عنوان پایان‌نامه
ارائه مدلهای رویشی گونه راش با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: بخش گرازبن جنگل خیرود)
- رشته تحصیلی
- مهندسی منابع طبیعی - جنگلداری
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6766;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73410;کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 6766;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73410
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۴
- دانشجو
- سیده محبوبه سجادی
- استاد راهنما
- منوچهر نمیرانیان
- چکیده
- راش با ارزش ترین و فراوان ترین(حدود 24 درصد تعداد و 30 درصد حجم سرپا)گونه ی جنگلی شمال کشور است بنابراین اطلاع دقیق از میزان رویش آن می‌تواند به مدیران جنگل در تصمیم گیری های مختلف برای آینده این گونه کمک کند. تحقیق حاضر به ارائه مدل های رویش قطری و حجمی راش پرداخته و با مقایسه مدل های حاصل از شبکه های عصبی مصنوعی (ANN) و مدل های رگرسیونی و رگرسیون خطی بهترین مدل را ارائه می کند. بدین منظور از داده های آماربرداری شده طرح جنگلداری بخش گرازبن در سال های 1382 و 1391 استفاده شد پس از محاسبه رویش قطری وحجمی، روابط بین آنها و متغیرهای سال 1382 شامل قطر،ارتفاع،حجم،شیب مورد بررسی قرار گرفت و مدل های رگرسیونی و شبکه ای مورد آزمون قرار گرفتند.از بین شبکه های عصبی مصنوعی دارای توپولوژی های مختلف، شبکه ای با 9 نرون در لایه مخفی اول و 5 نرون در لایه مخفی دوم به عنوان شبکه بهینه معرفی شد که علاوه بر دارا بودن ضریب تبیین بالا حداقل میزان خطا را دارد. در مورد مدل رگرسیونی نیز بهترین مدل ها انتخاب شدند. نتایج نشان داد که شبکه عصبی دارای دقت بالاتری در تعیین رویش قطری و حجمی می باشد. با مقایسه معیارهای ارزیابی بین شبکه عصبی (پرسپترون چند لایه MLPمورد استفاده برای پیش بینی رویش) و رگرسیون، RMSE برای رویش قطری و حجمی در مدلسازی شبکه عصبی 0.002 محاسبه شد که این مقدار در تحلیل رگرسیونی برای رویش قطری 0.23 و برای رویش حجمی 0.27 می باشد و این اختلاف نیز بر دقت بالاتر شبکه عصبی دلالت دارد. در پایان نیز آنالیز تحلیل حساسیت انجام شد و مشخص گردید متغیرهای قطر برابر سینه و ارتفاع به ترتیب بیشترین تاثیر را بر رویش قطری و حجمی دارند و پارامترهای توپوگرافی مثل شیب دارای کمترین تاثیر بر رویش قطری و حجمی می‌باشند. در انتها نیز با استفاده از شبکه بهینه طراحی شده متغیرهای مذکور برای سال 1391 پیش-بینی شدند. واژه¬های کلیدی:رویش، مدل، رگرسیون، شبکه عصبی مصنوعی، آنالیز تحلیل حساسیت.
- Abstract
- Fagus orientalis is the most valuable and the most abundant (approximately 24% and 30% of volume) species in the forest north of Iran is so precise knowledge of it can grow into forest management decisions for the future of such help. The present study offers beech, diameter and volume growth models and compares models of artificial neural networks (ANN) and regression models and linear regression provides the best model. Therefore, the data taken in 1382 and 1391 were used forestry plan Gorazbon After calculating the diameter and volume growth, the relationship between them and the variables 1382 include diameter, height, volume, slope were studied and regression models and network that were tested. The artificial neural network has different topologies, network with 9 neurons in the hidden layer and 5 neurons in the second hidden layer as the optimal network was introduced that in addition to having a high coefficient of error is minimal. Regression models were the best models The results showed that the neural network is more accurate in determining the diameter and volume growth. By comparing metrics between Neural Network (Multilayer Perceptron MLP used to predict growth) and regression, RMSE for diameter growth and volume modeling, neural networks 0.002 was calculated as the amount in the regression analysis for diameter growth 0.23 for the growing volume of 0.27 is and this difference also implies higher accuracy of artificial neural network. Finally, a sensitivity analysis was performed analysis showed the variables diameter at breast height, diameter and volume growth have the highest impact on the topography parameters such as gradients are the least affected. Finally, using optimal network design, variables for 1391 were predicted. Key words: methods, models, regression, artificial neural networks, sensitivity analysis
