مقایسه بین شبکه عصبی مصنوعی و تحلیل رگرسیون در برآورد مدت زمان قطع درخت

Abstract

قطع درخت در بین مؤلفه‌های بهره‌برداری، اهمیت زیادی دارد. برآورد تولید تجهیزات جنگلی، بخش مهمی از مدیریت هزینه‌ها در یک واحد جنگلداری است که با کاهش هزینه‌های عملیات همراه است. به عبارت دیگر، هزینه‌های بالای سرمایه‌گذاری در بهره‌برداری جنگل، دلیل خوبی برای تحقیقات مهندسی جنگل و همچنین مدل‌سازی زمان می‌باشد. روشهای زیادی مانند انواع رگرسیون‌ها، منطق فازی، شبکه‌های عصبی و غیره برای پیش‌بینی زمان قطع وجود دارد که به کمک آنها می‌توان به ارتباط منطقی بین زمان قطع درخت و متغیرهای مستقل موجود دست یافت و برای عملیات آینده میزان زمان قطع درخت را پیش‌بینی نمود. در این تحقیق از تحلیل رگرسیون و شبکه‌‌های عصبی پرسپترون چند لایه و تابع شعاع مدار برای پیش‌بینی زمان قطع درخت در جنگلهای شرکت نکاچوب استفاده شد. به‌منظور جمع‌آوری داده‌های زمان قطع، از روش مطالعه زمانی پیوسته استفاده شد. بدین منظور تعداد 84 درخت از درختان نشانه‌گذاری شده انتخاب شد و زمان خالص قطع درخت با استفاده از شبکه پرسپترون چندلایه و تابع شعاع مدار، و همچنین روش رایج تحلیل رگرسیون پیش‌بینی گردید. نتایج نشان داد که شبکه عصبی تابع پایه شعاعی نسبت به شبکه عصبی پرسپترون چندلایه دارای دقت بیشتری در برآورد زمان قطع درخت می‌باشد. همچنین مقایسه معیارهای ارزیابی شبکه عصبی مصنوعی با رگرسیون گام‌به‌گام نشان داد که شبکه عصبی MLP و RBF به‌ترتیب دارای مقدار RMSE 0/94 و 81/0 بوده، در حالی که مقدار RMSE مدل رگرسیون 15/1 می‌باشد.