Usporedba modela umjetne neuralne mre？e za predvi？anje drvnog volumena krimskih borova u ？umama pokrajine Cankiri

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)