مقایسۀ عملکرد شبکه‌‌های عصبیِ مصنوعی با تحلیل رگرسیون در برآورد حجم تنۀ درختان

چکیده
  آنالیز رگرسیون روش رایجی است که امروزه برای برآورد حجم تنۀ درختان استفاده می‌‌‌شود. این روش با تعیین رابطه‌‌ای، حجم را با دقت خاصی برآورد می‌‌کند، اما محدودیت‌‌هایی مانند نرمال‌بودن متغیر وابسته و همگن‌بودن واریانس خطاها نیز دارد. در ‌‌این پژوهش سعی شده از شبکه‌‌های عصبی مصنوعی (ANN)، به‌عنوان یکی از زیر‌مجموعه‌‌های فنّاوری جدید هوش مصنوعی (AI)، به‌‌منظور برآورد حجم تنه، استفاده شود. بدین‌منظور، تعداد 101 درخت از درختان نشانه‌‌گذاری‌شدۀ جنگل آموزشی‌ـ‌پژوهشی دانشگاه تربیت مدرس انتخاب، و قطر برابر سینه، قطر در ارتفاع کنده، قطر انتهای تنه، ارتفاع تنه، و ارتفاع کل درخت، با دقت بسیار اندازه‌گیری شدند. از دو مدل شبکۀ عصبی، پرسپترون چند‌لایه (MLP) و تابع پایۀ شعاعی (RBF)، به‌‌منظور پیش‌‌بینی حجم تنه استفاده شد. نتایج نشان داد با افزایش متغیرهایی که همبستگی بیشتری با حجم تنه دارند، ضریب تشخیص شبکۀ عصبی از 80/0 به 95/0 افزایش می‌‌‌یابد. شبکۀ عصبی تابع پایۀ شعاعی در مقایسه با شبکۀ عصبی پرسپترون چند‌لایه دقت بیشتری در برآورد حجم تنه دارد. مقایسۀ معیارهای ارزیابی شبکۀ عصبی مصنوعی با رگرسیون گام‌به‌گام نشان داد که شبکۀ عصبی MLP و RBF به‌ترتیب دارای مقدار RMSE 18/1 و 05/1 است، درحالی‌که مقدار RMSE مدل رگرسیون 57/2 می‌‌‌باشد. ضریب تشخیص رگرسیون در مقایسه با هر دو مدل شبکۀ عصبی نیز مقدار کمتری است.