| تعداد نشریات | 285 |
| تعداد نشریات سازمان | 83 |
| تعداد شمارهها | 3,088 |
| تعداد مقالات | 34,486 |
| تعداد مشاهده مقاله | 49,258,579 |
| تعداد دریافت فایل اصل مقاله | 79,720,199 |
کارایی روش شبکه عصبی مصنوعی در برآورد موجودی سرپای تودههای جنگلی | ||
| تحقیقات جنگل و صنوبر ایران | ||
| مقاله 4، دوره 24، شماره 2 - شماره پیاپی 64، تیر 1395، صفحه 226-214 اصل مقاله (1.3 M) | ||
| نوع مقاله: علمی- پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijfpr.2016.106985 | ||
| نویسندگان | ||
| محمود بیات* 1؛ منوچهر نمیرانیان2؛ محمود امید3؛ آرمان رشیدی4؛ سجاد بابایی5 | ||
| 1استادیار پژوهش، مؤسسه تحقیقات جنگلها و مراتع کشور | ||
| 2استاد، گروه جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران | ||
| 3استاد، گروه مهندسی ماشینهای کشاورزی، دانشگاه تهران | ||
| 4کارشناس ارشد جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران | ||
| 5دانشجوی کارشناسی ارشد جنگلداری و اقتصاد جنگل، دانشکده منابع طبیعی، دانشگاه تهران | ||
| چکیده | ||
| بهطور کلی برای اداره و بهرهبرداری بهینه و پایدار از جنگل، آگاهی از موجودی حجمی جنگل و تولید آن ضروریست. برآورد دقیق موجودی حجمی به روشهای متداول بهطور عموم مستلزم وقت و هزینه زیادی است و گاهی نیز دارای دقت کافی نیست. یکی از روشهای نوین در برآورد مشخصههای کمی جنگل استفاده از الگوریتم شبکه عصبی مصنوعی است که با الگوبرداری از شبکه عصبی مغز انسان، با اجرای فرآیند آموزش روابط درونی بین دادهها را استخراج میکند و در موقعیت دیگر تعمیم میدهد. در پژوهش پیشرو از دادههای 258 قطعهنمونه دائم که در بخش گرازبن به وسعت 934/24 هکتار بهطور منظم- تصادفی مستقر شده بودند، استفاده شد. پس از رفع نواقص آماری و حذف دادههای پرت، 80 درصد دادهها برای آموزش و 20 درصد برای آزمون شبکه استفاده شد. پس از استاندارد کردن دادهها با استفاده از دادههای سری آموزش، شبکه عصبی با الگوریتم پسانتشار ایجاد شد. همچنین با استفاده از دادههای سری آموزش، رابطه رگرسیونی بین دادههای حجم و پارامترهای تعیینکننده آن بررسی شد. بهمنظور ارزیابی نتایج دو روش از دادههای سری آزمون و از معیارهای RMSE، MAE و R2 استفاده شد. نتایج نشاندهنده دقت بیشتر برآوردهای مدل شبکه عصبی (متر مکعب در هکتار 006/1=RMSE، متر مکعب در هکتار 0/69=MAE و 0/98=R2) در مقایسه با برآوردهای مدل رگرسیونی (m3/ha 2/5=RMSE، m3/ha 0/95=MAE و 0/85=R2) بود. بیشتر بودن ضریب تعیین بهدلیل زیاد بودن دادهها و رابطه منطقی بین دادههای ورودی و خروجی بود. | ||
| کلیدواژهها | ||
| بخش گرازبن؛ شبکه عصبی مصنوعی؛ مدلهای رگرسیونی؛ موجودی سرپای توده | ||
| عنوان مقاله [English] | ||
| Applicability of artificial neural network for estimating the forest growing stock | ||
| نویسندگان [English] | ||
| Mahmoud Bayat1؛ Manouchehr Namiranian2؛ Mahmoud Omid3؛ Arman Rashidi4؛ Sajjad Babaei5 | ||
| چکیده [English] | ||
| Knowledge on stand’s quantitative and qualitative characteristics (tree volume and growth) are fundamental requirements for monitoring close-to-nature forest management plans. In addition, future planning is based on statistics and information obtained from the forest. Thus, structural information such as standing stock, growth and diameter distribution are highly required. Volume increment provides the amount of allowable annual cut. In this study 768.4 ha of virgin forests located in Gorazbon district in Kheyroud educational- experimental Forest was inventoried by 258 permanent sample plots measured in 2012. Following elimination of statistical deficiency and exclusion of deviated points, the data were divided into 80% training and 20% test data to examine the applied neural network. The data was initially standardized by using training data. Neural network with back propagation error algorithm was developed. Furthermore, volume was regressed against diameter, height, slope and aspect using the allocated training data. Model diagnostics including R2, MAE and RMSE were applied for evaluating those two methods. The analysis resulted in R2=0.98, MAE=0.69 and RMSE=1.006, respectively. For the regression method the diagnostics amounted in R2=0.85, MAE=0.95 and RMSE=2.5. The results have suggest the higher accuracy of neural network for growing stock estimation compared to regression approach. However, care must be taken during data preparation, network design and network training to reach an optimum final model. It is concluded that this model should be further considered and applied for the estimation of volume across the study area. | ||
| کلیدواژهها [English] | ||
| Gorazbon section, Artificial Neural Network, regressions models, volume | ||
| مراجع | ||
|
- Bayat, M., Namiranian, M., Zobeiri, M. and Fathi, J., 2013a. Determining the growing volume and number of trees in the forest using permanent sample plots. Iranian Journal of Forest and Poplar Research, 21(3): 424-438 (In Persian). - Bayat, M., Pukkala, T., Namiranian, M. and Zobeiri, M., 2013b. Productivity and optimal management of the uneven-aged hardwood forests of Hyrcania. European Journal of Forest Research, 132(5-6): 851-864. - Bayat, M., Namiranian, M. and Zobeiri, M., 2014. Volume, height and wood production modeling using the changes in a nine years rotation (case study: Gorazbon district in Kheyroud forest, north of Iran). Journal of Forest and Wood Products, 67(3): 423-435 (In Persian). - Bayat, M., Namiranian, M. and Zobeiri, M. and Pukkala, T., 2015. Growth models using to simulate and investigate different forest management methods (Case study: Gorazbon district in Kheyroud forest, north of Iran). Journal of Forest and Wood Products, 67(4): 595-612 (In Persian). - Benediktsson, J.A., Swain, P.H. and Erosy, O.K., 1990. Neural network approaches versus statistical methods in classification of multisource remote sensing data. IEEE Transaction on Geosciences and Remote Sensing, 28(4): 540-552. - Blackard, J.A. and Dean, D.J., 1999. Comparative accuracies of artificial neural networksand discriminant analysis in predicting forest cover types from cartographic variables. Computersand Electronics in Agriculture, 24(3): 231-251. - Bourque, Ch. and Bayat, M., 2015. Landscape variation in tree species richness in northern Iran forests. PLOS One, 10(4):1-17 - Diamantopoulou, M.J., 2005. Artificial neural networks as an alternative tool in pine bark volume estimation. Computers and Electronics in Agriculture, 48: 235-244. - Etemad, V., 2002. Quantity and quality investigation seed of fagus in forests of Mazandaran province. Ph.D. thesis, Faculty of Natural Resources, University of Tehran, Karaj, 258p (In Persian). - Farshad Far, A., 2002. Regression Analysis. University of Tehran Press, Tehran, 771p (In Persian). - Ghanbari, F., Shataee, Sh., Dehghani, A.A. and Ayoubi, Sh., 2009. Tree density estimation of forests by terrain analysis and artificial neural network. Journal of Wood & Forest Science and Technology, 16(4): 25-42 (In Persian). - Gimblett, R.H. and Ball, G.L., 1995. Neural network architectures for monitoring and simulating changes in forest resources management. AI Applications, 9(2): 103-123. - Hanewinkela, M., Zhou, W. and Schill, Ch., 2004. A neural network approach to identify forest stands susceptible to wind damage. Forest Ecology and Management, 196(2): 227-243. - Hasenauer, H., Merkl, D. and Weingartner, M., 2001. Estimating tree mortality of Norway spruce stands with neural networks. Advances in Environmental Research, 5: 405-414. - Hokka, H., 1999. Forest modeling and management. Silva Fennica, 34: 251-272. - Jahani, A., Feghhi, J., Makhdoum, M. and Omid, M., 2016. Optimized forest degradation model (OFDM): an environmental decision support system for environmental impact assessment using an artificial neural network. Journal of Environmental Planning and Management, 59(2): 222-244. - Jalilvand, H., 2003. Model and simulation growth reaction in tree of forest to climate and nourishment variables. Ph.D. thesis, Faculty of Natural Resources, University of Tarbiat Modares, Noor, 258p (In Persian). - Karaman, A. and Caliskan, E., 2009. Affective factors weight estimation in tree felling time by artificial neural networks. Expert Systems with Applications, 36: 4491-4496. - Marvie-Mohadjer, M., Zobeiri, M., Etemad, V. and Jourgholami., M., 2009. Performing of the single selection method at compartment level and necessity for full inventory of tree species (Case study: Gorazbon district in Kheyroud forest, north of Iran). Iranian Journal of Natural Resources, 61(4): 889-908 (In Persian). - Naghdi, R. and Ghajar, I., 2012. Application of artificial neural network in the modeling of skidding time prediction. Advanced Materials Research, 403: 3538-3543 (In Persian). - Namiranian, M., 2010. Tree Measurement and Forest Bioinventory. University of Tehran Press, Tehran, 574p (In Persian). - Pukkala, T., 2009. Growth and yield models for uneven aged stand in Finland. Forest Ecology and Management, 258: 207-216. - Zobeiri, M., 2008. Forest Biometry. University of Tehran Press, Tehran, 407p (In Persian). - Zobeiri, M., 2011. Forest Inventory (Tree Measurement). University of Tehran Press, Tehran, 401p (In Persian). | ||
|
آمار تعداد مشاهده مقاله: 1,439 تعداد دریافت فایل اصل مقاله: 1,107 |
||