Yapay Zekâ ile Kızılçam (Pinus brutia Ten.) ve Karaçam (Pinus nigra Arnold.) Ağaçlarında Üst Boy Tahmini

Year 2021, Volume: 13 Issue: 2, 563 - 572, 18.06.2021

Emre Kuzugüdenli

https://doi.org/10.29137/umagd.851315

Abstract

Kızılçam ve karaçam Türkiye için ekonomik ve ekolojik olarak yüksek öneme sahip asli orman ağacı türleridir. Üst boy yetişme ortamının verimliliğini belirlemek için kullanılan önemli parametrelerden biridir. Gerçekleştirilen bu çalışmada karaçam ve kızılçam türünde üst boyun göğüs çapı ve ağaç yaşı parametreleriyle tahmin edilmesi amaçlanmıştır. Bununla birlikte göğüs çapından ağaç boyu tahmininde sıklıkla kullanılan regresyon analizi ile bir tür yapay zekâ uygulaması olan Yapay Sinir Ağları (YSA) yöntemiyle elde edilen sonuçların kıyaslanması da hedeflenmektedir. İleri Beslemeli-Geri Yayımlı YSA ile eğitilen ağın tahmini ile gerçek üst boy değerleri arasındaki ilişkiler incelendiğinde karaçamın 1 girdili modeli için R2 değeri 0,25 olarak, 2 girdili modeli için R2 değeri 0,72 olarak belirlenmiştir. Kızılçam için oluşturulan 1 girdili model için R2 değeri 0,28 olarak, 2 girdili modeli için R2 değeri 0,41 olarak belirlenmiştir. Kızılçama ait en iyi YSA modelinin başarısının (R2 = 0,41) regresyon analizi ile tahmin edilen üst boy modelinin başarısına (R2 = 0,11) göre daha başarılı olduğu görülmektedir. Benzer şekilde karaçama ait en iyi YSA modelinin başarısının (R2 = 0,72) regresyon analizi ile tahmin edilen üst boy modelinin başarısına (R2 = 0,37) göre daha başarılı olduğu görülmektedir.

Keywords

Yapay Sinir Ağları (YSA), Regresyon modeli, Üst boy tahmini, Kızılçam, Karaçam

Upper Height Prediction in Turkish Red Pine (Pinus brutia Ten.) and Black Pine (Pinus nigra Arnold.) with Artificial Intelligence

Abstract

Turkish red pine and larch forests are essential tree species with high economic and ecological importance for Turkey. Upper height which is one of the important parameters used to determine the site productivity of forests. In this study, it was aimed to estimate the breast height diameter and tree age parameters in larch and Turkish red pine. In addition, it is aimed to compare the results obtained by the regression analysis, which is frequently used in estimating upper height from breast height diameter, and Artificial Neural Networks (ANN) method, which is a kind of artificial intelligence application. When the relationships between the estimated and actual upper height values of the neural network trained with Feed Forward-Backpropagation ANN, R2 value was determined as 0.25 for the 1-input model of the larch, and the R2 value for the 2-input model was determined as 0.72. The R2 value was determined as 0.28 for the 1-input model created for Turkish red pine, and the R2 value was determined as 0.41 for the 2-input model. It is seen that the success of the best ANN model of Turkish red pine (R2 = 0.41) is more successful than the upper height model (R2 = 0.11) estimated by regression model. Similarly, it is seen that the success of the best ANN model of larch (R2 = 0.72) is more successful than the upper height model (R2 = 0.37) estimated by regression model.

Keywords

Artificial Neural Networks (ANN), Regression model, Upper height prediction, Turkish red pine, Larch

References

• Alshihri, M. M., Azmy, A. M., & El-Bisy, M. S. (2009). Neural Networks for Predicting Compressive Strength of Structural Light Weight Concrete. Construction and Building Materials, 23, 2214–2219.
• Anonim, (2015). Türkiye Orman Varlığı. Orman Genel Müdürlüğü Yayınları, 33 s., Ankara.
• Bolat, F. (2015). Predictions for Oriental beech tree heights based on artificial neural network in Kestel forests. In The 10th International Beech Symposium (pp. 1-6).
• Carus, S. (1998). Aynı yaşlı Doğu kayını (Fagus orientalis Lipsky.) ormanlarında artım ve büyüme. Doktora Tezi, İstanbul Üniversitesi, Fen Bilimleri Enstitüsü, 359 s, İstanbul.
• Chandwani, V., Agrawal, V., & Nagar, R. (2015). Modeling Slump of Ready Mix Concrete Using Genetic Algorithms Assisted Training of Artificial Neural Networks. Expert Systems with Applications, 42, 885–893.
• Elmas, Ç. (2003). Yapay Sinir Ağları (Kuram, Mimari, Eğitim, Uygulama). Seçkin Yayınevi, Ankara, 192s.
• Fırat, M. (2002). Doğrusal ve Kıvrımlı Akarsulara Yerleştirilen Köprü Ayakları Etrafında Meydana Gelen Oyulma Derinliğinin Yapay Sinir Ağları ile Belirlenmesi, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 125 s.
• Genç, M., Güner Ş. T., & Fakir, H. (1997). Afyon-Çal Dağı Kızılçam Meşcereleri. Orman Mühendisliği Dergisi. 34(6); 7-14.
• Kalıpsız, A. (1994). İstatistik yöntemler. İÜ Orman Fakültesi.
• Masters, T. (1993). Practical neural network recipes in C++. Morgan Kaufmann.
• OGM (Orman Genel Müdürlüğü), “İstatistikler”, Erişim: 20 Ağustos 2020. https://www.ogm.gov.tr/ekutuphane
• Orhunbilge, N. (2002). Uygulamalı Regresyon ve Korelasyon Analizi, İ.Ü. İşletme Fakültesi Yayınları, II. Baskı İstanbul
• Özdemir, G. (2018). Karabük Yöresi Kayın-Göknar Karışık Meşcerelerinde Gövde Çaplarının Yapay Sinir Ağları İle Tahmin Edilmesi (Doctoral dissertation, Kastamonu Üniversitesi).
• Öztemel, E. (2003), Yapay Sinir Ağları, Birinci Baskı, İstanbul: Papatya Yayıncılık. Pagano M, Gauvreau K. (1993) Simple Linear Regression. Principles of Biostatistics . Duxbury Press, USA, 379-424.
• Saatçioğlu, F. (1976). Silvikültür I, Silvikültürün Biyolojik Esasları ve Prensipleri, İstanbul Üniversitesi Orman Fakültesi Yayınları, Yayın No: 2187/222, İstanbul.
• Saraçoğlu, Ö. (1988). Karadeniz Yöresi Göknar Meşçerelerinde Artım ve Büyüme. Orman Genel Müdürlüğü Yayınları, 312 s, İstanbul.
• Şenyurt, M., Ercanlı, İ., & Yavuz, H. (2015) Kahriman, A., Predicting stand yield parameters based on artificial neural network for oriental beech in kestel forests, Bursa, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Safranbolu/Türkiye
• Temesgen, H., Hann, D.W., & Monleon, V.J. (2007). Regional height-diameter equations for major tree species of Southwest Oregon. Western Journal of Applied Forestry. 22(3): 213-219
• Turna, İ., Altun, L., Üçler, A.Ö., & Tazegün, T. (2007). Kurak ve Yarı kurak Bölge Ağaçlandırmalarının Genel Değerlendirmesi. Türkiye’de Yarı Kurak Bölgelerde Yapılan Ağaçlandırma ve Erozyon Kontrolü Uygulamalarının Değerlendirilmesi Çalıştayı. 7-10 Kasım 2006, Ürgüp-Türkiye, 33-42.
• Ürgenç, S. (1998). Ağaçlandırma Tekniği. İ.Ü Orman Fakültesi, İ.Ü Rektörlük Yayın No: 3994, Orman Fakültesi Yayın No: 441, Emek Matbaacılık, İstanbul. 600 s.
• Yavuz, H. (1995). Uyumlu ve uyumsuz gövde çapı modelleri. KTÜ Orman Fakültesi Bahar yarıyılı seminerleri, Fakülte Yayın No:49, 101-106