عنوان پایان‌نامه

طراحی شبکه جاده جنگلی با استفاده از شبکه عصبی مصنوعی و GIS



    دانشجو در تاریخ ۱۸ مرداد ۱۳۹۴ ، به راهنمایی ، پایان نامه با عنوان "طراحی شبکه جاده جنگلی با استفاده از شبکه عصبی مصنوعی و GIS" را دفاع نموده است.


    رشته تحصیلی
    مهندسی منابع طبیعی - مهندسی جنگل
    مقطع تحصیلی
    کارشناسی ارشد
    محل دفاع
    کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6593;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 71113
    تاریخ دفاع
    ۱۸ مرداد ۱۳۹۴
    دانشجو
    مینا جوانمرد
    استاد راهنما
    احسان عبدی
    چکیده
    لینک فایل چکیده
    جاده¬های جنگلی به‌‌‌منظور ایجاد دسترسی به جنگل برای حفاظت ، دخالت¬های مدیریتی و ایجاد ارزش افزوده تولیدات احداث می¬شوند و نقش زیربنایی در ساماندهی منطقه دارند. امروزه طراحی سریع¬تر و آسان¬تر جاده‌‌‌‌های جنگلی با در نظر گرفتن عوامل تاثیرگذار در مسیریابی، با استفاده از قابلیت‌های GIS مقدور شده است. در این پژوهش که در جنگل خیرود (نوشهر) به مساحت حدود 6000 هکتار انجام گرفته است، حدود هدف طراحی مسیر شبکه جاده جنگلی با استفاده از قابلیت‌های شبکه عصبی مصنوعی و GISمی¬باشد. پس از جمع¬آوری نقشه¬های مورد نیاز و تهیه نقشه شیب در محیط GIS، اقدام به طبقه¬بندی داخلی تک¬تک لایه¬ها و وزن‌‌‌دهی آن¬ها گردید. طبقه¬بندی داخلی لایه¬ها توسط نظر کارشناسان و وزن¬دهی لایه¬ها با استفاده از روش AHP، براساس اولویت برای عبور جاده انجام گرفت. با تلفیق لایه‌های مختلف و وزن نظیر هر یک به روش وزن¬هی خطی، نقشه شایستگی بخش پاتم برای عبور شبکه جاده تهیه شد. ارزش هر سلول از نقشه¬ها به همراه مختصات، توسط نرم¬افزار ENVI استخراج و به‌‌‌‌‌منظور آماده¬سازی برای ورود به نرم¬افزار MATLABبه روش خطی استاندارد شد که با استفاده از این روش کلیه داده¬ها در دامنه 0 و 1 قرار گرفتند. در این مطالعه برای مدل¬سازی، از دو شبکه عصبی MLP و RBF که به ترتیب دارای 9 و 12 نرون در لایه مخفی می¬باشند، استفاده‌‌‌ شد. داده¬های زمین¬شناسی، بافت خاک و شیب به عنوان ورودی و داده شایستگی عبور جاده بخش پاتم به‌‌‌عنوان خروجی برای آموزش به شبکه داده شد و شبکه¬های عصبی میزان مطلوبیت برای هر پنج بخش جنگل را براساس بخش پاتم تخمین زدند. شبکه عصبی مصنوعیMLP توانایی بالایی در برآورد از خود نشان داد و میزانR2 برابر 994/0 بدست آمد. برای ارزیابی عملکرد شبکه عصبی از رگرسیون خطی استفاده شد. نتایج نشان داد هر دو شبکه عصبی نتایج بهتری نسبت به رگرسیون خطی از خود نشان دادند. با استفاده از برنامه جانبی PEGGER دو شبکه جاده بدون در نظر گرفتن جاده موجود -طراحی گردید. در طول طراحی سعی بر این بود که جاده از مناطق مطلوب¬تر عبور نماید. در انتها جاده¬های طراحی شده با جاده موجود توسط نرم¬افزار GIS مقایسه و ارزیابی شد. براساس نتایج به دست آمده گزینه دوم طراحی شده، براساس میزان ارزش واحد طول به عنوان بهترین شبکه جاده معرفی گردید. همچنین نتایج این مطالعه نشان داد
    Abstract
    Forest roads network Constructed for several purposes including forest protection, reforestation, trending operations, developing forests and maximizing the value of forest products and roads are key component in the development of the region. Nowadays, data management is possible by using GIS tools considering the influencing factors on prediction, evaluation and road designing. The study aims to design appropriate forest road network. All required map were collected and slope map were prepared and the layers are ranked based on the degree of desirability for the road, then the layers were weighted for crossing the road from the best area.. Value and coordinates of each cell is extracted by the ENVI software and was standardized for modeling by using Matlab software and Neural Network Solutions. In this study for modeling it is used two neural networks (MLP, RBF) which had 9 and 12 neurons in hidden layer, respectively. Geology, pedology and slope data of Patom section inserted as input data and desirability of road passage inserted as an output data. The neural network utility estimated all other sections based on Patom section. Artificial neural networks (MLP) showed high ability for desirability of each cell for road passage (R2=0.994). A linear regression is used for assessment of neural network application. Results revealed that neural network showed better results than linear regression. Using an ArcView GIS extension, Pegger, two forest road network was designed. It is tried to pass the road of the favorable areas (cells with a lower value). Finally, predicted roads compared with the existing road in order to evaluate the methods. Due to the large volume of data, GIS has advantage such as accuracy, quality, speed and cost saving in the forest roads designing. Keywords: Forest road network,MLP artificial neural network, RBF artificial neural network GIS, suitability map, linear regression.