%0 Journal Article
%T Usporedba modela umjetne neuralne mre£¿e za predvi£¿anje drvnog volumena krimskih borova u £¿umama pokrajine Cankiri
%A Ercanli
%A Ilker
%A £¿enyurt
%A Muammer
%J -
%D 2019
%R 10.31298/sl.143.9-10.3
%X Sa£¿etak Cilj ovog rada je usporediti modele umjetne neuralne mre£¿e (ANN) za predvi£¿anje pojedinih drvnih volumena krimskih borova u £¿umama £¿ankirija. Jednoulazne i dvoulazne jednad£¿be i kompatibilna volumna jednad£¿ba Fang et al. (2000) temeljena na klasi£¿nim i tradicionalnim metodama primijenjena je na 360 krimskih borova u cilju dobivanja ovih drvnih volumena. Kako bi se odredila najbolja alternativna metoda za predvi£¿anje ANN modela, ukupno je obu£¿eno 320 treniranih mre£¿a u vi£¿eslojnom perceptronu (MLP) i ukupno 20 treniranih mre£¿a u arhitekturi Radial Basis Function (RBF). Na temelju statistike goodness-of-fit, ANN u smislu MLP 1-9-1 uklju£¿uju£¿i dbh kao input varijablu za jednoulazna volumna predvi£¿anja pokazao je bolju fitting sposobnost sa SSE (2.7763), Radj2 (0.9339), MSE (0.00910), RMSE (0.0954), AIC (-823.25) i SBC (-1421.81) nego onaj u ostalim prou£¿avanim volumnim metodama koje uklju£¿uju dbh kao eksplanatornu varijablu. Za dvoulazna volumna predvi£¿anja, £¿to uklju£¿uju dbh i ukupnu visinu kao input varijable, ANN temeljen na MLP 2-15-1 rezultirao je boljom fitting statistikom sa SSE (0.8354), Radj2 (0.9801), MSE (0.00274), RMSE (0.0523), AIC (-579.55) and SBC (-1788.11)
%K Predvi£¿anje drvnog volumena
%K umjetna neuralna mre£¿a
%K krimski bor
%K linearna analiza regresije
%K £¿ume Cankiri
%U https://hrcak.srce.hr/index.php?show=clanak&id_clanak_jezik=330913