fa شبیه‌سازی ذخایر آب در ساختار زی‌توده اشکوب درختی جنگل‌های طبیعی و آمیخته راش در شمال کشور با استفاده از تکنیک شبکه عصبی مصنوعی عمومی Ggeneral پژوهشي Research <p dir="RTL" style="text-align: justify;">با توجه به بحران کمبود آب در کشور، برآورد هر چه دقیق‌تر ذخایر آب در اکوسیستم‌های جنگلی می‌تواند از مهم‌ترین راهکارهای مورد استفاده درزمینه مدیریت بهینه منابع و چرخه آب برای توسعه بهره‌وری مدنظر قرار بگیرد. بدین منظور، با استفاده از تکنیک شبکه عصبی مصنوعی موجودی وزنی ذخایر آب تنه ۱۷۴ پایه قطع‌ شده درختان گونه‌های مختلف اعم از راش، آزاد، ممرز، انجیلی، توسکا، بلوط و پلت شبیه‌سازی شد. از هر بخش از تنه استحصال‌ شده درختان، قطعاتی با ابعاد حجمی ثابت در دمای ۱۰۵ درجه سانتی‌گراد در آون قرارگرفته و ضریب خشکی و چگالی ویژه کلیه نمونه‌ها اندازه‌گیری شدند. سه لایه ورودی شامل قطر برابر سینه، ارتفاع تنه و چگالی ویژه برای روند شبیه‌سازی متغیر پاسخ مورد استفاده قرار گرفتند. برای معماری توپولوژی شبکه عصبی مورد مطالعه از روش سعی و آزمون استفاده شد. نتایج نشان داد که استفاده از قطر برابر سینه به‌عنوان تنها لایه ورودی بر مبنای شاخص‌های اعتبار قطعیت شبکه عصبی، ۶۵ درصد از واریانس آزمون داده‌ها را توجیه کرد. با ورود هر سه لایه ورودی، خروجی بهینه با یک لایه پنهان حاوی تابع تانژانت سیگموئیدی در معماری صورت گرفته با تعداد ۱۵ نورون عصبی دارای حداکثر قطعیت برآوردی در جنگل‌های آمیخته راش مورد مطالعه است (۰۸/۸۱= <span dir="LTR">RMSE</span>، ۰۰۱/۰= <span dir="LTR">MSE</span>، ۹۲/۰ = ^۲<span dir="LTR">R</span>). برای صرفه‌جویی در هزینه‌ها، نیروی انسانی و جلوگیری از روش برآورد تخریبی، خروجی بهینه حاصل در قالب جعبه سیاه با قابلیت کاربرد در فضای سیستم‌های دیجیتالی دارای قابلیت کاربرد وسیع برای پیش‌بینی ذخایر آب و به‌تبع آن مدیریت چرخه آب در اکوسیستم جنگلی مورد مطالعه است.</p> <p style="text-align: justify;">Due to water shortage in country, more accurate estimate of water reserve can be one of the most important guidelines on the optimal management of water resource and cycle for development of water productivity efficiency. Therefore, using artificial neural network techniques the water supply of 174 fallen trees from different species was simulated. From any part of each bole, components of constant volume were extracted and placed in 105&ordm;C to be oven-dried to measure specific drought index and wood density. Three input layers of diameter at breast height, height and specific wood density were used to simulate the response variable. The method of trial and test were used for neural network topology architecture. The results showed that the use of only diameter as input layer based on the validation indices explained 65% of variance of test of data. Using the three layers in the neural network, optimized output including function of Tan-sigmoid in the designed architecture with the number of 15 neurons demonstrated the highest accuracy (R²=0/92, MSE= 0/001, RMSE=81/08). In order to save the costs and manpower and to avoid a destructive method, the optimized output in the form of black box has the wide applicability to predict the water reserve in the mixed-beech forests to manage water cycle in the studied ecosystem.</p> جنگل‌های آمیخته راش, جنگل‌های هیرکانی, چرخه آب, زی‌توده درختان, شبکه عصبی مصنوعی Artificial neural network, Carbon sink, Mixed-beech forests, Water cycle. 53 65 http://jstnar.iut.ac.ir/browse.php?a_code=A-10-1-235&slc_lang=fa&sid=1 علی‌اصغر واحدی ali.vahedi60@gmail.com Yes 1. Forestry, Res. Institute of Forests and Rangelands, Agric. Res. Education and Extension Organization (AREEO), Tehran, Iran. ۱. مؤسسه تحقیقات جنگل‌ها و مراتع کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران