fa مدلسازی هوشمند منفرد(پرسپترون چند لایه) و ترکیبی (نروفازی) تخریب جنگل (محدوده: شهرستان ساری) پژوهشي Research <div style="text-align: justify;"><strong><span style="color:black;"><span style="font-family:B Nazanin;">روش‌های</span></span></strong> <strong><span style="color:black;"><span style="font-family:B Nazanin;">کلاسیک یا روشهای سخت بر دقیق بودن محاسبات، پایه&shy;گذاری شده&shy;اند درحالیکه دنیای واقعی بر نادقیق بودن مرزها و عدم قطعیت&shy;ها استوار است که بیشتر با روش‌های محاسبات نرم مطابقت دارد، که این روش&shy;ها نیز به تنهایی نقاط ضعف و قوتی دارند </span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">و</span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;"> برای رفع آنها تئوری پیوند&shy;زنی مطرح شد که با عنوان سیستم&shy;های ترکیبی هوشمند شناخته می&shy;شوند. در این تئوری دو یا چند روش هوشمند با یکدیگر ترکیب می&shy;شود تا کاستی&shy;ها و نواقص روش</span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">&shy;</span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">های منفرد رفع یا تعدیل گردد. </span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">در این مطالعه، تخریب جنگل با استفاده از شبکه عصبی پرسپترون و روش ترکیبی عصبی-فازی مدل&shy;سازی شده&shy;است. برای اینکار از تصاویر سنسور </span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">TM</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;"> ماهواره لندست 5 سال 1999 و سنسور </span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">OLI</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;"> متعلق به لندست 8 برای سال 2017 استفاده شد. از مناطق جنگلی تخریب شده و جنگل بدون تخریب در 200 نقطه نمونه&shy;برداری شد. سپس 7 فاکتور تخریب جنگل شامل: فاصله ازعوارضی همچون (شهر-رودخانه-روستا-دریا-جاده)، ارتفاع و شیب برای 200 نقطه محاسبه شد. برای ارزیابی عملکرد مدل&shy;ها از میانگین مربعات خطای استفاده شد که برای شبکه پرسپترون با سه الگوریتم</span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">Levenberg-Marquardt, Bayesian Regularization, Scaled Conjugate Gradient</span></span></span></span></strong> <strong><span style="color:black;"><span style="font-family:B Nazanin;">&nbsp;به ترتیب </span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;">5</span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">0.053، </span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;">4</span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">0.070 و </span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;">8</span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">0.090 بدست&shy;آمد. </span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;"><span style="font-size:10.0pt;">MSE</span></span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;"> برای مدل عصبی-فازی با الگوریتم بهینه&shy;سازی و روش ترکیبی به ترتیب </span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman,serif;">0</span></span></span></strong><strong><span style="color:black;"><span style="font-family:B Nazanin;">0.019 و 0.0102 محاسبه شد.</span></span></strong> <strong><span style="color:black;"><span style="font-family:B Nazanin;">تحلیل نتایج حاکی از عملکرد مطلوب مدل نروفازی در کاهش خطا و افزایش تعمیم&shy;پذیری می&shy;باشد. مدل نروفازی با تکیه بر قاعده عدم قطعیت شرایطی را ایجاد کرده که به واقعیت شباهت بیشتری داشته و نسبت به مدل پرسپترون در انتخاب داده&shy;ی مناسب موفق&shy;تر بوده&shy;است.</span></span></strong><strong><span dir="LTR"><span style="color:black;"><span style="font-family:Times New Roman Bold,serif;"></span></span></span></strong><br> &nbsp;</div> The classical methods, also known as hard methods, are based on the accuracy of calculations, while the real world is founded on the inaccuracy of boundaries and the uncertainties, which is more consistent with soft computing methods. Each of these methods has its own strengths and weaknesses, and the hybridization theory was introduced to solve these problems. In the hybridization theory, which is also called intelligent hybrid systems, two or more single intelligent methods are combined to eliminate or rectify the shortcomings and limitations of single methods. In this study, forest degradation was modeled by employing the single-perceptron neural network and hybrid neuro-fuzzy method. For this purpose, the images from Landsat-5 TM sensor in 1999 and Landsat 8 OLI sensor in 2017 were utilized. Then, the degraded and non-degraded forest areas were sampled in 200 locations. Seven factors identified as the most effective factors in forest degradation, including the distance from the features like city, river, village, sea, and road, elevation and slope were measured for the 200 locations. The mean squared error (MSE) was used to evaluate the performance of models, which was 0.0535, 0.0704, and 0.0908 for the perceptron neural network in the Levenberg-Marquardt, Bayesian regularization, and scaled conjugate gradient algorithms, respectively. Also, the MSE value for the neuro-fuzzy model in the optimization and hybrid algorithms was 0.0190 and 0.0102, respectively. The analysis of the results showed the optimal performance of the neuro-fuzzy method both in reducing the error and in generalizing the model<span dir="RTL">.</span> Relying on the uncertainty rule, the neuro-fuzzy model provides the conditions that are closer to reality and have been more successful than the perceptron model at selecting the appropriate data. مدلسازی هوشمند, تخریب جنگل, نروفازی, پرسپترون چند لایه Intelligent Modeling, Multilayer Perceptron, Neural-Fuzzy, Forest Degradation 297 313 http://jgs.khu.ac.ir/browse.php?a_code=A-10-3747-1&slc_lang=fa&sid=1 somayeh mehrabadi سمیه مهرآبادی somayeh.mehrabadi@yahoo.com 100319475328460013501 100319475328460013501 Yes university of tabriz کارشناس ارشد GIS & RS دانشگاه تبریز