
تعداد نشریات | 13 |
تعداد شمارهها | 623 |
تعداد مقالات | 6,502 |
تعداد مشاهده مقاله | 8,645,301 |
تعداد دریافت فایل اصل مقاله | 8,242,452 |
مقایسه عملکرد شبکه عصبی پرسپترون چند لایه و تابع پایه شعاعی در پیشبینی حجم صنعتی و هیزمی حاصل از درختان | ||
پژوهشهای علوم و فناوری چوب و جنگل | ||
مقاله 14، دوره 24، شماره 4، اسفند 1396، صفحه 187-198 اصل مقاله (1.01 M) | ||
نوع مقاله: مقاله کامل علمی پژوهشی | ||
شناسه دیجیتال (DOI): 10.22069/jwfst.2018.13577.1690 | ||
نویسندگان | ||
فاطمه گرزین* 1؛ منوچهر نمیرانیان2؛ محمود بیات3 | ||
1دانش آموخنه پردیس کشاورزی و منابع طبیعی کرج، دانشگاه تهران | ||
2دانشگاه تهران- دانشکده منابع طبیعی- استاد گروه | ||
3هیات علمی | ||
چکیده | ||
سابقه و هدف: در مدیریت منابع جنگلی، فرآیندهای تصمیمگیری مثل عوامل کیفی در معادلات ریاضی وارد نمیشوند. درسالهای اخیر شبکههای عصبی، کاربرد فراوانی در منابع جتگلی داشتهاند. این تحقیق به مقایسه شبکه عصبی پرسپترون چندلایه و شبکه تابع پایه شعاعی در پیشبینی حجم صنعتی و هیزمی درختان پرداخته است. بررسی عملکرد شبکههای مختلف و یافتن بهترین نوع آن برای دستیابی به نتایج قابل قبول و معتبر از اهداف این مطالعه میباشد. مواد و روشها: در این مطالعه، 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 گردهبینه، وضعیت درخت، نوع گونه و عوامل توپوگرافی مثل شیب، جهت، ارتفاع از سطح دریا به عنوان ورودی شبکه درنظر گرفته شدند. حجم صنعتی و حجم هیزمی درختان پس از تجدید حجم صد در صد مشخص شد و به عنوان خروجی شبکه در نظر گرفنه شد. برای مدلسازی از شبکههای عصبی پرسپترون چند لایه و شبکه تابع پایه شعاعی استفاده شد. برای آموزش شبکه پرسپترون چند لایه از تابع تانژانت هیپربولیک و برای شبکه تابع پایه شعاعی، تابع Softmax در لایه مخفی و تابع خطی در لایه خروجی به همراه الگوریتم نزول گرادیان با مومنتم استفاده گردید. برای مدلسازی دادهها به سه قسمت آموزش، اعتبارسنجی و تست تقسیم شدند که نسبت هر کدام به ترتیب برابر با 70%، 15% و 15% بود. تعیین تعداد لایهها پنهان و نرونهای هر لایه نیز با آزمون و خطا صورت گرفت و تا زمان رسیدن مقدار خطا به حداقل ممکن ادامه یافت. یافتهها: طبق نتایج مقدار ضریب تبیین برای حجم صنعتی و هیزمی به ترتیب در شبکه پرسپترون چند لایه 94/0، 71/0 مترمکعب و در شبکه تابع پایه شعاعی 88/0، 65/0 مترمکعب میباشد. میزانRMSE نیز برای حجم صنعتی و هیزمی به ترتیب در شبکه پرسپترون چند لایه 297/1، 331/0 مترمکعب و در شبکه تابع پایه شعاعی 72/3 ، 397/0 مترمکعب گزارش شد. نتیجهگیری: نتایج حاکی از عملکرد بهتر شبکه پرسپترون چند لایه نسبت به شبکه تابع پایه شعاعی برای پیشبینی حجم صنعتی و هیزمی میباشد و تنها مزیت شبکه تابع پایه شعاعی نسبت به شبکه پرسپترون چند لایه در پیشبینی حجم صنعتی و هیزمی، زمان کوتاهتر موردنیاز برای آموزش میباشد. استفاده از شبکه و مدلی که با داشتن متغیرهای متعدد در میان شبکهها و مدلهای موجود دارای دقت بالاتری بوده، در اولویت قرار دارد. بنابراین با توجه به نوین و توانا بودن این تکنیک، نیاز به شناسایی گسترهای از کاربردهای بالقوه آن در جامعه علوم جنگل به عنوان ابزار جایگزین، احساس میشود. | ||
کلیدواژهها | ||
"پرسپترون چند لایه"؛ "تابع پایع شعاعی"؛ "مدیریت منابع طبیعی"؛ "هوش مصنوعی" | ||
مراجع | ||
1.Bayat, M., Namiranian, M., Omid, M., Rashidi, A., and Babaei, S. 2016. Applicability of artificial neural network for estimating the forest growing stock. Iranian Journal of Forest and Poplar Research. 24: 2. 214-226. (In Persian) 2.Bayati, H., and Najafi, A. 2011. Application of artificial intelligence in trees stems volume estimation. Journal of Renewable Natural Resources Research. 2: 2. 52-59. (In Persian) 3.Bayati, H., Najafi, A., and Abdolmaleki, P. 2013. Comparison between Artificial Neural Network (ANN) and Regression Analysis in Tree Felling Time Estimation. Iranian Journal of Forest and Poplar Research, 20: 4. 595-607. (In Persian) 4.Coulson, R.N., Folse, J.L., Loh, D.K. 1987. Artificial intelligence and natural resource management. Science. 237: 262-267. 5.Diamantopoulou, M.J. 2005. Artificial neural networks as an alternative tool in pine bark volume estimation. Computers and Electronics in Agriculture. 48: 235–244. 6.Diamantopoulou, M.J. 2006. Tree-Bole Volume Estimation on Standing Pine Trees Using Cascade Correlation Artificial Neural Network Models. Agricultural Engineering International Manuscript IT. 06 002: 1-14. 7.Diamantopoulou, M.J., and Milio, E. 2010. Modelling total volume of dominant pine trees in reforestations via multivariate analysis and artificial neural network models. Biosystem engineering. 105: 306-315. 8.Gimblett, R.H., and Ball, G.L. 1995. Neural network architectures for monitoring and simulating changes in forest resources management. AI Applications. 9: 2.103-123. 9.Gorzin, F. 2015. Prediction volume of trees by artificial neural networks (Case Study: kheyroud Forest). M.Sc. thesis, Faculty of Natural Resources, University of Tehran, Karaj, 78p. (In Persian) 10.Kia, M. 2010. Neural Network in Matlab. Kian Rayaneh Sabz Publisher, Tehran, 323p. (In Persian) 11.Ozçelik, R., Diamantopoulou, J.M., Brooks, J.R., and Wiant Jr, H.V. 2010. Estimating tree bole volume using artificial neural network models for four species in Turkey. Journal of Environmental Management. 91: 742–753. 12.Peng, C., and Wen, X. 1999. Recent Applications of Artificial Neural Networks in Forest Resource Management: An Overview, Environmental Decision Support Systems and Artificial Intelligence. 15-22. 13.Safi Samgh Abadi, A. 2003. Forest multi-objective planning by artificial neural networks. Ph.D. thesis, Faculty of Natural Resources, University of Tarbiat Modarres. Noor, 156p. (In Persian) 14.Soltani, S., Sardari, S., Sheykhpour, M., and Mousavi, S.S. 2010. Introduction to fundamentals and Artificial Neural Network applications. NS Scientific and Cultural institute. Tehran. 216p. (In Persian) 15.Vahedi, A., Mataji, A., and Akhavan, R. 2017. Modeling the commercial volume of trees in mixed beech stands of Hyrcanian forests through artificial neural network. Forest and Wood Products. 70: 1. 49-60. (In Persian) | ||
آمار تعداد مشاهده مقاله: 1,330 تعداد دریافت فایل اصل مقاله: 791 |