فهرست نشریات علمی دسترسی آزاد ایران

تراکم درختان از مهم‌ترین ویژگی‌های ساختاری جنگل است که در مدیریت، حفاظت و احیای جنگل‌های شمال ایران اهمیت ویژه‌ای دارد. در این پژوهش، تراکم درختان به کمک عوامل مؤثر فیزیوگرافی، خاکی و انسانی با استفاده از شبکه‌های عصبی مصنوعی نگاشت خودسازمانده نظارت‌شده، پرسپترون چندلایه و مدل رگرسیون خطی چندگانه برآورد و با توجه به معیارهای ارزیابی کارایی آنها مقایسه شد. از این‌رو نخست واحدهای همگن در محیط GIS تهیه شد. نمونه‌برداری به روش سیستماتیک تصادفی با شبکه‌ای به ابعاد 200 × 150 متر انجام گرفت و در کل 779 قطعه نمونۀ دایره‌ای به مساحت 1/0 هکتار پیاده شد. با اندازه‌گیری قطر برابرسینۀ همۀ درختان بالای 5/7 سانتی‌متر، تراکم درختان برای هر قطعه نمونه و واحدهای همگن محاسبه شد. نتایج نشان داد که شبکۀ عصبی 5 SSOM (9117/0= R2 ،  9909/0= R2adj، 16/9= RMSE%، 26/4= Bias%) در مقایسه با شبکۀ عصبی 4 MLP (8321/0= R2، 8760/0= R2adj، 14/15= RMSE%، 96/10= Bias%) و مدل رگرسیون خطی چندگانه (6812/0= R2، 6910/0R2adj =، 71/28= RMSE%، 26/24= Bias%) دارای دقت بیشتر و خطای کمتر است. برای انتخاب برترین مدل، آزمون T-test انجام گرفت و نتایج نشان داد که شبکۀ عصبی SSOM از نوع رقابتی و نظارتی در سطح احتمال 95 درصد، مقادیری مشابه مقادیر واقعی دارد که علت آن به‌دلیل توابع گوسی است که این ویژگی در شبکه‌های عصبی MLP با توابع سیگموئیدی مشاهده نمی‌شود. از این‌رو، شبکۀ عصبی SSOM در برآورد تراکم درختان جنگل‌های شمال ایران، جایگزین مناسبی برای شبکۀ عصبی پرسپترون چندلایه خواهد بود.