برآورد رویش ده‌ساله راش (Fagus orientalis Lipsky) با استفاده از مدل شبکه‌های عصبی مصنوعی و رگرسیون خطی چندگانه در جنگل‌های رامسر

در این تحقیق که در جنگل‌های رامسر در استان مازندران انجام شد رویش جنگل به کمک شبکه­ عصبی مصنوعی برآورد و با رویش واقعی جنگل که به­طور مستقیم و از اندازه­گیری در 20 قطعه‌نمونه ثابت یک هکتاری که در سال­های 1381 و 1391 از آماربرداری صد­در­صد محاسبه شده بود، مقایسه شد. رویش حجمی سالانه راش به­ترتیب 52/4 و 35/4 سیلو در هکتار برای رویش به طریق مستقیم و رویش برآوردی به روش شبکه عصبی مصنوعی بود. سپس تحلیل رگرسیون، به روش گام‌به‌گام انجام و بهترین مدل­ها گزینش شد. پس از انتخاب بهترین مدل، بررسی تحلیل حساسیت ورودی­ها انجام شد. نتایج نشان داد شبکه عصبی با دقت مناسبی می­تواند رویش و مقدار برش سالیانه را برآورد کند. مقدار R2، RMSE و MAE به­ترتیب 75/0، 17 و 60/13 در شبکه ­پرسپترون چندلایه نشان داد که شبکه عصبی MLP بیشترین دقت در برآورد را دارد. در تحلیل رگرسیون خطی چندگانه هم ضرایب تشخیص به­ترتیب 610/0 و 679/0 و خطای RMS مقادیر 5/1 و 42/1 برای مدل اول و دوم به­دست آمد. نتایج مربوط به تحلیل حساسیت ورودی­ها نشان داد که عوامل حجم، جهت، قطر برابرسینه و ارتفاع درخت بیشترین تأثیر را در مدل­سازی تعیین رویش دارند. مقایسه مدل­ها نشان داد استفاده از شبکه عصبی می­تواند مقدار رویش را با دقت مناسبی پیش‌بینی کند.