مدلسازي حجم تجاري درختان توده‌هاي آميختۀ راش جنگل‌هاي هيركاني با استفاده از شبكۀ عصبي مصنوعي

Modeling the commercial volume of trees in mixed beech stands of Hyrcanian forests through artificial neural network

پيش­بيني دقيق حجم درختان سرپا برحسب متر مكعب مبناي برآورد هر چه دقيق‌تر مقدار رويش، برداشت مجاز، ترسيب كربن زي‌تودۀ هوايي درختان و مديريت بهينۀ جنگل براساس اصل توسعۀ پايدار محسوب مي‌شود. از اين‌رو، تحقيق حاضر با استفاده از شبكۀ عصبي مصنوعي در پي مدلسازي و پيش‌بيني حجم تجاري با حداكثر قطعيت است. پژوهش موردي جنگل سري 3 گلندرود نور بوده و اطلاعات دريافتي مستخرج از جدول‌هاي تجديد حجم ادارۀ كل منابع طبيعي نوشهر شامل قطر، ارتفاع كل و مقادير حجمي مربوط به 150 اصله درختان قطع‌شده است. كليۀ مقادير حجمي به‌ازاي كميت‌هاي بيوفيزيكي مذكور به‌عنوان لايۀ ورودي به‌صورت مرحله‌اي با استفاده از شبكۀ عصبي پيش‌خور الگوريتم پس‌انتشار FFBP مدلسازي شدند. همچنين از دو تابع انتقال نورون غيرخطي Logsig و Tansig استفاده شد، طوري كه هر مدل با توپولوژي مختلف شبكۀ مدنظر براي رسيدن به پاسخ هدف، دقت متفاوتي را نشان ‌داد. نورون‌هاي انتقالي براي رسيدن به حداقل خطاي آزمون داده‌ها در هر الگوريتم آموزش، پس از وزن‌دهي اوليه داراي تعداد چرخش متفاوت بودند. نتايج مدلسازي پس از سعي و آزمون مكرر نشان داد كه مدل حاوي قطر و ارتفاع كل با تابع انتقالي Logsig با معماري دو لايۀ پنهان و 15 نورون داراي حداقل ميانگين مربعات خطاي آزمون (‌MSE)، حداقل ميانگين انحراف معيار و حداكثر ضريب تبيين (158/0= AD، 99/0= R2) است كه از اين‌رو به‌عنوان مدل بهينه معرفي مي‌شود.

Predicting the volume of standing trees precisely is the basis of growth rate, amount of allowable harvesting, aboveground biomass carbon sequestration, and the foundation of optimal management according to the sustainable development. New technology of artificial intelligence including artificial neural network (ANN) was applied for modelling and predicting the commercial volume of measured trees in district 3 of Glandroud forests. The data of renewed volume table was acquired from bureau of natural resources and watershed management of Mazandaran province, Nowshahr. Diameter and total height of 150 fallen trees were used as inputs to develop the stage-wise modeling by feed forward back-propagation (FFBP). Two non-linear functions, Logsig and Tansig, were applied as transfer functions. Each function with the same topology showed the different outputs having different accuracies. After initial weighting and training algorithm, transfer functions of neurons had different rotation for decreasing the errors. After each trial, which led to various topology functions, the result showed that the model including diameter and total height with transfer function of Logsig, topology of one hidden layer and fifteen neurons, was the best model to predict the volume of trees in this study. The mentioned model provided the considerable accuracy with the highest coefficient of determination (R2 = 0.99), the least mean squared error of test (MSE) and the least average deviation (AD = 0.158).