این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
جنگل ایران، جلد ۱۶، شماره ۵ انگلیسی (ویژه نامه به زبان انگلیسی)، صفحات ۷۱-۸۶
عنوان فارسی ارزیابی مدل‌های رویش سطح مقطع درخت با استفاده از الگوریتم‌های یادگیری ماشین
چکیده فارسی مقاله 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.
کلیدواژه‌های فارسی مقاله برنامه‌ریزی جنگل،سطح مقطع،جنگل هیرکانی،شبکه عصبی مصنوعی،یادگیری ماشین،
عنوان انگلیسی Evaluation of tree basal area increment models using machine learning algorithms
چکیده انگلیسی مقاله Forest management planning is a critical decision-making tool in forestry, resulting in a plan that outlines anticipated activities, their timing, and control measures to achieve forest management goals. Investigating growth and product models is one of the most important methods for obtaining information about the future state of a forest. In other words, assessing stand growth and yield is a basic prerequisite for forest management planning. Therefore, determining and estimating the basal area increment of trees is crucial for understanding forest dynamics and informing planning and management efforts. Since  Hyrcanian forest species are considered among the most valuable, this study aims to investigate basal area increment using machine learning algorithms and model itin the uneven-aged forest of Farim in Mazandaran province. In this study, the basal area increment (BAI) of trees was modeled using Machine Learning (ML) algorithms (Artificial Neural Networks, Support Vector Machine, Random Forest, and Generalized Additive Model) over 10 years. Biometric indices (e.g., diameter, height, basal area, basal area of the largest trees), physiographic factors (aspect, slope, altitude), and climatic variables (temperature, precipitation, evaporation and transpiration) were used as input for model development. The performance  of the machine learning algorithms were compared using bias, RMSE, and R2. The ANN model, specifically an MLP network with seven hidden layer neurons, achieved the highest accuracy (88%) in predicting basal area increment compared to other models. These results demonstrate the effectiveness of ANN models for accurately modeling basal area increment, making them valuable tools in forest management. The strong performance of the generated models, attributed to their optimal structure (e.g., number of neurons, activation function, and input variables), highlights their stability and generalization capacity  across diverse datasets. The potential to improve forest parameter modeling using machine learning techniques, specifically ANN, is crucial for sustainable forest management. Such improvements can enhance the conservation of species composition and the structural characteristics of the forest.
کلیدواژه‌های انگلیسی مقاله برنامه‌ریزی جنگل,سطح مقطع,جنگل هیرکانی,شبکه عصبی مصنوعی,یادگیری ماشین
نویسندگان مقاله سیده کوثر حمیدی |
استادیار گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

اصغر فلاح |
استاد گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه علوم کشاورزی و منابع طبیعی ساری، ساری، ایران

نشانی اینترنتی https://www.ijf-isaforestry.ir/article_222053_e833ba8bbcf9aac2acaabe087541404e.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات