مقایسه عملکرد شبکه های عصبی مصنوعی با تحلیل رگرسیون در برآورد حجم تنه درختان

آنالیز رگرسیون روش رایجی است که امروزه برای برآورد حجم تنه درختان استفاده می شود. این روش با تعیین رابطه ای، حجم را با دقت خاصی برآورد می کند، اما محدودیت هایی مانند نرمال بودن متغیر وابسته و همگن بودن واریانس خطاها نیز دارد. در این پژوهش سعی شده از شبکه های عصبی مصنوعی (ANN)، به عنوان یکی از زیر مجموعه های فناوری جدید هوش مصنوعی (AI)، به منظور برآورد حجم تنه، استفاده شود. بدین منظور، تعداد 101 درخت از درختان نشانه گذاری شده جنگل آموزشی پژوهشی دانشگاه تربیت مدرس انتخاب، و قطر برابر سینه، قطر در ارتفاع کنده، قطر انتهای تنه، ارتفاع تنه، و ارتفاع کل درخت، با دقت بسیار اندازه گیری شدند. از دو مدل شبکه عصبی، پرسپترون چند لایه (MLP) و تابع پایه شعاعی (RBF)، به منظور پیش بینی حجم تنه استفاده شد. نتایج نشان داد با افزایش متغیرهایی که همبستگی بیشتری با حجم تنه دارند، ضریب تشخیص شبکه عصبی از 80/0 به 95/0 افزایش می یابد. شبکه عصبی تابع پایه شعاعی در مقایسه با شبکه عصبی پرسپترون چند لایه دقت بیشتری در برآورد حجم تنه دارد. مقایسه معیارهای ارزیابی شبکه عصبی مصنوعی با رگرسیون گام به گام نشان داد که شبکه عصبی MLP و RBF به ترتیب دارای مقدار RMSE 18/1 و 05/1 است، درحالی که مقدار RMSE مدل رگرسیون 57/2 می باشد. ضریب تشخیص رگرسیون در مقایسه با هر دو مدل شبکه عصبی نیز مقدار کمتری است.