مقايسۀ عملكرد شبكه‌هاي عصبي مصنوعي با تحليل رگرسيون در برآورد تراكم توده‌هاي جنگلي سراوان گيلان

تراكم درختان از مهم‌ترين ويژگي‌هاي ساختاري جنگل است كه در مديريت، حفاظت و احياي جنگل‌هاي شمال ايران اهميت ويژه‌اي دارد. در اين پژوهش، تراكم درختان به كمك عوامل مؤثر فيزيوگرافي، خاكي و انساني با استفاده از شبكه‌هاي عصبي مصنوعي نگاشت خودسازمانده نظارت‌شده، پرسپترون چندلايه و مدل رگرسيون خطي چندگانه برآورد و با توجه به معيارهاي ارزيابي كارايي آنها مقايسه شد. از اين‌رو نخست واحدهاي همگن در محيط GIS تهيه شد. نمونه‌برداري به روش سيستماتيك تصادفي با شبكه‌اي به ابعاد 200 × 150 متر انجام گرفت و در كل 779 قطعه نمونۀ دايره‌اي به مساحت 0.1 هكتار پياده شد. با اندازه‌گيري قطر برابرسينۀ همۀ درختان بالاي 7.5 سانتي‌متر، تراكم درختان براي هر قطعه نمونه و واحدهاي همگن محاسبه شد. نتايج نشان داد كه شبكۀ عصبي 5 SSOM (0.9117= R2 ،  0.9909= R2adj، 9.16= RMSE%، 4.26= Bias%) در مقايسه با شبكۀ عصبي 4 MLP (0.8321= R2، 0.8760= R2adj، 15.14= RMSE%، 10.96= Bias%) و مدل رگرسيون خطي چندگانه (0.6812= R2، 0.6910R2adj =، 28.71= RMSE%، 24.26= Bias%) داراي دقت بيشتر و خطاي كمتر است. براي انتخاب برترين مدل، آزمون T-test انجام گرفت و نتايج نشان داد كه شبكۀ عصبي SSOM از نوع رقابتي و نظارتي در سطح احتمال 95 درصد، مقاديري مشابه مقادير واقعي دارد كه علت آن به‌دليل توابع گوسي است كه اين ويژگي در شبكه‌هاي عصبي MLP با توابع سيگموئيدي مشاهده نمي‌شود. از اين‌رو، شبكۀ عصبي SSOM در برآورد تراكم درختان جنگل‌هاي شمال ايران، جايگزين مناسبي براي شبكۀ عصبي پرسپترون چندلايه خواهد بود.