مقایسه کاربردشبکه عصبی مصنوعی و معادلات آلومتریک در رابطه با مدل‌سازی زی‌توده تنه درختان افراپلت (Acer velutinum Boiss.) در جنگل‌های هیرکانی

نوع مقاله: مقاله پژوهشی

نویسندگان

مؤسسه تحقیقات جنگلها و مراتع کشور، تهران

چکیده

تخمین زی‌توده درختان جنگل با حداقل عدم قطعیت علاوه بر مدیریت بر اساس اصل توسعه پایدار، مبنای مبرم در رابطه با نیاز روز افزون جوامع بین‌المللی برای آگاهی از میزان ترسیب کربن به‌منظور رویارویی با بحران گرمایش زمین می‌باشد. از این‌رو مدل‌سازی زی‌توده تنه پلت با استفاده از معادلات آلومتریک و شبکه عصبی مصنوعی در مطالعه موردی جنگل ساسون‌سی چمستان نور صورت گرفت تا حداکثر قطعیت برای پیش‌بینی زی‌توده مورد مطالعه حاصل شود. برای انجام تحقیق حاضر، پس از قطع 20 پایه از طبقات قطری مختلف درختان، از هر بخش استحصال شده تنه پس از توزین، یک دیسک برداشت شده و با تکه برداری ثابت از هر دیسک، نمونه‌ها در دمای 105 درجه سانتی‌گراد به مدت 24 ساعت در آون خشک شدند. برای مدل‌سازی، مدل توانی به عنوان مدل پایه آلومتریک و تابع Log-sigmoid و Tan-sigmoid به عنوان توابع انتقالی نورون‌ها در توپولوژیهای مختلف شبکه عصبی چند لایه FFBP معرفی شدند. نتایج مدل‌سازی نشان داد که مدل نمایی چندگانه حاوی قطر و ارتفاع با ضریب تصحیح 04/1 =CF به عنوان مدل آلومتریک بهینه محسوب می‌شود (23/0 = S). با توجه به اینکه علاوه بر میانگین انحراف معیار، حداقل میانگین مربعات خطای آزمون داده‌های هر مدل در ارتباط با آموزش و اعتبار داده‌ها در تعداد چرخشهای مختلف مبنای اساسی انتخاب مدل در شبکه عصبی محسوب می‌شود، مدل حاوی لایه‌های ورودی قطر و ارتفاع با توپولوژی دو لایه و 10 نورون لایه پنهان با تابع انتقالی Tansig دارای حداکثر قطعیت برآورد زی‌توده تنه پلت (1/0 = S) در منطقه مورد مطالعه می‌باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Comparison of artificial neural network and allometric equations associated with modeling bole biomass of maple trees (Acer velutinum Bioss.) in the Hyrcanian forests

نویسنده [English]

  • Ali Asghar Vahedi
Science and Research Branch, Islamic Azad University, Tehran
چکیده [English]

Forest trees biomass estimation with the highest accuracy is the basis of forest management with respect to the sustainable development and that is also one of the most important fundamental issues of C sequestration for international communities to work the global warming out. Modeling bole biomass of maple trees through allometric equations and artificial neural network (ANN) was carried out in Sasunsi forests of Chamestan to achieve the highest accurate prediction of studied biomass. After felling of 20 individual trees from different diameter classes, each part of bole which had been converted was weighed and one disc was taken. Then, the samples with constant volume extracted from each disk were taken to lab and they were oven-dried at 105ْ C for 24 hours. To develop the model, power function was basic allometric equation and transfer function of Log-sigmoid and of Tan-sigmoid was introduced in the various topologies of network of FFBP. The results showed that the exponential multiple regression including diameter and height with correction factor of CF = 1.04 was the optimal allometric model (S = 0.23). Pertaining to the least mean squared error of test associated with training and validation of data in the different epoch as well as average standard deviation was the main indicator for selection the best model in ANN. Furthermore, the results showed that the model having input layers of diameter and height with one-hidden layer and number of 10 neurons including tansig function is the best model (S = 0.1) for bole-mass prediction.

کلیدواژه‌ها [English]

  • Artificial neural network
  • Transfer functions
  • Allometric equations
  • Biomass modeling
  • carbon sequestration