عنوان پایان‌نامه
پیش بینی حجم مقطوعات درختان 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: 6501;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 70088
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۴
- دانشجو
- فاطمه گرزین
- استاد راهنما
- منوچهر نمیرانیان
- چکیده
- چکیده برآورد و پیش¬پینی دقیق میزان چوب¬آلات حاصله از عملیات بهره¬برداری، یکی از فاکتور¬های موثر در مدیریت بهینه طرح¬های جنگلداری و محاسبه دقیق¬تر بهره مالکانه می¬باشد. استفاده از مدل¬های تجربی آماری و مدل-های پیچیده ریاضی از روش¬های کاربردی رایج، میان مدیران منابع جنگلی می¬باشد. در این مطالعه از شبکه-های عصبی مصنوعی به عنوان تکنیک جدید در پیش¬بینی به علت عدم وابستگی به فرض¬های اولیه در مورد داده¬ها، به منظور برآورد حجم صنعتی، هیزمی و کل مقطوعات استفاده شده است. بدین منظور تعداد 367 اصله درخت از درختان نشانه¬گذاری شده جنگل آموزشی پژوهشی خیرود انتخاب و متغیرهای قطر برابر سینه، قطر کنده، ارتفاع کنده، ارتفاع کل، طول صنعتی، حداقل قطر میانه گرده¬بینه وضعیت درخت، نوع گونه و عوامل توپوگرافی مثل شیب، جهت، ارتفاع از سطح دریا به عنوان ورودی شبکه درنظر گرفته شدند. از مدل شبکه عصبی پرسپترون چند لایه (MLP) برای پیش¬بینی حجم مقطوعات استفاده شد. همچنین از تحلیل رگرسیون و مدل¬های رگرسیون خطی نیز برای برآورد حجم مقطوعات و مقایسه عملکرد آن با شبکه عصبی مصنوعی استفاده گردید. نتایج نشان داد شبکه عصبی دارای دقت بالاتری در برآورد حجم مقطوعات می¬باشد. همچنین مقایسه معیار¬های ارزیابی بین شبکه MLP و رگرسیون گام به گام نشان داد که مقدار RMSE برای هر سه حجم صنعتی، هیزمی و کل مقطوعات در مدلسازی شبکه MLP، به ترتیب 297/1، 331/0، 337/1 بوده در حالی که این مقدار در تحلیل رگرسیون برای حجم‌های صنعتی، هیزمی و کل به ترتیب 28/3، 413/0 و 49/3 می¬باشد. میزان اختلاف حجم برآورد شده و واقعی در تحلیل رگرسیون برای حجم صنعتی، هیزمی و کل به ترتیب 421/5%، 357/17% و 451/6% بوده و این اختلاف برای خروجی حاصل از شبکه عصبی و خروجی واقعی بین حجم¬های سه¬گانه به ترتیب 738/12%، 898/3% و 203/1% می¬باشد. با توجه به نتایج، مقدار اختلاف برای مدل حاصل از شبکه عصبی مصنوعی کمتر از مدل رگرسیونی به دست آمد. واژه¬های کلیدی: مقطوعات، حجم صنعتی، حجم هیزمی، شبکه¬های عصبی مصنوعی.
- Abstract
- (Case study: Gorazbon distric of Kheyroud Forest, Noshahr) Abstract Estimates and prediction derived from the operation of wood, one of the factors in the management of forestry plans and royalties are calculated accurately. Use of statistical experimental models and complex mathematical models applied techniques common among forest resource managers. In this study, an attempt was made to implement the new technology of Artificial Neural Networks (ANN), since there was no primary assumption about the distribution of data, and for industrial, cordwood and total volume estimation of 367 trees of trees marked of Research and Educational Forest of kheyroud. For this purpose, DBH, diameter at stump height, stump height, total tree height ,slope, aspect, elevation, species, tree situationand minimum median diameter were measured with high accuracy. Multi layer perception (MLP) were developed to estimate trees logging volume. Regression analysis of linear regression model networks were used to volume of logs estimation and to compare its performance with artificial neural. The results indicated that the neural network was more accurate in volume of logs estimation than the Regression analysis. Comparing evaluation criteria for ANN showed that MLP for each industrial, cordwood and total volume had RMSE value 1.297, 0.331 and 1/337 but this value for Regression analayze was 3.28, 0/413, 3.49 respectively. The difference between the estimated and actual in regression analysis for the Industrial, cordwood and total volume was 5.421%, 17.357% and 6.451% but this difference between the actual output and the output from the neural network was 3.980%, 3.898% and 1.203% respectively. According to the results, the amount of difference to the model of artificial neural network was less than the Regression models. Keywords: trees logging, industrial volume, cordwood volume, Artificial Neural Networks.
