مقایسۀ عملکرد شبکه‌های عصبی مصنوعی با تحلیل رگرسیون در برآورد تراکم توده‌های جنگلی سراوان گیلان

تراکم درختان از مهم‌ترین ویژگی‌های ساختاری جنگل است که در مدیریت، حفاظت و احیای جنگل‌های شمال ایران اهمیت ویژه‌ای دارد. در این پژوهش، تراکم درختان به کمک عوامل موثر فیزیوگرافی، خاکی و انسانی با استفاده از شبکه‌های عصبی مصنوعی نگاشت خودسازمانده نظارت‌شده، پرسپترون چندلایه و مدل رگرسیون خطی چندگانه برآورد و با توجه به معیارهای ارزیابی کارایی آنها مقایسه شد. از این‌رو نخست واحدهای همگن در محیط gis تهیه شد. نمونه‌برداری به روش سیستماتیک تصادفی با شبکه‌ای به ابعاد 200 × 150 متر انجام گرفت و در کل 779 قطعه نمونۀ دایره‌ای به مساحت 0.1 هکتار پیاده شد. با اندازه‌گیری قطر برابرسینۀ همۀ درختان بالای 7.5 سانتی‌متر، تراکم درختان برای هر قطعه نمونه و واحدهای همگن محاسبه شد. نتایج نشان داد که شبکۀ عصبی 5 ssom (0.9117= r2 ،  0.9909= r2adj، 9.16= rmse%، 4.26= bias%) در مقایسه با شبکۀ عصبی 4 mlp (0.8321= r2، 0.8760= r2adj، 15.14= rmse%، 10.96= bias%) و مدل رگرسیون خطی چندگانه (0.6812= r2، 0.6910r2adj =، 28.71= rmse%، 24.26= bias%) دارای دقت بیشتر و خطای کمتر است. برای انتخاب برترین مدل، آزمون t-test انجام گرفت و نتایج نشان داد که شبکۀ عصبی ssom از نوع رقابتی و نظارتی در سطح احتمال 95 درصد، مقادیری مشابه مقادیر واقعی دارد که علت آن به‌دلیل توابع گوسی است که این ویژگی در شبکه‌های عصبی mlp با توابع سیگموئیدی مشاهده نمی‌شود. از این‌رو، شبکۀ عصبی ssom در برآورد تراکم درختان جنگل‌های شمال ایران، جایگزین مناسبی برای شبکۀ عصبی پرسپترون چندلایه خواهد بود.

Comparison of the Performance of Artificial Neural Networks with Regression Analysis in Estimating the Density of Forest Stands in Saravan, Guilan Province

Tree density as one of the most importantfeatures of forest structuralis necessary for management, conservation and reforestation of northern Iran forest. In this research, tree densities were estimated using physiographic, soil and human factors using artificial neural network supervised selforganized, multilayer perceptron and multiple linear regression model and compared according to their performance evaluation criteria. For this purpose, homogeneous units in GIS environment were prepared. Sampling was performed by randomsystematic method with 150 200 m network dimensions and a total of 779 0.1 ha circular shape plots were implemented. By measuring the diameter at breast height of all trees above 7.5 cm, tree density was calculated for each sample plot and homogeneous units. The results showed that SSOM 5 neural network (R2 = 0.9117, R2adj = 0.9909, RMSE% = 9.16, Bias% = 4.26) compared to MLP 4 neural network (R2 = 0.8321, R2adj = 0.8760, RMSE% = 15.14, Bias% = 10.96) and multiple linear regression model (R2 = 0.6812, R2adj = 0.6910, RMSE% = 28.71, Bias% = 24.26) had more accuracy and less error. To select the best model, T test was performed and the results showed that the neural network, of the competitive and supervisory type, had values similar to the actual values. This is due to Gaussian functions, which are not seen in MLP neural networks with sigmoid functions. Therefore, SSOM neural network can be a suitable alternative to multilayer perceptron neural network in estimating the density of trees in the northern forests of Iran.