ارزیابی مدل‌های رویش سطح مقطع درخت با استفاده از الگوریتم‌های یادگیری ماشین

Abstract

برنامه­ریزی مدیریت جنگل یک ابزار مهم تصمیم­گیری در جنگلداری است و نتیجه آن یک برنامه مدیریتی است که در آن از فعالیت های پیش­بینی شده، زمان بندی و کنترل آنها برای دستیابی به اهداف مدیریت جنگل در یک منطقه جنگلی استفاده می شود. بررسی مدل­های رشد و محصول یکی از مهم­ترین روش­ها برای به دست آوردن اطلاعات در مورد وضعیت آینده یک جنگل است. به عبارت دیگر، ارزیابی رشد و عملکرد توده یک پیش نیاز اساسی برای برنامه­ریزی مدیریت جنگل است. بنابراین تعیین و برآورد رویش سطح مقطع درختان برای درک وضعیت و اجرای آن در برنامه­ریزی و مدیریت جنگل بسیار مهم است. با توجه به اینکه گونه‌های جنگلی هیرکانی به‌عنوان با ارزش‌ترین گونه‌ها محسوب می‌شوند، هدف این پژوهش بررسی رویش سطح مقطع با استفاده از الگوریتم‌های یادگیری ماشین و مدل‌سازی آن‌ها در جنگل ناهمسال فریم در استان مازندران است. در این مطالعه، رویش سطح مقطع درختان با استفاده از الگوریتم‌های یادگیری ماشین (Machine Learning) شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF) و مدل افزایشی تعمیم یافته (GAM) در یک دوره 10 ساله مدل‌سازی شد. اطلاعات زیست‌سنجی (قطر برابر سینه، ارتفاع کل، سطح مقطع درختان، سطح مقطع قطورترین درختان)، فیزیوگرافی (شیب، جهت، ارتفاع از سطح دریا) و اقلیمی (درجه حرارت، بارندگی و تبخیر و تعرق) جنگل به عنوان ورودی برای توسعه مدل استفاده شد. نتایج الگوریتم های یادگیری ماشین با یکدیگر مقایسه شد. مدل ANN، به ویژه الگوریتم MLP با هفت نورون لایه پنهان، دقت بالاتری (88 درصد) در پیش‌بینی افزایش سطح مقطع در مقایسه با مدل‌های دیگر به دست آورد. این نتایج نشان می‌دهد که فناوری‌های ANN برای مدل‌سازی رویش سطح مقطع در جنگل‌داری مناسب هستند، همچنین عملکرد خوب مدل‌های تولید شده بر اساس ساختار مناسب (تعداد نورون‌ها، نوع تابع فعال‌سازی و متغیرهای ورودی) نشان‌دهنده پایداری این مدل‌ها و توانایی آن‌ها در ارائه تعمیم است. امکان بهبود توصیف پارامترهای جنگل با استفاده از تکنیک‌های یادگیری ماشینی، مانند ANN، برای مدیریت پایدار جنگل برای افزایش حفاظت از ترکیب گونه‌ها و ساختارهایی که جنگل را مشخص می‌کنند، ضروری است.