Anadolu karaçamı [Pinus nigra J.F. Arnold subsp. pallasiana (Lamb.) Holmboe] meşcereleri (Bursa-Kestel) için çap-boy ilişkilerinin yapay sinir ağları ile modellenmesi

Abstract

Bu çalışmada, ülkemizin Marmara bölgesinde yer alan Kestel ormanları Anadolu Karaçam'ının çap-boy ilişkilerinin modellenmesinde Yapay Sinir Ağ modellerinin kullanım olanaklarının değerlendirilmesi amaçlanmıştır. Bu amaçla, 110 örnek alanda ölçülmüş ağaçları boylarını tahmin etmek üzere 5 farklı aktivasyon fonksiyonu ve 100 farklı nöron sayısı alternatifi olmak üzere toplam 500 farklı Yapay Sinir Ağ modeli için veri eğitimi gerçekleştirilmiş ve tahminler elde edilmiştir. Bu Yapay Sinir Ağ modellerinin karşılaştırılmasında; r, Ortalama Mutlak Hata (OMH), max. Ortalama Mutlak Hata (max. OMH), Hata Kareler Ortalamansın Karekökü (HKOK), Yüzde Hata Kareler Ortalamasının Karekökü (HKOK%), Bias, Bias%, R2, AIC ve BIC gibi çeşitli başarı ölçütleri kullanılmış, lojistik sigmoid (log-sig)'in giriş katmanı ile ara katmanı bağlantı noktasında ve hiperbolik tanjant sigmoid (tan-sig)'in de ara katman ile çıkış katmanı bağlantı noktasında olduğu Aktivasyon fonksiyonu seçeneğine (A2) ve 75 nörona sahip Yapay Sinir Ağ modelinin ağaçların boy değerlerini tahmin etmede en başarılı model olduğu belirlenmiştir. Bu en başarılı Yapay Sinir Ağ modeli için r; 0.9317, OMH; 0.9183, max. OMH; 5.1449, HKOK; 1.2660, HKOK%; 10.4356, Bias; -0.0229, Bias%; -0.1886, R2; 0.8732, AIC; 197.3114 ve BIC; 211.4062 olarak hesaplanmıştır. Bu en başarılı YSA modeli ile elde edilen tahminlerde, Schnutte (1981)'un Doğrusal Olmayan Regresyon modeline göre r, OMH, max. OMH, HKOK, HKOK%, Bias, Bias%, R2, AIC ve BIC değerlerinde sırasıyla, -%4.518, %12.296, %35.689, %22.929, %22.929, %51.703, %49.978, -%11.016 oranlarında iyileşmeler elde edilmiştir. Tüm bu ölçütler değerlendirildiğinde, YSA modellerinin ağaçların boy tahminlerinde başarıyla kullanılabileceği sonucuna varılabilir.

In this study, it is aiming to evaluate the usability of Artificial Neural Network Model to predict dbh and height relations for Kestel Forests located in Marmara region of our country. For this purpose, 500 Artificial Neural Network Model models with 5 activation functions and 100 neuron number alternatives were trained by using the height of trees measured in 110 sample areas and the height predictions were obtained. In comparisons based on some criteria such as r, Absolute Average Error (AAE), max. Absolute Average Error (max. AAE), Root Mean Squared Error (RMSE), Percent Root Mean Squared Error, Bias, Bias%, R2, Akaike Information Criteria (AIC) and Bayesian Information Criteria (BIC) , the Artificial Neural Network Model including activation function alternative (A2) with logistic sigmoid (log-sig) at connection point between the input layer and the hidden layer with the hyperbolic tangent sigmoid (tan-sig) at connection point between the hidden layer and the output layer and 75 neurons gave the best predictive results. For this the best predictive ANN model, r, AAE, max. AAE, RMSE, RMSE%, Bias, Bias%, R2, AIC and BIC were calculated as 0.9317, 0.9183, 5.1449, 1.2660, 10.4356, -0.0229, -0.1886, 0.8732, 197.3114 and 211.4062, respectively. According to Schnutte (1981) 's regression model, the best predictive ANN model gave improvements in the rates of AAE, RMSE, RMSE%, Bias, Bias%, R2, AIC and BIC of 4.518%, 12.296%, 35.689%, 22.929%, 22.929%, 51.703%, 49.978% -11.016%, respectively. When all these criterion values are evaluated, it can be concluded that ANN models can be used successfully in the height predictions.