مقایسۀ عملکرد شبکه‌‌های عصبیِ مصنوعی با تحلیل رگرسیون در برآورد حجم تنۀ درختان

Authors

اکبر نجفی استادیار گروه جنگلداری دانشکدۀ منابع طبیعی، دانشگاه تربیت مدرس (نویسندۀ مسئول)

هادی بیاتی کارشناس ارشد مهندسی جنگل، دانشکدۀ منابع طبیعی، دانشگاه تربیت مدرس

Abstract:

آنالیز رگرسیون روش رایجی است که امروزه برای برآورد حجم تنۀ درختان استفاده می‌‌‌شود. این روش با تعیین رابطه‌‌ای، حجم را با دقت خاصی برآورد می‌‌کند، اما محدودیت‌‌هایی مانند نرمال‌بودن متغیر وابسته و همگن‌بودن واریانس خطاها نیز دارد. در ‌‌این پژوهش سعی شده از شبکه‌‌های عصبی مصنوعی (ANN)، به‌عنوان یکی از زیر‌مجموعه‌‌های فنّاوری جدید هوش مصنوعی (AI)، به‌‌منظور برآورد حجم تنه، استفاده شود. بدین‌منظور، تعداد 101 درخت از درختان نشانه‌‌گذاری‌شدۀ جنگل آموزشی‌ـ‌پژوهشی دانشگاه تربیت مدرس انتخاب، و قطر برابر سینه، قطر در ارتفاع کنده، قطر انتهای تنه، ارتفاع تنه، و ارتفاع کل درخت، با دقت بسیار اندازه‌گیری شدند. از دو مدل شبکۀ عصبی، پرسپترون چند‌لایه (MLP) و تابع پایۀ شعاعی (RBF)، به‌‌منظور پیش‌‌بینی حجم تنه استفاده شد. نتایج نشان داد با افزایش متغیرهایی که همبستگی بیشتری با حجم تنه دارند، ضریب تشخیص شبکۀ عصبی از 80/0 به 95/0 افزایش می‌‌‌یابد. شبکۀ عصبی تابع پایۀ شعاعی در مقایسه با شبکۀ عصبی پرسپترون چند‌لایه دقت بیشتری در برآورد حجم تنه دارد. مقایسۀ معیارهای ارزیابی شبکۀ عصبی مصنوعی با رگرسیون گام‌به‌گام نشان داد که شبکۀ عصبی MLP و RBF به‌ترتیب دارای مقدار RMSE 18/1 و 05/1 است، درحالی‌که مقدار RMSE مدل رگرسیون 57/2 می‌‌‌باشد. ضریب تشخیص رگرسیون در مقایسه با هر دو مدل شبکۀ عصبی نیز مقدار کمتری است.

Upgrade to premium to download articles

Already have an account?login

similar resources

مقایسۀ عملکرد شبکه های عصبیِ مصنوعی با تحلیل رگرسیون در برآورد حجم تنۀ درختان

آنالیز رگرسیون روش رایجی است که امروزه برای برآورد حجم تنۀ درختان استفاده می شود. این روش با تعیین رابطه ای، حجم را با دقت خاصی برآورد می کند، اما محدودیت هایی مانند نرمال بودن متغیر وابسته و همگن بودن واریانس خطاها نیز دارد. در این پژوهش سعی شده از شبکه های عصبی مصنوعی (ann)، به عنوان یکی از زیر مجموعه های فنّاوری جدید هوش مصنوعی (ai)، به منظور برآورد حجم تنه، استفاده شود. بدین منظور، تعداد 101...

full text

کاربرد شبکه عصبی مصنوعی در برآورد حجم تنه درختان

full text

کاربرد شبکه عصبی مصنوعی در برآورد حجم تنه درختان

full text

مقایسۀ مدل رگرسیون درختی، شبکۀ عصبی مصنوعی و هارگریوز سامانی در برآورد تبخیرتعرق مرجع مناطق خشک

هدف از این تحقیق، ارزیابی سه مدل شبکۀ عصبی مصنوعی، رگرسیون درختی و مدل هارگریوز سامانی برای برآورد تبخیرتعرق گیاه مرجع بود. بدین منظور از اطلاعات هواشناسی استانهای سیستان و بلوچستان، کرمان، یزد و خراسان جنوبی در دورۀ آماری 1998-2008 استفاده شد. با توجه به تأثیر سرعت باد بر میزان تبخیرتعرق منطقه، برآورد تبخیرتعرق براساس تغییرات سرعت باد در قالب سه گروه شامل ایستگاههایی با سرعت باد کمتر از 48/2...

full text

مقایسه دو روش شبکه عصبی مصنوعی و آنالیز رگرسیون در پیش بینی و برآورد حجم مقطوعات درختان در جنگل آموزشی-پژوهشی خیرود نوشهر

استفاده از مدلهای تجربی آماری از روش های کاربردی رایج، میان مدیران منابع جنگلی است. تحلیل رگرسیون نیز از روش‌های آماری بوده که می تواند برای برآورد حجم استفاده گردد. این روش نیازمند پیش فرض و دارای محدودیتهایی مانند نرمال بودن توزیع داده ها، عدم رابطه هم خطی، یکسان بودن واریانس خطاها است. استفاده از روش های جدید مثل شبکه های عصبی مصنوعی، دارای محدودیت های مذکور نیست. در این بررسی هدف مق...

full text

مقایسۀ مدل رگرسیون درختی، شبکۀ عصبی مصنوعی و هارگریوز سامانی در برآورد تبخیرتعرق مرجع مناطق خشک

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}

Journal title

جنگل و فرآورده های چوب

volume 66 issue 2

pages 177- 191

publication date 2013-06-22

unfollow

{@ msg @}

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

Keywords

برآورد حجم تنۀ درخت بهره‌‌برداری جنگل پرسپترون چند‌لایه مدیریت جنگل تابع پایۀ شعاعی رگرسیون هوش مصنوعی

Hosted on Doprax cloud platform doprax.com