مقایسه عملکرد شبکه های عصبی مصنوعی با تحلیل رگرسیون در برآورد تراکم توده های جنگلی سراوان گیلان

تراکم درختان از مهم ترین ویژگی های ساختاری جنگل است که در مدیریت، حفاظت و احیای جنگل های شمال ایران اهمیت ویژه ای دارد. در این پژوهش، تراکم درختان به کمک عوامل موثر فیزیوگرافی، خاکی و انسانی با استفاده از شبکه های عصبی مصنوعی نگاشت خودسازمانده نظارت شده، پرسپترون چندلایه و مدل رگرسیون خطی چندگانه برآورد و با توجه به معیارهای ارزیابی کارایی آنها مقایسه شد. از این رو نخست واحدهای همگن در محیط GIS تهیه شد. نمونه برداری به روش سیستماتیک تصادفی با شبکه ای به ابعاد 200 × 150 متر انجام گرفت و در کل 779 قطعه نمونه دایره ای به مساحت 1/0 هکتار پیاده شد. با اندازه گیری قطر برابرسینه همه درختان بالای 5/7 سانتی متر، تراکم درختان برای هر قطعه نمونه و واحدهای همگن محاسبه شد. نتایج نشان داد که شبکه عصبی 5 SSOM (9117/0= R2 ،  9909/0= R2adj، 16/9= RMSE%، 26/4= Bias%) در مقایسه با شبکه عصبی 4 MLP (8321/0= R2، 8760/0= R2adj، 14/15= RMSE%، 96/10= Bias%) و مدل رگرسیون خطی چندگانه (6812/0= R2، 6910/0R2adj =، 71/28= RMSE%، 26/24= Bias%) دارای دقت بیشتر و خطای کمتر است. برای انتخاب برترین مدل، آزمون T-test انجام گرفت و نتایج نشان داد که شبکه عصبی SSOM از نوع رقابتی و نظارتی در سطح احتمال 95 درصد، مقادیری مشابه مقادیر واقعی دارد که علت آن به دلیل توابع گوسی است که این ویژگی در شبکه های عصبی MLP با توابع سیگموییدی مشاهده نمی شود. از این رو، شبکه عصبی SSOM در برآورد تراکم درختان جنگل های شمال ایران، جایگزین مناسبی برای شبکه عصبی پرسپترون چندلایه خواهد بود.