کارایی روش شبکه عصبی مصنوعی در برآورد موجودی سرپای توده‌های جنگلی

به‌طور کلی برای اداره و بهره‌برداری بهینه و پایدار از جنگل، آگاهی از موجودی حجمی جنگل و تولید آن ضروریست. برآورد دقیق موجودی حجمی به روش‌های متداول به‌طور عموم مستلزم وقت و هزینه زیادی است و گاهی نیز دارای دقت کافی نیست. یکی از روش‌های نوین در برآورد مشخصه‌های کمی جنگل استفاده از الگوریتم شبکه عصبی مصنوعی است که با الگوبرداری از شبکه عصبی مغز انسان، با اجرای فرآیند آموزش روابط درونی بین داده‌ها را استخراج می‌کند و در موقعیت دیگر تعمیم می‌دهد. در پژوهش پیش‌رو از داده‌های 258 قطعه‌نمونه دائم که در بخش گرازبن به وسعت 934/24 هکتار به‌طور منظم تصادفی مستقر شده بودند، استفاده شد. پس از رفع نواقص آماری و حذف داده‌های پرت، 80 درصد داده‌ها برای آموزش و 20 درصد برای آزمون شبکه استفاده شد. پس از استاندارد کردن داده‌ها با استفاده از داده‌های سری آموزش، شبکه عصبی با الگوریتم پس‌انتشار ایجاد شد. همچنین با استفاده از داده‌های سری آموزش، رابطه رگرسیونی بین داده‌های حجم و پارامترهای تعیین‌کننده آن بررسی شد. به‌منظور ارزیابی نتایج دو روش از داده‌های سری آزمون و از معیارهای rmse، mae و r2 استفاده شد. نتایج نشان‌دهنده دقت بیشتر برآوردهای مدل شبکه عصبی (متر مکعب در هکتار 006/1=rmse، متر مکعب در هکتار 0/69=mae و 0/98=r2) در مقایسه با برآوردهای مدل رگرسیونی (m3/ha 2/5=rmse، m3/ha 0/95=mae و 0/85=r2) بود. بیشتر بودن ضریب تعیین به‌دلیل زیاد بودن داده‌ها و رابطه منطقی بین داده‌های ورودی و خروجی بود.