Journals / Anadolu Orman Araştırmaları Dergisi / 2018 / Cilt: 4 - Sayı: 2

Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği

Pages
122–132
Publication Date
2018-12-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Yapılan bu karşılaştırmada, HKT değeri; 1286083, HKOK değeri; 30.9570, R2düz. değeri;0.9184, AIC değeri; 9252.41 ve SBC değeri ise; 9278.44 olarak elde edilen 5 katmanlı derin öğrenme algoritması, çap dağılımını modellemede en başarılı olarak belirlenmiştir. 3 parametreli Weibull olasılık yoğunluk fonksiyonuna göre derin öğrenme ile HKT değerinde; % 79.01 azalış, HKOK değerinde % 54.15 azalış, R2düz. değerinde % 30.63 artış, AIC değerinde % 18.49 azalış ve SBC değerinde % 18.37 azalış elde edilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Bu çalışmada, Derin Öğrenme Algoritmaları ile meşcerelerin çap dağılımlarını modellemek amacıyla, Trabzon ve Giresun Orman Bölge Müdürlükleri sınırları içerisinde yer alan eşityaşlı Doğu Ladini-Sarıçam karışık meşcerlerinden (LCs veya CsL) Ercanlı (2010) tarafından alınan 161 adet örnek alanlardan elde edilen veriler kullanılmıştır.
📊
Key Findings & Data:Meşcerelerin çap dağılımlarının %25, %50 ve %95’lik yüzdelik değerlerine göre parametreleri hesaplanan 3 parametreli Weibull olasılık yoğunluk fonksiyonuna ilişkin Hata kareler Toplamı (HKT) değeri; 6126730, Hataların Ortalama Kare Kökü (HKOK) değeri; 67.5172, R2düz. değeri;0.6121, AIC değeri; 11351.16 ve SBC değeri ise; 11366.77 olarak hesaplanmıştır.
💡
Conclusion & Impact:Yapılan bu karşılaştırmada, HKT değeri; 1286083, HKOK değeri; 30.9570, R2düz. değeri;0.9184, AIC değeri; 9252.41 ve SBC değeri ise; 9278.44 olarak elde edilen 5 katmanlı derin öğrenme algoritması, çap dağılımını modellemede en başarılı olarak belirlenmiştir. 3 parametreli Weibull olasılık yoğunluk fonksiyonuna göre derin öğrenme ile HKT değerinde; % 79.01 azalış, HKOK değerinde % 54.15 azalış, R2düz. değerinde % 30.63 artış, AIC değerinde % 18.49 azalış ve SBC değerinde % 18.37 azalış elde edilmiştir.
🔬Design:Lab & Field Experiment
📍Scope:2010 · 161 adet
⚙️Variables:Çap Dağılımı · Derin Öğrenme Algoritması

Özet

Bu çalışmada, Derin Öğrenme Algoritmaları ile meşcerelerin çap dağılımlarını modellemek amacıyla, Trabzon ve Giresun Orman Bölge Müdürlükleri sınırları içerisinde yer alan eşityaşlı Doğu Ladini-Sarıçam karışık meşcerlerinden (LCs veya CsL) Ercanlı (2010) tarafından alınan 161 adet örnek alanlardan elde edilen veriler kullanılmıştır. Meşcerelerin çap dağılımlarının %25, %50 ve %95’lik yüzdelik değerlerine göre parametreleri hesaplanan 3 parametreli Weibull olasılık yoğunluk fonksiyonuna ilişkin Hata kareler Toplamı (HKT) değeri; 6126730, Hataların Ortalama Kare Kökü (HKOK) değeri; 67.5172, R2düz. değeri;0.6121, AIC değeri; 11351.16 ve SBC değeri ise; 11366.77 olarak hesaplanmıştır. Derin öğrenme algoritmasının eğitim süreci, örnek alanların belirli çap basamağına karşılık gelen hektardaki ağaç sayısı çıktı değişkeni; örnek alanın toplam hektardaki ağaç sayısı, ilgili çap basamağının orta değeri ve dağılımın %25, %50 ve %95’lik yüzdelik değerleri girdi değişkeni esas alınarak, “nfolds=5” alt seçeneği ile “k sayısı kadar çapraz doğrulama” yöntemi esas alınarak uygulanmıştır. Bu eğitim süreci, R yazılımının H20 paketi kullanılarak gerçekleştirilmiş, algoritma yapısının oluşturulmasında, nöron sayısı; 100 ve transfer fonksiyonu olarak da; “Rectifier” fonksiyonu seçilmiştir. Derin öğrenmede, ağın başarısını etkileyen katman sayısının belirlenmesinde, derin öğrenme algoritmalarına ilişkin 8 farklı katman (3, 4, 5, 6, 7, 8, 9, 10 katman seçenekleri) seçeneği, çeşitli başarı ölçüt değerlerine göre karşılaştırılmıştır. Yapılan bu karşılaştırmada, HKT değeri; 1286083, HKOK değeri; 30.9570, R2düz. değeri;0.9184, AIC değeri; 9252.41 ve SBC değeri ise; 9278.44 olarak elde edilen 5 katmanlı derin öğrenme algoritması, çap dağılımını modellemede en başarılı olarak belirlenmiştir. 3 parametreli Weibull olasılık yoğunluk fonksiyonuna göre derin öğrenme ile HKT değerinde; % 79.01 azalış, HKOK değerinde % 54.15 azalış, R2düz. değerinde % 30.63 artış, AIC değerinde % 18.49 azalış ve SBC değerinde % 18.37 azalış elde edilmiştir.

🔖

Cite This Article

ERCANLI, İ., BOLAT, F., YAVUZ, H. (2018). Ormanların Çap Dağılımlarının Modellenmesinde Derin Öğrenme Algoritmalarının Kullanımı: Trabzon ve Giresun Ormanları Doğu Ladini-Sarıçam Karışık Meşcereleri Örneği. Anadolu Orman Araştırmaları Dergisi, Cilt: 4 - Sayı: 2, 122–132. https://ajindex.com/articles/459789

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (7)

  1. Andrasev, S., Bobinac, M., Orlovic, S. 2009. Diameter structure models of Black Poplar selected clones in the section Aigeiros (Duby) obtained by the Weibull distribution. Sumarski List 133: 589-603Atıcı, E. 1998. Değişikyaşlı Doğu Kayını (Fagus orientalis Lipsly.) Ormanlarında Artım ve Büyüme, Doktora Tezi, İstanbul Üniversitesi,
  2. Fen Bilimleri Enstitüsü, İstanbul.Bailey, R. L., Dell, T. R. 1973. Quantifying Diameter Distributions with The Weibull Function, Forest Science, 19, 97–104.Bailey, R. L., Burgan, T. M., Jokela, E. J. 1989. Fertilized mid-rotation aged slash pine plantations—Stand structure and yield prediction models. South. J. Appl. For. 13, 76-80.Baldwin, V. C., Feduccia, D. P. 1987. Loblolly pine growth and yield prediction for managed West Gulf plantations. USDA For. Serv. Res. Pap. SO 236, 27 p.Bolat F. 2015. Bursa-Kestel Orman İşletme Şefliği içerisindeki meşcereler için çap dağılım modellerinin geliştirilmesi. Yüksek Lisans Tezi, Çankırı Karatekin Üniveristesi Fen Bilimleri Enstitüsü, 77 s.Bolat, F. 2015. Predictions For Oriental Beech Tree Heights Based on Artificial Neural Network in Kestel Forests, The 10th International Beech Symposium, 1-6 September, 2015,
  3. Kastamonu, Turkey.Bolat, İ., Ercanlı, İ. 2015. Using Artificial Neural Network in Describing Diameter Distribution in an Even-Aged Forest, International Forestry Symposium, 7-10 December 2016,
  4. Kastamonu-TurkeyBurkhart, H. 1995.
  5. Modeling Forest Growth, Encyclopedia of Environmental Biology, 2, 535-543.Čavlović, J., Božić, M., Boncina, A. 2006. Stand Structure of An Uneven-Aged Fir–Beech Forest with An Irregular Diameter Structure: Modeling The Development of The Belevine Forest, Croatia, European Journal of Forest Research, 125, 4, 325-333.
  6. Cao, Q. V. 2004. Predicting Parameters of A Weibull Function for Modelling Diameter Distribution, Forest Science, 50, 682 – 685.Carranza-Rojas, J., Goeau, H., Bonnet, P., Mata-Montero, E., Joly, A. 2017. Going deeper in the automated identification of Herbarium specimens. BMC Evol. Biol. http://dx. doi.org/10.1186/s12862-017-1014-z.Carus, S. 1996. Aynı Yaşlı Doğu Kayını (Fagus orientalis Lipsly.) Meşcerelerinde Çap Dağılımın Bonitet ve Yaşa Göre Değişimi, İstanbul Orman Fakültesi Dergisi, 46, 171-181.Carus, S., Çatal, Y. 2008. Kızılçam (Pinus Brutia Ten.) Meşcerelerinde 7-Ağaç Örnek Nokta Yöntemiyle Meşcere Ağaç Sayısının Çap Basamaklarına Dağılımının Belirlenmesi, Süleyman Demirel Üniversitesi, Orman Fakültesi Dergisi, 2, 158-169.
  7. Clutter, J. L.,