مدل‌سازي آشفتگي انبوهي جنگل در ارزيابي محيطي با استفاده از شبكه عصبي مصنوعي

Modeling of forest canopy density confusion in environmental assessment using artificial neural network

ارزيابي اثرات محيط زيستي به‌عنوان يك ابزار اساسي براي مديريت محيط زيستي و توسعه پايدار شناخته شده است، اما زماني‌كه به مقادير كمي براي تصميم‌گيري نياز است، ارزيابي اثرات دچار مشكل مي‌شود و نياز به مدل‌سازي آشكار است. هدف از پژوهش پيش‌رو طراحي و پياده‌سازي يك سامانه مبني بر شبكه عصبي مصنوعي با استفاده از اجزاي اكوسيستم، فعاليت‌هاي طرح جنگلداري و ميزان آشفتگي تراكم تاج‌پوشش اكوسيستم جنگلي (انبوهي جنگل) بود. پژوهش پيش‌رو در سه بخش پاتم، نم‌خانه و گرازبن جنگل خيرود نوشهر انجام شد. واحدهاي همگن محيط زيستي با استفاده از منابع اكولوژيكي و ابزار دقيق GIS تهيه شد. با انتخاب الگوريتم مناسب در محيط شبكه‌هاي عصبي مصنـوعي در نرم‌افزار NeuroSolutions 5، انبوهي جنگل براساس مقادير كمي و كيفي شرايط اكولوژيك و فعاليت‌هاي انساني شبيه‌سازي شد. شبكه پرسپترون چندلايه با يك لايه پنهان و چهار نرون در هر لايه با توجه به بيشترين مقدار ضريب تعيين (برابر با 0/9864)، بهترين عملكرد بهينه‌سازي توپولوژي را نشان داد. براساس نتايج تحليل حساسيت، عامل‌هاي انساني مانند تراكم دام در واحد سطح جنگل (تعداد در هكتار) در كنار عامل‌هاي طبيعي و اكولوژيكي مانند متوسط قطر درختان توده (سانتي‌متر) و عمق خاك به‌ترتيب بيشترين تأثير را در ميزان انبوهي جنگل نشان دادند. ارزيابي اثرات پروژه‌هاي اجرا‌شده علاوه‌‌بر اينكه تجربه‌اي در زمينه ارزيابي اثرات توسعه به‌شمار مي‌رود، مي‌تواند راه‌گشاي تصميم‌گيري در مورد اجراي پروژه‌هاي مشابه در مكان‌هاي مشابه باشد.

Environmental Impact Assessment (EIA) is wellknown as a basic tool for environmental management and sustainable development. However, modelling approaches are generally preferred when quantitative entities are required for decisionmaking. The purpose of this study was to test artificial neural network incorporating ecosystem components, forest management activities and the forest canopy density confusion. The study area embraced three districts of Patom, Namkhaneh and Gorazbon within Khyroud research and educational forest of University of Tehran. Land Management Units were formed using available ecological databases and GIS. Based on qualitative and quantitative measures of ecological condition and human activities, the forest canopy density was simulated using artificial neural networks in Neuro Solutions ver. 5 software. Multilayer Perceptron network with one hidden layer and four neurons created the best function for optimizing topology with highest coefficient of determination ~ 0.9864. The results of sensitivity analysis revealed that human activities like the cattle density in land unit (ha), ecological and natural factors such as the average diameter of forest type trees and soil depth are associated with the highest effects on forest canopy density. As a conclusion, the impact assessment of implemented projects could offer an improved solution in decision making for similar projects across similar locations.