بخشی از مقاله
چکیده
اتخاذ تصمیمات مناسب برای مدیریت جنگل پایدار بسیار دشوار است.فنّاوری جدید شبکههای عصبی توانایی پردازش اطلاعات برای اتخاذ تصمیمات مدیریتی را دارد. کاربرد شبکههای عصبی مصنوعی - ANN - ، در پردازش موازی - PDP - ، برای پیشبینی رفتار سیستمهای غیرخطی میتواند جایگزین روشهای اماری قدیمی گردد. این مقاله با هدف ارائه روشی بهروز برای استفاده از شبکه عصبی مصنوعی در مدیریت منابع جنگل ارائه میگردد.
زمینههای کاربردی فعلی ANN عبارتاند از: - 1 - نقشهبرداری زمین جنگل و طبقهبندی، - 2 - مدلسازی رشد جنگل و دینامیک - 3 - تجزیهوتحلیل دادههای مکانی و مدلسازی - 4 - پویایی بیماریهای گیاهی مدلسازی، و - 5 - تحقیقات تغییر آبوهوا. و مزایا و معایب استفاده از شبکههای عصبی مصنوعی موردبحث قرار میگیرد. اگرچه برنامههای کاربردی ANN در مراحل اولیه هستند، ولی بهعنوان یک ابزار مفید برای مدیریت منابع جنگل خود را نشان دادهاند.
سابقه تحقیق:
برای مهر و مومهای متمادی مدیران و محققان علوم جنگل برای پیشبینی تأثیرات عملیات و روشهای مدیریتی از مدلهای آماری تجربی و مدلهای پیچیده ریاضی استفاده میکردند. این مدل بهعنوان یک معادلات ریاضی بیانشدهاند. بااینحال، برخی از فرایندهای تصمیمگیری شامل اجزای کیفی قابل واردسازی به معادلات ریاضی نیستند.
بهعنوانمثال Gimblett و - 1995 - Ball اشاره میکنند، تصمیمگیری در منابع طبیعی اغلب پیچیدگی فراتر از دسترسی به تکنیکهای آماری تجربی دارد و نیاز به روشهای ابتکاری است که گاهی اوقات بیش از روشهای الگوریتمی است. در بسیاری از موارد، مدلهای آماری نمیتواند برای حل مشکلات طبیعی در مدیریت منابع جنگل مورداستفاده قرار گیرد.
استفاده از هوش مصنوعی - AI - در جنگل و مدیریت منابع طبیعی با توسعه سیستمهای خبره برای حل مسئله و تصمیمگیری - Coulson et al 1987 - آغازشده است. - Maren et al 1990. Swingler.1996 - استفاده از شبکههای عصبی مصنوعی - ANN - شناختهشده بهعنوان پردازشگرهای موازی - PDP - ، در زمینههای مختلف افزایش یافته است.
ANN بهعنوان یک روش جایگزین برای مدلسازی غیرخطی و پدیدههای پیچیده در علوم جنگل ظهور کردهاند McRoberts at al 1991 - ؛. and ball قابلیت و پتانسیل پیشبینی ANN، بر اساس برخی از سعی و خطاهای تحت نظارت، میتواند راهحل بهینه در مدیریت و حل مشکلات جنگل و مدیریت منابع فراهم میکند. هدف از این مقاله عبارتاند از:
- 1 معرفی ویژگیهای کلیدی
- 2 .ANN بررسی برنامههای اخیر شبکه عصبی مصنوعی در مدیریت منابع جنگل.
- 3 بحث در مورد نقاط قوت، محدودیتها، و چشمانداز از ANN در برنامههای آینده.
ویژگیهای عمده ANN
حدود 30 مدل مختلف از شبکههای عصبی از مدلهای اولیه شبکههای عصبی تخصیصیافتهاند - McCulloch and Pitts 10 . - 1943 ویژگی شناختهشدهترین الگوهای شبکه عصبی بهطور خلاصه توسط - 1994 - Sui بررسی شد. یکی از شبکههای عصبی که اغلب در مدیریت منابع طبیعی استفاده میشود شبکه عصبی پس انتشار روبهجلو - شبکه پرسپترون چندلایه پس انتشار - - MLP - نامیده میشود - Rumelhart et al. 1986a,b - است. در اینجا با یک مثال بهطور مختصر به معرفی ویژگیهای عمدهای از MLP میپردازیم.
ساختار: ANN بخشی از یک شبکه کامپیوتری است که متشکل شده از تعدادی از عناصر کوچکتر پردازشی - PE - ، و یا گره، که باهم ارتباط دارند PE هامعمولاً نرون های عصبی سازمانیافته هستند که شامل یکلایه ورودی که در آن دادهها به شبکه وارد میشود و یکلایه خروجی که پاسخ دادههای ورودی شبکه دران است و یک یا چندلایه پنهان که بهطور نامحسوس قرارگرفتهاند.
PE ها در این لایههای مختلف نیمه یا بهطور کامل بههمپیوستهاند. این اتصالات با وزنی مربوط است که بر اساس قدرت اتصال تنظیم همراه است. PE ها در این لایههای مختلف بهطور کامل یا ناقص بههمپیوستهاند که این ارتباطات نیز با وزنی مربوط است که بر اساس قدرت اتصال تنظیم همراه است. با ورود محرکهای ورودی به لایه ورودی عملیات شبکه آغاز میگردد.
سپس دادهها توسط شبکه باهم ادغام میشوند تا زمانی که بهترین ترکیب خروجی به دست آید - شکل . - B1 هر PE و یا گره دریافتی تولیدشده در خروجی - WUXI - از PE ها در لایههای قبلی، که در ورودی قرارگرفتهاند توجه داشته باشید - Netj - - شکل . - B1 گره ورودی - netj - است و سپس از طریق یک تابع سیگموئید غیرخطی - - Netj - F - از گره خروجی - - YJ میگذرد، که با ورود به این مسیرها وزن به بسیاری از گرههای دیگر منتقل میشود.
