كارايي روش شبكه عصبي مصنوعي در برآورد موجودي سرپاي توده‌هاي جنگلي

Applicability of artificial neural network for estimating the forest growing stock

به‌طور كلي براي اداره و بهره‌برداري بهينه و پايدار از جنگل، آگاهي از موجودي حجمي جنگل و توليد آن ضروريست. برآورد دقيق موجودي حجمي به روش‌هاي متداول به‌طور عموم مستلزم وقت و هزينه زيادي است و گاهي نيز داراي دقت كافي نيست. يكي از روش‌هاي نوين در برآورد مشخصه‌هاي كمي جنگل استفاده از الگوريتم شبكه عصبي مصنوعي است كه با الگوبرداري از شبكه عصبي مغز انسان، با اجراي فرآيند آموزش روابط دروني بين داده‌ها را استخراج مي‌كند و در موقعيت ديگر تعميم مي‌دهد. در پژوهش پيش‌رو از داده‌هاي 258 قطعه‌نمونه دائم كه در بخش گرازبن به وسعت 934/24 هكتار به‌طور منظم تصادفي مستقر شده بودند، استفاده شد. پس از رفع نواقص آماري و حذف داده‌هاي پرت، 80 درصد داده‌ها براي آموزش و 20 درصد براي آزمون شبكه استفاده شد. پس از استاندارد كردن داده‌ها با استفاده از داده‌هاي سري آموزش، شبكه عصبي با الگوريتم پس‌انتشار ايجاد شد. همچنين با استفاده از داده‌هاي سري آموزش، رابطه رگرسيوني بين داده‌هاي حجم و پارامترهاي تعيين‌كننده آن بررسي شد. به‌منظور ارزيابي نتايج دو روش از داده‌هاي سري آزمون و از معيارهاي RMSE، MAE و R2 استفاده شد. نتايج نشان‌دهنده دقت بيشتر برآوردهاي مدل شبكه عصبي (متر مكعب در هكتار 006/1=RMSE، متر مكعب در هكتار 0/69=MAE و 0/98=R2) در مقايسه با برآوردهاي مدل رگرسيوني (m3/ha 2/5=RMSE، m3/ha 0/95=MAE و 0/85=R2) بود. بيشتر بودن ضريب تعيين به‌دليل زياد بودن داده‌ها و رابطه منطقي بين داده‌هاي ورودي و خروجي بود.

Knowledge on stand’s quantitative and qualitative characteristics (tree volume and growth) are fundamental requirements for monitoring closetonature forest management plans. In addition, future planning is based on statistics and information obtained from the forest. Thus, structural information such as standing stock, growth and diameter distribution are highly required. Volume increment provides the amount of allowable annual cut. In this study 768.4 ha of virgin forests located in Gorazbon district in Kheyroud educational experimental Forest was inventoried by 258 permanent sample plots measured in 2012. Following elimination of statistical deficiency and exclusion of deviated points, the data were divided into 80% training and 20% test data to examine the applied neural network. The data was initially standardized by using training data. Neural network with back propagation error algorithm was developed. Furthermore, volume was regressed against diameter, height, slope and aspect using the allocated training data. Model diagnostics including R2, MAE and RMSE  were applied for evaluating those two methods. The analysis resulted in R2=0.98, MAE=0.69 and RMSE=1.006, respectively. For the regression method the diagnostics amounted in R2=0.85, MAE=0.95 and RMSE=2.5. The results have suggest the higher accuracy of neural network for growing stock estimation compared to regression approach. However, care must be taken during data preparation, network design and network training to reach an optimum final model. It is concluded that this model should be further considered and applied for the estimation of volume across the study area.