مقایسه دو روش شبکه عصبی مصنوعی و آنالیز رگرسیون در پیش بینی و برآورد حجم مقطوعات درختان در جنگل آموزشی-پژوهشی خیرود نوشهر

استفاده از مدل های تجربی آماری از روش های کاربردی رایج، میان مدیران منابع جنگلی است. تحلیل رگرسیون نیز از روش های آماری بوده که می تواند برای برآورد حجم استفاده گردد. این روش نیازمند پیش فرض و دارای محدودیت هایی مانند نرمال بودن توزیع داده ها، عدم رابطه هم خطی، یکسان بودن واریانس خطاها است. استفاده از روش های جدید مثل شبکه های عصبی مصنوعی، دارای محدودیت های مذکور نیست. در این بررسی هدف مقایسه عملکرد شبکه های عصبی مصنوعی و تحلیل رگرسیون در پیش بینی و برآورد حجم کل مقطوعات است. بدین منظور تعداد 367 اصله درخت از درختان نشانه گذاری شده جنگل آموزشی پژوهشی خیرود انتخاب و مشخصه های 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 با دقت زیاد اندازه گیری شد. از مدل شبکه عصبی پرسپترون چند لایه (MLP) برای پیش بینی و از رگرسیون چند متغیره برای برآورد حجم کل مقطوعات استفاده شد. نتایج نشان داد شبکه عصبی نسبت به رگرسیون دارای 40 درصد دقت بالاتری در پیش بینی حجم کل مقطوعات است. مقایسه معیار های ارزیابی بین شبکه MLP و رگرسیون گام به گام نشان داد که مقدار RMSE برای حجم کل مقطوعات در مدلسازی شبکه MLP، 1/411 مترمکعب و در رگرسیون چند متغیره 3/49 مترمکعب است. مقدار اختلاف حجم کل مدل و واقعی برای تحلیل رگرسیون 6/5 درصد و در شبکه عصبی 1/7 درصد بود. با توجه به نتایج، مقدار اختلاف برای مدل حاصل از شبکه عصبی مصنوعی کمتر از مدل رگرسیونی به دست آمد.