مدل‌سازی آشفتگی انبوهی جنگل در ارزیابی محیطی با استفاده از شبکه عصبی مصنوعی

author

  • علی جهانی استادیار، گروه محیط زیست طبیعی و تنوع زیستی، دانشکده محیط زیست، دانشگاه محیط زیست
Abstract:

ارزیابی اثرات محیط زیستی به‌عنوان یک ابزار اساسی برای مدیریت محیط زیستی و توسعه پایدار شناخته شده است، اما زمانی‌که به مقادیر کمی برای تصمیم‌گیری نیاز است، ارزیابی اثرات دچار مشکل می‌شود و نیاز به مدل‌سازی آشکار است. هدف از پژوهش پیش‌رو طراحی و پیاده‌سازی یک سامانه مبنی بر شبکه عصبی مصنوعی با استفاده از اجزای اکوسیستم، فعالیت‌های طرح جنگلداری و میزان آشفتگی تراکم تاج‌پوشش اکوسیستم جنگلی (انبوهی جنگل) بود. پژوهش پیش‌رو در سه بخش پاتم، نم‌خانه و گرازبن جنگل خیرود نوشهر انجام شد. واحدهای همگن محیط زیستی با استفاده از منابع اکولوژیکی و ابزار دقیق GIS تهیه شد. با انتخاب الگوریتم مناسب در محیط شبکه‌های عصبی مصنـوعی در نرم‌افزار NeuroSolutions 5، انبوهی جنگل براساس مقادیر کمی و کیفی شرایط اکولوژیک و فعالیت‌های انسانی شبیه‌سازی شد. شبکه پرسپترون چندلایه با یک لایه پنهان و چهار نرون در هر لایه با توجه به بیشترین مقدار ضریب تعیین (برابر با 0/9864)، بهترین عملکرد بهینه‌سازی توپولوژی را نشان داد. براساس نتایج تحلیل حساسیت، عامل‌های انسانی مانند تراکم دام در واحد سطح جنگل (تعداد در هکتار) در کنار عامل‌های طبیعی و اکولوژیکی مانند متوسط قطر درختان توده (سانتی‌متر) و عمق خاک به‌ترتیب بیشترین تأثیر را در میزان انبوهی جنگل نشان دادند. ارزیابی اثرات پروژه‌های اجرا‌شده علاوه‌‌بر اینکه تجربه‌ای در زمینه ارزیابی اثرات توسعه به‌شمار می‌رود، می‌تواند راه‌گشای تصمیم‌گیری در مورد اجرای پروژه‌های مشابه در مکان‌های مشابه باشد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

مدل سازی آشفتگی انبوهی جنگل در ارزیابی محیطی با استفاده از شبکه عصبی مصنوعی

ارزیابی اثرات محیط زیستی به عنوان یک ابزار اساسی برای مدیریت محیط زیستی و توسعه پایدار شناخته شده است، اما زمانی که به مقادیر کمی برای تصمیم گیری نیاز است، ارزیابی اثرات دچار مشکل می شود و نیاز به مدل سازی آشکار است. هدف از پژوهش پیش رو طراحی و پیاده سازی یک سامانه مبنی بر شبکه عصبی مصنوعی با استفاده از اجزای اکوسیستم، فعالیت های طرح جنگلداری و میزان آشفتگی تراکم تاج پوشش اکوسیستم جنگلی (انبوهی...

full text

مدلسازی نفوذپذیری سیستم بیوراکتورغشایی با استفاده از شبکه عصبی مصنوعی

مدلسازی برای سیستم های پیچیده ای همچون بیوراکتور غشایی به دلیل امکان اجرای آزمایشهای مجازی زیاد در زمان کوتاه ابزاری قدرتمند است، اگرچه نیازمند اعتبار تجربی و تبدیل فرایند به مدل ریاضی می باشد. در این پژوهش به مدلسازی فرایند فیلتراسیون توسط شبکه های عصبی با استفاده از نرم افزار MATLAB 8.1 (2013) پرداخته شده و از داده های تجربی یک سیستم بیوراکتور غشایی غوطه ور مجهز به غشاء کوبوتا جهت تصفیه فاضلا...

full text

مدل‌سازی ارزیابی کیفیت زیباشناختی منظر جنگل با استفاده از شبکه عصبی مصنوعی

سابقه و هدف: با توجه به کاهش روزافزون قابلیت برداشت چوب از جنگل‌های هیرکانی نیاز به برنامه‌ریزی برای استفاده از سایر قابلیت‌های اکوسیستم‌های جنگلی همچون اکوتوریسم بیشتر از گذشته احساس می‌شود. برنامه‌ریزی اکوتوریسم نیاز به اطلاعات کافی درباره جذابیت‌های اکولوژیکی، ساختار و عناصر منظر طبیعی دارد. از طرفی ارزیابی صحیح از وضعیت مناظر مختلف در یک منطقه مستلزم داشتن اطلاعات کافی در مورد معیارهای تاث...

full text

مدلسازی غلظت تری هالومتان در آب شرب با استفاده از شبکه عصبی مصنوعی

در این مطالعه جهت مدل سازی میزان غلظت تری هالومتان در آب شرب، از شبکه عصبی مصنوعی استفاده شده است. پس از آموزش، شبکه عصبی قادر است براساس مشخصات کیفی آب و میزان غلضت کلر در آب شرب، میزان غلظت تری هالومتان را پیش بینی کند. جهت ارزیابی و تشریح مدل، آب تصفیه خانه سنگر واقع در شهرستان رشت به صورت موردی  بررسی شده است. از اندازه گیری های انجام یافته بر روی آب شرب تصفیه خانه سنگر، داده های مورد نیاز،...

full text

مدلسازی منطقه‌ای دبی‌های اوج در زیر حوزه‌های آبخیز سد سفیدرود با استفاده از شبکه عصبی مصنوعی

The model in this research was created based on the Artificial Neural Network (ANN) and calibrated in the Sefid-rood dam basin (excluding Khazar zone). This research was done by gathering and selecting peak flows of hydrographs from 12 sub basins, the concentration time of which was equal to or less than 24 hours and was caused only by rainfall. From all the selected sub basins, totally 661 hyd...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 24  issue 2

pages  322- 310

publication date 2016-06-21

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023