مدل‌سازی عرض عملیات خاکی جاده های جنگلی با استفاده از شبکه عصبی مصنوعی و رگرسیون خطی چندگانه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد جنگلداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، ایران

2 دانشیار گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، ایران

3 استادیار گروه جنگلداری، دانشکده منابع طبیعی، دانشگاه تربیت مدرس، ایران

چکیده

عرض عملیات خاکی، به ­عنوان یکی از مهم‌ ترین پارامترهای تعیین‌ کننده حجم خاکبرداری و خاکریزی، در هزینه و تخریب ناشی از عملیات جاده‌ سازی در جنگل مؤثر است. هدف از این پژوهش بررسی امکان پیش‌ بینی عرض عملیات خاکی جاده‌ های جنگلی است. برای نیل به این هدف دو روش شبکه عصبی مصنوعی و رگرسیون خطی چندگانه بکار گرفته شده است. برای این منظور، 192 مقطع عرضی در جاده­های جنگلی سوردار-واتاشان مورد بررسی قرار گرفتند. در هر مقطع داده‌ های مربوط به پارامتر­های فیزیوگرافی شامل شیب ­طبیعی­ دامنه، درجه سختی زمین و بافت خاک به‌ عنوان متغیرهای مستقل و عرض عملیات خاکی به‌ عنوان متغیر وابسته جمع‌ آوری شدند. مدل‌ های پیش‌ بینی عرض عملیات خاکی با استفاده از شبکه عصبی پیش‌خور با الگوریتم یادگیری پس انتشار خطا و رگرسیون خطی چندگانه با روش گام‌به‌گام به ترتیب در محیط نرم‌افزار‌های 6/7MATLAB  و R ساخته شدند و آزمون‌ های همبستگی و تجزیه واریانس نیز در محیط 19SPSS صورت گرفت. بر اساس آماره‌ های ضریب تبیین، مجذور میانگین مربعات خطا، میانگین مطلق خطا و درصد خطا، مدل شبکه عصبی توانست موفق‌ تر از رگرسیون خطی چندگانه، عرض عملیات خاکی را پیش‌ بینی کند به‌ طوری‌ که 2R و RMSE به ترتیب در مدل شبکه عصبی 65/0 و 13/2 و در مدل رگرسیونی 24/0 و 28/8 بدست آمد. نتایج این پژوهش زمینه را برای طراحی شبکه‌ عصبی‌ مصنوعی با قابلیت پیش‌ بینی مناسبی برای عرض عملیات خاکی جاده‌ های جنگلی در شرایط توپوگرافی جنگل‌ های کوهستانی فراهم می‌ آورد.

کلیدواژه‌ها


عنوان مقاله [English]

Prediction of forest roadway using artificial neural network and multiple linear regressions

نویسندگان [English]

  • Saba Peyrov 1
  • Akbar Najafi 2
  • Seyed Jalil Alavi 3
1 M. Sc. Graduate, Faculty of Natural Resources, Tarbiat Modares University, Iran
2 Associate Professor, Faculty of Natural Resources, Tarbiat Modares University, Iran
3 Assistant Professor, Faculty of Natural Resources, Tarbiat Modares University, Iran
چکیده [English]

Prediction of roadway is one of the main effective factors on fill and cut slope volume, cost and disturbance in forest road constructions. The objective of this study was to develop models for prediction of forest roadway using artificial neural network (ANN) and multiple linear regression (MLR). For this purpose, 192 cross profiles were measured on the Soordar-Vatashan forest roads. Within each sample, hillside gradient, slope direction, rock share ratio and texture of soil were recorded as the inputs and roadway was recorded as the output. The models were developed by artificial neural network with back propagation learning algorithm, multiple linear regression with stepwise analyses, correlation analyses and independent One-Way ANOVA using MATLAB 7.6.0, R and SPSS 19 software. According to coefficient of determination (R2), multiple correlation coefficient (r) and root mean square error (RMSE) and percent error, the ANN was more successful than regression model in prediction of roadway. (p

کلیدواژه‌ها [English]

  • Hillside gradient
  • roadway prediction
  • rock share
  • soil texture