Yapay Sinir Ağ Modelleri ile Ağaçların Hacim Tahminlerinde Transfer Fonksiyonunun ve Nöron Sayısının Etkisi: Başçatak (Akdağmadeni) Yöresi Sarıçam (Pinus sylvestris L.) Örneği

Yıl 2019, Cilt: 5 Sayı: 1, 28 - 37, 07.08.2019

İlker Ercanlı Onur Kaya

Öz

Bu
çalışmada, Yapay Sinir Ağ Modelleri ile ağaçların göğüs çapına göre tek girişli
ve göğüs çapı ile birlikte ağaç boyuna göre çift girişli hacim tahminlerinde,
farklı transfer fonksiyonu ve nöron sayılarının tahmin başarısına etkisi
araştırılmıştır. Bu amaçla, beş farklı transfer fonksiyonu ve 100 farklı nöron
sayısı alternatifi olmak üzere 500 farklı YSA modeli alternatifi için veri
eğitimi gerçekleştirilmiş ve tahminler elde edilmiştir. Çeşitli başarı
ölçütlerine göre yapılan karşılaştırmada, gerek tek girişli gerekse çift
girişli hacim tahminlerinde,   linear
(pure-lin)’in giriş katman ile ara katmanı bağlantı noktasında olduğu ve
hiperbolik tanjant sigmoid (tan-sig)’in ara katman ile çıkış katmanı bağlantı
noktasında olduğu transfer fonksiyonu en başarılı tahminleri sunmuştur. Diğer
taraftan, nöron sayısının artışı ile belirgin bir hacim tahmin başarısı
iyileşmesi elde edilememiştir. En başarılı tek girişli YSA modeli için HKT
değeri; 3.0084, RMSE değeri; 0.1262, R²düz. değeri; 0.9720, AIC değeri;
-785.6687 ve SBC değeri; -777.1746,  THY
değeri; %0.0889 ve OMHY değeri ise %9.2617 olarak hesaplanmıştır. En başarılı çift
girişli YSA modeli için HKT değeri; 1.4510, RMSE değeri; 0.0879, R2düz. değeri;
0.9864, AIC değeri; -924.2006 ve SBC değeri; -905.2125, THY değeri; % -0.51682
ve OMHY değeri ise % 5.8764olarak hesaplanmıştır. Bu çalışmanın temel araştırma
konusu olan transfer fonksiyonun ve nöron sayılarının YSA modelleri ile elde
edilecek tahminlerin başarısına etkisi olarak da, nöron sayısının artırılması
yerine, giriş, gizli ve çıktı katmanları arasında geçişi sağlayan uygun
transfer fonksiyonun seçiminin önemli olduğu sonucuna ulaşılmıştır.

Anahtar Kelimeler

Hacim tahmini, Yapay Sinir Ağları, Transfer Fonksiyonu

Kaynakça

• Asan, Ü. 2000. Ulusal orman envanteri kavramı ve Türkiye’deki durumu. T.C. Orman Bakanlığı, Teknik Bülten, 1, 2.Ashraf, M. I., Zhao, Z., Bourque, A., MacLean, D.A., Meng, F. 2013. “Integrating biophysical controls in forest growth and yield predictions generated with artificial intelligence technology”, Canadian Journal of Forest Research, 43, 1162–1171.Atkinson, P. M., Tatnall, A. R. 1997. Introduction: neural networks in remote sensing, International Journal of Remote Sensing. 18, 4, 699–709.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, Kastamonu, Turkey.Bolat, İ., Ercanlı, İ. 2016. Using Artificial Neural Network in Describing Diameter Distribution in an Even-Aged Forest. International Forestry Symposium, 7-10 December 2016, Kastamonu-TurkeyDiamantopoulou, M. J., Özçelik, R. 2012. Evaluation of different modeling approaches for total tree-height estimation in Mediterranean Region of Turkey. Forest Systems, 21, 3, 383-397.Diamantopoulou, M. J., Özçelik, R., Crecente-Campo, F., Eler, Ü. 2015. Estimation of Weibull function parameters for modelling tree diameter distribution using least squares and artificial neural networks methods. Biosystem Enginering, 133, 33-45.Ercanlı, İ., Kahriman, A., Bolat, F. 2015. Applications of Artificial Neural Network for Predicting the Relationships Between Height And Age For Oriental Beech, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Turkey.Ercanlı, İ., Günlü, A., Şenyurt, M., Bolat, F., Kahriman, A. 2016a. Artificial neural network for predicting stand carbon stock from remote sensing data for even-aged scots pine (pinus sylvestris l.) Stands in the taşköprü-çiftlik forests, 1st International Symposium of Forest Engineering and Technologies (FETEC 2016), Bursa Technical University, Faculty of Forestry, 2-4 June 2016, Bursa-TURKEY. Ercanlı, İ., Kahriman, A., Yavuz, H. 2016b. Predicting Oriental Spruce and Scots Pine Tree Diameter Increments Based on Artificial Neural Network Located in Mixed Oriental Spruce-Scots Pine Stands at Trabzon and Giresun Forest District. International Forestry Symposium, 7-10 December 2016, Kastamonu-TurkeyErcanlı, İ., Bolat. 2017. Diameter distribution Modeling based on Artificial Neural Networks for Kunduz Forests. International Symposium on New Horizons in Forestry-ISFOR 2017, Isparta University, Faculty of Forestry, 18-20 October, Isparta, Turkey.Ercanlı, İ., Kurt, A. K., Şenyurt, M., Günlü, A., Keleş, S., 2018, Tarsus Yöresi Anadolu Karaçamı Ağaçlarında Hacim Tahminlerinin Yapay Sinir Ağları ile Elde Edilmesi. Anadolu Orman Araştırmaları Dergisi, Cilt 4, Sayı 1, 25-37.Esteban, L.G., Fernandez, F.G., de Palacios, P. 2009. MOE Prediction in Abies pinsapo boiss. Timber: application of an artificial neural network using non-destructive testing. Computers and Structures, 87, 1360–1365.Fırat, F. 1973. Dendrometri, IV. Baskı, İ.Ü. Orman Fakültesi, İ.Ü Yayın No: 1800, Orman Yayın No: 193, Kutulmuş Matbaası, İstanbul.Günlü, A., Ercanlı, İ. 2017. Evaluating some artificial neural networks and multiple linear regression model for predicting carbon of pure oriental beech stand in Göldağ forests. International Symposium on New Horizons in Forestry-ISFOR 2017, Isparta University, Faculty of Forestry, 18-20 October, Isparta, Turkey.Kapucu, F. 2004. Orman amenajmanı. KTÜ Orman Fakültesi Yay No, 215 / 33, ISBN-975-6983-35-3, 514 s.Loetsch, F., Zöhrer, F., Haller, KE. 1973. Forest Inventory, Volume 2. BLV Verlagsgesellschaft mbH, München.Nasr, G. E., Badr, E. A., Joun, C. 2003. Backpropagation neural networks for modeling gasoline consumption, Energy Conversion and Management, 44, 6, 893-905.Orhunbilge, N. 2002. Uygulamalı Regresyon Ve Korelasyon Analizi, İ.Ü. İşletme Fakültesi Yayınları, İstanbul.Özçelik, R., Diamantopoulou, M.J., Wiant, H. R., Brooks, J. R. 2008. Comparative study of standard and modern methods for estimating tree bole volume of three species in Turkey. Forest Products Journal, 58, 6, 73-81.Özçelik, R., Diamantopoulou, M. J., Crecente-Campo, F., Eler, U. 2013. Estimating Crimean juniper tree height using nonlinear regression and artificial neural network models, Forest Ecology and Management 306, 52-60.Özcelik, R., Diamantopoulou, M. J., Brooks, J. R. 2014. The use of tree crown variables in over-bark diameter and volume prediction models. Journal of Biogeosciences and Forestry, 7, 132-139.Şentürk, N. 1997. Dişbudak (Fraxinus angustifolia Wahl. subps.Oxycarpa (Bieb. ExWilld.) Franco&RochaAfonso) gövde hacim ve ağaç hacim tablolarının düzenlenmesi. Yüksek lisans tezi, K.T.Ü Fen Bilimleri Enstitüsü, Trabzon. Şenyurt, M., Ercanlı, İ., Yavuz, H., Kahriman, A. 2015. 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, Turkey.Yavuz, H. 1995. Taşköprü Orman İşletmesinde Sarıçam ve Karaçam için Uyumlu Gövde Çapı, Gövde Hacmi ve Hacim Oran Denklem Sistemlerinin Geliştirilmesi (Basılmamıştır), Trabzon.Yavuz, H. 1999. Taşköprü Yöresinde Karaçam için Hacim Fonksiyonları ve Hacim Tabloları, Turkish Journal of Agriculture and Forestry, 23, 5, 1181-1189.Yavuz, H., Sakıcı, O. E. 2002. Gövde profili modellerinin bilimsel ve pratik açıdan irdelenmesi. Orman Amenajmanı’nda kavramsal açılımlar ve yeni hedefler sempozyomu, İstanbul, 233-241.