کاربرد شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در مدل‌سازی حجم توده سرپا با استفاده از داده‌های محیطی و سنجش‌ازدور

برای اداره و بهره برداری بهینه و پایدار از جنگل آگاهی از اطلاعات حجم توده سرپا ضروری به نظر می‌رسد. در پژوهش حاضر مدل‌سازی حجم توده سرپا جنگل آموزشی و پژوهشی دارابکلای ساری صورت پذیرفت. بدین منظور به تعداد 186 قطعه نمونه 10 آری به‌صورت تصادفی سیستماتیک دایره ای شکل آماربرداری انجام گرفت و با استفاده از داده‌های سنجش دور و روش‌های شبکه عصبی مصنوعی و رگرسیون خطی چندگانه  مدل‌سازی گردید. به عبارتی با استفاده از نقشه توپوگرافی، لایه های فیزیوگرافی منطقه تهیه و با استفاده از تصویر liss-iii ماهواره irs-p6 با اندازه تفکیک 23.5 مشخصه های پوشش گیاهی تهیه گردید و با درنظرگرفتن این متغیرها و داده‌های برداشت شده مدل‌سازی و ارزیابی صحت مدل‌ها صورت گرفت. نتایج بیانگر دقت فراوان مدل خطی چندگانه با مقدار 0.75 =r2  و 0.3  = rmse در برآورد تغییرات حجم توده سرپا نسبت به مدل شبکه عصبی مصنوعی در منطقه بود؛ به‌طوری‌که شاخص‌های tvi و dvi جزو شاخص‌های تاثیرگذار شناخته شدند. از نتایج پژوهش حاضر می‌توان در برنامه‌ریزی‌های مدیریتی و به‌عنوان یکی از عوامل اثرگذار در طراحی مسیرهای چوبکشی و جاده های جنگلی استفاده نمود، به‌گونه‌ای که مناطق دارای حجم توده‌ سرپا بیشتر تحت پوشش قرار گیرند. 

modeling the volume of residual stand using environmental data and remote sensing: an application of artificial neural network and multiple linear regression

in order to sustainably manage and optimize forest utilization, it is crucial to have information on the volume of standing mass. this study aimed to model the standing mass of the educational and research forest of darabkola sari using remote sensing data and artificial neural network and multiple linear regression methods. 186 sample plots of 10 r were randomly and systematically collected, and using topographic maps and liss-iii images from the irs-p6 satellite, the vegetation characteristics of the area were prepared. modeling and accuracy evaluation of the models were done using these variables and collected data. the multiple linear model showed higher accuracy with an r2 of 0.75 and rmse of 0.3 compared to the artificial neural network model in the region. the results can be utilized in management planning and as a factor in the design of logging routes and forest roads to cover areas with standing trees. the influential indicators were tvi and dvi. the results of the present research can be used in management planning and as one of the effective factors in the design of logging routes and forest roads, so that the areas with the volume of standing trees are covered more.