مقایسه عملکرد شبکه عصبی پرسپترون چند لایه و تابع پایه شعاعی در پیش بینی حجم صنعتی و هیزمی حاصل از درختان

سابقه و هدف: در مدیریت منابع جنگلی، فرآیندهای تصمیم گیری مثل عوامل کیفی در معادلات ریاضی وارد نمی شوند. درسال های اخیر شبکه های عصبی، کاربرد فراوانی در منابع جتگلی داشته اند. این تحقیق به مقایسه شبکه عصبی پرسپترون چندلایه و شبکه تابع پایه شعاعی در پیش بینی حجم صنعتی و هیزمی درختان پرداخته است. بررسی عملکرد شبکه های مختلف و یافتن بهترین نوع آن برای دستیابی به نتایج قابل قبول و معتبر از اهداف این مطالعه می باشد. مواد و روش ها: در این مطالعه، تعداد 367 اصله درخت از درختان نشانه-گذاری شده جنگل آموزشی پژوهشی خیرود انتخاب و متغیرهای قطر برابر سینه، قطر کنده، ارتفاع کنده، ارتفاع کل، طول صنعتی، حداقل قطر میانه گرده بینه، وضعیت درخت، نوع گونه و عوامل توپوگرافی مثل شیب، جهت، ارتفاع از سطح دریا به عنوان ورودی شبکه درنظر گرفته شدند. حجم صنعتی و حجم هیزمی درختان پس از تجدید حجم صد در صد مشخص شد و به عنوان خروجی شبکه در نظر گرفنه شد. برای مدلسازی از شبکه های عصبی پرسپترون چند لایه و شبکه تابع پایه شعاعی استفاده شد. برای آموزش شبکه پرسپترون چند لایه از تابع تانژانت هیپربولیک و برای شبکه تابع پایه شعاعی، تابع Softmax در لایه مخفی و تابع خطی در لایه خروجی به همراه الگوریتم نزول گرادیان با مومنتم استفاده گردید. برای مدلسازی داده ها به سه قسمت آموزش، اعتبارسنجی و تست تقسیم شدند که نسبت هر کدام به ترتیب برابر با 70%، 15% و 15% بود. تعیین تعداد لایه ها پنهان و نرون های هر لایه نیز با آزمون و خطا صورت گرفت و تا زمان رسیدن مقدار خطا به حداقل ممکن ادامه یافت. یافته ها: طبق نتایج مقدار ضریب تبیین برای حجم صنعتی و هیزمی به ترتیب در شبکه پرسپترون چند لایه 94/0، 71/0 مترمکعب و در شبکه تابع پایه شعاعی 88/0، 65/0 مترمکعب می باشد. میزانRMSE نیز برای حجم صنعتی و هیزمی به ترتیب در شبکه پرسپترون چند لایه 297/1، 331/0 مترمکعب و در شبکه تابع پایه شعاعی 72/3 ، 397/0 مترمکعب گزارش شد. نتیجه گیری: نتایج حاکی از عملکرد بهتر شبکه پرسپترون چند لایه نسبت به شبکه تابع پایه شعاعی برای پیش بینی حجم صنعتی و هیزمی می باشد و تنها مزیت شبکه تابع پایه شعاعی نسبت به شبکه پرسپترون چند لایه در پیش بینی حجم صنعتی و هیزمی، زمان کوتاه تر موردنیاز برای آموزش می باشد. استفاده از شبکه و مدلی که با داشتن متغیرهای متعدد در میان شبکه ها و مدل های موجود دارای دقت بالاتری بوده، در اولویت قرار دارد. بنابراین با توجه به نوین و توانا بودن این تکنیک، نیاز به شناسایی گستره ای از کاربردهای بالقوه آن در جامعه علوم جنگل به عنوان ابزار جایگزین، احساس می شود.

Keywords:

پرسپترون چند لایه , تابع پایع شعاعی , مدیریت منابع طبیعی , هوش مصنوعی