برآورد ارتفاع درختان نمدار (Tilia begonifolia Stev.) با استفاده از مدل‌‌‌های غیرخطی

قطر و ارتفاع درختان، متغیرهایی اساسی برای بررسی زی‌‌توده، ذخیره کربن و تکامل توده‌‌های جنگلی هستند. با‌توجه‌به کم‌هزینه بودن و سهولت اندازه‌‌گیری قطر و زیاد بودن خطای اندازه‌‌گیری ارتفاع درخت، در این پژوهش برای برآورد ارتفاع درختان نمدار (Tilia begonifolia Stev.) در جنگل‌‌های شفارود گیلان از مدل‌‌های غیرخطی استفاده شد. نمدار در شفارود از ارتفاعات پایین تا 1800 متر از سطح دریا پراکنش دارد. این گونه، نقش مهمی در حفظ ترکیب و ساختار طبیعی جنگل ایفا می‌کند. داده‌‌های موردبررسی با نمونه‌‌برداری تصادفی- منظم با ابعاد شبکه 200×200 متر مربع از 48 قطعه‌‌نمونه دایره‌‌ای 10 آری در دامنه‌های ارتفاعی 500 تا 950 متر از سطح دریا (پارسل‌‌‌‌های 29 و 30) در سری‌‌ 16 و 50 تا 500 متر از سطح دریا (پارسل‌‌های 14 و 18) در سری‌‌ 17 جمع‌‌آوری شدند. مدل‌‌سازی با 12 مدل غیرخطی پرکاربرد و شبکه عصبی مصنوعی پرسپترون چندلایه با الگوریتم لونبرگ- مارکوارت انجام شد. شبکه عصبی مصنوعی از مزیت تشخیص روابط پیچیده غیرخطی بین داده‌‌های ورودی و خروجی برخوردار است. مقایسه نتایج با معیارهای کارایی‌‌سنجی RMSE، R2adj، AIC و MAD انجام شد. براساس این معیارها در بین 12 مدل موردنظر، مدل Stoffels-Van Soeset (1953) در پایین‌‌بند و مدل Burkhart-Strub (1974) برای میان‌‌بند بیشترین کارایی را داشتند، درحالی‌که شبکه عصبی مصنوعی در هر دو رویشگاه از بیشترین کارایی برخوردار بود. شبکه عصبی مصنوعی، مقدار خطا را برای مدل‌‌های پیشنهادی در مناطق پایین‌‌بند و میان‌‌بند به‌ترتیب 54/5 و 35/7 درصد کاهش داد. اگرچه دقت مدل‌‌های غیرخطی پیشنهادی برای منطقه موردبررسی مناسب بود، اما شبکه عصبی مصنوعی به‌دلیل دقت بیشتر نسبت به این مدل‌‌‌ها برتری دارد.