برآورد رویش ده ساله راش (Fagus orientalis Lipsky) با استفاده از مدل شبکه های عصبی مصنوعی و رگرسیون خطی چندگانه در جنگل های رامسر

در این تحقیق که در جنگل های رامسر در استان مازندران انجام شد رویش جنگل به کمک شبکه عصبی مصنوعی برآورد و با رویش واقعی جنگل که به طور مستقیم و از اندازه گیری در 20 قطعه نمونه ثابت یک هکتاری که در سال های 1381 و 1391 از آماربرداری صد در صد محاسبه شده بود، مقایسه شد. رویش حجمی سالانه راش به ترتیب 52/4 و 35/4 سیلو در هکتار برای رویش به طریق مستقیم و رویش برآوردی به روش شبکه عصبی مصنوعی بود. سپس تحلیل رگرسیون، به روش گام به گام انجام و بهترین مدل ها گزینش شد. پس از انتخاب بهترین مدل، بررسی تحلیل حساسیت ورودی ها انجام شد. نتایج نشان داد شبکه عصبی با دقت مناسبی می تواند رویش و مقدار برش سالیانه را برآورد کند. مقدار R2، RMSE و MAE به ترتیب 75/0، 17 و 60/13 در شبکه پرسپترون چندلایه نشان داد که شبکه عصبی MLP بیشترین دقت در برآورد را دارد. در تحلیل رگرسیون خطی چندگانه هم ضرایب تشخیص به ترتیب 610/0 و 679/0 و خطای RMS مقادیر 5/1 و 42/1 برای مدل اول و دوم به دست آمد. نتایج مربوط به تحلیل حساسیت ورودی ها نشان داد که عوامل حجم، جهت، قطر برابرسینه و ارتفاع درخت بیشترین تاثیر را در مدل سازی تعیین رویش دارند. مقایسه مدل ها نشان داد استفاده از شبکه عصبی می تواند مقدار رویش را با دقت مناسبی پیش بینی کند.