Research Article
BibTex RIS Cite
Year 2018, Volume: 4 Issue: 1, 25 - 37, 06.08.2018

Abstract

References

  • Ashraf, M. I., Zhao, Z., Bourque, A., MacLean, D.A., Meng, F. 2013. Integrating biophysical controls in forest growth and yield predictions generated with artificial intelligence technology, Canadian Journal of Forest Research, 43, 1162–1171.
  • Atkinson, P. M., Tatnall, A. R. 1997. Introduction: neural networks in remote sensing, Int. J. Remote Sens. 18(4): 699–709.
  • Bolat, F. 2015. Predictions for Oriental beech tree heights based on artificial neural network in Kestel forests, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Safranbolu, TURKEY
  • Diamantopoulou, M. J., Özçelik, R. 2012. Evaluation of different modeling approaches for total tree-height estimation in Mediterranean Region of Turkey, Forest Systems, 21, 3, 383-397.
  • Diamantopoulou, M. J., Özçelik, R., Crecente-Campo, F., Eler, Ü. 2015. Estimation of Weibull function parameters for modelling tree diameter distribution using least squares and artificial neural networks methods, Biosystem enginering, 133, 33-45.
  • Elmas, Ç. 2003. Yapay Sinir Ağları (Kuram, Mimari, Egitim, Uygulama), Seçkin Yayıncılık, Ankara, 22-37.
  • Ercanlı, İ., Keleş, S., Şenyurt, M., Günlü, A., Bolat, F., Kurt, K. A. 2014. Tarsus Orman işletme Müdürlüğü Sınırları içerisinde Yayılış Gösteren Anadolu Karaçamı Meşcereleri için Uyumlu Gövde Çapı ve Gövde Hacim Denklemlerinin Karışık Etkili Modelleme Yaklaşımı İle Geliştirilmesi, TUBİTAK Hızlı Destek Projeler Programı, proje no: TOVAG-113O729.
  • Ercanlı, İ., Kahriman, A., Bolat, F. 2015. Applications of artificial neural network for predicting the relationships between height and age for oriental beech, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Safranbolu / TURKEY
  • Ercanlı, İ., Günlü, A., Şenyurt, M., Bolat, F., Kahriman, A. 2016. Artificial neural network for predicting stand carbon stock from remote sensing data for even-aged scots pine (Ppinus sylvestris L.) stands in the Taşköprü-Şiftlik forests, 1st International Symposium of Forest Engineering and Technologies (FETEC 2016): Forest Harvesting and Roading in Environmentally Sensitive Areas, 02-04 June 2016, 2016, Bursa, Turkey
  • Esteban, L.G., Fernandez, F.G., de Palacios, P. 2009. “MOE Prediction in Abies pinsapo boiss. Timber: application of an artificial neural network using non-destructive testing” Computers and Structures, 87, 1360–1365.
  • Fırat, F. 1973. Dendrometri. IV. Baskı, İ.Ü. Orman Fakültesi, İ.Ü Yayın No: 1800, Orman Yayın No: 193, Kutulmuş Matbaası, İstanbul.
  • Fırat, M. 2002. Doğrusal ve Kıvrımlı Akarsulara Yerleştirilen Köprü Ayakları Etrafında Meydana Gelen Oyulma Derinliğinin Yapay Sinir Ağları ile Belirlenmesi, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 125 s.
  • Fırat, M., Güngör, M. 2004. Askı Maddesi Konsantrasyonu ve Miktarının Yapay Sinir Ağları ile Belirlenmesi, İMO Teknik Dergi, 15, 3, 3267- 3282.Kalıpsız, A. 1999. Dendrometri. İ.Ü. Orman Fakültesi Yayın No:3194/354, İstanbul.
  • Kapucu, F., Yavuz, H., Gül, A. U. Mısır, N. 2002. Kestane meşcerelerinin hasılatı ve amenajman esasları. Tübitak TAGTOG TARP-2229 No’lu Proje, 118 s.
  • Kurup P. U., Dudani, N. K. 2002. Neural Networks for Profiling Stress History of Clays from PCPT Data. Journal of Geotechnical & Geoenvironmental Engineering, 128, 7, 569-580.
  • Nasr, G. E., Badr, E. A., Joun, C. 2003. Backpropagation neural networks for modeling gasoline consumption. Energy Conversion and Management, 44 (6), 893-905.
  • Orhunbilge, N. 2002. Uygulamalı Regresyon ve Korelasyon Analizi, İ.Ü. İşletme Fakültesi Yayınları, II. Baskı İstanbul
  • Özçelik, R., Diamantopoulou, M.J., Wiant, H. V., Brooks, J. R. 2010. Estimating tree bole volume using artificial neural network models for four species in Turkey, Journal of Environmental Management, 91, 3, 742–753.
  • Özcelik, R., Diamantopoulou, M. J., Crecente-Campo-F., Eler, Ü. 2013. Estimating Crimean juniper tree height using nonlinear regression and artificial neural network models. Forest Ecology and Management, 306, 52-60
  • Özcelik, R., Diamantopoulou, M. J., Brooks, J. R. 2014. The use of tree crown variables in over-bark diameter and volume prediction models. iForest-Journal of Biogeosciences and Forestry, 7:132-139.
  • Şentürk, N. 1997. Dişbudak (Fraxinus angustifolia Wahl. subps.Oxycarpa (Bieb. ExWilld.) Franco&RochaAfonso) gövde hacim ve ağaç hacim tablolarının düzenlenmesi. Yüksek lisans tezi, K.T.Ü Fen Bilimleri Enstitüsü, Trabzon.
  • Şenyurt, M., Ercanlı, İ., Yavuz, H., Kahriman, A., Predicting stand yield parameters based on artificial neural network for oriental beech in kestel forests, Bursa, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Safranbolu / TURKEY
  • Topçu, İ.B., Sarıdemir, M. 2008. Prediction of Compressive Strength of Concrete Containing Fly Ash Using Artificial Neural Networks and Fuzzy Logic. Computational Materials Science, 41, 305–311.
  • Yavuz, H. 1995. Uyumlu ve uyumsuz gövde çapı modelleri. KTÜ Orman Fakültesi Bahar yarıyılı seminerleri, Fakülte Yayın No:49, 101-106.
  • Yavuz, H. 1999. Taşköprü Yöresinde Karaçam İçin Hacim Fonksiyonları ve Hacim Tabloları, Turkish Journal of Agriculture and Forestry, 23, 1181-118.
  • Yavuz, H., Sakıcı, O. E. 2002. “Gövde profili modellerinin bilimsel ve pratik açıdan irdelenmesi”, Orman Amenajmanı’nda kavramsal açılımlar ve yeni hedefler sempozyomu, İstanbul, 233-241.

Tarsus Yöresi Anadolu Karaçamı Ağaçlarında Hacim Tahminlerinin Yapay Sinir Ağları ile Elde Edilmesi

Year 2018, Volume: 4 Issue: 1, 25 - 37, 06.08.2018

Abstract

Ormancılık tarihinde, ağaç hacimlerinin elde
edilmesine ilişkin birçok farklı yöntem geliştirilmesine karşın, regresyon
analizine dayanan ağaç hacim denklemleri önemli bir kullanım alanı bulmuştur.
Ancak regresyon analizi tekniği, bir istatistik yöntem olması nedeniyle temel
bazı varsayımlara dayanmakta ve bu varsayımların sağlanması durumunda doğru ve
etkin tahminler sunabilmektedirler.  Bir
yapay zeka uygulaması olarak
Yapay Sinir Ağları (YSA) ile istatistiksel
varsayımların sağlanmasına ihtiyaç duymayan ve karmaşık ilişkilerin
modellenmesinde başarılı ve etkin tahminler elde edilebilmektedir. Bu
çalışmada,
Tarsus Orman İşletme Müdürlüğü sınırları
içerisindeki Anadolu Karaçamı ağaçlarının hacim tahminlerinin elde edilmesinde
YSA kullanımı gerçekleştirilerek, farklı dönüşüm fonksiyonları ile nöron
sayılarını içeren farklı YSA yapılarının hacim tahminlerindeki başarı durumları
karşılaştırılmıştır. Çeşitli başarı ölçütlerine göre yapılan karşılaştırmada,
tek girişli ve çift girişli tahminlerde,
9 nöron ve Log-sig dönüşüm
fonksiyonu içeren İleri Beslemeli-Geri Yayımlı YSA yapısı ile en başarılı
tahminler elde edilmiştir. Bu YSA yapıları ile tek girişli tahminlerde belirtme
katsayısı (
R2), 0.975 iken, çift girişli
tahminlerde 0.988 olarak elde edilmiştir. Tek girişli tahminlerde THY ve OMHY
değerleri sırasıyla; -% 0.185  ve % 10.052,
çift girişli tahminlerde ise; % 0.163 ve % 6.925 olarak elde edilmiştir.

References

  • Ashraf, M. I., Zhao, Z., Bourque, A., MacLean, D.A., Meng, F. 2013. Integrating biophysical controls in forest growth and yield predictions generated with artificial intelligence technology, Canadian Journal of Forest Research, 43, 1162–1171.
  • Atkinson, P. M., Tatnall, A. R. 1997. Introduction: neural networks in remote sensing, Int. J. Remote Sens. 18(4): 699–709.
  • Bolat, F. 2015. Predictions for Oriental beech tree heights based on artificial neural network in Kestel forests, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Safranbolu, TURKEY
  • Diamantopoulou, M. J., Özçelik, R. 2012. Evaluation of different modeling approaches for total tree-height estimation in Mediterranean Region of Turkey, Forest Systems, 21, 3, 383-397.
  • Diamantopoulou, M. J., Özçelik, R., Crecente-Campo, F., Eler, Ü. 2015. Estimation of Weibull function parameters for modelling tree diameter distribution using least squares and artificial neural networks methods, Biosystem enginering, 133, 33-45.
  • Elmas, Ç. 2003. Yapay Sinir Ağları (Kuram, Mimari, Egitim, Uygulama), Seçkin Yayıncılık, Ankara, 22-37.
  • Ercanlı, İ., Keleş, S., Şenyurt, M., Günlü, A., Bolat, F., Kurt, K. A. 2014. Tarsus Orman işletme Müdürlüğü Sınırları içerisinde Yayılış Gösteren Anadolu Karaçamı Meşcereleri için Uyumlu Gövde Çapı ve Gövde Hacim Denklemlerinin Karışık Etkili Modelleme Yaklaşımı İle Geliştirilmesi, TUBİTAK Hızlı Destek Projeler Programı, proje no: TOVAG-113O729.
  • Ercanlı, İ., Kahriman, A., Bolat, F. 2015. Applications of artificial neural network for predicting the relationships between height and age for oriental beech, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Safranbolu / TURKEY
  • Ercanlı, İ., Günlü, A., Şenyurt, M., Bolat, F., Kahriman, A. 2016. Artificial neural network for predicting stand carbon stock from remote sensing data for even-aged scots pine (Ppinus sylvestris L.) stands in the Taşköprü-Şiftlik forests, 1st International Symposium of Forest Engineering and Technologies (FETEC 2016): Forest Harvesting and Roading in Environmentally Sensitive Areas, 02-04 June 2016, 2016, Bursa, Turkey
  • Esteban, L.G., Fernandez, F.G., de Palacios, P. 2009. “MOE Prediction in Abies pinsapo boiss. Timber: application of an artificial neural network using non-destructive testing” Computers and Structures, 87, 1360–1365.
  • Fırat, F. 1973. Dendrometri. IV. Baskı, İ.Ü. Orman Fakültesi, İ.Ü Yayın No: 1800, Orman Yayın No: 193, Kutulmuş Matbaası, İstanbul.
  • Fırat, M. 2002. Doğrusal ve Kıvrımlı Akarsulara Yerleştirilen Köprü Ayakları Etrafında Meydana Gelen Oyulma Derinliğinin Yapay Sinir Ağları ile Belirlenmesi, Pamukkale Üniversitesi Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 125 s.
  • Fırat, M., Güngör, M. 2004. Askı Maddesi Konsantrasyonu ve Miktarının Yapay Sinir Ağları ile Belirlenmesi, İMO Teknik Dergi, 15, 3, 3267- 3282.Kalıpsız, A. 1999. Dendrometri. İ.Ü. Orman Fakültesi Yayın No:3194/354, İstanbul.
  • Kapucu, F., Yavuz, H., Gül, A. U. Mısır, N. 2002. Kestane meşcerelerinin hasılatı ve amenajman esasları. Tübitak TAGTOG TARP-2229 No’lu Proje, 118 s.
  • Kurup P. U., Dudani, N. K. 2002. Neural Networks for Profiling Stress History of Clays from PCPT Data. Journal of Geotechnical & Geoenvironmental Engineering, 128, 7, 569-580.
  • Nasr, G. E., Badr, E. A., Joun, C. 2003. Backpropagation neural networks for modeling gasoline consumption. Energy Conversion and Management, 44 (6), 893-905.
  • Orhunbilge, N. 2002. Uygulamalı Regresyon ve Korelasyon Analizi, İ.Ü. İşletme Fakültesi Yayınları, II. Baskı İstanbul
  • Özçelik, R., Diamantopoulou, M.J., Wiant, H. V., Brooks, J. R. 2010. Estimating tree bole volume using artificial neural network models for four species in Turkey, Journal of Environmental Management, 91, 3, 742–753.
  • Özcelik, R., Diamantopoulou, M. J., Crecente-Campo-F., Eler, Ü. 2013. Estimating Crimean juniper tree height using nonlinear regression and artificial neural network models. Forest Ecology and Management, 306, 52-60
  • Özcelik, R., Diamantopoulou, M. J., Brooks, J. R. 2014. The use of tree crown variables in over-bark diameter and volume prediction models. iForest-Journal of Biogeosciences and Forestry, 7:132-139.
  • Şentürk, N. 1997. Dişbudak (Fraxinus angustifolia Wahl. subps.Oxycarpa (Bieb. ExWilld.) Franco&RochaAfonso) gövde hacim ve ağaç hacim tablolarının düzenlenmesi. Yüksek lisans tezi, K.T.Ü Fen Bilimleri Enstitüsü, Trabzon.
  • Şenyurt, M., Ercanlı, İ., Yavuz, H., Kahriman, A., Predicting stand yield parameters based on artificial neural network for oriental beech in kestel forests, Bursa, The 10th International Beech Symposium, 1-6 September, 2015, Kastamonu, Safranbolu / TURKEY
  • Topçu, İ.B., Sarıdemir, M. 2008. Prediction of Compressive Strength of Concrete Containing Fly Ash Using Artificial Neural Networks and Fuzzy Logic. Computational Materials Science, 41, 305–311.
  • Yavuz, H. 1995. Uyumlu ve uyumsuz gövde çapı modelleri. KTÜ Orman Fakültesi Bahar yarıyılı seminerleri, Fakülte Yayın No:49, 101-106.
  • Yavuz, H. 1999. Taşköprü Yöresinde Karaçam İçin Hacim Fonksiyonları ve Hacim Tabloları, Turkish Journal of Agriculture and Forestry, 23, 1181-118.
  • Yavuz, H., Sakıcı, O. E. 2002. “Gövde profili modellerinin bilimsel ve pratik açıdan irdelenmesi”, Orman Amenajmanı’nda kavramsal açılımlar ve yeni hedefler sempozyomu, İstanbul, 233-241.
There are 26 citations in total.

Details

Primary Language Turkish
Subjects Engineering
Journal Section Articles
Authors

İlker Ercanlı

Publication Date August 6, 2018
Submission Date March 6, 2018
Published in Issue Year 2018 Volume: 4 Issue: 1

Cite

APA Ercanlı, İ. (2018). Tarsus Yöresi Anadolu Karaçamı Ağaçlarında Hacim Tahminlerinin Yapay Sinir Ağları ile Elde Edilmesi. Anadolu Orman Araştırmaları Dergisi, 4(1), 25-37.
AMA Ercanlı İ. Tarsus Yöresi Anadolu Karaçamı Ağaçlarında Hacim Tahminlerinin Yapay Sinir Ağları ile Elde Edilmesi. AJFR. August 2018;4(1):25-37.
Chicago Ercanlı, İlker. “Tarsus Yöresi Anadolu Karaçamı Ağaçlarında Hacim Tahminlerinin Yapay Sinir Ağları Ile Elde Edilmesi”. Anadolu Orman Araştırmaları Dergisi 4, no. 1 (August 2018): 25-37.
EndNote Ercanlı İ (August 1, 2018) Tarsus Yöresi Anadolu Karaçamı Ağaçlarında Hacim Tahminlerinin Yapay Sinir Ağları ile Elde Edilmesi. Anadolu Orman Araştırmaları Dergisi 4 1 25–37.
IEEE İ. Ercanlı, “Tarsus Yöresi Anadolu Karaçamı Ağaçlarında Hacim Tahminlerinin Yapay Sinir Ağları ile Elde Edilmesi”, AJFR, vol. 4, no. 1, pp. 25–37, 2018.
ISNAD Ercanlı, İlker. “Tarsus Yöresi Anadolu Karaçamı Ağaçlarında Hacim Tahminlerinin Yapay Sinir Ağları Ile Elde Edilmesi”. Anadolu Orman Araştırmaları Dergisi 4/1 (August 2018), 25-37.
JAMA Ercanlı İ. Tarsus Yöresi Anadolu Karaçamı Ağaçlarında Hacim Tahminlerinin Yapay Sinir Ağları ile Elde Edilmesi. AJFR. 2018;4:25–37.
MLA Ercanlı, İlker. “Tarsus Yöresi Anadolu Karaçamı Ağaçlarında Hacim Tahminlerinin Yapay Sinir Ağları Ile Elde Edilmesi”. Anadolu Orman Araştırmaları Dergisi, vol. 4, no. 1, 2018, pp. 25-37.
Vancouver Ercanlı İ. Tarsus Yöresi Anadolu Karaçamı Ağaçlarında Hacim Tahminlerinin Yapay Sinir Ağları ile Elde Edilmesi. AJFR. 2018;4(1):25-37.