داشتن اطلاعات دقیق درباره بازدهی ماشین آلات چوبکشی بهمنظور کاهش هزینه های حملونقل با استفاده از مدل های آماری نوین در مطالعه های مهندسی جنگل بسیار با ارزش است.در این مطالعه مدل سازی پیش بینی زمان چوبکشی اسکیدر چرخ زنجیری زتور و تراکتور کشاورزی با استفاده از شبکه چکیده کامل
داشتن اطلاعات دقیق درباره بازدهی ماشین آلات چوبکشی بهمنظور کاهش هزینه های حملونقل با استفاده از مدل های آماری نوین در مطالعه های مهندسی جنگل بسیار با ارزش است.در این مطالعه مدل سازی پیش بینی زمان چوبکشی اسکیدر چرخ زنجیری زتور و تراکتور کشاورزی با استفاده از شبکه عصبی مصنوعی و مدل رگرسیون خطی چندگانه انجام شد، سپس کارآیی مدل ها با هم مقایسه گردید. فاصله چوبکشی، شیب مسیر چوبکشی، حجم و تعداد گرده بینه در هر نوبت چوبکشی به عنوان متغیرهای مستقل (متغیر ورودی) و زمان هر نوبت چوبکشی به عنوان متغیر وابسته (متغیر پاسخ) وارد مدل شدند. نتایج نشان داد که در پیشبینی زمان چوبکشی اسکیدر چرخ زنجیری زتور میزان ضریب تبیین شبکه عصبی MLP و مدل رگرسیون به ترتیب 78/0 و 55/0 و میزان خطای مدل ها به ترتیب 19/0 و 42/0 می باشد. همچنین در سیستم چوبکشی تراکتور کشاورزی میزان ضریب تبیین شبکه عصبی MLP و مدل رگرسیون به ترتیب 70/0 و 62/0 و میزان خطای مدل ها به ترتیب 18/0 و 28/0 می باشد. بنابراین در هر دو سیستم چوبکشی شبکه عصبی MLP در پیشبینی زمان چوبکشی نسبت به مدل رگرسیون خطی چندگانه کارآیی بیشتری دارد. تحلیل حساسیت شبکه عصبی مصنوعی و رگرسیون نشان داد که در اسکیدر چرخ زنجیری زتور فاصله چوبکشی و در تراکتور کشاورزی شیب مسیر چوبکشی بیشترین اهمیت را دارند.
پرونده مقاله