برآورد رویش ده‌ساله راش (fagus orientalis lipsky) با استفاده از مدل شبکه‌های عصبی مصنوعی و رگرسیون خطی چندگانه در جنگل‌های رامسر

در این تحقیق که در جنگل‌های رامسر در استان مازندران انجام شد رویش جنگل به کمک شبکه عصبی مصنوعی برآورد و با رویش واقعی جنگل که به طور مستقیم و از اندازه گیری در 20 قطعه‌نمونه ثابت یک هکتاری که در سال های 1381 و 1391 از آماربرداری صد در صد محاسبه شده بود، مقایسه شد. رویش حجمی سالانه راش به ترتیب 4.52 و 4.35 سیلو در هکتار برای رویش به طریق مستقیم و رویش برآوردی به روش شبکه عصبی مصنوعی بود. سپس تحلیل رگرسیون، به روش گام‌به‌گام انجام و بهترین مدل ها گزینش شد. پس از انتخاب بهترین مدل، بررسی تحلیل حساسیت ورودی ها انجام شد. نتایج نشان داد شبکه عصبی با دقت مناسبی می تواند رویش و مقدار برش سالیانه را برآورد کند. مقدار r2، rmse و mae به ترتیب 0.75، 17 و 13.60 در شبکه پرسپترون چندلایه نشان داد که شبکه عصبی mlp بیشترین دقت در برآورد را دارد. در تحلیل رگرسیون خطی چندگانه هم ضرایب تشخیص به ترتیب 0.610 و 0.679 و خطای rms مقادیر 1.5 و 1.42 برای مدل اول و دوم به دست آمد. نتایج مربوط به تحلیل حساسیت ورودی ها نشان داد که عوامل حجم، جهت، قطر برابرسینه و ارتفاع درخت بیشترین تاثیر را در مدل سازی تعیین رویش دارند. مقایسه مدل ها نشان داد استفاده از شبکه عصبی می تواند مقدار رویش را با دقت مناسبی پیش‌بینی کند.