Search citation statements
Paper Sections
Citation Types
Year Published
Publication Types
Relationship
Authors
Journals
Gelişen teknolojiyle beraber diğer disiplinlerde olduğu gibi ormancılıkta da geleneksel uygulamaların daha ekonomik, etkin, hızlı ve kolay yapılabilmesi için yenilikçi yaklaşımların kullanımına talepler ve ihtiyaçlar artmaktadır. Özellikle son dönemde ortaya çıkan ormancılık bilişimi, hassas ormancılık, akıllı ormancılık, Ormancılık (Forestry) 4.0, iklim-akıllı ormancılık, sayısal ormancılık ve ormancılık büyük verisi gibi terimler ormancılık disiplinin gündeminde yer almaya başlamıştır. Bunların neticesinde de makine öğrenmesi ve son dönemde ortaya çıkan otomatik makine öğrenmesi (AutoML) gibi modern yaklaşımların ormancılıkta karar verme süreçlerine entegre edildiği akademik çalışmaların sayısında önemli artışlar gözlenmektedir. Bu çalışma, makine öğrenmesi algoritmalarının Türkçe dilinde anlaşılırlığını daha da artırmak, yaygınlaştırmak ve ilgilenen araştırmacılar için ormancılıkta kullanımına yönelik bir kaynak olarak değerlendirilmesi amacıyla ortaya konulmuştur. Böylece çeşitli ormancılık faaliyetlerinde makine öğrenmesinin hem geçmişten günümüze nasıl kullanıldığını hem de gelecekte kullanım potansiyelini ortaya koyan bir derleme makalesinin ulusal literatüre kazandırılması amaçlanmıştır.
Gelişen teknolojiyle beraber diğer disiplinlerde olduğu gibi ormancılıkta da geleneksel uygulamaların daha ekonomik, etkin, hızlı ve kolay yapılabilmesi için yenilikçi yaklaşımların kullanımına talepler ve ihtiyaçlar artmaktadır. Özellikle son dönemde ortaya çıkan ormancılık bilişimi, hassas ormancılık, akıllı ormancılık, Ormancılık (Forestry) 4.0, iklim-akıllı ormancılık, sayısal ormancılık ve ormancılık büyük verisi gibi terimler ormancılık disiplinin gündeminde yer almaya başlamıştır. Bunların neticesinde de makine öğrenmesi ve son dönemde ortaya çıkan otomatik makine öğrenmesi (AutoML) gibi modern yaklaşımların ormancılıkta karar verme süreçlerine entegre edildiği akademik çalışmaların sayısında önemli artışlar gözlenmektedir. Bu çalışma, makine öğrenmesi algoritmalarının Türkçe dilinde anlaşılırlığını daha da artırmak, yaygınlaştırmak ve ilgilenen araştırmacılar için ormancılıkta kullanımına yönelik bir kaynak olarak değerlendirilmesi amacıyla ortaya konulmuştur. Böylece çeşitli ormancılık faaliyetlerinde makine öğrenmesinin hem geçmişten günümüze nasıl kullanıldığını hem de gelecekte kullanım potansiyelini ortaya koyan bir derleme makalesinin ulusal literatüre kazandırılması amaçlanmıştır.
Artificial intelligence (AI) seeks to simulate the human ability to reason, make decisions, and solve problems. Several AI methodologies have been introduced in forestry to reduce costs and increase accuracy in estimates. We evaluate the performance of Artificial Neural Networks (ANN) in estimating the heights of Araucaria angustifolia (Bertol.) Kuntze (Brazilian pine) trees. The trees are growing in Uneven-aged Mixed Forests (UMF) in southern Brazil and are under different levels of competition. The dataset was divided into training and validation sets. Multi-layer Perceptron (MLP) networks were trained under different Data Normalization (DN) procedures, Neurons in the Hidden Layer (NHL), and Activation Functions (AF). The continuous input variables were diameter at breast height (DBH) and height at the base of the crown (HCB). As a categorical input variable, we consider the sociological position of the trees (dominant–SP1 = 1; codominant–SP2 = 2; and dominated–SP3 = 3), and the continuous output variable was the height (h). In the hidden layer, the number of neurons varied from 3 to 9. Results show that there is no influence of DN in the ANN accuracy. However, the increase in NHL above a certain level caused the model’s over-fitting. In this regard, around 6 neurons stood out, combined with logistic sigmoid AF in the intermediate layer and identity AF in the output layer. Considering the best selected network, the following values of statistical criteria were obtained for the training dataset (R2 = 0.84; RMSE = 1.36 m, and MAPE = 6.29) and for the validation dataset (R2 = 0.80; RMSE = 1.49 m, and MAPE = 6.53). The possibility of using categorical and numerical variables in the same modeling has been motivating the use of AI techniques in different forestry applications. The ANN presented generalization and consistency regarding biological realism. Therefore, we recommend caution when determining DN, amount of NHL, and using AF during modeling. We argue that such techniques show great potential for forest management procedures and are suggested in other similar environments.
The international market has recognized the high value of Tectona grandis L.f. plantations, requiring the development of reliable and accurate tools and techniques to quantify forest stocks accurately. In this study, we developed suitable equations to estimate the stem diameters and volume of Tectona grandis trees in the central-western region of Brazil, evaluating the stem form change points (FCPs) and testing the stratification of data as a measure to control their variation. The Schöepfer model was tested in the study of the FCPs of the stem, and single equation, segmented and variable-exponent taper functions were used to describe the stem profile. After the selection of the model for the taper, data stratification in the DBH classes, form parameter “r” and artificial form factor were proposed. The total volumes of each tree were calculated by integrating the Clark III et al. model. The FCPs of the Tectona grandis stems occurred at 28%, 57% and 73% of the total height, corresponding, on average, to the absolute positions of 6.4 m, 13.3 m and 16.5 m. The Clark III et al. equation, without stratification, was the most appropriate equation to estimate the diameters along the stem and the volume of Tectona grandis trees in the central-western region of Brazil.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
customersupport@researchsolutions.com
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.