برآورد مشخصه تراکم درختان جنگل با استفاده از آنالیز زمین و شبکه عصبی مصنوعی

نوع مقاله: مقاله پژوهشی

چکیده

اثر متقابل بین منظر زمین و خصوصیات جنگل کاملاً ثابت شده است. بنابراین فرض قابل‌قبولی است که فاکتورهای منظر زمین در یک منطقه جنگلی در ایجاد خصوصیات جنگل نقش تعیین‌‌کننده‌ای دارند. اگرچه پژوهش‌های گذشته روابط کاملاً قطعی بین خصوصیات جنگل و عوامل محیطی را شناسایی کرده‌اند، اما تاکنون مدل مناسبی برای شرح این خصوصیات ارائه نشده است. استفاده از مدل‌های رقومی زمین و مشخصه‌های قابل استخراج از آن می‌تواند برای رسیدن به این هدف به ما کمک کند. این پژوهش سعی در بررسی امکان به‌کارگیری روش نوین شبکه عصبی مصنوعی (ANN) برای پیش‌بینی پراکنش مکانی تراکم (تعداد در هکتار) جنگل و تهیه نقشه پیوسته آن در سری یک جنگل آموزشی و پژوهشی شصت‌کلاته گرگان با استفاده از خصوصیات اولیه و ثانویه توپوگرافی دارد. خصوصیات اولیه و ثانویه توپوگرافی با استفاده از مدل رقومی زمین با دقت ارتفاعی 10 متر محاسبه گردید. نقشه موقعیت جغرافیایی قطعات نمونه که با استفاده از دستگاه GPS ثبت شده بود، در محیط GIS تهیه شد. سپس مشخصه‌های اولیه و ثانویه توپوگرافی زمین در محل این قطعات نمونه استخراج گردید. مشخصه تعداد در هکتار نیز در 252 قطعه نمونه دایره‌ای با ابعاد 10 آر از طریق شمارش تعداد درختان موجود در هر قطعه نمونه و محاسبه آن در هکتار، تعیین گردید. رابطه بین تعداد در هکتار جنگل و خصوصیات توپوگرافی با استفاده از دو شبکه عصبی مصنوعی RBF و MLP مورد تجزیه و تحلیل قرار گرفت. نتایج نشان داد که شبکه تابع پایه شعاعیRBF نسبت به شبکه MLP دارای نتایج دقیق‌تری است. علاوه‌بر آن، آنالیز رگرسیون خطی برای مقایسه نتایج آن با مدل‌های  ANNانجام گردید. نتایج نشان‌دهنده توانایی شبکه عصبی در پیش‌بینی تعداد در هکتار بود و نیز نشان داد که این تکنیک می‌تواند 65 درصد تغییرات تعداد در هکتار جنگل را با استفاده از خصوصیات توپوگرافی پیش‌بینی نماید.

عنوان مقاله [English]

Tree Density Estimation of Forests by Terrain Analysis and Artificial Neural Network

چکیده [English]

The interaction between landscape and forest properties has been well documented, and thus it is plausible to assume that landscape factors in a forest region have a determinant function in forest properties formation. Although previous researches have identified the significant relationships between forest attributes and environmental factors, but there is no definite model available for this properties delineation. Utilizing digital terrain models and its extractable information can help for this purpose. This study was conducted to evaluate artificial neural network ability for prediction spatial distribution of forest tree density and for production continuous map using primary and secondary topographic attribute in Shastkolate forestry plan, district I. The primary and secondary topographic attributes calculated from digital elevation model with 10m resolution. Geometric coordination of plots which were recorded by GPS, mapped in GIS. Then Primary and secondary topographic attribute derived in this plot location. Tree density obtained by counting number of tree in 1 Are circle plots and then calculation in hectare. The relationship between forest tree density and terrain attributes analyzed applying two types of artificial neural network (MLP and RBF). Results showed that RBF neural network provides more accurate results than MLP neural network. Moreover, the regression analysis was done for comparison of the results of ANN models with linear models. The results verified the ability of artificial neural network for prediction of forest tree density and also indicated that ANN approach can predict approximately 65% of the forest tree density variation in the given study area using topographic attribute.