شبکه های عصبی مصن وعی

مدیریت درختان خطرآفرین به بررسی احتمال خطر درختان در محیط های طبیعی و انسان ساخت می پردازد. از آنجاییکه درختان خطرآفرین در فضای سبز شهری از اهمیت بالایی برخوردارند، شناسایی و کمی سازی شدت ریسک این درختان اجتناب ناپذیر است و فقط در این صورت امکان مدیریت ریسک و انجام اقدامات پیشگیرانه و به موقع فراهم می گردد. در این مطالعه در مجموع 200 درخت چنار خطرآفرین با ساختار ناپایدار در شهر کرج شناسایی و اطلاعات مربوط به ویژگی های عمومی و عیوب آنها ثبت گردید و شدت ریسک آنها با توجه به سال آسیب پذیری ارزیابی شد. در این تحقیق به کمک الگوریتم آموزشی پس انتشار خطا در محیط شبکه های عصبی مصن وعی، شدت ریسک سقوط درختان چنار خطرآفرین (دو کلاسه شدت خطرآفرینی بر اساس سقوط اجزا در سال اول و دوم) بر اساس مقادیر کمی مشخصه های عمومی و عیوب درختان شبیه سازی شد. بر اساس نتایج آنالیز حساسیت قطر تاج، طول تاج درخت، انحراف تنه درخت و قطر یقه درخت به ترتیب بیشترین تاثیر را در طبقه بندی شدت ریسک درختان خطرآفرین داشته اند. صحت مدل با مقایسه خروجی آن و شاخص های محاسبه شده شامل ضریب تعیین (87/0 کلاس یک و 9/0 کلاس دو)، میانگین خطای مطلق (17/0 کلاس یک و 18/0 کلاس دو) و میانگین مربعات خطا (084/0 کلاس یک و 085/0 کلاس دو) سنجیده شد. مدل شبکه عصبی مصنوعی با دقت بالا در کلاسه بندی شدت ریسک چنارهای خطرآفرین در اکوسیستم های شهری، مدل SFHR را به عنوان یک مدل پیش بینی در ارزیابی احتمال سقوط درختان چنار معرفی نمود.