اولویت بندی مناطق مستعد بهره برداری با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی چندگانه

در تحقیق حاضر تلاش شد تا با انتخاب مدل مناسب برای پیش¬بینی حجم درختان، حجم برآورد شده به¬منظور بهره¬برداری اولویت¬بندی گردد. به ¬این منظور، از داده¬های آماربرداری 240 قطعه در سال 1391 در جنگل آموزشی و پژوهشی دانشگاه تربیت مدرس استفاده شده است. در این تحقیق رگرسیون خطی چندگانه و شبکه عصبی پرسپترون چند لایه (mlp) به¬منظور مدل¬سازی موجودی حجمی درختان به کار گرفته شدند. متغیرهای توپوگرافی، هم¬باران، هم¬دما، خاک¬شناسی، زمین¬شناسی، فرسایش و درصد تاج¬پوشش به¬عنوان ورودی شبکه عصبی استفاده شدند. پس از بررسی فرضیات رگرسیون و بررسی هم-خطی بین متغیرهای ورودی و با حذف متغیرهای هم¬باران و هم¬دما، باقیمانده متغیرها به¬منظور گزینش و در نهایت مدل¬سازی وارد مدل رگرسیون شدند. نتایج این تحقیق نشان داد که رگرسیون خطی چندگانه در برآورد موجودی در هکتار درختان نسبت به شبکه عصبی مصنوعی عملکرد ضعیف¬تری دارد. همچنین نتایج نشان داد که شبکه عصبی آبشاری در برآورد موجودی در هکتار نسبت به شبکه عصبی پیشخور ضعیف¬تر عمل کرده است. با توجه به نتایج، شبکه¬هایی که از تکنیک اعتبارسنجی متقابل -fold10 استفاده کردند نتوانستند نتایج بهتری نسبت به مدل¬هایی که در آن¬ها داده¬ها به دو دسته آموزش (80 درصد) و اعتبارسنجی (20 درصد) تقسیم شده بودند ارائه دهند. در بین همه مدل¬ها، مدل 11 (شبکه پیشخور) و مدل 16 (شبکه پیشخور) بهترین مدل تشخیص داده شدند. سرانجام از مدل 16 (به¬دلیل تعداد کمتر متغیرهای ورودی و پیچیدگی کمتر در به¬دست¬آوردن این اطلاعات) با ضریب تبیین 0/38و درصد میانگین مربعات خطای 31/53 درصد برای تهیه نقشه نهایی حجم در هکتار استفاده شده است. در نهایت با انتخاب مدل مناسب و استفاده از سیستم اطلاعات جغرافیایی، جنگل به¬منظور بهره¬برداری اولویت¬بندی گردید.