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

Authors : Ilker Ercanli, Ferhat Bolat, Hakkı Yavuz

Pages : 122-132

View : 25 | Download : 13

Publication Date : 2018-12-31

Article Type : Research

Abstract :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, R 2 düz. 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 H 2 0 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, R 2 düz. 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, R 2 düz. değerinde % 30.63 artış, AIC değerinde % 18.49 azalış ve SBC değerinde % 18.37 azalış elde edilmiştir. 
Keywords : Çap Dağılımı, Derin Öğrenme Algoritması