محمدرسول نظری سندی - دانشجوی دکتری مدیریت جنگل، گروه جنگل داری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه سرا، ایران
ایرج حسن زاد ناورودی - دانشیار، گروه جنگل داری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه سرا، ایران
امان محمد کلته - استادیار، گروه مرتع و آبخیزداری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه سرا، ایران
حسن پور بابایی - استاد، گروه جنگل داری، دانشکده منابع طبیعی، دانشگاه گیلان، صومعه سرا، ایران

قطر و ارتفاع درختان، متغیرهایی اساسی برای بررسی زی توده، ذخیره کربن و تکامل توده های جنگلی هستند. با توجه به کم هزینه بودن و سهولت اندازه گیری قطر و زیاد بودن خطای اندازه گیری ارتفاع درخت، در این پژوهش برای برآورد ارتفاع درختان نمدار (Tilia begonifolia Stev) در جنگل های شفارود گیلان از مدل های غیرخطی استفاده شد. نمدار در شفارود از ارتفاعات پایین تا ۱۸۰۰ متر از سطح دریا پراکنش دارد. این گونه، نقش مهمی در حفظ ترکیب و ساختار طبیعی جنگل ایفا می کند. داده های مورد بررسی با نمونه برداری تصادفی- منظم با ابعاد شبکه ۲۰۰×۲۰۰ متر مربع از ۴۸ قطعه نمونه دایره ای ۱۰ آری در دامنه های ارتفاعی ۵۰۰ تا ۹۵۰ متر از سطح دریا (پارسل های ۲۹ و ۳۰) در سری ۱۶ و ۵۰ تا ۵۰۰ متر از سطح دریا (پارسل های ۱۴ و ۱۸) در سری ۱۷ جمع آوری شدند. مدل سازی با ۱۲ مدل غیرخطی پرکاربرد و شبکه عصبی مصنوعی پرسپترون چندلایه با الگوریتم لونبرگ- مارکوارت انجام شد. شبکه عصبی مصنوعی از مزیت تشخیص روابط پیچیده غیرخطی بین داده های ورودی و خروجی برخوردار است. مقایسه نتایج با معیارهای کارایی سنجی RMSE، R۲adj، AIC و MAD انجام شد. براساس این معیارها در بین ۱۲ مدل مورد نظر، مدل Stoffels-Van Soeset (۱۹۵۳) در پایین بند و مدل Burkhart-Strub (۱۹۷۴) برای میان بند بیشترین کارایی را داشتند، در حالی که شبکه عصبی مصنوعی در هر دو رویشگاه از بیشترین کارایی برخوردار بود. شبکه عصبی مصنوعی، مقدار خطا را برای مدل های پیشنهادی در مناطق پایین بند و میان بند به ترتیب ۵/۵۴ و ۷/۳۵ درصد کاهش داد. اگرچه دقت مدل های غیرخطی پیشنهادی برای منطقه مورد بررسی مناسب بود، اما شبکه عصبی مصنوعی به دلیل دقت بیشتر نسبت ­به این مدل ها برتری داشت.

شبکه عصبی مصنوعی, قطر- ارتفاع, شفارود, گیلان, مدل سازی