Skoči na glavni sadržaj

Izvorni znanstveni članak

https://doi.org/10.31298/sl.143.9-10.3

Usporedba modela umjetne neuralne mreže za predviđanje drvnog volumena krimskih borova u šumama pokrajine Cankiri

Muammer Şenyurt orcid id orcid.org/0000-0002-8957-9295 ; Çankiri Karatekin University, Forestry Faculty, Çankiri, Turkey
Ilker Ercanli orcid id orcid.org/0000-0003-4250-7371 ; Çankiri Karatekin University, Forestry Faculty, Çankiri, Turkey


Puni tekst: engleski pdf 539 Kb

str. 413-423

preuzimanja: 452

citiraj


Sažetak

Cilj ovog rada je usporediti modele umjetne neuralne mreže (ANN) za predviđanje pojedinih drvnih volumena krimskih borova u šumama Çankirija. Jednoulazne i dvoulazne jednadžbe i kompatibilna volumna jednadžba Fang et al. (2000) temeljena na klasičnim i tradicionalnim metodama primijenjena je na 360 krimskih borova u cilju dobivanja ovih drvnih volumena. Kako bi se odredila najbolja alternativna metoda za predviđanje ANN modela, ukupno je obučeno 320 treniranih mreža u višeslojnom perceptronu (MLP) i ukupno 20 treniranih mreža u arhitekturi Radial Basis Function (RBF). Na temelju statistike goodness-of-fit, ANN u smislu MLP 1-9-1 uključujući dbh kao input varijablu za jednoulazna volumna predviđanja pokazao je bolju fitting sposobnost sa SSE (2.7763),Radj2 (0.9339), MSE (0.00910), RMSE (0.0954), AIC (-823.25) i SBC (-1421.81) nego onaj u ostalim proučavanim volumnim metodama koje uključuju dbh kao eksplanatornu varijablu. Za dvoulazna volumna predviđanja, što uključuju dbh i ukupnu visinu kao input varijable, ANN temeljen na MLP 2-15-1 rezultirao je boljom fitting statistikom sa SSE (0.8354),Radj2 (0.9801), MSE (0.00274), RMSE (0.0523), AIC (-579.55) and SBC (-1788.11).

Ključne riječi

Predviđanje drvnog volumena, umjetna neuralna mreža, krimski bor, linearna analiza regresije, šume Cankiri

Hrčak ID:

227251

URI

https://hrcak.srce.hr/227251

Podaci na drugim jezicima: engleski

Posjeta: 824 *