مقایسه عملکرد شبکه عصبی پرسپترون چند لایه و تابع پایه شعاعی در پیش‌بینی حجم صنعتی و هیزمی حاصل از درختان

سابقه و هدف: در مدیریت منابع جنگلی، فرآیندهای تصمیم‌گیری مثل عوامل کیفی در معادلات ریاضی وارد نمی‌شوند. درسال‌های اخیر شبکه‌های عصبی، کاربرد فراوانی در منابع جتگلی داشته‌اند. این تحقیق به مقایسه شبکه عصبی پرسپترون چندلایه و شبکه تابع پایه شعاعی در پیش‌بینی حجم صنعتی و هیزمی درختان پرداخته است. بررسی عملکرد شبکه‌های مختلف و یافتن بهترین نوع آن برای دستیابی به نتایج قابل قبول و معتبر از اهداف این مطالعه می‌باشد. مواد و روش‌ها: در این مطالعه، تعداد 367 اصله درخت از درختان نشانهگذاری شده جنگل آموزشی پژوهشی خیرود انتخاب و متغیرهای قطر برابر سینه، قطر کنده، ارتفاع کنده، ارتفاع کل، طول صنعتی، حداقل قطر میانه گرده‌بینه، وضعیت درخت، نوع گونه و عوامل توپوگرافی مثل شیب، جهت، ارتفاع از سطح دریا به عنوان ورودی شبکه درنظر گرفته شدند. حجم صنعتی و حجم هیزمی درختان پس از تجدید حجم صد در صد مشخص شد و به عنوان خروجی شبکه در نظر گرفنه شد. برای مدلسازی از شبکه‌های عصبی پرسپترون چند لایه و شبکه تابع پایه شعاعی استفاده شد. برای آموزش شبکه پرسپترون چند لایه از تابع تانژانت هیپربولیک و برای شبکه تابع پایه شعاعی، تابع softmax در لایه مخفی و تابع خطی در لایه خروجی به همراه الگوریتم نزول گرادیان با مومنتم استفاده گردید. برای مدلسازی داده‌ها به سه قسمت آموزش، اعتبارسنجی و تست تقسیم شدند که نسبت هر کدام به ترتیب برابر با 70%، 15% و 15% بود. تعیین تعداد لایه‌ها پنهان و نرون‌های هر لایه نیز با آزمون و خطا صورت گرفت و تا زمان رسیدن مقدار خطا به حداقل ممکن ادامه یافت. یافته‌ها: طبق نتایج مقدار ضریب تبیین برای حجم صنعتی و هیزمی به ترتیب در شبکه پرسپترون چند لایه 94/ 0، 71/ 0 مترمکعب و در شبکه تابع پایه شعاعی 88/ 0، 65/ 0 مترمکعب می‌باشد. میزانrmse نیز برای حجم صنعتی و هیزمی به ترتیب در شبکه پرسپترون چند لایه 297/ 1، 331/ 0 مترمکعب و در شبکه تابع پایه شعاعی 72/ 3 ، 397/ 0 مترمکعب گزارش شد. نتیجه‌گیری: نتایج حاکی از عملکرد بهتر شبکه پرسپترون چند لایه نسبت به شبکه تابع پایه شعاعی برای پیش‌بینی حجم صنعتی و هیزمی می‌باشد و تنها مزیت شبکه تابع پایه شعاعی نسبت به شبکه پرسپترون چند لایه در پیش‌بینی حجم صنعتی و هیزمی، زمان کوتاه‌تر موردنیاز برای آموزش می‌باشد. استفاده از شبکه و مدلی که با داشتن متغیرهای متعدد در میان شبکه‌ها و مدل‌های موجود دارای دقت بالاتری بوده، در اولویت قرار دارد. بنابراین با توجه به نوین و توانا بودن این تکنیک، نیاز به شناسایی گستره‌ای از کاربردهای بالقوه آن در جامعه علوم جنگل به عنوان ابزار جایگزین، احساس می‌شود.