مقايسه دو روش شبكه عصبي مصنوعي و آناليز رگرسيون در پيش بيني و برآورد حجم مقطوعات درختان در جنگل آموزشي-پژوهشي خيرود نوشهر

Comparison between artificial neural network and regression analysis methods to predict and estimate the volume of logging trees in the kheyroud forest of Noshahr

استفاده از مدل هاي تجربي آماري از روش هاي كاربردي رايج، ميان مديران منابع جنگلي است. تحليل رگرسيون نيز از روش هاي آماري بوده كه مي تواند براي برآورد حجم استفاده گردد. اين روش نيازمند پيش فرض و داراي محدوديت هايي مانند نرمال بودن توزيع داده ها، عدم رابطه هم خطي، يكسان بودن واريانس خطاها است. استفاده از روش هاي جديد مثل شبكه هاي عصبي مصنوعي، داراي محدوديت هاي مذكور نيست. در اين بررسي هدف مقايسه عملكرد شبكه هاي عصبي مصنوعي و تحليل رگرسيون در پيش بيني و برآورد حجم كل مقطوعات است. بدين منظور تعداد 367 اصله درخت از درختان نشانه گذاري شده جنگل آموزشي پژوهشي خيرود انتخاب و مشخصه هاي قطر برابر سينه، قطر كنده، ارتفاع كنده، ارتفاع كل، طول صنعتي، حداقل قطر ميانه گرده بينه، وضعيت درخت، نوع گونه و عوامل توپوگرافي مثل شيب، جهت، ارتفاع از سطح دريا با دقت زياد اندازه گيري شد. از مدل شبكه عصبي پرسپترون چند لايه (MLP) براي پيش بيني و از رگرسيون چند متغيره براي برآورد حجم كل مقطوعات استفاده شد. نتايج نشان داد شبكه عصبي نسبت به رگرسيون داراي 40 درصد دقت بالاتري در پيش بيني حجم كل مقطوعات است. مقايسه معيار هاي ارزيابي بين شبكه MLP و رگرسيون گام به گام نشان داد كه مقدار RMSE براي حجم كل مقطوعات در مدلسازي شبكه MLP، 1/411 مترمكعب و در رگرسيون چند متغيره 3/49 مترمكعب است. مقدار اختلاف حجم كل مدل و واقعي براي تحليل رگرسيون 6/5 درصد و در شبكه عصبي 1/7 درصد بود. با توجه به نتايج، مقدار اختلاف براي مدل حاصل از شبكه عصبي مصنوعي كمتر از مدل رگرسيوني به دست آمد.

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.