاي عصبي مصنوعي با تلفيق GIS براي طراحي شبكۀ جادۀ جنگلي با در نظر داشتن اصول و معيارهاي فني شبكۀ جادۀ جنگلي است. ابتدا معيارهاي مؤثر با استفاده از روش دلفي شناسايي شد و وزن‌دهي آنها با استفاده از روش AHP، انجام گرفت. با تلفيق لايه‌هاي مختلف و وزن نظير هر يك به روش وزن‌دهي خطي، نقشۀ شايستگي بخش پاتم براي عبور شبكۀ جاده تهيه شد. ارزش هر پيكسل از نقشه‌ها به‌همراه مختصات، با استفاده از نرم‌افزار ENVI استخراج شد. به‌منظور آماده‌سازي داده‌ها براي ورود به نرم‌افزار MATLAB، همۀ داده‌ها به دامنۀ 0 تا 1 نگاشت شدند. در اين مطالعه براي مدل‌سازي، از دو شبكۀ عصبي پرسپترون چندلايه و شعاع مبنا استفاده‌شد. شبكه‌هاي عصبي درجۀ مطلوبيت عبور جاده براي پنج بخش جنگل را براساس بخش پاتم برآورد كردند. با استفاده از برنامۀ جانبي PEGGER دو شبكۀ جاده نيز طراحي شد. در انتها جاده‌هاي طراحي‌شده با جادۀ موجود توسط GIS مقايسه و ارزيابي شد. نتايج نشان داد كه شبكۀ عصبي مصنوعي پرسپترون چندلايه توانايي بيشتري در برآورد درجۀ مطلوبيت عبور جاده دارد و ضريب تبيين آن 994/0 به‌دست آمد. براي مقايسۀ نتايج شبكه‌هاي عصبي پيشنهادي از رگرسيون خطي استفاده شد. نتايج نشان داد هر دو شبكۀ عصبي نتايج بهتري از رگرسيون خطي ارائه دادند و قابليت لازم را براي تعيين ميزان مطلوبيت در طي فرايند طراحي شبكۀ جاده دارند. براساس نتايج به‌دست‌آمده گزينۀ دوم طراحي‌شده، برپايۀ ميزان ارزش واحد طول به‌عنوان شبكۀ جادۀ بهينه معرفي شد.

Forest roads are constructed to facilitate forest protection, reforestation, logging operations and maximizing the value of forest products. Therefore forest roads are key infrastructures in the development of the region. This study aims to plan forest road network using artificial neural network and GIS regarding forest road technical principles. First the criteria were chosen using Delphi method and then they were weighted regarding their importance in road planning. After that the criteria were combined with corresponding weighs to achieve suitability map based on the degree of suitability for road allocation. Value and coordinates of each pixel were extracted by ENVI software and were normalized in the range of 0-1 for modeling by MATLAB software. In this study two neural networks were used for modeling, including multilayer perceptron (MLP) and radial-bases functions (RBF). The neural networks estimated suitability of different pixels in other districts based on the Patom district results. Using an ArcView GIS extension, PEGGER, two forest road networks were planned. The results showed that MLP provides better ability for estimating suitability of pixels for road passage in comparison with RBF with the R2 of 0.994. A linear regression was also used to compare the results of the proposed neural networks. The results revealed that neural network improves the results in comparison with the linear regression and results showed that the second road alternative was optimum network with regard to the unit cost.